Identifiering av
granbarkborreskador med
hjälp av satellitdata från
Sentinel-2
Identification of bark beetle damage with satellite
data from Sentinel-2
Examensarbete
Författare: Sabine Beetz, Hillevi Ericsson Handledare: Erika Olofsson
Examinator: Johan Lindeberg Handledare, företag: Andreas Oxenstierna, T-Kartor
Kurskod: 2TS10E, 15 hp Ämne: Skogs- och träteknik Nivå: Kandidatexamen
Sammanfattning
Skogen är en värdefull resurs. Att förhindra skogsskador är därför av största vikt för att skydda såväl ekonomiska, miljömässiga som sociala värden. Detta är av största vikt både nationellt och för den enskilda skogsägaren. Ett varmare klimat medför bland annat att skadegörare som granbarkborren (Ips typographus L.) får förbättrade livsförutsättningar.
Den torra sommaren 2018 orsakade omfattande angrepp av granbarkborre i Sverige. Ca 3 - 4 miljoner m3 skog ska ha förstörts av granbarkborren under 2018. Det är av största vikt att hitta skadad skog, men att få en överblick av skadeläget är idag både tidskrävande och kostsamt för skogsägaren, vilket bland annat kan medföra att åtgärder för att stoppa angrepp av granbarkborre inte hinner utföras i tid vilket riskerar att förvärra skadorna. Att hitta en effektivare metod för att identifiera skador orsakade av granbarkborre skulle kunna underlätta för skogsägare att upptäcka skador i tid och därmed ha möjlighet att minska de stora förluster i skogen som orsakas av granbarkborren idag. I denna studie undersöktes möjligheterna att upptäcka träd som hade pågående angrepp av granbarkborre samt träd som hade dött till följd av angrepp av granbarkborre. Skogens vitalitet mättes för de inventerade områdena utifrån satellitbilder från Sentinel-2 som hade tagits vid olika datum fördelade från april-september 2017 respektive 2018, vilka jämfördes med data som samlades in i fält. Vitaliteten fastställdes genom att mäta barrens klorofyllhalt med hjälp av reflektans från infrarött ljus. Syftet var att se om det gick att upptäcka skador genom att analysera satellitbilder. Flera olika bandbilder (band 4, band 5, band 7 och band 8A) från varje bildtillfälle användes för att kombinera indexbilder som användes för att ta fram data över de områden som inventerades i fält. Data över oskadade bestånd från 2017 jämfördes med data från samma, då skadade, bestånd 2018.
Resultatet visar att vitaliteten var lägre under 2018 jämfört med under 2017, vilket skulle kunna indikera på skador orsakade av granbarkborre. Det var en signifikant skillnad i Perstorp sett över hela vegetationsperioden. Det gick också att se en signifikant skillnad i reflektansvärden mellan 2017 och 2018 på
sommaren i Boxholm och samt under vår och sommar i Perstorp. För båda områdena sammanslagna var skillnaden mellan vegetationsperioderna 2017 och 2018 signifikant. I studien undersöktes korrelationen mellan antalet angripna träd och reflektansvärden. Det gick inte att se att pixlar med många skadade träd gav större utslag. Detta gör att ytor med mer omfattande skador orsakade av
granbarkborre inte är lättare att upptäcka än mindre skador med få träd.
Sambandet mellan topografi och reflektans undersöktes också. Topografin kan ha påverkat resultatet till viss del i det område som har en mer kuperad terräng eftersom det var en större skillnad mellan 2017 och 2018 i det område med mer flack terräng där topografin var mer homogen.
Slutsatser för studien är att reflektansvärdena var högre 2017 än 2018 och detta gör att skador orsakade av granbarkborre kan urskiljas. Skillnaden är dock så liten att det finns en osäkerhet i om dessa skador går att hitta i bildanalyser, utan att ha förhandsinformation om var skadorna finns. Trots att satelliten ofta passerar är underlaget av bildmaterial mycket varierat över tid och plats, vilket främst beror på väder. Reflektansvärden för olika tidsperioder och platser blir därför inte helt jämförbara. Trädens klorofyllhalt påverkas också av fler saker i den omgivande miljön än endast granbarkborrar och detta gör att det är svårt att med säkerhet härleda variationer i reflektansvärden till just
granbarkborreangrepp.
Summary
The forest is a valuable resource. Preventing forest damage is therefore of the utmost importance to protect economic, environmental and social values. This is of the utmost importance both nationally and for the individual forest owner. A warmer climate means, among other things, that pests such as the spruce bark beetle (Ips typographus L.) have improved living conditions.
The dry summer of 2018 caused extensive attacks by spruce bark beetles in Sweden. Approximately 3 - 4 million m3 of forest was destroyed by the spruce bark beetle in 2018. It is of the utmost importance to find damaged forest, but getting an overview of the damage situation is today both time consuming and costly for the forest owner, which can lead to measures to stop infestation by spruce bark beetle does not have time to be carried out in time, which risks aggravating the damage. Finding a more effective method for identifying damage caused by spruce bark beetle could make it easier for forest owners to detect damage in time and thus have the opportunity to reduce the large losses in the forest caused by the spruce bark beetle today.
This study examined the possibilities of detecting trees that had ongoing spruce bark beetle infestations and trees that had died as a result of spruce bark beetle infestations. The vitality of the forest was measured for the inventoried areas based on satellite images from Sentinel-2 that had been taken at different dates distributed from April-September 2017 and 2018, respectively, which were compared with data collected in the field. Vitality was determined by measuring the chlorophyll content of the needles using infrared reflectance. The purpose was to see if damage could be detected by analyzing satellite images. Several different band images (band 4, band 5, band 7 and band 8A) from each image event were used to combine index images used to retrieve data over the areas inventoried in the field. Data on undamaged stocks from 2017 were compared with data from the same, then damaged, stocks in 2018.
The results show that the vitality was lower in 2018 compared to 2017, which could indicate damage caused by spruce bark beetle. There was a significant
difference in Perstorp seen over the entire vegetation period. It was also possible to see a significant difference in reflectance values between 2017 and 2018 in the summer in Boxholm and during spring and summer in Perstorp. For both areas combined, the difference between the vegetation periods 2017 and 2018 was significant. The study examined the correlation between the number of infested trees and reflectance values. It was not possible to see that pixels with many damaged trees gave greater results. This means that areas with more extensive damage caused by spruce bark beetles are no easier to detect than minor damage with few trees. The relationship between topography and reflectance was also investigated. The topography may have affected the result to some extent in the area that has a hillier terrain because there was a greater difference between 2017 and 2018 in the area with more flat terrain where the topography was more homogeneous.
Conclusions for the study are that the reflectance values were higher in 2017 than in 2018 and this means that damage caused by spruce bark beetles can be distinguished. However, the difference is so small that there is uncertainty as to whether these damages can be found in image analyzes, without having prior information about where the damages are located. Despite the fact that the satellite often passes, the substrate of images is very varied over time and place, which is mainly due to weather. Reflection values for different time periods and places are therefore not completely comparable. The chlorophyll content of the trees is also affected by more things in the surrounding environment than just spruce bark beetles, and this makes it difficult to trace with certainty variations in reflectance values to spruce bark beetle infestations.
Abstract
Skogen är en värdefull resurs. Att förhindra skogsskador är därför av största vikt för att skydda såväl ekonomiska, miljömässiga som sociala värden. Detta är av största vikt både nationellt och för den enskilda skogsägaren. Ett varmare klimat medför bland annat att skadegörare som granbarkborren (Ips typographus L.) får förbättrade livsförutsättningar. Den torra sommaren 2018 orsakade omfattande angrepp av granbarkborre i Sverige. Ca 3 - 4 miljoner m3 skog ska ha förstörts av granbarkborren under 2018. Syftet var att se om det gick att upptäcka skador orsakade av granbarkborre genom att analysera satellitbilder från Sentinel 2. Genom att skapa index av flera olika bandbilder (band 4, band 5, band 7 och band 8A) från varje bildtillfälle togs data över områden som inventerats i fält fram. Dessa data från oskadade bestånd från 2017 jämfördes sedan med skadade bestånd från 2018. Resultatet visar på en lägre vitalitet under 2018 jämfört med under 2017, vilket skulle kunna indikera på skador orsakade av granbarkborre. Det var en signifikant skillnad i Perstorp sett över hela vegetationsperioden. Det gick att se en signifikant skillnad i reflektansvärden 2017 och 2018 på sommaren i Boxholm och samt under vår och sommar i Perstorp. Korrelationen mellan antalet angripna träd och reflektansnivå undersöktes. Det gick inte att se att pixlar med många skadade träd i gav större utslag och det fanns därmed inget tydligt samband mellan reflektansnivå och skadeomfattning. Slutsatser för studien är att reflektansvärdena var högre 2017 än 2018 och detta gör att skador från granbarkborre kan urskiljas. Skillnaden är dock så pass liten att det finns en osäkerhet i om dessa angrepp går att hitta i bildanalyser, utan att ha
förhandsinformation om var skador finns.
