Kartlegging av utvalgte nye organiske miljøgifter M. NB Rana Deootblblloteket

Kartlegging av utvalgte nye organiske miljøgifter M NB Rana Deootblblloteket

Forord SatNat-programmet ble formelt etablert den 12. februar 2001 i et samarbeidsprosjekt mellom Direktoratet for naturforvaltning og Norsk Romsenter. Programmet omhandler bruken av satellittdata i naturforvaltning, og er delt opp i flere delprosjekt. Prosjekt 6 omhandler nasjonale nøkkeltall. Denne rapporten undersøker egnetheten av satellittdata for identifisering av endringer i arealbruk. Arbeidet er basert på et utvalg av endringstyper definert av Direktoratet for naturforvaltning (DN). Det har vært størst fokus på gjengroing i kulturlandskapet. Arbeidet er utført av Rune Strand Ødegård (Høgskolen i Gjøvik) og Hanne Sickel (Det Kgl. Selskap for Norges Vel). Til analysene er det benyttet data fra ulike institusj oner. Satellittbilder (SPOT, Landsat, IRS, Ikonos, Quickbird) og N5O kartdata er levert av Statens Kartverk. Geometrisk oppretting av bildene er utført av Einar Lieng, Høgskolen i Hedmark. Digitale markslagskart i Østfold er utarbeidet av NIJOS, og stilt til disposisjon gjennom et samarbeid med Fylkesmannen i Østfold. En stor takk rettes til alle som har bidratt. Trondheim, september 2005 Yngve Svarte Direktør Artsforvaltningsavdelingen 3

Innhold: Utvidet sammendrag 5 1. Målsetting 6 2. Bakgrunn 7 2.1 Hvorfor satellittbilder i endringsanalyse? 7 2.2 Tolkning og analyser av endringer basert på optiske satellittbilder 8 2.2.1 Jordobservasjonssatellitter 8 2.2.2. Hva har den optiske satellittsensoren målt? 9 2.2.3. Spektral signatur 9 2.2.4 Vegetasjonsindekser 10 2.2.5 Metodikk for endringsanalyse 10 3. Datagrunnlag 12 3.1. Studieområder - satellittbilde analyse 12 3.2. Feltarbeid- kulturlandskap 3.2.1. Studieområder i Nannestad 14 14 3.2.2. Studieområder i Østfold 14 4. Resultater 15 4.1 Vurdering av metodiske valg 15 4.2. Del 1: Kartlegging av inngrepstyper ved hjelp av automatisk klassifikasjon 16 4.3. Del 2: Spektrale analyser av høyoppløselige data 20 4.3.1. Spektrale analyser av NDVI verdier i DMK 20 4.3.2. Analyser av NDVI-verdier i områder med feltdata 23 5. Diskusjon 24 5.1 Endringsanalyser ved hjelp av automatisk klassifisering 24 5.2. Endringstyper 24 5.2.1. Flatehogst 24 5.2.2. Treslagskifte 24 5.2.3. Gjengroing av kulturlandskapet 25 5.2.4. Gjenfylling/lukking av dammer, bekker, elver i kulturlandskapet 25 5.2.5. Gjødsling av tidligere ugjødslet kulturmark 25 5.2.6. Skogplanting på skogløs grunn 25 5.2.7. Grøfting 25 5.2.8. Oppdyrking/nydyrking 5.2.9. Torvtak 26 26 5.2.10. Sand- og grustak. Steinbrudd 26 6. Konklusjoner og anbefalinger 27 6.1. Konklusjoner fra satellittbilde analysen 27 6.2. Vurdering av organisering og operativ drift 28 6.3. Terrestrisk økologisk overvaking - anbefalinger 7. Referanser 29 31 Vedlegg A 32 Vedlegg B 41 VedleggC 45 4

Utvidet sammendrag Hensikten med dettet arbeidet har vært å vurdere robuste metoder for kartlegging av endringer basert på satellittbilder med særlig fokus på gjengroing i kulturlandskapet. De aktuelle endringstypene er definert fra Direktoratet for naturforvaltning (DN), og er vurdert som vanskelig å skaffe gjennom pågående kartlegging og offentlig statistikk. Det har vært særlig fokus på gjengroing i kulturlandskapet. Rapporten presenterer analyser av Landsat, Spot, Ikonos og Quickbird scener fra Østfold, Romerike, Fosen, Oppdal og Klæbu-Melhus. I tillegg til satellittbildene er det brukt eksisterende kartmateriale i analysen (N5O) og digitale markslagskart (DMK). I den første delen av arbeidet ble alle aktuelle endringstyper vurdert i forhold til en metode utviklet gjennom Landsat Pathfinder programmet for North American Land Characterization (PHASE metoden). I denne delen av analysen ble det brukt scener fra Landsat 5 og Landsat 7. Bildene ble etterprosessert basert på en segmentering av landskapet i homogene enheter for å redusere støyen i endringssignalet. Det er ikke gjort forsøk på å optimalisere selve kartleggingsanalysen. Dette innbærer at resultatene kan forbedres ved å justere metoden mot bestemte typer arealer og endringstyper. Resultatene viser at metoden fungerer godt for hogstflater og områder der vegetasjonen fjernes (sandtak og steinbrudd). Fjellområdene kartlegges usikkert på grunn av sesongvariasjoner i snødekke og vegetasjon. Metoden er dessuten følsom for slør og dis i bildene. I andre delen av studiet ble det satt fokus på gjengroing i kulturlandskapet med studieområder i Østfold og på Romerike. Resultatene viser at i et fragmentert kulturlandskap har den romlige oppløsningen i satellittbildene stor betydning for å identifisere arealene sikkert. Ved å analysere størrelse og form for aktuelle arealer i Østfold viser analysene at bare ca. 10% av potensielle arealer i Østfold ville kunne identifiseres sikkert med ett eller flere Landsat piksler (30mx30m) dersom en tar hensyn til usikkerheten i posisjoneringen av bildet. Årsakene til dette er at aktuelle arealer er små og ofte langstrakte. I analysen er arealene fra digitalt markslagskart brukt (Arealtilstand kode 27 - Anna jorddekt fastmark). Basert på erfaringer i felt inkluderer denne arealtilstanden ofte arealer som kan være utsatt for gjengroing i kulturlandskapet. De spektrale analysene for å identifisere gjengroing er gjort ved å sammenligne arealer innenfor samme området som er holdt i god hevd og arealer som er i ulike stadier av gjengroing. Hovedkonklusjonen fra arbeidet er at metodikk for å identifisere endringer i et fragmentert kulturlandskap (gjengroing) vil kreve bildemateriale med romlig oppløsning 5 meter eller bedre fra en sensor med IR-kanal (IKONOS, Quickbird, SPOT-5 eller IR ortofoto). Aktuelle arealer som skal overvåkes må identifiseres på forhand, for eksempel ved å bruke arealinndelingen i digitalt markslagskart eller eksisterende kartlegging fra kommunene. Metoder basert på relativ endringer i NDVI indeksen ser ut til å kunne identifisere gjengroing med busker og kratt, men metodikken må utvikles videre. En operativ kartlegging vil kreve at endringstypene defineres bedre samtidig som det settes opp krav til kvalitet i en operativ overvaking. Det anbefales sterkt at bruk av satellittbilder i en terrestrisk økologisk overvaking sees i sammenheng med eksisterende kartdatabaser og kartleggingsprosjekter i en helhetlig overvaking. I en helhetlig overvaking bør alle eksisterende datakilder benyttes. Bruk av satellittbilder representerer en billig og rask metode for å identifisere endringer før disse endringene eventuelt kartlegges gjennom andre programmer (Markslagskart eller annen tradisjonell kartlegging). Metodikken bør utvikles tverrfaglig. 5

