Kartlegging av grøntstrukturer i Nye Stavanger kommune.
Research report
Published version
View/ Open
Date
2019Metadata
Show full item recordCollections
- NINA Rapport/NINA Report [2375]
Abstract
Stange, E.E., Venter, Z.S., Dillinger, B. & Sydenham, M.A.K. 2019. Kartlegging av grønnstruktur for Nye Stavanger Kommune. NINA Rapport 1706. Norsk institutt for naturforskning.
Norsk institutt for naturforskning fikk i oppdrag å kartlegge grønnstruktur i Nye Stavanger kommune, som omfatter Rennesøy, Finnøy og Stavanger kommune etter dagens kommuneinndeling. Hensikten med dette arbeidet var å utarbeide kartlag for kommunen som gir detaljert oversikt over kommunens vegetasjonsdekke og landskapets kapasitet til å yte diverse økosystemtjenester, og i en oppløsning som egner seg til arealplanlegging. Vi beskriver i rapporten de metoder som vi har brukt i dette arbeidet, med noen tekniske tilnærminger som er blitt utviklet av NINA forskere. Vi kartla arealdekke og vegetasjon med bruk av både ortofotobilder, satellittdata fra Sentinel 1 og 2, og LIDAR (Light Detection And Ranging) data. Vi gjennomførte geografiske analyser med bruk av en sky-basert plattform (Google Earth Engine JavaScript API). I vegetasjons- og arealdekkeklassifiseringen benyttet vi Random Forests Machine Learning tilnærmingen for å skille vegetasjon fra andre arealdekkeklasser. Her brukte vi treningsdata hentet fra DigitalGlobe Google-bilder som ga grunnlag for visuell tolkning. Vi lagde kart med 10 x 10 meters oppløsning som klassifiserte areal-dekke i fire kategorier: ugjennomtrengelig, skog, gress/jordbruk og vann. I kartet vi lagde med 2 x 2 meters oppløsning kunne vi også skille mellom kunstige, (dvs. betong, asfalt og bygningsrelaterte) og naturlige (diverse bergarter) ugjennomtrengelige overflater, og mellom bar- og løvtrær. Sammenlignet med testdataene, hadde arealdekkeklassifiseringen fra Random Forests modellen en 95 prosent generell nøyaktighet for både 10 x 10 og 2 x 2 meters oppløsning. Klassifiseringen av ugjennomtrengelige overflater hadde den laveste nøyaktigheten ved begge oppløsningene (henholdsvis 89,1 og 89,3 prosent), da disse overflatene lettere kunne forveksles med piksler som egentlig var dekket av gress/jordbruk. Når Random Forest modell-klassifiseringen kombineres med Felles Kartbase (FKB) bygning- og infrastrukturkartet, øker generell nøyaktighet til 96,5 prosent. Kartlegging av vegetasjon og arealdekke med denne tilnærming gir en betydelig økt presisjon av den egentlige grønnstrukturen i de urbane områdene av Nye Stavanger kommune, sammenlignet med FKBs 1:5000 arealressurs kartet (AR5). Kartet med NDVI (Normalized Difference Vegetation Index) for Nye Stavanger kommunen viser fordelingen av vegetasjonens grønnhet. Et slikt kart kan brukes i framtida for å spore eventuelle endringer i vegetasjonen over tid. Med segmentering av enkeltrær får vi et enda mer detaljert bilde av trekronene i kommunen enn man kan få fra NDVI, med informasjon om trærnes og trekronenes høyde, diameter, og manteloverflate og volum. Vi viser et eksempel på en anvendelse av disse data med å vise fordelingen av antatte suksesjonsstatus til trærne basert på trehøyde. Vi kartla habitategnethet for pollinerende insekter (villbier) med ESTIMAP (Ecosystem Services Mapping Tool). Denne modellen bruker AR5 og Sentinel 2 kart med en 10 x 10 meters oppløsning til å lage arealdekkekategorier med et estimert habitategnethetsverdi med hensyn til både tilgang til blomsterressurser og substrat til bolplasser. ESTIMAP kartet viser den betydelige og finkornet heterogeniteten i habitategnethet for Nye Stavanger, inkludert områder som kan være godt egnet for villbier og andre pollinerende insekter i nærheten av Stavanger by. Innsamlingen med insektfeller i og rundt Stavanger by i juli 2019 ga ikke tilstrekkelig grunnlag til å justere ESTIMAP-verdiene for lokale forhold. Vi sammenligner habitategnethetsverdiene fra ESTIMAP med innsamlete insektdata fra en studie av fire mellomstore byer i Storbritannia, som kan vurderes å støtte opp under de verdier vi fant for egnethet for pollinatorhabitat. Verdiene i ESTIMAP-modellen bør ansees som en måte å uttrykke arealenes potensial for habitategnethet, og noe som åpenbart påvirkes av hvilke skjøtselstiltak som brukes der. Stange, E.E., Venter, Z.S., Dillinger, B. & Sydenham, M.A.K. 2019. Mapping green structures for New Stavanger municipality. NINA Report 1706. Norwegian Institute for Nature Research.
