Kartlegging av naturinngrep

Sluttrapport – revidert utgave

Notatnr SAMBA/10/2020

Forfattere Øivind Due Trier, Arnt-Børre Salberg

Dato 8. april 2020

Norsk Regnesentral Norsk Regnesentral (NR) er en privat, uavhengig stiftelse som utfører oppdragsforskning for bedrifter og det offentlige i det norske og internasjonale markedet. NR ble etablert i 1952 og har kontorer i Kristen Nygaards hus ved Universitetet i . NR er et av Europas største miljøer innen anvendt statistisk- matematisk modellering og har et senter for forskningsdrevet innovasjon, Big Insight, med finansiering fra Norges forskningsråd, bedrifter og offentlige partnere. Innen statistikk jobbes det med et bredt spekter av problemstillinger, for eksempel finansiell risiko, jordobservasjon, estimering av fiskebestander, helse og beskrivelse av geologien i petroleumsreservoarer. NR er ledende i Norge innen utvalgte deler av informasjons- og kommunikasjonsteknologi. Innen IKT-området har NR innsatsområdene e-inkludering, informasjonssikkerhet og smarte informasjonssystemer. NRs visjon er forskningsresultater som brukes og synes.

Tittel Kartlegging av naturinngrep Forfattere Øivind Due Trier, Arnt-Børre Salberg Dato 8. april 2020 År 2020 Publikasjonsnummer SAMBA/10/2020

Sammendrag Norsk Regnesentral (NR) har på oppdrag for Miljødirektoratet utviklet en metode for automatisert deteksjon av naturinngrep med Sentinel-2 satellittbilder. Metoden er basert på det dype nevrale nettverket U-Net. Metoden er trent opp på anleggsveier i vindkraftutbyggingsområder. På et testområde som ikke var med på opptreningen, fant metoden alle de fire vindkraftutbyggingsområdene. Innenfor disse fant metoden i gjennomsnitt 96% av anleggsveienes forløp. 4% ble ikke detektert, og framsto som korte gap, altså utelatte deler av veienes forløp. Samtidig var andelen falske deteksjoner bare 2%. Buffersoner rundt senterlinjer for anleggsveiene i vindkraftutbyggingsområdene ble brukt til å estimere et oppdatert kart over inngrepsfri natur for testområdet. Som konklusjon har de innledende forsøkene på et eksempelområde vist at det vil kunne være mulig å lage en automatisert prosesseringskjede som oppdager nye naturinngrep slik at kartdata for naturinngrep samt gjenværende områder med inngrepsfri kan holdes oppdatert. Om ønskelig kan nye naturinngrep varsles slik at en har mulighet til å kontrollere disse.

Med utgangspunkt i de gode resultatene med U-Net vil NR anbefale å utvikle en automatisk prosesseringskjede for Sentinel-2 bilder, som beskrevet i kapittel 6.1. NR anbefaler metodeutvikling for å kunne gjøre automatisk deteksjon av kjørespor i flybilder, som skissert i kapittel 6.2. Kjøresporene er synlige i disse bildene, dermed vil automatisk deteksjon med et dypt nevralt nettverk kunne fungere godt. En mulig framgangsmåte er å trene opp U-Net på flybilder med bakkesannheter for kjørespor.

Emneord Endringsdeteksjon, Sentinel-1/2,

Målgruppe Forskere Tilgjengelighet Intern bruk i prosjektet

Prosjektnummer 220 917 Naturinngrep

Satsningsfelt Jordobservasjon Antall sider 233

© Copyright Norsk Regnesentral

3

Innhold

1 Utvidet sammendrag ...... 21

2 Innledning ...... 26

3 Data og metoder ...... 30 3.1 Bakkesannheter ...... 30 3.2 Satellittbilder ...... 32 3.2.1 Sentinel-1 ...... 32 3.2.2 Sentinel-2 ...... 32 3.3 Høydemodell ...... 32 3.4 Endringsdeteksjon ...... 33 3.5 Deteksjon av nye veger i Sentinel-2 med U-Net ...... 34 3.6 Deteksjon av nye veger i Sentinel-2 med SegNet ...... 51 3.7 Skydeteksjon ...... 51 3.8 Kildekode for deteksjon med U-Net ...... 52 3.8.1 Python lokalt miljø ...... 52 3.8.2 Deteksjon ...... 52 3.8.3 Trening ...... 56 3.9 Endringsdeteksjon i Sentinel-2 med NDVI differanse ...... 59 3.9.1 Prosesseringskjede ...... 59 3.9.2 NDVI differanse ...... 61

4 Resultater ...... 65 4.1 Visuell endingsdeteksjon med Sentinel-2 ...... 65 4.2 Visuell endringsdeteksjon med Sentinel-1 ...... 70 4.2.1 Vindkraftutbygging...... 70 4.2.2 Kraftlinjer ...... 75 4.2.3 Bygninger ...... 77 4.3 Deteksjon av nye veger i Sentinel-2 med U-Net ...... 80 4.3.1 Deteksjonsresultater i Åfjord ...... 80 4.3.2 Deteksjonsresultater i Åfjord med skyer ...... 103 4.3.3 Deteksjonsresultater Nærøysund ...... 113 4.3.4 Deteksjonsresultater Måsøy ...... 115 4.3.5 Deteksjonsresultater nye skogsbilveier ...... 117

Kartlegging av naturinngrep 5

4.3.6 Deteksjonsresultater fyllinger ...... 119 4.3.7 Oppdatert kart over inngrepsfri natur ...... 169 4.4 Deteksjon av nye veger i Sentinel-2 med SegNet ...... 173 4.5 Endringsdeteksjon i Sentinel-2 med NDVI ...... 175 4.5.1 Vindkraftutbygging...... 175 4.5.2 Kraftlinjer ...... 181 4.5.3 Skogsbilveier ...... 185 4.6 Visuell deteksjon av kjørespor i flybilder ...... 188 4.6.1 Østre Steintjønna ...... 189 4.6.2 Dyråa, Blåfjella-Skjækerfjella nasjonalpark ...... 197 4.6.3 Nordbakk, Havdalsfjellet, Lierne ...... 201 4.6.4 ...... 203 4.6.5 Lifjellet, Blåfjella-Skjækerfjella nasjonalpark ...... 207 4.7 Visuell deteksjon av kjørespor i lidardata ...... 209 4.7.1 Østre Steintjønna ...... 210 4.7.2 De andre områdene ...... 215 4.8 Visuell deteksjon av grøftet myr i lidardata ...... 219

5 Diskusjon og konklusjon ...... 220

6 Anbefalinger ...... 223 6.1 Automatisk prosesseringskjede for Sentinel-2 ...... 223 6.1.1 Daglig nedlasting av nye Sentinel-2 bilder innenfor Norges landareal...... 224 6.1.2 Utpakking og konvertering til filformat tilpasset innlesing til U-Net 224 6.1.3 Skymaskering ...... 224 6.1.4 Deteksjon av naturinngrep med U-Net, i første omgang: anleggsveier i vindmøllekraftverk ...... 224 6.1.5 Fjerning av potensielt falske deteksjoner basert på objektstørrelse225 6.1.6 Tynning av detekterte rasterlinjer til en pikselbredde ...... 225 6.1.7 Konvertering fra raster til vektor...... 226 6.1.8 Koordinattransformasjon av vektorlinjer til UTM sone 33 ...... 226 6.1.9 Etablere buffersoner rundt vektorlinjene ...... 227 6.1.10 GIS overlappsanalyse mellom buffersoner og eksisterende arealer med inngrepsfri natur. Resultatet er polygoner med reduksjon av inngrepsfri natur 227

6 Kartlegging av naturinngrep

6.1.11 Konvertering av Sentinel-2 bilder til tre kanalers RGB-bilder i UTM sone 33 N for manuell inspeksjon, for de områdene hvor polygoner med reduksjon av inngrepsfri natur er detektert...... 227 6.1.12 GIS-visualisering av vektorlinjer for naturinngrep og polygonomriss for reduksjon av inngrepsfri natur lagt oppå Sentinel-2 bildet hvor naturinngrepet ble detektert...... 228 6.1.13 Manuell kontroll og eventuelt redigering av vektor senterlinjer for naturinngrep...... 228 6.1.14 Dersom det ble foretatt manuell endring av vektor senterlinjer for naturinngrep i trinn 13: Gå til trinn 9...... 229 6.1.15 Manuell kontroll av polygoner for reduksjon av inngrepsfri natur. Hvert polygon gis en av tre mulige statusverdier: ...... 229 6.1.16 Lagring av polygoner for reduksjon av inngrepsfri natur samt oppdaterte polygoner for inngrepsfri natur...... 229 6.2 Deteksjonsmetode for kjørespor ...... 230

Takksigelser ...... 231

Referanser ...... 232

Figuroversikt

Figur 1. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 13 km × 6,5 km er sentrert på koordinat 566 125 øst, 7 113 925 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Sammenligning av deteksjonsresultat med U-Net med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk...... 21 Figur 2. Deteksjon av vindkraftutbygging på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Sammenligning av deteksjonsresultat med U-Net med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk...... 22 Figur 3. Buffersoner (rødt) rundt senterlinjer (gult) for anleggsveier per 2019 ble brukt til å redusere områder med inngrepsfri natur. Status per 2018 er med lysegrønt og grønt. Bakgrunnsbildet er fra Sentinel-2 opptak 30. juli 2019...... 23 Figur 4. Estimert status per 2019 for inngrepsfri natur (lysegrønne og grønne polygoner) og buffersoner (rødt) for vindkraftutbyggingsområder. Bakgrunnsbildet er fra Sentinel-2 opptak 30. juli 2019...... 24 Figur 5. Polygoner for endring av inngrepsfri natur, vist i QGIS med en sortert liste. Det nest største polygonet (gult i kartet) er fra vindkraftutbygging ved Roan, Åfjord kommune, Trøndelag...... 30

Kartlegging av naturinngrep 7

Figur 6. Flybilde fra 24. april 2019 fra område med vindkraftutbygging i Åfjord kommune, Trøndelag...... 31 Figur 7. Flybilde fra 24. juli 2013, samme område som i Figur 6, før vindkraftutbygging.31 Figur 8. Høydedata med 10 m horisontal oppløsning...... 33 Figur 9. Arkitekturen til U-Net. Bildegjenkjenning i redusert oppløsning kombineres med å ta vare på høy oppløsning med pilene på oversiden. De hvite rektanglene er kopierte data med høyere oppløsning enn de blå rektanglene i samme lag. En detalj: I figuren har det første laget 3 bånd, mens vi har endret til 10 bånd...... 34 Figur 10. Etter opptrening på vindkraftutbyggingsområder ble U-Net brukt til å detektere denne typen naturinngrep. Sentinel-2 data ble matet inn på venstre side. På høyre side fikk man ut deteksjoner av inngrep (gult)...... 35 Figur 11. Sentinel-2 granuler brukt til opptrening av U-Net (grønt), validering etter hver iterasjon av treningen (gult), samt en uavhengig test tilslutt (rødt). Vindkraftutbyggingsområder innenfor disse granulene er markert med sorte prikker. . 36 Figur 12. Vindkraftutbyggingsområdene ved Tellenes, Sokndal kommune, , strekker seg også inn i nabokommunen Lund, Rogaland...... 38 Figur 13. Vindkraftutbyggingsområdene ved Svåheia, Kagnuden og Kjerdalsfjellet i Eigersund kommune, Rogaland...... 39 Figur 14. Vindkraftutbyggingsområdet på Skinansfjellet ved Matningsdal, Hå kommune, Rogaland...... 40 Figur 15. Vindkraftutbyggingsområdene ved Nyvassdalsheian, Ørland kommune og Stornova, Åfjord kommune, Trøndelag...... 41 Figur 16. Vindkraftutbyggingsområdet ved Kvitfjell og Rødfjellet, Kvaløya, Tromsø kommune, og ...... 42 Figur 17. Vindkraftutbyggingsområdet på Ånstadblåheia, Sortland kommune, .43 Figur 18. Vindkraftutbyggingsområdet på Bessakerfjellet, Åfjord kommune, Trøndelag.44 Figur 19. Vindkraftutbyggingsområdene på Haraheia og Voliheia, Åfjord komune, Trøndelag...... 45 Figur 20. Vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag, er såpass nytt at det ikke vises i Norgeskartet...... 46 Figur 21. Vindkraftutbyggingsområdet på Kvenndalsfjellet, Åfjord kommune, Trøndelag, er såpass nytt at det ikke vises i Norgeskartet...... 47 Figur 22. Manuelt tegnede bakkesannheter for anleggsveier for vindkraftutbygging. Utsnittet på 5,4 km x 3 km er sentrert på koordinat 625 680 øst, 7 723 420 nord, UTM sone 33 N og viser et område på Kvaløya, Tromsø. (a) Sentinel-2 fargebilde (kanal 11, 8, 3) fra 18. juli 2019, hvor anleggsveier er synlige. (b) Maske med anleggsveier (hvitt), natur (lys grå) samt buffersoner og områder med andre typer naturinngrep (sort)...... 49 Figur 23. Arkitekturen til SegNet. Figuren er fra Badrinarayanan et al. (2017)...... 51 Figur 24. Etter opptrening på vindkraftutbyggingsområder ble SegNet brukt til å detektere denne typen naturinngrep. Sentinel-2 data ble matet inn på venstre side. På høyre side fikk man ut deteksjoner av inngrep (gult)...... 51 Figur 25. Beregning av NDVI differanse for deler av vindkraftutbyggingsområdet på Stornova i Åfjord kommune, Trøndelag. Utsnittet på 3 km x 3 km, er sentrert på

