GIS-baserad analys och validering av habitattyper efter
dammutrivning
GIS-based analysis and validation of water habitat types after dam removal
Fredrik Edlund
Fakulteten för hälsa, natur- och teknikvetenskap
Högskoleingenjörsprogrammet i lantmäteriteknik och geografisk IT Examensarbete 22,5 hp
Handledare: Jan-Olov Andersson Examinator: Jan Haas
Datum: 2021-06
Sammanfattning
Efter att EU införde ett ramverk år 2000 rörande regionens vattenanvändning,
vattendirektivet, beslöt Sveriges regering att från och med sommaren 2020 ompröva rikets vattendammar. I de fall rådande vattenanvändning inte uppfyller de krav som anges i ramverket kan dammutrivning bli aktuellt.
Syftet med studien är undersöka och utveckla en metod att utvärdera förändringar av strömhabitat uppströms ett vattendrag efter en dammutrivning. Studieområdet utgörs och begränsas av datamängden i form av flygfoton insamlade med UAV vid två tillfällen över samma område. Även batymetriska data över vattendragets botten från en bottenskanning har använts således även Lantmäteriets nationella höjdmodell.
Två fotogrammetriprogram användes i arbetet, dels för att skapa en ortomosaik från flygfoton men även för att utföra en bildnormalisering. GIS programvaran ArcGIS Pro tillhandahåller flera algoritmer för klassificering av raster. Algoritmerna SVM och RT, viktades mot varandra och SVM användes vidare i metoden. Med olika generaliserings- verktyg kunde strömhabitat identifieras och förstärkas. Även olika terrängmodeller skapades från flygfoton och Lantmäteriets nationella höjdmodell. Dessa granskades mot varandra utifrån olika aspekter som variationer i bland annat detaljrikedom, generaliseringsgrad och återspeglandet av vattenytan.
Slutsatsen av studien är att klassificering av strömhabitat kan göras i ett GIS-program med en lägesosäkerhet på mellan 25 och 40 %, beroende på vilka strömhabitat som ska klassificeras.
Efter utrivningen uppstod 17 zoner med förändrade strömhabitat vilket var två mer än vad prognoser förutsatt. Vidare påverkades vattenvolymen markant då en minskning på ca 40 % skedde från 2018 till 2020. En areal av ca 1,5 hektar berördes då gammal älvbotten blev torrlagd i samband med dammutrivningen. Ett samband syntes mellan avståndet från kraftverket och torrlagd botten då dessa ytor sågs minska i storlek i takt med att avståndet ökade. Att undersöka vart vattennivån påverkats som mest var inte möjligt i brist på data.
Studien har utvecklat en metod att analysera en dammutrivnings påverkan på ett vattendrag med data från UAV och bottenskanning.
Nyckelord: Fjärranalys, Fotogrammetri, Strömhabitat, Support Vector Machine, Random
Trees, Random Forrest, Vattendirektivet, GIS, UAV.
Abstract
When EU introduced a framework concerning the region’s water use, the Water Directive, the Swedish government decided to reconsider the country’s water dams from the summer of 2020. In the event of any deficiencies against the framework, dam removal may be relevant.
The objective of the study is to develop a method to evaluate changes in current habitat upstream of a watercourse after a dust eruption. The study area consists of and is limited by the amount of data in the form of aerial photos collected with a UAV on two occasions over the same area. Thus, bathymetric data on the bottom of the watercourse from a bottom scan have thus also been used by Lantmäteriet’s national elevation model.
Two photogrammetry programs were used in the work, partly to create an orthomosaic from aerial photos but also to perform an image normalization. The GIS software ArcGIS Pro provides several algorithms for classifying breaks where two different ones, SVM and RT, were weighted against each other and SVM was used further in the method. With various generalization tools, current habitats could be identified and amplified. Different terrain models were also created from aerial photos and the National national elevation model.
These were examined against each other on the basis of different aspects and reasoning is given about differences and similarities in, among other things, the richness of detail, degree of generalization and the reflection of the water surface.
The conclusion of the study is that classification of water habitats can be done in a GIS- program with a position uncertainty of between 25 and 40%, depending on which water habitats are to be classified. After the removal, 17 zones with changed habitats arose, which was two more than forecast. Furthermore, the water volume was significantly affected when a reduction of about 40% took place from 2018 to 2020. An area of about 1,5 hectares was also affected when the old river bottom was drained in connection with the dam removal. A connection was seen between the distance from the power plant and the drained bottom as these surfaces were seen to decrease in size as the distance increased. Investigating where the water level was most affected was not possible due to lack of data. The study has developed a method to analyze the impact of a dam removal on a watercourse with data from UAV and bottom scanning of the river.
Keywords: Remote sensing, Photogrammetry, Fish habitat, Support Vector Machine,
Random Trees, Random Forrest, Water Framework Directive, GIS, UAV.
Ordlista
Batymetri: Batymetri berskriver terrängens form under vatten vilket kan liknas med topografi på land.
Fotogrammetri: Fotogrammetri omfattar den teknik som möjliggör att visualisera och utföra mätningar i 3D-modeller från två eller fler fotografier.
Lägesosäkerhet: Lägesosäkerheten beskriver felmarginalen för en datamängd och kan redovisas i olika enheter som procent eller meter.
Lägessäkerhet: Lägessäkerheten beskriver hur stor sannolikheten är att en datamängd visar rätt.
UAV: Unmanned Aerial Vehicle, även i vardagligt tal kallat drönare.