The Norwegian Institute of Natural Research was commissioned to map the green infrastrucutre in the New Stavanger municipality, which includes present-day Rennesøy, Finnøy and Stavanger municipalities. The purpose of this work was to prepare a map for the municipality that provides a detailed overview of the municipality's vegetation cover and the landscape's capacity to provide various ecosystem services, and at a spatial resolution suitable for land use planning. We describe in the report the methods we have used in this work, with some technical approaches that have been developed by NINA researchers. We mapped land cover and vegetation using both orthophoto images, satellite data from Sentinel 1 and 2, and LIDAR (Light Detection And Ranging) data. We performed geographic analysis using a cloud-based platform (Google Earth Engines JavaScript API). In the vegetation and land cover classification, we used the Random Forest Machine Learning approach to distinguish vegetation from other land cover classes. Here we used training data taken from DigitalGlobe Google images that provided the basis for visual interpretation. We made maps with 10 x 10 meters resolution as classified land cover into four categories: impervious, forest, grass / agriculture and water. In the map we cre-ated at a 2 x 2 meter resolution, we could also distinguish between artificial (ie concrete, asphalt and building related) and natural (various rocks) impervious surfaces, and between coniferous and deciduous trees. When compared to test data, the land cover classification from the Random Forest model had a 95 percent overall accuracy for both 10 x 10 and 2 x 2 meter resolutions. The classification of impermeable surfaces had the lowest accuracy at both resolutions (89.1 and 89.3 percent, respectively), as these surfaces could be more easily confused with pixels that were actually covered by grass / agriculture. When the Random Forest model classification is combined with the Common Map Base (FKB) building and infrastructure map, overall accuracy increases to 96.5 percent. Survey of vegetation and land cover with this approach gives a significantly increased precision of the actual green structure in the urban areas of Nye Stavanger municipality, compared with FKB's 1: 5000 area resource map (AR5). The map with NDVI (Normalized Difference Vegetation Index) for the New Stavanger municipality shows the distribution of vegetation green-ness. Such a map can be used in the future to track any changes in vegetation over time. With segmentation of single trees we get an even more detailed picture of the tree crowns in the municipality than can be obtained from NDVI, with information on the height, diameter, and mantle surface and volume of the trees and tree crowns. We show an example of an application of this data to show the distribution of assumed succession status to trees based on tree height. We surveyed habitat characteristics for pollinating insects (wild bees) with ESTIMAP (Ecosystem Services Mapping Tool). This model uses AR5 and Sentinel 2 maps at a 10 x 10 meter resolution to create land cover categories with an estimated habitat value with regard to both access to flower resources and substrate for nest sites. The ESTIMAP map shows the substantial and fine-grained heterogeneity of habitat suitability for New Stavanger, including areas that may be well suited to wild bees and other pollinating insects near the city of Stavanger. The insects we col-lected with pan traps in and around the city of Stavanger in July 2019 did not provide sufficient basis for adjusting ESTIMAP values for local conditions. We compare the ESTIMAP habitat net-work values with insect collection data from a study of four medium-sized cities in the UK, which can be considered to support the values we found for the pollinator habitat suitability. The values in the ESTIMAP model should be considered as a way of expressing the potential of the land for habitat suitability, and which is obviously influenced by the management of the vegetation cover.