Institutionen för naturgeografi och kvartärgeologi Ekologisk konnektivitetsmodellering med GIS En jämförelsestudie av två GIS-baserade verktygslådor Erik Zachariassen Examensarbete avancerad nivå Naturgeografi och kvartärgeologi, 30 hp NKA 63 2012
Förord Denna uppsats utgör Erik Zachariassens examensarbete i Naturgeografi och kvartärgeologi på avancerad nivå vid Institutionen för naturgeografi och kvartärgeologi, Stockholms universitet. Examensarbetet omfattar 30 högskolepoäng (ca 20 veckors heltidsstudier). Handledare har varit Sara Cousins, Institutionen för naturgeografi och kvartärgeologi, Stockholms universitet. Examinator för examensarbetet har varit Helle Skånes, Institutionen för naturgeografi och kvartärgeologi, Stockholms universitet. Författaren är ensam ansvarig för uppsatsens innehåll. Stockholm, den 20 september 2012 Lars-Ove Westerberg Studierektor
Sammanfattning I denna studie har två olika GIS-verktygslådor och två typer av kartmaterial jämförts för att undersöka hur väl de kan användas till att modellera ekologisk konnektivitet på kommunnivå. Verktygslådorna som jämförts är Matrixgreen 1.6.4, en extension till ArcGIS 9.3.1, och ODC, ett urval av verktygen från ArcGIS Spatial Analyst. Som bakgrundsmaterial användes två olika typer av data, dels Svensk MarktäckeData (SMD) och dels en vegetationskartering specifikt framställd för ändamålet baserat på IRF-bilder. Syftet med studien är att försöka identifiera en optimal metod för att analysera och kartera ekologisk konnektivitet utifrån de möjligheter och begränsningar som respektive verktygslåda och kartmaterial erbjuder, med tekniska förutsättningar liknande en kommunal tjänstemans. Jämförelserna är gjorda både ur ett kvalitativt användarvänlighetsperspektiv, och ur ett kvantitativt resultatperspektiv där analysernas kvalitet och resurseffektivitet bedömts. Resultatet av jämförelserna visar att en analys utförd med Matrixgreen, mjukvara designad speciellt för att modellera ekologisk konnektivitet är mindre kvalitetsmässigt tillförlitlig än en analys gjord med ODC. Anledningen till detta är att Matrixgreen i sin nuvarande form är begränsat av programmeringsfel, vilket delvis förtar dess användningspotential. I jämförelsen mellan de olika typerna av kartmaterial så är det min uppfattning att vegetationskarteringen utförd med stereotolkning är kvalitetsmässigt överlägsen marktäckesdata från SMD som underlagsmaterial i ekologiska konnektivitetsanalyser. Den förstnämnda är dock så resurskrävande att framställa att den troligtvis bara är ett aktuellt alternativ i projekt med stor budget. Abstract Two different tool boxes using GIS were compared with the purpose of modeling ecological connectivity. Additionally, two different sets of landscape data which could be used in GIS modeling of ecological connectivity at a municipal level were compared. The toolboxes are being compared is the Matrixgreen 1.6.4, an extension to ArcGIS 9.3.1, and ODC (Object, Distance, Cost), a selection of tools from the ArcGIS Spatial Analyst. The map data being compared is the Swedish Land Cover Data (Svensk MarktäckeData, SMD) and a vegetation mapping prepared by remote sensing and stereo interpretation of infrared aerial photographs. The purpose of this study is to identify an optimal method for analyzing and mapping ecological connectivity based on the potentials and limitations that each tool box and map data set provides, under technical conditions similar to those of a municipal official s. Comparisons were made both from a qualitative usability perspective, and a quantitative performance perspective with analysis of the quality and resource efficiency assessed. The results of the comparisons indicates that an analysis performed with Matrixgreen, software designed specifically for modeling ecological connectivity is qualitatively less reliable than an analysis performed with ODC. The reason for this is that Matrixgreen in its present form is limited by programming errors, which partly deprives its potential use as tools to perform connectivity analysis at a landscape scale. In the comparison between the different types of map data, it is my opinion that the vegetation mapping conducted by stereo interpretation is qualitatively superior to land cover data from the SMD as support material in an ecological connectivity analysis. Although, the former is so expensive to produce that it is likely only a relevant option in projects with large budgets.
Förord av författaren Jag skrev mitt examensarbete under våren 2012. Under tiden mellan projektets avslut innan midsommar, och arbetets publicering i oktober så hann förutsättningarna för min utvärdering av ArcGIS-extensionen Matrixgreen delvis förändras. Under projekttiden arbetade jag med Matrixgreen 1.6.4, kompatibel med den äldre ArcGIS-versionen 9.3.1, men sedan mitt projekts avslut har Matrixgreen uppgraderats till version 1.7.0 som fungerar tillsammans med ArcGIS 10. De problem som jag identifierade i användandet av Matrixgreen ligger även till grund för en ansökan från Länsstyrelsen i Stockholms län till Stockholms läns landstings miljöanslag om utökade medel för att utveckla Matrixgreen. Begäran om utökade medel beviljades i september 2012, och arbetet med uppdateringen av Matrixgreen kommer att pågå under hösten 2012 och våren 2013. Min förhoppning är att Matrixgreen om ett år kommer att ha utvecklats till ett fungerande och än mer användarvänligt verktyg för att skapa ekologiska konnektivitetsmodeller med GIS. Erik Zachariassen, den 9 oktober 2012 2
Introduktion... 5 Bakgrund... 5 Konnektivitetsmodeller och GIS... 6 Grafteori inom ekologin... 6 Mål med projektet... 7 Studieområde... 7 Vegetationsdata... 7 Metod... 9 Modelleringsverktyg... 9 Modellarter... 11 Felsökning... 12 Förutsättningar för Jämförelserna mellan Matrixgreen och ODC... 12 Framställning av stereodatabasen och uppskattning av noggrannhet i karteringsprocessen... 17 Konnektivitetsmodellering i planeringsprocesser Mindre intervjustudie... 19 Resultat... 20 Buggar... 20 Jämförelse mellan spridningskomponenter... 24 Framställning av en vegetationskarta från stereodatabasen... 24 Betweenness Centrality och områden av särskild signifikans för rörelsen i landskapet.. 25 Resultat intervjustudie... 27 Matrixgreen och ODC... 28 Diskussion... 29 Jämförelsen mellan verktygslådorna... 29 Försök att kringbygga respektive verktygslådas problem... 30 Om vegetationsdata... 32 Slutsatser... 35 Referenser... 36 Litteratur... 36 Internet och Muntliga källor... 38 Bilaga 1 Klasser i SMD... 39 Bilaga 2 Klasser i stereodatabasen... 41 Bilaga 3 Specifikationer, persondator... 42 Bilaga 4 Verktyg i ODC... 43 Bilaga 5 Definitioner av modellarter och deras habitat... 44 Art A... 44 Art B... 44 Art C... 45 Bilaga 6 Kappakalkylering av noggrannhet i vegetationskarteringen... 46 Bilaga 7 Kappakalkylering av noggrannhet i vegetationskarteringen, hopslagna klasser... 47 Bilaga 8 Jämförelsematris spridningskomponeneter... 48 Bilaga 9 Resultat IRF-bildskartering..49 3
4
Introduktion I den rådande Regionala Utvecklingsplanen För Stockholm (RUFS 2010) uttrycker Regionplanekontoret i Stockholms Län att ett av delmålen i planeringsarbetete är att tillgängliggöra tätortsnära natur av hög kvalititet för människor i regionen genom att bevara och utveckla de gröna kilarna (sid 8 och sidorna 100-106). Stockholms gröna kilar är de tio stråk av sammanhängande grönområden som löper mellan stadskärnorna i regionen. Dessa ska bland annat främja biologisk mångfald och folkhälsa, och bidra med ekosystemtjänster, klimatutjämning och god tillgång till tätortsnära natur. I de gröna kilarna ingår så kallade gröna värdekärnor (RUFS 2010, sid. 157) som definieras som de områden i kilarna som innehåller de allra högsta rekreations- natur- och kulturmiljövärdena. De har ett stort utbud av upplevelse- och kulturmiljövärden samt en stor biologisk mångfald och variationsrikedom, som ger förutsättningar för fortplantning och spridning av djur och växter. För att analysera de olika grönområdenas värde i planeringsarbetet blir det viktigt att ha verktyg i GIS-miljö som kan analysera ekologisk konnektivitet. Huvudsyftet med denna studie är att utvärdera ArcGIS-extensionen Matrixgreen (Bodin och Zetterberg, 2011) och jämföra det med verktyg i ESRI:s Spatial Analyst som verktygslådor för att skapa modeller för ekologisk konnektivitet. Matrixgreen är utvecklat av forskare på Kungliga Tekniska Högskolan och Stockholm Resilience Center och finansierades av Stockholms läns landsting, Kungliga skogs- och lantbruksakademin, Forskningsrådet för miljö, areella näringar och samhällsbyggande (Formas), Länsstyrelsen i Stockholms län samt flera kommuner i Stockholms län. Finansieringen av utvecklingen av Matrixgreen kan ses som ett uttryck för viljan att få ett verktyg för att nå det regionala planeringsmålet, som också går i linje med flera av de nationella miljömålen (författarens tolkning). Bakgrund Fragmentering av grönstruktur och förlust av habitat är två av de största hoten mot den biologiska mångfalden på både global och lokal nivå (Saunders et al., 1991; Rolstad, 1991). I stadsområden och förorter där grönområden aktivt ersätts med vägar och bebyggelse är fragmenteringen särskilt påtaglig. Utöver förlusten av habitat, så skapar närheten till staden ökad ekologisk stress i form av luftföroreningar, predation från husdjur, förändrade födo- och vattenförhållanden och sjukdom för organismerna i ekosystemet (Chace och Walsh, 2004). Det finns även ett negativt samband mellan närheten till staden och den totala abundansen av individer i det tätortsnära ekosystemet, samtidigt som diversiteten av arter i vissa fall kan gynnas av de konkurrensförhållanden som det tätortsnära habitatet skapar (Biadun och Żmihorski, 2011). Trots att fragmenteringen av grönstukturen och förlusten av habitat leder till lokala utdöenden och minskande populationer (Adams och Dove, 1989; Rolstad, 1991) så kan de fragmenterade stadsnära habitaten vara av större betydelse för landskapets konnektivitet än deras ringa storlek och störda läge vid en första anblick antyder (Gilbert 1987; Schaefer 1994; Rudd et al. 2002). Densiteten av habitatfragment i en region kan kopplas till migrationsmöjligheterna mellan lokala populationer i ett metapopulationsnätverk, och bidrar på detta sätt till att minska risken för lokala utdöenden (Hanski et al. 1995). 5
Konnektivitet, eller den grad av kontakt med vilka habitat hänger ihop med varandra genom spridning, är inom ekologin erkänt som en viktig faktor för dynamiken mellan populationer och inom artsamhällen (Taylor et al., 1993; Tischendorf och Fahrig, 2000; Moilanen och Nieminen, 2002). Ellis et al. (2010) argumenterar dock att konnektivitet bara kan inkluderas som en influerande faktor i populationsmodeller om konnektivitetsmodellen är baserad på meningsfulla biologiska mätmetoder, i motsats till rent avståndsbaserade mått som inte tar hänsyn till landskapets struktur. Utöver detta framhåller Ellis et al. (2010) att potentiell konnektivitet är relativt sett mindre viktig än lokala miljövariabler för att förklara dynamiken inom populationerna i ett metapopulationsnätverk. Konnektivitetsmodeller och GIS Under den senare delen av 1990-talet och under 2000-talet har möjligheterna att modellera ekologisk konnektivitet på landskapsskala växt i samband med att det geografiska informationstekniska forskningsområdet utvecklats, och att de tekniska verktygen blivit kraftfullare. Calabrese och Fagan (2004) diskuterar att det finns flera metoder för hur samband mellan två eller flera områden ska modelleras och vilka faktorer som ska fungera begränsande i konnektivitetsmodeller. Bland de exempel som nämns som begränsande så resonerar de kring hur statistik rörande spridningspotential och habitatkrav för en art ofta saknas och att denna typ av data är kostnadskrävande att producera, vilket framtvingar ett behov av att kompromissa realismen och detaljnivån i konnektivitetsmodelleringen. Calabrese och Fagan (2004) anför att ett grafteoretiskt angreppssätt på konnektivitetsmodellering kan besitta den största kvoten nytta-per-insats (eng. benefit to effort) i bevarandeprojekt som kräver modellering av konnektivitet på en relativt stor skala. De nämner dock att en bufferanalys i GIS baserad på rörselse över ett kostnadsviktat underlag mellan förmodade habitat enligt Moilanen och Hanski (2001) ger liknande resultat. Ett exempel på kostnadsviktat underlag skulle kunna vara att det i en modell är dyrare (eller mer kostsamt) för en padda är att förflytta sig över en motorväg än över en