Innehåll
1. Inledning ... 1
1.1 Bakgrund ... 1
1.2 Syfte ... 2
1.3 Frågeställningar ... 2
1.4 Avgränsningar ... 2
2. Teori ... 4
2.1 Lagring av geodata och dess egenskaper ... 4
2.1.1 Raster ... 4
2.1.2 Ortomosaik ... 5
2.1.3 Höjdmodeller ... 6
2.2 Lagring av höjdmodeller och dess egenskaper ... 7
2.2.1 Punktmoln ... 7
2.2.2 Triangulated Irregular Network (TIN) ... 8
2.2.3 Tiled model ... 8
2.3 Georeferering ... 9
2.4 Vattenföring och dammutrivning ... 9
2.4.1 Dammutrivning ... 9
2.4.2 Vattenföring ... 10
2.4.3 Strömhabitat ... 10
2.4.4 Prognoser för Mörrumsån ... 11
2.5 Fornlämningar ... 13
2.6 Tematiska kartor ... 13
2.7 Konverterings verktyg ... 14
2.7.1 Raster to TIN ... 14
2.7.2 Raster Calculator ... 14
2.7.3 Pseudo Invariant Features (PIF) ... 15
2.7.4 Point to raster ... 15
2.7.5 Hillshade ... 15
2.7.6 Las Dataset ... 16
2.7.7 Extract by mask ... 16
2.7.8 LAS Dataset to Raster ... 17
2.7.9 Merge ... 18
2.8 Analyserings verktyg ... 18
2.8.1 Majority Filter ... 18
2.8.2 Boundary Clean ... 19
2.8.3 Surface Volume ... 19
2.9 Klassificeringsmetoder ... 20
2.9.1 Övervakad klassificering ... 20
2.9.2 Oövervakad klassificering ... 20
2.9.3 Support Vector Machine (SVM) ... 20
2.9.4 Random Trees (RT) ... 20
2.10 Utvärderingsmetoder ... 21
2.10.1 Stickprov ... 21
3.10.2 Create Accuracy Assessment Points ... 22
2.10.3 Confusion Matrix ... 22
2.10.4 Change Detection ... 23
3. Metod ... 24
3.1 Indata ... 24
3.2 Unmanned Aerial Vehicle (UAV) och kamera ... 25
3.3 Programvaror ... 25
3.3.1 Agisoft Metashape Professional 1.7.1 ... 25
3.3.2 ArcGIS Pro 2.7 ... 25
3.3.3 Focus – Geomatica Banff ... 26
3.3.4 Feature Manipulation Engine (FME) Desktop 2021.0.0.1 ... 26
3.4 Studieområde ... 27
3.5 Genomförande ... 29
3.5.1 Bearbetning av data och generering av ortomosaik ... 29
3.5.2 Bildnormalisering av ortomosaik ... 30
3.5.3 Kartering av vattenfåran ... 31
3.5.4 Klassificering av strömhabitat ... 32
3.5.5 Utvärdering av lägesosäkerhet ... 33
3.5.6 Förändringsanalays av strömhabitat ... 33
3.5.7 Skapande av terrängmodeller ... 34
3.5.8 Batymetrisk modell över vattenfåran ... 35
3.5.9 Förändring av vattenvolym ... 36
3.5.10 Förändringsanalays av strandkant ... 37
4. Resultat ... 38
5. Diskussion ... 51
6. Slutsats... 53
Referenser ... 54
1. Inledning
Här beskrivs bakgrund till ämnet och studiens syfte samt frågeställningar och avgränsningar.
Studieområde och data introduceras och specificeras.
1.1 Bakgrund
EU:s vattendirektiv är ett ramverk framtaget år 2000 för att säkerställa god vattenkvalitet i Europa genom att skydda och förbättra unionens vattentillgångar. År 2004 infördes
vattendirektivet i svensk lag i 5 kap. 1 § Miljöbalken (SFS 2020:1174). Ramverket anger vad medlemsländerna minst skall uppnå gällande vattenkvalitet och vattenresurser. Havs och Vattenmyndigheten (HaV) har i Sverige tilldelats uppdraget av regeringen att ansvara över att Sverige uppfyller kraven. Ett utdrag av kraven redovisas nedan, vilka skall följas i samtliga vattendrag i rikets alla huvudavrinnings-områden (Nerheim u.å.).
I vattendirektivet finns bland annat följande punkter som förbättringsåtgärder:
• Skydda alla former av vatten (ytvatten, markvatten, inlandsvatten och vatten i övergångszon)
• Återställa ekosystemen i och kring dessa vattenförekomster
• Minska föroreningar i vattenförekomster
• Garantera hållbar vattenanvändning av enskilda och företag
Den andra punkten innebär att vattenekosystem ska återställas till dess naturliga status vilket omfattar många vattendammar med tillhörande kraftverk. En direkt konsekvens av att återställa vattendrag är att djur- och växtliv kan återgå till ett normalt liv i det ekosystem som existerade innan området exploaterades (Nerheim u.å.).
Enligt Havs och Vattenmyndigheten har fiskekvoterna i Östersjön sedan 2010-talet sänkts för vandringsfiskar, som lax (Salmon Salar). Med EU:s vattendirektiv sätts mål att söka en ökning av dessa kvoter för att garantera en hållbar vattenanvändning (HaV u.å).
Den 25 juni 2020 tog regeringen beslut om att Sveriges vattenkraftverk skall omprövas mot vattendirektivet, alltså bland annat nämnda fyra punkter ovan (HaV 2018). En
kraftverksdamm som rivits ut är Mariebergsdammen i Mörrumsån, belägen i Svängsta
nordväst om Karlshamn i Blekinge. År 2015 togs en rapport (Eriksson 2015) fram där
prognoser beskriver hur vattendraget kommer påverkas av damutrivningen. Bland annat hur
vattenfåran och vattnets flödeskaraktär skulle ändras från dammbyggnaden längs en sträcka
på 4 km uppströms. Prognoserna beskriver att 15 nya zoner med strömhabitat kommer
skapas vid en medelvattenföring på 27 m
3/s . I denna studie kommer nämnd rapport att valideras genom att hydrologin och topografin kring den berörda älven granskas. Data som möjliggör granskningen är flygfoton från UAV vilka är insamlade vid två tillfällen, innan och efter damutrivningen.
Vid en dammutrivning sker ofta en vattennivåsänkning som påverkar vattendraget från den utrivna dammen och flera kilometer uppströms. Detta påverkar även vattnets
strömningskaraktär och kan ta fram kulturvärden för områden som gömts (Waters 2019).
1.2 Syfte
Syftet med studien är att utveckla en metod för att geografiskt undersöka Mörrumsån längs en sträcka på ca 1,5 km uppströms Mariebergs kraftverk med en förändringsanalays.
Analysen bygger på flygfoton som är insamlade vid två tillfällen, innan och efter
dammutrivningen. Det som skall undersökas är hur älven påverkas av dammutrivningen samt hur väl prognoser beskriver framtida effekter på vattendraget.
1.3 Frågeställningar
• Hur kan olika strömhabitat identifieras med klassificeringsverktyg i ArcGIS Pro?
• I vilken mån realiserades förändringarna i de 15 zoner med olika strömhabitat som förutspåddes enligt prognosen?