1. Målsetting Hovedmålsetting for prosjektet er å vurdere egnethet i bruk av satellittbilder til å overvake inngrep og endringer i arealbruk, som en del av utviklingen av nasjonale miljønøkkeltall. Arealtypene som er aktuelle å vurdere i første omgang er definert av Direktoratet for naturforvaltning (DN) og går fram av tabell 1.1. Dette er inngrepstyper som det er vanskelig å skaffe seg informasjon om gjennom pågående kartlegging og offentlig statistikk. Inngrepstypene er relevante i forhold til forvaltning av arealer med stort biologisk mangfold. Gjengroing og gjenfylling/lukking av dammer, bekker og elver i kulturlandskapet er vurdert som særlig relevant. I arbeidet er det lagt størst vekt på gjengroing i kulturlandskapet. TYPE ENDRING RELEVANS FOR TIDSSKALA ROMLIG SKALA BIOLOGISK MANGFOLD Gjengroing i kulturlandskapet Høy Gradvis endring over flere 10 år >2-15meter Gjenfylling av dammer, Høy Endring i løpet av 2-5 meter bekker og små elver i dager, deretter kulturlandskapet mulig gjengroing Gjødsling av tidligere Høy Endring i løpet av 20-50 meter ugjødslet kulturmark en sesong Flatehogst Medium Endring i løpet av 20-50 meter dager, deretter gjengroing Treslag skifte Medium Gradvis endring over flere 10 år 20-50 meter Skogplanting på skogløs Medium Gradvis endring 20-50 meter grunn over flere 10 år Grøfting i myrer Lav Overflate endring i >2-5 meter løpet av dager Torvtak Lav Varierende >2-5 meter tidsskala, som regel gradvis utvidelse av areal Oppdyrking/ nydyrking Lav Endring i løpet av 20-50 meter dager Sand- og grustak, steinbrudd Lav Varierende 20-50 meters tidsskala, som regel gradvis utvidelse av areal Tabell 1.1. Oversikt over endringstyper vurdert i forhold til relevans for forvaltning av arealer med stort biologisk mangfold. De ulike endringstypene er vurdert i forhold til relevans, tidsskala og romlig skala. Når det gjelder romlig skala er det gjort en skjønnsmessig vurdering ut fra hva som er realistisk med fjernmålingsmetoder. For enkelte typer vegetasjonsendringer er det klart at den best mulige oppløsning for målinger fra satellitt (0.5-1 meter) vil være for lite detaljert (f.eks. gras og urter på artsnivå). 6

2. Bakgrunn 2.1 Hvorfor satellittbilder i endringsanalyse? Kartlegging av arealdekke og overvaking av endringer i arealdekke er viktige grunnlagsdata knyttet til forskning og forvaltning av naturmiljøet. Slike data er av interesse for landskapsøkologer, planleggere, miljøvern myndigheter og naturressursforvaltere. I dette prosjektet er fokus på økologisk overvaking med utgangspunkt i DN sine behov i forvaltningen av arealer med stort biologisk mangfold. Markslagskartleggingen som gjøres av Norsk institutt for jord- og skogkartlegging (NIJOS) dekker i stor grad forvaltningens behov for oppdatert arealdekke informasjon for produktive landbruks- og skogarealer. NIJOS står også bak endringsanalyser basert på samplingsbaserte prosjekter (3Q), der en velger å følge med i endringer i små utvalgte områder. Slike metoder forutsetter at utvalgte områder er representative for å kunne fa god areal statistikk over endringer. Eksisterende kartlegging er i hovedsak basert på manuell tolking av flybilder kombinert med feltarbeid. Dette er generelt vurdert som en metode som gir god posisjonsnøyaktighet og god kvalitet i forhold til valgt klassifikasjon. Ulempene er at manuelle tolkingsmetoder basert på flybilder er kostbare og at resultatet vil være avhengig av erfaring hos operatør. Dessuten vil en kartlegging basert på en tolkning være avhengig av tolkningsnøkkelen (klassifikasjonen) som brukes. En endring som er relevant i forhold til forvaltningen av biologisk mangfold vil ikke alltid fanges opp fordi klassifikasjonen ikke er egnet. For eksempel vil et tidlig stadium av gjengroing av ugjødslet beite ikke fanges opp i eksisterende kartlegging. En endringsanalyse der grunnlagsdata kan sammenlignes over større arealer krever samtidige opptak over tilsvarende store arealer i to eller flere tidspunkt. Samtidige opptak fra fly vil ikke dekke tilsvarende store arealer og vil være mindre egnet til automatisk sammenligning på grunn av etterprosessering av bildene. Bruk av satellittbilder gir dessuten en mulighet til å utnytte en større del av det elektromagnetiske spekteret i automatiske eller halvautomatiske kartleggings metoder. Ulempen ved bruk av satellittbilder er hovedsakelig knyttet til at den romlige oppløsningen i bildene (størrelsen på pikslene) ikke alltid er tilstrekkelig til å identifisere aktuelt areal. Dette er særlig et problem i fragmenterte kulturlandskap. Det er ikke mulig å gi en eksakt vurdering av størrelsen på et areal som vil kunne identifi seres i en endringsanalyse basert på en bestemt sensor. Dette vil blant annet være avhengig av kontrasten mellom arealet og områdene rundt, terrenghelning, skygge effekter, atmosfæriske forhold (skyer og dis), formen på arealet, nøyaktigheten i posisjonering av satellittbildene som sammenlignes og metoden som brukes for å detektere endring. Som en tommelfinger regel så må arealene være minst 2-3 ganger pikselstørrelsen i bildet for å kunne identifiseres sikkert. Men det finnes mange eksempler på publikasjoner der arealer på omtrent samme størrelse som en piksel er blitt identifisert. Kostnadene ved bruk av satellittbilder vil som regel være betydelig lavere pr. arealenhet sammenlignet med flybilder. Det har likevel vist seg vanskelig å fa i stand avtaler om felles finansiering av satellittbilder til bruk i kartlegging og forvaltning. Slike rutiner for felles finansiering er godt innarbeidet i kartbransjen i forbindelse med finansiering av flybilder og forslag er under arbeid for tilsvarende løsninger for satellittbilder. Generelle utfordringer i kartlegging av endringer i arealdekke kan sammenfattes i følgende punkter: Tradisjonell kartlegging av arealbruk og arealdekke har stort sett vært fokusert på å ha et fullstendig og oppdatert kart i forhold til dagens situasjon. Historikken i endringer er ikke alltid ivaretatt på en systematisk måte. Kartlegging av arealdekke og arealbruk er vanligvis rettet mot områder med økonomiske interesser, det vil si landbruksarealer og arealer 7

for produktiv skog. Dette er ikke de mest interessante arealer i forhold til forvaltning av arealer med stort biologisk mangfold. For mindre produktive arealer i lavlandet og i høyfjellsområdene er det lite historisk materiale som gir grunnlag for å vurdere endringer. Nå-situasjon er delvis kjent der hvor det er oppdaterte markslagskart. Dette gjør det vanskelig med en helhetlig vurdering av arealdekke basert på eksisterende kartlegging. Moderne kartlegging er ikke lenger fokusert på lage kart. Fokuset er på å bygge fleksible geografiske databaser som kan brukes til kartproduksjon og til geografiske analyser og som grunnlag for beslutninger. En systematisk oppbygd geografisk database vil ha stor flerbruksverdi. De største kostnadene er knyttet til datafangst, utvikling av metodikk og (i operativ sammenheng) vedlikehold av geodatabasen. Desto større flerbruksverdien er, desto lavere blir kostnaden for sluttbruker. Teknologien knyttet til datafangst fra satellitter utvikler seg raskt parallelt med nye metoder også innenfor tradisjonell kartlegging basert på flybilder og laser. Dette betyr at kravet til kompetanse i kartleggingsprosjekter blir større, samtidig som større områder kan kartlegges raskt til en lavere pris. Ny teknologi stiller krav til utviklingsarbeid og omstilling for de organisasjoner som har ansvaret for kartleggingsarbeid. Selve analysene kan i stor grad automatiseres med dagens teknologi. Dette krever at kvalitetskravene er godt definert, og at metodikken er godt testet. Et suksesskriterium vil være å definere så detaljert som mulig hva som er godt nok for formålet. Generelt øker kostnadene eksponentielt med økende krav til nøyaktighet og detaljeringsgrad. I tillegg til utviklingsarbeid knyttet til selve metoden for overvaking, vil det også være nødvendig å forstå de grunnleggene prosessene bak ulike typer endringer. Moderne kartleggingsmetoder åpner for muligheten til å koble kartleggingen sammen med ulike typer prosess modeller og ekspert kunnskap. I framtidig kartlegging av endringer vil det være viktig å skille mellom langsiktige endringer som skyldes klimaendringer, lokale naturlige endringer og lokale menneske skapte effekter. Dette er en metodisk utfordring. Med utgangspunkt i disse utfordringene er det naturlig å vurdere metodikk knyttet til datafangst fra satellitter. 2.2 Tolkning og analyser av endringer basert på optiske satellittbiider Dette kapitlet gir en kort innføring i tolkning og analyser av endring basert på optiske satellittbiider. 2.2.1 Jordobservasjonssatellitter Bilder fra jordobservasjonssatellitter har i økende grad blitt benyttet i forskning og overvåkning de siste 20-30 år. Spesielt har antallet og utvalget av jordobservasjonssatellitter økt betraktelig de siste 10 år. De fleste sensorer er designet litt forskjellig avhengig av hva de er ment å brukes til. Romlig, spektral og temporal oppløsning gir en grov beskrivelse av en sensor. I starten av et kartleggingsprosjekt er det viktig å identifisere en egnet sensor. Den enkelte sensors egenskaper er avgjørende for hvor godt egnet den er til å observere et spesifikt tema. Bilder fra den optiske sensoren Landsat 7 ETM+ (Enhanced Thematic Mapper) er blant de mest brukte, den gir både pankromatiske og multispektrale bilder (Tabell 2.1 og 2.2). Informasjonen i pankromatiske bilder representerer målt reflektert synlig sollys, mens det i multispektrale bilder males reflektert sollys i et utvalg av synlige, nærinfrarøde og midlere infrarøde bølgelengder. Landsat ETM+ sensoren observerer også termisk utstråling fra jorden slik at overflatetemperatur kan beregnes. 8

2.2.2. Hva har den optiske satellittsensoren målt? Et optisk satellittbilde er et digitalt bilde som består av piksler eller bildeelementer. Pikselen inneholder en verdi (ofte mellom 0 og 255) som representerer reflektert sollys målt av satellittsensoren. Pikselverdien kan omregnes til radians eller reflektans ved hjelp av kalibreringsverdier oppgitt for den enkelte sensor. For den termiske kanalen er det mulig å regne om til overflatetemperatur. Hovedbidraget til den målte radiansen er reflektert sollys fra alle overflatetyper innenfor et areal på bakken som tilsvarer sensorens romlige oppløsning. For Landsat ETM+ er dette 30 m x 30 m. Ulike overflatetyper har ulike reflektansegenskaper. Dette illustreres i figur 2.1 ved hjelp av spektrale signaturer til jord, vegetasjon og vann. Andre effekter som bidrar til den satellittmålte radiansen er atmosfære og topografi. Ulike gasser og partikler i atmosfæren reflekterer og absorberer sollys. Dette er effekter som varierer over tid, og som en ideelt sett bør korrigere for. Videre har geometrien mellom solens posisjon, sensorens posisjon og terrengets helning og helningsretningen sterk innflytelse på målt radians. Tabell 2.1. Egenskaper for Landsat ETM+ sensoren. Spektral oppløsning angir antall kanaler det er observert reflektert sollys eller termisk utstråling fra jorden. Romlig oppløsning angir areal som et piksel dekker på bakken. Temporal oppløsning angir hvor ofte satellitten avbilder eksakt samme område. Opptaksbredde beskriver størrelsen på hele satellittbildet i forhold til dekning på bakken. Sensor Spektral Romlig Temporal oppløsning oppløsning oppløsning (kanaler) (meter) (dager) Opptaksbredde (kilometer) Multispektral Pankromatisk 7 30(60 16 185 1 15 16 185 Tabell 2.2. Spektrale kanaler i Landsat ETM+ Kanal nummer Spektralt område (um) 1 J 0.45-0.52 I synlig blått _2 0.52-0.60 synlig grønt J 0.63-0.69 synlig rødt _4 0.76-0.90 nær-infrarødt _5 1.55-1.75 midlere infrarødt I _6 10.40-12.50 termisk infrarødt _7 2.08-2.35 midlere infrarødt _8 0.52-0.90 pankromatisk synlig 2.2.3. Spektral signatur Dersom målet med en satellittbildeanalyse er å lage et temakart er det viktig å først definere hvilke klasser som ønskes kartlagt. Slike klasser kalles informasjonsklasser. Utfordringen med å lage et temakart som resulterer i ønskede informasjonsklasser er at de ofte ikke tilsvarer de spektrale klassene som finnes i et satellittbilde. Spektrale klasser er naturlige grupper som har samme posisjon i egenskapsrommet. Man søker dermed en metodikk for å identifisere de spektrale klassene i datasettet som representerer ønskede informasjonsklasser. Flere spektrale klasser utgjør ofte en enkelt informasjonsklasse. Et eksempel er et tilfelle der en skal kartlegge ulike skogtyper og man ønsker informasjonsklassene barskog og løvskog. Løvskog kan finnes i satellittbildet som de spektrale klassene: skyggelagt tett løvskog, belyst tett løvskog, skyggelagt glissen løvskog, belyst glissen løvskog. For analyser av endringer vil det være tilsvarende viktig å identifisere endringer i den spektrale signaturen over tid. 9