8 Kartlegging av naturinngrep koordinat 553 740 øst, 7 085 220 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juni 2017. (b) Sentinel-2 bilde fra 26. juli 2019. (c) NDVI differansebilde, mørke områder har redusert NDVI fra første til andre dato...... 61 Figur 26. Maskering med grønn-blå ratio. (a) Sentinel-2 bilde fra 30. juni 2017. (b) Grønn-blå ratio for 26. juli 2019, samme utsnitt som i Figur 25. (c) Sort = områder med grønn-blå ratio lavere enn 0,8. (d) Maskert NDVI differansebilde, maskerte områder har blitt satt til NDVI = 0 (lys grå)...... 62 Figur 27. Beregning av NDVI differanse for Rensfjellet, Selbu og Midtre Gauldal kommuner, Trøndelag. Dette er et fjellområde hvor det kan være snø også om sommeren. Utsnittet på 3 km × 3 km, er sentrert på koordinat 587 660 øst, 7 002 130 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015. (b) Sentinel-2 bilde fra 30. juni 2017. (c) NDVI differansebilde, mørke områder har redusert NDVI fra første til andre dato...... 63 Figur 28. Maskering med snøfraksjon. (a) Sentinel-2 bilde fra 30. juni 2017. (b) Snøfraksjon estimert med metoden til Salomonsen og Appel (2004). (c) Hvitt = områder med snøfraksjon større enn 50%. (d) Maskert NDVI differansebilde, maskerte områder har blitt satt til NDVI = 0 (hvitt)...... 64 Figur 29. Sentinel-2-bilde fra 26. september 2019...... 65 Figur 30. Sentinel-2-bilde fra 15. august 2015...... 65 Figur 31. Visuell deteksjon av anleggsveier fra vindkraftutbygging, eksempelutsnitt 1 i Roan, Trøndelag. Bildesenter: 274 425 øst, 7 119 610 nord, UTM sone 33N...... 66 Figur 32. Visuell deteksjon av anleggsveier fra vindkraftutbygging, eksempelutsnitt 2 i Roan, Trøndelag. Bildesenter: 272 480 øst, 7 120 380 nord, UTM sone 33N...... 67 Figur 33. Visuell deteksjon av anleggsveier fra vindkraftutbygging, eksempelutsnitt 3 i Roan, Trøndelag. Bildesenter: 270 050 øst, 7 121 325 nord, UTM sone 33N...... 68 Figur 34. Eksempelområde 1, som er et utsnitt av vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 1730 m × 1670 m er sentrert på koordinat 274 250 øst, 7 119 660 nord, UTM sone 33N. (a) Endringsdeteksjon med Sentinel-1. Kraftige røde punkter kan være vindmøller bygget mellom de to bildeopptakene, august 2015 og august 2019. (b) Sentinel-2 falske farger.71 Figur 35. Flybilde fra 24. april 2019 for eksempelområde 1, som er i vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Sju vindmøller synes...... 71 Figur 36. Eksempelområde 2, som er et utsnitt av vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 1730 m × 1670 m er sentrert på koordinat 272 455 øst, 7 120 345 nord, UTM sone 33N. (a) Endringsdeteksjon med Sentinel-1. Kraftige røde punkter kan være vindmøller bygget mellom de to bildeopptakene, august 2015 og august 2019. (b) Sentinel-2 falske farger.72 Figur 37. Flybilde fra 24. april 2019 for eksempelområde 2, som er i vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Seks vindmøller synes...... 72 Figur 38. Eksempelområde 3, som er et utsnitt av vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 1730 m × 1670 m er sentrert på koordinat 270 045 øst, 7 121 315 nord, UTM sone 33N. (a) Endringsdeteksjon med Sentinel-1. Kraftige røde punkter kan være vindmøller bygget mellom de to bildeopptakene, august 2015 og august 2019. (b) Sentinel-2 falske farger.73

Kartlegging av naturinngrep 9

Figur 39. Flybilde fra 24. april 2019 for eksempelområde 3, som er i vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Sju vindmøller synes...... 73 Figur 40. Sammenligning av endringsdeteksjon med Sentinel-2 og Sentinel-1. Utsnittet på 1,5 km x 1,5 km er sentrert på koordinat 379 430 øst, 6 788 920 nord, UTM sone 32 N. Dette tilsvarer 57 930 øst, 6 814 800 nord i UTM sone 33 N. (a) Sentinel-2 bilde fra 18. august 2015. (b) Sentinel-2 bilde fra 27. august 2019. (c) NDVI differanse (uten maskering av skygger) mellom 18. august 2015 og 27. august 2019. (d) Differanse mellom Sentinel-1 VV-bilder fra 2015 og 2019, hvor en ny transformatorstasjon ses som et kraftig rødt område...... 75 Figur 41. Den nye transformatorstasjonen ses tydelig i flybildet fra 2017. Senter i bildet er på koordinat 57 920 øst, 6 814 790 nord, UTM sone 33 N, og er markert med en rød knappenål...... 76 Figur 42. Deteksjon av endringer med Sentinel-1. (a) Sentinel-1 VV differansebilde fra 2015 til 2019, UTM sone 32. (b) Kart for det samme området, UTM sone 33...... 77 Figur 43. Deteksjon av ny bygning med Sentinel-1. Utsnittene er sentrert på koordinat 291 920 øst, 6 688 350 nord, UTM sone 32 N. (a) Differansebilde 2015-2019 fra Sentinel-1 VV. Utsnittet dekker.750 m x 750 m. (b) Flybilde fra juni 2016. (c) Flybilde fra august 2019...... 78 Figur 44. Deteksjon av område med flere lave bygninger som er revet. Utsnittene er sentrert på koordinat 293 800 øst, 6 689 740 nord, UTM sone 32 N. (a) Differansebilde 2015-2019 fra Sentinel-1 VV. Utsnittet dekker.750 m x 750 m. (b) Flybilde fra juni 2016. (c) Flybilde fra august 2019...... 79 Figur 45. Fire vindkraftutbyggingsområder i Åfjord kommune, Trøndelag: 1 Haraheia- Voliheia, 2 Kvenndalsfjellet, 3 Harbaksfjellet og 4 Bessakerfjellet...... 80 Figur 46. Vindkraftutbyggingsområde på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 8 km er sentrert på koordinat 553 105 øst, 7 105 495 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019. (b) Detekterte inngrep per 30. juli 2019 (hvitt) og inngrepsfrie områder per 2018 (grønt)...... 81 Figur 47. Vindkraftutbyggingsområde på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 12 × 8 km er sentrert på koordinat 554 535 øst, 7 097 145 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Detekterte inngrep per 30. juli 2019 (hvitt) og inngrepsfrie områder per 2018 (grønt)...... 82 Figur 48. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 10,7 km × 6 km er sentrert på koordinat 566 775 øst, 7 114 345 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat (hvitt)...... 83 Figur 49. Vindkraftutbyggingsområdet på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep...... 84 Figur 50. Flere korte veisegmenter ble ikke detektert på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk. .... 86

10 Kartlegging av naturinngrep

Figur 51. To fjellknauser på Harbaksfjellet ble feilaktig detektert som naturinngrep. Situasjonen før utbyggingen av vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 552 535 øst, 7 106 125 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Hvitt = ingen detekterte inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk...... 87 Figur 52. To fjellknauser på Harbaksfjellet ble feilaktig detektert som naturinngrep. Utsnittet på 2,75 km × 2 km er sentrert på koordinat 551 345 øst, 7 107 160 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 15. august 2015. (b) Deteksjonsresultat som er sjekket mot bakkesannheter. Hvitt = korrekt klassifisert som bakgrunn/natur, lys grå = maskert vekk i bakkesannhet, grønt = feilaktig detektert som naturinngrep...... 88 Figur 53. Deteksjon av vindkraftutbygging på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 21. juli 2017 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk. .... 90 Figur 54. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 13 km × 6,5 km er sentrert på koordinat 566 125 øst, 7 113 925 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 21. juli 2017 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk. .... 91 Figur 55. Situasjonen før utbyggingen av vindkraftutbyggingsområdet på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 554 335 øst, 7 097 485 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 21. juli 2017 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Hvitt = ingen detekterte inngrep. Lys grå = maskert vekk...... 92 Figur 56. Situasjonen før utbyggingen av vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 552 535 øst, 7 106 125 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 21. juli 2017 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Hvitt = ingen detekterte inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk...... 93 Figur 57. Deteksjon av vindkraftutbygging på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2018 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk. .... 95 Figur 58. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 13 km × 6,5 km er sentrert på koordinat 566 125 øst, 7 113 925 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2018 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk. .... 96

Kartlegging av naturinngrep 11

Figur 59. Vindkraftutbyggingsområdet på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 554 335 øst, 7 097 485 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2018 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk...... 97 Figur 60. Vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 552 535 øst, 7 106 125 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2018 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk...... 98 Figur 61. Deteksjon av vindkraftutbygging på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk. .... 99 Figur 62. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 13 km × 6,5 km er sentrert på koordinat 566 125 øst, 7 113 925 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk. .. 100 Figur 63. Vindkraftutbyggingsområdet på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 554 335 øst, 7 097 485 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk...... 101 Figur 64. Vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 552 535 øst, 7 106 125 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk...... 102 Figur 65. Sentinel-2 bilde fra 1. juni 2019, granule T32WNS...... 103 Figur 66. Deteksjon av skyer og naturinngrep på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 555 520 øst, 7 098 810 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 1. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky...... 104 Figur 67. Deteksjon av skyer og naturinngrep på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 554 550 øst, 7 097 680 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 1. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky...... 105 Figur 68. Del 1. Deteksjon av skyer og naturinngrep på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 569 060 øst,

