Naturindeks for Norge: Åpent lavland. Metoder for utarbeiding av kart og beregning av areal

Abstract

Venter, Z., Stabbetorp, O.E., Garnåsjordet, P.A., & Aslaksen, I. 2019. Naturindeks for Norge: Åpent lavland. Metoder for utarbeiding av kart og beregning av areal. NINA Rapport 1715. Norsk institutt for naturforskning. Naturindeks for Norge omfatter åtte hovedøkosystemer, hvorav fire terrestriske: Fjell, skog, våtmark og åpent lavland. Åpent lavland gir mange naturgoder. Gjennomsnittlig tilstand for biologisk mangfold for denne naturtypen er sterkt redusert siden 1950, og om lag femti prosent av de truede artene på Norsk rødliste for arter 2015 er knyttet til dette hovedøkosystemet. I arbeidet med naturindeks har det vært et mål å forbedre avgrensningen av hovedøkosystemene. Åpent lavland er spesielt vanskelig å avgrense. Tilgang på bedre satellittbilder kan bidra til bedre avgrensning og arealberegning. Naturindeks for Norge 2010 definerte åpnet lavland som åpen semi-naturlig slåttemark, åpen semi-naturlig beitemark og kystlynghei, samt naturlig åpen mark. Naturindeks for Norge 2015 har følgende definisjon: «Åpent lavland består av åpent landareal nedenfor skoggrensa med naturlig og semi-naturlig vegetasjon. Indikatorene som inngår i åpent lavland, er likevel i hovedsak knyttet til kulturbetingede naturtyper som boreal hei, kystlynghei, semi-naturlig eng og semi-naturlig strandeng». Semi-naturlig mark har ofte stort artsmangfold. Det må foretas en avgrensning mot andre økosystem som beiteskog, myr og gjengrodd areal. Arealavgrensning av boreal hei er en utfordring, da denne naturtypen tidligere var regnet som en del av fjell. Boreal hei er ikke representert med indikatorer i Naturindeks 2015. Datagrunnlaget i rapporten er hentet fra tidligere kartlegging, Natur i Norge (NiN) og Naturbase, og satellittdata fra Sentinel, både optiske satellittbilder (Sentinel-2) og radardata (Sentinel-1). Prosjektet har arbeidet med forsøk på modellering, med maskinlæring basert på bruk av en kombinasjon av satellittdata og bakkesannheter vurdert som gode i de tre prøvefylkene Akershus, Rogaland og Trøndelag. Maskinlæring krever omfattende og detaljerte datasett. Prosjektet har utnyttet ekspertkompetanse innen vegetasjonsøkologi. Det er utviklet en dataapplikasjon basert på at en vegetasjonsekspert klassifiserer treningsdata generert fra prøvepunkter fra satellittbildene med rutenett (10x10m og 50x50m) over en grovt avgrenset naturtype. Eksperten kan deretter vurdere naturtype og dekning. Dette systemet gjorde det mulig på kort tid å detaljert kartlegge og kvalitetssikre 4000 prøvepunkter, hvorav 70% ble brukt til modellering og 30% til vurdering av resultatene. Boreal hei er svakt dekket i NiN og Naturbase. Vi hadde ikke tilstrekkelig grunnlag for avgrensning av denne naturtypen. Semi-naturlig strandeng dekker små arealer, men er godt studert. Økologisk sett ligger den nær semi-naturlig eng. Derfor har vi valgt å slå sammen disse naturtypene. Optiske satellittscener for vår, sommer og høst i 2017, 2018 og 2019 ble satt sammen for å gi fullstendig dekning og undersøke sesongvariasjoner. For radardata ble det brukt informasjon fra 2018 fra hele året. I tillegg til satellittbilder, ble det brukt et omfattende kartmateriale for å forbedre presisjonen i maskinlæringsmodellen. Det viktigste var AR5, men også en høydedatabase. Laserskanningsdata fra fly-opptak (LiDAR) ble forsøkt brukt, men slike data er ikke tilgjengelig for alle områdene. Modellering basert på andelen av en naturtype i en 50x50m rute ga mest nøyaktig resultat. Selv uten LiDAR-data gjenga modelleringen kystlynghei med nøyaktighet nær 90% og semi-naturlig eng med nøyaktighet nær 80%. Det ble utarbeidet detaljerte kart for de tre test-fylkene basert på denne modellen. Med satellittdata og forklaringsvariabler for hele landet, ble det utarbeidet fylkesvise kart og fylkesfordelt areal for kystlynghei og semi-naturlig eng, med areal-tall presentert i rapporten, men kartene er vurdert som så usikre at de ikke er presentert. Beregninger er ikke presentert for Finnmark, der en ikke har AR5 kart. Resultatene for resten av landet utenom prøvefylkene er ikke kvalitetssikret og vil trolig kreve et mer komplett test-datasett. Vi foreslår derfor et videre arbeid for å etablere et nasjonalt kartgrunnlag.