• Finns det samband mellan avstånd till den utrivna dammen och torrlagd älvbotten vid älvfåran uppströms?
• Hur förändrades vattenvolymen som följd av dammutrivningen?
• Hur har nivån på vattenytan inom studieområdet påverkats av dammutrivningen?
1.4 Avgränsningar
Studien begränsas till en älvsträcka på ca 1,5 km uppströms Mariebergs utrivna vattendamm i
södra Svängsta. Studiens primära syfte är att främst beröra dammutrivningens påverkan på
vattendraget uppströms.
Figur 1 visar en karta över studieområdets läge i södra Sverige.
Figur 1. Studieområdet är beläget i Blekinge.
2. Teori
I teorikapitlet beskrivs viktiga begrepp, metodteorier och verktyg som används med GIS (Geografiska informationssystem) i studien.
2.1 Lagring av geodata och dess egenskaper
I detta delkapitel beskrivs hur geografisk information lagras för att möjliggöra framtida analyser.
2.1.1 Raster
Ett sätt att lagra geografiska data är med rasterstrukturen. Ett raster är uppbyggt som en tabell med rader, kolumner och celler som innehåller värden. Ett cellvärde kan representera en färg, ett höjdvärde mm. I ett raster är samtliga celler kvadrater och lika stora, vilket också beskriver upplösningen på rastret. Det vill säga hur stort det minsta objektet är som går att urskilja (Jensen 2004).
Figur 2. Till vänster illustreras vektor- och till höger rasterstrukturen där samma data visualiseras (Esri u.å.a).
2.1.2 Ortomosaik
En ortomosaik är en modell där ett antal flygfoton räknats om från central till ortogonal projektion, sätts samman och georefererats till ett referenssystem. För detta krävs överlapp mellan flygfotografierna på minst 50 % (Barnes 2011). Vid skapandet av modellen, mosaiken, läggs de ortofoton som överlappar varandra ihop och skapar en sammanhängande modell.
I en ortogonal projektion syns inga sidor av objekt i fotot, som husliv, fönster eller vägskyltar. Ortogonala projektioner används mer frekvent än centralprojektionen då den sistnämnda är optimal från endast en observationspunkt, projektionscentrumet (Díaz-Varela m.fl. 2015). Figur 3 illustrerar den visuella skillnaden.
Figur 3. Till vänster illustreras ortogonalprojektion och till höger centralprojektion (Olsson 2009).
2.1.3 Höjdmodeller
En digital höjdmodell (DEM) beskriver ett områdes höjdförhållanden och topografi. En DEM framställs interpolation av ett punktmoln (se 2.2.1) . Digital Surface Model (DSM) är en
ytmodell som även omfattar objekt ovanför markytan såsom träd och byggnader, se figur 4 (Sammartano m.fl. 2016).
Figur 4. Den visuella skillnaden mellan DSM (övre delen) och DEM (nedre delen).
Parametrar att bestämma i Agisoft vid generering av DSM är specificerade nedan:
• Source data : Olika typer av indata kan väljas som grund för processen; Point cloud, Depth maps, Mesh och Tiled model.
• Quality : Reglerar upplösningen på indata där högsta kvaliteten är ”Ultra High” där originalupplösning används och allt eftersom lägre nivåer väljs minskar upplösningen med 2.
• Interpolation : Interpolation kan väljas att användas eller inte samt att extrapolering kan användas för att skapa en homogen yta även utanför området det inte finns indata för.
• Resolution : Beskriver upplösningen på indata.
• Total size: Beskriver storleken på indata i antalet pixlar.
(Agisoft 2021.b).
2.2 Lagring av höjdmodeller och dess egenskaper
I detta delkapitel beskrivs hur geografisk höjddata lagras för att möjliggöra framtida analyser.
2.2.1 Punktmoln
Punktmoln kan skapas fotogrammetriskt för att visualisera objekt i 3D-modeller. Denna datatyp används oftast i processer, men är sällan en slutprodukt. Punktmolnet består av individuella punkter med x-, y- och z-koordinater samt kan lagra information om t.ex. en färg. Problem som ofta måste åtgärdas är så kallat brus. Detta framkommer som punkter i punktmolnet som inte är representabla för något objekt utan uppstått blanda annat pga.
blanka ytor som glas eller vattenspeglar (Barnes 2011).
Vid skapande av punktmoln i Agisoft sätts parametrarna: Quality, Depth filtering, Reuse depth maps, Calculate point colors samt Calculate point confidence, se figur 5 och specificeringar nedan.
• Quality : Beroende på val används olika upplösning på datamängden, från Original upp till 4 gångers försämring.
• Depth filtering : För att ta bort brus kan olika val göras beroende på hur detaljerad rörande modell är. Går att avaktivera.
• Reuse depth maps : Finns en ”depth map”, som kan underlätta processen att generera höjder på punkterna i punktmolnet, kan den inkluderas här.
• Calculate point colors : Parametern väljs utifrån om färger är relevanta i sammanhanget, påverkar processtiden.
• Calculate point confidence : Räknar antalet gånger varje punkt i punktmolnet som har beräknats.
(Agisoft 2021.b).
Figur 5. Parametrar att sätta vid generering av punktmoln.
2.2.2 Triangulated Irregular Network (TIN)
TIN är ett nätverk av vektorer mellan en nod och dess närmaste grannnoder där ytorna mellan dessa vektorer skapar trianglar. När dessa trianglar kombineras skapar de en homogen yta, se figur 6 nedan, vilket kan jämföras med en DSM. Fördelen med ett TIN är bland annat att avancerade volumberäknignar kan utföras på datatypen (Jenness 2004).
Figur 6. Illustration av hur ett TIN skapas från ett raster (Jenness 2004).
2.2.3 Tiled model
En tiled model är en 3D-modell där även färger beskriver objekt och terräng. Modellen skapas från ett punktmoln där linjer dras mellan punkterna i punktmolnet så att trianglar skapas.
Tillsammans skapar trianglarna en homogen yta som sedan kan draperas med t.ex. ett ortofoto (Barnes 2011).
Parametrar att bestämma i Agisoft vid generering av modellen specificeras nedan:
• Source data : Tre val finns för vilken datamodellen skall bygga på: Depth maps, Point cloud eller Mesh.
• Pixel size : Upplösningen på indata definieras, kan ändras efter användningsområde.
