Arealklassifisering av myr ved bruk av ortofoto og laserdata

Abstract

Myr er en naturtype av stor utbredelse i Norge. Myrene har mange ulike nyttige funksjoner, men i senere tid har særlig myras viktige rolle som karbonlager i et klimaperspektiv kommet sterkt i fokus. I dag blir myrer kartlagt i det landsdekkende datasettet FKB-AR5 ved hjelp av manuell analyse av ortofoto. En utfordring man har er at arealkartleggingen av myr er særlig mangelfull i fjellområdene. Det er tydelig behov for en bedre kartlegging av myr i disse områdene. I denne oppgaven blir det testet en automatisk metode for å gjøre arealklassifisering av myr basert på ortofoto og ulike relevante avledede produkter fra laserdata. Metoden som brukes er objektbasert styrt klassifisering ved hjelp av klassifiseringsalgoritmen Support Vector Machine. Fasitdata hentet fra orienteringskart har blitt brukt til trening av klassifiseringsmodellen, og validering av klassifiseringsresultatet til slutt. Resultatene fra klassifiseringen viser at det er mulig å gjøre en vellykket arealkartlegging av myr ved hjelp av styrt klassifisering. Klassifiseringen oppnådde en total nøyaktig på 83 % og en kappa-koeffisient som ble beregnet til å være 0,72. En forutsetning for metoden som har blitt brukt er at det settes krav til gode treningsdata. Visuell sammenligning mot FKB-AR5 viser at de klassifiserte myrarealene gir en mer detaljert og virkelighetstro kartlegging av myr i studieområdet. De klassifiserte myrarealene samsvarer også forholdsvis bra med kartlagte myrer i orienteringskartet som blir sett på som fasitdata.

Marshes are a type of wetland that’s widespread throughout Norway. The marshes are important for many reasons, in recent times a lot of attention has been focused on the important role they have in carbon storage. Today areas with marshes are being mapped in the national dataset FKB-AR5 with the use of manual interpretation of orthophoto. A challenge is that the mapping of marshes in this dataset is quite deficient in the mountainous areas. There’s a clear need for better mapping of marshes in these parts of the country. This thesis has examined an automatic method to do area classification of marshes based on orthophoto and relevant products derived from LiDAR. The method being used is objectbased supervised classification with the use of the classification algorithm Support Vector Machine. Mapped marshes from an orienteering map have been used for training of the classification model, and to evaluate the performance of the trained model. The result from the classification shows that it’s possible to do a successful area classification of marshes using supervised classification. The classification achieved an overall accuracy of 83 % with a kappa of 0,72. An important factor in the method being used is good training data. Visual comparison with FKB-AR5 shows that the classified marshes give a more detailed and accurate representation of the marshes in the study area. The classified marshes match quite well with the marshes in the orienteering map (reference data).