NGUs modelleringsoppgaver i MAREANO

Transkript

1 NGUs modelleringsoppgaver i MAREANO Sigrid Elvenes og Terje Thorsnes, Norges geologiske undersøkelse

2 Viktige bruksområder for ArcGIS-modeller: Toktplanlegging Naturtypeprediksjon

3 Toktplanlegging Grundig planlegging før toktstart sikrer optimalt tidsforbruk om bord: Hvordan få best mulig representasjon av et nytt område? Planlegginga tar utgangspunkt i tilgjengelig informasjon, bl. a. batymetri backscatter plassering av prøver fra tidligere MAREANO-tokt eksisterende data fra andre kilder

4 Toktplanlegging: Forberedelser til stasjonsplassering Spørsmål som kan besvares ved hjelp av GIS: Hvor homogent er området som skal kartlegges? Hvor mange forskjellige områdetyper kan vi forvente å finne? Prøvepunkt må plasseres sånn at de dekker mest mulig av variasjonen innenfor området Modelleringsteknikk: Unsupervised classification

5 Toktplanlegging: Unsupervised classification 1. Samle tilgjengelige batymetri- og backscatterdata Batymetri: Dekker hele området Backscatter: Dekker ikke hele området, varierende kvalitet (Eksempler fra planlegging av påsketokt i Finnmark)

6 Toktplanlegging: Unsupervised classification 2. Regne ut relevante terrengvariabler fra batymetrien Skråning (fin- og grovskala) BPI (fin- og grovskala) BPI = bathymetric positioning index, et mål på hvorvidt et punkt ligger høyere eller lavere enn sitt nabolag

7 Unsupervised classification 2.Regne ut relevante terrengvariabler fra batymetrien Skråning, fin- og grovskala: Batymetri: BPI, fin- og grovskala:

8 Unsupervised classification 3. Automatisk klassifisering i ArcGIS: Alle celler i datasettet analyseres Celler som er mest like med tanke på de utvalgte variablene gis samme kode Grupperinger av celler utgjør homogene områder

9 Unsupervised classification Batymetri, backscatter og terrengvariabler: Automatisk inndeling i klasser: GISanalyser Dendrogram som viser graden av likhet mellom klassene: = Spatial Analyst-verktøyene Iso Cluster, Dendrogram og Maximum Likelihood Classification

10 Unsupervised classification 4. Klassene gis fargekoder etter graden av likhet (Leses ut av dendrogrammet)

11 Unsupervised classification 4. Klassene gis fargekoder etter graden av likhet

12 Unsupervised classification 5. Når MAREANO-stasjonene skal plasseres tas det hensyn til at alle klassene blir representert: (Rødt = MAREANO-grense)

13 Naturtypeprediksjon

14 Naturtypeprediksjon Formål: Identifisere naturtyper og bestemme utbredelsen deres i MAREANO-området Framgangsmåte: Kombinere informasjon om biologi, bunntyper og batymetri med avledede terrengvariabler i ulike statistiske modeller

15 Naturtypeprediksjon Mye er gjort før NGU-delen av modelleringen begynner: Videotransekter er analysert av biologer Video-observasjonene er gruppert i passende intervaller (hittil: 200 m, men kan kanskje minskes for å gi bedre resultat) DCA-analyse plasserer observasjonene i et 3D-plott:

16 Naturtypeprediksjon NGUs rolle: 1. Regne ut terrengvariabler (skråning, BPI, krumning, rugositet osv.) i flere ulike målestokker 2. Hjelpe til med å identifisere grupper i 3D-plottet 3. Kjøre analyser i MaxEnt*, et program som gir den mulige utbredelsen til hver gruppe basert på utvalgte terrengvariabler 4. Kombinere MaxEnt-resultatene i ArcGIS *Phillips, S. J., R. P. Anderson, and R. E. Schapire. 2006: Maximum entropy modeling of species geographic distributions. Ecological Modelling 190,

