Nýting fjarkönnunar við kortlagningu vistgerða

Nýting fjarkönnunar við kortlagningu vistgerða

Regína Hreinsdóttir, Guðrún Gísladóttir, Borgþór Magnússon og Sigurður H. Magnússon

Bls: 72–84 2.–4. hefti 75. árg. 2007
INNGANGUR
Á undanförnum árum hafa möguleikar á að nota fjarkönnun við kortlagningu líffræðilegrar fjölbreytni verið skoðaðir víða um heim, allt frá því að kanna útbreiðslu einstakra tegunda til þess að flokka stór landsvæði. Vegna hnignunar og eyðingar náttúrlegra svæða er yfirlit yfir útbreiðslu þeirra í tíma og rúmi nauðsynlegt svo hægt sé að gera markvissar áætlanir um verndun og nýtingu lands. Slíkra gagna er tímafrekt og kostnaðarsamt að afla með beinum mælingum á vettvangi. Með fjarkönnun er hins vegar hægt að fá yfirlit yfir yfirborð jarðar og hefur hún verið notuð til að flokka yfirborð og fylgjast með ýmsum breytingum með tíma.

Í mörgum erlendum rannsóknum hefur fjarkönnun verið beitt við kortlagningu gróðurs og vistgerða og einnig við kortlagningu á búsvæðum dýrategunda. Árangur flokkunar gróðurs og vistgerða með fjarkönnun er misjafn en fjöldi flokka, flokkunaraðferð, fjölbreytni landslags og gróðurfars hefur einkum áhrif á hann. Á Svalbarða bar Spjelkavik saman hefðbundið gróðurkort og flokkun Landsat-gervitunglamyndar og fann út að með fjarkönnun mætti afla haldgóðra upplýsinga um gróður á norðlægum svæðum og jafnvel flokka land meira niður en með hefðbundinni kortlagningu.

Túlkun gervitunglagagna krefst staðgóðrar þekkingar á svæðum sem unnið er með og einnig á eiginleikum þeirrar flokkunar sem miðað er við. Í fjölbreyttu landslagi getur flokkun með fjarkönnun orðið ónákvæmari vegna landslagstengdra þátta sem orsaka breytingar á endurvarpi. Viðbótarupplýsingar geta hins vegar nýst til að bæta flokkunina. Þegar hæðarlíkön voru notuð til viðbótar við fjarkönnunargögn við flokkun gróðurs í fjalllendi í Kanada jókst heildarnákvæmni flokkunar um 13%.

Í norðurhéruðum Svíþjóðar, Finnlands og Rússlands hefur fjarkönnun verið notuð með góðum árangri til að kortleggja beitarsvæði hreindýra, en hnignun landgæða vegna ofbeitar er þar víða alvarlegt vandamál. Hér á landi hafa gervitunglamyndir verið nýttar í verkefninu Nytjalandi við flokkun gróðurs á stórum landsvæðum. Flokkað er í 10 gróðurflokka og er leitast við að ná 85% heildarnákvæmni við greiningu hverrar myndar (Sigmar Metúsalemsson, munnl. uppl.).

Árið 2002 hófst samstarf nokkurra stofnana á Íslandi um kaup á SPOT5-gervitunglamyndum sem opnuðu nýja möguleika í landflokkun og rannsóknum. Hver mynd nær yfir um 3600 km2 landsvæði. Árið 2006 var lokið við myndatöku af landinu öllu og nú er til heildarlandsþekja af Íslandi, tekin á 5 ára tímabili, með 2,5 m greinihæfni. Skanninn í SPOT5-tunglinu safnar gögnum á bylgjulengdum sem eru vel fallnar til rannsókna á gróðri og SPOT5-myndir hafa verið notaðar til að kortleggja gróður og vistgerðir á norðlægum slóðum.