12 Kartlegging av naturinngrep

7 122 580 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 1. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky...... 106 Figur 69. Deteksjon av skyer og naturinngrep på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 569 060 øst, 7 122 580 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 1. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky...... 107 Figur 70. Sentinel-2 bilde fra 10. juni 2019, granule T32WNS...... 108 Figur 71. Deteksjon av skyer og naturinngrep på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 552 430 øst, 7 105 870 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 10. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky...... 109 Figur 72. Deteksjon av skyer og naturinngrep på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 554 550 øst, 7 097 680 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 10. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky...... 110 Figur 73. Deteksjon av skyer og naturinngrep på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 563 650 øst, 7 115 270 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 10. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky...... 111 Figur 74. Deteksjon av skyer og naturinngrep på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 568 080 øst, 7 122 350 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 10. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky...... 112 Figur 75. Vindkraftutbyggingsområde (lilla rektangel) på Hundhammarfjellet, Nærøysund kommune, Trøndelag...... 113 Figur 76. Deteksjon av vindkraftutbyggingsområde på Hundhammarfjellet, Nærøysund kommune, Trøndelag. Utsnittet på 3 km × 1,5 km er sentrert på koordinat 612 900 øst, 7 183 700 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 18. august 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep...... 114 Figur 77. Vindkraftutbyggingsområde (lilla rektangel) på Havøya, Måsøy kommune, ...... 115 Figur 78. Deteksjon av vindmølleutbygging på Havøya, Måsøy kommune, Troms og Finnmark. Utsnittet på 3 km × 1,5 km er sentrert på koordinat 628 900 øst, 7 883 430 nord, UTM sone 34 N. (a) Sentinel-2 bilde fra 30. juli 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep...... 116 Figur 79. Deteksjon av ny skiløypetrasé på Linderudkollen i Oslo. Utsnittet på 1250 m × 1500 m er sentrert på koordinat 601 235 øst, 6 649 560 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 22. august 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep...... 117 Figur 80. Deteksjon av ny skogsbilvei ved Dammyra, Ringerike og Hole kommuner, . Utsnittet på 2 km × 1 km er sentrert på koordinat 582 350 øst, 6 656 220 nord,

Kartlegging av naturinngrep 13

UTM sone 32 N. (a) Sentinel-2 bilde fra 25. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep...... 118 Figur 81. Demningen på Votna, kommune, fylke, er på koordinat 45 810 øst, 6 659 400 nord, UTM sone 33 N...... 122 Figur 82. Deteksjoner av inngrep ved det oppdemmede vannet Votna, Ullensgang kommune, Vestland fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 382 340 øst, 6 633 840 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt. Selve demningen er det hvite området nede til venstre i utsnittet, mens de andre hvite områdene sammenfaller med områder uten vegetasjon langs vannkanten ved lav vannstand...... 123 Figur 83.Valldalsdammen, Ullensvang kommune, Vestland fylke, er på koordinat 46,720 øst, 6 665 350 nord, UTM sone 33 N ...... 124 Figur 84. Deteksjoner av inngrep ved Valldalsdammen, Ullensgang kommune, Vestland fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 381 370 øst, 6 639 130 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 125 Figur 85. Storevassdammen, Bykle kommune, fylke, er på koordinat 41,670 øst, 6 601 460 nord, UTM sone 33 N...... 126 Figur 86. Deteksjoner av inngrep ved Storevassdammen, Bykle kommune, Agder fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 382 740 øst, 6 575 550 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 127 Figur 87. Demningen på , Bykle kommune, Agder fylke, er på koordinat 62 200 øst, 6 603 780 nord, UTM sone 33 N...... 128 Figur 88. Deteksjoner av inngrep ved Botsvatn, Bykle kommune, Agder fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 402 830 øst, 6 579 630 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt. . 129 Figur 89. Nesjedammen, Kvinesdal kommune, Agder fylke, er på koordinat 62 200 øst, 6 603 780 nord, UTM sone 33 N...... 130 Figur 90. Deteksjoner av inngrep ved Nesjedammen, Kvinesdal kommune, Agder fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 385 560 øst, 6 542 950 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 131 Figur 91. Songadammen, Vinje kommune, fylke, er på koordinat 83 770 øst, 6 654 660 nord, UTM sone 33 N. Like øst for den er Trolldalsdammen, på koordinat 85 530 øst, 6 654 650 nord...... 132 Figur 92. Deteksjoner av inngrep ved Songadammen og Trolldalsdammen, Songavatnet, Vinje kommune, Vestfold og Telemark fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 420 430 øst, 6 632 070 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 133 Figur 93. Venemodammen, Vinje kommune, Vestfold og Telemark fylke, er på koordinat 82 840 øst, 6 647 610 nord, UTM sone 33 N...... 134 Figur 94. Deteksjoner av inngrep ved Venemodammen, Vinje kommune, Vestfold og Telemark fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 419 390 øst, 6 625 150 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 135

14 Kartlegging av naturinngrep

Figur 95. Demningen på Rembesdalsvatnet, Eidfjord kommune, Vestland fylke, er på koordinat 75 790 øst, 6 734 500 nord, UTM sone 33 N...... 136 Figur 96. Deteksjoner av inngrep ved Rembesdalsvatnet, Eidfjord kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 404 500 øst, 6 710 770 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 137 Figur 97. Sysendammen, Eidfjord kommune, Vestland fylke, er på koordinat 80 970 øst, 6 720 670 nord, UTM sone 33 N...... 138 Figur 98. Deteksjoner av inngrep ved Sysendammen, Eidfjord kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 410 920 øst, 6 697 490 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 139 Figur 99. Flævassdammen, Ål og Hemsedal kommuner, Viken fylke, er på koordinat 141 080 øst, 6 762 350 nord, UTM sone 33 N...... 140 Figur 100. Deteksjoner av inngrep ved Flævassdammen, Ål og Hemsedal kommuner, Viken fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 466 880 øst, 6 744 400 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 141 Figur 101. Demningen på Nedre , Hol kommune, Viken fylke, er på koordinat 119 590 øst, 6 753 300 nord, UTM sone 33 N...... 142 Figur 102. Deteksjoner av inngrep ved Nedre Stolsvatnet, Hol kommune, Viken fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 446 330 øst, 6 733 440 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 143 Figur 103. Demningen på Vestredalsvatnet, Aurland kommune, Vestland fylke, er på koordinat 95 500 øst, 6 757 150 nord, UTM sone 33 N...... 144 Figur 104. Deteksjoner av inngrep ved Vestredalsvatnet, Aurland kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 422 040 øst, 6 735 070 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 145 Figur 105. Demningen på , Aurland kommune, Vestland fylke, er på koordinat 87 040 øst, 6 761 700 nord, UTM sone 33 N...... 146 Figur 106. Deteksjoner av inngrep ved Langavatnet, Aurland kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 413 210 øst, 6 738 820 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 147 Figur 107. Demningen på Nyhellervatnet, Aurland kommune, Vestland fylke, er på koordinat 100 750 øst, 6 764 660 nord, UTM sone 33 N...... 148 Figur 108. Deteksjoner av inngrep ved Nyhellervatnet, Aurland kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 426 570 øst, 6 743 010 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 149 Figur 109. Låvidammen, Aurland kommune, Vestland fylke, er på koordinat 80 300 øst, 6 768 280 nord, UTM sone 33 N...... 150

Kartlegging av naturinngrep 15

Figur 110. Deteksjoner av inngrep ved Låvidammen, Aurland kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 405 920 øst, 6 744 740 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 151 Figur 111. Demningen på Vassetvatnet, Lærdal kommune, Vestland fylke, er på koordinat 115 860 øst, 6 788 550 nord, UTM sone 33 N...... 152 Figur 112. Deteksjoner av inngrep ved Vassetvatnet, Lærdal kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 439 410 øst, 6 768 140 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 153 Figur 113. Demningen på Øljusjøane, Lærdal kommune, Vestland fylke, er på koordinat 125 560 øst, 6 779 620 nord, UTM sone 33 N...... 154 Figur 114. Deteksjoner av inngrep ved Øljusjøane, Lærdal kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 449 870 øst, 6 779 620 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 155 Figur 115. Demningen på Juklevatnet, Lærdal kommune, Vestland fylke, er på koordinat 133 960 øst, 6 785 250 nord, UTM sone 33 N...... 156 Figur 116. Deteksjoner av inngrep ved Juklevatnet, Lærdal kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 457 700 øst, 6 766 510 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 157 Figur 117. Demningen på Sulevatnet, Lærdal kommune, Vestland fylke, er på koordinat 133 600 øst, 6 792 080 nord, UTM sone 33 N...... 158 Figur 118. Deteksjoner av inngrep ved Sulevatnet, Lærdal kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 456 720 øst, 6 773 270 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 159 Figur 119. Demningen på Tunsbergdalsvatnet, Luster kommune, Vestland fylke, er på koordinat 84 000 øst, 6 839 690 nord, UTM sone 33 N...... 160 Figur 120. Deteksjoner av inngrep ved Tunsbergdalsvatnet, Luster kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 403 050 øst, 6 816 050 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 161 Figur 121. Demningen på Fivlemyrane, Luster kommune, Vestland fylke, er på koordinat 116 740 øst, 6 856 670 nord, UTM sone 33 N...... 162 Figur 122. Deteksjoner av inngrep ved Fivlemyrane, Luster kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 434 030 øst, 6 856 670 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 163 Figur 123. Styggevassdammen, Luster kommune, Vestland fylke, er på koordinat 102 930 øst, 6 870 910 nord, UTM sone 33 N...... 164 Figur 124. Deteksjoner av inngrep ved Styggevassdammen, Luster kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 419 000 øst, 6 848 810 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 165

16 Kartlegging av naturinngrep

Figur 125. Demningen på Orkla ved Storfossen, Tynset kommune, fylke, er på koordinat 251 730 øst, 6 958 110 nord, UTM sone 33 N...... 166 Figur 126. Deteksjoner av inngrep ved Storfossen, Tynset kommune, Innlandet fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 558 900 øst, 6 949 290 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt...... 167 Figur 127. Forstørret kart ved Storfossen, Tynset...... 168 Figur 128. Senterlinje vei (gult) og tilhørende buffersoner på 1 km (rødt) for de fire vindkraftutbyggingsområdene i Åfjord kommune, Trøndelag, innenfor granule T32WNS. Dette utsnittet på 34 km × 35 km er sentrert på koordinat 560 000 øst, 7 109 450 nord, UTM sone 32 N...... 169 Figur 129. Status 2018 (lysegrønne og grønne polygoner) og buffersoner (rødt) for vindkraftutbyggingsområder...... 170 Figur 130. Estimert status per 2019 for inngrepsfri natur (lysegrønne og grønne polygoner) og buffersoner (rødt) for vindkraftutbyggingsområder...... 171 Figur 131. Deteksjonsresultat for Bessakerfjellet, Åfjord kommune, Trøndelag, med SegNet på Sentinel-2 bildet fra 15. august 2015. Sort = korrekt detekterte veier, rødt = manglende deteksjoner av vei, grønt = falske deteksjoner, grått = maskert. Utsnittet på 5 km x 3 km er sentrert på koordinat 567 290 øst, 7 122 750 nord, UTM sone 32 N. 174 Figur 132. Deteksjonsresultater for Haraheia-Voliheia, Åfjord kommune, Trøndelag, med SegNet på Sentinel-2 bildet fra 30. juli 2019. . Sort = korrekt detekterte veier, rødt = manglende deteksjoner av vei, grønt = falske deteksjoner, grått = maskert. Utsnittet på 12 km x 7 km er sentrert på koordinat 564 825 øst, 7 114 765 nord, UTM sone 32 N.174 Figur 133. Sammenligning av NDVI differanse med U-Net automatisk deteksjon for deler av vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 3 km er sentrert på koordinat 565 850 øst, 7 112 500 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde. (d) Deteksjonsresultat med U-Net, hvitt = inngrep...... 175 Figur 134. Del 2. Sammenligning av NDVI differanse med U-Net automatisk deteksjon for deler av vindkraftutbyggingsområdet på Kvenndalsfjellet i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 3 km er sentrert på koordinat 554 630 øst, 7 097 470 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde. (d) Deteksjonsresultat med U-Net, hvitt = inngrep...... 176 Figur 135. Sammenligning av NDVI differanse med U-Net automatisk deteksjon for deler av vindkraftutbyggingsområdet på Harbaksfjellet i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 3 km er sentrert på koordinat 552 800 øst, 7 105 890 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde. (d) Deteksjonsresultat med U-Net, hvitt = inngrep...... 177 Figur 136. Sammenligning av NDVI differanse med U-Net automatisk deteksjon for deler av vindkraftutbyggingsområdet på Bessakerfjellet i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 3 km er sentrert på koordinat 567 610 øst, 7 112 620 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde. (d) Deteksjonsresultat med U-Net, hvitt = inngrep...... 178