Nyckelord: Granbarkborre, Sentinel-2, fjärranalys, spektrala band, vegetationsindex, reflektans
Förord
Denna examensuppsats har gjorts inom ramen för Linnéuniversitetets Skogskandidatprogram under vårterminen 2019.
T-kartor presenterade en idé för studenter på Linnéuniversitetets
Skogskandidatprogram - att undersöka granbarkborreskador med satellitdata från Sentinel-2. Vi fann ämnet spännande och relevant i och med de stora utbrotten av granbarkborre det senaste året, kombinerat med data från den relativt nya satelliten Sentinel-2.
Vi vill tacka T-kartor med Andreas Oxenstierna och Åsa Nilsson i spetsen, för goda idéer och engagemang, samt underlag och teknisk hjälp. Varmt tack även till Boxholms Skogar AB och Gustafsborgs Säteri AB som bidragit med underlag för studien.
Slutligen vill vi också rikta ett stort tack till vår engagerade handledare Erika Olofsson på Linnéuniversitetet, som gett oss många goda råd under arbetets gång och varit ett viktigt bollplank för oss under hela processen från
fältarbete till färdig uppsats. Sabine Beetz och Hillevi Ericsson Växjö 2019
Innehållsförteckning
Sammanfattning _______________________________________________ 1 Summary ____________________________________________________ 2 Abstract _____________________________________________________ 4 Förord _______________________________________________________ 5 Innehållsförteckning ___________________________________________ 6 1 Introduktion ________________________________________________ 11.1 Granbarkborren som skadegörare ______________________________ 1 1.2 Barkborrens biologi __________________________________________ 1 1.3 Risken för granbarkborreskador ________________________________ 2 1.4 Inventeringsmetoder för skador orsakade av barkborre ______________ 3
1.4.1 Hur ser en barkborreskada ut? ______________________________ 3 1.4.2 Fältinventeringar _________________________________________ 3 1.4.3 Övriga bekämpningsmetoder _______________________________ 4 1.4.4 Fjärranalysmetoder _______________________________________ 5 1.4.5 Satellitdata _____________________________________________ 5 1.4.6 Vegetationsindex ________________________________________ 6 1.5 Syfte och mål _______________________________________________ 7 1.6 Avgränsningar ______________________________________________ 7
2 Material och metoder _________________________________________ 8
2.1 Fältdata ___________________________________________________ 8 2.2 Satellitdata _________________________________________________ 9 2.3 Analys _____________________________________________________ 9
3 Resultat och analys __________________________________________ 10
3.1 Jämförelse av reflektansvärden 2017 och 2018 ___________________ 10 3.2 Reflektansvärden och skadeomfattning __________________________ 15
4. Diskussion och slutsatser _____________________________________ 16
4.1 Resultatdiskussion __________________________________________ 16 4.2 Metoddiskussion ____________________________________________ 19 4.3 Förslag på ytterligare studier _________________________________ 20
5. Slutsats ___________________________________________________ 20 6. Referenser ________________________________________________ 22 7. BILAGOR ________________________________________________ 27
1 Introduktion
1.1 Granbarkborren som skadegörare
Skogen är en värdefull resurs. Bland annat producerar den förnybar biomassa vilken har många olika användningsområden. Skogen är även livsmiljö för många olika växt- och djurarter, samt ger möjlighet till jakt, rekreation och turism. Att skydda skogen mot olika typer av skador är därför en viktig angelägenhet, såväl nationellt som för enskilda skogsägare (Samuelsson m.fl. 2012). I Sverige har klimatet redan förändrats till följd av ökade
växthusgaskoncentrationer i atmosfären (IPCC 2014) och klimatförändringarna medför bland annat att skadegörare på skog som exempelvis granbarkborren (Ips typographus L.) får mer gynnsamma livsförutsättningar (Eriksson m.fl. 2015). Den åttatandade granbarkborren är en allvarlig skadegörare på granskog och är den insekt som gör mest skada på våra granskogar (Skogsstyrelsen 2019a). Insekten är ett av de största ekonomiska orosmomenten i våra skogar idag och skapar betydande problem, med träddöd som följd (Fries 2017). Ett enda utbrott kan döda miljontals granar, och under de senaste 50 åren har uppskattningsvis 150 miljoner m3 skog dött till följd av granbarkborren runt om i Europa (Schroeder & Kärvemo 2015) Den torra sommaren 2018 har orsakat mycket stora angrepp av granbarkborre i Sverige. En bedömning visar att ca 3 - 4 miljoner m3 skog ska ha förstörts av granbarkborren under 2018. Under 2019 bedöms var tredje skogsägare, vilket motsvarar ca 100 000 skogsägare, i Sverige ha blivit berörd av granbarkborren (Regeringskansliet 2019) och Skogsstyrelsen rekommenderar skogsägare att leta efter angripna träd för att åtgärder ska kunna vidtas så fort som möjligt, innan skadan förvärras (Skogsstyrelsen 2018a). Att hitta skadad skog och få en bild över skadeläget är idag tidskrävande och kostsamt för skogsägare, vilket bland annat kan medföra att åtgärder för att stoppa angrepp av granbarkborre inte utförs i tid och att skadan riskerar att förvärras. Att hitta en mer effektiv metod för att identifiera skogsskador skulle kunna underlätta för skogsägare att upptäcka skador och därmed minska de stora förluster i skogen som skadeangrepp idag orsakar (Skogsstyrelsen 2019b).
1.2 Barkborrens biologi
Granbarkborren är en insekt som lockas av granens doft, och när den hittat en lämplig gran gnager den gångar under barken för att lägga sina ägg. Under tiden avger baggen doftämnen, s.k. aggregationsferomon, för att locka dit andra
barkborrar (SLU u.å.). Det krävs flera barkborrar för att lyckas angripa och skada ett friskt träd. Uppemot 100 000 barkborrar kan attackera ett träd vid samma tillfälle (Örebro Universitet 2019). Det som till slut tar död på trädet är en
symbios mellan granbarkborrar och blånadssvampar. Blånadssvampen lockar till sig granbarkborrar genom att skicka ut doftämnen. Detta gör svamparna för att kunna ta sig till ett lämpligt träd, där de sedan får hjälp av granbarkborren att
angripa och försämra trädets vitalitet. Barkborren i sin tur får hjälp av
blånadssvamparna då de täpper till vedcellerna i splintveden och därmed stoppar vattentransporten i trädet, vilket i slutändan resulterar i att trädet får ett kraftigt nedsatt försvar på grund av vätskebrist. Trädet försöker skydda sig mot
angreppet från granbarkborren med hjälp av kåda, men blånadssvampen bryter ner kemikalierna som finns i kådan vilket gör den verkningslös. Angrepp av både granbarkborrar och blånadssvamp gör till slut att trädet dör (Zhao et al. 2019). Granbarkborren lägger sina ägg i första hand på skadat eller avverkat liggande granvirke, men vid brist på detta så kan även stående stressad granskog väljas (Fries 2017).
Barkborren börjar svärma när det har varit plusgrader dygnet runt i minst en veckas tid och de behöver ha minst 18 grader i luften för att kunna flyga
(Skogsstyrelsen 2018b). Då lämnar de övervintringsplatserna och letar efter träd för att lägga sina ägg i. De gnager gångar i barken där larverna läggs. Efter några veckor är en ny generation barkborrar redo att ge sig av. Vid bra förhållanden i södra Sverige kan barkborrarna börja svärma redan i slutet av april. Vanligtvis flyger de även en gång till under sommaren för att lägga nya ägg i andra träd. Under normala år hinner bara en generation svärma, men under varma somrar kan två generationer hinna svärma (SLU u.å.).
Om larverna inte hinner utvecklas helt innan vintern kan de övervintra innanför barken. De kan också övervintra i förnan i marken runt trädet. I liggande virke övervintrar de vanligtvis i barken (SLU u.å.).
1.3 Risken för granbarkborreskador
Barkborren söker sig till vindfällda eller stressade granar samt till obarkat virke. Konkurrens inom arten, väderlek och naturliga fiender har inverkan på hur stora angreppen blir (SLU 2019).
Kvarlämnade döda träd eller vindfällen utgör en stor risk för skador även kommande år. Vad gäller kvarlämnade vindfällen kan dessa under de efterföljande två åren vara värd åt barkborren och på så sätt öka risken för omfattande skador på de kvarvarande granarna på platsen. I bestånd med många kvarlämnade vindfällda granar kan detta leda till att nästan hela beståndet dör. Kanter mot stora stormluckor där vindfällen har lämnats är dessutom extra känsliga för angrepp (Kärvemo, Rogell & Schroeder 2014a).