Bølgelengde (jjm) Figur 2.1. Typiske spektral signaturer til vann, vegetasjon og jord. Illustrasjon hentet fra Lillesand & Kiefer 1999. Det nærinfrarøde område med høy refleksjon fra vegetasjon er typisk rundt 0.8 um. 2.2.4 Vegetasjonsindekser Normalized Difference Vegetation Index (NDVI) er en av mange vegetasjonsindekser (Rouse et al., 1974). En vegetasjonsindeks er en dimensjonsløs størrelse som gir et relativt mål på intensiteten for grønn vegetasjon. NDVI beregnet ved: (Kanal Nærlß - Kanal Rød)/ (Kanal Nærlß + Kanal Rød). I og med at reflektansen for frisk grønn vegetasjon øker kraftig fra rødt til nærinfrarødt (Figur 2.1) så vil indeksen øke med økende differanse mellom det reflekterte signalet i disse to kanalene. Ved å dele på summen av signalet korrigeres til en viss grad varierende innstråling. 2.2.5 Metodikk for endringsanalyse Endringsanalyser bygger på ulik metodikk. Under følger en beskrivelse av fem hovedtyper. Det er ikke klare grenser mellom metodene: 1. Tematisk klassifisering av to eller flere satellittbilder som sammenlignes for å detektere endringer. Fordeler: Flere sensortyper kan brukes, også data som ikke er basert på satellittbilder, for eksempel eldre kart. Ulemper: Avhengig av en entydig og svært god klassifikasjonsmetodikk. Arealene som sammenlignes må være godt posisjonert til samme geografiske referanse for å være sikker på å måle reelle endringer. Endringer i klassifikasjonen vil skape problemer i sammenligningen av eldre og nyere kart. 2. Beregne endringer i reflektert stråling i ulike deler av spekteret piksel for piksel for to eller flere tidspunkt. Mange varianter av denne metoden. Fordeler: Ikke avhengig av en klassifikasjon av bildene. Ulemper: Bildene må være godt posisjonert til samme geografiske referanse: Samme sensortype må brukes for de fleste varianter av denne metoden. Opptaks situasjon må være så lik som mulig med hensyn til vegetasjon og innstråling (bilder på omtrent samme dato og tidspunkt på dagen dersom årlige variasjoner skal kartlegges, helst også nokså lik markfuktighet). Metoden påvirkes av endringer i 10

3. 4. 5 atmosfæriske forhold mellom scenene som sammenlignes. Som regel nødvendig å korrigere bildene for atmosfærisk påvirkning. Metoden bygger på at det lages et sammensatt "bilde" fra flere tidspunkt som blir klassifisert som om det var et multispektralt bilde. Fordeler og ulemper vil være omtrent som punkt 2, bortsett fra at datagrunnlaget vil være større slik at det er mulig å se på endringer i identifisere løpet av en sesong samt eventuelle feil i enkeltscener. Automatisk klassifikasjon av et slikt sammensatt "bilde" med standard teknikker identifiserer områder som har endret seg. Mange metoden. varianter av denne Manuell bildetolking og manuell digitalisering på skjerm av områder med endring. Kan eventuelt kombineres med en automatisk metode som identifiserer områdene (pkt. 1-3). Fordel: Sikker metode. Ulempe: Ressurskrevende for store arealer. Avgrensing av arealene og identifikasjon av endring er avhengig av erfaring hos operatør. Det er dessuten vanskelig å utnytte den spektrale oppløsningen i satellittbilder med manuelle metoder, i og med at det bare er mulig å visualisere 3 kanaler samtidig (3 fargeband). Innovative metoder basert på en eller annen form for "læring" av et datasystem eller bruk av datamodeller for de prosessene som skal kartlegges, eventuelt avanserte kombinasjoner av metodene 1-3. vil fungere i en annen sammenheng uten omfattende testing. PHASE-metoden som er testet i dette arbeidet er et eksempel på en slik innovativ metode. Coppin et al. (2004) har foretatt en omfattende vurdering av status for økologisk overvaking basert på 134 artikler publisert fram til 2002. Her følger et utvalg av konklusjonene som er relevante i forhold til aktuell problemstilling: Vegetasjonsindekser er sterkere koblet til endringer i en scene enn responsen fra enkelt kanaler. Presis registrering av bildene i forhold til geografiske koordinater har stor betydning. En eller annen form for normalisering eller radiometrisk korrigering er nødvendig for å gjøre bildene mest mulig uavhengig av atmosfæriske forhold og innstråling. De store mønstre i endringer knyttet klimaendringer og større arealbruksendringer kan identifisere med satellittdata med stor temporal oppløsning (lav romlig oppløsning 250 meter til 1 kilometer). Ulike endringsmetoder er i stor grad komplementære, ulike metoder vil være nødvendig for å identifisere et utvalg med ulike endringstyper. Framtidas metoder vil bygge på integrert bruk av GIS systemer sammen med ekspert systemer og økologiske simuleringsmodeller. Metodene 1-4 representerer klassisk metodikk i endringsanalyse. Det har vært gjort mye forskning på varianter av disse metodene. Hver for seg har metodene ulemper som kan føre til operative vanskeligheter. Når det gjelder de mer innovative metodene, så vil disse i mange tilfeller unngå eller redusere ulempene i metodene 1-4. Problemet med disse metodene er at de som regel er testet i svært begrensede områder og med en type sensor. Dette er et generelt problem for mye av det som er publisert av metodikk innenfor fjernmåling. Hvis metoden er optimalisert for et bestemt datasett er det vanskelig å vurdere hvordan den 11

3. Datagrunnlag 3.1. Studieområder - satellittbilde analyse Dette studiet består av to deler. I den første delen er det gjort analyser i 4 områder: Fosen, Oppdal, Østfold og Klæbu-Melhus. Figur 3.1. Studieområdene har vært Fosen, Oppdal, Østfold, Klæbu-Melhus og Romerike. Tabell 3.1: Oversikt over satellittbilder som har inngått i analysen ved bruk av PHASE metoden. 12

Tabell 3.2. Oversikt over studieområder i første del av studiet. Basert på resultatene fra analysene med PHASE metoden ble det valgt tre mindre studieområder med høyoppløselige satellittdata for å sette større fokus på cndringer i kulturlandskapet: Jæløya ved Moss, Hvaler området og området rundt Gardermoen og nordre Romerike. Ut fra en vurdering av interessant kulturlandskap (se beskrivelse av feltarbeid) og dekning for aktuelle satellittscener ble 4 testområder valgt ut: Gardermoen (område for Quickbird scene) Romerike nord som dekker store deler av Nannestad kommune (Åster og Spot 3) Jæløya ved Moss (IRS) Hvaler (IRS, Spot 5 og Ikonos) Tabell 3.3: Oversikt over satellittbilder som har inngått i andre del av studiet. I tillegg har enkelte Landsat scener inngått i analysen (se oversikt for Landsat bilder). 13

