Prediksjonsmodellering av naturtyper i ferskvann

Abstract

Bakkestuen, V., Dervo, B.K., Bærum, K.M. og Erikstad, L. 2022. Prediksjonsmodellering av naturtyper i ferskvann. NINA Rapport 2079. Norsk institutt for naturforskning. Hensikten med dette prosjektet har vært å teste ut metoder for prediksjon av fire lokalitetstyper i ferskvann i Norge, dvs. vandringshinder for fisk, kroksjøer og meandrerende elver, fisketomme innsjøer, tjern og dammer og humussjøer. I tillegg er en infrastrukturindeks brukt på de predikerte kalkrike innsjøene for å se på graden av påvirkning. Det er brukt en rekke ulike metoder og datakilder for prediksjonsmodellering av naturtyper, inkludert dyplæring og bruk av LiDAR-data, satellittdata, flybilder, kartdata, berggrunnsdata og biologiske databaser. Infrastrukturindeksen er brukt for å predikere graden av påvirkning på kalkrike innsjøer og dammer. Denne indeksen bør utvikles videre for å tilpasse behovet for å måle graden av påvirkning for kalksjøene. Spesielt gjelder det komponentene vassdragsreguleringer i innsjøer og elver og jordbruksintensitet. Infrastrukturindeksen kan både være en forklaringsvariabel i en prediksjonsmodell og en tilstandsvariabel for økologisk kvalitet. Prediksjonsmodelleringen av vandringshinder for fisk treffer i 9 av 10 tilfeller. Prediksjonen er dårligst for smale og små bekker. Feilklassifiseringene var ofte tilknyttet infrastruktur slik som kulverter og fisketrapper. Disse var da modellert som hinder, men i felt ble de avkreftet å være hinder. I denne modelleringen er hovedsakelig helningsgraden og høydeforskjellen brukt til å avgrense polygonene som angir vandringshinder. Egenskaper som vil kunne forbedre modellen er bl.a. data om vannføring i elvene, kraftverk og bortføring av vann fra elvene og en bedre hydrologisk modell. Prediksjonene av vandringshindre må sies å treffe godt. I noen landskap med smale og gjerne påvirkede bekkeløp med utretting, grøfting ol. vil modellen treffe noe dårligere. Dette medfører noen regionale forskjeller med at modellen treffer bedre på Vestlandet og nordover enn i flate jordbrukspregete vassdrag på Sør- og Østlandet. For prediksjon av fisketomme lokaliteter så treffer prediksjonsmodellen relativt godt på stor geografisk skala. Modellen er ikke generisk nok til å kunne flyttes fra stor til liten skala uten å re-parametrisere og trene modellen for riktig geografisk skala. Antagelig vil anvendbarheten av modellen først og fremst ligge på regionalt nivå med dagens datagrunnlag, når lokaliteter skal velges ut ift. utvalgt natur. Det vil med andre ord være vanskelig å plukke ut fisketomme lokaliteter på lokalt nivå, for eksempel på kommunenivå, uten at all eksisterende kunnskap om forekomst av fisk blir systematisert og inngår som en del av datagrunnlaget ved modellering. Det er tre tiltak som vil kunne forbedre presisjonen til modellen på tvers av geografisk skala: • Kvalitetssikre og oppdatere observasjoner av fisk i innsjøer. Denne innsamlingen bør gjøres på en slik måte at man får et så representativt utvalg som mulig av vann i Norge, samtidig som det bør være stort nok til å trene modellen på forskjeller i geografisk skala. • Øke oppløsning på grunnkart som viser biologiske viktige variabler. • Inkludere informasjon om gårdsdrift og andre historiske data hvis tilgjengelig. Prediksjonsmodellering av meandrerende elver og kroksjøer har 97,2% treningsnøyaktighet og 96,8% uavhengig kryssvalideringsnøyaktighet. Selv om det er noen foreløpige feil i den, mener vi at denne modellen har potensial for fremtidig klassifisering av meandere. Modellen har potensiale til å være nyttig i utvelgelse av utvalgt natur. Forbedring av modellen krever bedre avgren-sing av meandere og bedre kvalitet på trenings- og valideringsdata (bakkesannheter og bilde-chips materiale). Våre prediksjoner av humussjøer viser at det er mellom 1,4 – 1,6 mill. humusrike innsjøer i Norge, inklusive dammer og tjern, litt avhengig av hvilken prediksjonsmodell man velger. Imidlertid er våre treningsdata basert på kriterier som også inkluderer mange innsjøer som bare har svakt humuspreg og hvor fargen på disse nesten ikke antyder humus. For å kunne lage en bedre modell for sterkt humuspregede innsjøer trengs et treningsdatasett hvor for eksempel farge > 60 mg Pt/l kunne ha vært et kriterium. Våre prediksjoner treffer noe dårligere i nord, noe som kan ha med at prediktoren høyde over havet ikke er like relevant her. Varmesum-verdier over året kunne antageligvis øke prediksjonsevnen i nord. Prediksjonsmodellen vil være til hjelp for å skille humøse og ikke-humøse innsjøer i forhold til utvalgt natur.

