Utvikling av grøftekart i myr og torvmark i Norge med hjelp av dyplæring

Abstract

Jansson, U., Bakkestuen, V., Lyngstad, A. & Mienna, I.M. 2024. Utvikling av grøftekart i myr og torvmark i Norge med hjelp av dyplæring. NINA Rapport 2443. Norsk institutt for naturforskning. Store arealer myr og torvmark i Norge har blitt grøftet og dyrket opp til jordbruksmark og en betydelig andel er også grøftet for skogproduksjon. Det er et stort behov for et omforent kunnskapsgrunnlag i Norge når det gjelder arealomfang og arealendring av myr over tid og en oversikt over hvor mye av myrarealene som er drenert etter grøfting. Kartfestet informasjon om omfang og plassering av grøfting er viktig i kommunal og regional arealplanlegging. Dette vil også gi bedre oversikt over økologisk tilstand i myr og torvmark, trusler mot naturverdier, effekter på økosystemtjenester som karbonlagring og hydrologi, og hvilke arealer som kan egne seg for restaureringstiltak. Formålet med prosjektet var å utvikle en mulig produksjonslinje for et heldekkende nasjonalt fjernmålingsbasert kart for grøfter i myr, samt å gi et kostnadsestimat for å lage et heldekkende grøftekart for Norge. For å utvikle og teste en modell for å detektere grøfter og fremskaffe heldekkende fjernmålingsbaserte kartprodukter over grøfter har vi brukt data fra studieområder i Sørøst-Norge (Oslo, Nordre Follo, Moss, Finnemarka og Kongsberg), og i Trøndelag (Levanger). Vi brukte en høyoppløselig terrengmodell og annoterte/digitaliserte lineære strukturer som lå slik i terrenget at de visuelt ble tolket som grøfter. Dette ble gjort for areal i studieområdene som var klassifisert som myr eller skog i arealresurskart AR5. Grøftemodellen er utviklet for å dekke grøfter i åpen myr, samt i tresatt myr og skog (først og fremst torvmarksskog), men ikke grøfter i jordbruksmark eller langs veier. Kjørespor eller grøfter langs mindre skogsbilveier ble heller ikke inkludert. Vi benyttet LiDAR-data som fundament for å konstruere en stabel av prediktorvariabler (terrengindekser) for grøftemodelleringen. I arbeidet med å utvikle grøftemodellen har vi anvendt avanserte dyplæringsteknikker, spesielt en modell kjent som U-Net. U-Net-modellen er spesielt designet for å håndtere bildedata, og dens arkitektur er optimalisert for å identifisere mønstre og strukturer i komplekse bilder. Dette gjør den særlig egnet for å analysere terrengmodeller og identifisere grøfter basert på LiDAR-data, som gir høyoppløselig tredimensjonal informasjon om landskapet. For å trene U-Net-modellen, har vi brukt et datasett bestående av høyoppløselige terrengmodeller fra utvalgte områder, kombinert med nøye annoterte grøfter. Dette tillot modellen å lære hvilke trekk og mønstre som indikerer tilstedeværelsen av grøfter i landskapet. Dyplæringsteknikker viser seg å være effektive for å gi treffsikre data om grøfting. Modellens ytelse var sentralt i evalueringen av vår tilnærming til å kartlegge grøfter ved bruk av dyplæring og LiDAR-data. Den mest effektive modellen viste på en treningsnøyaktighet på 99,6 % og en valideringsnøyaktighet på 99,4 %. Grøftemodellen kan også identifisere grøfter i jordbrukslandskap, men det er behov for videreutvikling av modellen i slike varierte miljøer. Lignende modeller kan utvikles for å detektere andre linjeformete strukturer, som for eksempel kjørespor. Inngrep i myr er ikke jevnt fordelt geografisk eller regionalt. Lavlandet (boreonemoral og sørboreal sone) har størst arealbruksendring, og her utgjør oppdyrking, nedbygging og torvtekt en betydelig andel. I mellomboreal sone utgjør drenering for skogbruksformål en større andel av inngrepene, men oppdyrking er fortsatt en sentral påvirkningsfaktor. I nordboreal sone er det generelt mindre påvirkning fra grøftning og drenering for skogbruksformål den klart dominerende kategorien inngrep. I lavalpin sone er flest inngrep knytta til infrastruktur og utbyggingsprosjekter. Flere utviklingsprosjekter basert på heldekkende kart over grøftet myr og våtmark samt koblinger mot andre datasett og modeller vil gi nyttig kunnskap til forvaltning og internasjonal rapportering om økologisk tilstand i myr og for klimagassberegninger. Denne rapporten beskriver flere anbefalinger for oppfølging av dette arbeidet med utvikling av slike dyplæringsmodeller.