Kartlegging av naturinngrep 17

Figur 137. Deteksjon av vindkraftutbygging med NDVI differanse på Kvenndalsfjellet. (a) Sentinel-2 bilde fra 15. august 2015. (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde...... 179 Figur 138. Deteksjon av vindkraftutbygging med NDVI differanse på Nonsfjellet. (a) Sentinel-2 bilde fra 15. august 2015. (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde...... 180 Figur 139. Deler av ny kraftlinje øst for vindkraftutbyggingsområdet på Haraheia- Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 5 km er sentrert på koordinat 572 150 øst, 7 111 580 nord, UTM sone 32 N. (a) fargebilde (kanal 11, 8, 3) fra 15. august 2015. (b) fargebilde fra 30. juli 2019. (c) NDVI differansebilde mellom datoene 15. august 2015 og 30. juli 2019...... 181 Figur 140. De nye kraftlinjestolpene synes tydelig i flybilder fra april 2019. Denne stolpen er på koordinat 571 290 øst, 7 112 170 nord, UTM sone 32 N...... 181 Figur 141. Deler av ny kraftlinje øst for vindkraftutbyggingsområdet på Haraheia- Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 5 km er sentrert på koordinat 576 100 øst, 7 118 440 nord, UTM sone 32 N. (a) fargebilde (kanal 11, 8, 3) fra 15. august 2015. (b) fargebilde fra 30. juli 2019. (c) NDVI differansebilde mellom datoene 15. august 2015 og 30. juli 2019...... 182 Figur 142. Deler av ny kraftlinje øst for vindkraftutbyggingsområdet på Haraheia- Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 5 km × 2,5 km er sentrert på koordinat 572 750 øst, 7 116 390 nord, UTM sone 32 N. (a) fargebilde (kanal 11, 8, 3) fra 15. august 2015. (b) fargebilde fra 30. juli 2019. (c) NDVI differansebilde mellom datoene 15. august 2015 og 30. juli 2019...... 183 Figur 143. Deler av ny kraftlinje ved vindkraftutbyggingsområdet på Sletafjellsheia, Sirdal kommune, Agder. Utsnittet på 3 km x 6 km er sentrert på koordinat 370 490 øst, 6 494 430 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2017. (b) Sentinel-2 bilde fra 28. juni 2019. (c) NDVI differansebilde mellom datoene 5. juli 2017 og 28. juni 2019...... 184 Figur 144. Deler av ny kraftlinje nord for vindkraftutbyggingsområdet på Sletafjellsheia, Sirdal kommune, Agder. Utsnittet på 3 km x 6 km er sentrert på koordinat 370 700 øst, 6 499 380 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2017. (b) Sentinel-2 bilde fra 28. juni 2019. (c) NDVI differansebilde mellom datoene 5. juli 2017 og 28. juni 2019...... 184 Figur 145. Ny skogsbilvei synes i Sentinel-2-bilder. Utsnittet på 2000 m × 1250 m er sentrert på koordinat 582 250 øst, 6 656 260 nord, UTM sone 32 N. (a) fargebilde (kanal 11, 8, 3) fra 15. august 2015. (b) fargebilde fra 25. juli 2019. (c) NDVI differansebilde mellom datoene 15. august 2015 og 25. juli 2019...... 186 Figur 146. Nye skiløypetraséer ved Linderudkollen synes i Sentinel-2 bilder. Utsnittet på 1000 m x 1500 m er sentrert på koordinat 601 290 øst, 6 649 740 nord, UTM sone 32 N. (a) Fargebilde (kanal 11, 8 og 3) fra 22. august 2015. (b) DNVI fra 22. august 2015. (c) Fargebilde fra 25. juli 2019. (d) DNVI fra 25. juli 2019...... 187 Figur 147. Flybilde fra juni 2017...... 189 Figur 148. Kart for området rundt Skjelstadsteintjønna, Steinkjer kommune, Trøndelag.190 Figur 149. Flybilde fra juni 2017 for området rundt Skjelstadsteintjønna, Steinkjer kommune, Trøndelag ...... 190 Figur 150. Utsnitt av flybilde fra 2017, sentrert på koordinat 299 189 øst, 7 095 377 nord, UTM sone 33 N. Fra hytta ved vannet går det et delvis utydelig kjørespor. Det

18 Kartlegging av naturinngrep møter et annet kjørespor omtrent midtveis mellom hytta og en kraftlinjestolpe som er midt i bildet. Kjøresporet slynger seg deretter nordøstover...... 191 Figur 151. Utsnitt av flybilde fra 2017, sentrert på koordinat 299 376 øst, 7 095 542 nord, UTM sone 33 N. Fra midten av bildet går det kjørespor nordøstover og sørvestover...... 191 Figur 152. Utsnitt av flybilde fra 2017, sentrert på koordinat 299 584 øst, 7 095 736 nord, UTM sone 33 N. Kjørespor er synlige midt i bildet...... 192 Figur 153 Utsnitt av flybilde fra 2017, sentrert på koordinat 299 776 øst, 7 096 253 nord, UTM sone 33 N. Fra grusveien i nordvest går det kjørespor som krysser bekken og først går sydover og deretter østover ...... 192 Figur 154. Utsnitt av flybilde fra 2017, sentrert på koordinat 298 891 øst, 7 096 029 nord. Fa snuplassen ved enden av grusveien sør i bildet går det tydelige traktorspor som sprer seg utover hogstfeltet...... 193 Figur 155. Utsnitt fra Sentinel-2 bilde fra 5. juli 2018. Utsnittet på 3000 m × 1870 m er sentrert på koordinat 593 400 øst, 7 090 595 nord, UTM sone 32 N. (a) Fargebilde med kanal 11, 8 og 3. (b) Fuktighetsindeksen NDMI...... 194 Figur 156. Utsnitt fra Sentinel-2 bilde fra 15. august 2015. Utsnittet på 3000 m × 1870 m er sentrert på koordinat 593 400 øst, 7 090 595 nord, UTM sone 32 N. (a) Fargebilde med kanal 11, 8 og 3. (b) Fuktighetsindeksen NDMI...... 196 Figur 157. Kjørespor på vestsiden av elva Dyråa synes i flybilder fra 2017 med 25 cm oppløsning. Utsnittet er sentrert på koordinat 358 381 øst, 7 084 781 nord, UTM sone 33 N...... 197 Figur 158. Kart (øverst) og flybilder fra 2017 (nederst) for området rundt Dyråa, Verdal kommune, Trøndelag. Nasjonalparken er øst for den grønne linja tvers gjennom kartet.198 Figur 159. Utsnitt av flybilder ved Dyråa. Utsnittet er sentrert på koordinat 358 417 øst, 7 084 852 nord, UTM sone 33 N...... 199 Figur 160. Utsnitt av flybilder ved Dyråa. Utsnittet er sentrert på koordinat 358 463 øst, 7 084 950 nord, UTM sone 33 N ...... 200 Figur 161. Kjørespor ses tydelig i flybilder fra 2016 med 25 cm oppløsning. Utsnittet er sentrert på koordinat 430 812 øst, 7 160 826 nord, UTM sone 33 N...... 201 Figur 162. Kjøresporene følger stien på kartet. Øverst: Kart fra norgeskart.no. Nederst: Flybilder fra 2016 fra samme område...... 202 Figur 163. Kjørespor på nordsiden av Namsvatnet er synlige i flybilder fra 2016 med 25 cm oppløsning. Utsnittet er sentrert på koordinat 431 549 øst, 7 210 368 nord, UTM sone 33 N...... 203 Figur 164. Kart (øverst) og flybilder fra 2016 (nederst) for et område nord for Namsvatnet...... 204 Figur 165. Utsnitt av flybilder nord for Namsvatnet. Utsnittet er sentrert på koordinat 431 620 øst, 7 210 474 nord, UTM sone 33 N...... 205 Figur 166. Utsnitt av flybilder nord for Namsvatnet. Utsnittet er sentrert på koordinat 431 703 øst, 7 210 556 nord, UTM sone 33 N...... 206 Figur 167. Kjørespor sør for Lifjellveien er synlige i flybilder fra 2016 med 25 cm oppløsning. Utsnittet er sentrert på koordinat 408 675 øst, 7 152 865 nord, UTM sone 33 N...... 207

Kartlegging av naturinngrep 19

Figur 168. Kart (øverst) og flybilder (nederst) for et område sør for Lifjellveien, Lierne kommune, Trøndelag...... 208 Figur 169. Kjørespor fra traktor kan ses som parallelle linjer i lidardata fra fly. Utsnittet er sentrert på koordinat 200 364 øst, 6 828 320 nord, UTM sone 33 N...... 209 Figur 170. Lidardata for området nordøst for Østre Steintjønna (orange rektangel), Steinkjer kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort 9. september 2019 og gjort tilgjengelig 7. mars 2020...... 210 Figur 171. Et kjørespor nordøst for Østre Steintjønna er synlig både i flybilde fra juni 2017 og i lidardata fra september 2019. Utsnittet på 125 m x 125 m er sentrert på koordinat 593 285 øst, 7 090 319 nord, UTM sone 32 N. (a) Flybilde. (b) Lidardata, skyggerelieff av digital overflatemodell. (c) Lidardata, objekthøyde, orange = 0 m, gult = 0-1 m, grønt = 1-12 m, hvitt = høyere enn 12 m. (d) Lidardata, skyggerelieff av digital terrengmodell...... 211 Figur 172. Lidardata for området ved Dyråa (orange rektangel), Verdal kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort 23. september 2019 og gjort tilgjengelig 12. mars 2020...... 215 Figur 173. Lidardata for området ved Nordbakk (orange rektangel), Lierne kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort 1. august 2019 og gjort tilgjengelig 26. desember 2019...... 216 Figur 174. Lidardata for området nord for Namsvatnet (orange rektangel), Røyrvik kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort i 2010 og gjort tilgjengelig 10. juli 2017...... 217 Figur 175. Lidardata for området på Lifjellet (orange rektangel), Lierne kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort 8. september 2019 og gjort tilgjengelig 7. mars 2020...... 218 Figur 176. Flybilde fra juni 2017 (øverst) og lidardata fra september 2019 (nederst) for en grøftet myr. Utsnittet på 188 m x 125 m er sentrert på koordinat 593 188 øst, 7 091 051 nord, UTM sone 32 N ...... 219

20 Kartlegging av naturinngrep

1 Utvidet sammendrag

Norsk Regnesentral (NR) har på oppdrag for Miljødirektoratet utviklet en metode for automatisert deteksjon av naturinngrep med Sentinel-2 satellittbilder. Metoden er basert på det dype nevrale nettverket U-Net. Metoden er trent opp på anleggsveier i vindkraftutbyggingsområder. På et testområde som ikke var med på opptreningen, fant metoden alle de fire vindkraftutbyggingsområdene. Innenfor disse fant metoden i gjennomsnitt 96% av anleggsveienes forløp. 4% ble ikke detektert, og framsto som korte gap, altså utelatte deler av veienes forløp. Samtidig var andelen falske deteksjoner bare 2%.

Eksempler på utelatte deler av veienes forløp kan ses i deteksjonsresultatene med U- Net for Haraheia-Voliheia (Figur 1) og Bessakerfjellet (Figur 2).

