Skattning av skogliga variabler genom satellitbilder från Sentinel 2: Estimation of forest variables using satellite images from Sentinel 2

(1)

Examensarbete

Skattning av skogliga variabler genom satellitbilder från

Sentinel 2

Estimation of forest variables using satellite images from Sentinel 2

Författare: Hanna Cavonius Johansson & Jens Henriksson Handledare: Erika Olofsson

Examinator: Johan Lindeberg

Handledare, företag: Andreas Oxenstierna &

Åsa Nilsson, T-kartor Datum: 2019-12-08 Kurskod: 2TS10E, 15 hp Ämne: Skogs- och träteknik Nivå: Kandidatexamen

Institutionen för Skog och träteknik

(2)

(3)

Sammanfattning

Att som markägare, förvaltare eller myndighet ha vetskap om skogens tillstånd och dess förändringar är av stor vikt. Att på ett kostnadseffektivt sätt kunna insamla data om dessa tillstånd samt förändringar är något som skogssektorn efterfrågar. Satellitbilder från Sentinel 2 kan möjliggöra detta genom hög temporal och spatial upplösning samt 13 spektrala band, för analys av vegetationens egenskaper. Syftet med studien var att undersöka hur reflektansdata från satellitbilder tagna från Sentinel 2 korrelerar med skogliga variabler. Studiens frågeställningar var hur korrelationen ser ut för olika spektrala band och vegetationsindex, rumsliga skalor, tidpunkter samt skogliga variabler.

Skogliga variabler uppmättes i fält i 12 homogena granbestånd i Skåne.

Korrelationer mellan de uppmätta variablerna och pixelvärden i satellitbilder beräknades med Pearsons korrelationskoefficient för 1) medelvärden på provytenivå respektive beståndsnivå, 2) bilder tagna vid tre olika tidpunkter samt 3) fyra spektrala band och sju vegetationsindex. För de fyra starkaste sambanden gjordes regressionsanalyser.

Resultatet visade att korrelationen i medeltal är starkare på beståndsnivå jämfört med på provytenivå. Korrelationerna varierade mellan de tre olika tidpunkterna. NDVI7 och NDVI korrelerade starkt med medelhöjd och NDVI8A hade en stark korrelation med medeldiameter. De skogliga variabler som påvisade de starkaste sambanden var grundyta, medelhöjd, medeldiameter och volym. Dessa fyra variabler hade alla

korrelationskoefficienter som vid minst en tidpunkt översteg -0,75.

På dessa 4 samband utfördes regressionsanalys som visade på stora skillnader beroende på vilket bilddatum som analyserades.

Genom att enbart använda sig av enskilda satellitbilders indexvärden från Sentinel 2 för att uppskatta skogliga variabler ges inte tillräckligt

tillförlitliga data. Dessa bilder och dess indexvärden behövs troligen

studeras under långa tidsperioder och med en större datamängd för att

tydligare samband skall kunna beskrivas.

(4)

Summary

Knowing about the state of the forest and its changes is important as a

landowner, manager or authority. Being able to collect data on the forest state and its changes in a cost-effective way is something that the forest sector is demanding. Sentinel 2 satellite images can make this possible through high temporal and spatial resolution as well as 13 spectral bands, for analysis of vegetation characteristics. The purpose of this study was to investigate how reflectance data from satellite images taken from Sentinel 2 correlate with forest variables. The study's questions were how the correlation looks for different spectral bands and vegetation indices, spatial scales, time points and forest variables.

Forest variables were measured in field in 12 homogeneous spruce stands in Skåne. Correlations between the measured variables and pixel values in satellite images were calculated using Pearson's correlation coefficient for 1) mean values at the sample plot level and stand level, 2) images taken at three different times, and 3) four spectral bands and seven vegetation indices. Regression analyzes were performed for the four strongest relationships.

The result showed that in average the correlation was stronger at the stand level compared to at the sample plot level. The correlations varied between the three different times. NDVI7 and NDVI correlated strongly with mean height and NDVI8A had a strong correlation with mean diameter. The forest variables that showed the strongest relationships were basal area, mean height, mean diameter and volume. These four variables all had correlation coefficients that exceeded - 0.75 at least one time. On these 4 relationships, regression analysis was

performed which showed major differences depending on the image date analyzed.

Using only individual satellite image index values from Sentinel 2 to estimate

forest variables does not provide sufficiently reliable data. These images and

their index values are probably needed to be studied over long periods of time

and with a larger amount of data to get stronger relationships.

(5)

Abstract

Stora arealer skog behöver övervakas. Att göra detta på ett kostnadseffektivt sätt är något som skogssektorn efterfrågar. Syftet med studien var att

undersöka möjligheten att skatta skogliga variabler med satellitbilder från Sentinel 2. Korrelationen mellan granskogens uppmätta reflektans i satellitbilder från Sentinel 2 och uppmätta variablerna i fält har beräknats och analyserats. Resultatet visar att styrkan i korrelation skiljer sig mellan olika rumsliga upplösningar, vilken tid på året satellitbilderna är tagna, vilka spektrala band och vegetationsindex som används samt vilka skogliga variabler som avses uppskattas. Att använda enskilda satellitbilders värden från Sentinel 2 ger inte tillräckligt tillförlitliga data för att uppskatta skogliga variabler.

Nyckelord: Sentinel 2, Fjärranalys, Optiska bilder, Reflektans, Spektrala band, Vegetationsindex, Skogliga variabler

Keyword: Sentinel-2, Remote sensing, Optimal images, Reflectance,

Spectral band, Vegetation index, Forest variables

(6)

Förord

Detta examensarbete har kommit till på initiativ från Andreas Oxenstierna

och T-kartor. Processen att definiera ett klart syfte har svängt under tiden. Vi

vill ta tillfället i akt att tacka Andreas och Åsa vid T-kartor för teknisk hjälp

och diskussion. Ett stort tack även till orienteringsklubben FK Boken i

Perstorp för logi. Ett mycket stort tack riktas till vår handledare Erika

Olofsson vid Linnéuniversitetet för all tid som lagts ner på att hjälpa oss ta

detta arbete i mål.

(7)

Innehållsförteckning

1. Introduktion ____________________ 1 1.1 Bakgrund 1 1.1.1 Fjärranalys 1 1.1.2 De olika plattformarna 1 1.1.3 Sentinel 2-programmet 2 1.1.4 Spektrala band _ 2 1.1.5 Vegetationsindex _________ 3 1.1.6 Fjärranalys av satellitbilder i skogsbruket _ 6 1.2 Syfte och mål _ 6 1.3 Avgränsningar 6 2. Material och metoder _______ 7

2.1 Metodik ___________________ 7 2.2 Fältarbete 7 2.2.1 Studieområde och bestånd _ 7 2.2.2 Utläggning av provytor 8 2.2.3 Fältmätningar _ 8 2.3 Sammanställning av insamlad fältdata 9 2.4 Satellitbilder 9 2.5 Analys 9 3. Resultat och analys _______________ 11

3.1 Beståndsdata ______ 11 3.2 Rumsliga skalor 12 3.3 Tid 12 3.4 Spektrala band och vegetationsindex 15 3.5 Skogliga variabler 16 4. Diskussion och slutsatser _ 18

4.1 Diskussion ________________________________________________ 18

4.1.1 Resultatdiskussion _________________________________________ 18

4.2 Slutsatser _________________________________________________ 22

5. Referenser ________________________________________________ 23

8. Bilagor ___________________________________________________ 25

(8)

(9)

1

1. Introduktion

1.1 Bakgrund

Enligt Riksskogstaxeringen (2018) uppgår Sveriges landareal till 40,7 miljoner hektar, varav 28,1 miljoner klassas som skogsmark. Av dessa är 23,5 miljoner hektar produktiv skogsmark, dvs. mark som årligen

producerar minst 1 skogskubikmeter (m

³

sk) per hektar och år. Dessa stora arealer skogsmark behöver på något sätt övervakas. Att som markägare, förvaltare eller myndighet ha vetskap om skogens vegetativa tillstånd samt förändringar är av stor vikt. Att kunna samla information om detta på ett kostnadseffektivt sätt är något som skogssektorn efterfrågar (Reese &

Olsson 2018).

1.1.1 Fjärranalys

Definitionen av begreppet fjärranalys enligt Nationalencyklopedin (2019):

“insamling av information om ett föremål eller fenomen utan fysisk kontakt med föremålet”.

Sedan slutet på 1800-talet har fjärranalys använts för att studera jordens marktäcke. Då genom att fotografera från luftballonger. Under första världskriget utvecklades sedan flygfotograferingstekniken snabbt. Efter krigets slut började flygfoton att användas i Kanada för skogskartering. I Sverige gjordes tester med flygfotografering först under 1930-talet och redan då med syftet att använda dessa foton i skogskartering (Reese &

Olsson 2018).

Under 1980-talet började den så kallade Lantmäteriverket (LMV)-metoden att användas för skogsuppskattning. Denna metod innebär att indelning i beståndsavdelningar, mätning av trädhöjd, samt uppskattning av

masslutenhet och trädslagsblandning görs manuellt fotogrammetrisk, d.v.s.

att mätning av form, storlek och läge av objekt utförs i fotograferade bilder, tillsammans med att fältbesök utförs. Utifrån dessa data skattas sedan även virkesförråd. Det är även den metoden man idag till största del använder, där indelningar av bestånd görs utifrån ortofoton samt att laserdata används för uppskattning av skogliga variabler (Reese & Olsson 2018).

1.1.2 De olika plattformarna

1.1.2.1 Satelliter

Genom att använda satelliter som källa vid skoglig fjärranalys ges möjlighet

till en hög temporal upplösning, d.v.s. att samma punkt registreras med ett

(10)

2

kort tidsintervall. När satelliten väl är uppe i omloppsbana kommer den att fortsätta att registrera data kontinuerligt tills dess att den tas ur bruk. Optiska satellitbilder med en spatial upplösning av 10–30 meter från Landsat samt Sentinel 2 programmet är idag gratis för allmänheten. För att få bra bilder krävs dock molnfria förhållanden (Reese & Olsson 2018).

1.1.2.2 Flygplan och drönare

När flygplan eller drönare används för att skapa flygbilder eller ortofoton ges möjlighet till en hög spatial upplösning. Ortofoton över Sverige finns tillgängliga med en upplösning om 0,25 meter (Lantmäteriet 2018a).

Flygplan används för att utföra laserskanningar samt skapa digitala

höjdmodeller över Sverige. Lasermätningarna mäter punkter i ett punktmoln med en täthet av 1 till 2 punkter per kvadratmeter (Lantmäteriet 2018a).

Dessa data visar på en hög korrekthet, till och med högre än vid fältmätningar, och används idag till stor del vid planering av skogliga åtgärder samt beräkning av skogliga data (Reese & Olsson 2018). Vid användning av drönare ges möjlighet att fokusera på mindre områden.

Beroende på flyghöjd och kamerautrustning finns möjlighet att ta bilder med mycket hög upplösning.

Nackdelen med flygbilder och laserskanning är den temporala upplösningen.

Regeringen har som förhoppning att landet ska laserskannas med 7 års intervall (Lantmäteriet 2018b). Flygfotograferingar genomförs med ett intervall på 2–6 år beroende på var i Sverige man befinner sig (Lantmäteriet 2018a).

1.1.3 Sentinel 2-programmet

Sedan uppskjutningen av den Europeiska rymdorganisationens, (ESA), två Sentinel 2 satelliter finns numera tillgång till vecko-färska satellitbilder, då de två satelliterna passerar samma punkt minst en gång var tredje dag i Sverige (Reese & Olsson 2018). Sentinel 2-satelliterna har utrustats med spektrala sensorer som mäter reflektansen i 13 olika spektrala

våglängdsband, med spatiala upplösningar på 10–60 meter (tabell 1).

1.1.4 Spektrala band

De spektrala banden mäter reflektansen, indelade i olika vågbandslängder, som visas i tabell 1. Vid fotosyntes tas energin i främst det blåa spektrala bandet (B2) samt det röda spektrala bandet (B4) upp av vegetationen, medan en större del av energin i det gröna spektrala bandet (B3) reflekteras tillbaka.

Fotosyntetiskt aktiv vegetation har en hög reflektans i det nära infraröda

(NIR) våglängdsområdet, d.v.s. våglängder som är något längre än 0,7 μm

och som det mänskliga ögat inte kan se (Reese & Olsson 2018).

(11)

3

Wittke et. al. (2018) beskriver de spektrala banden 12, 11, 8a, 7 samt 5 som de band som påvisar den högsta förutsägande prestandan gällande skoglig data. Reese & Olsson (2018) beskriver ett liknande samband där framförallt Shortwave infrared (SWIR)- banden, band 10, 11 och 12, påvisar en hög korrelation med framförallt hög volym. Detta på grund av att stora träd ger stora skuggor, vilket blir extra tydligt i dessa band. Korrelation mellan virkesförråd och pixelvärde är enligt Reese & Olsson (2018) svagast i det blå bandet (B2).

Tabell 1. Sentinel 2 satelliternas spektralband. (Reese & Olsson, 2018)

Band Central våglängd (µm) Pixelstorlek (m)

B1 - Aerosol 0,443 60

B2 - Blått 0,490 10

B3 - Grönt 0,560 10

B4 - Rött 0,665 10

B5 - Red edge 0,705 20

B6 - Red edge 0,740 20

B7 - Red edge 0,783 20

B8 - NIR 0,842 10

B8A - Red edge 0,865 20

B9 - Vattenånga 0,945 60

B10 - SWIR 1,375 60

B11 - SWIR 1,610 20

B12 - SWIR 2,190 20

1.1.5 Vegetationsindex

Vegetationsindex beräknas utifrån de olika spektrala banden (tabell 2). De är utformade för att maximera känsligheten för vegetationens egenskaper samtidigt som man minimerar störande faktorer som markens

bakgrundsreflektans, reflektansens riktning samt atmosfäriska effekter

(ScienceDirect 2019).

(12)

4

Tabell 2. Exempel på vegetationsindex och hur de beräknas.

VEGETATIONSINDEX FORMEL

NDVI (B8-B4)/(B8+B4)

NDVI8A (B8A-B4)/(B8A+B4)

NDVI7 (B7-B4)/(B7+B4)

NDVI5 (B5-B4)/(B5+B4)

EVI8 2,5*(B8-B4)/((B8+6*B4-7,5*B2)+1)

EVI5 2,5*(B5-B4)/((B5+6*B4-7,5*B2)+1)

NLI ((B5^2)-B4)/((B5^2)+B4)

1.1.5.1 NDVI

Normalized difference vegetation index (NDVI) är ett vegetationsindex som

i sin grundform beräknas från B4, det röda bandet samt de nära infraröda

bandet (NIR) B8 (tabell 2). Varianter av NDVI är NDVI8A, NDVI7 och

NDVI5. Syftet med indexet är att beräkna skillnader mellan de olika

bandens uppmätta reflektans. En hög reflektans i NIR samtidigt som en låg

reflektans i det synliga röda spektrumet indikerar tät, frisk vegetation, medan

en lägre reflektans i NIR samt högre i det synliga röda spektrumet indikerar

gles eller sjuk vegetation. NDVI antar ett värde mellan -1 och 1, där 0 är lika

med ingen vegetation (Earthobservatory 2019a) (figur 1).