• Tite size : Upplösningen på utdata definieras.
• Transfer model texture: Finns det en texturerad mesh kan den inkluderas som stöd i denna process.
• Enable goasting filter : Om den genererade modellen innehåller kluster som inte flyter samman med resterande modell kan de bli filtrerade.
• Reuse depth maps : Finns det en depth map kan den inkluderas som stöd i denna process.
(Agisoft 2021b ) .
2.3 Georeferering
För att behandla olika rasterdatatyper som skannade kartor eller råa satellitbilder, utan känt referenssystem, tillsammans med annan data i GIS-program krävs god struktur på metadata och referenssystem. Om data ska användas som inte har ett känt referenssystem måste en georeferering utföras. Detta kan utförs i ett GIS-program med två vanliga metoder (Jaud m.fl. 2013).
Den första metoden använder passpunkter i rasterkartan vilka skall vara väl spridda över området. Passpunkternas koordinater importeras och för hand definieras vilken passpunkt som motsvarar rätt objekt i rastret. På så vis får rastret kända koordinater att referera till i det referenssystem som passpunkterna är inmätta i. Passpunkterna kan vara tillfälliga (t.ex.
utlagda reflexer) eller permanenta (t.ex. brunnar) (Jaud m.fl. 2013).
I den andra metoden används en karta med känt referenssystem. Permanenta objekt väljs ut som inte har benägenhet att röra på sig över tid, specifikt tiden mellan datainsamlingen för referenskartan och den data som ska refereras(rastret). Dessa objekt kan vara till exempel brunnar eller husnockar. Objekten definieras i referenskartan och det icke refererade rastret.
Ett samband kan skapas och en transformation kan således utföras, vilket ger rastret ett referenssystem att förhålla sig till (Jaud m.fl. 2013).
2.4 Vattenföring och dammutrivning
I detta delkapitel beskrivs vattenrelaterade begrepp och prognoser för strömhabitat från 2015.
2.4.1 Dammutrivning
Tillstånd för en dammutrivning av en damm måste sökas hos mark- och miljödomstolen.
Kostnader för att riva en damm beror på dess storlek och en tumregel är dock mellan 100 000–180 000 kr per fallhöjdsmeter beroende på älvens bredd (Sjöstrand m.fl. 2018).
Processen att riva dammen börjar med att vattennivån sänks succesivt under vinterhalvåret,
då den biologiska aktiviteten är låg samt syretillgången i vattnet är god. Risken att syrefattigt
sediment uppströms dammen inte skall ligga kvar och i stället göra skada nedströms minskar
vid detta moment. Under kommande månader vid lågflöde och mildare temperaturer inleds
arbetet att ta bort dammens dämmande delar. Oftast tas endast dammens delar bort som
legat direkt i anslutning till vattnet och resterande lämnas som kulturminnen. I vissa fall kan
gammal botten behöva stabiliseras med erosionsskydd, annars återintar naturen dessa
områden med växtlighet (Sjöstrand m.fl. 2018).
2.4.2 Vattenföring
SMHI samlar kontinuerligt in data- och för statistik över ca 300 av Sveriges största
vattendrag. Metoden som används bygger på analyser av vattenståndet i vattendraget vilket myndigheten räknar om till vattenföring beroende på parametrar kalibrerade för respektive mätstation (SMHI 2019).
Nedan i tabell 1 redovisas vattenföringen i Mörrumsån under de dygn som flygfoton samlades in till studien. Data är insamlat av en mätstation i Mörrum (SMHI 2021b).
Tabell 1. Vattenföring i Mörrumsån för de datum flygfotograferingar genomfördes (SMHI 2021b).
2.4.3 Strömhabitat
Laxens livscykel består av olika stadier och i olika vatten från ägg och smolt (1 till 5 årig lax samt ca 20 cm långa) i mindre vattendrag och sjöar till vuxen fisk i havet eller större insjöar.
För att denna livscykel skall fungera krävs lekområden för reproduktion som omfattar vattendrag där fisken naturligt kan migrera. Optimala förhållanden är en blandning av strömmande, forsande och lugnare partier i vattendraget. Detta ger fisken möjlighet att både vandra uppåt i vattensystemen samt att vila och para sig, antingen bakom stenar i forsar eller i områden med mindre strömt vatten (Gustafsson 2019).
De olika strömhabitat som omnämns i arbetet är, enligt färgschemat i figur 7 nedan;
forsande, lugnflytande, strömmande, starkt strömmande och svagt strömmande. Dessa är givna då prognoser enligt Eriksson (2015) är indelade i nämnda klasser. Som beskrivet ovan påverkas bland annat lax i olika stadier i livscykeln olika beroende på vilket strömhabitat de befinner sig i.
Tabell 2. Vattenhastigheten inom de givna strömhabitaten (Halldén m.fl. 2002).
Mätstation Stations nr 2018-11- 06
2020-11- 15 Mörrum 186 4 m
3/s 17 m
3/s
Strömhabitat Hastighet (m/s)
Fors > 0,71
Starkt strömmande 0,51 – 0,7 Strömmande 0,31 - 0,5 Svagt strömmande 0,21 - 0,3
Lugnflytande < 0,2
Figur 7. Färgschema för strömhabitat (Eriksson 2015).
2.4.4 Prognoser för Mörrumsån
År 2015 publicerade Eriksson (2015) en rapport där prognoser beskriver hur Mörrumsån kommer att förändras efter en damutrivning av Mariebergs vattendamm. I rapporten beskrivs nuvarande samt framtida prognoser för förändringar av både vattnets flöde och utbredning av älven ca 4 km uppströms. Prognoserna togs fram efter fältarbete med bottenskanning och vidare analyser av batymetriska modeller av vattenfåran. Olika strömhabitat/vattenflöden delades in i fem olika klasser: Forsande, starkt strömmande, strömmande, svagt strömmande och lugnflytande. Dåvarande ström-habitat illustreras nedan i figur 8a-c och prognoserna visas i kartorna i figur 9a-c nedan där bakgrunden är en ortomosaik från 2018.
Figur 8a-c. Prognoser för strömhabitat år 2020, efter dammutrivning enligt Eriksson (2015).
Figur 9a-c. Karterade strömhabitat år 2018, innan dammutrivning enligt Eriksson (2015).
Fördelning och areal på de olika strömhabitaten enligt prognoserna från Eriksson (2015) redovisas i tabell 3 och figur 10 nedan.
