Genomförande

I detta delkapitel beskrivs hur studien genomfördes.

3.5.1 Bearbetning av data och generering av ortomosaik

UAV-flygbilder över sträckan i Mörrumsån mellan Mariebergs kraftverksdamm och vägbron för väg 128, se översiktskartan i figur 18, importerades till fotogrammetri-programmet Agisoft Metashape. Inga passpunkter användes då GPS-Koordinater fanns som metadata till varje flygfoto för georeferering. I programvaran skapades ett punktmoln som granskades och filtrerades manuellt från ”brus”. Parametrarna som användes var Quality; High, Depth filtering;

Disable, Calculate; pointcolors och Calculate; point confidence.

En DSM interpolerades från punktmolnet för att senare användas för att skapa en

ortomosaik. Parametrar som användes var Source data; Point cloud, Interpolation; Enabled och Resolution; 0,046. En ortomosaik skapades och exporterades som tif-fil. Vid exportering angavs ”SWEREF 99 15 00” som referenssystem. Figur 20 nedan beskriver nämnd process.

Detta gjordes för flygbilder från både 2018 och 2020.

Metashape

Figur 20. Flödesschema över bildbehandlingsprocessen i Agisoft Metashape.

Flygfoton • Punktmoln

• DSM Orthomosaik

3.5.2 Bildnormalisering av ortomosaik

Ortomosaikerna importerades till fotogrammetriprogrammet Focus för att utföra

bildnormalisering med PIF-metoden. De tre RGB-banden granskades och konstanta ytor med liknande radiometrisk reflektants granskades för träningsytor. Vid val av träningsytor söktes ett k-värde på minst 0.9. Efter tillfredsställande resultat noterades k-värde och den linjära regressionen för respektive band, vilka redovisas band för band i tabell 8 nedan.

Tabell 8. Parametrar för bildnormalisering med PIF-metoden.

De linjära regressionsekvationerna i tabell 8 applicerades på respektive band som

ortomosaiken från 2018 består av. Processen illustreras i innan och efter bilder i figurerna 21 och 22 nedan.

Band K Linjär

regression Rött 0,94 0,86x + 29,44 Grönt 0,95 0,83x + 37,64 Blått 0,95 0,77x + 53,32

Focus

Figur 22. Urklipp av ortomosaik innan

bildnormalisering i Focus. Figur 22. Urklipp av ortomosaik efter

bildnormalisering i Focus.

3.5.3 Kartering av vattenfåran

Ortomosaiken från 2020 och den bildnormaliserade från 2018 importerades till ArcGIS Pro.

Två vektoriseringar gjordes av älven där landområden uteslöts. Dessa sparades som

polygoner i shape-filer skapade i ArcGIS Pro. Tematiska kartor för de båda årtalen skapades och olika sektioner definierades i polygonen med attributen: lugnflytande, svagt strömmande, strömmande, starkt strömmande eller forsande. Attributen gavs olika kulörer efter det

färgschema som användes i prognoserna, se figur 7 tidigare. Ortomosaiken från 2018 och 2020 användes som bas. Flygbilder och videomaterial från flygningen användes som komplement över vissa områden där träd omöjliggjorde visualisering av strandkanten i ortomosaikerna. Resultatet visas i figurerna 35 och 36 i resultatkapitlet.

För att möjliggöra en övervakad klassificering extraherades vattendraget från ortomosaikerna rörande de båda årtalen. De tidigare vektoriseringarna användes som mall i verktyget Extract by mask, enligt flödesschemat i figur 23.

• Orthomosaik

• Vektorisering

•

• Extract by Mask Vattenfåran i raster ArcGIS Pro

Figur 23. Flödesschema för extraktion av vattendrag i rasterformat med en vektorfil som mall.

3.5.4 Klassificering av strömhabitat

För att göra en övervakad klassificering skapades sju klasser att använda vid generering av träningsytor. Klasserna redovisas nedan:

• Forsande

• Starkt strömmande

• Strömmande

• Svagt strömmande

• Lugnflytande

• Land

• Vegetation

Till skillnad mot vektoriseringen var de två nya klasserna ”Land” och ”Vegetation”

nödvändiga att addera då klassificering av dessa i form av öar som fornlämningar och träd förväntades. En ny shape-fil skapades med träningsytor för att separera de olika spektrala egenskaperna. Dessa olika egenskaper vittnade om olika strömhabitat i älven. Träningsytorna applicerades på olika datamodeller med två olika algoritmer. SVM och RT användes för klassificering av resterande del av rastret. Processen applicerades på båda ortomosaikerna.