(13)

5

Figur 1. Visualisering av hur NDVI beräknas. Frisk vegetation (vänster) absorberar det mesta av det synliga ljuset som träffar den, och reflekterar en stor del av det nära infraröda ljuset. Skadad eller tunn vegetation (höger) reflekterar mer synligt ljus och mindre nära infrarött ljus. Illustratör Robert Simmon (Earthobservatory 2019a).

1.1.5.2 EVI

Enhanced vegetation index (EVI) är ett vegetationsindex som beräknas på ett liknande sätt som NDVI, men vissa snedvridningar korrigeras i det reflekterade ljuset som orsakas av partiklarna i luften såväl som marktäcket under vegetationen. EVI -produkten blir inte lika mättad som NDVI när man tittar på regnskogar och andra delar av jorden med stora mängder klorofyll (Earthobservatory 2019b).

1.1.5.3 NLI

Non-Linear Index (NLI) utgår från att förhållandet mellan flera

vegetationsindex och biofysiska parametrar ofta är icke-linjärt. NLI

lineariserar biofysikaliska parametrar som tenderar att vara icke-linjära

(Goel & Qin 1994). NLI beräknas på ett liknande sätt som NDVI (tabell 2).

(14)

6

1.1.6 Fjärranalys av satellitbilder i skogsbruket

Tillgången på gratis satellitbilder har de senaste åren ökat, samtidigt har även den tekniska utvecklingen lett till bättre upplösning av samma

satellitbilder. Skogsstyrelsen började redan år 2000 använda satellitbilder för att uppskatta röjningsbehov samt att kartera nya kalhyggen (Reese & Olsson 2018). Dessa bilder fungerar redan idag som en del av skogsbrukets

kostnadseffektivisering, då främst genom att studera bilderna optiskt.

Genom att använda tillgänglig data från Sentinel 2-programmet ges möjligheten att inom skogsbruket få tillgång till satellitbilder med en hög temporal upplösning, samt en förbättrad spatial upplösning jämfört med tidigare satellitsystem. Den höga temporala upplösningen samt en förbättrad spatial upplösning jämfört med tidigare satellitsystem ger nya möjligheter till en högre precision i data som kan insamlas från dessa bilder. Eftersom Sentinel 2-satelliterna utrustats med fler spektrala band med en högre upplösning än tidigare satelliter som varit tillgängliga för allmänheten ges nu möjligheten att studera jordens vegetativa aktivitet ytterligare. Dessutom är dessa satellitbilder tillgängliga för nedladdning gratis för allmänheten.

Detta kan leda till en kostnadseffektivisering för skogsbruket då dessa data möjligen kan användas för att identifiera störningar inom bestånd samt även fungera som ett hjälpmedel i planeringsarbetet gällande uppskattning av skogliga variabler. För att säkerställa hur dessa data kan användas på ett tillförlitligt sätt behövs forskning rörande sambanden mellan bildernas reflektans och skogens egenskaper.

1.2 Syfte och mål

Syftet med studien var att undersöka hur reflektansdata från satellitbilder tagna från Sentinel 2 korrelerar med skogliga variabler.

• Hur korrelerar reflektansdata med olika skogliga variabler?

• Hur ser korrelationerna ut för olika spektrala band och vegetationsindex?

• Hur ser korrelationerna ut vid olika rumsliga skalor?

• Hur ser korrelationerna ut vid olika tidpunkter?

Målet var att undersöka möjligheten att använda denna data för att uppskatta olika skogliga variabler.

1.3 Avgränsningar

Studien avgränsadestill homogena granbestånd, d.v.s. trädslagsfördelningen

inom bestånden var 100 % gran enligt skogsbruksplan. Beståndsålder

varierade mellan 29 och 69 år. Vidare avgränsades analysen till att studera

sju vegetationsindex och fyra spektrala band, två rumsliga skalor och tre

olika tidpunkter.

(15)

7

2. Material och metoder

2.1 Metodik

Pearsons korrelationskoefficient beräknades mellan satellitbilders uppmätta reflektans och i fält uppmätta skogliga variabler. Analysen inkluderade jämförelser av:

• Vegetationsindexen NDVI, NDVI8A, NDVI7, NDVI5, EVI8, EVI5, NLI och banden 11, 8A, 7 samt 5.

• De rumsliga skalorna provytenivå och beståndnivå.

• Tidpunkterna augusti 2018, mars 2019 och april 2019.

2.2 Fältarbete

2.2.1 Studieområde och bestånd

Fältdata samlades in från tolv granbestånd i olika åldersklasser och areal 1,8–23 ha (tabell 3). Trädslagsfördelningen inom bestånden var enligt skogsbruksplan 100 % gran i alla bestånd. Bestånden var fördelade på två fastigheter belägna i Vittseröd, Eslövs kommun, samt Harholma, Perstorp kommun, i norra Skåne län (bilaga 1). Fastigheterna har tillhandahållits av Skogssällskapet.

Tabell 3. Beståndsinformation

Fastighet Avdelning Ålder (år) Areal (ha) Ståndortsindex

Harholma 1 53 3,1 G32

Harholma 25 69 10,2 G34

Vittseröd 2 53 2 G32

Vittseröd 7 40 15,8 G30

(16)

8

2.2.2 Utläggning av provytor

Inför fältinventeringen laddades digitala kartor över bestånden in i kartapplikationen Avenza maps (Avenza 2019) med hjälp av företaget T- kartor. Provytor placerades ut i varje bestånd med ett specifikt ID-nummer. I bestånd <2 ha lades 5 provytor ut och i bestånd ≥ 2 ha lades 10 provytor ut.

Provytorna hade en slumpmässig utplacering med kriterierna minst 15 meter från beståndsgräns samt minst 15 meter mellan varje provyta. Provytornas mittpunktskoordinater noterades med hjälp av satellitnavigationssystemet Galileo.

2.2.3 Fältmätningar

Fältmätningen utfördes i februari och mars 2019. Genom relaskopering har grundytan (m

²

/ha) i varje provyta uppskattats. Provytans area korrelerade till trädens medeldiameter, där en grövre diameter innebar en större

provytearea. Vid relaskopering har de trädstammar som fyllt ut relaskopets spalt även varit de träd som övrig data samlats in för:

brösthöjdsdiameter (mm)

kronutglesning (>20 % = ja, ≤ 20 % = nej) missfärgning barr (ja/nej)

torrtopp (ja/nej) rotskada (ja/nej) kambieskada (ja/nej) stamskada (ja/nej)

granbarkborreangrepp (ja/nej)

Av de relaskoperade träden valdes fem slumpmässigt ut för trädhöjdmätning (dm) samt mätning av krongränshöjd (dm). Urvalet gjordes genom att slumpmässigt märka de relaskoperade stammarna med olika färger. Därefter utfördes mätningar av trädhöjd samt krongränshöjd på de 5 första träden märkta med en viss färg.