Tabell 3. Arealen på strömhabitaten enligt prognoser i kartor, figur 9, från 2015.
Figur 10. Diagram över fördelningen av de prognostiserade strömhabitaten efter dammutrivningen.
1,1 3,8
48,7 44,5
1,9
Prognos för strömhabitat 2020
Fors Starkt strömmande Strömmande Svagt strömmande Lugnflytande
Strömhabitat Areal (ha)
Fors 0,05
Starkt strömmande 0,19 Strömmande 2,36 Svagt strömmande 2,16 Lugnflytande 0,09
Total yta 4,85
2.5 Fornlämningar
Samtliga fornlämningar är skyddade enligt kulturmiljölagen som bland annat säger att dessa inte får skadas. Begreppet fornlämning avser lämningar efter människors verksamhet under forna tider som tillkommit genom äldre tiders bruk samt är varaktigt övergivna (Boverket 2021).
Inom studieområdet finns en fornlämning i form av rester från en murad ränna i vattenfåran uppströms ca 1 km från Mariebergs kraftverk. På 1830-talet, då rännan var aktiv, försedde den en hjulkvarn med vattenkraft (Riksantikvarieämbetet 2018). Figur 11 beskriver
fornlämningens plats mer i detalj.
Figur 11. Fornlämningen i turkost centralt i bilden (Riksantikvarieämbetet 2018).
2.6 Tematiska kartor
Syftet med en tematisk karta är att redovisa den geografiska fördelningen av egenskaper så som markanvändning eller vegetation. Variationen områden emellan beskrivs ofta med olika nyanser eller färger i kartan, ofta beroende på attribut knutet till den geografiska
informationen (Foody 2002).
2.7 Konverterings verktyg
I detta delkapitel beskrivs olika konverteringsverktyg som används i GIS-Programmet ArcGIS Pro.
2.7.1 Raster to TIN
Verktyget Raster to TIN används för att konvertera raster till ett TIN-nätverk, vilket illustreras i figur 12 nedan. Viktiga parametrar att ange är: in raster, out TIN, z tolerance, max points och z factor. Dessa specificeras nedan:
• In raster : sökväg till raster att skapa TIN från.
• Out TIN : sökväg och namn på för TIN.
• Z tolerance : den maximala skillnaden av höjdvärden mellan input och output.
• Max points : det maximala antalet punkter som skall skapas från rastret vilka sedan trianglarna skapas mellan.
• Z factor : en faktor som multipliceras med varje punkt i det slutgiltiga TIN:et.
(Esri u.å.n).
Figur 12. Illustration av in- och output för verktyget Raster to TIN (Esri u.å.n).
2.7.2 Raster Calculator
Raster Calculator är ett verktyg tillgängligt i många GIS- och fotogrammetriprogram. En
ekvation definieras omfattande en eller flera olika raster vilka kan multiplicera-, dividera-,
subtrahera- och adderas inbördes för att ge önskat resultat. Ekvationen appliceras cellvis på
varje cell i samtliga raster i ekvationen. Utdata från detta verktyg är ett nytt raster (Gelagay
m.fl. 2016).
2.7.3 Pseudo Invariant Features (PIF)
Vid förändringsanalyser av RGB-bilder över samma område men olika tidsspann krävs det en bildnormalisering för att eliminera radiometriska effekter, som variation i solvinkel. Pseudo Invariant Features (PIF) är en metod som möjliggör detta. Genom att skapa träningsytor över mindre områden som inte ändrar reflektion över tid, tex industritak räknas den radiometriska skillnaden ut bilderna emellan med linjär regression. Reflektionen inom de definierade träningsytorna skall inte skilja sig åt med mer än 10% vilket är möjligt genom kontinuerlig övervakning av k-värdet vid skapandet av träningsytor. K-värdet beskriver skillnaden i det digitala nummer-värdet mellan de två bilderna. Nämnd metod upprepas på bildens samtliga band, tex rött, grönt och blått. För att räkna bort den radiometriska skillnaden appliceras ekvation 1 nedan separat på varje band i bilden medverktyget Raster Calculator (De Carvalho m.fl. 2013).
𝑦 = 𝑏𝑋 + 𝑐 (1) y = modifierat band
b = konstant
X = ursprungligt band c = konstant
2.7.4 Point to raster
Point to Raster används för att skapa ett raster från punktobjekt i shape-format. Vid
användning av verktyget specificeras ett lager med punkter, vilket attribut som motsvarar höjddata i rätt enhet samt önskad upplösning på rastret. Om det inte finns tillräcklig täckning över hela området i indata görs en interpolation av granncellerna. Detta för att samtliga celler i utdata skall tilldelas ett lämpligt värde. Resultatet blir ett raster med samma cellvärden som motsvarar punkter i indatalagret (Esri u.å.e).
2.7.5 Hillshade
En hillshade (terrängskuggning) är en metod som används till att visualisera en datamängd med tre dimensioner i en tvådimensionell miljö, t.ex. en karta. För att skapa en 3-
dimensionell effekt krävs information om höjder, utöver de vedertagna koordinaterna Nord
och Öst. Resultatet blir en artificiell sol som kastar skuggor från vald placering av solen vilket
skapar en upplevelse av topografi i kartan. Vid användning av verktyget bestäms främst två
parametrar: Azimuth och Altitude. Azimuth definierar vinkeln till den artificiella solen från
norr, klockans varv, och Altitude höjden på den samma. Verktyget är vanligt i GIS-Program,
som t.ex. ArcGIS Pro (Eeckhaut m.fl. 2007).
2.7.6 Las Dataset
Ett Las Dataset är en metod som används för att spara flera separata punktmoln tillsammans.
Vid användning av denna metod hanteras samtliga integrerade punktmoln som ett, t.ex. vid visualisering i ett GIS-program eller vid transformation till ett nytt format som raster (Esri u.å.l).
2.7.7 Extract by mask
Extract by mask används för att extrahera givna områden av ett raster. Input för verktyget är ett raster som skall klippas samt en datamängd som definierar de områden som ska klippas ut, kallad ”mask”. Denna ”mask” kan vara raster eller polygon/er i shape-format. Figur 13 beskriver verktyget med ett raster som ”mask” (Esri u.å.g).
Figur 13. Illustration av verktyget "Extract by mask" med mask som raster (Esri u.å.g).