Venter, Z., Stabbetorp, O.E., Garnåsjordet, P.A., & Aslaksen, I. 2019. Naturindeks for Norge: Åpent lavland. Metoder for utarbeiding av kart og beregning av areal. NINA Rapport 1715. Norsk institutt for naturforskning. Norwegian Institute for Nature Research. Nature Index for Norway comprises eight main ecosystems, of which four terrestrial: Mountains, Forests, Wetlands and Open lowland. Open lowland provides many ecosystem services. Biodiversity in open lowland has been considerably reduced since 1950, and about 50 percent of endangered species on the Norwegian Red List for Species from 2015 are associated with traditionally managed open lowlands. In the development of the Nature Index, there has been a goal to improve delineation of ecosystems. Availability of high-quality satellite images can contribute to improved delineation of ecosystems and assessment of area. It is difficult to delineate open lowland. Nature index for Norway 2010 defined open lowland as open semi-natural meadow land, open semi-natural pasture land and coastal meadow, as well as naturally open land. Nature index for Norway 2015 has this definition: Open lowland consists of open land below the forest boundary with natural and semi-natural vegetation. The indicators for open lowland are mainly related to semi-natural nature types conditional on traditional management, such as boreal heathland, coastal heathland, semi-natural meadow and semi-natural beach meadow. Semi-natural meadow and pasture land has great diversity of species. They need to be distinguished from other ecosystems, such as grazing forests, marshes and areas under forest succession. Delineation of boreal heathland was a challenge, as this nature type previously was classified as part of mountains. This nature type is not represented with indicators in Nature Index 2015. In this project, delineation has been based on data from previous mapping, including Nature in Norway (NiN) and Naturbase, and satellite data from Sentinel, optical satellite images (Sentinel-2) and radar data (Sentinel-1). The project focused on testing out modelling based on machine learning. Three counties were selected, Akershus, Rogaland and Trøndelag. Machine learning requires comprehensive and detailed data. A data application was developed, based on the work of a vegetation ecology expert, classifying training data with test points (10x10m and 50x50m) in a grid over a roughly delineated nature type. The expert can then decide nature type and coverage. This system enabled detailed mapping and quality assurance of 4000 test data within short time. Boreal heathlands are poorly covered in NiN and Naturbase. We had no basis for delineation of this nature type. Semi-natural beach meadow covers small areas, but is well studied. Ecologically it is close to semi-natural meadow, so these nature types are merged. Optical satellite scenes from 2017, 2018 and 2019, for spring, summer and autumn, were used to provide complete coverage and explore seasonal variation. For radar data, information was used from 2018, with data from the whole year. In addition to satellite imagery, extensive map material was used. The most important was AR5, but also the elevation database was utilized. Attempts were made to use radar data from aircraft recordings (LiDAR), but these data are not available for the entire area. Modelling based on the proportion of a nature type in a 50x50 route yielded the most accurate results. The model reproduced coastal heathlands with accuracy of almost 90% and semi-natural meadows with accuracy of almost 80%. Detailed maps were pro-duced for the three counties based on the model. With satellite data and predictor variables for the entire country, maps and area estimates were made by county, with area estimates pre-sented in the report, whereas maps were considered too uncertain to be presented. Results are not presented for Finnmark where AR5 maps are not available. Results for the rest of the country, other than the pilot counties, are not quality assured and require a more complete test data set. We outline suggestions for some technical improvements of data base and modelling in future work to establish a national map base.