Klave användes för mätning av brösthöjdsdiameter samt en Suunto

höjdmätare för mätning av trädhöjd samt krongräns. Utifrån SLU (2018) har som skador noterats kronutglesning, torrtopp, missfärgning av barr,

rotskada, kambieskada samt stamskada. Varje provytas ID kopplades till ett

specifikt kalkylark i kalkylprogrammet Excel 16.23. I detta kalkylark

antecknades samtliga data och observationer från respektive provyta. Till

detta användes en surfplatta, vilket innebar att samtlig insamlad data kunde

registreras digitalt.

(17)

9

2.3 Sammanställning av insamlad fältdata

Data från fältmätningarna sammanställdes först för varje provyta. För uppskattning av volym (m

³

sk/ha) har virkesförrådstabeller över södra Sverige (Skogsuppskattning 2016) använts utifrån grundytan samt

medelvärdet av de två högsta träden inom provytan. För resterande skogliga variabler har medelvärden beräknats. Dessa medelvärden har sedan använts för beräkning av medelvärden på beståndsnivå. För varje bestånd har även standardavvikelser beräknats för att tydliggöra beståndsvariationer. Alla beräkningar genomfördes i Excel.

2.4 Satellitbilder

Satellitbilder laddades ner från Copernicus Open Access Hub (2019). De satellitbilder som analyserats är tagna 2018-08-08, 2019-03-01 och 2019-04- 22. Dessa datum valdes för att de representerar slutet av en

vegetationsperiod, början på en vegetationsperiod samt ett datum (2019-03- 01) med molnfria bilder närmast tiden då fältmätningar utfördes. Varje bilddatum består av 13 olika bilder, d.v.s. en bild för varje spektralt band.

Svepbredden för Sentinel 2-satelliterna är 290 km (Sentinel 2019), vilket ger bilder över stora områden. I denna studie täckte en bild båda områdena där fältmätningarna utfördes (bilaga 1).

2.5 Analys

Fältdata importerades till GIS-programmet QGIS (2019) som geopackage filer. En fil för bestånden innehållande polygoner samt en fil för provytorna innehållande punkter. Koordinatsystem angavs som SWEREF 99 TM. Runt varje provyta skapades buffertzoner med 10 meters radie för att skapa ytor som så nära som möjligt överensstämde storleksmässigt med provytorna i fält.

Vegetationsindex skapades i QGIS (2019) med verktyget rasterkalkylator utifrån formlerna i tabell 2. För att beräkna medelvärden för

vegetationsindexen och de spektrala banden för polygonerna användes verktyget zonstatistik.

Skapade attributtabeller exporterades till Excel för beräkning av

korrelationer, Pearsons korrelationskoefficient. Korrelationener beräknades mellan olika skogliga variabler på beståndsnivå och provytenivå, för de tre olika tidpunkterna och för analyserade vegetationsindex och spektrala band.

För de olika tidpunkterna analyserades korrelationerna genom att identifiera

den maximala differensen i uppmätt korrelationskoefficient. Dessa

(18)

10

maximala differenser har summerats och visualiserats i diagram. För de fyra starkast uppmätta korrelationskoefficienterna har regressionsanalyser utförts.

Totalt har 102 provytor fördelade på 12 bestånd analyserats.

(19)

11

3. Resultat och analys

3.1 Beståndsdata

Tabell 4 visar att det inom bestånden finns skillnader rörande de uppmätta variablerna. Avvikelserna skiljer sig mellan de olika bestånden där

avdelning 33 visar på högst standardavvikelse för medelhöjd samt medeldiameter. Avdelning 1 är det bestånd som påvisar de största standardavvikelserna för grundyta och volym. Inom bestånden generellt, råder även en nämnvärd avvikelse rörande framförallt grundyta och volym vilket tabell 4 visar. Medelhöjden var för bestånden relativt jämn, där endast tre av bestånden hade en standardavvikelse större än 15 dm.

Tabell 4. Uppmätta samt beräknade medelvärden per avdelning, samt dess standardavvikelse.

Förkortningar som används i tabellen är Avd = Avdelning, H = Harholma, V = Vittseröd, m²/ha = kvadratmeter per hektar, dm = decimeter, st = antal påverkade träd per bestånd, m³sk/ha = skogskubikmeter per hektar.

Avd.

Grund-

yta Medelhöjd Kron- gräns

Medel- diameter

Kronut-- glesning

För- ändrad barrfärg

Rot- skada

Kambie- skada

Stam- skada

Bark-

borre Volym

(m2/ha) (dm) (dm) (dm) (st) (st) (st) (st) (st) (st) (m3sk/ha)

H 1 19 10,3 151 12,6 102 37,5 158 55,1 24 0,7 0 0,3 2 0,5 18 4,1 3 2,8 0 0,8 135 119,6

V 2 31 4 290 6,5 117 23,8 337 13,6 14 2,7 7 1,9 1 2,9 22 5,1 4 1,7 2 1,1 373 51

V 7 23 6,2 181 11,5 73 26,3 224 31,9 40 1,8 18 0,9 1 0,4 28 1,3 7 2,1 2 0,7 189 54,8

H 10 23 4,3 234 11,3 116 12,5 264 20 18 1,7 6 0 1 0,4 17 3,3 4 0,8 3 0,4 234 50,4

H 13 25 2,6 253 13,6 111 15,6 314 20,4 34 2,1 11 0,7 8 0,3 33 1,6 7 1,2 3 1,3 260 29,3

V 13 24 6,1 235 9 89 19,2 276 16,8 8 0,5 27 1 1 0,5 32 2,2 7 1 1 0,3 229 70,6

V 23 20 4,9 259 11,4 89 16,8 313 13 30 3,2 4 3,3 0 1 34 2,8 3 1,1 2 0 239 52,9

H 25 23 4,5 234 16,9 157 32 264 38,2 18 2,2 6 1,1 1 0,7 17 2,7 4 1,3 3 1 229 57,9

V 26 18 3,3 269 10,6 105 19 384 25 3 1,1 8 1,3 2 0,7 22 4,7 20 1 5 0,7 207 29,6

H 27 21 5,5 258 18 125 19,6 296 35 5 3,7 0 3,5 1 0,3 32 4 4 1,1 1 4 219 59,7

H 33 23 5,6 249 25,1 108 9,6 278 62,7 35 4,1 11 0,8 0 0 32 3,6 5 0,5 8 0,5 215 61,4

V 36 21 2,7 206 11,1 77 8,9 248 14,5 70 1,3 36 0 4 0,7 21 2,6 3 1 0 0 186 19,5

Medel 22,6 5,0 234,9 13,1 105,8 20,1 279,7 28,9 24,9 2,1 11,2 1,2 1,8 0,7 25,7 3,2 5,9 1,3 2,5 0,9 226,3 54,7

(20)

12

3.2 Rumsliga skalor

Mellan de olika rumsliga skalorna beståndsnivå och provytenivå fanns en skillnad i korrelationerna mellan de skogliga variablerna och

vegetationsindexen/banden. På beståndsnivå var korrelationerna generellt sett starkare (figur 2), endast för ett av de 22 sambanden var korrelationen starkare på provytenivå. Detta var för sambandet mellan B11 och

medeldiameter. Alla korrelationer presenteras i bilagorna 2-5.

Figur 2. Visar de starkaste positiva samt negativa korrelationerna som fanns för vegetationsindexen, de enskilda banden på beståndsnivå respektive provytenivå.

