Kartlegging av isbreoverflater i norske fjellområder ved bruk av pikselbasert klassifisering med laserdata
Abstract
Isbreene våre er i stadig forandring og endrer seg i takt med miljø og klima, de kan fungere som klimaindikatorer, og historiske brelengdemålinger er naturlige måleparametere på tidligere klimaendringer (Leclercq et al., 2014; Nussbaumer et al., 2011). Nøyaktige kart over isbreer er avgjørende for massebalanseberegninger og endringsvurderinger ifølge Andreassen et al. (2020). Det er derfor betydningsfullt å utforske nye løsninger og metoder for forbedring og forenkling av målinger og overvåking av norske breer.
I 2019 ble overflatene av Hellstugubreen, Østre- og Vestre Memurubreen i Jotunheimen skannet med flybåren laserskanner av Terratec AS, på oppdrag fra NVE. Samtidig ble ortofoto over breene tatt. Dette har gitt muligheten til å studere metoder for bruk av flybåren laserdata til breovervåkning, og måle nøyaktighet til metodene sammenlignet med ortofoto.
I denne studien har det blitt utviklet og testet en pikselbasert klassifiseringsmetode basert på flybåren laserdata for å skille mellom bre, snø, mørk snø, berg og bresprekker på nevnte breer. Statistiske beregninger av høydeverdier og avstandskorrigerte intensitetsverdier ble brukt til å generere en TIFF-fil som ble brukt som treningsdatasett for fire forskjellige maskinlæringsalgoritmer: Support Vector Machine, Random Forest, k-nearest neighbor og Gaussian Mixture Model. Basert på den best presterende maskinlæringsalgoritmen har det blitt forsøkt å utlede brekant, som har blitt sammenlignet med ortofoto.
Forsøket viste at alle modellene ga gode resultater basert på valideringsparametere, hvorav SVM-modellen ga de beste resultatene med høyest presisjon og gjenkall på henholdsvis 0,8745 og 0,8780, i tillegg den høyeste F1-verdien på 0,8750. Det ble også gjennomført en visuell analyse, hvor det ble synlig at modellene i stor grad klarte å skille mellom ulike overflater på mindre komplekse områder av breen. I komplekse områder, spesielt ved bresprekker på is, bresprekker er i nærheten av berg og bre på berg oppstod det ofte forvekslinger.
Studien viste at laserdata har potensialet til å brukes i pikselbasert klassifisering av is, snø, mørk snø, berg og bresprekker på norske isbreer, og kan være et supplement til ortofoto når det gjelder å finne brekant. Totalt sett kan flybåren laserdata være med på å forbedre dagens måle- og overvåkningsmetoder på norske breer. Our glaciers are constantly changing and evolving in response to the environment and climate, and they can serve as climate indicators. Historical measurements of glacier length are natural parameters for assessing past climate changes (Leclercq et al., 2014; Nussbaumer et al., 2011). Accurate mapping of glaciers is crucial for mass balance calculations and assessments of glacier changes, according to Andreassen et al. (2020). Therefore, it is significant to explore new solutions and methods for improving and simplifying measurements and monitoring of Norwegian glaciers.
In 2019, the surfaces of Hellstugubreen, Østre- and Vestre Memurubreen in Jotunheimen were scanned with airborne laser scanner by Terratec AS on behalf of NVE. Orthophoto over the glaciers were also taken under the same mission. This has provided an opportunity to study methods for using airborne laser data for glacier monitoring, and measure the accuracy of the methods compared to orthophoto.
In this study, a pixel-based classification method based on airborne laser data was developed and tested to distinguish between glacier, snow, dark snow, rock, and crevasses on the glaciers. Statistical calculations of height values and distance-corrected intensity values were used to generate a TIFF file that was used as a training dataset for four different machine learning algorithms: Support Vector Machine, Random Forest, k-nearest neighbor, and Gaussian Mixture Model. Based on the best-performing machine learning algorithm, an attempt was made to derive glacier edge, which was compared with orthophoto.
The experiment showed that all models performed well based on validation parameters, with the SVM model giving the best results with the highest precision and recall at 0.8745 and 0.8780, and the highest F1 score of 0.8750. A visual analysis was also conducted, which showed that the models were able to distinguish between different surfaces to a large extent. In complex areas, especially near crevasses on ice, crevasses near rock and glacier on rock, there were often confusions.
The study showed that laser data has the potential to be used in pixel-based classification of ice, snow, dark snow, rock, and crevasses on Norwegian glaciers and can be a supplement to orthophoto in finding glacier edges. Overall, airborne laser data can contribute to improving current measurement and monitoring methods on Norwegian glaciers.