fuktig äng. Grafteori inom ekologin Under 2000-talet har grafteorin växt fram som ett intressant sätt att modellera samband mellan områden i ett habitatnätverk. Flera studier har utforskat möjligheterna att införa grafteoribaserade modeller som underlag i miljöutredningar och planeringsarbete (Urban et al. 2009; Gurrutxaga et al. 2010; Zetterberg et al., 2010). Inom grafteorin definieras samband mellan områden som grafer. En graf utgörs av två noder och den länk som sammanbinder dem (se Figur 1). Om en konnektivitets-modellering baserad på grafteori skulle beskrivas analogt (dvs. helt utan GIS-hjälpmedel) så skulle noderna kunna representeras av nålar på en karta med trådar som sammanband dem. Inom ekologin kan detta tillämpas så att grafen representerar en spridningsväg mellan två habitat i ett konnektivitetsnätverk. I varje potentiellt habitat i konnektivitetsmodellen skapas en nod, och mellan Figur 1. Schematisk grafteori. Graferna (G) i grafteorin representeras av länkar (L) mellan noder(n) i ett nätverk (Harary, 1969). Graf G1 representerar alltså nod N1 och N2 och länken däremellan, L:N1-N2. 6
noderna i modellen kan sedan länkar tecknas. Till modelleringsprocessen hör även att modelleraren definierar regler för när en länk mellan två noder ska tecknas, och när ingen länk ska tecknas. Mål med projektet De frågeställningar jag vill besvara med studien är: 1. Vilka möjligheter och begränsningar finns i en konnektivitetsmodellering utförd med Matrixgreen respektive verktygslådan ODC (Object, Distance, Cost) med verktyg hämtade från ArcGIS Spatial Analyst? 2. Kan en kvalitetsmässig skillnad observeras mellan en konnektivitetsmodell med Svensk marktäckesdata och en med den manuellt framställda vegetationsdatabasen som grundmaterial, utförda på samma geografiska område? Om det finns en skillnad hur stor är den? 3. Motsvarar den förmodade högre kvaliteten hos en manuellt framställd vegetationskartering tiden det tar att framställa databasen? Förutsatt att den används som underlagsmaterial i en konnektivitetsanalys? Studieområde För projektet valde jag Haninge kommun beläget på östra Södertörn söder om Stockholm som studieområde. Av kommunens totalareal på 2 160,9 km² utgörs 458,1 km² av land och 6 km² av inlandssjöar, resterande 1 696,81 km² av kommunytan utgörs av hav (Statistiska centralbyrån, 2012). Inom kommunen finns 20 naturreservat, en nationalpark (Tyresta nationalpark) och genom kommunen på ömse sidor av tätorterna Handen-Jordbro-Västerhaninge löper Hanvedenkilen (väster) och Tyrestakilen (öster) i nord-sydlig riktning (Haninge kommun, hemsida 2012). I projektets studieområde ingår de fastlandsbaserade delarna av kommunen. Jag valde också att inkludera vissa delar av omgränsande kommuner i modellen, för att potentiellt viktiga samband strax utanför kommungränsen inte skulle förbises. På grund av tidskäl så fokuserade jag på de i Haninge centralt belägna tätorterna (se Figur 2). Vegetationsdata I projektet har även två typer av kartmaterial jämfört utifrån lämplighet som underlagsmaterial i en ekologisk konnektivitetsmodell. Dessa är: Svensk MarktäckesData (SMD) För komplett produktbeskrivning, se Lantmäteriet (2010). SMD är en rikstäckande vegetations- och markanvändningskartering baserad på tolkning av satellitdata. Marktäcke redovisas i 58 klasser och data levereras i rasterformat med 25x25 m pixlar. Referensår för data från SMD är år 2000. Se Bilaga 1 för samtliga klasser i SMD. Vegetationsdatabas stereotolkad i Leica Photogrammetry Suite (del av Erdas Imagine 2011) från IRF-bilder Framställd av författaren. Minsta mätbara enhet i vegetationskarteringen är ca 0.5 ha, med vissa undantag (se metod). Vegetationsdatabasen kommer hädanefter refereras till som stereodatabasen. Referensdatum för IRF-bilderna är 2011-06-04. Se Bilaga 2 för samtliga klasser i stereodatabasen. 7
Figur 2. Översiktskarta över studieområdet. Bakgrundskartan består av material hämtat från Svensk MarktäckeData (SMD), och kommungränser från Lantmäteriet databas. Den nationalpark som finns markerad i kartan är Tyresta nationalpark. Området innanför den lila linjen ( Marktäckesdata från SMD i teckenförklaringen) markerar det område som användes för att utforska Matrixgreens kapacitet. För jämförelserna mellan SMD och stereodatabasen som underlagsdata för konnektivitetsanalyser så studerades området innanför den blå linjen ( Vegetationskarterat med flygfoton i teckenförklaringen). 8
Metod Modelleringsverktyg Alla analyser i projektet är utförda med tekniska förutsättningar liknande en kommunal tjänstemans. I praktiken betyder detta att en stationär dator av relativt kraftfull modell använts. För specifikationer, se Bilaga 3. De GIS-baserade verktygslådor som jämförts i denna studie är Matrixgreen och ODC (Object, Distance, Cost), som kan användas för att analysera och modellera ekologisk konnektivitet. Verktygen i ODC är speciellt utvalda från ArcGIS Spatial Analyst då de kan användas för att skapa konnektivitetsmodeller som resultatmässigt liknar Matrixgreens, men där analysmetoden som producerar resultaten skiljer verktygslådorna åt. Matrixgreen Matrixgreen är en grafteoribaserad programtillbyggnad (extension) till ESRIs ArcGIS 9.3.1 som utvecklats av forskare på Stockholm Resilience Centre (Stockholms universitet) och KTH. Utvecklingen finansierades av bland annat Stockholms läns landsting och Kungliga skogs- och lantbruksakademin med målet att skapa ett lättanvänt verktyg för att prognostisera och utvärdera påverkan och effekter av att bygga i grönområden. För att säkerställa funktionerna hos Stockholms gröna kilar i framtiden. Praktiskt opererar Matrixgreen genom att bygga upp nya GIS-databaser separerade från övrigt ArcGIS-material, där alla datalager och resultat från analyserna med Matrixgreen lagras. Områden som enligt modellen är definierade som habitat registreras som noder, och graferna, när sådana enligt modellens regler uppstår registreras Figur 3. Matrixgreens gränssnitt. I figuren visas två polygonobjekt, vilka i modellen representerar habitat. I centrum av respektive polygon finns en nod. Mellan noderna har en länk tecknats vilken illustrerar spridningsvägen mellan de två habitaten. I bakgrunden visas en del av det IRF-bild som användes till att framställa den i projektet använda stereodatabasen. som länkar (Figur 3). Noderna och länkarna mellan dem, bildar ett konnektivitetsnätverk inom vilket rörelse enligt modellens definitioner är möjlig. I Matrixgreen erbjuds tre typer av analyser utifrån hur graferna i nätverket är definierade, dessa är: 1. Component analysis Analyserar vilka noder som enligt modellens regler delar länkar med varandra, och vilka som inte gör det. Områden som delar länkar i ett isolerat nätverk sorteras in i en komponent (component). 2. Patch Distance analysis Skapar ett diagram över hur antalet komponenter i modellen sjunker när det maximala spridningsavståndet mellan habitaten ökar. 9