3.2. Feltarbeid - kulturlandskap Det ble utført feltarbeid på utvalgte kulturlandskapslokaliteter i Nannestad og Østfold. Feltarbeidet omfattet en vurdering av hevdtilstand, grad av gjengroing og biologisk mangfold og ble etterpå brukt som en fasit for resultatene fra satellittbildeanalysene. Feltarbeidet omfatter ca. 60 lokaliteter som ble fotografert og beskrevet ut fra observasjoner i felt. 3.2.1. Studieområder i Nannestad Studieområdene i Nannestad ble valgt ved innhenting av forslag fra miljøvernsjef Kari Westgård Berg og en lokal gårdbruker, Kåre Homble, som har god kjennskap til lokal flora og verdifulle kulturlandskap i Nannestad. Ti områder ble valgt, hvorav 5 skogssetre, 3 større områder med beiteraviner, et gardsbruk med mange kulturlandskapselementer og et hagemarkområde. Områdene varierer sterkt med hensyn på grad av gjengroing, hevd status og arealstørrelse. En detaljer beskrivelse av feltområdene i Nannestad finnes i Vedlegg A. Disse arealene er nærmere vurdert i siste delen av satellittbilde analysen. 3.2.2. Studieområder i Østfold Utvelgelse av lokaliteter i Østfold ble basert på en dekningsoversikt for IR-flyfoto og rapportering av verdifulle kulturlandskapslokaliteter i Østfold ("Verdifulle kulturlandskap i Østfold" FMLA & FMMA rapport 9a - 1996). Flere lokaliteter på Hvaler (Kirkøy) og Jæløya, samt arealer tilknyttet Hobøl kirke, Eidsberg kirke og Evje gard ble besøkt. Registrerte kulturlandskapstyper er bl.a. tidligere og nåværende beitemarker, herregårdsmiljø med hageanlegg, alléer og dammer, hagemark og strandenger. En detaljert beskrivelse av feltområdene i Østfold finnes i Vedlegg B. Disse arealene er nærmere vurdert i siste delen av satellittbilde analysen. 14

4. Resultater I dette arbeidet er lagt vekt på kartleggingsmetoder med en høy grad av automatisering. Helt manuelle tolkingsmetoder er ikke vurdert. I en operativ sammenheng er manuelle tolkingsmetoder et alternativ, eventuelt sammen med automatiske metoder og supplerende informasjon fra eksisterende kartdatabasen Dette er nærmere vurdert i slutten av kapitlet for konklusjoner og anbefalinger. Systematiske endringer over store arealer særlig knyttet til klimaendringer eller bruk av utmark, er ikke vurdert. Slike endringer vil i de fleste tilfeller identifiseres best på satellittbilder med stor temporal oppløsning (daglig eller med få dagers mellomrom). Det er åpenbart også et potensial for denne typen satellittdata i identifisering av gjengroing over store arealer i fjell og utmark. Endringer med kort eller langt tidsperspektiv utvidelse av (flere år) knyttet til eksisterende arealer - eventuelt også nyetablering (torvtak, sandtak, grustak og steinbrudd). Gradvise endringer med et lengre tidsperspektiv (flere år) som gjengroing, treslagskifte og skogplanting på skogløs grunn. Ut fra de aktuelle typer endringer og ulike tidsskalaer er det rimelig å anta at det må utvikles noe forskjellig metodikk. Dette arbeidet er todelt, i den første delen av prosjektet ble PHASE metoden valgt. Den største fordelen med PHASE metoden er at den spektrale sammenligningen foregår på samme bilde. Dersom store arealer har samme type endring (sesongvariasjoner) vil disse arealene ikke bli identifisert som endring. Analysene ble gjort på store arealer (en eller flere kommuner) med Landsat bilder der alle endringstypene var representert. Manuell tolking av Spot og IRS data ble brukt som 4.1 Vurdering av metodiske validering. valg Nedenfor følger en kort beskrivelse av Seiv om det er gjort mye forskning på metoden, endringsanalyser basert på satellittbilder (Coppin 2004), er de fleste metoder optimalisert for en bestemt type bruk. De tradisjonelle metodene beskrevet innledningsvis har ulemper som gjør de problematiske i operativ sammenheng. En operativ metode bør være robust i forhold til endringer i atmosfæriske forhold og små feil i georegistreringen. Videre bør metoden som velges kunne fungere med forskjellige typer sensorer, dette gjelder særlig i forhold til nye og bedre sensorer som vil komme i årene framover. Videre bør endringsanalysen ikke knyttes til en bestemt klassifikasjon av bildene. En klassifikasjon introduserer feilkilder i forhold til hvordan klassene defineres og identifiseres. Dessuten vil en endringsanalyse basert på en klassifikasjon være lite fleksibel i forhold til endringer og revisjoner av klassifikasjonssystemet. Hovedtypene av endringer i forhold til tidsskala er: Endringer med kort tidsperspektiv (dager til uker) for et større sammenhengende areal (flatehogst, gjenfylling/lukking av dammer, bekker og elver og oppdyrking/nydyrking). 1. Hyperclustring av scener Hyperclustring vil si å redusere datamengden i et multispektralt bilde til 1 kanal med et gitt antall klasser, for eksempel 250 (lagres i et 8-bits bilde). Hver av disse klassene vil representere piksler som er svært like. De midlere spektrale verdiene i hver klasse tilordnes slik at hyperclustringen fungerer som en generalisering av et satellittbilde. Clustring av et bilde er i hovedsak en automatisk metode (antall klasser må ofte velges). 2. Endringsanalysen Selve endringsanalysen baserer seg på resultatene fra clustringen under pkt. 1. Det etableres en kobling mellom klassene i de 2 bildene. De spektrale forskjellene sammenlignes innenfor samme scene, men mønsteret hentes fra et annet tidspunkt ved å identifisere klasser med stort overlapp. For detaljer henvises til artikkel av Myers (1999). 15