I små trädgrupper klarar en koloni av barkborrar inte av att övervintra tillräckligt väl för att klara av att orsaka lika stor skada kommande år, och därför dör just den kolonin ut under vintern. Detta innebär att risken för angrepp på samma plats kommande år står i relation till antalet döda träd som kan fungera som skydd under vintern. Fler döda träd ökar alltså risken för ett angrepp på samma plats även följande år. Enligt en studie gjord av SLU förekommer det vanligen grupper om 5 - 10 träd som dött som en följd av barkborreangrepp. Skadorna uppstår över hela landet och risken för att drabbas av barkborreangrepp är störst i bestånd med en hög andel gran (Kärvemo 2015). Risken för angrepp ökar vid
virkesvolymer av gran över 200 m3/ha där risken är 10 gånger högre än för volymer under 50 m3/ha. Innehåller beståndet låga volymer av björk innebär detta en förhöjd risk för barkborreangrepp, medan risken för angrepp minskar vid höga volymer av björk (Kärvemo et.al 2014b).
Granbarkborren behöver en stor mängd lämpligt yngelvirke. Till detta räknas t.ex. vindfällen, kvarlämnade lumpar, obarkat virke eller stressade träd. Finns detta kan en population tiodubblas till nästa generation. Nästa generation behöver nytt yngelvirke, och när detta inte finns att tillgå går den på stående skog. Övriga riskfaktorer i detta läge är varmt väder med svaga vindar, som gör att granbarkborren kan angripa och ta död på friska granar (Lindelöw 2019).
1.4 Inventeringsmetoder för skador orsakade av barkborre
1.4.1 Hur ser en barkborreskada ut?
Tidiga tecken på angrepp är borrhål och brunt barkmjöl vid stambasen eller i barkfickorna. Kådrinningar och gröna barr som ligger på marken under kronan är också tidiga tecken på angrepp. Barken kan ha börjat lossna strax under kronan. Detta beror på att barkborren under högsommaren börjar angreppet uppe vid kronan för att sedan vandra neråt. Dessa träd kan därför sakna borrhål nere vid stambasen. Långt gångna angrepp indikeras av roströda barr och avfläkt bark. Är granens stam och barr däremot grå eller utan barr är det troligtvis ett angrepp från tidigare år (Skogsstyrelsen 2018c).
1.4.2 Fältinventeringar
Den vanligaste metoden är den s.k. “sök och plock”-metoden som innebär att skogsägaren manuellt söker upp och plockar ut de angripna träden
(Skogsstyrelsen 2018d). Jägare kan också uppmanas att rapportera in misstänkta angrepp av granbarkborre som de stöter på ute i skogarna under jakt (Skogen 2018).
Specialtränade hundar används av företaget Snifferdog för att söka upp
barkborrar. Hundarna som används är tränade till att lukta sig till granbarkborren och vid upptäckt krafsar de på det aktuella trädet, vilket gör att ett angripet träd kan upptäckas när det fortfarande har grön krona (Skogsaktuellt 2018).
Forskningsprojektet "Övervakning av granbarkborre" har sedan 1995 undersökt mängden granbarkborrar i fyra områden i Sverige; (Kronoberg (Tingsryd och Ljungby), Värmland (Arvika) och Dalarna (Vansbro)), vilket sedan dess har utökats med ytterligare två platser (Åtvidaberg 2005 och Sundsvall 2010). Barkborrarna uppskattas genom att feromonfällor placeras ut på färska hyggen. I medelålders och äldre granskogar inventeras varje höst träd i beståndskanterna som är dödade av barkborren. Barkborren övervakas dessutom sedan 2006 i försöksparkerna i Vindeln och Siljansfors, samt sedan 2008 i försöksparken i
Tönnersjöheden (SLU u.å.). Feromonfällor används även av Sveriges största skogsägare Sveaskog, men i mindre utsträckning (Samuelsson 2019).
Skogsstyrelsen bedriver en övervakning av granbarkborrens svärmning på ett stort antal orter i landet. Övervakningen sker genom att utplacerade
barkborrefällor varje vecka töms från vecka 17 till 36. Aktiviteten noteras i diagram som uppdateras efter varje veckas tömning (Skogsstyrelsen 2018i).
1.4.3 Övriga bekämpningsmetoder
Det finns även andra metoder för att bekämpa barkborrar utan att aktivt inventera skadade träd (bilaga 1). En av dessa metoder är att använda fångstvirke där virkesvältor med feromoner läggs ut. Detta är ett bra sätt för att fånga upp
barkborrar som har övervintrat i marken. Dessa lockas till fångsvirket i början av svärmningsperioden och följer sedan med virket bort från skogen. Den välta som används som fångstvirke bör vara lång och låg för att skapa en stor exponerad yta som barkborrarna kan landa på. Feromonpåsar sätts fast på vältan strax före svärmningens början. Det är dock viktigt att få ut fångstvirket innan midsommar (Skogsstyrelsen 2018e).
Det går även att använda fångstvirke tillsammans med insekticider. Detta kräver dock både stora arealer på minst 1000 ha och tillstånd. Dessutom måste
insekticiden vara godkänd för användning mot granbarkborre för virke på skogsmark, och de platser fällorna placeras ut på måste godkännas av
kommunen. Till skillnad från vältans utformning vid fångstvirke med feromon, läggs här virket omlott i form av ett v. Vältan behandlas sedan med insekticider och feromon strax innan svärmningsperioden börjar. Nackdelen med denna metod är att insekticiderna kan skada vattenlevande organismer och andra insekter som dessutom kan vara predatorer för barkborren. Placeras fångsvirket närmre än 20 meter från närmsta gran kan angreppen öka i styrka i stället för tvärtom (Skogsstyrelsen 2018f).
Om förra årets angrepp fanns i beståndskanterna kan en metod användas där feromonpåsar sätts upp på ett avstånd av 20 m på levande granar som får fungera som stående fångstvirke. Detta görs på våren innan svärmningsperiodens början, och kallas för ”rullande avverkning”. När det nya angreppet startar avverkas beståndskanten och virket förs bort så fort som möjligt, och sedan görs
proceduren om på den nyblivna beståndskanten tills all avverkningsmogen gran i beståndet är avverkad (Skogsstyrelsen 2018g).
För större skogsägare kan feromonfällor vara en bra metod. De ska placeras på hygget och minst 20 meter från närmsta gran och avståndet mellan fällorna ska vara 30 – 50 meter. Fällorna kan användas både med och utan gift. Fällor utan gift behöver tömmas varje vecka för att förhindra att barkborrarna i dem ruttnar (Skogsstyrelsen 2018h).
1.4.4 Fjärranalysmetoder
Fjärranalys har använts sedan slutet på 1800-talet för att studera jordens yta. De tidiga metoderna gick ut på att fotografera marken från luftballonger, och under första världskriget utvecklades sedan teknik för att fotografera från flygplan. Efter krigsslutet användes flygfoton för skogskartering i Kanada, men det skulle dröja ända fram till 1930-tal innan vi här i Sverige började testa att tillämpa tekniken, men det var först på 1980-talet som Lantmäteriverket tog fram den s.k. LMV- metoden som skogskarteringen började användas (Reese & Olsson 2018). Ett österrikiskt företag som heter Festmeter presenterade på Elmia Wood en drönare utrustad med kameror som mäter infrarött ljus för att upptäcka
barkborreskador. När granarna blir torkstressade förlorar barren klorofyll vilket kan upptäckas med hjälp av infraröda kameror redan innan barren ändrat färg från grönt till brunt. Bilderna från kameran analyseras och angreppen
identifieras. På så sätt kan angrepp upptäckas åtta till tio veckor efter angrepp (Fries 2017).
Även flygplan används för att upptäcka skador. De fotograferar områden med misstänkta angrepp och en bildanalys görs sedan och med hjälp av en GPS-position kan sedan skadan hittas och åtgärdas. En nackdel är att GPS:erna inte är tillräckligt exakta för att det ska gå att hitta det skadade trädet (Fries 2017).
1.4.5 Satellitdata
Satelliter ger möjlighet till bilder med en hög temporal upplösning, vilket innebär att samma punkt registreras med ett kort intervall, men för att få bra bilder krävs det molnfria förhållanden (Reese & Olsson 2018).
År 2015 blev europeiska rymdorganisationens satellit Sentinel-2A operativ och knappt två år senare, i mars 2017, lanserades Sentinel-2B. Dessa två satelliter kretsar runt jorden 1800 ifrån varandra, för att optimera täckning och kontinuitet. Satelliterna levererar multispektralt högupplösta bilder var femte dag och oftare än så vid högre breddgrader (ESA u.å.).
Sentinel-2 är en EU-satellit framtagen för jord- och skogsbruk. Satelliten har upplösningar på 10–60 meter i marknivå och använder 13 våglängdsband (443 nm-2190 nm), från synliga och närliggande det infraröda till kortvågigt infrarött. Vid 10 meters upplösning används 4 synliga och nära infraröda band, vid 20 meter 6 kortvågsinfraröda band och vid 60 meter 3 atmosfärskorrigerande band (ESA u.å. b) (tabell 1). Dessa spektrala band mäter reflektansen från växternas fotosyntes, och är indelade i olika s.k. vågbandslängder (tabell 1). I fotosyntesen absorberas energi från det röda och det blå spektrala bandet av växterna och stor del av energin i det gröna spektrala bandet reflekteras tillbaka i högre
utsträckning än färgerna från de andra banden. Detta gör att vi ser växterna som just gröna. Växterna reflekterar även tillbaka stor del av energin i de infraröda banden, men eftersom vi inte kan uppfatta infrarött är inte detta synligt för oss (Reese & Olsson 2018).