17 Naturtypeprediksjon: NGUs rolle 1. Regne ut terrengvariabler mange! (Vi vet nemlig ikke på forhånd hvilke variabler som vil vise seg å være viktigst i et nytt geografisk område) RUG3SD MNCRV21MN GISanalyser Programmer: Landserf og ESRI ArcGIS SLP49SD SLP21SD SLP9SD SLP3SD PRCRV49SD PRCRV21SD PRCRV9SD PRCRV3SD PLCRV49SD PLCRV21SD PLCRV9SD PLCRV3SD MNCRV49SD MNCRV21SD MNCRV9SD MNCRV3SD RUG3MN SLP49MN SLP21MN SLP9MN SLP3MN PRCRV49MN PRCRV21MN PRCRV9MN PRCRV3MN PLCRV49MN PLCRV21MN PLCRV9MN PLCRV3MN MNCRV49MN MNCRV9MN MNCRV3MN BPI49SD BPI21SD BPI9SD BPI3SD BPI49MN BPI21MN BPI9MN BPI3MN NOR49SD NOR21SD NOR9SD NOR3SD EAS49SD EAS21SD EAS9SD NOR49MN NOR21MN NOR9MN NOR3MN EAS49MN EAS21MN EAS9MN EAS3SD EAS3MN DPTSD DPTMN UTMNSD UTMNMN

18 Naturtypeprediksjon: NGUs rolle 2. Identifisere grupper i 3D-plottet av bioobservasjoner

19 Naturtypeprediksjon De viktigste terrengvariablene plukkes ut når gruppene er fastslått (dette er det HI som gjør) Forward selection RUG3SD SLP49SD SLP21SD SLP9SD SLP3SD PRCRV49SD PRCRV21SD PRCRV9SD PRCRV3SD PLCRV49SD PLCRV21SD PLCRV9SD PLCRV3SD MNCRV49SD MNCRV21SD MNCRV9SD MNCRV3SD RUG3MN SLP49MN SLP21MN SLP9MN SLP3MN PRCRV49MN PRCRV21MN PRCRV9MN PRCRV3MN PLCRV49MN PLCRV21MN PLCRV9MN PLCRV3MN MNCRV49MN MNCRV21MN MNCRV9MN MNCRV3MN BPI49SD BPI21SD BPI9SD BPI3SD BPI49MN BPI21MN BPI9MN BPI3MN NOR49SD NOR21SD NOR9SD NOR3SD EAS49SD EAS21SD EAS9SD NOR49MN NOR21MN NOR9MN NOR3MN EAS49MN EAS21MN EAS9MN EAS3SD EAS3MN DPTSD DPTMN UTMNSD UTMNMN DPTMN (dyp) SLP49MN (skråning) UTMNMN (breddegrad) MNCRV49MN (ujevnhet) BPI49MN (relativ posisjon)

20 Naturtypeprediksjon: NGUs rolle 3. MaxEnt-analyser gir ulike gruppers mulige utbredelse DPTMN (dyp) SLP49MN (skråning) UTMNMN (breddegrad) MNCRV49MN (ujevnhet) BPI49MN (relativ posisjon) Kategoriske variabler: SEDKORN (kornstørrelse) LANDSKP (landskap) MaxEnt (m. fl.)

21 Naturtypeprediksjon: NGUs rolle 4. MaxEnt-resultatene kombineres i GIS 1 2 GIS 3 4 Spatial Analyst: Highest Position (m. fl.)

22 Naturtypeprediksjon: NGUs rolle Modellens treffsikkerhet bestemmes ved å se hvor godt observasjonene predikeres: Prediksjonsprosent: 72,7 Dårlig treffsikkerhet kan skyldes feil gruppeinndeling, at ikke de rette variablene er valgt eller at dataene er mangelfulle. Da er det bare å prøve igjen! Og igjen og igjen og igjen.

23 Takk for oppmerksomheten! (Og tusen takk, Terje, for at du presenterte for meg! Hilsen Sigrid som sitter i Trondheim og kjører MaxEnt igjen og igjen og igjen.)