3.3 Tid

Mellan de tre olika tidpunkterna fanns en skillnad i korrelationerna mellan de skogliga variablerna och vegetationsindexen/banden. Figur 3 och 4 samt tabell 5 och 6 visar att det i vegetationsindexen råder en större differens mellan de olika datumen på både beståndsnivå samt provytenivå än när endast de enskilda spektrala banden används.

-1,00 -0,50 0,00 0,50 1,00

NDVI NDVI8A NDVI7 NDVI5 EVI8 EVI5 NLI B11 B8a B7 B5

Korrelationskoefficient

Vegetationsindex / Spektralt band

Bestånd Max Provyta Max Bestånd min Provyta Min

(21)

13

Figur 3. Visar de starkaste positiva samt negativa korrelationerna på beståndsnivå mellan de tre olika bilddatumen för de olika vegetationsindexen samt de enskilda spektrala banden.

Tabell 5. Visar de starkaste positiva samt negativa korrelationerna på beståndsnivå mellan de tre olika bilddatumen för de olika vegetationsindexen samt de enskilda spektrala banden.

2018-08-08 2019-03-01 2019-04-22

Max Min Max Min Max Min

NDVI 0,55 -0,79 0,59 -0,77 0,53 -0,50

NDVI8A 0,24 -0,67 0,61 -0,76 0,52 -0,50

NDVI7 0,54 -0,82 0,58 -0,75 0,52 -0,50

NDVI5 0,17 -0,72 0,58 -0,59 0,45 -0,60

EVI8 0,42 -0,50 0,27 -0,30 0,54 -0,44

EVI5 0,12 -0,47 0,22 -0,47 0,66 -0,45

NLI 0,12 -0,64 0,31 -0,63 0,40 -0,75

B11 0,37 -0,62 0,35 -0,44 0,34 -0,59

B8A 0,18 -0,72 0,57 -0,58 0,38 -0,65

B7 0,20 -0,72 0,61 -0,62 0,44 -0,71

B5 0,18 -0,73 0,23 -0,49 0,26 -0,66

-1 -0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1

NDVI NDVI8A NDVI7 NDVI5 EVI8 EVI5 NLI B11 B8A B7 B5

2018-08-08 Max 2018-08-08 Min 2019-03-01 Max

2019-03-01 Min 2019-04-22 Max 2019-04-22 Min

(22)

14

Figur 4. Visar de starkaste positiva samt negativa korrelationerna på provytenivå mellan de tre olika bilddatumen för de olika vegetationsindexen samt de enskilda spektrala banden.

Tabell 6. Visar de starkaste positiva samt negativa korrelationerna på provytenivå mellan de tre olika bilddatumen för de olika vegetationsindexen samt de enskilda spektrala banden.

.

Korrelationerna skiljer sig mellan de olika tidpunkterna och skillnaderna är generellt sett större för vegetationsindexen än för de enskilda banden både på beståndsnivå och på provytenivå (figur 5 och 6). På beståndsnivå var den största skillnaden för NDVIB8, NDVI samt NDVIB7 och den minsta

skillnaden för B11 och B5 (figur 5).

-1 -0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1

NDVI NDVI8A NDVI7 NDVI5 EVI8 EVI5 NLI B11 B8A B7 B5

2018-08-08 Max 2018-08-08 Min 2019-03-01 Max

2019-03-01 Min 2019-04-22 Max 2019-04-22 Min

2018-08-08 2019-03-01 2019-04-22

Max Min Max Min Max Min

NDVI 0,08 -0,41 0,10 -0,20 0,30 -0,48

NDVI8A 0,07 -0,43 0,26 -0,51 0,27 -0,47

NDVI7 0,06 -0,45 0,24 -0,59 0,28 -0,47

NDVI5 0,07 -0,39 0,17 -0,22 0,20 -0,54

EVI8 0,21 -0,25 0,30 -0,12 0,20 -0,46

EVI5 0,13 -0,24 -0,07 -0,28 0,15 -0,32

NLI 0,05 -0,33 -0,07 -0,34 0,18 -0,47 B11 0,35 -0,26 0,29 -0,05 0,38 -0,25 B8A 0,12 -0,37 0,24 -0,28 0,14 -0,31

B7 0,13 -0,39 0,23 -0,34 0,19 -0,36

B5 0,13 -0,20 0,13 -0,07 0,16 -0,24

(23)

15

Figur 5. De största differenser som uppmätts gällande korrelationskoefficienten på beståndsnivå för de olika tidpunkterna.

På provytenivå fanns den minsta skillnaden för B11 och B5. Den största skillnaden fanns för NDVI, NDVIB8A samt NDVIB7 (figur 6).

Figur 6. De största differenser som uppmätts gällande korrelationskoefficienten på provytenivå för de olika tidpunkterna.

3.4 Spektrala band och vegetationsindex

De tre starkaste korrelationerna för vegetationsindex var negativa

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00

Differens

Index / Band

Volym Barkborre Stamskada Kambieskada Rotskada

Förändradbarrfärg Kronutglesning Krongräns Medeldiameter Medelhöjd Grundyta

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00

Differens

Index / Band

Volym Barkborre Stamskada Kambieskada Rotskada

Barrfärgsförändring Kronutglesning Medeldiameter Krongräns Medelhöjd Grundyta

(24)

16

korrelationskoefficienter för sambanden mellan NDVI7 och medelhöjd (-0,82), NDVI och medelhöjd (-0,79) samt NDVI8A och medeldiameter (-0,76) (figur 7).

De starkaste korrelationerna för de enskilda banden var negativa

korrelationer för sambanden B5 och grundyta (-0,73), B7 och grundyta (- 0,72) samt för B8A och grundyta (-0,72) (figur 7).

Figur 7. Visar de starkaste korrelationskoefficienterna, negativa samt positiva, för respektive band samt vegetationsindex.

3.5 Skogliga variabler

De skogliga variabler som överlag visade de starkaste korrelationerna med bildernas reflektanser var grundyta, medelhöjd, medeldiameter och volym (figur 8). Dessa fyra variabler har alla korrelationskoefficienter som vid minst en tidpunkt överstiger -0,75. De starkaste positiva korrelationerna uppkom för variablerna kronutglesning (0,61) och förändrad barrfärg (0,55), där ett högt reflektansvärde korrelerar med ett högt antal skadade träd i form av kronutglesning eller att träden har en förändrad barrfärg. De variabler som överlag tenderar att få låga korrelationer är främst rotskada,

kambieskada samt stamskada.

0,590,61

0,580,45

0,540,66

0,40

0,380,57

0,610,26

-0,79-0,76-0,82-0,72-0,50-0,47-0,75-0,62-0,72-0,72-0,73

-1,00 -0,80 -0,60 -0,40 -0,20 0,00 0,20 0,40 0,60 0,80 1,00

NDVI; Kronutglesning

NDVI8A; Kronutglesning

NDVI7; Förändrad barrfärg

NDVI5; KronutglesningEVI8; Förändrad barrfärgEVI5; Förändrad barrfärg

NLI; Kronutglesning

B11; Medeldiamter (P)

B8a; Kronutglesning

B7; Kronutglesning

B5; Kambieskada

NDVI; Medelhöjd

NDVI8A; Medeldiamter

NDVI7; Medelhöjd

NDVI5; MedelhöjdEVI8; StamskadaEVI5; Medelhöjd

NLI; Volym

B11; Grundyta

B8a; Grundyta

B7; Grundyta

B5; Grundyta

Index/band ; Skoglig variabel

(25)

17

Figur 8. För respektive skoglig variabel, de starkaste korrelationskoefficienterna (negativa och positiva) på beståndsnivå respektive provytenivå.