Sentinel-2 är den första satelliten som tack vare flera band nära det infraröda kan ge viktig information om vegetationstillståndet (ESA u.å. c). Tack vare att satelliterna återkommer var femte dag och gör exakta observationer över samma områden lämpar sig data från Sentinel-2 väl för tidsserieanalyser och
vegetationssäsonger kan följas (Zerega 2018). Detta tillsammans med de
spektrala banden gör att förändringar i vitalitet och tillväxt lättare kan övervakas (ESA u.å. c).
Tabell 1. Sentinel 2a satellitens spektralband (Zabala 2017).
Band Central våglängd (μm) Bandbredd (nm)
10 m spatiala upplösningsband B2 - Blått 490 65 B3 - Grönt 560 35 B4 - Rött 665 30 B8 - B8 - NIR 842 115 20 m spatiala upplösningsband B5 – Red edge 705 15
B6 – Vegetation Red edge 740 15
B7 – Vegetation Red edge 783 20
B8A – Vegetation Red edge 865 20
B11 – SWIR – snö/is/moln 1610 90 B12 – SWIR – snö/is/moln 2190 180 60 m spatiala upplösningsband B1 - Aerosol 443 20 B9 - Vattenånga 945 20 B10 - SWIR 1375 30 (m) 1.4.6 Vegetationsindex
Vegetationsindex används för att observera våglängderna av synligt och infrarött ljus nära solljus som växterna reflekterar (bilaga 2). När solens strålar träffar ett föremål absorberas vissa av våglängderna medan andra våglängder reflekteras. Växternas klorofyll absorberar starkt synligt ljus för att omvandla detta vid fotosyntesen. NOAA AVHRR-instrumentet har fem detektorer och med dessa går det att mäta ljusintensiteten som reflekteras från jorden i våglängder som är synliga och nära infraröda. Vegetationens fotosyntetiska kapacitet kvantifieras sedan i en pixel av markytan. Vid större mängd reflekterad strålning i nära infraröda än i synliga våglängder betyder det att vegetationen i pixeln i regel är tät och därmed kan bestå av skog. Är skillnaden däremot liten kan det betyda att pixeln består av gles vegetation. De flesta satellittillväxtindex använder sig av denna formel för att uppskatta densiteten på jordens tillväxt; nära infraröd strålning minus synlig strålning dividerat med nära infraröd strålning plus synlig strålning. Detta bildar NDVI (Normalized Difference Vegetation Index).
Formeln för detta är enligt NASA (2000) följande: NDVI = (NIR-VIS) / (NIR + VIS)
Vegetationsindex används för att övervaka förändringar i växtlighet med hjälp av fjärranalys. Den kvantitativa biofysiska betydelsen av flera vegetationsindex är fortfarande oklart, framförallt på breddgrader norrut där förnyelse av grön biomassa är låg och snöförhållanden påverkar indexet och gör det svårt att följa säsongens vegetationstillväxt. Flera andra typer av index har tagits fram för att öka möjligheterna till vegetationskontroll även vid dessa förhållanden (Jin & Eklund 2014).
Med bakgrund i 2018 års omfattande skador orsakade av granbarkborre är det viktigt att hitta metoder för att i tid upptäcka angrepp för att kunna rädda virkesvärden och för att förhindra ytterligare spridning. Satellitdata från
Sentinel-2 finns tillgänglig och skulle kunna vara till stor hjälp vid identifiering av barkborreskador. Med anledning av detta utformades denna studie enligt följande syfte och mål.
1.5 Syfte och mål
Syftet med studien var att utvärdera möjligheten att identifiera skador av granbarkborre med hjälp av satellitbilder från Sentinel 2, samt om skadans omfattning har betydelse för om den kan upptäckas via satellitbilder. Frågeställningar:
- Går det att identifiera skador orsakade av granbarkborre med hjälp av satellitdata från Sentinel 2?
- Har topografin betydelse för om den kan upptäckas via satellitbilder från Sentinel-2?
- Har skadans omfattning betydelse för om den kan upptäckas via satellitbilder av Sentinel 2?
1.6 Avgränsningar
Studien avgränsades till relativt homogena bestånd, vad gäller trädslag och ålder. Studien avgränsades också geografiskt, då undersökningsområdena var belägna i två olika områden. Träd med mekaniska skador, som exempelvis toppbrott, körskada eller vindfällen inkluderades inte i studien. Satellitbilder med minimalt med moln valdes ut för att få ett så tydligt resultat som möjligt, samt endast en bild per undersökt månad.
2 Material och metoder
Studien var en empirisk undersökning där data samlades in i fält, samt via satellitbilder. I studien undersöktes redan upptäckta skador av granbarkborre i fält. Data över skadans omfattning och position registrerades med hjälp av mobiltelefon och en kartapplikation. Skogens vitalitet för de inventerade
områdena mättes utifrån satellitbilder från olika tidpunkter, vilket jämfördes med den data som samlats in i fält. Vitaliteten fastställdes genom att mäta barrens klorofyllhalt med hjälp av reflektans från det infraröda ljuset. Med denna jämförelse undersöktes om det finns avvikelser i bestånd som kan ses på
satellitbilder som kan kopplas samman med granbarkborreskador, samt hur dessa avvikelser i så fall kan beskrivas. Data över oskadade bestånd från 2017
jämfördes med data från samma, då skadade, bestånd 2018.
2.1 Fältdata
Kartor med på förhand upptäckta och utmärkta granbarkborreskador
tillhandahölls (bilaga 3 och 4). Utifrån dessa kartor, samt skogsbruksplaner över samma områden, gjordes urvalet att besöka skador i grandominerad skog som uppnått en ålder av minst 20 år. Totalt inventerades 93 olika platser, varav 28 var belägna i norra Boxholm, 27 i södra Boxholm (Östergötland) och 38 i Perstorp (Skåne). Dessa markeringar över upptäckta angrepp var insamlade med hjälp av jägare, skogvaktare eller indikationer från allmänheter på misstänkta angrepp. Varje markering representerade en barkborreskada som uppkommit under 2018 och kunde vara av olika omfattning, från enstaka träd till större trädgrupper. Bestånden i Östergötland var till stor del belägna på kuperad till stor del blockrik mark med närliggande vatten. Bestånden i Skåne var belägna på marker som var mindre kuperade och blockrika och med färre vattendrag än de i Östergötland. Med hjälp av kartmaterial och skogsbruksplaner inhämtades data över beståndets ålder och trädslagsfördelning. En fil med de på förhand utmärkta angreppen samt beståndsgränser skapades och lades in på en mobiltelefon med kartapplikationen Avenza Maps (Avenza Maps 2020). Mobiltelefonen användes för att i fält navigera fram till skadorna samt registrera den data som samlades in vid varje skada.
Undersökningsområdena besöktes i januari 2019 (Skåne) respektive februari-mars 2019 (Östergötland). Vid besök av de markerade skadorna gjordes en visuell undersökning av träd i närheten av markeringen för att finna
barkborreskadade träd. Träd med en brösthöjdsdiameter under 10 cm
inventerades ej. Diametern fastställdes med hjälp av klave. Alla träd som genom notering av borrhål kunde konstateras vara angripna av granbarkborre
koordinatsattes. Detta gjordes med hjälp av en GNSS-enhet i mobiltelefon med stöd av satellitnavigationssystemet Galileo, för att med hög noggrannhet kunna registrera trädets position. Galileo kan uppge en position med noggrannhet på en meter (Insidegnss 2019).
Varje koordinat markerades i kartapplikationen med en kartnål (bilaga 3 och 4). Förutom att varje angripet träd koordinatsattes registrerades också om trädet var dött (med röd krona) eller bara påverkat (med gröna barr kvar). Grå träd där det mesta av barken var borta räknades inte in i studien då de troligtvis blev angripna föregående år.
2.2 Satellitdata
Molnfria satellitbilder från Sentinel-2 från april-september under 2017 respektive 2018 användes i denna studie. Flera olika bandbilder (band 4, band 5, band 7 och band 8A) från varje bildtillfälle användes för att kombinera ihop indexbilder som använts för att utläsa data över de områden som inventerats i fält. Indexbilderna som skapades hade en upplösning på 20 meter. Flera olika kombinationer av infraröda våglängdsband testades för att få fram ett index som kunde synliggöra skillnader i reflektansvärden. Det nyskapade indexet fick benämningen PimPim och kombinationen av banden är framräknade genom ekvationen:
(b07-b04) / (b05+b8A) × 6500
2.3 Analys
Koordinater som samlats in i fält, samt information om varje koordinat
exporterades från Avenza Maps till GIS-programmet QGIS Madeira 3.4 (QGIS blog 2018).
