Kunsten at finde grønt i en verden af gråt

Session

Grunddatafortællinger

Abstract

I foredraget vil jeg fortælle om et projekt, der havde til formål at identificere vegetation i bymæssig bebyggelse for at skabe højt detaljerede data for bynatur udenfor registrerede parker. Analysen fandt sted i forbindelse Københavns Kommunes plan for bynatur og er baseret på LiDAR punktskyen og flybilleder med nærinfrarødt bånd.

Et teoretisk funderet beslutningstræ blev optimeret af machine learning og resultatet var et simpelt beslutningstræ, som let kan implementeres i open source-programmer uden forhåndsviden. Den endelige model viste sig at være særlig robust i identifikation af vegetation i komplet skygge og til at skelne løvfældende fra nålevegetation.

Oplægget vil gennemgå hvilke offentlige data, der er brugt, og hvordan metoden nemt kan genskabes i andre kommuner. Afslutningsvist, sammenlignes modellens resultater med opgørelsen af bynatur i København ud fra officielle registre.

Målgruppe

Dette oplæg henvender sig både til folk, som arbejder med bynatur og klimatilpasning i offentlig forvaltning, men også til folk, der har en interesse i alternative udnyttelser af punktskyen og datafusion.

Yderligere uddybning af abstract

Projektet var et speciale skrevet ved institut for Geovidenskab og Naturforvaltning, København universitet og blev gennemført i 2017 med data fra 2015. Målet var at undersøge hvorvidt flybilleder kombineret med LiDAR data kunne give data end rene NDVI-værdier alene. De endelige datasæt blev produceret med henblik på analyser indenfor bynatur og klimatilpasning. Under hele analysen blev gennemsigtighed i metoden vægtet højt så den kan anvendes i andre områder.

For at afsøge flere muligheder undersøgte projektet tre forskellige metodiske tilgange. De to første er baseret på LiDAR data og orthofotos, mens det tredje er baseret på satellitbilleder. Ortofotos burde via NDVI kunne identificere vegetation, men dataindsamlingen fandt sted i begyndelsen af foråret og fotosynteseaktiviteten var derfor lav. Ydermere opstår der problemer med NDVI for vegetation i skygge, da refleksionen er væsentlig lavere. Derfor fusioneres det spektrale data med den LiDAR-baserede punktsky, som ved hjælp af intensitet og antal af laserimpulser støtter klassifikationen af vegetation til et resultat med en rumlig opløsning på 0,5 meter. De to første tilgange er forskellige i deres metode; den første må udelukkende bruge transparente metoder og simple udregninger. Den anden understøttes af klassifikationsmetoder baseret på maskinlæring og neurale netværk. Den tredje tilgang inkluderes for at undersøge, hvorvidt samme resultat kunne opnås ved en simpel NDVI-beregning.

Resultaterne viser, at tilgang 2 opnår de bedste resultater med en Kappa nøjagtighed på 95,2% efterfulgt af tilgang 3 og 1 med nøjagtigheder på henholdsvis 86,7% og 82,9%. De to første tilgange klassificerer græs, nåletræer og løvtræer for sig, hvorimod den tredje klassificerer vegetation som en helhed. Hvis tilgangene sammenlignes i deres evne til at finde vegetation som en klasse, opnår tilgang 3 den laveste nøjagtighed.  En statistisk test viste, at de tre tilgange er signifikant forskellige, og derfor udelukkende skal valideres på den opnåede nøjagtighed. Da tilgang 2 opnåede den højeste nøjagtighed, konkluderes den at være den optimale tilgang for udarbejdelsen vegetationsdatasættet. Afslutningsvist påviste studiet et potentiale for, at en kombination af tilgang 1 og 3 kunne skabe en tilsvarende høj nøjagtighed som i tilgang 2.

I praksis betød det et mere retvisende datasæt for natur i de forskellige bydele i København. Nogle områder med en lav parkareal pr. indbygger endte med at have en stor andel grønne gårde, og derfor har en passende mængde bynatur pr. indbygger.

Kunsten at finde grønt i en verden af gråt
Rasmus Ekman
speciale skrevet på Københavns Universitet/ nuværende job i Københavns Kommune