| dc.description.abstract | Venter, Z.S., Nowell, M.S., Bakkestuen, V., Ruud, A., Kruse, M., Skrindo, A.B., Kyrkjeeide, M.O. & Singsaas, F.T. 2021. Literature review of wetland remote sensing and mapping. NINA Rapport 2014. Norsk institutt for naturforskning.
Det er et nasjonalt mål at alle økosystemer skal ha god tilstand (nasjonalt mål 1 for naturmangfold) (Norges miljømål - Miljøstatus for Norge (miljodirektoratet.no)). Dette gjelder også for våtmark. Videre har Stortinget vedtatt mål om å restaurere 15% av økosystemer som har forringet tilstand, til god økologisk tilstand innen 2025 (Sak - stortinget.no, Meld. St. 14, 2015-2016). For å kunne nå nasjonale miljømål samt å prioritere riktig ved restaurering eller andre tiltak, er det er det nødvendig med kunnskap om status og utvikling av økosystemenes utbredelse og tilstand. Kartlegging, overvåking og forskning er nødvendig for å gi et godt og solid kunnskapsgrunnlag for forvaltningsbeslutninger og politiske prioriteringer.
Kartlegging og overvåking av natur er kostbart, og det er nødvendig å utarbeide effektive metoder som gir tilstrekkelig god kunnskap. Bruk av fjernmålte data gir en mer kostnadseffektiv kunnskapsinnhenting og det muliggjør innhenting av arealdekkende data med jevne mellomrom (altså overvåkingsdata). Dette gir tilgang til store og verdifulle datasett for status og utvikling, gitt at de gir tilstrekkelig informasjon om det som skal overvåkes, og gitt at det er bygget opp en datainfrastruktur og gode kartløsninger for sluttbruker. Bruk av fjernmålte data vil kunne gi norsk naturforvaltningen tilgang til et bedre kunnskapsgrunnlag for forvaltning av våtmark. Det gjelder kanskje aller mest for naturtyper som myr og annen våtmark som er stadig under press for forringelse og som i tillegg har vært lite prioritert kartlagt for eksempel i fjellområdene.
I denne rapporten presenterer vi en systematisk litteraturgjennomgang av vitenskapelig litteratur kombinert med innhenting av informasjon fra relevante fagmiljøer for kartlegging, overvåking og tilstandsvurdering av våtmark fra fjernanalyse. I prosjektet er det gjort en rekke vurderinger som grunnlag for forslag til løsninger og prioriteringer. Forslagene svarer på spørsmålene i spesifikasjonslisten som direktoratet har satt opp for oppdraget, og er gjennomført i samsvar med de presiseringer, avgrensninger og definisjoner som ble gjort i samråd med oppdragsgiver.
I tillegg til litteraturgjennomgangen innhentet vi informasjon fra et utvalg av nasjonale og internasjonale eksperter der vi kartla erfaringer med fjernmåling av våtmark. I tråd med hva Miljødirektoratet ønsket, ble dette gjort for å komplettere funn i litteraturgjennomgangen.
Vi utførte et systematisk litteratursøk ved å bruke prinsipper for beste praksis skissert i Moher et al. (2009). Vi brukte Web of Science og SCOPUS-databaser for søk i alle relevante engelskspråklige artikler, review-artikler, bok- og konferansekapitler. Søkeordene ble spesifisert i følgende tre kategorier: ‘remote sensing’ (A), ‘wetland’ (B) og ‘mapping methods’ (C), og de ble atskilt ved bruk av de boolske operatorene AND og ELLER. Artikler publisert etter 2015 ble inkludert i studiet. Dette for å begrense datastørrelsen slik at vi fikk tid til å behandle dataene gitt den korte prosjektperioden. Studier etter 2015 ble også valgt fordi vi la til grunn at de har brukt de nyeste kartteknikkene og dataene for fjernmåling, og de dermed er de mest relevante for fremtidig bruk av fjernmåling i kartlegging og overvåking av våtmark i Norge.
Litteratursøket resulterte i 3235 treff (2059 fra Web of Science, og 2611 fra Scopus med 1435 duplikater). Vi gjennomgikk titlene for disse publikasjonene og sorterte dem ved bruk av eksklusjonskriterier. Etter dette satt vi igjen med de studiene som omhandlet kartlegging av våtmark i innlandet etter 2015 ved bruk av fjernmåling. Tittelscreeningen resulterte i 508 relevante publikasjoner. Vi leste alle disse sammendragene (‘abstract’) og vurderte de etter relevans, noe som resulterte i vi stod igjen med 137 publikasjoner for videre bearbeiding. Videre bearbeiding innebar å lese hele teksten og registrere relevante variabler som kreves for å identifisere de vanligste metodene for fjernmåling (f.eks. sensortype, romlig oppløsning, bakkesannheter) av myr som er relevant for Norge. Til slutt la vi til ytterligere 73 publikasjoner fra Mahdianpari et al. (2020a) sin metaanalyse av fjernmåling av våtmark i Nord-Amerika. Dataene herfra ble tilpasset våre analyser ved blant annet å samle inn tilleggsinformasjon slik at de var i samsvar med de dataene vi hadde hentet ut. Totalt bestod vårt litteratursett deretter av data fra 210 studier.
Vår litteraturundersøkelse viste at de fleste studiene som benyttet fjernmåling til å kartlegge våtmark, ble gjennomført i Canada (61), USA (41) og Kina (38). Det var få studier fra Skandinavia, med kun to i Sverige og to studier i Finland. Det er ikke publisert studier i den akademiske internasjonale litteraturen knyttet til norsk våtmark eller myr og kartlegging av disse fra fjernmåling. I disse tallene har vi ikke inkluder nasjonale rapporter og annet grå litteratur. Disse er diskutert separat i eget delkapittel.
Våre undersøkelser viser at de fleste studier klassifiserer våtmarker basert på sonering. Soneringen kan bestå i ulike habitater (f.eks. kyst, elvemunning, innlandet), klimasone (f.eks. boreal, alpin) eller arealbruk (f.eks. våtmark vs. jordbruk vs. by). Færre studier definerte våtmarker basert på dominerende arter, struktur, funksjonelle grupper eller temporær dynamikk. Våtmarker ble som oftest forhåndsdefinert og kartlagt i motsetning til andre arealklasser. Dette antyder at det er nødvendig også å definere "ikke-våtmark" når man kan definere "våtmark".
Antall klasser varierte noe, men svært få studier hadde mer enn 10 klasser i sitt endelige klassifiseringskart. Medianen var 7 klasser. De fleste studier baserte seg på data fra bakkesannheter samlet inn i felt (44 studier), mens 32 studier baserte seg på visuell tolkning av høyoppløselige flyfoto og 28 baserte seg på en kombinasjon av feltdata og bildetolkning. Resultatene viste at 12 studier var avhengige av andre referansedatasett (datasett som ligner på AR5 og N50 i Norge) som bakkesannheter. Kun studiene med referansedataene viste en signifikant sammenheng mellom nøyaktighet i kartproduktet og antall bakkesannheter. Antall sannhetsdatapunkter var lavest for in situ-data (samlet i felt) (median 270 datapunkter), og høyest for referansedatasett (median 1570 datapunkter).
Nær halvparten av studiene brukte satellittdata fra mer enn et tidspunkt. Særlig Landsat ble brukt i langtidsserier for endringsanalyser. Selv om de fjernmålte dataene ble tatt opp på ulike tidspunkter, ble de gjerne satt sammen til å skaffe et produkt og ikke en endringsanalyse.
Flertallet av studier kartla våtmark/myr på landskapsnivå (<10km2) eller lokalt (> 10km2 & <50000km2), med svært få kartlegging i nasjonale eller kontinentale områder. De som kartla våtmarker i nasjonal skala, inkluderer 5 multitemporale studier i Canada ved bruk av optiske data, to studier i Kina basert på MODIS multitemporal data samt to ‘single date’ studier i USA med PALSAR. De fleste av studiene (73) baserte seg på Landsat-satellitter for å kartlegge våtmarker, etterfulgt av RADARSAT og Copernicus Sentinel-satellittene. Disse satellittdataene har åpen tilgang. Landsat-bilder har også vært tilgjengelige siden 1970-tallet, noe som gjør det guns-tig for historiske studier. Av de dyre sensorene (de som koster > $ 30 / km2) er flybåren LiDAR, UAV og flyfotografering mest brukt.
Når det gjelder typen klassifiseringsmodell, brukte 125 studier pikselbasert bildeklassifisering og 71 brukte objektbasert. Pikselbaserte klassifiseringsstudier produserte kart med en medianoppløsning på 16m, mens objektbaserte kart ga en median på 10m oppløsningskart. Til tross for dette, var det svært liten forskjell i kartnøyaktighet mellom de to metodene. Resultatene indikerer at antall prediktorvariabler (dvs. bildebånd eller båndindekser) i klassifiseringsmodeller økte kart-nøyaktigheten for objektbasert klassifisering, men hadde ingen effekt for pikselbasert klassifisering. Imidlertid var det en trend at den objektbaserte klassifiseringen ble forsøkt brukt på vanskeligere problemstillinger som for eksempel å skille nært beslektede klasser, noe som vi tolker dithen at objektbaserte metoder skal løse problemene de pikselbaserte metodene ikke har klart hittil. Dette kan forklare at det er liten forskjell mellom nøyaktigheten på metodene selv om de objektbaserte metodene ser ut til å gjøre det generelt litt bedre enn de pikselbaserte. Dette gjenspeiles også i de studiene som sammenligner metodene på like vilkår.
De vanligste metodene for maskinlæring som ble brukt til å generere kart over våtmark/myr, var beslutningstrær (f.eks. Random Forest,), etterfulgt av støttevektormaskiner (Support vector machine). Toppmoderne (state-of-art) nevrale nettverksmodeller ble brukt i 13 av studiene, men den anvendte typen maskinlæringsmodell hadde ingen merkbar effekt på kartnøyaktigheten. Ingen av studiene hadde dog tatt i bruk TensorFlow.
Svært få av publikasjonene (19) kartla økologisk tilstand eller påvirkningsfaktorer. Av de som gjorde det, var de mest kvantifiserte tilstandsfaktorene artssammensetning og oversvømmelses-område. Den eneste påvirkningsfaktoren som ble kvantifisert i studiene, var endring av arealbruk (f.eks. våtmarkskonvertering til jordbruk).
Basert på litteraturgjennomgangen, ekspertbasert spørreskjema og personlig erfaringer som forskere i NINA, gir vi følgende anbefalinger for kartlegging og overvåking av våtmark i Norge basert på fjernanalyse. Det er viktig å merke seg at disse anbefalingene kan endres betydelig avhengig av de nøyaktige spesifikasjonene for kartleggingsprosjektet (f.eks. budsjett, nøyaktighetskrav osv.).
• Våtmarkstypologien som brukes, bør være en forening av NiN-systemet og internasjonale standardsystemer som det kanadiske Cowardian systemet. Beslutninger om typologi bør tas i samarbeid mellom botanikere og fjernmålerutøvere. Botanikere vil kunne sikre klassifiseringens teoretiske integritet, og utøvere av fjernmåling vil gi råd om hva som er og ikke er mulig å se og skille på satellittbilder. Basert på våtmarksklassene som brukes i litteraturen, ser det ut som om det er mulig å skille mellom blant annet jordvannsmyr, nedbørsmyr og sump. Det kan derfor være urealistisk å prøve å kartlegge mer detaljerte hierarkier som definert i NiN.
• Fusjon ‘fusion’ av optiske data og radardata vil ikke bare gi komplementære data om spektrale, strukturelle, strukturelle og dielektriske egenskaper (indikasjoner på fuktighet), men vil også kompensere for det frekvente skydekket i Norge.
• Bruke Sentinel-1 og Sentinel-2 som har åpen kildekode og har inntil 10m romlig oppløsning. Ettersom begge har polarbaserte baner, er repetisjonstiden mye mindre for land nær polarområdene. Selv om disse satellittene ikke er tilgjengelig langt bak i tid (lansert i 2014 og 2015), har de en lang fremtid framover, noe som gjør dem nyttige for overvåking av våtmarker.
• Sentinel-1-data bør anskaffes i dobbel polarisasjonsmodus (HH / HV) med både høy og lav innfallsvinkel, der det er mulig.
• Høyoppløselige satellittbilder med 2-4 m piksler er foreløpig ikke funnet brukt i regionale eller nasjonale kartmodeller for våtmark. Dersom disse vil bli tilgjengelig til lavere kostnad i framtiden bør de vurderes som egnete datakilder.
• De nasjonale LiDAR- og ortofotodatasettene i Norge har foreløpig ikke nådd full dekning og utelukker også noen høyalpine områder som kan inneholde våtmarker. Videre oppdateres ikke LiDAR- og ortofotodataene årlig, men regelmessig, og tillater derfor ikke årlig operativ overvåking. Derfor bør disse datasettene med høy oppløsning brukes til å rengjøre, kvalitetskontrollere og muligens bidra med ytterligere bakkesannhetsdata. I tilfelle Miljødirektoratet ønsker et enkelt ‘baseline’ våtmarkskart over Norge som ikke oppdateres regelmessig, kan det vurdere å bruke LiDAR og ortofotoer i klassifiseringsmodellen.
• Data for fjernmåling bør ideelt sett behandles i en skybasert plattform på grunn av nasjonal skala som gir store datamengder, spesielt når man fusjonerer sammen mulititemporal og multisensor-tilnærminger som krever bearbeidelse av en atskillig mengde data. Å bruke Google Earth Engine (GEE) som behandlingsplattform er fordelaktig fordi det allerede er vert for Sentinel-data og tilgangskopier av Kartverket LiDAR-datas om er lastet opp og er klare for behandling. GEE kan brukes til å generere et pilotnasjonalt våtmarkskart, men operativ overvåking i fremti-den vil kreve evaluering av det kommersielle GEE-programmet som en bærekraftig løsning.
• Bakkesannheter for våtmarker i Norge eksisterer i form av NiN, ANO, AR5 og N50, men definisjonene og datakvaliteten til våtmark varierer betydelig. Derfor må man bruke betydelig tid på å harmonisere disse datasettene og kvalitetskontrollere dem ved hjelp av ortofotoer med høy oppløsning (Norge i bilder, norgeibilder.no) og satellittbilder. Hvis tilstrekkelig budsjett er tilgjengelig, bør feltarbeid vurderes for å samle gode treningsdata og for å tilpasse og verifisere nøyak-tigheten av NiN, AR5, ANO eller N50.
• Spektrale indekser, slik som NDVI, NDWI og NDMI, anbefales for å skille mellom våtmarkstyper og for å vurdere tilstanden til våtmarker.
• Vi anbefaler å teste flere metoder før man går i gang med å lage et nasjonalt kart, gjerne teknikker som ikke krever enormt mye regnekapasitet og ofte brukes i andre studier. Spesielt anbefaler vi å teste både Random Forest beslutningstrær og dyplæring (Fully Convolutional Neural Networks – FCNN). Dette er to av de mest brukte modellene som i dag brukes og siteres i litteraturen, og gir dermed mest sannsynlig de beste resultatene. Vær oppmerksom på at modellopplæring og tuning vanligvis er ganske tidkrevende når dette skal gjøres optimalt.
Mangelen på studier i Skandinavia gjør at det finnes lite erfaring med slik kartlegging i Norge. Dette gjelder også studier på observasjon av økologisk tilstand fra fjernmåling. Det trengs mer forskning på dette temaet i Norge. | en_US |
| dc.description.abstract | Venter, Z.S., Nowell, M.S., Bakkestuen, V., Ruud, A., Kruse, M., Skrindo, A.B., Kyrkjeeide, M.O. & Singsaas, F.T. 2021. Literature review of wetland remote sensing and mapping. NINA Report 2014. Norwegian Institute for Nature Research.
Mapping and monitoring of nature is expensive but it is necessary to develop knowledge sufficient for data-driven decision making and managing of nature. The use of remote sensing provides more cost-effective knowledge acquisition and enables the provision of area-wide, spatially-explicit data at regular intervals. This provides access to large and valuable data sets, provided that they are accurate accounts of the reality on the ground and that uncertainty is quantified, and that a good data infrastructure and a map solution has been developed for the end user. In this report, we present a systematic literature review, combined with data from questionnaire surveys from practitioners, on the mapping, monitoring and condition assessment of wetlands using remote sensing.