Indexbilder över inventerade områden undersöktes för att kunna avgöra om de inventerade skadorna gick att urskilja med hjälp av dessa bilder. Med hjälp av bilderna identifierades avvikelser som indikerade att träden var stressade, och därmed hade ett lägre reflektansvärde som i sin tur kunde bero på
granbarkborreangrepp.
För att analysera samband mellan satellitdata och skador som inventerats i fält analyserades tidsserier med hjälp av QGIS. Varje punkt som markerats ut, dvs. varje inventerad skada, analyserades genom att satellitdata följdes och jämfördes med satellitdata från föregående år. Indexbilderna (bilaga 5) symboliserades genom att ge varje pixelyta (bilaga 6) ett värde på 0–6 000, beroende på
reflektansen i de olika bandbilderna som kombinerats i indexbilden för aktuellt datum.
I tabellform sammanställdes data i Microsoft Office Excel version 16.23
(EXCEL) som pixel-ID, antal skadade och döda träd per pixel samt medelvärden av reflektansvärden för de enskilda pixlarnas olika tidsperioder – april till
september 2017 respektive 2018 - där användbara satellitbilder fanns att tillgå. Tidsperioderna var april-maj (vår), juni-juli (sommar) och augusti-september (höst).
Medelvärden av reflektansvärden för tidsperioderna och undersökningsområdena visualiserades i stapeldiagram. Parade t-test gjordes för tidsperioder och områden för att undersöka om det var signifikant skillnad i reflektansvärden mellan 2017 och 2018. Även en tidslinje där var tjugonde pixel, baserat på pixel-ID som tilldelades då data sammanställdes i Excel, valdes ut och visualiserades i ett linjediagram. Även data över antal skadade träd respektive döda träd i varje pixel sammanställdes och korrelationen mellan antal skadade respektive döda träd per pixel och reflektansvärde undersöktes genom att ett r-värde togs fram.
3 Resultat och analys
3.1 Jämförelse av reflektansvärden 2017 och 2018
Medelvärdet av reflektansen för 2017 var högre (3904) än för 2018 då den i stället var 3828. Enligt det parade t-testet var skillnaden signifikant (n=243). Medelvärdet av minvärdena för reflektansen 2018 var något högre (3208)
jämfört med 2017 (2879), medan maxvärdet var något lägre 2018 (4307) än 2017 (4432). Reflektansvärdenas variationsvidd var alltså i medeltal större under 2017. I figur 1 redovisas alla observerade reflektansvärden för 2017 och 2018. Det minsta värdet var 1671 och det största värdet var 5183, båda för 2018.
Figur 1. Alla observerade reflektansvärden 2017 och 2018.
Signifikant skillnad (n=51) mellan reflektansvärden 2017 och 2018 går att utläsa i Perstorp (figur 2). I Perstorp är reflektansvärdena generellt lägre 2018 jämfört med 2017, medelvärdet 2018 var 3502 jämfört med 3858 under 2017.
0 1000 2000 3000 4000 5000 6000 0 50 100 150 200 250 300 R e fl e ktan sv är d e 2017 2018
Figur 2. Observerade reflektansvärden för Perstorp 2017 och 2018.
Även i Boxholm (figur 3) är reflektansvärdena generellt något lägre 2018 jämfört med 2017, där medelvärdet 2018 var 3914 jämfört med 3916 under 2017.
Skillnaden mellan 2017 och 2018 var dock inte signifikant (n=192) i Boxholm.
Figur 3. Observerade reflektansvärden för Boxholm 2017 och 2018.
0 1000 2000 3000 4000 5000 6000 0 10 20 30 40 50 60 R e fl e kt an sv är d e n 2017 2018 0 1000 2000 3000 4000 5000 6000 0 50 100 150 200 250 R e fl e kt an sv är d e n 2017 2018
För perioden april-maj (vår) i Boxholm var medelvärdet relativt lika 2017 och 2018 (figur 4), ingen signifikant skillnad kunde konstateras (n=129). För juni-juli (sommar) var reflektansvärdena i medeltal signifikant lägre 2018 än 2017
(n=192). För augusti-september (höst) var reflektansvärdena istället i medeltal högre 2018 än 2017, denna skillnad var dock inte signifikant (n=23).
Figur 4. Medelvärde av reflektansvärden 2017 och 2018 i Boxholm för perioderna april-maj (vår), juni-juli (sommar) och augusti-september (höst). y-axeln visar reflektansvärden.
För perioden april-maj (vår) i Perstorp var medelvärdet signifikant högre 2017 än 2018 (n=51) (figur 5). Även under juni-juli (sommar) och augusti-september (höst) var reflektansvärdena högre 2017 jämfört med 2018. Skillnaden var signifikant för perioden juni-juli (n=51), men inte för augusti-september (n=51).
0 500 1000 1500 2000 2500 3000 3500 4000 4500 Boxholm vår (2017) Boxholm vår (2018) Boxholm sommar (2017) Boxholm sommar (2018) Boxholm höst (2017) Boxholm höst (2018)
Figur 5. Medelvärde av reflektansvärden 2017 och 2018 i Perstorp för perioderna april-maj (vår), juni-juli (sommar) och augusti-september (höst). y-axeln visar reflektansvärden.
För båda områdena sammanslagna finns en signifikant skillnad i
reflektansvärden under april-maj (n= 180) och juni-juli (n=243), men inte för augusti-september (n=74).
Vid analys av reflektansvärdenas utveckling över perioden april-september för ett urval punkter går det att utläsa att värdena ökar generellt under april, maj, juni 2017 för att sedan sjunka från juli och framåt (figur 6).
0 500 1000 1500 2000 2500 3000 3500 4000 4500 Perstorp vår (2017) Perstorp vår (2018) Perstorp sommar (2017) Perstorp sommar (2018) Perstorp höst (2017) Perstorp höst (2018)
Figur 6. Tidsserier för reflektansvärden 2017, för enskilda slumpvis utvalda punkter. 5 % av alla punkter visas. y-axeln visar reflektansvärden.
För 2018 går det att utläsa att värdena ökar generellt fram till juli för att sedan sjunka generellt under hösten (figur 7). Tidsserierna är mer varierade och inte lika samlade under 2018 jämfört med 2017.
Figur 7. Tidsserier för reflektansvärden 2018, för enskilda slumpvis utvalda punkter. 5% av alla punkter visas. y-axeln visar reflektansvärden.
0 1000 2000 3000 4000 5000 6000
apr-17 maj-17 jun-17 jul-17 aug-17 sep-17
0 1000 2000 3000 4000 5000 6000
3.2 Reflektansvärden och skadeomfattning
Det fanns inget tydligt samband mellan reflektansvärde och antal skadade och döda träd per pixel. Det fanns heller inget tydligt samband mellan
reflektansvärde och antal döda träd per pixel (tabell 2).
Tabell 2. Beräknade korrelationskoefficienter mellan reflektansvärde och antalet skadade och döda träd, respektive antalet döda träd för 2018. Gråmarkerade celler de två starkaste korrelationerna. april-maj (vår) juni-juli (sommar) aug-sep (höst) Boxholm Antal skadade och döda 0,087 0,010 -0,235 Antal döda 0,111 -0,00146 -0,203 Perstorp Antal skadade och döda -0,21991 -0,342 -0,043 Antal döda -0,236 -0,293 -0,022
Starkast korrelation (-0,342) beräknades för Perstorp för juni-juli (sommar) för alternativet antal skadade och döda träd, vilket visualiseras i figur 8.
Figur 8. Korrelation mellan reflektansvärden och antal skadade och döda träd för Perstorp, juni-juli 2018. y-axeln visar reflektansvärden och x-axeln visar antal skadade och döda träd per pixel. 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 2 4 6 8 10 12 14 16
4. Diskussion och slutsatser
4.1 Resultatdiskussion
När alla reflektansvärden (alla tidsperioder och båda undersökningsområdena) för 2017 och 2018 jämfördes (figur 1) kunde en signifikant skillnad mellan åren påvisas. I denna studie skapades reflektansvärdesindex utifrån band 7, 4, 5 och 8a. Abdullah (2019) kom fram till att framförallt de index nära infrarött (NDRE 2 och 3) samt vattenrelaterade index (SR-SWIR, NDWI, DSWI och LWCI) kunde skilja skadade punkter från oskadade punkter. Användning av olika band kan leda till olika resultat.
Tydligare skillnad mellan reflektansvärdena 2017 och 2018 gick att utläsa i Perstorp (figur 2) jämfört med Boxholm (figur 3). De parade t-testen visade för hela perioden april-sep endast signifikant skillnad för Perstorp. I Perstorp är reflektansvärdena generellt lägre 2018 jämfört med 2017. Det kan då vara så att topografin påverkade resultatet till viss del i Boxholm, där topografin var relativt komplex, jämfört med i Perstorp där topografin var mer homogen. Skillnaden i resultatet mellan dessa två undersökningslokaler skulle också kunna bero på andra faktorer, som skillnader i klimat och väder.