2.7.8 LAS Dataset to Raster
Verktyget LAS Dataset to Raster används för att konvertera data från punktmoln (LAS dataset) till raster. Viktiga parametrar att definiera är specificerade nedan:
• Value Field : vilken information som skall extraheras från punktmolnet och användas som cellvärde i rastret.
• Interpolation Type : Vilken metod för interpolation som skall användas där värden saknas i punktmolnet.
• Sampling Type : Vilken metod som skall användas för att bestämma upplösning på rastret
• Sampling Value : Parameter att använda i metoden att bestämma upplösning.
(Esri u.å.f).
Figur 14. Input och output vid generering av raster från ett LAS Dataset (Esri u.å.f).
2.7.9 Merge
Merge är ett GIS-verktyg som används för att slå samman två olika objekt tex punkter eller polygoner, till samma fil. Samtliga input måste vara av samma objekt och refererade i samma koordinatsystem (Esri u.å.t).
2.8 Analyserings verktyg
I detta delkapitel beskrivs olika analyseringsverktyg som används i GIS-Programmet ArcGIS Pro.
2.8.1 Majority Filter
Majority Filter är ett GIS-verktyg som används för att förstärka större ytor i ett raster och ta bort brus som enstaka felklassificerade celler. Parametrar att bestämma vid användning är:
input raster, number neighbors och majority definition. Dessa specificeras nedan:
• Input raster : sökäg till det raster som skall bearbetas.
• Number neighbors : hur många grannceller som skall användas i processen, fyra eller åtta.
• Majority definition : om häften eller majoriteten skall definieras som tröskelvärde.
Beroende på tröskelvärdet jämförs antalet grannceller och om antalet är större än tröskelvärdet byts då cellvärdet till samma som majoriteten av grannarnas cellvärden.
(Esri u.å.i).
Figur 15. Illustration av hur verktyget ”majority filter” fungerar (Esri u,å.i).
2.8.2 Boundary Clean
Boundary Clean är ett GIS-verktyg som används för att generalisera ett raster. Beroende på parametrar kan verktyget användas för att förstärka mindre- respektive större ytor, vilket illustreras i figur 16. Parametrar att bestäma vid användning är: input raster, sort och number of runs. Dessa specificeras nedan
• Input raster : sökväg till det raster som skall bearbetas.
• Sort : beroende på om stora- eller små ytor skall prioriteras i processen.
• Number of runs : hur många gånger verktyget skall ekekveras, en eller två.
(Esri u.å.j).
Figur 16. Illustration av hur verktyget "boundary clean" fungerar för att generalisera bort muindre ytor (Esri u.å.j).
2.8.3 Surface Volume
Surface Volume används för volymberäkning av TIN-nätverk. Med verktyget kan volymer för exempelvis berg eller dalgångar beräknas. Genom att justera parameterinställningarna kan olika resultat uppnås. Parametrar att specificera vid användning är: input, reference pane, baze z och z factor. Dessa specificeras nedan:
• Input : Sökväg till TIN.
• Reference pane : Beroende på om beräkning skall utgöras ovan- eller under givet värde väljs Above eller Below.
• Base z : Höjden på de plan som utgör basen varifrån tidigare parameter specificerar om volym skall beräknas ovanför eller under.
• Z factor : En faktor som multipliceras med z-värdet innan volymberäkningen utförs.
(Esri u.å.m).
2.9 Klassificeringsmetoder
För att dela in en RGB-bild eller ett multispektralt ortofoto i olika klasser kan två olika tekniker användas för klassificering. De olika teknikerna innebär så kallad övervakad- och oövervakad klassificering, vilka beskrivs nedan.
2.9.1 Övervakad klassificering
Vid en övervakad klassificering används givna klasser av användaren, som vatten, skog, och tätbebyggelse, som referens till olika träningsytor vilka matas till en datamodell. På
datamodellen kan olika algoritmer appliceras för önskad klassificering, med olika resultat.
Jämförelse med en oövervakad klassificering kan fler parametrar bestämmas här (Shalaby 2007).
2.9.2 Oövervakad klassificering
Vid en oövervakad klassificering definierar datorn klasser utifrån bildens innehåll och dess spektrala variationer. Olika algoritmer kan appliceras för denna teknik men mindre
valmöjligheter kan göras av användaren då denna metod är mer automatiserad än den tidigare nämnda övervakad klassificering (Yang 2002).
2.9.3 Support Vector Machine (SVM)
Support Vector Machine (SMV) är en algoritm som används i en övervakad klassificeringsmetod där klasserna som rastret skall delas in i är givna. Algoritmen använder maskininlärning som appliceras på en datamodell vars givna klasser endast kräver spektrala likheter (Esri u.å.d).
För att klassificera resterande delar av rastret används extremvärdena (min- och maxvärde) av de givna klasserna. För varje cell som analyseras tilldelas den klassen som är närmast dessa extremvärden (Burges 1998).
2.9.4 Random Trees (RT)
Random Trees är en algoritm som kan användas för olika problem som klassificering. Vid klassificering används en övervakad metod där träningsytor skapas och adderas till en datamodell som använder algoritmer, som RT, och maskininlärning. Vid generering av träningsytor skapas en variation inom varje klass vilket kan beskrivas som grenar. När träningsytorna är färdiga och klassificeringen görs på hela rastret formar grenarna ett träd, varifrån namnet ”Random Trees” kommer. (Esri u.å.l).
Algoritmen fungerar i två steg. Varje cell analyseras och tilldelas den klass den med högst
sannolikt hör till. Vissa av träningsytorna som inte används vid generering av trädet används
för att klassificera missklassade celler i ett senare skeende (Pourghasemi 2018).
2.10 Utvärderingsmetoder
I detta delkapitel beskrivs metod och verktyg för utvärdering av lägesosäkerhet som används i studien.
2.10.1 Stickprov
För att utvärdera ett klassificeringsresultat kan en noggrannhetsbedömning göras genom stickprov. Stickprovet utförs efter en klassificering, genom att ett givet antal kontrollpunkter placeras över studieområdet. Antalet kontrollpunkter bestäms enligt tabell 4 nedan.
Kontrollpunkterna definieras manuellt mot referensbilden, vilket binärt jämförs med det klassificerade resultatet (Lantmäteriet 2017).
Tabell 4. Tabell för antal stickprovskontroller (Lantmäteriet 2017).
