Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Kartläggning av invasiv trädart med satellitbaserad fjärranalys: Klassificering och identifiering av Pinus Contorta
University West, Department of Engineering Science.
University West, Department of Engineering Science.
2023 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Mapping invasive tree species with satellite remote sensing technology (English)
Abstract [sv]

Invasiva växter är ett alltmer omtalat problem i samhället och de utgör ett stort hot mot vårt ekosystem, infrastruktur, hälsa och den biologiska mångfalden. Höga kostnader i arbetet med att bekämpa spridandet av de invasiva växterna är ett faktum och moderna satelliter kan erbjuda den data som krävs för att kartera förekomsten av dessa invasivaväxtarter. I tidigare studier för kartläggning av invasiva växter har klassificeringsmetoder som Stödvektormaskin (eng. support vector machine, SVM), Slumpmässig skog (eng. random forest, RF) och algoritmer för texturanalys använts. Information om huruvida mer simpla klassificeringsmetoder kan nyttjas för att genomföra en liknande klassificering av vegetation är begränsad. Likaså studier för kartering av enbart den invasiva trädarten Pinus contorta. Denna studie bygger på användandet av såväl pixelbaserade som objektbaserade klassificeringar för att identifiera och klassificera contortatallen. Vilken form av klassificeringsmetod som är lämplig varierar då alla växter har olika spatiala och spektrala egenskaper. En metod som fungerar för att klassificera en art innebär nödvändigtvis inte att den kommer kunna appliceras på en annan art. Den data som använts i studien är satellitbilder från 2018 som samlats in med Sentinel-2 och har en upplösning på 10 x 10 meter. Data bearbetades sedan i programvaran ArcMap 10.8 under alla stadier av analysen. Fyra olika former av klassificeringar utfördes för att hitta den lämpligaste metoden för klassificering av contortatallen. Klassificeringsresultaten validerades mot svenska lantbruksuniversitetets (SLU) rasterkarta över contortabestånd i det valda studieområdet som finns beläget norr om Härnösand och visade på bristfälliga resultat. Varje klassificering jämfördes mot SLU:s kartering över contortabestånd och med hjälp av ett kritiskt framgångsindex (CSI) som visar på klassificeringsmodellensprestationer lyckad träff (A), överestimerat (B) och miss (C) kunde resultaten enklare analyseras och tolkas. Metoderna i klassificeringsmodellen av Pinus contorta visade på 0,5–0,9 % korrekt klassificering.

Abstract [en]

Invasive plants are an increasing problem in society and pose a major threat to our ecosystem, infrastructure, health and biodiversity. The high cost of controlling the spread of invasive plants is a fact and modern satellites can provide the data needed to map the presence of these invasive plant species. Previous studies for mapping invasive plants have used classification methods such as Support Vector Machine (SVM), Random Forest (RF) and texture analysis algorithms. Information on whether more simple classification methods can be used to perform a similar classification of vegetation is limited. Likewise, studies for mapping only the invasive tree species Pinus contorta. This study relies on the use of both pixel-based and object-based classifications to identify and classify the contorta pine. Which form of classification method is appropriate varies as all plants have different spatial and spectral characteristics. A method that works for classifying one species does not necessarily mean that it will be applicable to another species. The data used in the study are satellite images from 2018 collected by Sentinel-2 with a resolution of 10 x 10 meters. The data was then processed in ArcMap 10.8 software during all stages of the analysis. Four different forms of classification were performed to find the most appropriate method for classifying the contorta pine. The classification results were validated against the Swedish University of Agricultural Sciences (SLU) raster map of contorta stands in the selected study area located north of Härnösand and showed inconclusive results. Each classification was compared to SLU's mapping and with the help of a critical success index (CSI) that shows the performance of the classification model successful hits (A), overestimated (B) and miss (C), the results could be more easily analyzed and interpreted. The methods used in the classification model of Pinus contorta showed 0.5-0.9% correct classification. 

Place, publisher, year, edition, pages
2023. , p. 29
Keywords [en]
Sentinel 2, satellite images, Pinus contorta, invasive species, classification, pixelbased classification, object based classification
Keywords [sv]
Sentinel-2, satellitbilder, Pinus contorta, invasiva växter, klassificering, pixelbaserad klassificering, objektbaserad klassificering
National Category
Forest Science Environmental Analysis and Construction Information Technology
Identifiers
URN: urn:nbn:se:hv:diva-20094Local ID: EXL100OAI: oai:DiVA.org:hv-20094DiVA, id: diva2:1766762
Subject / course
Land surveying
Educational program
Lantmäteriingenjör
Supervisors
Examiners
Available from: 2023-06-14 Created: 2023-06-13 Last updated: 2023-06-14Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
Department of Engineering Science
Forest ScienceEnvironmental Analysis and Construction Information Technology

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 45 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf