Grønnstrukturkartlegging utenfor tettbebygde områder ved bruk av høyoppløselige satellittbilder: en objektbasert tilnærming

Abstract

I løpet av de siste årene har høyoppløselige satellittbilder blitt mer tilgjengelige. Borchsenius mfl. (2023) har brukt høyoppløselige satellittbilder sammen med digitale høydemodeller for å kartlegge grønnstruktur i tettbebygde områder. I dette studiet utvikles en metode for kartlegging av grønnstruktur utenfor tettbebygde områder. De fire studieområdene som kartlegges i oppgaven er kommunene Eigersund, Kinn, Rakkestad og Ringsaker. Tilnærmingen for kartlegging av grønnstruktur baserer seg på geografisk objektbasert bildeanalyse. Innen geografisk objektbasert bildeanalyse er det to nøkkelprosesser; segmentering og klassifisering. Segmenteringsmetoden som brukes er regionbasert. Studiet viser at en mindre segmenteringsskala er fordelaktig for å oppnå en høy nøyaktighet på kartlegging av grønnstruktur utenfor tettbebygde områder. Grønnstrukturen som kartlegges skilles i tre vertikale sjikt, tre-, busk- og feltsjikt. Klassifiseringen av grønnstruktur utføres med tre metoder, en regelbasert og to maskinlæringsmodeller. Maskinlæringsmodellene som benyttes er støttevektormaskin og random forest. Spesielt maskinlæringsmodellen random forest viser lovende resultater. Modellen presterer bedre enn den regelbaserte klassifiseringen for treningsområdene til Random Forest, Rakkestad og Ringsaker. For testområdene, Kinn og Eigersund, gir modellen imidlertid noen prosent lavere nøyaktighet. Kartlegging med random forest gir nøyaktigheter mellom 79-94%, mens regelbasert klassifisering gir nøyaktigheter mellom 74-85%. Random forest-modellen presterer godt for tre- og busksjikt mens de største problemene ligger i å skille feltsjikt og ikke-grønnstruktur. Dette kommer hovedsakelig av at vegetasjonsfelt innenfor jorder skal kartlegges, og det er komplisert å skille landbruk og feltsjikt på grunn av lignende egenskaper i høyde og farge. Studiet anbefaler bruk av random forest med treningsdata fra flere ulike områder for å øke geografisk variasjon. Å bruke en metode for utskillelse av grønnstruktur før klassifisering vil også kunne gi bedre nøyaktighet.

Over the past few years, high-resolution satellite images have become more accessible. Borchsenius et al. (2023) have used high-resolution satellite images together with digital elevation models to map green structures in urban areas. In this study, a method is developed for mapping green structures outside urban areas. The four study areas mapped in the thesis are the norwegian municipalities of Rakkestad, Kinn, Ringsaker, and Eigersund. The approach for mapping green structures is based on geographic object-based image analysis. In geographic object-based image analysis, there are two key processes: segmentation and classification. The segmentation method incorporated is region-based. The study shows that a smaller segmentation scale is advantageous for achieving high accuracy in mapping green structures outside urban areas. The green structures mapped are divided into three vertical layers: tree, shrub, and field layers. The classification of green structures is performed using three methods: one rule-based and two machine learning models. The machine learning models used are support vector machine and random forest. The random forest model, in particular, shows promising results. The model performs better than the rule-based classification for the training areas of random forest but gives a few percent lower accuracy for the test areas. Mapping with random forest provides accuracies between 79-94%, while the rule-based classification provides accuracies between 74-85%. The random forest model performs well for tree and shrub layers, while the biggest challenges lie in distinguishing the field layer and non-green structures. This is mainly because vegetation fields within agricultural areas are mapped. It is complicated to distinguish between agricultural land and the field layer since they have similar properties in height and color. The study recommends using random forest with training data from several different areas to increase geographical variation. Using a method for distinguishing green structures before classification could also provide better accuracy.