För perioden april-maj (vår) i Boxholm var medelvärdet relativt lika 2017 och 2018 (figur 4) och vid ett parat t-test kunde ingen signifikant skillnad påvisas. För samma period (vår) i Perstorp var medelvärdet högre 2017 än 2018 (figur 5). Det lägre medelvärdet för reflektansen under hela vegetationsperioden 2018 samt under april-maj (vår) i Perstorp gör att det går att utläsa en tydligt högre
reflektans under 2017 i Perstorp, som sammantaget tyder på att granarna hade en lägre vitalitet redan tidigt under 2018 jämfört med året innan. Det parade t-testet för Perstorp visade att skillnaden var signifikant. Resultatet kan ha påverkats av skador eller att det under tidig vår 2018 var kallt och torrt för att sedan bli varmt och fortsatt torrt. Det kan också ha påverkats av att bilderna för 2018 var av sämre kvalitet och därmed sänkte reflektansnivåerna eller för att valda bilder för 2018 var på andra datum än valda bilder för 2017. Resultatet kan även ha
påverkats av en kombination av alla dessa faktorer.
För juni-juli (sommar) i Boxholm var reflektansvärdena i medeltal något lägre 2018 än 2017, en signifikant skillnad kunde påvisas. För augusti-september (höst) var reflektansvärdena istället i medeltal högre 2018 än 2017. Denna skillnad var inte signifikant och antalet observationer var färre under denna period, vilket gör det svårare att identifiera en tydlig skillnad. Även för juni-juli (sommar) och augusti-september (höst) i Perstorp var reflektansvärdena högre 2017 jämfört med 2018. Skillnaden var signifikant under sommaren, men inte under hösten. Detta kan bero på sämre bildkvalitet, torka eller skador av granbarkborre. De jämnare värdena under sommaren jämfört med våren i Perstorp kan bero på ett jämnare klimat under både 2017 och 2018 för samma period (figur 5). Att värdena under hösten sedan är lägre 2017 än 2018 i Boxholm kan bero på en större spridning av reflektansvärden eller att det var
svårt att hitta bilder med bra kvalitet under denna period vilket gör att resultatet blir svårtolkat och det ger resultatet en sämre reliabilitet (figur 4).
I en annan studie kunde det konstateras att klorofyll- och bladvattenhalten var högre i friska träd jämfört med skadade träd. Slutsatsen var att Sentinel-2 kunde användas för att tidigt upptäcka skador av granbarkborre så att tillförlitliga angreppskartor kunde skapas när träden fortfarande hade grön krona (Abdullah 2019). I detta examensarbete har inte bladvatten- eller klorofyllhalt mätts utan träden har bara bedömts okulärt för att avgöra hur friska de har varit. Både döda träd, samt träd med grön krona där det fanns borrhål från granbarkborre utgjorde underlag för detta examensarbete. Utifrån den metod som använts för att
undersöka angrepp av granbarkborre i detta examensarbete är det inte självklart att skador kan upptäckas tidigt. Vid vissa tidpunkter på året där många
observationer har undersökts har skillnader i reflektansvärdena varit så pass stor att skador kan urskiljas, men vid färre observationer har skillnaderna varit mindre och skador har inte kunnat urskiljas tydligt. Detta oberoende av skadornas omfattning.
Fältstudierna i den jämförda studien (Abdullah 2019) genomfördes till skillnad från detta examensarbete, under juni och juli på sommaren 2016, och data i denna studie kom från ett område med milt klimat som var uppdelat i två delar där en del bestod av oskadade träd. Även i detta examensarbete kunde skillnader under sommaren urskiljas, med signifikant skillnad både i Boxholm och
Perstorp, samt sammantaget för de båda områdena. I detta examensarbete har fokus legat på att leta upp och klassa skador. Detta kan ha gjort att reflektanser mixades mellan friska och skadade träd i detta examensarbete. I studien
användes endast satellitbilder från två datum, medan det i detta examensarbete har använts satellitbilder från 11 olika datum utspridda över tillväxtsäsongen. I en annan studie av Immitzer & Atzberger (2014) undersöktes hur lämpligt det är att använda band 8 av satellitbilder från satelliten WorldView-2 för att
upptäcka angrepp av granbarkborre med två klassificeringar av skadorna; “död” och “grön attack”. Detta jämfördes med friska träd som fick klassen “frisk”. Slumpmässig och logistisk regression användes för att klassificera enskilda träd. Noggrannheten var 75 % och det bästa resultatet blev i slumpmässigt valda skogar där satellitbilden var från juli och där åtta spektralband användes. För klasserna “frisk” och “grön attack” fungerade ett vegetationsindex baserat på två band nästan lika bra som ett vegetationsindex baserat på alla åtta band. Bäst resultat uppnåddes genom att kombinera antingen det gula eller det gröna bandet med det band som benämns som Nära infraröd 1. Det gula och röda bandet är av störst betydelse när det gäller enskilda band. Slutsatsen var att band 8 från WorldView-2 kan användas för att skapa kartor med indikationer på angripna träd eller med träd som ligger i riskzonen för att angripas.
I studien av Immitzer & Atzberger (2014) användes tre molnfria satellitbilder med åtta band från WorldView-2 som var tagna i juni, i juli och i oktober 2010. Bilder från dessa månader användes för att få med tiden för den första
generationens barkborrar som då var fullt utvecklade, för att få med en bild i mitten och en i slutet av växtsäsongen. Den sista bilden användes som referensbild och de två första användes för att göra klassificeringarna av skadorna. Som referensinformation användes angripna och friska träd som identifierats vid fältinspektioner under sommarmånaderna. Trädgrupper markerades ut på ortofoto med GPS-punkter. I de flesta fall var de två
klassificeringarna nära varandra. Några av de angripna träden blev missfärgade, andra visade inga visuella förändringar mellan sommar och höst. För att
förhindra nya angrepp avverkades flera av de angripna träden innan det sista bilden i oktober togs. Ett antagande gjordes att missfärgade träd var angripna av granbarkborre. Klassificeringen av träden gjordes utifrån bildmaterial. Träd som var missfärgade på sommaren fick klassificeringen ”död”.
I denna andra studie klassificerades skadorna på ett liknande sätt som skador i detta examensarbete har klassificerat skador. I studien klassificerades skadorna som ”död”, ”frisk” och ”grön attack”, och i detta examensarbete klassificerades skador som ”död” och ”angripen”. I detta examensarbete användes däremot inte klassificeringen ”frisk”. I efterhand hade såklart denna klassificering varit lämplig även för detta examensarbete. Klassificeringen av skadorna gjordes inte som i detta examensarbete, i fält, utan utifrån flygbilder även om referensträd inventerades under sommaren. Denna studie genomfördes i ett bergigt område med skog av gran med inslag av bok, lärk och sykomorlönn i Österrike. Klimat och trädslagsfördelning är annorlunda i studien gentemot klimat och
trädslagsfördelning i detta examensarbete vilket troligtvis påverkar resultatet i detta examensarbete.
Även i denna studie användes färre satellitbilder än i detta examensarbete, endast tre. Dessa togs i juni, juli och oktober 2010. I detta examensarbete finns däremot inte någon bild från oktober, men det finns en från slutet av september, vilket bör vara jämförbart. Den sista bilden i studien från oktober användes däremot som referensbild, vilket hade varit en bra idé att använda sig av även i detta
examensarbete. I detta examensarbete användes istället bilder från tillväxtsäsongen 2017 som referensbilder.
Då ett urval av tidsserier med skadade och döda träd studerades gick det att konstatera att det som gick att utläsa var att reflektansvärdena sjönk under hösten både under 2017 och 2018 (figur 7 och 8). Om detta resultat skulle jämföras med data för friska träd skulle det troligen gå att avgöra om resultatet som visade på sjunkande värden från och med juli vore tecken på angrepp av granbarkborre. Under höstmånaderna fanns färre användbara bilder vilket innebar att
observationerna blev färre och att signifikanta skillnader inte kunde påvisas. Det fanns inget tydligt samband mellan reflektansvärde och totalt antal skadade och döda träd per pixel. Det fanns heller inget tydligt samband mellan
reflektansvärde och antal döda träd per pixel (tabell 2). Högst korrelationsvärde beräknades för Perstorp under juni-juli (sommar). Reflektansvärdena på de undersökta områdena kan variera beroende på skogens täthet,
trädslagsfördelning, åldersfördelning etc., vilket också har inverkan på reflektansvärdena. Skogens naturliga variation kan därför ha påverkat reflektansvärdena i samma utsträckning som skador på skogen, vilket gör att korrelationen blir svår att undersöka med denna metod.