(a)

(b) Figur 1. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 13 km × 6,5 km er sentrert på koordinat 566 125 øst, 7 113 925 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Sammenligning av deteksjonsresultat med U-Net med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

Kartlegging av naturinngrep 21

(a)

(b) Figur 2. Deteksjon av vindkraftutbygging på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Sammenligning av deteksjonsresultat med U-Net med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

På Haraheia-Voliheia (Figur 1) ble seks korte veisegmenter utelatt. De detekterte veisegmentene skulle brukes til å lage buffersoner på 1 km, som deretter skulle brukes til å redusere arealet av gjenværende inngrepsfri natur ved å fjerne overlappen. De utelatte veisegmentene så ut til å gi kun små reduksjoner av buffersonene.

På Bessakerfjellet (Figur 2) ble en ganske stor andel av veisegmentene ikke detektert. På ulike vis lignet disse veisegmentene ikke tilstrekkelig på de veisegmentene som U- Net metoden ble trent opp på. Mange av anleggsveiene på Bessakerfjellet er vesentlig tynnere enn anleggsveiene i treningsdataene. Likevel ble over halvparten av veisegmentenes forløp detektert korrekt og alle deler av veinettet hadde korrekt detekterte segmenter. Dermed ville buffersoner på 1 km rundt de detekterte veisegmentene bare gi litt for små estimerte arealer for naturinngrep.

Buffersoner rundt senterlinjer for anleggsveiene i vindkraftutbyggingsområdene (Figur 3) ble brukt til å estimere et oppdatert kart over inngrepsfri natur (Figur 4) for testområdet.

22 Kartlegging av naturinngrep

Figur 3. Buffersoner (rødt) rundt senterlinjer (gult) for anleggsveier per 2019 ble brukt til å redusere områder med inngrepsfri natur. Status per 2018 er med lysegrønt og grønt. Bakgrunnsbildet er fra Sentinel-2 opptak 30. juli 2019.

Kartlegging av naturinngrep 23

Figur 4. Estimert status per 2019 for inngrepsfri natur (lysegrønne og grønne polygoner) og buffersoner (rødt) for vindkraftutbyggingsområder. Bakgrunnsbildet er fra Sentinel-2 opptak 30. juli 2019.

24 Kartlegging av naturinngrep

Som alternativ til U-Net ble også SegNet trent opp på de samme dataene og brukt på det samme testområdet. SegNet var litt dårligere enn U-Net, både ved at SegNet fant en litt lavere andel av anleggsveienes forløp enn U-Net og at SegNet fikk en større andel falske deteksjoner enn U-Net.

Samtidig foregår det en rask utvikling av nye dype nevrale nettverk. En må derfor kunne forvente at det vil kunne dukke opp forbedrede versjoner av U-Net og/eller nye nevrale nettverk som vil kunne gi enda bedre resultater enn de vi fikk med U-Net. På den annen side var resultatene med U-Net så gode at det ikke er nødvendig å vente på nye, forbedrede nettverk for å kunne lage en automatisert prosesseringskjede for deteksjon av naturinngrep.

Som konklusjon har de innledende forsøkene på et eksempelområde vist at det vil kunne være mulig å lage en automatisert prosesseringskjede som oppdager nye naturinngrep slik at kartdata for naturinngrep samt gjenværende områder med inngrepsfri kan holdes oppdatert. Om ønskelig kan nye naturinngrep varsles slik at en har mulighet til å kontrollere disse.

Med utgangspunkt i de gode resultatene med U-Net vil NR anbefale å utvikle en automatisk prosesseringskjede for Sentinel-2 bilder, som beskrevet i kapittel 6.1. Vi vil anbefale at U-Net trenes opp på flere typer inngrep, slik som demninger på vannkraftverk samt bilveier i skog og utmark. Det vil da være viktig å lage bakkesannheter individuelt for hvert Sentinel-2 bilde som inngår i treningsdataene.

NR anbefaler metodeutvikling for å kunne gjøre automatisk deteksjon av kjørespor i flybilder, som skissert i kapittel 6.2. Kjøresporene er synlige i disse bildene, dermed vil automatisk deteksjon med et dypt nevralt nettverk kunne fungere godt. En mulig framgangsmåte er å trene opp U-Net på flybilder med bakkesannheter for kjørespor.

Kartlegging av naturinngrep 25

2 Innledning

Norsk Regnesentral (NR) har gjennomført prosjektet «fjernmålingsbasert kartlegging og overvåking av arealendringer i inngrepsfri natur» på oppdrag for Miljødirektoratet, som beskrevet nedenfor. Løsningen inneholder vurdering av metoder og data. For Miljødirektoratet er det viktig at metoden som velges er skalerbar i nasjonal skala.

NR skulle teste ut om det ved hjelp av data fra Sentinel-1 og -2 ville være mulig å identifisere (i nær sann tid) inngrepstyper, slik som veier og fyllinger, etter hvert som inngrepene skjer i naturen. I tillegg skulle prosjektet etablere spesifikasjon av en automatisk tjeneste for deteksjon og varsling av naturinngrep. NR har lang erfaring fra flere prosjekter i å lage automatiske tjenester for kartlegging og overvåking basert på satellittdata. For denne løsningen var det viktig først å undersøke hvilke typer inngrep som det ville være mulig å se visuelt i satellittbildene, for deretter å lage automatiske metoder for å finne disse i satellittbildene, og evaluere hvor godt metodene fungerer for ulike typer inngrep og ulik grad av inngrep. NR forventet at inngrepene ville kunne ha forskjellig grad av synlighet i Sentinel-1 og Sentinel-2, på den måten at enkelte inngrep kunne synes best i Sentinel-1 og andre i Sentinel-2. For Sentinel-2 ville det også kunne være ulik grad av synlighet ut i fra årstid, samt at inngrepene kunne være skjult av skydekke i enkelte opptak, slik at en kunne forvente å måtte bruke flere opptak i løpet av et år for å kunne fastslå hva som er inngrep.

NR har lang erfaring fra kartlegging og endringsdeteksjon i satellittbilder, inkludert Sentinel-1 og Sentinel-2. Fordi Sentinel-1 og Sentinel-2 måler ulike egenskaper ved arealdekket, ville det kunne være gunstig å bruke begge for bedre å kunne oppdage endringer.

NR har i tidligere prosjekter utviklet automatiske prosesseringskjeder for data fra Sentinel-1 og Sentinel-2, samt flere andre satellitter/sensorer som Sentinel-3, MODIS og Landsat. Disse prosesseringskjedene fungerer helautomatisk, det vil si at de automatisk henter ned aktuelle satellittdata, prosesserer og tilrettelegger ferdig produkt. NR har også utviklet flere maskinlæringsmetoder for deteksjon og kartlegging av ulike typer objekter for bruk i prosesseringskjedene.

Eksempler på slike prosjekter er:

• Flomtjeneste (NVE/Copernicus) – deteksjon av flom og kartlegging av flomareal fra Sentinel-1. Er i operativt bruk hos NVE til kartlegging av flom over fastlands- Norge • NGVEO (ESA) – kartlegging av vegetasjonshøyde (skog) sør for Sahara fra Sentinel-2 • TropSkogTanz (UD/Norsk Romsenter) – kartlegging av avskoging i Tanzania med Landsat • LasTrak (Kartverket)– kartlegging av veier fra flybårne laserskanningsdata • SeaU (KSAT/EU) – deteksjon av marint oljesøl med radarsatellitter • ASAM (NGI/ESA) – deteksjon av snøskred med WorldView og andre VHR- satellitter • CultSearcher (Riksantikvaren) – deteksjon av rester av kulturminner i laserskannerdata • UAVSeal (HI/NFR) – deteksjon av sel i Arktis fra drone- og flybilder

26 Kartlegging av naturinngrep

• HyperBio (Terratec/NFR) – skogkartlegging med hyperspektrale bilder og laserskannerdata.

I Flomtjeneste har vi benyttet oss av endringsdeteksjon ved å bruke egenskapene differansebildet (mellom Sentinel-1 opptak før og etter flommen) og referansebildet (opptak før flom) i en random forest (RF) klassifikator. Falske deteksjoner er ofte et problem, som vi her har løst med ved å fjerne områder som sannsynligvis er våt snø, samt å beregne terrengegenskaper til å utelukke områder der flom ikke kan oppstå (gjennom en HAND-modell).

Dyp læring har vist seg å være en effektiv tilnærmingsmåte i flere anvendelser. I NGVEO-prosjektet designet vi et rammeverk for storskala bruk av dyp læring i jordobservasjon, og demonstrerte det ved å benytte et såkalt U-Net til estimering av vegetasjonshøyde på kontinental skala. Fokusområdet var Sahel i Afrika. I LasTrak prosjektet ble en tilsvarende nettverksarkitektur benyttet til å kartlegge skogsbilveier fra lidardata i Etnedal kommune. I CultSearcher og UAVSeal benyttet vi Faster RCNN, som er en arkitektur for dyp læring til objektdeteksjon, til å detektere henholdsvis rester av kulturminner (gravhauger, fangstgroper og kullmiler) i lidarbilder og selunger i flyfoto. Dyp læring kan også benyttes på hyperspektrale bilder. I HyperBio-prosjektet designet vi et dypt nevralt nettverk for klassifisering av treslag fra hyperspektrale- og laserdata.

I ASAM-prosjektet konstruerte vi en algoritme, basert på ikke-styrt læring av filterkoeffisienter og histogrammatching, til deteksjon av snøskred fra VHR (very high resolution) optiske satellittbilder. I EU-prosjektet SeaU, ble algoritmer for deteksjon av oljesøl og klassifisering av oljetype fra SAR-bilder utviklet.

Skogkartlegging var også fokus i TropSkogTanz-projektet, hvor vi utviklet en algoritme for analyse av tidsserier av Landsat-data for deteksjon av avskoging i Tanzania. Sentralt for metoden var Kalman-filtrering over tid og håndtering av manglende data på grunn av skyer.

De fleste av disse prosjektene inngår i porteføljer innenfor samme tema. NR følger nøye med på utviklingen av metoder innenfor maskinlæring, kunstig intelligens og nevrale nettverk for å kunne velge de beste metodene for pågående prosjekter, samt at utviklingen i disse fagfeltene går meget raskt. Metodene videreutvikles og tilpasses problemstillingene i hvert enkelt prosjekt for å gi best mulig resultat i form av klassifikasjonsrater, deteksjonsrater, håndtering av store datavolum og prosesseringstid. NR publiserer jevnlig fagfellevurderte vitenskapelige artikler fra pågående prosjekter, slik at NR også er med på å bidra til den raske utviklingen (Salberg, Trier og Kampffmeyer, 2017; Solberg et al., 2017; Trier, Waldeland og Cowley, 2019; Trier et al., 2018a, Trier et al., 2018b).

Arealer med inngrepsfri natur er definert som områder som er minst én kilometer fra tyngre tekniske inngrep. Prosjektet skulle velge ut et representativt testområde hvor det har foregått kjente inngrep i løpet av den perioden hvor det fins opptak med Sentinel-1 og -2. De kjente inngrepene vil da fungere som bakkesannheter. Inngrepstypene som det skal fokuseres på, er: Nye veier, fyllinger, kraftlinjer og andre større linjeinngrep på minimum 50 meters lengde.

For å kunne få realistiske estimater på hvor godt metodene ville fungere i praksis, måtte bakkesannhetene deles i to geografisk separate områder:

Kartlegging av naturinngrep 27

1. Bakkesannheter til opptrening av metoden 2. Bakkesannheter til å vurdere hvor godt metoden fungerer

Metoden kan tenkes brukt på to forskjellige måter:

1. Det fins et eksisterende kart over inngrepsfrie naturområder. Metoden skal oppdatere kartet basert på nye inngrep. 2. Det fins ikke noe eksisterende kart over inngrepsfrie naturområder. Metoden skal finne alle inngrep og lage et kart over inngrepsfrie naturområder.

En viktig målsetning med prosjektet var å videreutvikle og teste metodikk for å:

• skille mellom de ulike inngrepstypene • etablere minstestørrelser for inngrep som skal kartlegges • estimere sannsynlighet for at endring representerer inngrep

De kartlagte inngrepene skulle brukes til å maskere vekk områder fra arealer med inngrepsfri natur.