Resultatet illustreras i figurerna 40 och 41 i kapitlet resultat.

Efter granskning av de klassificerade modellerna i figurerna 40 och 41 under resultat, valdes modellen genererad med SVM tekniken att gå vidare med för att skapa mer homogena zoner med generaliseringsverktyg. Modellen framarbetad med RT tekniken exkluderades då mer brus uppstod vid användning av denna teknik än med SVM.

För att generalisera och minska bruset i rastret användes två GIS-verktyg i ArcGIS Pro, Majority Filter och Boundary Clean. Med Majority Filter användes parametrarna ”four” för number of neighbor samt ”majority” för Replacement threshold. Med Boundary Clean användes

”ascending” som parameter för Sort. Processen illustreras i flödesschemat i figur 24 nedan och resultatet i figur 44 i resultat delen i rapporten.

Klassificerat raster • Majority Filter

• Boundary Clean Generaliserat raster ArcGIS Pro

Figur 24. Flödesschema för att generalisera klassificeringen av strömhabitat.

3.5.5 Utvärdering av lägesosäkerhet

För att utvärdera det generaliserade rastret gjordes stickprov. Processen började med att en shapefil skapades med verktyget Create Accuracy Assessment Points. Mer specifikt användes

”Eaqualized Stratified Random” som metod med 1 250 st punkter för 2018 och 2020 enligt tabell 4. Markanvändningen som motsvarar punkternas position i ortomosaiken och i det generaliserade, klassificerade, rastret angavs i två attribut i tabellen tillhörande shapefilen.

Vidare användes verktyget Compute Confusion Matrix vilket ger en god kunskap om kvaliteten på klassificeringen. Processen applicerades på rastren rörande båda årtalen. Resultaten ses i tabellerna 12 och 13 samt i diagrammen i figur 49 och 50 under kapitlet resultat för

respektive årtal.

3.5.6 Förändringsanalays av strömhabitat

För att upptäcka förändringar av strömhabitat mellan åren 2018 och 2020 användes verktyget Change Detection i ArcGIS Pro. De tidigare klassificerade rastren från 2018 och 2020 över strömhabitaten användes som indata samt metoden Categorical Change för beräkning av nytt cellvärde. För att förstärka de förändrade strömhabitaten markerades de områden som inte förändrats mellan åren med grått medan de områden som förändrades markerades med de nya habitaten enligt färgschemat i figur 7. Processen illustreras i flödesschemat nedan i figur 25 och resultatet syns i figur 46 under resultatkapitlet längre ner.

Strömhabitat 2018

Strömhabitat 2020 • Change Detection Förändringar av strömhabitat ArcGIS Pro

Figur 25. Flödesschema för detektering av förändringar i strömhabitat från 2018 till 2020.

3.5.7 Skapande av terrängmodeller

Lantmäteriets digitala höjdmodell och flygfoton från Andersson (2018) användes för att skapa två olika DSM:er. Den digitala höjdmodellen hämtades som punktmoln i laz-format.

För att möjliggöra bearbetning i ArcGIS Pro ändrades format till las-format i

datamanipulerings programmet FME Quick Translator, enligt flödesschemat i figur 26 nedan.

Då Lantmäteriets höjdmodell består av flera mindre punktmoln importerats de till ArcGIS Pro och kombinerades till ett sammanhängande i ett Las Dataset. Verktyget Las Dataset to Raster användes sedan där upplösningen sattes till 0,1 m. Gör att generera en DSM användes verktyget Hillshade med standardinställningarna: Azimuth: 315° och Altitud: 45°. Processen illustreras enligt flödesschemat i figur 27 nedan och resultatet i figur 38 under resultat delen.

.laz • Quick Translator .las

FME

Figur 26. Flödesschema för att byta format på punktmoln i FME:s program Quick Translator.