Skogsstyrelsen och skogsbolag har tagit fram egna verktyg för att upptäcka granbarkborreskador med hjälp av satellitdata, vilket talar för att detta ändå undersökts flitigt ute i branschen i sökandet efter mer effektiva metoder för att identifiera skador av granbarkborre. Då det har varit lite svårt att få kännedom om vilka metoder de har arbetat efter, har det varit svårt att jämföra metoderna som har använts i detta examensarbete med deras metoder. Sveaskog, som är landets största skogsägare, har under 2019 i samarbete med företaget Sogeti tagit fram en metod för att identifiera granbarkborreangrepp med hjälp av satellitdata. I denna metod har artificiell intelligens (AI), satellitbilder och avancerade algoritmer använts för att ta fram detaljerade kartor som visualiserar angrepp av granbarkborre (Sogeti 2019). Skogsstyrelsen har tagit fram kartor som ska identifiera både befintliga angrepp och riskområden för framtida angrepp. Dessa kartor kombineras med artificiell intelligens (AI), geografiska data och
satellitbilder. Projektet finansieras av de 2,2 miljoner kronor som regeringen har avsatt för att bekämpa skador av granbarkborre (Land 2019).
4.2 Metoddiskussion
När indexbilder för detta examensarbete skapades valdes satellitbilder ut från dagar med klart väder. Det kan finnas bilder där svagt dis har påverkat
reflektansvärdena, men där bilderna ändå uppfattades som klara när satellitbilder valdes ut. Tjockare moln syntes tydligt och sådana bilder sorterades därför bort. Tunnare dimslöjor är mer diffusa och det kan därför finnas bilder med dimslöjor som inte har sorterats bort. Tunna moln eller dimslöjor sänker reflektansvärdena, och färre bilder av tillräcklig kvalitet kan ha gjort att resultatet blivit mer
svårtolkat och osäkert. Bristfälligt antal bilder med bra kvalitet gör att varje enskild bild har stor påverkan på resultatet.
Det faktum att inga friska träd användes som referensträd gör det svårt att validera resultatet eftersom endast skadade och döda träd koordinatsattes i detta examensarbete. Vad gäller inventeringen i fält kan väder och grad av dagsljus ha försvårat arbetet med att identifiera skadade och döda träd då det kan ha varit svårare att avgöra trädens skick om det regnade, snöade eller var skymning. Mobiltelefonens GPS kan också ha påverkat resultatet genom att inte reagera på positionsförflyttning. Detta kan ha gjort att koordinaten för trädet sattes på fel plats.
I denna studie har reflektansvärden 2017 använts som referensvärde, för att undersöka skador under 2018. Eftersom åren skiljer sig åt vad gäller temperatur, väder och tidpunkt för bra satellitbilder är det svårt att med säkerhet säga hur stor del av förändringar som beror på skador på skogen och vad som har påverkats av naturliga variationer. Om istället en referenspunkt en bit ifrån varje skada inom samma bestånd hade använts skulle resultatet av korrelationen mellan
reflektansvärden och skadade och döda träd möjligen ha blivit tydligare. Andra påverkansfaktorer hade då kunnat eliminerats från resultatet.
4.3 Förslag på ytterligare studier
Ett förslag på fortsatt studie är att undersöka om det tydligare går att identifiera skador med andra band eller andra index från Sentinel-2. Det skulle även gå att undersöka blandbestånds betydelse för reflektansen vid identifiering. För att kunna tolka resultatet bättre skulle det vara en bra idé att använda friska träd som referensträd vilket skulle kunna utesluta att sjunkande reflektansvärden beror på andra orsaker än angrepp av granbarkborre.
I detta examensarbete har skadedrabbade träd undersökts det året de angreps och jämförts med data från föregående år. En utveckling av detta examensarbete kan vara att under samma år identifiera skogens normaltillstånd i friska delar av de bestånd som undersöks, för att se om skador kan identifieras utifrån skillnader mellan friska och skadedrabbade delar av bestånden.
5. Slutsats
Det kan vara så att reflektansvärdena inte når samma nivåer 2018 för att träd i de undersökta pixlarna 2018 blivit angripna av granbarkborre. Detta skulle i så fall betyda att ett sätt att hitta granbarkborreskador skulle kunna vara att läsa in data från föregående år för att sedan följa den satellitdata som utkommer under dåvarande år. Platser där reflektansvärdena inte uppnår samma nivå som tidigare år skulle kunna indikera angrepp av granbarkborre. Ett mer omfattande material skulle behöva undersökas för att styrka detta påstående. Ett större antal objekt och i flera olika geografier med olika förutsättningar tror vi är en nödvändighet om resultatet ska kunna valideras. Det fanns signifikanta skillnader i
reflektansvärden mellan 2017 och 2018. Frågan är om skillnaden är så pass stor så att det går att urskilja dem utan att ha förhandsinformation om att skador finns i området.
Eftersom väder påverkar vilka satellitbilder som kan användas så blir urvalet av bilder olika beroende på vilken plats eller tidsperiod som undersöks. Detta gör att jämförelser mellan olika platser och tidsperioder är svår att göra eftersom
tillgången på bildmaterial är begränsad.
Vädret påverkar också klorofyllhalten i träden, eftersom fotosyntesen styrs av trädets förutsättningar, som exempelvis värme, solljus, torka och näringstillgång. Detta gör att det är svårt att urskilja vid vilka tillfällen som just granbarkborren har påverkat trädens klorofyllhalt, vilket ger utslag på reflektansvärdena. Sett över hela året blev skillnaden i Perstorp signifikant, till skillnad från Boxholm där ingen signifikant skillnad kunde påvisas. Detta skulle kunna
innebära att den mer komplexa topografin i Boxholm har betydelse för resultatet. Eftersom sambandet mellan skadeomfattning och reflektansvärde är otydligt går det inte att slå fast att de större skadorna har mer påverkan på reflektansvärdena
än de mindre. Det går med andra ord inte att med säkerhet avgöra att det är enklare att identifiera skador med denna metod bara för att de är stora.
I denna studie går det att utläsa lägre reflektansvärden för 2018 än för 2017, men det är svårt att med säkerhet avgöra vilka förändringar i reflektansvärden som kan härledas till angrepp av granbarkborre och vad som istället har påverkats av andra variationer i trädens miljö eller av kvaliteten och urvalet av satellitbilderna.
6. Referenser
Abdullah, H., Skidmore, A.K., Darvishzadeh, R., Heuricjh, M. 2018. Sentinel‐2 accurately maps green‐attack stage of European spruce bark beetle (Ips
typographus, L.) compared with Landsat‐8. Remote Sensing in Ecology and Conservation, https://doi.org/10.1002/rse2.93
Avenza Maps, 2020. Hemsidan för Avenza Maps, https://www.avenzamaps.com
[2020-05-02]
Crosta, P., Galluzzo, G., Rodriguez, R.L., Otero, X., Zoccarato, P., De Pasquale, G. 2019. Galileo Hits the Spot: Testing GNSS Dual Frequency with
Smartphones. Hemsidan för Inside GNSS,
https://insidegnss.com/galileo-hits-the-spot-testing-gnss-dual-frequency-with-smartphones/[2019-10-04]
Eriksson, H., Hazell, P., Wågberg, C. 2015. Skogen i ett varmare klimat. Skogsstyrelsen, Jönköping.
ESA u.å. a. Sentinel-2 – Satellite constellation. Hemsidan för The European Space Agency,
https://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinel-2/Satellite_constellation [2019-03-31]
ESA u.å. b. Sentnel-2 – Facts And Figures. Hemsidan för The European Space Agency,
https://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinel-2/Facts_and_figures [2019-04-28]
ESA u.å. c. Sentinel-2 – Plant Health. Hemsidan för The European Space Agency,
https://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinel-2/Plant_health [2019-04-28]
Fries, E. 2017. Tidiga barkborreangrepp upptäcks med drönare. Hemsidan för Skogsaktuellt,
https://www.skogsaktuellt.se/artikel/54468/tidiga-barkborreangrepp-upptacks-med-dronare.html [2019-03-13]
Fries, C. (red.), 2017. Skogsskötselserien - Skador på skog, del 2. Skogsstyrelsen. https://www.skogsstyrelsen.se/globalassets/mer-om-skog/skogsskotselserien/skogsskotselserien-12-skador-pa-skog-del-2.pdf Immitzer, M., Atzberger, C. 2014. Early Detection of Bark Beetle Infestation in Norway Spruce (Picea abies, L.) using WorldView-2 Data, E.
Schweizerbart'sche Verlagsbuchhandlung, Stuttgart, Germany.