Prosjektet skulle avdekke

• hvilke fjernmålingsdata, • hvilken metode, og • hvilke verktøy som ville være best egnet som utgangspunkt for å detektere endringer i linjestruktur (inngrep) og arealer (inngrepsfri natur).

Delmål for prosjektet var å videreutvikle optimaliserte, standardiserte og automatiserte metoder for å kunne:

• detektere og identifisere naturinngrep, • kartlegge endringer, og • automatisere varsling i nær sann tid når inngrep skjer.

NR skulle prøve ut de valgte metodene på testområdet og produsere et oppdatert kart over inngrepsfri natur, samt et kart over detekterte inngrep. Kartet over detekterte inngrep kan sammenlignes med et kart over kjente inngrep. Med unntak av den delen av området som ble brukt til opptrening av metodene, kunne en så estimere hvor godt metodene fungerte:

• Deteksjonsrate basert på antall: Hvor mange av inngrepene ble detektert automatisk? Er det ulikheter for forskjellige typer inngrep og/eller størrelsen på inngrep? • Deteksjonsrate basert på areal: Hvor stor andel av det totale arealet som inngrepene dekker, ble detektert automatisk? • Falsk alarmrate: Hvor mange av de automatiske deteksjonene er noe annet enn de naturinngrepene som man ønsker å kartlegge?

28 Kartlegging av naturinngrep

NR har beskrevet metoder og resultater i henholdsvis kapittel 3 og 4. Resultatene har blitt diskutert og sammenlignet med relevant litteratur i kapittel 5. Rapporten munner ut i en anbefaling (kapittel 6) for hvordan man bør gå videre for å etablere et nasjonalt dekningskart over naturinngrep, med tilstrekkelig kvalitet, innen 2021.

Kartlegging av naturinngrep 29

3 Data og metoder

3.1 Bakkesannheter Bakkesannheter for anleggsveier i vindkraftutbyggingsområder ble manuelt vektorisert av oss, med hvert enkelt satellittbildeopptak som bakgrunn. Det var flere grunner til at dette måtte gjøres manuelt:

1. Vektor senterlinjene som vi fikk tidlig i prosjektperioden var for unøyaktige. De var i beste fall egnet til å lage buffersoner for naturinngrep, men ikke nøyaktige nok for opptrening av den automatiske metoden basert på U-Net (beskrevet i kapittel 3.5).

2. I flere av vindkraftutbyggingsområdene ble nye anleggsveier laget i perioden 2015-2019, slik at situasjonen for ett område endret seg fra år til år. Det var derfor nødvendig med bakkesannheter tilpasset hvert enkelt satellittbildeopptak.

Som støtteverktøy for bakkesannheter benyttet vi rasterkart fra https://www.norgeskart.no og flybilder fra https://norgeibilder.no.

Vi benyttet polygoner for endringer i inngrepsfri natur til å finne noen eksempler på naturinngrep. Et av de største endringspolygonene (Figur 5) var fra vindkraftutbygging sørøst for Roan i Åfjord kommune, Trøndelag.

Figur 5. Polygoner for endring av inngrepsfri natur, vist i QGIS med en sortert liste. Det nest største polygonet (gult i kartet) er fra vindkraftutbygging ved Roan, Åfjord kommune, Trøndelag.

Et flybilde fra 24. april 2019 fra https://norgeibilder.no/ for dette området viser anleggsveier og vindmøller (Figur 6). Disse fins ikke i flybildet fra 24. juli 2013 (Figur 7).

30 Kartlegging av naturinngrep

Figur 6. Flybilde fra 24. april 2019 fra område med vindkraftutbygging i Åfjord kommune, Trøndelag.

Figur 7. Flybilde fra 24. juli 2013, samme område som i Figur 6, før vindkraftutbygging.

Kartlegging av naturinngrep 31

3.2 Satellittbilder 3.2.1 Sentinel-1 Sentinel-1 har en aktiv sensor som sender ut radarsignaler med 6 cm bølgelengde (C- bånd). Tilbakespredt signal fanges opp av satellitten med antenner. Signalene prosesseres slik at man får bilder.

Sentinel-1 bilder fra august 2016 og august 2019 fra området med vindkraftutbygging i Åfjord kommune, Trøndelag er lastet ned.

3.2.2 Sentinel-2 Sentinel-2 har optiske sensorer som måler reflektert sollys i ulike bølgelengder fra 440 til 2200 nm (Tabell 1).

Tabell 1. Sentinel-2 spektrale bånd.

Romlig Bånd Beskrivelse Bølgelengde oppløsning nr. 60 m 1 Blått – aerosoler 443 nm 10 m 2 Blått 490 nm 10 m 3 Grønt 560 nm 10 m 4 Rødt 665 nm 20 m 5 Rønkant – vegetasjon 705 nm 20 m 6 Rødkant – vegetasjon 740 nm 20 m 7 Rødkant – vegetasjon 783 nm 10 m 8 Nærinfrarødt – vegetasjon 842 nm 20 m 8a Rødkant – vegetasjon 865 nm 60 m 9 Vanndamp 945 nm 60 m 10 Kortbølget infrarødt – cirrus 1375 nm 20 m 11 Kortbølget infrarødt 1610 nm 20 m 12 Kortbølget infrarødt 2200 nm

Sentinel-2-bilder fra 15. august 2015 og 26. september 2019 er lastet ned for ruten T32WNS, georeferert i UTM sone 32 N. Sentinel-2-bilder leveres georeferert i UTM i ruter på 100 km x 100 km. For Norge vil Sentinel-2-bilder leveres i UTM sone 31, 32, 33, 34, eller 35 N, avhengig av lengdegrad.

3.3 Høydemodell Høydedata på 10 m rutenett kan lastes ned fra https://hoydedata.no. Vi har lastet ned høydedata som dekker vindkraftutbyggingsområdene i Åfjord kommune (Figur 8). Høydedataene ble benyttet til prosessering av Sentinel-1 bilder.

32 Kartlegging av naturinngrep

Figur 8. Høydedata med 10 m horisontal oppløsning.

3.4 Endringsdeteksjon NR skulle teste ut om det ved hjelp av data fra Sentinel-1 og -2 var mulig å identifisere (i nær sann tid) inngrepstyper, slik som veier og fyllinger, etter hvert som inngrepene skjer i naturen. I tillegg skulle prosjektet etablere spesifikasjon til en automatisk tjeneste for deteksjon og varsling av naturinngrep.

I første omgang var det nødvendig å identifisere områder med naturinngrep som har skjedd i perioden med satellittbildeopptak med Sentinel-1/-2, og undersøke om inngrepene synes som endringer i bildene. Samtidig ville det kunne være endringer i bildene som skyldtes naturlige endringer av lys/skygge samt sesongvariasjoner av hvordan vegetasjonen trer fram i bildene.

Kartlegging av naturinngrep 33

3.5 Deteksjon av nye veger i Sentinel-2 med U-Net Vi har trent opp et dypt nevralt nettverk som heter U-Net (Figur 9, Ronneberger et al., 2015). Formålet var at U-Net skulle kunne brukes til å detektere naturinngrep i Sentinel-2 bilder (Figur 10) fra hele Norge. Til opptreningen har vi benyttet Sentinel-2 bilder fra fem forskjellige granuler (100 km × 100 km ruter) samt flere tidspunkter i løpet av årene 2015-2019 (Tabell 2). De fire granulene som er markert som ‘trening’ i Tabell 2 ble brukt til å trene parameterne i det nevrale nettverket i en iterativ prosess. Etter hver iterasjon ble den ene granulen markert som ‘validering’ brukt til å vurdere om iterasjonen gav en forbedring eller ikke. Hele denne opptreningsprosessen ble kjørt automatisk.

I tillegg reserverte vi en egen granule (Tabell 3) til test, altså evaluering av deteksjonsresultatene på data som ikke har blitt brukt under opptrening (se kapittel 4.3).

Et viktig prinsipp var at dataene for trening, validering og test var fra geografisk separate områder (Figur 11). Det var videre viktig at dataene brukt til trening var representative for hele Norge. De fire granulene brukt til trening er derfor spredt geografisk. Den granulen med flest vindkraftutbyggingsområder, og som samtidig hadde vindkrarftutbyggingsområder som overlappet områder med inngrepsfri natur per 2018, var det naturlig å reservere som testområde. Dermed ville det være mulig å lage statistikk for deteksjonsresultater samt å demonstrere hvordan arealet av inngrepsfri natur endret seg fra 2018 til 2019.

Figur 9. Arkitekturen til U-Net. Bildegjenkjenning i redusert oppløsning kombineres med å ta vare på høy oppløsning med pilene på oversiden. De hvite rektanglene er kopierte data med høyere oppløsning enn de blå rektanglene i samme lag. En detalj: I figuren har det første laget 3 bånd, mens vi har endret til 10 bånd.

34 Kartlegging av naturinngrep

Figur 10. Etter opptrening på vindkraftutbyggingsområder ble U-Net brukt til å detektere denne typen naturinngrep. Sentinel-2 data ble matet inn på venstre side. På høyre side fikk man ut deteksjoner av inngrep (gult).

Tabell 2. Sentinel-2 data brukt til opptrening av U-Net.

Sentinel-2 granule dato/tid Sentinel-2 bildenavn datasett 5. juli 2017 kl. 10:50:31 T32VLK_20170705.105031 T32VLK Flekkefjord 8. juni 2018 kl 10:56:49 T32VLK_20180608.105649 trening 10. juli 2019 kl 10:50:39 T32VLK_20190710.105039 5. juli 2017 kl. 10:50:31 T32VLL_20170705.105031 T32VLL Lysebotn trening 28. juni 2019 kl 10:56:21 T32VLL_20190628.105621 30. juni 2017 kl 10:50:29 T32VNR_20170630.105029 21. juli 2017 kl 11:06:21 T32VNR_20170721.110621 T32VNR Trondheim trening 5. juli 2018 kl 10:50:29 T32VNR_20180705.105029 26. juli 2019 kl 11:06:29 T32VNR_20190726.110629 25. juli 2017 kl 10:50:31 T33WWS_20170725.105031 T33WWS Harstad 1. juli 2018 kl 11:06:19 T33WWS_20180701.110619 validering 15. juni 2019 kl 10:50:31 T33WWS_20190615.105031 22. august 2015 kl 10:40:35 T33WXT_20150822.104035 23. juli 2016 kl 10:56:23 T33WXT_20160723.105623 T33WXT Tromsø trening 28. juli 2018 kl 10:56:19 T33WXT_20180728.105619 18. juli 2019 kl 10:56:21 T33WXT_20190718.105621

Tabell 3. Sentinel-2 testdata for deteksjon med U-Net.

Sentinel-2 granule dato/tid Sentinel-2 bildenavn datasett T32WNS Bessaker 15. august 2015 kl 10:50:46 T32WNS_20150815.105046 test T32WNS Bessaker 21. juli 2017 kl 11:06:21 T32WNS_20170721.110621 test T32WNS Bessaker 5. juli 2018 kl 10:50:29 T32WNS_20180705.105029 test T32WNS Bessaker 30. juli 2019 kl 10:50:39 T32WNS_20190730.105039 test

Kartlegging av naturinngrep 35

Figur 11. Sentinel-2 granuler brukt til opptrening av U-Net (grønt), validering etter hver iterasjon av treningen (gult), samt en uavhengig test tilslutt (rødt). Vindkraftutbyggingsområder innenfor disse granulene er markert med sorte prikker.

Vindkraftutbyggingsområdene (Figur 11, Tabell 4) var synlige i Sentinel-2 bildene, og dermed ville deteksjon med et dypt nevralt nettverk kunne være mulig. Vindkraftutbyggingsområdene varierer i størrelse (Tabell 4, Figur 12-Figur 19). To av vindkraftutbyggingsområdene i Åfjord kommune er såpass nye at de ikke vises i Norgeskartet (Figur 20, Figur 21).