3. Betweenness Centrality analysis Identifierar noder/habitat som enligt modellens definitioner är centralt belägna ur konnektivitetssynpunkt. Dessa är belägna så att större delen av rörelserna mellan två punkter i nätverket går genom dem, och de graderas ett högt betweenness centrality-värde (BC) i förhållande till andra noder i nätverket. Ett habitats BC-värde indikerar hur viktigt just det området är för spridningen inom nätverket, i förhållande till andra habitat i nätverket. Utöver analysverktygen så erbjuder Matrixgreen flera alternativ för hur områden som i modellen ska definieras som habitat ska separeras från övriga områden i ett dataset. Områden definierade som habitat i en konnektivitetsmodell skapad med Matrixgreen namnges av programmet på ett sätt som gör att ArcGIS och Matrixgreen associerar patchpolygoner som just patch för den konnektivitetsmodell som polygonskiktet skapats för. Namnet patch i det nya polygonskiktet är innebördsmässigt synonymt med sin motpart inom landskapsekologin (se patch i Forman, 1995), och definierar i sammanhanget ett ekologiskt homogent område som skiljer sig från den omgivande matrixen. Alternativen för hur Matrixgreen definierar patcher skiljer sig från varandra datastrukturellt, då nya patcher kan skapas från antingen polygoner, raster, eller andra patcher. I det matematiska centrat för patchen skapas sedan ett punktobjekt, en nod, mellan vilka länkar kan tecknas. I Matrixgreen finns tre alternativ för hur länkar mellan patcher ska tecknas. Dessa är: 1. Center-Euclidian (CE) Rak (euklidisk=fågelvägen) länk från centrum till centrum mellan två patcher. 2. Edge-Euclidian (EE) Rak (euklidisk=fågelvägen) länk från kant till närmsta kant mellan två patcher. 3. Least Cost Path (LCP) Länken tecknas mellan två patcher längs den minst kostsamma vägen mellan de två patcher. För att teckna LCP-länkar krävs att ett underlagsraster med motståndsvärden definieras. Underlagsrastret kan användas för att markera barriärer för förflyttning i matrixen mellan två patcher. Utöver att definiera hur patcherna ska väljas ut och hur länkarna mellan patcher ska tecknas i konnektivitetsmodellen, så har modelleraren möjlighet att från Matrixgreens gränssnitt definiera: Krav på minimi- och/eller maximalarea som ett potentiellt område måste uppfylla för att definieras som en patch i modellen. Krav på maximalt avstånd mellan två patcher för att en länk/graf ska tecknas mellan dem. ODC Object, Distance, Cost ODC är arbetsnamnet på den verktygslåda som ArcGIS Spatial Analyst kan tillhandahålla och som jag har valt att använda till att skapa kostnadbaserade buffertanalyser som grund för ekologiska konnektivitetsmodeller. Jag skapade ODC och valde verktygen särskilt för detta projekt, då deras funktioner behandlar habitat och rörelse mellan habitat på ett sätt som liknar Matrixgreens. Namnet ODC som en förkortning för de engelska orden Object, Distance och Cost, och förkortningen är en referens till de tre centrala frågor som jag anser att modelleraren behöver ta hänsyn till när denne skapar en modell över ekologisk konnektivitet, Nämligen: 1. Mellan vilka områden ska potentiella samband analyseras (Object)? 10
2. Finns det ett maximalt avstånd definierat för att konnektivitet ska uppstå mellan två områden (Distance)? 3. Finns det definierade barriärer, eller områden i mellanrummet/matrixen mellan habitaten som har högre motstånd (där det kostar mer att förflytta sig) än andra och ska verka begränsande på möjligheten för ett samband att uppstå (Cost)? ODC innehåller verktyg för att illustrera avståndsmässiga eller kostnadsbaserade bufferzoner runt områden definierade som habitat. De rent avståndsmässiga bufferverktygen tar inte hänsyn till områden som skulle kunna fungera som barriärer för förflyttning genom ett landskap, och går att likna vid Matrixgreens euklidiska länkalternativ. De kostnadsbaserade bufferverktygen kan användas när hänsyn vill tas till att rörelse genom ett landskap kan vara mer komplicerad på vissa ställen än andra, och går att likna vid Matrixgreens LCP-länkar. Vid användning av det kostnadsbaserade bufferverktyget måste ett underlagsraster med motståndsvärden användas. I bufferverktygen går det att definiera ett maximalt avstånd för ytterkanten på bufferzonen. Bufferzonerna kring habitaten skapas från ytterkanten på de aktuella habitatobjekten. För att se exakt vilka verktyg som ingår i ODC se Bilaga 4. Modellarter För att kunna besvara projektets frågeställningar och uppfylla projektets mål så behövde jag en gemensam underlagsgrund för jämförelserna utforma. I projektet har grunden för jämförelserna mellan Matrixgreen och ODC, och mellan Svensk MarktäckeData och stereodatabasen varit de konnektivitetsmodeller som skapats för tre habitatspecialiserade modellarter. I projektet fanns inte tid att införskaffa faktiska inventeringsdata för biologiska arter, så jag valde att skapa mina konnektivitetsmodeller för organismer som har så precisa krav på sin livsmiljö att deras potentiella habitat skulle gå att urskilja i ett bild-data insamlade med ett flygplan eller en satellit. I projektet föll valet av organismer att använda i konnektivitetsmodellen på tre habitatspecialiserade arter vilkas habitattyp går att urskilja i både den stereotolkade vegetationsdatabasen och i kartmaterialet från SMD. Jag valde att använda modellarter då en verklig art skulle bli för komplex. Den biotop som utgör habitat för respektive art är: Art A Lövskog och lövträdsdominerade biotoper. Modellerad efter Entita, skulle även kunna representera Större- och Mindre Hackspett, Nötväcka med flera. Art B Barrskog och barrträdsdominerade biotoper. Modellerad efter Tofsmes, skulle även kunna representera skogshöns och en mängd evertebrater. Art C Våtmark och fuktiga områden i anslutning till sjöar och småvatten med helt eller delvis öppen vattenspegel. Modellerad efter vanlig padda, skulle även kunna representera flertalet svenska arter av grodor och salamandrar. För respektive art undersöktes det vetenskapliga underlaget gällande habitatpreferenser, spridningspotential och uppfattande av barriärer för spridning. Här uppstod det behov av kompromiss mellan realism och detaljnivå i modellen som Calabrese och Fagan (2004) uppmärksammat. Då ekologin för de biologiska arterna är så pass komplicerad att alla karaktärs- och särdrag ansågs omöjliga att inkorporera i modellen, så summerades dessa för enkelhetens skull till en mängd data som ansågs hanterbar för att nå projektets mål (kompletta beskrivningar av dessa tre modellarter finns i Bilaga 5). 11