Endringsbildet som produseres i PHASE metoden inneholder mye støy, dette vil særlig være små arealer som identifiseres som endringer som ikke er reelle. For å fjerne en del av støyen er det i tillegg brukt en metode hvor satellittbildene som inngår i analysen er delt inn automatisk i sammenhengende arealer som har omtrent samme spektrale signatur. I dette studiet er resultatene fra PHASE metoden etterprosessert ved hjelp en segmentering av bildet med bruk av ecognition men tilsvarende software kan også brukes, eventuelt en arealinndeling fra en annen kartlegging. Denne arealinndelingen er kombinert med endringsbildet, og andel endringspiksler i hvert areal er summert. Dette sikrer at arealene som identifisert faktisk er sammenhengende homogene arealer. En kombinert analyse av endringsbildet og det segmenterte bildet resulterer i identifikasjon av arealer der det har skjedd en endring i spektral signatur for bildene som sammenlignes I den andre delen av arbeidet ble fokus satt på gradvise endringer i forhold til gjengroing i kulturlandskapet, med særlig fokus på å skille arealer som blir slått/beitet i forhold til arealer som gror igjen. I dette arbeidet ble det brukt høyoppløselige data fra Quickbird, Ikonos og Spot 5 (resolution merged, 2.5 meter). Det er gjort en generell deskriptiv analyse av det spektrale signalet fra aktuelle arealer med bruk av hyperclustring og vegetasjonsindekser. I denne delen av arbeidet er digitale markslagskart (DMK) og feltarbeid brukt som validering. Som utgangspunkt for arealer utsatt for gjengroing er det kun brukt områdene klassifisert som arealtilstand 'Anna jorddekt fastmark' i markslagskartet i Østfold. Basert på feltarbeid er disse arealene et godt utgangspunkt for å identifisere arealer som kan være utsatt for gjengroing. DMK har ikke vært tilgjengelig for testområde Romerike. I analysene av det spektrale signalet er det NDVI som er brukt. I en eventuell videreføring av studiet er det naturlig å prøve andre vegetasj ons indekser. Det er gjort detalj analyser av spektral signatur i noen fa utvalgte områder der det er gjort feltarbeid (Nannestad og Hvaler) for å vurdere hvordan den spektrale informasjonen endrer seg i områder som er holdt i god hevd sammenlignet med områder som er utsatt for gjengroing. Sammenligningene er gjort innenfor samme scene. Det har ikke vært tilgang på høyoppløselige data fra ulike tidspunkt. Disse analysene er basert på NDVI og manuell tolking av resultatet. Det tilgjengelige feltmaterialet er for lite til en omfattende vurdering av egnethet, ca. 60 arealer er vurdert i felt i kombinasjon med analyser av bilder med høy romlig oppløsning. Et slikt feltmateriale gir en god indikasjon, men er ikke tilstrekkelig for en statistisk vurdering av metodikken. 4.2. Del 1: Kartlegging av inngrepstyper ved hjelp av automatisk klassifikasjon Studiene er gjort på Landsat 5 og Landsat 7 bilder med en romlig oppløsning (piksel størrelse) på 30 meter. Det er også gjort en test med SPOT og IRS data (10 meter pikselstørrelse). Denne delen av studiet er basert på PHASE metoden. Det er først etablert et endringsbilde med små verdier for små endringer og store verdier for store endringer. Dette bilde er etterprosessert slik som beskrevet i metodekapittelet ved at endringspiksler er summert over sammenhengende homogene arealer. De homogene områdene er automatisk klassifisert fra det siste satellittbildet i analysen. Som referansedata er det brukt høyoppløselige satellittdata (SPOT og IRS). Endringskartet kan altså betraktes som et mål for sannsynlighet for at et bestemt homogent areal her endret seg mellom de to bildene. I områder med dyrket mark vil det være mange slike arealer, avhengig av driftsform og tidspunkt i vektsesongen. I skogsområder vil områder med flatehogst klassifiseres som endringsarealer, men endringene vil bli mindre når hogstfeltet gror igjen. Generelt vil områder der vegetasjonen fjernes eller endrer karakter tre fram som endringsarealer, for eksempel i steinbrudd og grustak. I det følgende er det presentert en del slike tester ved å sammenligne satellittbilder i ulike arealer og til ulike tidspunkt. 16

Eksempel 1, Fosen: Satellittbildet-: Landsat 5 fra 30. august 1988 og Landsat 7 fra 2. oktober 2000 Kommentarer til bildene: Begge bildene er av god kvalitet. Referansebilde: IRS - sørlige del fra 21. juli 2002. 50,30-0,41 H 0,42-0,55 0,77-1,00 Figur 4.1. Skraveringen angir andel endringspiksler innenfor hvert areal. Dette endringskartet er vektorisert der andel endringspiksler er lagt inn som en egenskap til arealet. Områder med mer enn 30 % endringspiksler er vist. I kystområder vil det bli noen endringsarealer i strandsonen som ikke er reelle. Dette kan skyldes georefereringen, flo og fjære eller endringer i bølgemiljø. Dette problemet kan til en viss grad løses med å bare ta med landarealene i analysen, men på grunn av oppløsningen i satellittbildene vil det likevel kunne dukke opp striper langs kysten som er vanskelige å tolke (innenfor en avstand på en til tre ganger pikselstørrelsen). Dette vil skape problemer for identifisering av endringer i strandenger og kystlynghei. 17

Eksempel 2: Østfold Satellittbilder: Landsat 5 fra 31. august 1987 og Landsat 5 fra 31. juli 1999 Kommentarer til bildene: Begge bildene er av god kvalitet, men dessverre er det litt problemer med georefereringen på grunn av noen rader er forskjøvet relativt i forhold til radene over. Dette er et teknisk problem i bildet som ikke lett lar seg rette opp. Referansebilde: SPOT multispektralt fra 13. september 2002. Figur 4.2. Endringskartet er vektorisert der andel endringspiksler er lagt inn som en egenskap til arealet. Deretter er det kjørt en overlagring mellom de vektoriserte endringsarealene og markslagskartet slik at endringer for dyrket mark ikke vises. Resultatet fra Østfold gir gode resultater i skogsområdene. Begge bildene er av god kvalitet, seiv om problemer med georefereringen skaper litt problemer ved at de identifiserte arealene ikke har helt riktig avgrensing. I dette tilfeller er det brukt en terskelverdi på 30 % for endringspiksler, det vil si at de arealene som vises her har mer enn 30 % endringspiksler. Dette ser ut til å fungere bra for disse scenene i og med at hogstflatene blir identifisert. Eksempel 3 Oppdal: Satellittbilder: IRS fra 6. august 1999 og SPOT fra 23. august 2002. Kommentarer til bildene: Begge bildene er av god kvalitet seiv om det er litt skyer. Det er ikke gjort noen endringer i georefereringen, det vil si at avviket kan være opp til 20-30 meter mellom bildene. For å sammenligne bildene ble IRS bildet transformert til samme pikselstørrelse som SPOT bildet (10 meter). Generelt viser forsøket med å sammenligne IRS og SPOT bilder de samme resultatene som Landsatbilder, men oppløsningen er bedre. Identifisering av veger og mindre arealer stiller store krav til georefereringen. Områdene over tregrensa må analyseres separat fra lavlandsområder på grunn av snøfonner og sesongmessige endringer i vegetasjonen. Vegetasjon og snø vil kunne variere mye fra år til år seiv om arealbruken ikke endres. Referansebilde: IRS fra 6. august 1999 med full oppløsning (5 meter). 18

Figur 4.3. Høyoppløselig IRS bilde fra august 1999 til venstre og SPOT bilde fra 23. august 2002 til høyre. Midt i bildet er det et område der vegetasjonen er fjernet over et større område (masseuttak eller større utbygging). Dette området er klart identifisert som et endringsareal. Figur 4.4. Samme bilder som over. I dette området er det anlagt en veg. Dette området ble ikke identifisert som endring fordi bildene ikke var godt nok georeferert. Vegen er 15-20 meter brei. 19

4.3. Del 2: Spektrale analyser av høyoppløselige data I denne delen av arbeidet er det spektrale signalet for ulike områder i kulturlandskapet analysert i utvalgte områder på Romerike og i Østfold. Det er særlig brukt NDVI for å vurdere det spektrale signalet. I den første delen er arealtilstanden i DMK brukt som referansedata i et område på og rundt Hvaler. I den andre delen er analysene gjort i områder med bakkedata fra felt (Hvaler og Romerike). 4.3.1. Spektrale analyser av NDVI verdier i DMK Analyseområde for NDVI-verdier i DMK Figur 4.5. Analyseområde for NDVI-verdier i DMK uthevet med gul farge. NDVI verdiene i DMK er analysert for Hvaler området i Østfold. Arealtilstand "Anna jorddekt fastmark" er brukt som utgangspunkt for arealer som kan være utsatt for gjengroing. Dette er arealer som ikke er klassifisert som skog, myr eller dyrket mark. Dette vil typiske være ugjødslet beite, gardstun og randområder til dyrket mark. Ut fra klassifiseringen i DMK er dette de arealene som best tilsvarer arealer utsatt for gjengroing, men det vil naturligvis være en del avvik. Som studieområde er det valgt ut et kystområde med variert kulturlandskap og skog rundt Hvaler i Østfold (Figur 4.5). I dette området er NDVI verdiene analysert ien Spot 5 scene fra 13. september 2002 og en Landsat 7 scene fra 5. juli 2001. I en situasjon med gjengroing i kulturlandskapet vil den spektrale signaturen nærme seg verdiene for skog. Resultatene viser at potensielle arealer for gjengroing skiller seg fra lauvskog og barskog ved å studere NDVI verdier over større arealer. NDVI verdiene er betydelig lavere for potensielle arealer for gjengroing sammenlignet med lauvskog, men skiller seg ikke vesentlig for barskog (tabell 4.1). Når det gjelder standardavviket for NDVI innenfor markslagsklassene så er den noe større for potensielle gjengroingsarealer sammenlignet med lauvskog og betydelig større enn for barskog. Det er en stor overlapp i parameter-rommet for "NDVI" og "standardavvik for NDVI". Analysen viser likevel et potensial i å bruke disse parametrene til å identifisere endring i arealer der arealtilstanden i utgangspunktet er kjent, f. eks. fra DMK eller andre arealdekke kart. En endring i retning av høyere NDVI og mindre variasjon i NDVI vil være en god indikasjon på gjengroing for et areal (Figur 4.6 og 4.7). Ved sammenligning av NDVI for 2 eller flere satellittopptak, eventuelt med ulik sensorer, vil det være nødvendig å foreta en eller annen form for normalisering. I analysen ble NDVI sammenlignet for en Landsat 7 scene fra 5. juli 2001 og en Spot 5 scene fra 13. september 2002. I og med at det bare er litt over et år mellom opptakene ville det være et lite antall endringsarealer. Sesongvariasj onene vil imidlertid være store, og dette vil slå ut når en sammenligner opptak i juli og august. Videre har Spot og Landsat noe forskjellig spektral oppløsning som vil føre til endringer i signalet som males. Gjennomsnittsverdiene ble sammenlignet for ulike arealtilstander mellom Landsat 7 og Spot 5. Barskog forventes å ha et relativt stabilt signal gjennom vekstsesongen, seiv om bakkevegetasjonen vil ha betydning også her. "Anna jorddekt fastmark" og "Lauvskog" viser stor spredning i NDVI signalet for de samme arealene sammenlignet med "Barskog". Spredningen rundt regresjonslinjen for barskog gir en indikasjon på hvor mye tilfeldig støy en kan forvente i et NDVI signal fra ulike sensorer seiv om arealet som males ikke er endret. Spredning kan 20

skyldes lokale variasjoner gjennom vekstsesongen, atmosfæriske forhold og skygge effekter. hjelp av gjennomsnittsverdier) til samme romlige oppløsning som scenen det sammenlignes med. Det er ikke mulig å sammenligne direkte variasjonen i NDVI innenfor et areal for sensorer med ulik romlig oppløsning. For at informasjonen skal være sammenlignbar må scenen med høyest oppløsning endres (ved NDVI for 'Anna jorddekt fastmark' og 'Lauvskog' a Anne jorddekt fastmark Lauvskog \o,^a.<b«3tx rb rt,\q\'v fb t» <d <b A <t> > \ ' ss ss ss ss ss ss ss- ss ss <y o- <s <y <s- <s- <s <s NDVI Figur 4.6. Diagrammet viser midlere NDVI verdier for arealtilstandsklassene Anna jorddekt fastmark (kode 27) og Lauvskog (kode 26) for Hvaler området i Østfold. NDVI verdiene er beregnet fra Spot 5. Standardavvik for NDVI innenfor markslagkiasser 'Anna jorddekt fastmark' og 'Lauvskog a Anna jorddekt fastmark Lauvskog Oy Or Ov O- Q O' <V <S- O- Q CV Q>- O- O- Q 55- O- O- QV Q- Q- Standardavvik for NDVI Figur 4.7. Diagrammet viser standardavviket for NDVI verdier for arealtilstandsklassene Anna jorddekt fastmark (kode 27) og Lauvskog (kode 26) for Hvaler området i Østfold. NDVI verdiene er beregnet fra Spot 5. 21

DMK gir også et grunnlag for å vurdere nødvendig spektral oppløsning i forhold til å identifisere endringer i kulturlandskapet. For arealer utsatt for gjengroing ligger omtrent 60 % av arealene innenfor 10 meter fra kanten av arealet. Denne beregningen er basert på testområde Hvaler (Figur 4.8). For hele markslagskartet er tilsvarende tall omtrent 30 %. I praksis vil dette si at seiv med en meget god georeferering vil om lag 30 % av pikslene være mulige kantpiksler i forhold til inndeling i DMK for et satellittbilde med 10 meter romlig oppløsning. Tabell 4.1. Gjennomsnitt og standardavvik for NDVI for ulike arealtilstander (DMK-ATIL) iet område i Hvaler i Østfold Avstand til grense - markslag Hvaler 1 F F ' ~~T - '---- - i i ' - i- ' --. i -. i i mr i : Jr * *" > 5 - ~^~- * 0 4 \J *.. I 0.2 -./ 0.1 T':/ o I L_ L 1 _4 1 4 li [ i 1! 0 5 10 15 20 25 30 35 40 45 50 55 60 Avstand til grense Figur 4.8. Avstand til markslagsgrense i forhold til % av areal. Stiplet linje for hele arealet som er kartlagt i DMK, hel linje for arealer som kan være utsatt for gjengroing. Analysen er basert på et rasterkart med 2.5 meter romlig oppløsning. Det vil si at avstander innenfor 2-3 meter vil kunne komme ut med 0 avstand (se startpunkt for kurven). Startpunktet for kurven vil være andel kantpiksler for en scene med 2.5 meter romlig oppløsning. 22