36 Kartlegging av naturinngrep

Tabell 4. Vindkraftutbyggingsområdene som ble brukt til trening, validering og test.

Datasett Granule Vindkraftutbyggingsområde Areal Andel Kommuner Tellenes 56 km2 Sokndal, Lund T32VLK Svåheia, Kagnuden, 59 km2 Eigersund Kjerdalsfjellet trening T32VLL Skinansfjellet 65 km2 Hå T32VNR Nyvassdalsheian, Stornova 77 km2 Ørland, Åfjord

T33WXT Kvitfjell-Rødfjellet 79 km2 Tromsø

sum trening 336 km2 57% validering T33WWS Ånstadblåheia 22 km2 Sortland sum validering 22 km2 4% Bessakerfjellet 28 km2 Åfjord Haraheia-Voliheia 104 km2 Åfjord test T32WNS Harbaksfjellet 46 km2 Åfjord Kvenndalsfjellet 56 km2 Åfjord sum test 234 km2 40% 2 totalt 592 km 100%

Kartlegging av naturinngrep 37

Figur 12. Vindkraftutbyggingsområdene ved Tellenes, Sokndal kommune, Rogaland, strekker seg også inn i nabokommunen Lund, Rogaland.

38 Kartlegging av naturinngrep

Figur 13. Vindkraftutbyggingsområdene ved Svåheia, Kagnuden og Kjerdalsfjellet i Eigersund kommune, Rogaland.

Kartlegging av naturinngrep 39

Figur 14. Vindkraftutbyggingsområdet på Skinansfjellet ved Matningsdal, Hå kommune, Rogaland.

40 Kartlegging av naturinngrep

Figur 15. Vindkraftutbyggingsområdene ved Nyvassdalsheian, Ørland kommune og Stornova, Åfjord kommune, Trøndelag.

Kartlegging av naturinngrep 41

Figur 16. Vindkraftutbyggingsområdet ved Kvitfjell og Rødfjellet, Kvaløya, Tromsø kommune, Troms og Finnmark.

42 Kartlegging av naturinngrep

Figur 17. Vindkraftutbyggingsområdet på Ånstadblåheia, Sortland kommune, Nordland.

Kartlegging av naturinngrep 43

Figur 18. Vindkraftutbyggingsområdet på Bessakerfjellet, Åfjord kommune, Trøndelag.

44 Kartlegging av naturinngrep

Figur 19. Vindkraftutbyggingsområdene på Haraheia og Voliheia, Åfjord komune, Trøndelag.

Kartlegging av naturinngrep 45

Figur 20. Vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag, er såpass nytt at det ikke vises i Norgeskartet.

46 Kartlegging av naturinngrep

Figur 21. Vindkraftutbyggingsområdet på Kvenndalsfjellet, Åfjord kommune, Trøndelag, er såpass nytt at det ikke vises i Norgeskartet.

For alle vindkraftutbyggingsområdene i Tabell 4 ble bakkesannheter manuelt vektorisert av oss (Figur 22). Senterlinjer for anleggsveier i vindmølleutbyggingsområder ble lagt inn for hvert opptakstidspunkt for hver granule. Senterlinjene fikk en fast bredde på 20 m. For å unngå tvilstilfeller i overgangen fra anleggsvei til omkringliggende terreng ble det lagt på en buffersone på 30 m på hver side av hver enkelt vei. Total bredde på vei pluss buffersoner på hver side ble dermed 80 m. Dessuten ble områder med tydelige inngrep manuelt vektorisert. Tilslutt ble det lagt inn en rektangulær avgrensning for hvert av de manuelt vektoriserte områdene (kolonnen areal i Tabell 4).

Vi måtte altså lage en ny bakkesannhet for hvert opptakstidspunkt for samme granule, fordi vindmølleutbyggingen som regel ikke hadde kommet like langt i de tidligere opptakene sammenlignet med de seinere opptakene.

Vektordataene ble deretter konvertert til rasterdata (Figur 22b) med følgende verdier:

• Sort (-1): Ekskluderes fra treningen (buffersoner rundt veiene samt områder med eksisterende inngrep) • Grå (+1): Områder uten tydelige inngrep

Kartlegging av naturinngrep 47

• Hvit (+2): Anleggsveier for vindmølleutbygging

Andelen veipiksler i bakkesannhetene varierte fra 0,2% til 2,1%, med et gjennomsnitt på 0,9% (Tabell 5). En slik ubalanse er vanlig i deteksjonsproblemer, hvor man skal oppdage avvik (i vårt tilfelle: Naturinngrep) fra en normalsituasjon (i vårt tilfelle: Utmark). Denne ubalansen er viktig når man skal vurdere aktuelle deteksjonsmetoder. Mange objektgjenkjenningsmetoder er laget for en situasjon hvor det som regel er ett eller flere objekter innenfor hvert bildeutsnitt. Men i vårt tilfelle er normalsituasjonen at det ikke er avvik (ingen naturinngrep) i hvert enkelt bildeutsnitt.

Ubalansen er også viktig når man skal lage evalueringskriterier. Et dårlig kriterium ville vært å bruke antall korrekt klassifiserte piksler. Med et gjennomsnitt på 1% veipiksler, vil en metode som klassifiserer alle piksler som ‘ingen naturinngrep’ gi 99% korrekt, men altså et helt ubrukelig resultat. Man må i stedet bruke som kriterium: Andelen korrekt detekterte avvik, som er:

Consumer’s accuracy = antall korrekt klassifiserte veipiksler delt på antall faktiske veipiksler.

For å fange opp falske deteksjoner bør man i tillegg bruke:

Producer’s accuracy = antall korrekt klassifiserte veipiksler delt på antall predikerte veipiksler.

Hvis for eksempel consumer’s accuracy er nær 100% mens producer’s accuracy er lav, for eksempel 10%, betyr det at deteksjonsmetoden vil medføre et stort manuelt opprydningsarbeid, og at metoden dermed ikke er egnet for bruk i en helautomatisk prosesseringskjede. Hvis derimot producer’s accuracy er nær 100% betyr det at deteksjonsmetoden er meget aktuell å bruke i en helautomatisk prosesseringskjede. Consumer’s accuracy vil da si noe om hvor stor andel av inngrepene som ikke blir detektert automatisk.

Andelen av bakkesannheter brukt til trening, validering og test fordelt på areal (Tabell 4) og piksler (Tabell 6) gir omtrent det samme bildet. Litt over halvparten ble brukt til trening, altså opptrening av parameterne i det nevrale nettverket. Omtrent 40% ble brukt til test, altså å lage statistikk for deteksjonsresultatene på et uavhengig område som metoden ikke hadde sett tidligere. Noen få prosent ble brukt til validering underveis i treningen, altså velge mellom kandidater av delvis opptrente nett før videre opptrening.

Vanligvis vil det lønne seg å bruke en enda større andel til trening, gjerne 90% eller mer. I følge Ng (2019) vil ikke lenger den klassiske fordelingen med 60%, 20% og 20% på henholdsvis trening, validering og test, lenger være nødvendig når datasettene er veldig store (for eksempel > 1 000 000 piksler). Man kan faktisk bruke henholdsvis 98%, 1% og 1% for veldig store datasett (Ng, 2019). Men vi ønsket å bruke en stor andel (omtrent 40%) til test av flere grunner:

1. Inkludere flere vindkraftutbyggingsområder for å fange opp eventuelle forskjeller mellom områdene

2. Inkludere vindkraftutbyggingsområder som overlappet arealet for inngrepsfri natur per 2018, for å demonstrere hvordan dette arealet ville bli redusert ved bruk av deteksjonsmetoden.

48 Kartlegging av naturinngrep

3. Inkludere ett vindkraftutbyggingsområde som var mindre tydelig i Sentinel-2 bildene (Bessakerfjellet) enn vindkraftutbyggingsområdene i treningsdataene.

(a)

(b) Figur 22. Manuelt tegnede bakkesannheter for anleggsveier for vindkraftutbygging. Utsnittet på 5,4 km x 3 km er sentrert på koordinat 625 680 øst, 7 723 420 nord, UTM sone 33 N og viser et område på Kvaløya, Tromsø. (a) Sentinel-2 fargebilde (kanal 11, 8, 3) fra 18. juli 2019, hvor anleggsveier er synlige. (b) Maske med anleggsveier (hvitt), natur (lys grå) samt buffersoner og områder med andre typer naturinngrep (sort).

Kartlegging av naturinngrep 49

Tabell 5. Antall piksler vei og bakgrunn for hver granule og hvert enkelt opptakstidspunkt.

Sentinel-2 antall piksler andel datasett granule dato tid (UTC) vei bakgrunn vei trening T32VLK 2017-07-05 10:50:26 13,741 925,498 1.5% trening T32VLK 2018-06-08 11:02:35 13,741 925,498 1.5% trening T32VLK 2019-07-10 10:53:35 13,741 925,498 1.5% trening T32VLL 2017-07-05 10:50:26 867 485,865 0.2% trening T32VLL 2019-06-28 11:02:25 9,687 456,088 2.1% trening T32VNR 2017-06-30 10:53:05 1,268 735,334 0.2% trening T32VNR 2017-07-21 11:07:58 1,317 731,717 0.2% trening T32VNR 2018-07-05 10:50:25 10,402 703,549 1.5% trening T32VNR 2019-07-26 11:12:40 12,101 690,029 1.7% trening T33WXT 2015-08-22 10:40:35 1,300 749,359 0.2% trening T33WXT 2016-07-23 10:56:23 1,300 749,359 0.2% trening T33WXT 2018-07-28 10:56:16 7,228 729,014 1.0% trening T33WXT 2019-07-18 10:56:24 10,079 719,189 1.4% sum trening 96,772 9,525,997 1.0% validering T33WWS 2017-07-25 10:50:28 1,747 174,023 1.0% validering T33WWS 2018-07-01 11:11:03 2,551 171,234 1.5% validering T33WWS 2019-06-15 10:50:30 2,551 171,234 1.5% sum validering 6,849 516,491 1.3% test T32WNS 2015-08-15 10:50:41 3,238 1,924,041 0.2% test T32WNS 2017-07-21 11:07:58 13,750 1,887,160 0.7% test T32WNS 2018-07-05 10:50:25 17,710 1,873,684 0.9% test T32WNS 2019-07-30 10:50:35 25,639 1,845,230 1.4% sum test 60,337 7,530,115 0.8% totalt 163,958 17,572,603 0.9%

Tabell 6. Andelen av dataene brukt til trening, validering og test.

vei bakgrunn totalt datasett piksler andel piksler andel piksler andel trening 96,772 59% 9,525,997 54% 9,622,769 54% validering 6,849 4% 516,491 3% 523,340 3% test 60,337 37% 7,530,115 43% 7,590,452 43% sum 163,958 17,572,603 17,736,561

50 Kartlegging av naturinngrep

3.6 Deteksjon av nye veger i Sentinel-2 med SegNet Som et alternativ til U-Net, trente vi også opp SegNet (Badrinarayanan et al., 2017) på de samme dataene (Tabell 2) og med de samme bakkesannhetene.

Figur 23. Arkitekturen til SegNet. Figuren er fra Badrinarayanan et al. (2017).

I likhet med U-Net, så har SegNet et kodingsnettverk (blå og grønne lag i venstre halvdel av Figur 23) og et dekodingsnettverk (røde og blå lag i høyre halvdel av Figur 23) og tilslutt et lag som klassifiserer enkeltpiksler (gult lag i Figur 23). I kodingsnettverket utføres konvolusjoner (blå lag) og nedskaleringer (max pooling) hvor man beholder de største verdiene (grønne lag). I dekodingsnettverket utføres oppskalering (røde lag) og konvolusjoner (blå lag). Konvolusjonene er de trenbare lagene i nettverket. Det siste laget (gult lag) er en softmax klassifikator for hvert enkeltpiksel. I motsetning til U-Net, så bruker SegNet indeksene fra nedskaleringene (grønne lag) for å gjøre oppskaleringene (røde lag). Dette reduserer minnebehovet til metoden, fordi nettverket ikke behøver å lære seg oppskaleringsparameterne eksplisitt.