Felsökning Matrixgreen I arbetet med Matrixgreen upptäcktes snabbt stora problem med användarvänligheten då antalet patcher och länkar i konnektivitetsmodellerna i studieområdet visade sig göra analyserna mycket tidskrävande och beräkningstunga. Majoriteten av problemen med Matrixgreen uttrycke sig som (RAM-) minnesrelaterade krascher av ArcGIS, men flera problem av mer komplex karaktär upptäcktes (för en lista över problemen se - Resultat, Buggar). När jag under arbetet med Matrixgreen stötte på ett nytt problem så försökte jag inledningsvis isolera och identifiera hur problemet uttryckte sig. Förfarandet för detta var att på klassiskt felsökningsmanér genomföra samma analys med Matrixgreen upprepade gånger, men med en liten förändring av premisserna för varje ny analys. När problemen i Matrixgreen väl identifierats och isolerats så gjordes vissa försök att kringbygga dessa med hjälp av andra verktyg i ArcGIS (se Diskussion, Försök att kringbygga respektive verktygslådas problem). ODC Under arbetet med ODC så identifierades inga typer av funktionalitetsproblem. I början av arbetet med konnektivitetsmodelleringen med ODC så dubbelkördes analyserna av två konnektivitetsmodeller enligt identiska premisser (två repetitioner, på två olika modeller) utan att några problem eller olikheter i resultaten identifierades. Det bör tilläggas att en repetition av en analys med ODC går på sekunder, medan en analys i Matrixgreen kan ta flera timmar. Förutsättningar för Jämförelserna mellan Matrixgreen och ODC För att jämförelserna mellan programvaror och underlagsmaterial skulle kunna genomföras på lika grunder så analyserades endast data från SMD med samma geografiska utsträckning som dataunderlaget från stereodatabasen. I SMDs produktbilaga (Lantmäteriet, 2010) definieras minsta redovisningsenhet för objekt i karteringen som mellan 1-25 ha, beroende på vilken av de 58 klasserna som redovisas. Data från SMD levereras dock i rasterformat om 25m*25m pixlar (625 m²). Vid överföringen till polygonformat och patcher, så resulterade det i att en mängd områden vars pixelvärden definierade dem som habitat, men med mycket liten area. För art A och Art B så utgjorde den stora mängden små patcher en belastning i användandet av Matrixgreen vars beräkningsprocess är mer minneskrävande än ODCs, av denna anledning så specificerade jag 626 m² som minimal area för att ett område skulle definieras som en patch. Genom att specificera att det enskillda potentiella patchobjektet måste ha en area större än 625 m² så kunde beräkningstyngden hållas på en hanterbar nivå. I arbetet med att försöka identifiera begränsningar i respektive programvaras kapacitet så använde jag endast Svensk MarktäckeData, då dessa fanns tillgängliga över ett större geografiskt område och alltså tillät applikation av större bräkningstyngd för konnektivitetsanalyserna. Verktygslådorna Matrixgreen och ODC har gemensamt att de kan användas för att modellera ekologisk konnektivitet genom bearbetning av indata för habitat, maximalt spridningsavstånd och motstånd i underlaget. Eftersom en korrekt jämförelse av verktygens output bara kan göras om inputen av data är densamma så beslutades att jämförelsen skulle göras med 12
modellarternas habitat som grund, och med standardiserade avstånd för spridningspotential och mot ett motståndsraster individuellt för varje art. I projektet upplevdes de svårigheter att införskaffa referenser för spridningspotential som Calabrese och Fagan (2004) omtalat. De mest relevanta referenser för spridningspotential som jag fann var: Brouhthon et al. 2010. Ungfåglar av Entita (Art A:s förebild) migrerar i medel 704 meter (hanar) och 1065 meter (honor) från kläckningsplatsen under sitt första år. Rodríguez et al. 2007. Tofsmesar (Art B:s förebild) kan i vissa fall migrera +10 km genom områden av kontinuerlig skog. Kovar et al. 2009. Vanlig padda (Art C:s förebild) kan migrera upp till 1379 m från övervintringslokalen till lekvattnet. Grundat på inhämtad statistik och det faktum och att alla modellarternas förebilder verkade ha potential att sprida sig över en kilometer så resonerade jag att för varje art så skulle ett optimistiskt, ett pessimistiskt och ett realistiskt spridningsavstånd modelleras. Maximalt spridningsavstånd för det optimistiska scenariot definierades som 2000 meter från ursprungspatchen. För det realistiska scenatiot 1000 meter, och för det pessimistiska 600 meter. Tre flödescheman skapades för att beskriva processen att ta fram underlagsmaterial för jämförelse mellan modellverktygen Matrixgreen (Fig 4) och ODC (Fig 5). Figur 6 visar den faktiskt jämförelsen. Med början i toppen av varje flödesschema (Fig. 4 och Fig 5) kan processen stegvis följas för att landa i material lämpligt att använda i jämförelsen (Fig 6) mellan programvarorna. I flödeschemana har modellart A använts som exempel, men processen är genomförd för alla modellarter. 13
0. 1. 1. 2. 1. 0. Teckenförklaring 1. Val av modellart. Definition av habitat och klassificering av motstånd i matrixen mellan habitaten. 2. Val av länktyp, euklidisk eller kostnadsbaserad. 3. Output i form av antal komponenter för avstånden 600, 1000 och 2000 m, och för respektive indataset. 4. Jämförelse mellan konnektivitetsnätverkens utformning beroende på indata. 3. 4. Figur 4. Flödesschema för arbetsgången i modelleringen med Matrixgreen 14
1. 0. 1. 2. 1. 0. Teckenförklaring 1. Val av modellart. Definition av habitat och klassificering av motstånd i matrixen mellan habitaten. 2. Val av buffertyp, euklidisk eller kostnadsbaserad. 3. Output i form av antal komponenter för avstånden 600, 1000 och 2000 m, för respektive indataset och buffermetod 3. Figur 5. Flödesschema för arbetsgången i modelleringen med ODC 15
0. Teckenförklaring 1. Resultat från Matrixgreen 2. Resultat från ODC 0. 1. 2. Figur 6. Metod, jämförelse Matrixgreen och ODC 16
Framställning av stereodatabasen och uppskattning av noggrannhet i karteringsprocessen Stereodatabasen är framställd genom manuell klassning och digitalisering av olika vegetationstyper utifrån högupplösta flygbilder fotograferade med en digitalkamera med infrarött filter (referensdatum för IRF-bilderna är 2011-06-04). Minsta redovisningsenhet i karteringen är ca 0.5 ha, med undantag för potentiella habitat för modellart C, där alla objekt oavsett storlek redovisas. Genom att analysera IRF-bilder fotograferade i stereo kan mycket information om trädartsammansättning, trädålder, marktäckningsgrad och hydrologiska förhållanden utläsas. I framställningen av stereodatabasen har homogena marktäckesområden identifierats och manuellt ritats som polygoner i ett GIS. Stereodatabasen har 28 klasser baserade på vegetationstyp och vegetationstäckningsgrad (Bilaga 2). Förfarandet under karteringsprocessen kan delas in i tre faser. Dessa är: 1. Digitaliseringsfasen. I digitaliseringsfasen identifieras områden med homogen vegetation genom att studera IRF-bilder i stereo. Kring yttergränsen av de homogena områdena tecknas sedan en polygon i GIS. I projektet lades särskild vikt vid att identifiera och digitalisera områden med potential att fungera som habitat eller barriär för någon av de tre modellarterna. 2. Klassificeringsfasen. I klassificeringsfasen studerades polygonerna som skapats i digitaliseringsfasen och sorterades i en av de 28 vegetationsklasser som jag använde i projektet. I klassificeringsfasen användes gränsvärdena 30 % krontäckning och 70 % vegetationshomogenitet som grundmått för att sortera in områdena i respektive klass. Som ett exempel så skulle ett område med (över) <30 % krontäckningsgrad där <70% av träden är barrträd (där hällmark inte är synlig genom krontäcket) klassas som 110 Barrskog. Som ett ytterligare exempel så skulle ett område med (under) >30% krontäcke, där gräs utgör huvudsakligt marktäcke och där barrträd utgör <70% av trädbeståndet klassas som 210 Barrträdsbevuxen gräsmark. Den metod som använts i klassificeringsfasen finns i illustrerad i flödesschemaform i Figur 7 (Vegetationsklassificeringsmatris för klassificeringsfasen) nedan, för förtydliganden av klasserna se Bilaga 2. Det i projektet använda klassificeringssystemet bygger på ett opublicerat vegetationskarteringssystem utvecklat på Stockholms Universitet. Klasserna i originalklassificeringssystemet har dock modifierats för att bättre passa studieområdet i projektet, 3. Verifieringsfasen. I verifieringsfasen så utvärderades noggrannheten av vegetationsklassificeringen i klassificeringsfasen. Under verifieringsfasen så besöktes 158 slumpvis markerade punkter i studieområdet och tilldelades en vegetationsklass baserad på observationerna i fält. Vegetationsklassificeringen gjord i fält jämfördes sedan med vegetationsklassificeringen gjord i klassificeringsfasen i en noggrannhetsberäkning (se Bilaga 6 tabell 5, Bilaga 7 tabell 6). Utplaceringen av punkter i studieområdet gjordes i GIS, så att varje polygonobjekt skapat i digitaliseringsfasen innehöll fem slumpvis placerade punkter inom polygonens gränser. På grund av studieområdets storlek och det stora antalet polygonobjekt (+3500) så fanns inte möjlighet att besöka alla delar av studieorådet. Fältkontrollerna genomfördes under två dagar, där dag ett spenderades i bil och punkterna som kontrollerades låg i anslutning till områden som det gick att ta sig till med bil. Fältdag två spenderades med vandring från studieområdets centrala delar (Handens pendeltågstation) via Sörmlandsleden västerut till utkanten av studieområdet, och där punkter längs vandringsleden eller i anslutning till denna kontrollerades. 17
Figur 7. Vegetationsklassificeringsmatris för klassificeringsfasen. Figuren illustrerar i flödeschemaform den metodik som använts för att framställa stereodatabasen med flygbildstolkning. Flödesschemat ska läsas ifrån övre vänstra hörnet, och linjen av vitfärgade boxar markerar huvudstammen av frågor som förgrenar sig i vegetationstyper, och slutligen vegetationsklasser. 18
Konnektivitetsmodellering i planeringsprocesser Mindre intervjustudie För att utvärdera konnektivitetsmodelleringens potential som stöd och underlag i planeringsprocesser så anordnades ett möte med potentiellt berörda tjänstemän på Haninge kommun. I mötet deltog från kommunen; en kommunekolog, en stadsplanerare, en översiktsplanerare, två GIS-ingenjörer och en IT-utvecklare med GIS-kompetens (för deltagarlista, se Muntliga källor). Under mötet så presenterades konnektivitetsmodeller som framställts för projektets tre modellarter, och arbetsprocessen som lett fram till de färdiga modellerna. Deltagarna i mötet fick sedan yttra sig om vilken användbarhet de ansåg att konnektivitetsmodellerna skulle kunna ha inom respektive kompetensområde. 19
Resultat Buggar Inledningsvis bör nämnas att det under arbetet med utvärderingen av Matrixgreen och jämförelserna mellan Matrixgreen och ODC upptäcktes ett antal programmeringsbuggar som inverkat begränsande på möjligheterna att skapa en jämförelse mellan verktygen på lika villkor. I projektet definierar jag buggar som funktionsbegränsande, i programmanualen ej redovisade programfel som påverkar användbarheten negativt. Jag har valt att redovisa buggarna som ett konkret resultat, då de påverkar Matrixgreens användar-vänlighet negativt, samt att de starkt påverkat resultatet av jämförelsen mellan Matrixgreen och ODC. Dessa kan också användas för att utveckla och förbättra programmet vidare. Nedan följer en lista på buggar i Matrixgreen i den ordning de upptäcktes under projektet. 1. Matrixgreens Patch Distance Analysis kraschar/stänger ned ArcGIS och förstör den.mg-projektfil som analysen utfördes på. Huruvida analysen genomförs på ett korrekt, icke destruktivt sätt beror på mängden data som ska analyseras. De parametrar som behöver justeras för att undvika en krasch är; antal patcher i analysen, minsta och största avstånd mellan patcher, intervall mellan analyser. Den PD-analys med flest antal beräkningsobjekt som inte resulterade i krasch genomfördes med 2878 patcher, mellan avstånden 50 till 700 meter, med 50 meters intervall mellan analyserna (se figur 8 för exempel). Figur 8. Patch Distance Analysis interface. Figuren visar den meny och de valmöjligheter modelleraren ges när denne utför en Patch Distance-analys. Att bocka av en box märkt Show Properties (optional) visade sig vara av yttersta vikt för att undvika de problem med programkrascher som Matrixgreen orsakade under projektet. 20