Antal förekomster av objekttypen i kontrollområdet Stickprovsstorlek (Kvalitativ kontroll)
Stickprovs- storlek (Kvantitativ
kontroll)
Från Till
1 8 (5) Alla objekt Alla objekt
9(6) 50 8 5
51 90 13 7
91 150 20 10
151 280 32 15
281 400 50 20
401 500 60 25
501 1 200 80 35
1 201 3 200 125 50
3 201 10 000 200 75
10 001 35 000 315 100
35 001 150 000 500 150
150 001 500 000 800 200
> 500 000 1250 200
3.10.2 Create Accuracy Assessment Points
Create Accuracy Assessment Points är ett GIS-verktyg i ArcGIS Pro för att skapa ett antal
punkter över ett givet område som specificeras med indata. Indata kan vara raster eller vektor vilket definierar barriär längs med utkanten av indatat. Innanför dessa barriärer skapas
punkter beroende på en parameter: Sampling Strategy.
Vid definiering av parameter för Sampling Strategy kan tre olika metoder användas: stratified random, eaqualized stratified random och random. Dessa specificeras nedan:
• Stratified Random : Skapar slumpade punkter för varje klass där antalet skapade punkter för varje klass är proportionerligt efter dess totala area i indatat.
• Eaqualized Stratified Random : Skapar slumpade punkter för varje klass där antalet punkter för varje klass är den samma.
• Random : Skapar slumpade punkter över indatat oberoende av klassindelningen.
Resultatet blir en shape-fil med givna punkter och en attributtabell som skall fyllas i med information om två olika data som motsvarar samma yta och vid ett senare skeende kan dessa jämföras (Esri u.å.k).
2.10.3 Confusion Matrix
Confusion Matrix är en metod att utvärdera ett resultat där två olika metadata finns för samma datamängd. Vid jämförelse används en tabell där kolumner och rader skiljer sig åt med information från olika data. Genom ett stickprov granskas vissa utvalda data i respektive datamängd vilket ger ett resultat i form av ett antal lika och ett antal olika klassificerade data.
Antalet stickprov med lika klassificering räknas ut och delas med det totala antalet stickprov för att få fram den procentsats som beskriver skillnaden mellan datamängderna (Foody 2002).
Figur 17. Matrisen som skapas för att utvärdera en klassificering med verktyget Confusion Matrix (Foody 2002).
2.10.4 Change Detection
Change Detection är ett fjärranalysverktyg för att upptäcka och granska förändringar mellan två rasterdata. Genom att undersöka förändringar cell för cell i rastret genereras nya cellvärden baserat på om det finns förändringar mellan de två indata rasterna eller ej. Finns det en förändring registreras den förändringen som nytt cellvärde och har ingen förändring skett registreras det som nytt cellvärde.
I ArcGIS Pro kan verktyget användas med tre olika metoder: Pixel Value Change, Categorical Change och Time Series change. Dessa specificeras nedan:
• Pixel Value Change : Beräknar skillnaden mellan två raster där förändringen undersöks och registreras med information om cellvärdet från de båda indatarastren.
• Categorical Change : Beräknar skillnaden mellan två raster där förändringen registreras som cellvärde binärt, som förändrad eller ej förändrad.
• Time Series Change : Beräknar nya cellvärden i ett utdataraster där historiska data
från satelliten Landsat används för att upptäcka datum då avvikande förändringar skett
över givet området (Esri u.å.o).
3. Metod
I detta kapitel beskrivs utförligt använda program, data, metoder och genomförande. För att på ett praktiskt sätt beskriva de processer som gjorts används olika flödesscheman.
3.1 Indata
Som indata har flygfoton insamlade av UAV (Unmanned Aerial Vehicle) använts samt batymetriska data från en bottenskanning. Även Lantmäteriets nationella höjdmodell har använts. Kamerainställningar kan påverka kvaliteten på de flygfoton som samlas in under flygningar. Tabell 5 nedan beskriver kamerainställningarna som användes vid flygningarna samt generella metadata om flygfotografierna för 2018 respektive 2020.
Tabell 5. Information om kamerainställningar och flygbilder.
Tabell 6 och 7 nedan beskriver de datamängder över batymetri och punktmoln som används i studien samt källa.
Tabell 6. Information om data från bottenskcanning.
Tabell 7. Information om punktmoln från Lantmäteriet.
Format Datum Upplösning ISO- tal
Brännvidd Referens
jpg 2018-
11-06
0,03 m 100 2 mm Andersson
2018
jpg 2020-
11-15
0,03 m 400 9 mm Andersson
2020
Format Datum Upplösning Referens shp 2015-10-01 0,25 m Eklund 2018
Format Datum Upplösning Referens laz 2019-05-28 0,1 m Lantmäteriet
2019
3.2 Unmanned Aerial Vehicle (UAV) och kamera
För att samla in den digitala informationen användes en kamera monterad på en UAV.
Underlaget är insamlat med två olika typer av UAV som båda är tillverkade av det kinesiska företaget DJI (Da-Jiang Innovations). För bilderna som samlades in år 2018 användes en kamera med modellen FC330 monterad på en DJI Phantom 4 (DJI u.å.b). För bilderna som samlades in år 2020 användes en kamera med modellen FC6310S monterad på en DJI Mavic Pro (DJI u.å.a).
Upplösningen på samtliga flygfoton från båda årtalen är 0,03 m där data samlades in i tre olika kanaler/band, RGB (Rött, Grönt, Blått). Använt filformat att spara fotografierna i var jpg-format.
Pilot vid båda tillfällen var Jan-Olov Andersson som, inom tidsperioden för flygningarna, är utbildad och godkänd pilot av Transportstyrelsen (Transportstyrelsen, 2021).
3.3 Programvaror
I detta delkapitel presenteras och beskrivs de programvaror som använts i studien.
3.3.1 Agisoft Metashape Professional 1.7.1
Agisoft Metashape Professional är ett bildbehandlingsprogram från 2010 som är utvecklat för fotogrammetri och GIS. Version 1.7.1 släpptes i januari 2021 (Agisoft, u.å.a). Från att
georeferera med stödpunkter eller GPS kan punktmoln och olika modeller skapas som DEM och orthomosaic. Önskad data kan exporteras i olika vedertagna format inom GIS som TIF- och KMZ-format för att sedan importera till önskad GIS-programvara. Programvaran är utvecklad av företaget Agisoft LLB som är ett ryskt företag från St Petersburg (Agisoft u.å.b).