IPCC, 2014. Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the
Intergovernmental Panel on Climate Change [Core Writing Team, R.K. Pachauri and L.A. Meyer (eds.)]. IPCC, Geneva, Switzerland.
https://epic.awi.de/id/eprint/37530/
Jin, H., Eklund, L. 2014. A physically based vegetation index for improved monitoring of plant phenology. Department of Physical Geography and Ecosystem Science, Lund University. https://doi.org/10.1016/j.rse.2014.07.010 Kärvemo, S., Rogell, B., Schroeder, M. 2014a. Dynamics of spruce bark beetle infestation spots: Importance of local population size and landscape
characteristics after a storm disturbance. Forest Ecology and Management, SLU. https://doi.org/10.1016/j.foreco.2014.09.011
Kärvemo, S., Van Boeckel, T., Gilbert, M., Grègoire, J-C., Schroeder, M. 2014b. Large-scale risk mapping of an eruptive barkbeetle – importance of forest
susceptibility and beetle pressure. Forest Ecology and Management, SLU. https://doi.org/10.1016/j.foreco.2014.01.025
Kärvemo, S. 2015. Outbreak dynamics of the spruce bark beetle Ips typographus in time and space. Doctoral Thesis No. 2015:27, Faculty of Forest Sciences, SLU. https://pub.epsilon.slu.se/12015/
Land Skogsbruk. Kartor ska visa riskområden för barkborreangrepp. Hemsidan för Land Skogsbruk,
https://www.landskogsbruk.se/skog/kartor-ska-visa-riskomraden-for-barkborreangrepp/ [2019-11-10]
Lindelöw, Å. 2019. Skadebeskrivning. Hemsidan för Sveriges lantbruksuniversitet, https://www.slu.se/centrumbildningar-och-
projekt/skogsskada/lasmer-sidor/skadeorsak/?DiagID=21&AnmSkada=21&Tradart=9&Skadetyp=3&Alder
=5&SkadadDel=0,8&SkadaBestand=2 [2019-03-31]
Microsoft Excel, 2020. Hemsidan för Microsoft,
https://www.microsoft.com/sv-se/microsoft-365/excel [2020-06-14]
NASA, 2000 Measuring Vegetation (NDVI & EVI). Hemsidan för NASA Earth Observatory,
https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vege tation_2.php [2019-05-02]
QGIS blog, 2018. Hemsidan för QGIS blog.
Reese, H., Olsson, H. 2018. Skoglig fjärranalys. SLU & Ljungbergsfonden, Umeå.
http://www.rslab.se/wp-content/uploads/2019/03/skoglig_fjarranalys_v1_0_161211.pdf
Samuelsson, C. Områdesansvarig på Sveaskog. Muntlig kommunikation 2019-04-15.
Samuelsson, H., Eriksson, H., Isacsson, G., 2012. Ökade risker för skador på skog och åtgärder för att minska riskerna. Skogsstyrelsens förlag, Jönköping. Schroeder, M., Kärvemo, S., 2015. Var är risken störst för att granbarkborre ska döda träd? SLU, fakulteten för skogsvetenskap. Sjöberg, G. (red.), 2015. Fakta Skog, nr 7 - 2015.
Skogen, 2018. Jägare ombeds jaga barkborre. Hemsidan för Tidningen Skogen, https://www.skogen.se/nyheter/jagare-ombeds-jaga-barkborre hämtad 2019-03-10 [2019-12-02]
Skogsstyrelsen 2019a. Granbarkborre. Hemsidan för Skogsstyrelsen,
https://www.skogsstyrelsen.se/granbarkborre, [2019-03-31]
Skogsstyrelsen 2019b. Inventering: granbarkborrens angrepp fördubblades - har dödat 7 miljoner kubikmeter skog. Hemsidan för Via TT,
https://via.tt.se/pressmeddelande/inventering-granbarkborrens-angrepp-
fordubblades---har-dodat-7-miljoner-kubikmeter-skog?publisherId=415163&releaseId=3265077 [2020-02-20]
Skogsstyrelsen 2019c. Hemsidan för Skogsstyrelsen.
https://www.skogsstyrelsen.se/globalassets/bruka-skog/skogsskador/granbarkborre/barkborre-tidslinje-hogupplost.jpg
[2019-11-30]
Skogsstyrelsen 2018a. Efter torkan: värsta barkborreangreppen på tio år i syd. Hemsidan för Skogsstyrelsen, https://skogsstyrelsen.se/nyhetslista/efter-torkan-varsta-barkborreangreppen-pa-tio-ar-i-syd/ [2018-12-29]
Skogsstyrelsen 2018b. Granbarkborrens svärmning. Hemsidan för Skogsstyrelsen,
https://www.skogsstyrelsen.se/bruka-skog/skogsskador/insekter/granbarkborre/granbarkborrens-svarmning/
[2019-05-21]
Skogsstyrelsen 2018c. Tecken på angrepp av granbarkborre. Hemsidan för Skogsstyrelsen.
https://www.skogsstyrelsen.se/bruka-skog/skogsskador/insekter/granbarkborre/tecken-pa-angrepp-av-granbarkborre/ [2019-05-21]
Skogsstyrelsen, 2018d. Sök och plock. Hemsidan för Skogsstyrelsen,
https://www.skogsstyrelsen.se/bruka-
skog/skogsskador/insekter/granbarkborre/bekampning-av-granbarkborre/sok-och-plock/ [2019-03-10]
Skogsstyrelsen, 2018e. Fångstvirke i form av virkesvältor med feromon. Hemsidan för Skogsstyrelsen, https://www.skogsstyrelsen.se/bruka-
skog/skogsskador/insekter/granbarkborre/bekampning-av-granbarkborre/fangstvirke-i-form-av-virkesvaltor-med-feromon/ [2019-11-10]
Skogsstyrelsen 2018f. Insekticidbehandlat fångstvirke. Hemsidan för Skogsstyrelsen,
https://www.skogsstyrelsen.se/bruka-
skog/skogsskador/insekter/granbarkborre/bekampning-av-granbarkborre/insekticidbehandlat-fangstvirke/ [2019-11-10]
Skogsstyrelsen 2018g. Avverkning av levande fångstvirke med feromon. Hemsidan för Skogsstyrelsen, https://www.skogsstyrelsen.se/bruka-
skog/skogsskador/insekter/granbarkborre/bekampning-av-granbarkborre/avverkning-av-levande-fangstvirke-med-feromon/ [2019-11-10]
Skogsstyrelsen 2018h. Feromonfällor av plats med eller utan insekticider. Hemsidan för Skogsstyrelsen, https://www.skogsstyrelsen.se/bruka-
skog/skogsskador/insekter/granbarkborre/bekampning-av-granbarkborre/feromonfallor-av-plast-med-eller-utan-insekticider/ [2019-11-10]
Skogsstyrelsen 2018i. Svärmningsövervakning. Hemsidan för Skogsstyrelsen,
https://www.skogsstyrelsen.se/statistik/statistik-efter-amne/svarmningsovervakning/ [2019-03-13]
Skogsaktuellt. Granbarkborrarnas sommar. Hemsidan för Skogsaktuellt, https://www.skogsaktuellt.se/artikel/57974/granbarkborrarnas-sommar.html [2019-05-20]
Sogeti 2019. Sveaskog jagar granbarkborrar från rymden - unik teknik möjliggör snabb hantering av drabbad skog. Hemsidan för Sogeti,
https://www.sogeti.se/utforska/pressmeddelanden/sveaskog-jagar-
granbarkborrar-fran-rymden---unik-teknik-mojliggor-snabb-hantering-av-drabbad-skog/ [2019-05-15]
Sveriges lantbruksuniversitet u.å. Granbarkborren – Biologi, skador och forskning. Hemsidan för Sveriges lantbruksuniversitet,
http://granbarkborre.slu.se/biologi_overvintring.php [2019-03-13]
Regeringskansliet, 2019. Regeringen tillför Skogsstyrelsen extra medel för bekämpning av granbarkborre. Hemsidan för Regeringen,
Zabala, S. 2017. Comparison of multi-temporal and multispectral Sentinel-2 and Unmanned Aerial Vehicle imagery for crop type mapping, Department of Physical Geography and Ecosystem Science, Lund University.
https://lup.lub.lu.se/student-papers/search/publication/8917610
Zerega, E. 2018. Assessing edge pixel classification and growing stock volume estimation in forest stands using a machine learning algorithm and Sentinel-2 data, Department of Physical Geography and Ecosystem Science, Lund University. https://lup.lub.lu.se/student-papers/search/publication/8954922 Zhao, T et al. 2019. Convergent evolution of semiochemicals across Kingdoms: bark beetles and their fungal symbionts, The ISME Journal 13.
https://www.nature.com/articles/s41396-019-0370-7 [2019-05-21]
Örebro Universitet. Symbios mellan granbarkborre och svamp skadar skogen. Hemsidan för Forskning,
7. BILAGOR
Bilaga 1: Bekämpningsmetoder för barkborreangrepp
Bilaga 2: Spektral reflektans av vital grön vegetation i bandbreddsintervallet 0.4 – 2.6 μm.
Bilaga 3: Lila ring föreställer på förhand markerad skada. Röd nål föreställer av oss markerad skada, Avenza Maps.
Bilaga 4: Ring föreställer på förhand markerad skada. Röd nål föreställer av oss markerad skada, AvenzaMaps.
Bilaga 5: Vegetationsindexet PimPim med ett lager med punkter, QGIS.