4.3.2. Analyser av NDVI-verdier i områder med feltdata NDVI verdier er også beregnet for feltområdene i Hvaler området og på Romerike. Feltdata for de ulike lokalitetene er beskrevet i kapittel "Feltarbeid kulturlandskap" og i vedlegg A og B. Tabell for NDVI verdier i de ulike feltområdene finnes i vedlegg C. Romerike I området Lyshaug/Ukkestad er det beiteområder i god hevd (område 4 og 5) og beiteområder under gjengroing (områder 1,2 og 3). NDVI verdien for områder i god hevd er noe lavere enn områder under gjengroing, men forskjellene er ikke store. Dette er beiteområder med mye lauvtrær som drar opp NDVI verdien. Minimumsverdien for NDVI er lavere i beiteområder. I dette området er det ikke store forskjell på variasjonen i NDVI, piksler med skygge i delvis åpne områder vil bidra til stor variasjon i NDVI seiv for områder under gjengroing. Området Ånåsrud består stort sett av beiteområder i god hevd, og har tilsvarende noe lavere NDVI verdier enn områder under gjengroing ved Lyshaug. En gjødslet område ved Ånåsrud (område 5) slår klart ut med høy NDVI verdi og lavt standardavvik i forhold til beiteområdene rundt. Tilsvarende som for Lyshaug-området har beiteområder med mye trær høye NDVl verdier og stor variasjon. Den store variasjonen skyldes i hovedsak skygge fra trær. Austaddalen (område 1 og 3) har store åpne beiteområder i god hevd, disse områdene har tilsvarende lave NDVI verdier og en midlere variasjon i NDVI-verdiene som delvis skyldes lokal topografi (raviner). det har kommet inn busker og trær stiger NDVI verdiene. Tre skogssætrer er beskrev i feltmateriale, disse er Økrisætra, Mjælabergsætra og Kringlervangen, Holsætra og Totnersætra. Dette er alle små områder som bare dekkes av Åster bildene og delvis Spot 3. Områdene er mulig å identifisere, men resultatene er vanskelig å tolke i og med at det ikke er bilder tilgjengelig med høy romlig oppløsning. Hvaler På Hvaler er det samlet inn feltdata fra 3 områder, Brenne, Stavseng og Svanekil. Områdene er stort sett i god hevd. Områder med fjell i dagen og skygge gir relativt stor variasjon i NDVI (tabell vedlegg C). I slike områder blir det vanskeligere å identifisere endringer i vegetasjonsdekke. Området Brenne/Botnekilen er alle områder i god hevd, muligens med ett unntak. Beiteområdene har relativt lave NDVI verdier, litt under middels hvis en sammenligner med områdene klassifisert som "Anne jorddekt fastmark" i DMK. Stavseng har tilsvarende verdier, når det gjelder Svanekil så har 2 områder med beite svært høye NDVI verdier (område 1 og 4). Dette er apen strandeng som beites av kyr. Kopperud/Langerud er beiteområde for sau med komplisert topografi og variert vegetasjon. De eksponerte beiteområdene har relativt lav NDVI, men lokale områder med hengebjørk, gråor og osp har svært høy NDVI. Område 2 (osp) har dessuten skygge. På Søndre Kringler er det beskrevet i alt 12 arealer, hvor halvparten er i en eller annen form for gjengroing. I åpne arealer hvor det ikke har kommet trær er det vanskelig å skille NDVI verdiene fra områder i god hevd. Der 23

5. Diskusjon 5.1 Endringsanalyser ved hjelp av automatisk klassifisering Den største fordelen med PHASE metoden er ulike sensorer vil kunne brukes i endringsanalysen samtidig som metoden ikke krever en klassifikasjonsmetode på forhand. Sluttresultatet vil være et bilde som viser hvor det har skjedd endringer, og nærmere analyse vil kunne si noe om hvilke spektrale endringer som har skjedd. Som for alle satellitt- og fly baserte metoder for endringsanalyse, så er ikke en spektral endring i overflaten ensbetydende med en endring i arealdekke eller arealbruk. Videre vil metoden generere et cluster bilde som er et interessant produkt i seg seiv, særlig i forhold til publisering på internett. Et generalisert cluster-bilde med "midlere" farger for hver klasse vil visuelt ikke skille seg mye fra originalbildet, samtidig som disse bildene kan publiseres åpent. Cluster bildet vil kunne brukes i andre sammenhenger, for eksempel som bakgrunn og kvalitets sikring av viltkartlegging eller kartlegging av naturtyper. I dette studiet er resultatene fra PHASE metoden etterprosessert ved hjelp en segmentering av bildet med bruk av ecognition. En slik analyse vil identifisere sammenhengende arealer med tilnærmet lik spektral signatur. Dersom endringsbildet sammenlignes med denne segmenteringen vil en kunne sikre at endringsarealene som identifiseres faktisk er homogene sammenhengende enheter fra det siste tidspunktet i analysen. Ved å telle opp antall piksler med store endringer innen et slikt areal vil en fa et mer robust mål som ikke er så utsatt for støy i metoden og feil knyttet til georegistreringen av bildet. Ut fra testen viser det seg vanskelig å velge riktig terskelverdi. Den endelige analyse av hvilke endring som faktisk har skjedd vil kunne gjøres på dette "endringsarealet". Dette vil sikre at den spektrale variabiliteten blir tatt med vurderingen. Uansett hvilke metode som velges for å redusere feilkildene, vil det alltid være en fare at små arealer med reelle endringer identifiseres som en feil og filtreres bort. Kvaliteten i endringsanalysen må vurderes på to nivåer. Først må det vurderes om et område der det har skjedd en endring faktisk kan identifiseres, det andre punktet blir om typen endring blir identifisert riktig. I dette studiet er det gjort tester i utvalgte områder. Testene viser at metoden fungerer godt men referansemateriale er ikke tilstrekkelig til å gjøre statistiske vurderinger. 5.2. Endringstyper 5.2.1. Flatehogst Flatehogst i vanlig bestands skogbruk vil som regel bestå av arealer som er større enn 2 dekar. I bynære områder (for eksempel Oslomarka) vil de største arealene for flatehogst være 30-50 dekar, i andre områder betydelig større. For Landsat 7 vil ikke de minste arealene på 2-5 dekar identifiseres sikkert med PHASE metoden. For IRS og SPOT vil hogstflater kunne identifiseres sikkert, også de minste arealene. I tillegg til størrelsen på arealene, vil tidspunktet for satellitt bildet i forhold til hogsttidspunkt ha stor betydning. Kontrastene i den spektrale signaturen før og etter hogst blir mindre etter hvert som ny vegetasjon vokser opp (gjengroing). Resultatene viser at intervaller på 10-12 år blir for lenge, slik at det blir en usikker identifisering av eldre hogstfelt. I Sverige brukes satellittbilder operativt til å kartlegge hogstflater. 5.2.2. Treslagskifte Treslagskifte fra løv til bar. I dette tilfelle vil det være nødvendig med en bedre spesifikasjon av prosessen. Det er mulig å identifisere forskjellen i spektral signatur for løvskog og barskog, særlig hvis det brukes bilder fra tidlig og seint i vekstsesongen. En endring av den spektrale signaturen vil foregå over lang tid. Det kan legges inn analyser for fange opp langsiktige endringer, men dette vil kreve testing og utvikling av metodikk basert på referansedata før et inngrep skjer og i ulike stadier etter et skifte har skjedd. Et alternativ vil være å bruke eldre satellittbilder, men dette vil uansett ikke være realistisk i forhold til dagens sensorer. Foreslått metodikk for gjengroing i kulturlandskapet vil også fungere for treslagskifte. Dette er ikke testet, men erfaringer fra arealdekkekartleggingen (DN utredning 2004-3) viser klart at treslagskifte er 24