3.3.2 ArcGIS Pro 2.7
ArcGIS Pro är ett GIS-program som först publicerades 2015. Version 2.7 släpptes i december 2020. Programmet används för att visualisera, dokumentera och analysera
geografisk information. Format som stöds är bland annat det egna shape-formatet för data i
vektorstruktur samt jpg- eller TIN-format i rasterstrukturen. Programmet används i detta
arbete till att utföra analyser samt att skapa kartor. Programvaran är utvecklad av företaget
Esri som är ett amerikanskt företag från Kalifornien (Esri u.å.b).
3.3.3 Focus – Geomatica Banff
Focus är en del av PCI Geomatica:s programvarupaket inom fjärranalys- och fotogrammetri, Geomatica Banff. Programmet publicerades första gången 2014. Bortsätt från det
egenutvecklade PIX-formatet finns även stöd för fler vedertagna filformat som jpg och TIF.
PCI Geomatica är ett mjukvaruföretag inriktade på analys av geografiska bilder som ortofoton och satellitbilder. Företaget grundades 1982 och är beläget i Markham, Ontario, Kanada (Geomatica 2020).
3.3.4 Feature Manipulation Engine (FME) Desktop 2021.0.0.1
FME Desktop är en samling databearbetnings program för geografisk information av
företaget Safe Software. Programmens styrka ligger i att manipulera och behandla data som
transformationer mellan olika fil-format. Programvaran publicerades första gången i maj
1998 av företaget som idag är stationerat i Surry, British Columbia, Kanada. Versionen FME
Desktop 2021.0.0.1 släpptes i mars 2021 (Safe Software u.å.).
3.4 Studieområde
Figur 18 visar en översiktkarta över samhället Svängsta där studieområdet är beläget mellan Mariebergs utrivna damm i söder till vägbron för väg 128 i norr.
Figur 18. Studieområdet i Svängsta med Mörrumsån.
Figur 19 visar delsträckorna 1-3. Uppdelningen gjordes för att underlätta redovisning av den geografiska informationen.
Figur 19. Uppdelningen av studieområdet i tre sträckor.
3.5 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 TIN-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.
4. Resultat
Här redovisas samtliga resultat i form av kartor, tabeller och diagram.
Figur 33a-c visar batymetriska kartor över sträckorna 1-3 inom studieområdet.
Figur 34a-c visar kartor över studieområdet med DSM och Batymetri.
Figur 33a-c. Batymetrikartor för delsträcka 1-3.
Figur 34a-c. Rasterkartor över älvens batymetri och topografin på land för delsträcka 1-3.
Figur 35a-c visar resultatet av vektorisering av de strömhabitat som existerade innan dammutrivningen av Mariebergs vattendamm.
Figur 36a-c nedan visar resultatet av vektorisering av de olika strömhabitat som tillkommit efter dammutrivningen av Mariebergs kraftverksdamm.
Figur 35a-c. Rasterkartor över olika strömhabitat innan dammutrivning för delsträcka 1-3, 2018.
Figur 36a-c. Rasterkartor över olika strömhabitat efter dammutrivning för delsträcka 1-3, 2020.
Tabell 9 och figur 37 nedan visar arealerna för de olika strömhabitaten i tidigare figur 36.
Tabell 9. Areal av de olika strömhabitaten från karteringen 2020.
Figur 37. Diagram över fördelningen av de karterade strömhabitaten år 2020.
8,4
8,6
20,7
21,4 40,9
Karterade strömhabitat 2020
Fors Starkt strömmande Strömmande Svagt strömmande Lugnflytande
Strömhabitat Areal (ha)
Fors 0,54
Starkt
strömmande 0,56 Strömmande 1,34 Svagt
strömmande 1,39 Lugnflytande 2,65
Total yta 6,48
Figur 38a-c nedan illustrerar tre kartor över studieområdet med terrängskuggning samt Mörrumsån i ljusblått. Datakälla är Lantmäteriets nationella höjdmodell (2019).
Figur 39a-c nedan illustrerar tre kartor över studieområdet med en digital höjdmodell samt Mörrumsån i ljusblått. Datakälla är flygfoton från Andersson (2018).
Figur 38a-c. Kartor med NH-genererad terrängskuggning över de tre sträckorna studieområdet är indelat i.
Figur 39a-c. Kartor med fotogrammetriskt genererad terrängskuggning över de tre sträckorna studieområdet är indelat i.
Figur 40a-c illustrerar tre kartor över studieområdet med klassificerade strömhabitat genererade med algoritmen SVM.
Figur 41a-c visar tre kartor över studieområdet med klassificerade strömhabitat genererade med algoritmen Random Trees.
Figur 40a-c. Kartor över samtliga sträckor med obehandlade klassificeringar av strömhabitat 2020 med algoritmen Support Vector Machine
Figur 41a-c. Kartor över samtliga sträckor med obehandlade klassificeringar av strömhabitat 2020 med algoritmen Random Trees.
Figur 42a-c. Kartor över samtliga sträckor med obehandlade klassificeringar av strömhabitat 2018 med algoritmen Support Vector Machine.
Figur 43a-c. Rasterkartor över samtliga sträckor med obehandlade klassificeringar av strömhabitat 2018 med algoritmen Random Trees.
Figur 42a-c visar resultatet av klassificering av strömhabitat innan dammutrivning, år 2018, med algoritmen Support Vector Machine.
Figur 43a-c visar resultatet av klassificering av strömhabitat innan dammutrivning, år 2018,
med algoritmen Random Trees.
Figur 44a-c visar resultatet efter generalisering av klassificering med algoritmen SVM av strömhabitat för året 2020.
Figur 44a-c. Rasterkartor över generaliserade klassificeringar av strömhabitat 2020 med algoritmen Support Vector Machine.
Tabell 10 och figur 45 nedan beskriver arealerna och fördelningen av de olika strömhabitaten efter klassificeringen av älven 2020.
Tabell 10. Storleken på de klassificerade strömhabitaten i figur 44a-c ovan.
Figur 45. Diagram över fördelningen av de klassificerade strömhabitaten 2020.
0,3
21,0
15,5 17,6 22,9
Klassificerade ströbhabitat 2020
Fors Starkt strömmande Strömmande Svagt strömmande Lugnflytande