2. I gränssnittet för Matrixgreens verktyg finns alternativen att visa resultatet av en analys eller en GIS-operation direkt efter att beräkningarna är klara, eller att inte visa resultatet direkt och granska det vid ett senare tillfälle (se Show Properties i Figur 8). I projektet uppstod ett flertal krascher när alternativet att visa resultaten direkt valdes. I vissa fall kraschade ArcGIS efter att beräkningarna avslutats, i andra fall genomfördes beräkningarna (vilket kunde ta flera timmar beroende på antalet beräkningsobjekt) varpå det aktuella verktygets startskärm visades igen utan att ha producerat något resultat. Detta problem kunde kringgås om alternativet att inte visa resultaten direkt valdes. 3. Vid användning av Matrixgreen-verktyget Patches from Feature överförs vanliga.shp-polygonobjekt till det Matrixgreen-specifika polygonformatet Patch som används i.mg-databaser. Vid överföringen från Feature till Patch så finns en risk att polygoner med mer än en (1) ytterkant (polygonobjekt med hål) fylls igen, med resultatet att de områden som valts som habitat i konnektivitetsmodellen kan framställas felaktigt (Figur 9). Figur 9. Den vänstra delen av figuren visar på ett område med en ö i ett homogent matrix. Den högra delen visar samma område där Matrix Green under analysverktyget "Patches from Feature"har fyllt igen hålet där ön fanns, vilket är en bugg. Bakgrundsbild är en del av de IRF-bilder som användes vid framställning av stereodatabasen. Alla hål i alla polygoner fylls dock inte igen, och det är författaren uppfattning är att detta problem har sin rot i Matrixgreens grafteoretiska arbetssätt. I det matematiska centrumet av en Patch skapas nod (ett punktobjekt) mellan vilka länkar sedan kan tecknas. Om det matematiska centrumet befinner sig utanför patchens gränser (i ett hålrum i polygonobjektet) så kompenseras detta för genom att fylla i polygonen så att noden hamnar innanför yttergränserna. Samma problematik kan uppstå med halvmåneformade objekt. Problemet kan kringgås genom att manuellt dela de håliga polygonerna i featureskiktet i flera mindre objekt, vilka matematiska mittpunkter ligger innanför respektive polygons yttergräns när Patches From Feature används. Detta kräver dock ett stort mått av manuellt arbete utan möjlighet att kontrollera felaktigheter på annat sätt än att studera patch-skiktet visuellt i ArcGIS. 21
4. De verktyg i Matrixgreen som kräver ett större mått av beräkningar, Patch Distance Analysis och Least Cost Path-links i synnerhet, kraschar ArcGIS. Anledningen till att ArcGIS krashar är att beräkningarna kräver mer fysiskt minne än datorterminalen kan erbjuda. Eftersom till exempel skapandet av länkar mellan patcher är en flerstegsprocess där varje länk mellan två noder kalkyleras separat, så ökar beräkningstyngden linjärt vartefter fler länkar mellan patcher tecknas. Detta leder till att beräkningsprocessen fortgår till dess datorn tillgängliga RAM-minne tar slut och processen avbryts. Beräkningsprocessen kan i vissa fall pågå i upp till 17 timmar, för att sedan krascha utan att lämna användbara resultat. Problemet med minnesrelaterade krascher kan undvikas genom att analysområdet görs mindre, men detta sker på bekostnad av ett potentiellt förlorat helhetsperspektiv i konnektivitetsmodellen. 5. Matrixgreens verktyg Betweenness Centrality Analysis används för att gradera varje patchs signifikans för rörelsen inom ett konnektivitetsnätverk med ett värde mellan noll (0) och ett (1). Högre signifikans ger ett högre Betweenness-Centrality (BC) värde. Om BC-analysen används på ett konnektivitetsnätverk med ett mycket stort antal (+13000) patcher så kan vissa patcher tillskrivas ett BC-värde som ligger utanför värdespannet noll till ett (se Figur 10). Figur 10. BC-värde 276791931299,523. Ett korrekt beräknat Betweenness Centrality-värde ligger inom värdespannet 0-1. Värden över 1 och under 0 är buggar. Problemet kan undvikas genom att inkludera färre objekt i Betweenness Centralityanalysen, men detta sker på bekostnad av patcher med potentiellt hög signifikans exkluderas ur konnektivitetsmodellen. 6. Vid skapandet av Least Cost Path-länkar finns ingen garanti för att alla länkar i konnektivitetsnätverket tecknats på ett korrekt sätt. Matrixgreens Least Cost Path -länkar kan användas för att illustrera ett motstånd i underlaget mellan patcherna och skapa barriärer för förflyttning. Genom att definiera 22
längsta möjliga förflyttningsavstånd mellan två patcher (en budget) och ett motståndsraster med värden för hur kostsam förflyttningen över en viss typ av underlag är, så skapas länkar mellan patcher endast när förflyttningens kostnad underskrider den definierade budgeten. Denna bugg identifierades först visuellt (se figur 11) genom att studera ett GIS-skikt med LCP-länkar, och bekräftades sedan genom att manuellt mäta om det geografiska avstånd över vilket länken tecknats skulle vara möjligt enligt modellens regler. Som nämnt ovan (se punkt 4) är skapandet av LCP-länkar mycket beräkningstungt, men om skapandet av länkarna slutförs utan att ArcGIS kraschar så finns det en risk att en del länkar tecknats trots att motståndet i underlaget mellan patcherna överstiger förflyttningsbudgeten. Vissa länkar tecknas euklidiskt en viss del av sin sträckning, för att sedan börja förbruka förflyttningsbudgeten på en (enligt författarens uppfattning) slumpmässig punkt i motståndsrastret. Figur 11. Felaktigt tecknade Least Cost Path-länkar. Genom att i ArcGIS manuellt mäta det avstånd en förmodat felaktig länk sträckte sig och jämföra med den maximala förflyttningsbudget som angavs för modellen så kunde det avgöras om länken teckats på ett korrekt sätt. Genom att sedan jämföra med andra länkar som löpte delar av sin sträckning tillsammans med den felaktigt tecknade länken så kunde det avgöras vid vilken punkt i landskapet som den felaktigt tecknade länken började förbruka sin förflyttningsbudget. Bakgrundsbilden är en del av de IRF-bilder som användes för att framställa stereodatabasen. 23
