Ett banbrytande projekt för att kartlägga rikkärr

I ett nytänkande projekt har ny avancerad teknik förenats med strävan att bevara biologisk mångfald.  Länsstyrelsen på Gotland har tillsammans med Sweco utforskat om GeoAI kan användas för att kartlägga de sköra rikkärr som utgör en viktig del av öns ekosystem. Ett unikt projekt, som bidragit med många skarpa insikter kring hur långt AI tekniken utvecklats, och hur den kan användas i naturens tjänst.

En myr som myllrar av artrikedom

 Länsstyrelsen på Gotland ansvarar för skötseln av länets naturskyddade områden och naturvårdsåtgärder för hotade arter. För att genomföra bra åtgärder krävs kvalitativa kunskapsunderlag i form av exempelvis inventeringar och karteringar.

Rikkärr är en typ av myr och en av Gotlands karaktärsnaturtyper. De är rika på mineraler, främst kalcium, och naturtypen är knuten till de områden i Sverige som har kalkrika jordar vilket Gotland har. Rikkärren har en specialiserad och artrik flora. I Sverige finns så många som hundra olika arter av orkidéer, starr, andra kärlväxter och mossor i rikkärren. I det karteringar som gjorts av rikkärr sedan 2007 har man kunnat se att deras bevarandestatus i många fall har försämrats. De största hoten är framför allt igenväxning, men också dikning och andra markavvattnande åtgärder vilket gör att dessa miljöer torkar upp.

Mycket har hänt sen underlaget till Rikkärrskarteringen ursprungligen togs fram och Länsstyrelsen var därför intresserade av att veta om det finns okända rikkärr som de missat.

GeoAI – att anta en outforskad utmaning

Swecos uppdrag var att kartera okända potentiella rikkärr utanför de redan kända rikkärren och även säga något om deras ekologiska status. För att göra det så användes GeoAI och fjärranalys för att analysera geometriskt korrigerade flygbilder såkallade ortofoton.Rikkärr är en svår naturtyp att kartera på grund av dess heterogena utseende. Traditionellt har rikkärr identifierats genom manuell flygbildstolkning samt fältbesök.

Effektiv GeoAI – en kombination av maskininlärning och djupinlärning

Att rikkärr är svåra att identifiera gjorde att det bästa angreppssättet var att börja i andra änden; kartera en oönskad art som var enklare att identifiera: halvgräset ag. På Gotland anses agen vara en igenväxningsart som, när den väl fått fäste, tränger undan all annan vegetation. Dess täta växtsätt och den karaktäristiska brunaktiga färgen på blomställningen gör den väl lämpad för kartering med bildanalys.

Två möjliga metoder identifierades, båda baserade på AI: Först ”klassisk bildklassificering”, som bygger på maskininlärning. Detta är en prövad metod inom fjärranalys, men den kräver mycket handpåläggning och är en iterativ process där man ofta går fram och tillbaka för att justera träningsdata efter varje klassning tills man är nöjd.

Alternativ två var att använda ett nytt verktyg i ArcGIS Pro som baseras på djupinlärning för att klassificera bilderna. Eftersom agen var tydlig i ortofotona var metoden intressant att testa. Djupinlärning tar längre tid att träna, men när modellen väl är tränad har den högre noggrannhet.

Träningsområden sattes upp där båda metoderna testades. De initiala resultaten visade att den klassiska metoden gav bättre resultat, till stor del på grund av svårigheten att annotera data, det vill säga att manuellt rita in alla ag-pluppar för djupinlärningsmodellen, vilket var tidsödande. Den traditionella bildklassificeringen hade färdiga verktyg för det.

För att ge den nya metoden en ärlig chans testades samma träningsdata för djupinlärningsmodellen. En skillnad mellan de två metoderna är att djupinlärning behöver en större mängd träningsdata än maskininlärning, vilket gjorde att resultaten inte blev tillräckligt bra där heller Därför testades hela klassningen från den traditionella metoden som träningsdata för djupinlärningsmodellen, vilket gav bra resultat. En kombinerad metod blev vägen framåt.

Genom metoden kunde Sweco automatisera processen för att identifiera rikkärr och vegetationsstrukturer. De tränade djupinlärningsmodellerna lärde sig att känna igen mönster och strukturer som är typiska för rikkärr och ag.

Ett nära och metodiskt samarbete

Att använda och testa nya metoder krävde nära samarbete med Länsstyrelsen och Sweco. Genom tät dialog och kontinuerliga diskussioner kunde tekniker och metoder anpassas och förbättras för att möta projektets specifika behov. Arbetssättet och utvecklingen av en effektiv metod innebar även att AI modellerna kunde testas och verifieras för att säkerställa hög träffsäkerhet och tillförlitliga resultat.

GeoAI en möjlig metod för att lösa miljöutmaningar

Den slutliga leveransen bestod av en geodatabas som innehöll detaljerade karteringar av ag, rikkärr, vatten, buskar och träd. Databasen gav Länsstyrelsen på Gotland en översikt över de områden som behöver bevaras eller restaureras, vilket underlättar för länsstyrelsen att planera och genomföra naturvårdsåtgärder.

Genom att kombinera avancerad teknik med expertis inom naturmiljö och projektledning, lyckades Sweco leverera ett innovativt och användbart underlag för Länsstyrelsen på Gotland. Projektet visar på potentialen och utmaningarna när det gäller hur AI kan bidra till bevarande av biologisk mångfald och hållbar miljöförvaltning.