Punktmoln • Las Dataset to Raster

• Hillshade DSM

ArcGIS Pro

Figur 27. Flödesschema för generering av DSM från punktmoln i ArcGIS Pro.

För att generera en DSM med flygfoton som datakälla exporterades ett höjdraster från Metashape i tiff-format och importerades i ArcGIS Pro. Vidare användes verktyget Hillshade med samma parametrar som tidigare för att skapa DSM, vilket illustreras enligt flödesschemat i figur 28 och resultatet i figur 39 under resultat delen.

3.5.8 Batymetrisk modell över vattenfåran

En batymetrisk modell skapades i ArcGIS Pro med GIS-verktyget Point to Raster med en utvald färgskala som representerar höjd över havet, processen illustreras i flödesschemat i figur 29 nedan. Upplösningen sattes till 0,25 m, vilket var samma som upplösningen på indata i form av punkter i shape-format (Eklund 2015). Resultatet visas i figur 33 i resultat delen.

En modell över jordskorpan genererades av batymetriska- och topografiska data där de behandlades med verktyget Hillshade med samma parametrar som innan. Resultatet syns i figur 34 under kapitlet resultat.

Raster • Hillshade DSM

ArcGIS Pro

Figur 28. Flödesschema för generering av DSM från raster i ArcGIS Pro.

Batymetriska data

i shape-format • Point to Raster Batymetriskt raster ArcGIS Pro

Figur 29. Flödesschema över processen att skapa en batymetrisk modell i ArcGIS Pro.

3.5.9 Förändring av vattenvolym

För att räkna ut vattenvolymen inom studieområdet användes den batymetriska datamängden och höjddata från 2015 av Eklund (2018). Verktyget Topo To Raster användes som ett

mellansteg i ArcGIS Pro för att skapa ett raster från nämnd data vilket levererades i shape-format. Cellstorleken sattes efter lägsta upplösningen i data till 2 meter. Vidare användes verktyget Raster to TIN för att skapa ett TIN-nätverk som möjliggör volymberäkning i verktyget Surface Volume. För att extrahera endast den yta som var täckt av vatten användes den tidigare vektoriseringen av vattendraget som mask i verktyget Extract By Mask

tillsammans med nätverket. Vattenytan identifierades som den högsta punkten i TIN-nätverket. I verktyget Surface Volume användes nämnt nätverk, below för parametern reference pane och given höjd som bas för att illustrera vattenytan för att generera vattenvolymen.

Detta gjordes på data rörande de båda åren 2018 och 2020. Resultatet illustreras i tabell 11 under kapitlet resultat och processen illustreras i flödesschemat i figur 30 nedan.

Batymetriska data • Topo to Raster

• Raster to TIN

• Surface Volume

Vattenvolym ArcGIS Pro

Figur 30. Flödesschema över processen att generera ett vattendrags volym.

3.5.10 Förändringsanalays av strandkant

För att undersöka förändringen av vattennivån efter dammutrivningen längs vattendraget uppströms användes vektoriseringarna från 2018 och 2020. Verktyget Merge användes för att sammanfoga shape-filerna till ett. Processen illustreras i flödesschemat nedan i figuren 31.

Vidare togs delen av rastret från 2020 bort i den nya filen vilket resulterade i de områden som torrlagts efter dammutrivningen och skapat ny strandkant. Dessa områden illustreras i figur 48 i resultatkapitlet.

För att undersöka höjddata inom dessa områden klipptes det tidigare skapade batymetriska rastret med höjddata efter ovan skapad shape-fil. Med verktyget Raster Calculator räknades cellvärden om från höjd över havet till höjd skillnaden mellan åren 2018 och 2020. Detta gjordes med ekvationen i flödesschemat i figuren 32 nedan. Resultatet syns i figur 47 i resultatkapitlet.

Batymetriskt raster Höjd över havet

• Raster Calculator

o ”cellvärde” – vattennivån 2018

Batymetriskt raster Det gamla vattendjupet på den nya strandkanten ArcGIS Pro

Figur 32. Flödesschema för generering av raster för skillnaden i vattendjup mellan årtalen.

Vektorisering 2018

Vektorisering 2020 • Merge Ny strandkant

ArcGIS Pro

Figur 31. Flödesschema över delprocess i att extrahera ny strandkant 2020.