Det största problemet med det felaktiga tecknandet av LCP-länkar är att vissa länkar förefaller ha tecknats på ett korrekt sätt medan andra uppenbarligen inte borde tecknats över underlag där motståndet är definierat som ogenomträngligt. Denna osäkerhet över riktigheten i tecknandet av LCP-länkarna och risken för minnesrelaterade systemkrascher fick i projektet effekten att Least Cost Path-länkarna slutade användas som analysunderlag då framställandet av dessa ansågs för tidskrävande och opålitligt. Jämförelse mellan spridningskomponenter En gemensam funktion för Matrixgreen och ODC är förmågan att identifiera komponenter av patcher definierade av gemensamma spridningssamband. Alla patcher inom en komponent delar spridningssamband, men saknar spridningssamband med patcher i andra komponenter. Resultatet av jämförelsen (se Bilaga 8) visar att Matrixgreen och ODC hanterar komponenter baserade på euklidiska spridningssamband på ett likvärdigt, korrekt sätt. I jämförelsen av komponenter identifierade ifrån kostnadsbaserade spridningssamband skiljer sig resultaten åt. Anledningen till detta är den programmeringsbugg som hindrar Matrixgreen från att på ett korrekt sätt teckna kostnadsbaserade länkar, vilket kan illustreras av: att antalet spridningskomponenter i vissa fall är identiskt med antalet patcher i analysen, vilket innebär att inga områden skulle vara nåbara enligt de kostnadsbaserade länkarna att ingen analys fullföljts och inga data producerats på grund av en minnesrelaterad programkrasch att programmet genomgått en minnesrelaterad krasch där data producerats, men att antalet komponenter inte överensstämmer med resultatet av motsvarande analys utförd med ODC Nämnvärt är att resultatet av kostnadsbaserade komponentanalyser med Matrixgreen och ODC kan överensstämma. Över samma område, och med samma avstånd så ger Matrixgreen och ODC identiska resultat om mängden data är av en dignitet som inte får Matrixgreen att krascha. Ingen mängd data hanterad med ODC har under projekttiden resulterat i en minnesrelaterad krasch. Framställning av en vegetationskarta från stereodatabasen I bilaga 9 finns resultatet av IRF-bildskarteringen redovisat i kartform. Centralt i kartan löper ett stråk av tätorter (Vendelsö, Brandbergen, Handen, Jordbro och Västerhaninge) i nordnordöstlig till sydvästlig riktning. På båda sidor om stråket av tätorter finns stora områden hällmarksbarrskog, där det östra området är en del av Tyrestakilen och det västra tillhör Hanvedenkilen. I kartan finns namn på större tätorter och sjöar utmärkta. Verifiering av noggrannheten i stereodatabasen För att utvärdera noggrannheten i den metodik som användes till att framställa stereodatabasen så genomfördes en noggrannhetsberäkning där flygbildstolkningen jämfördes med slumpvis utplacerade punkter i fält. Efter att de 158 fältkontrollerade punkterna jämförts med motsvarande områden i stereodatabasen i noggrannhetsberäkningen (se Bilaga 6) så kunde det bestämmas att vegetationskarteringen i stereodatabasen till 64 % stämde med verkligheten. Då jag inte var särskilt nöjd med denna relativt låga träffsäkerhet i stereodatabasen så gjorde jag en ny noggrannhetsberäkning för stereodatabasen där klasser med liknande vegetationstyp slagits ihop (se Bilaga 7, tabell 7). 24
Den nya noggrannhetsberäkningen (se Bilaga 7, tabell 6) baserad på de hopslagna vegetationsklasserna gav en signifikant förbättrad träffsäkerhet i vegetationskarteringen, och stämde till 79.9 % med de punkter som kontrollerats i fält. Genom att studera klassäkerheten i noggrannhetsberäkningen (se Bilaga 7, tabell 6, rödmarkerade boxar i kolumn 3 och 4 fr.v.) så kunde det även utläsas att det framför allt var vegetationen i de klasser som i stereodatabasens klassificeringsfas klassats som olika typer blandskog som uppfattades vara av annan typ vid besök i fält. Vanligast var att områdena som klassats som blandskog uppfattades som barrskog, och att områden klassade som lövskog uppfattades som blandskog. En faktor som eventuellt skulle kunna påverka resultatet av noggrannhetsberäkningarna är vilka punkter som besöktes i fält. På grund av studieområdet storlek så fanns inte tid att besöka alla 28 klasser från stereodatabasen i fält. Vissa vegetationsklasser som i stereodatabasens klassificeringsfas endast tilldelades ett fåtal polygoner var så sällsynta att det hade inneburit stora omvägar för att besöka dem under fältdagarna. I min mening så förtas även lite av syftet med att besöka slumpvisa punkter i ett område som medvetet besöks för att det är klassat som en viss vegetationstyp. Klassificeringssystem för stereodatabasen finns i Bilaga 2. Betweenness Centrality och områden av särskild signifikans för rörelsen i landskapet De områden som enligt modellens regler har högst Betweenness Centrality (BC)-värde för respektive modellart är; Lövskogsspecialisten (fig 12), Barrskogsspecialisten (Fig 13) och Våtmarksspecialisten (Fig 14), länktyp och spridningsavstånd och ursprungsmaterial. Tanken bakom figurernas utformning är att illustrera hur de olika datakällornas ålder, klassificeringssystem och upplösning påverkar resultatet av en BC -analys utförd med samma regler för länktyp och maximalt spridningsavstånd, och med så lika specifikationer för habitat/patch som möjligt. De par bilder som utgör figurerna (12, 13, 14) illustrerar det spridningscenario som jag ansåg mest intressant för samtliga arter, med 600 m som maximalt avstånd mellan två patcher för att ett samband ska uppstå. Vänstra delen av respektive figur visar resultaten av en BC-analys utförd på data från stereodatabasen, och högra delen visar resultat för en BC-analys utförd på data från SMD. Då Matrixgreen i projektet uppvisat bristande kapacitet att teckna Least Cost Path-länkar så är alla länkar i jämförelsen tecknade som Edge Euclidian-länkar (raka länkar med från kant till kant på patcherna). 25