Bakkestuen, V., Dervo, B.K., Bærum, K.M. and Erikstad, L. 2022. Prediction modeling of habitats in freshwater. NINA Report 2079. Norwegian Institute for Nature Research. The purpose of this project has been to test methods for prediction of four locality types in freshwater in Norway, i.e. migration barriers for fish, ox bow lakes and meandering rivers, fish-empty lakes and ponds, and humic lakes and ponds. In addition, an infrastructure index is used on the predicted calcareous lakes to assess the degree of human impact. A number of different methods and data sources have been used for prediction modeling of habitat types, including deep learning and the use of LiDAR data, satellite data, aerial photographs, existing map data, bed-rock data and biological databases. The infrastructure index is used to predict the degree of human impact on calcareous lakes and ponds. This index should be further developed in order to measure the degree of impact on the limestone lakes. This applies in particular to the components of hydrological regulations in the catchments of lakes and rivers, and agricultural intensity. The infrastructure index can be both an explanatory variable in a prediction model and a state variable for ecological quality. The prediction modeling of migration barriers for fish hits in 9 out of 10 cases. The prediction is least accurate for narrow and small streams. The misclassifications were often associated with infrastructure such as culverts and fish ladders. These were then modeled as obstacles, but in the field they could often be confirmed not being obstacles. In this modeling, mainly the degree of inclination and the height difference are used to delimit the polygons which indicate migration obstacles. Properties that will be able to improve the model include data on water flow in the rivers, power plants and water abstractions from the rivers and a better hydrological model. Overall, the predictions of migration barriers are assessed to hit well. In some landscapes with narrow and often affected streams with straightening, ditching, etc. the model will be less accurate. This entails some regional differences, e.g. that the model hits better in Western Norway and north-wards than in flat agricultural watercourses in Southern and Eastern Norway. For prediction of fish-empty localities, the prediction model hit relatively well on a large geographical scale. The model is not generic enough to be able to move from large to small scale without re-parameterizing and training the model for the correct geographical scale. Presumably, the applicability of the model will first and foremost be at the regional level with the current data basis, when sites are to be selected in relation to “utvalgt natur” (selected nature types). In other words, it will be difficult to pick out fish-empty localities at the local level, for example at the municipal level, without all existing knowledge about the occurrence of fish being systematized and included as part of the data basis for modeling. There are three measures that will be able to improve the precision of the model across geographical scales: • Ensure quality and update observations of fish in lakes. This collection should be done in such a way that you get as representative sample as possible of lakes and ponds in Norway, at the same time as it should be large enough to train the model on differences in geographic scale. • Increase resolution on base maps that show biologically important variables. • Include agricultural information and other historical data if available. Prediction modeling of meandering rivers and ox-bow lakes has 97.2% training accuracy and 96.8% independent cross-validation accuracy. Although there are some preliminary errors in it, we believe that this model has potential for future classification of meanders in Norway. The model has the potential to be used to detect selected nature types (“utvalgt natur”). Improving the model requires better delimitation of meanders and better quality of training and validation data (ground truths and annotates image-chip material). Our predictions of humic lakes show that there are between 1.4 - 1.6 million humus-rich lakes and ponds in Norway depending on which prediction model that is chosen. However, our training data are based on criteria that also include many lakes that have only a weak humic character and where the color of these hardly indicates humus. In order to be able to create a better model for strongly humus-laden lakes, a training data set is needed where, for example, color> 60 mg Pt / l could have been a criterion. Our predictions are least accurate in the north, which may partly because the predictor height above sea level is not as relevant here. Heat sum values over the year could probably increase the predictability in the north. The prediction model will be helpful in distinguishing humus and non-humus lakes in relation to selected nature (“utvalgt natur”).