Linda Aune-Lundberg
Research Scientist
(+47) 995 78 533
linda.aune-lundberg@nibio.no
Place
Tromsø
Visiting address
Holtvegen 66, 9016 Tromsø
Abstract
Vegetasjon langs bekker og vannveier er viktig for biologisk mangfold, jordvern, erosjonskontroll, reduksjon av risiko for flom og tørke, og for elvens hydromorfologi. Copernicus Land Monitoring Service tilbyr geografiske produkter til støtte for forvaltning av land og vann. I denne rapporten analyserer vi potensialet til Riparian Zones temakart (RZ) for bruk til kartlegging og overvåking av vegetasjon langs bekker og vannveier i Norge og Polen. Vi inkluderer også analyser av temakartet Small Woody Features (SWF) innenfor områder kartlagt i RZ. Vi sammenlignet RZ med nasjonale data og flybilder for å verifisere kvaliteten til datasettet, både for status og endringer i arealdekke og arealbruk langs bekker og vannveier. Vi konkluderer med at den tematiske nøyaktigheten var ganske god for vann, jordbruksareal og skog, men at andre klasser ikke korresponderte like godt med de nasjonale dataene. Mange av avvikene kan skyldes forskjeller i klassifiseringssystemene, kildedatene og kartleggingsinstruksene for de forskjellige datasettene. I tillegg fant vi at den romlige oppløsningen av RZ er utilstrekkelig for detaljert overvåking, særlig i jordbrukslandskap. Likevel gir RZ en standardisert og harmonisert metodikk for hele Europa, og er et steg i riktig retning for å kunne overvåke arealdekke og arealbruk i disse dynamiske og viktige områdene.
Abstract
No abstract has been registered
Authors
Geir-Harald Strand Eva Solbjørg Flo Heggem Linda Aune-Lundberg Agata Hościło Adam WaśniewskiAbstract
Land cover maps are frequently produced via the classification of satellite imagery. There is a need for a practicable and automated approach for the generalization of these land cover classification results into scalable, digital maps while minimizing information loss. We demonstrate a method where a land cover raster map produced using the classification of Sentinel 2 imagery was generalized to obtain a simpler, more readable land cover map. A replicable procedure following a formal generalization framework was applied. The result of the initial land cover classification was separated into binary layers representing each land cover class. Each binary layer was simplified via structural generalization. The resulting images were merged to create a new, simplified land cover map. This map was enriched by adding statistical information from the original land cover classification result, describing the internal land cover distribution inside each polygon. This enrichment preserved the original statistical information from the classified image and provided an environment for more complex cartography and analysis. The overall accuracy of the generalized map was compared to the accuracy of the original, classified land cover. The accuracy of the land cover classification in the two products was not significantly different, showing that the accuracy did not deteriorate because of the generalization.