Árið 1999 hóf Náttúrufræðistofnun Íslands rannsóknir og kortlagningu á vistgerðum á Íslandi. Megintilgangur rannsóknanna er að kanna hvaða vistgerðir eru hér á landi, lýsa þeim og meta verndargildi þeirra. Vistgerðaflokkunin byggist á gróður- og umhverfismælingum á vettvangi. Hingað til hefur eingöngu verið unnið að flokkun vistgerða á hálendi Íslands (Sigurður H. Magnússon o.fl., óbirt gögn). Að baki vistgerðaflokkuninni liggja 392 gróðurmælisnið (2 x 200 m) af sjö hálendissvæðum. Á hverju sniði hafa verið skráðar háplöntutegundir og annar gróður, gróðurþekja og ýmsir umhverfisþættir svo sem halli lands, grýtni o.fl. Við úrvinnslu var beitt fjölbreytugreiningu, þ.e. flokkun (e. classification) og hnitun (e. ordination).

Vistgerðakort hafa verið unnin af þeim svæðum sem rannsökuð hafa verið en á þeim finnast alls 26 vistgerðir. Það var gert með því að finna samsvörun milli gróðurflokka sem notaðir eru við hefðbundna gróðurkortlagningu og kortlagningu vistgerða. Einkenni gróðurfélaga á gróðurkortum, eins og þeim er lýst í gróðurlykli Steindórs Steindórssonar, voru borin saman við niðurstöður gróðurmælinga og lýsingu vistgerða. Þannig var hverju gróðurfélagi varpað í ákveðna vistgerð eftir gróðursamsetningu og þekju. Með þessari aðferð er kortlagning vistgerða háð því að gróðurkortlagning hafi þegar farið fram á því svæði sem unnið er með en það er bæði kostnaðarsamt og seinlegt ferli.

Markmið þessarar rannsóknar er tvíþætt, annars vegar að kanna hvort hægt sé að nýta SPOT5-fjarkönnunargögn til að greina og kortleggja útbreiðslu vistgerða á hálendi Íslands og draga með því úr kostnaði og vinnu við kortlagningu og hins vegar að bera saman vistgerðagreiningu byggða á fjarkönnun og vistgerðakort byggt á hefðbundinni gróðurkortlagningu.
SUMMARY
Over the last few years the Icelandic Institute of Natural history has been developing methods for classification of Icelandic habitat types. The sampling of vegetation, birds, land invertebrates and environmental factors has been carried out in seven highland areas, resulting in identification of 26 different habitat types. The habitat classification has so far been based on vegetation mapping of the areas on aerial photographs.

The main objective of the current study was to investigate if remote sensing methods could be used in identification and mapping of different habitat types to make the work more efficient. A test area of 350 km2 in northeast of Iceland was selected for the research and a SPOT5 satellite image from 2002 of the area was used for the study. Accuracy assessment was made for habitat classification based on vegetation mapping and analysis of the SPOT5 image. For ground-truthing sampling of 130 tests transects in 11 habitat types was carried out in the study area. The total area of each habitat type, classified by each method, was calculated and compared. Based on the field data, 12 habitat types were classified, but they had to be condensed to eight classes in order to be able to compare the classification of the two different methods. All four bands of the SPOT5 image were used for both supervised and unsupervised classification. Corrections of the mapping were made by using both slope and hydrological data.

For all the habitat types unsupervised classification gave higher correlation with the test data than supervised classification. A map of habitat types was constructed for the area based on the unsupervised classification. Overall accuracy of the map for the eight classes was 70%, but the accuracy of each class varied from 25-90%. The accuracy of the SPOT5 map was slightly higher than that of a map based on traditional vegetation mapping. However, complete identification and separation of all the different habitat types could not be accomplished by remote sensing. Also habitat types that are rare or cover small areas may not be recorded at all by this method. We conclude that remote sensing is a powerful and useful tool that can be used to classify major habitat types but it has to be used in conjunction with other methods.