För de fyra starkaste korrelationerna medelhöjd/NDVIB7, medeldiameter/NDVI7, volym/NLIB5 och grundyta/B5 samt för motsvarande samband, men för de tidpunkter med de svagaste korrelationerna genomfördes regressionsanalyser, där R

²

-värdena

presenteras i figur 9. Högst R

²

-värde uppkom för medelhöjd NDVIb7 (0,67) och lägst för medelhöjd/NDVIb7 (0,14). De ovan nämnda skogliga

variablernas starka linjära samband visas i figur 7 samt bilaga 6, där även den svagast uppmätta korrelationskoefficient för samma samband visas.

Figurer för regressionsanalyserna presenteras i bilaga 6.

Figur 9. Visar korrelationskoefficient (blå) samt R²(orange) för de fyra skogliga variabler med den starkaste uppmätta korrelationen. Figuren visar även korrelationskoefficient samt R²gällande samma linjära samband då den svagaste korrelationen uppmätts.

-1 -0,75 -0,5 -0,25 0 0,25 0,5 0,75 1

Grundyta Medel höjd Medeldiameter Krongräns Kronutglesning Förändrad barrfärg Rotskada Kambieskada Stamskada Bark borre Volym

Skoglig variabel

Bestånd Max Provyta Max Bestånd Min Provyta Min

0,67 0,63

0,56 0,53

0,14 0,25 0,24 0,24

-0,82 -0,79 -0,75 -0,73

-0,37

-0,5 -0,49 -0,49

-1 -0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8

Medelhöjd / NDVI7 Medeldiamter / NDVI7 Volym / NLI5 Grundyta / B5 R^2 max R^2 min R max R min

(26)

18

4. Diskussion och slutsatser

4.1 Diskussion

4.1.1 Resultatdiskussion

4.1.1.1 Rumsliga skalor

Resultatet visade att skogliga variabler på beståndsnivå har en högre korrelation med satellitbildernas reflektansnivåer jämfört med skogliga variabler på provytenivå (figur 2), vilket innebär att skattningar som görs av skogliga variabler utifrån satellitbilder är beroende av vilken rumslig skala analysen ligger på.

Reflektansvärdena är i den här studien medelvärden av de pixelvärden som täcker det tänkta området, provytan eller beståndet. Storleken på pixel är antingen 10 meter eller 20 meter beroende vilket band som används vid beräkning (tabell 1). Om en pixel har en avvikande reflektans p.g.a. till exempel ett annat trädslag eller en lucka i vegetationen, påverkar denna troligen medelvärdet i större utsträckning på provytenivå (ca. 0,03 ha) än för hela bestånd (i den här studien från 1,8 ha till 15,8 ha, se tabell 3). Om ytorna är små finns också risken att en pixel täcker mer än provytans

område, vilket leder till att pixelvärdet representerar mer än provytans värde.

Risken för felaktiga medelvärden är större för mindre ytor jämfört med större ytor. Detta på grund av att fler antal pixlar krävs vid större ytor vilket resulterar i att medelvärdet blir mer representativt.

4.1.1.2 Tidpunkter

Resultatet visade att satellitbilder tagna vid olika tidpunkter resulterar i olika

korrelationer mellan skogliga variabler och reflektansnivåer för de olika

vegetationsindexen och spektrala banden (figur 3 och 4). Satellitbilderna

från mars månad är de bilder som är tagna närmst tillfället då fältinventering

utfördes. Vid jämförelse mellan de olika tidpunkterna påvisar resultatet att

bilderna från mars har den starkaste positiva korrelation på beståndsnivå för

vegetationsindex NDVI, NDVI8A, NDVI7, NDVI5 samt de spektrala

banden B8A och B7 (figur 3). Den starkaste negativa korrelation för mars

jämfört med de andra tidpunkterna är endast för vegetationindex NDVI8A

(27)

19

(figur 3). Resultatet visar att den tidpunkt som låg närmast i tidpunkt för fältinventeringen inte tydligt visar på att ge ett bättre resultat.

Reese & Olsson (2018) beskriver hur fotosyntetisk aktiv vegetation ger en hög reflektans i det nära infraröda våglängdsområdet. Satellitbilderna är tagna vid olika tillfällen, då fotosyntesen är mer eller mindre aktiv, vilket kan vara en faktor som förklarar varför korrelationerna skiljer sig. För studien användes satellitbilder från augusti, mars och april. Nordborg &

Bergh (2005) anger att för gran är det högre fotosyntesaktivitet i augusti jämfört med mars och april. Av dessa tidpunkter fanns i medeltal de högsta korrelationerna i augusti. När differenserna för alla undersökta band och index undersöks är det tydligt att ju starkare korrelation som påträffas (figur 3 och 4) desto större blir även differenserna mellan de olika datumen (figur 5 och 6). Dessa samband syns främst för vegetationsindex NDVI, NDVI8A samt NDVI7 och för variablerna volym, krongräns, medelhöjd och grundyta på beståndsnivå.

Resultatet visar en högre korrelation, vid tidpunkten där det bör finnas en ökad fotosyntesaktivitet, för främst de skogliga variablerna grundyta, medeldiameter, krongräns och volym (bilaga 2).

Reese & Olsson (2018) anger även att vid analys av satellitbilder så kan dis leda till att bilderna blir ljusare, samtidigt som mängden digitala data från skogen komprimeras till ett mindre intervall av data-värden. Främst väljs molnfria bilder ut, men dis jämfört med moln kan vara svårare att identifiera av att manuellt titta på bilderna. Detta innebär att trots att de bästa bilderna försöks väljas ut, kan variation mellan bildernas kvalitet uppstå och därmed påverka resultatet.

4.1.1.3 Spektrala band och vegetationsindex

Studien visade att vegetationsindex generellt gav starkare korrelationer jämfört med de enskilda banden. Resultatet visade även att korrelationerna mellan bildernas reflektansvärden och de skogliga variablerna varierade med de spektrala banden och vegetationsindexen (figur 7). Olika spektrala band och vegetationsindex lämpar sig alltså mer eller mindre väl beroende på vilken skoglig variabel som ska skattas. Både Wittke et. al. (2018) samt Reese & Olsson (2018) beskriver sambanden mellan olika spektrala band och de skogliga variablerna.

Analysen visade att NDVI och NDVI7 har den starkaste korrelationen med den skogliga variabeln medelhöjd. NDVI8A visade sig istället ha en hög korrelation med variabeln medeldiameter (figur 7). Vegetationsindexen bygger på olika kombinationer av band, i detta fall B8 och B4 (NDVI), B8A och B4 (NDVIB8A) samt B7 och B4 (NDVIB7) (tabell 2). B4, B7 samt B8A är samtliga red edge band och B8 är nära infrarött band (tabell 1). Detta innebär att ett samband kan ses vid bandens färg, då samtliga band

reflekterar olika typ av röd färg. Analysen påvisar därmed att för variablerna

medelhöjd och medeldiameter används lämpligast vegetationsindex byggda

(28)

20

på de band av red edge eller nära infrarött.

B4 och B8 har en pixelstorlek på 10 m och B7 samt B8A har en pixelstorlek på 20 m (tabell 1). Detta ger indikationer på att NDVI, NDVI8A och NDVI7 borde vara det vegetationsindex med bäst precision, då båda banden i

beräkningen för indexen har bland de bästa upplösningarna som Sentinel 2- satelliterna erbjuder.

De spektrala band som undersökts enskilt visar på lägre korrelationer i genomsnitt jämfört med vegetationsindexen, men mindre variation mellan banden. Vegetationsindexen som är beräknade med B8, B8A samt B7, samt när dessa spektrala band används enskilt ter sig känsligare för störningar i bilderna än de andra uppmätta.

4.1.1.4 Skogliga variabler

Studiens resultat visar att de skogliga variablerna grundyta, medelhöjd, medeldiameter samt volym generellt gav starka korrelationer. De svaga korrelationerna framgick främst för rotskada, kambieskada, stamskada samt barkborreangripna träd. När standardavvikelser undersöks (tabell 4) visar resultatet att de variabler med starka korrelationer generellt har en större standardavvikelse samt att de variabler med svaga korrelationer generellt har en mindre standardavvikelse.

Resultatet påvisar att det går att finna relativt starka korrelationer, >0,75 för framförallt olika versioner av NDVI, och dess samband med medelhöjd och medeldiameter på beståndsnivå. Studiens starkaste korrelation (-0,82) uppmäts för variabeln medelhöjd i kombination med vegetationindex NDVI7 (figur 8). Den starkaste korrelationen (-0,75) gällande den skogliga variabeln volym återfanns för sambandet med vegetationsindexet NLIB5 (figur 8). Chrysafis et. al. (2017) kom fram till ett liknande resultat när samma samband analyseras, då med en korrelation på -0,71. Wittke (2018) påvisade liknande styrka i korrelation, samt R

²

, dock med en positiv

korrelation. Detta gäller för flera samband där denna studie visade på negativa linjära samband samtidigt som Wittke (2018) påvisade positiva samband.

Vid resultatanalysen gällande korrelationskoefficienterna uppkom skillnader mellan det faktiska resultatet och vad som förväntats. Exempelvis borde en hög volym korrelera till ett högt reflektansvärde. Motsvarande gäller för variablerna kronutglesning och förändrad barrfärg där ett högt

reflektansvärde borde vara en indikator på frisk oskadad vegetation, vilket även nämns i Earthobservatory (2019a). Resultaten visade här det motsatta, där en hög andel “sjuka” träd korrelerade till höga reflektansvärden. De ger starka indikationer på att det finns andra egenskaper i beståndet som

påverkar korrelationen.

(29)

21

4.1.2 Metoddiskussion

Studien genomfördes i homogena granbestånd. Möjligheten kan homogena bestånd resultera i korrelationer skilda från heterogena bestånd. Syftet med att använda homogena granbestånd i studien var att få jämna resultat att arbeta med, vilken det inte blev i detta fall. Om mer heterogena bestånd analyseras är det inte uteslutet att variationer och skillnader i korrelationer mellan tidpunkter, index, band och variabler är ännu större.

Antalet provytor per bestånd bestämdes i förväg utifrån beståndens areal. I bestånd <2 ha placerades 5 provytor ut och i bestånd ≥2 placerades 10 provytor ut. Att istället placera ut ett visst antal provytor per hektar kan ha gett mer representativa mätresultat då hela beståndens yta då hade täckts upp. Under fältmätningen uppfattades avstånden mellan provytorna och den spatiala fördelningen av dem inom bestånden i vissa fall ha varit ojämn.

Detta riskerar att delar av vissa bestånd exkluderats. Något som även noterades under fältmätningarna var att flera av provytorna låg på eller i anslutning till stickvägar. Om flera provytor inom ett bestånd placeras intill eller på stickvägar kan resultatet påverkas negativt då de inte blir

representativa för hela beståndet.

Mängden observationer påverkar också variationerna. I denna studien användes 102 provytor fördelat på 12 olika bestånd. Fler observationer ger en större mängd data vilket leder till mindre variationer och ett bättre resultat.

Vid fältmätningen uppskattats några variabler såsom kronutglesning, barrfärg samt skador av olika slag okulärt. Faktorer såsom mätarens erfarenhet, solens upplysning av kronan samt väderlek kan ha påverkat noggrannheten i mätresultatet. Gällande främst variablerna höjd, grundyta samt diametermätningarna kan mätutrustningen noggrannhet ha påverkat resultatet. Volymuppskattningarna är gjorde utifrån virkesförrådstabeller, varpå grundyta samt trädhöjd används som underlag. Detta innebär att eventuella felmätningar för grundyta och trädhöjd ger en relativt stor påverkan på volymuppskattningen.

GNSS-positionerna spatiala noggrannhet i relation till pixlarnas placering i GIS-programmet kan variera. Provytornas form, var samtligt data är

insamlad, är cirkulär jämfört med pixlarna som är kvadratiska. Detta innebär att varje provyta täcks med flertalet pixlar, vilket kan leda till att värden utanför provytans yta inkluderas. Även det faktum att det generellt kan finnas variationerna i GNSS-positionernas noggrannhet bör beaktas.

Satellitbilderna som har använts i studien har främst valts ut från molnfria

dagar. Till synes är dessa av bra kvalitet.

(30)

22

4.2 Slutsatser

Studien visar att korrelationen är starkast för de skogliga variablerna grundyta, medelhöjd, medeldiameter och volym, vilket indikerar att dessa variabler lämpar sig bättre vid uppskattningar med hjälp av satellitbilder.

Vegetationsindexen NVDI, NDVI7 och NDVI8A samt banden B5, B7 och B8 visar i jämförelse med övriga index och band en starkare korrelation.

Studien indikerar även att korrelationerna tenderar att bli starkare ju större den rumsliga skalan är. Enligt studien kan man tyda att satellitbilder tagna en tidpunkt nära den tidpunkt fältmätningen utfördes nödvändigtvis inte ger ett bättre resultat.

Tiden då satellitbilderna är tagna, rumsliga skalor samt spektrala band och vegetationsindex är alla faktorer som påverkar hur reflektansdata korrelerar med de skogliga variablerna. Kombinationen av dessa faktorer spelar troligen en stor roll för slutresultatet.

Att enbart använda sig av enskilda satellitbilders reflektansvärden från Sentinel 2 för att uppskatta skogliga variabler ger inte tillräckligt tillförlitliga skattningar.

Satellitbilderna och dess reflektansvärden behöver troligen analyseras för längre tidsperioder och med en större datamängd för att tydligare samband skall kunna uppnås.

Frågan bör ställas kring varför höga korrelationer går att finna vid vissa tidpunkter. Vad är det som gör att de skiljer sig åt mellan de olika datumen och ger en ganska så hög differens? Vad var det för skillnader dessa datum?

Vilket i resultatet är det intressanta, att det finns en jämnhet i korrelation för vissa band och vegetationsindex eller är de enstaka höga korrelationerna av större betydelse? Vidare ställs frågan kring om mätningar i fält istället skulle gjorts i en given pixel från Satellitbilderna. Med detta menas att först

lokalisera pixelns koordinater och inom dessa koordinater sedan utföra

liknande mätningar som utförts i denna studie. Och sedan jämföra olika

ensklida pixlar med varandra.

(31)

23

5. Referenser

Avenza. (2019). Avenza maps. Avenzas webbplats. Tillgänglig 2019-04-02 på:

https://www.avenza.com/avenza-maps/

Chrysfasis, I., Mallinis, G., Siachalou, S. & Potias, P. (2017). Assesing the relationships between standing stock volume and Sentinel-2 imagery in a Mediterranean forest ecosystem, Remote sensing letters, 8:6, 508-517

Copernicus Open Access Hub. (2019). Tillgänglig 2019-06-12 på:

https://scihub.copernicus.eu/

Earthobservatory. (2019a). Tillgänglig 2019-04-22 på:

https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vegetat ion_2.php

Earthobservatory. (2019b). Tillgänglig 2019-05-10 på:

https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vegetat ion_4.php

Goel, N.S. & Qin, W. (1994). Influence of canopy architecture on various vegetation indices and LAI and FPAR: a computer simulation. Remote Sensing Reviews, 10: 309-347

Lantmäteriet. (2018a). Produktbeskrivning: Ortofoto/Ortofoto 25.

Dokumentversion 3.3. Tillgänglig 2019-05-11 på:

https://www.lantmateriet.se/globalassets/kartor-och-geografisk-information/flyg-- och-satellitbilder/ortofoto.pdf

Lantmäteriet. (2018b). Pressmeddelande 28 maj 2018, Lantmäteriet får i uppdrag att laserskanna Sveriges skogar. Tillgänglig 2019-05-11 på:

https://www.lantmateriet.se/sv/nyheter-och-

press/Pressmeddelande/2018/lantmateriet-far-uppdrag-att-laserskanna-sveriges- skogar/

Nationalencyklopedin. (2019). Tillgänglig 2019-04-22 på:

https://www.ne.se/sök/?t=uppslagsverk&q=

Nordborg, F. & Bergh, J. (2005). Granens naturliga produktionsförmåga – uthållig produktionsförmåga. Webbok. Tillgänglig 2019-05-24 på:

http://www-

gran.slu.se/Webbok/PDFdokument/Uth%C3%A5llig%20produktion.pdf

QGIS. (2019). QGIS version 3.4 Madeira. Tillgänglig på Qgis webplats 2019-03- 06. https://www.qgis.org/en/site/forusers/download.html

Reese, H. & Olsson, H. (2018). Skoglig fjärranalys. SLU & Ljungbergsfonden, Umeå

Riksskogstaxeringen. (2018). Tillgänglig 2019-05-08 på:

https://www.slu.se/centrumbildningar-och-projekt/riksskogstaxeringen/

(32)

24

ScienceDirect. (2019). Tillgänglig 2019-05-11 på:

https://www.sciencedirect.com/topics/earth-and-planetary-sciences/vegetation- index

Sentinel. (2019). Tillgänglig 2019-05-11 på:

https://sentinel.esa.int/web/sentinel/missions/sentinel-2/instrument- payload/resolution-and-swath

Skogsuppskattning. (2016). Kurskompendium - Grundkurs i skogsbruk.

Linneuniversitet, Växjö

SLU. (2018). Fältinstruktion- Riksinventering av skog. Institutionen för skoglig resurshushållning och Institutionen för mark och miljö. Tillgänglig 2019-01-30:

https://www.slu.se/globalassets/ew/org/centrb/rt/dokument/faltinst/ris_fin_2018.pdf

Wittke, S., Yu, X., Karjalainen, M., Hyyppä, J. & Puttonen, E. (2018). Comparison of two-dimensional multitemporal Sentinel-2 data with three- dimensional remote sensing data sources for forest inventory parameter estimation over boreal forest.

International journal of applied Earth observation and geoinformation, 76: 167-178

(33)

25

8. Bilagor

Bilaga 1: Sentinel 2 bildens storlek samt beståndens lokalisering i Sverige Bilaga 2: Korrelationskoefficient på beståndsnivå för

vegetationsindex/skoglig variabel för tre olika datum

Bilaga 3: Korrelationskoefficient på beståndsnivå för spektrala band/skoglig variabel för tre olika datum

Bilaga 4: Korrelationskoefficient på provytenivå för vegetationsindex/skoglig variabel för tre olika datum

Bilaga 5: Korrelationskoefficient på provytenivå för spektrala band /skoglig variabel för tre olika datum

Bilaga 6: Regressionsanalys

(34)

26

Bilaga 1: Sentinel 2 bildens storlek (Rött fält) samt beståndens lokalisering i Sverige

(35)

27

Bilaga 2: Korrelationskoefficient på beståndsnivå för vegetationsindex/skoglig variabel för tre olika datum

Index Grund-

yta

Medel- höjd

Medel- diameter

Kron- gräns

Kron- utglesnin

g

Förändrad barrfärg

Rot- skada

Kambie- skada

Stam- skada

Bark- borre Volym 2018-

08-03

NDVI -0,27 -0,79 -0,74 -0,59 0,55 0,24 0,17 -0,13 -0,09 -0,35 -0,74

NDVI8

A -0,37 -0,67 -0,64 -0,52 0,24 -0,18 -0,06 0,02 0,04 -0,05 -0,59

NDVI7 -0,21 -0,82 -0,79 -0,59 0,54 0,22 0,21 -0,13 -0,03 -0,30 -0,72

NDVI5 -0,46 -0,72 -0,62 -0,65 0,17 -0,33 -0,04 0,05 0,05 -0,20 -0,71

EVI8 0,25 0,41 0,36 0,42 0,14 0,31 0,15 -0,27 -0,50 -0,26 0,33

EVI5 -0,45 -0,47 -0,42 -0,45 -0,05 -0,46 -0,23 0,12 0,12 0,08 -0,46

NLI -0,52 -0,60 -0,50 -0,57 0,05 -0,38 -0,16 0,12 0,09 -0,07 -0,64

2019-

03-01

NDVI 0,12 -0,76 -0,77 -0,49 0,59 0,57 0,29 -0,21 -0,35 -0,42 -0,35

NDVI8

A 0,11 -0,75 -0,76 -0,49 0,61 0,60 0,20 -0,20 -0,36 -0,38 -0,36

NDVI7 0,13 -0,75 -0,75 -0,47 0,58 0,58 0,28 -0,23 -0,32 -0,38 -0,35

NDVI5 -0,34 -0,59 -0,58 -0,46 0,58 0,16 -0,06 -0,14 -0,28 0,12 -0,52

EVI8 -0,22 0,25 0,21 0,08 0,06 -0,22 -0,30 0,27 -0,22 0,01 0,11

EVI5 -0,47 0,00 0,08 -0,22 0,14 -0,22 -0,15 0,22 0,02 0,08 -0,19

NLI -0,63 -0,33 -0,17 -0,49 0,31 -0,05 0,05 0,06 0,05 0,04 -0,49

2019-

04-22

NDVI 0,53 -0,36 -0,50 -0,03 0,25 0,42 0,07 -0,18 -0,34 -0,24 0,06

NDVI8

A 0,52 -0,36 -0,50 -0,03 0,26 0,43 0,09 -0,19 -0,34 -0,25 0,05

NDVI7 0,52 -0,37 -0,50 -0,04 0,26 0,43 0,09 -0,19 -0,33 -0,24 0,04

NDVI5 0,45 -0,45 -0,60 -0,10 0,31 0,36 0,03 -0,16 -0,41 -0,23 -0,04

EVI8 0,46 -0,37 -0,44 -0,11 0,26 0,54 0,15 -0,16 -0,18 -0,24 0,00

EVI5 0,34 -0,43 -0,45 -0,28 0,45 0,66 0,14 -0,06 -0,15 -0,30 -0,10

NLI -0,64 -0,71 -0,67 -0,70 0,40 -0,12 -0,09 0,09 -0,30 -0,26 -0,75