We used Web of Science and Scopus databases to search all relevant English language articles, reviews, book chapters and conference chapters. Relevance was defined by keywords specified in three categories including ‘remote sensing’ (A), ‘wetland’ (B) and ‘mapping methods’ (C), separated by AND and OR boolean operators. Articles published after 2015 were included to limit the data size so that we had enough time to process the data given the short project period. Studies after 2015 are also likely to adopt the latest mapping techniques and data for remote sensing, and are therefore most relevant for future wetland mapping applications in Norway. In addition to the literature review, we obtained information from a number of national and international experts from whom we mapped experiences with remote sensing of wetlands. In line with what the Norwegian Environment Agency wanted, this was done to supplement findings in the literature review.
The literature search returned 3235 entries (2059 from Web of Science, and 2611 from Scopus with 1435 duplicates). We then screened the publication titles for relevance using exclusion criteria. The title screening resulted in 508 relevant entries which were further screened with abstract and full-text reading resulting in 137 entries left for further processing. Further processing involved reading the entire text and registering variables relevant to wetland remote sensing (e.g. spatial resolution, sensor type) that are of interest to the Norwegian Environment Agency. Finally, we added another 73 publications from Mahdianpari et al. (2020a) meta-analysis of remote sensing of wetlands in North America. These additional data were adapted to our analysis by, among other things, collecting additional information so that they were in accordance with our extracted data. Thus, in total our literature set consisted of data from 210 studies.
Our literature review showed that most studies using remote sensing to map wetlands were in Canada (61), USA (41) and China (38). Overall, few studies were available for Scandinavia, with only two in Sweden and two in Finland. No studies were published in the academic international literature on Norwegian wetlands or bogs and mapping of these from remote sensing.
Our results revealed that most studies classified wetlands based on a zonal typology defined by the spatial context of the wetland (e.g. coastal vs inland). Fewer studies defined wetlands based on their dominant species (e.g. grass vs sedge), structure (e.g. basin vs swale), functional group, or temporal dynamics. Wetlands were most often defined and mapped in contrast to other land cover classes. This suggests that it is equally important to define “non-wetland” when one is mapping “wetland” so as not to produce false-positive wetland predictions.
Studies classified land cover into a median of 7 classes. Very few studies had more than 10 classes in their final classification map. In terms of the wetland typology used, the wetland sub-classes were dominated by names from the Canadian wetland typology including fen (“jordvannsmyr” på norsk), marsh, swamp (“sump”), and bog (“nedbørsmyr”).
The majority of studies mapped wetlands at landscape (< 10km2) or provincial (>10km2 & < 50000km2) extents, with very few mapping at national or continental extents. Most studies (73) relied on Landsat satellites to map wetlands, followed by RADARSAT, and the Copernicus Sentinel satellites. The most common map resolution was >10m, which included satellites such as Landsat, Sentinel-1, PALSAR and RADARSAT. The map accuracy was not significantly related to the spatial resolution of the map. There was large variation in map accuracies at both high and low spatial resolutions, suggesting that other study-specific factors are more important determinants of accuracy.
Regarding the type of classification model, 125 studies used pixel-based image classification and 71 used object-based. Pixel-based classification studies produced maps with a median resolution of 16m while object-based maps gave a median of 10m resolution maps. Despite this, there was very little difference in map accuracy between the two methods. The results indicate that the number of predictor variables (i.e. image bands or band indices) in classification models increased the map accuracy for object-based classification, but had no effect for pixel-based classification. This may explain why there is little difference between the accuracy of the methods even though the object-based methods seem to generally perform a little better than the pixel-based ones. This is also reflected in the studies that compare the methods on equal terms.
The most common machine learning framework used to generate wetland maps was decision trees (e.g. Random Forest), followed by support vector machines (SWM). State-of-the-art neural network models were used in 13 of the studies. The type of machine learning model adopted had no discernible effect on map accuracy.
Very few of the publications (19) map ecological status or influencing factors. Of those that did, the most quantified condition factors were species composition and flood area. The only influencing factor quantified in the studies was the change in land use (e.g. wetland conversion to agriculture). The lack of studies in Scandinavia means that there is little experience with such mapping in Norway, although a thorough search of the grey literature may change this conclusion. This also applies to studies on observation of ecological condition from remote sensing. More research needs to be done on these scientific issues.
Finally, we provide recommendations for generating a national-scale wetland map for Norway both in terms of a static base map and an operational workflow to provide such maps at regular intervals in the future. | en_US |
