Shivesh Karan
Forsker
(+47) 410 15 674
shivesh.karan@nibio.no
Sted
Ås - Bygg O43
Besøksadresse
Oluf Thesens vei 43, 1433 Ås (Varelevering: Elizabeth Stephansens vei 21)
Vedlegg
ResumeBiografi
Shivesh har en doktorgrad i miljøvitenskap og ingeniørfag med spesialisering innen bærekraftig arealforvaltning gjennom analyse av geospatiale data. Med bakgrunn innen datateknologi og ingeniørfag, befinner hans ekspertise seg på krysset mellom teknologi og miljøvitenskap. Hans forskning omfatter sårbarhet knyttet til vannressurser, strategier for bioøkonomi, bruk av biokull i jordbruket, og han er spesielt interessert i å bidra til forskning relatert til syntese og analyse av geografiske data for tilpasning og lindre av klimaendringer.
Sammendrag
Antallet aktive gårdsbruk i Nord-Norge synker, men de som fortsatt driver har mer areal. Husdyr konsentreres i færre og større enheter. Endringene skaper utfordringer for skjøtsel, som er viktig for naturmangfold og ivaretakelse av landskap og kulturarv. Dette er også tema der det er uttalte målsetninger og internasjonale forpliktelser å ta hensyn til.
Sammendrag
Antallet aktive gårdsbruk i Norge synker, og trenden er tydelig også i Nord-Norge. Samtidig er det en målsetning å øke rekrutteringen til landbruket og å sikre at bonden er del av et fagmiljø. Utviklingen tyder imidlertid på at en gårdbruker i nord må reise stadig lenger for å møte en kollega.
Sammendrag
Urban green structures (UGS) play important roles in enhancing urban ecosystems by providing benefits such as mitigating the urban heat island effect, improving air quality, supporting biodiversity, and aiding in stormwater management. Accurately mapping UGS is important for sustainable urban planning and management. Traditional methods of mapping such as manual mapping, aerial photography interpretation and pixel-based classification have limitations in terms of coverage, accuracy, and efficiency. Object-based image analysis (OBIA) has gained prominence due to its ability to incorporate both spectral and spatial information making it particularly effective for classification of high-resolution satellite data. This paper reviews the application of OBIA on satellite images for UGS mapping, focusing on various data sources, popular segmentation methods, and classification techniques, highlighting their respective advantages and limitations. Key segmentation methodologies discussed include multi-resolution segmentation and watershed segmentation. For classification, the review covers machine learning techniques such as random forests, support vector machines, and convolutional neural networks, among others. Several case studies highlight the successful implementation of OBIA in diverse urban environments by demonstrating improvements in classification accuracy and detail. The review also addresses the challenges associated with OBIA, such as dealing with heterogenous urban landscapes, data sources and with OBIA methods itself. Future directions for UGS mapping include the integration of deep learning algorithms, advancements in satellite data technologies, and the development of standardized classification frameworks. By providing a detailed analysis of the current state-of-the-art in object-based UGS mapping, this review aims to guide future research and practical applications in UGS management.