Jansson, U., Bakkestuen, V., Lyngstad, A., & Mienna, I.M. 2024. Developing maps of ditches in wetlands and peatlands in Norway using deep learning. NINA Report 2443. Norwegian Institute for Nature Research. Large areas of wetlands and peatlands in Norway have been drained and converted into agricultural and building land, as well as a significant portion that has been drained for forestry purposes. There is a substantial need for a reconciled knowledge base over the extent and changes in the area of wetlands and peatlands over time, including an overview of the extent of the areas that have been drained though the digging of ditches. Mapped information about the extent of drained wetlands and the placement of drainage ditches is important for better informed municipal and regional land-use planning. It will also provide a better understanding of the ecological condition of mires and peatlands, threats to natural values, effects on ecosystem services such as carbon storage and hydrology, and which areas may be suitable for restoration measures. The purpose of this project was to develop a possible production line for a comprehensive national remote sensing-based map of ditches in wetlands and peatlands, and to provide a cost estimate for creating a national map of wetland and forest drainage for Norway. To develop and test a model for detecting ditches and providing comprehensive remote sensing-based map products of these, we used data from study areas in South-east Norway and in Trøndelag. We used high-resolution terrain models and annotated/digitized linear structures that were visually interpreted as ditches in the terrain. This was done for areas classified as peatland or forest in official land use maps. The model covers ditches in open wetlands and peatlands, as well as in wooded peatlands and forests (primarily peatland forests) but does not cover agricultural land. Tire tracks or ditches along minor forest roads were also not included. We used LiDAR data as a foundation to construct a stack of predictor variables (terrain indices) for modelling ditches. In the development of the ditch model, we have applied advanced deep learning techniques, specifically a model known as U-Net. The U-Net model is particularly designed to handle image data, and its architecture is optimized to identify patterns and structures in complex images. This makes it especially suitable for analyzing terrain models and identifying ditches based on LiDAR data, which provides high-resolution three-dimensional information about the landscape. To train the U-Net model, we have used a dataset consisting of high-resolution terrain models from selected areas, combined with carefully annotated ditches. This allowed the model to learn which characteristics and patterns that indicate the presence of ditches in the landscape. Deep learning techniques proved to be effective in providing accurate data on ditches. The performance of the model was central in evaluating our approach to mapping ditches using deep learning and LiDAR data. The most effective model demonstrated a training accuracy of 99.6% and a validation accuracy of 99.4%. The model can also identify ditches in agricultural landscapes, but further development of the model is needed in such diverse environments. Similar models can be developed to detect other linear features, such as tire track damage from logging or construction. Human interventions in peatlands are not evenly distributed geographically or regionally. Lowland areas (boreonemoral and southern boreal zones) have the highest extent of land use change, with cultivation, building development, and peat extraction comprising a significant portion. In the middle boreal zone, drainage for forestry purposes constitutes a larger share of interventions, but cultivation remains a central influencing factor. In the northern boreal zone, drainage for forestry purposes is the dominant category of intervention, while in the subalpine zone, interventions are mostly related to infrastructure and development projects. Several development projects based on comprehensive maps of drained peatlands and wetlands, as well as linkages to other datasets and models, will provide valuable knowledge for management and international reporting on ecological condition and greenhouse gas calculations. This report describes several recommendations for follow-up on these results with the further development of such deep learning models.