Figur 24. Etter opptrening på vindkraftutbyggingsområder ble SegNet brukt til å detektere denne typen naturinngrep. Sentinel-2 data ble matet inn på venstre side. På høyre side fikk man ut deteksjoner av inngrep (gult).

3.7 Skydeteksjon Som en del av kildekoden for deteksjon med U-Net fins det en modul for skydeteksjon. Resultatet er en skymaske for hvert Sentinel-2 bilde.

Kartlegging av naturinngrep 51

3.8 Kildekode for deteksjon med U-Net Kildekode i Python har blitt gjort tilgjengelig fra github: https://github.com/NorskRegnesentral/naturinngrep

Lokalt på NR har vi kildekoden her:

/nr/samba/jo/pro/naturinngrep/usr/arnt/NGVEO og her:

/nr/samba/jo/pro/naturinngrep/usr/trier/src/NGVEO

Kildekoden ble utviklet på operativsystemet Linux. Det skal i prinsippet være mulig å kjøre den på Windows, men det har vi ikke fått tid til å teste.

3.8.1 Python lokalt miljø Første gang: virtualenv .env virtualenv -p /usr/bin/python3 .env

Hver gang source .env/bin/activate

Intallere nye pakker pip install s2cloudless pip install rasterio pip install torch pip install -r requirements.txt

Hvis man vil avslutte deactivate

3.8.2 Deteksjon For å kjøre deteksjon bruker man følgende kommandoer i sekvens: python prepare_data_predict.py python predict.py

I prepare_data_predict.py må man endre hvor data leses fra og skrives til, samt en liste over Sentinel-2 bilder.

I linje 19:

52 Kartlegging av naturinngrep

"target_dir": "/nr/samba/jodata2/pro/naturinngrep/usr/arnt/targets",

I linje 26:

"outdir": " /nr/samba/jodata2/pro/naturinngrep/mmap",

I linje 27-29:

'tile_ids':[ 'T32WNS_20190730T124909', ]

I fila s2_files_predict.txt må man ha fullt stinavn til hvert enkelt Sentinel-2 bilde. Disse må stemme overens med listen tile_ids i prepare_data_predict.py . I eksempelet over er det bare et element i tilde_ids. Dermed blir det bare ett stinavn. Elementet i tile_ids er siste del av stinavnet, men uten ‘.SAFE’, og angir granule, dato og tidspunkt. Fila s2_files_predict.txt ser dermed slik ut i vårt eksempel (men det skal ikke være linjeskift midt i stinavnet):

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_M SIL1C_20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE

I predict.py må man endre hvilke data som skal leses. I linje 30-32: tiles = [ 'T32WNS_20190730T124909', ]

I linje 35:

dataset = Dataset('/nr/samba/jodata2/pro/naturinngrep/mmap/' + test_tile, band_identifiers=data_bands )

3.8.2.1 Kjøring av prepare_data_predict.py Kjøring vil se slik ut:

(.env) trier@jo1:/nr/samba/jo/pro/naturinngrep/usr/trier/src/NGVEO$ python prepare_data_predict.py

Processing /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE read_sentinel2_data /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B02.jp2

Kartlegging av naturinngrep 53

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B03.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B04.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B08.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B05.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B06.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B07.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B8A.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B11.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B12.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B01.jp2

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B09.jp2

54 Kartlegging av naturinngrep

Reading /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE/GRANULE/L1C_T32 WNS_A012518_20190730T105035/IMG_DATA/T32WNS_20190730T105039_B10.jp2 process_clouds cloud_detection /nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_MSIL1C_ 20190730T105039_N0208_R051_T32WNS_20190730T124909.SAFE

(.env) trier@jo1:/nr/samba/jo/pro/naturinngrep/usr/trier/src/NGVEO$

3.8.2.2 Kjøring av predict.py Kjøring vil se slik ut:

(.env) trier@jo1:/nr/samba/jo/pro/naturinngrep/usr/trier/src/NGVEO$ python predict.py

Loading sentinel_dataset from folder: /nr/samba/jodata2/pro/naturinngrep/mmap/T32WNS_20190730T124909

- DataFile: Opening T32WNS_20190730T124909 /nr/samba/jodata2/pro/naturinngrep/mmap/T32WNS_20190730T124909/S2B_MSI L1C_20190730T105039_N0208_R051_T32WNS_20190730T124909/

- 1 were loaded.

- Total number of non-overlapping labelled samples: 1764

- Total number of overlapping labelled samples: 120560400

Predicting for tile T32WNS S2B_MSIL1C_20190730T105039_N0208_R051_T32WNS_20190730T124909

Exported predictions to results/S2B_MSIL1C_20190730T105039_N0208_R051_T32WNS_20190730T124909_s aved_model.tif

3.8.2.3 Resultatet av prediksjon Resultatet av prediksjon er et Geotiff rasterbilde for hvert Sentinel-2 bilde.

I eksempelet over skrives resultatet til:

/nr/samba/jo/pro/naturinngrep/usr/trier/src/NGVEO/results/S2B_MS IL1C_20190730T105039_N0208_R051_T32WNS_20190730T124909_saved_mod el.tif

Det naturlige neste steget vil være konvertering fra raster til vektor. Dette ble det ikke tid til innenfor prosjektets rammer.

Kartlegging av naturinngrep 55

3.8.3 Trening Vi har allerede trent opp nettverket til å detektere anleggsveier i vindkraftutbyggingsområder. De interne parameterne er lagret her: saved_models/saved_model.pt

Fullt stinavn lokalt på NR:

/nr/samba/jo/pro/naturinngrep/usr/trier/src/NGVEO/saved_models/s aved_model.pt

For å kjøre opptrening av det nevrale nettverket bruker man følgende kommandoer i sekvens: python prepare_data.py python train.py

I prepare_data.py må man endre hvor data leses fra og skrives til, samt en liste over Sentinel-2 bilder.

I linje 19:

"target_dir": "/nr/samba/jodata2/pro/naturinngrep/targets",

I linje 26:

"outdir": "/nr/samba/jodata2/pro/naturinngrep/mmap",

I linje 27-45:

'tile_ids':[ 'T32VLK_20170705T105026', 'T32VLK_20180608T112325', 'T32VLK_20190710T125432', 'T32VLL_20170705T105026', 'T32VLL_20190628T131710', 'T32VNR_20170630T105305', 'T32VNR_20170721T110758', 'T32VNR_20180705T130423', 'T32VNR_20190726T122036', 'T33WXT_20150822T104035', 'T33WXT_20160723T105623', 'T33WXT_20180728T131913', 'T33WXT_20190718T113853', 'T33WWS_20170725T105028', 'T33WWS_20180701T145738', 'T33WWS_20190615T110207' 'T33WXT_20190718T113853', ]

I s2_files.txt må man angi fullt stinavn til alle Sentinel-2 bildene, ett stinavn for hvert element i tile_ids i prepare.data.py:

56 Kartlegging av naturinngrep

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2A_M SIL1C_20170705T105031_N0205_R051_T32VLK_20170705T105026.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_M SIL1C_20180608T105649_N0206_R094_T32VLK_20180608T112325.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_M SIL1C_20190710T105039_N0208_R051_T32VLK_20190710T125432.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2A_M SIL1C_20170705T105031_N0205_R051_T32VLL_20170705T105026.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2A_M SIL1C_20190628T105621_N0207_R094_T32VLL_20190628T131710.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_M SIL1C_20170630T105029_N0205_R051_T32VNR_20170630T105305.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2A_M SIL1C_20170721T110621_N0205_R137_T32VNR_20170721T110758.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_M SIL1C_20180705T105029_N0206_R051_T32VNR_20180705T130423.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_M SIL1C_20190726T110629_N0208_R137_T32VNR_20190726T122036.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2A_M SIL1C_20170725T105031_N0205_R051_T33WWS_20170725T105028.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_M SIL1C_20180701T110619_N0206_R137_T33WWS_20180701T145738.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2A_M SIL1C_20190615T105031_N0207_R051_T33WWS_20190615T110207.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2A_M SIL1C_20150822T104036_N0204_R008_T33WXT_20150822T104035.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2A_M SIL1C_20160723T105622_N0204_R094_T33WXT_20160723T105623.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2B_M SIL1C_20180728T105619_N0206_R094_T33WXT_20180728T131913.SAFE

/nr/samba/jodata2/pro/naturinngrep/usr/arnt/sentinel2_data/S2A_M SIL1C_20190718T105621_N0208_R094_T33WXT_20190718T113853.SAFE

I prepare_data.py angir target_dir hvor det fins rasterbilder med bakkesannheter. For hvert Sentinel-2 bilde som inngår i treningen må det finnes en tilhørende fil som slutter på ‘_mask.tif’. Bakkesannhetene er kodet slik:

Kartlegging av naturinngrep 57

• +2 = objekt som skal detekteres • +1 = natur, altså terreng uten inngrep • -1 = vet ikke, ignoreres under trening

I train.py bør man endre filnavn på modellfila som lagrer parameterverdiene for det opptrente nevrale nettverket, slik at man ikke overskriver et tidligere treningsresultat. I linje 32: output_path = 'saved_models/saved_model_new.pt'

Man bør også sjekke at det har blitt kjørt prepare_data.py for alle Sentinel-2 bildene som inngår i treningen. I linje 40-45 er disse bildene angitt: training_tiles = ['T32VLK_20170705T105026','T32VLK_20180608T112325', 'T32VLK_20190710T125432',

'T32VLL_20170705T105026', 'T32VLL_20190628T131710', 'T32VNR_20170630T105305',

'T32VNR_20170721T110758', 'T32VNR_20180705T130423', 'T32VNR_20190726T122036',

'T33WXT_20150822T104035', 'T33WXT_20160723T105623', 'T33WXT_20180728T131913',

'T33WXT_20190718T113853'] validation_tiles = ['T33WWS_20170725T105028', 'T33WWS_20180701T145738', 'T33WWS_20190615T110207']

I linje 52 og linje 57 angis katalogen ‘data’. Katalogen data bør være en lenke til den katalogen som ble angitt som out_dir i prepare_data.py: data -> /nr/samba/jodata2/pro/naturinngrep/mmap

58 Kartlegging av naturinngrep

3.9 Endringsdeteksjon i Sentinel-2 med NDVI differanse Metoden baserte seg på å beregne vegetasjonsindeksen normalized difference vegetation index (NDVI) for to tidspunkter, gjerne med flere års mellomrom. En kunne da benytte endringen i NDVI til å finne naturinngrep som innebar fjerning av vegetasjon.

NDVI ble beregnet fra bånd 4 (rødt, 665 nm) og 8 (nærinfrarødt, 835 nm) (Tabell 1), og utnytter at grønne planter (inkludert blader og barnåler på trær) har høy reflektans i nærinfrarødt og lav i rødt:

NDVI = (NIR835nm – rødt665nm) / (NIR835nm + rødt665nm)

To andre vegetasjonsindekser ble også prøvd. Specific leaf area vegetation index (SLAVI) ble beregnet fra tre bånd: Bånd 4 (rødt, 665 nm), bånd 8 (nærinfrarødt, 835 nm) og bånd 12 (kortbølget infrarødt, 2200 nm)

= ø + 𝑁𝑁𝑁𝑁𝑁𝑁835𝑛𝑛𝑛𝑛 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 I likhet med NDVI baserer SLAVI seg på𝑟𝑟 at𝑑𝑑 grønne𝐾𝐾𝐾𝐾𝐾𝐾 planter2200𝑛𝑛𝑛𝑛 har høy reflektans i nærinfrarødt lys og lav reflektans i rødt lys. I tillegg utnytter SLAVI at kortbølget lys absorberes av vanninnholdet i bladene, altså at reflektansen er lav når vanninnholdet er høyt, og at effekten er sterkere for bånd 12 (2200 nm) enn for bånd 11 (1610 nm).

Normailzed difference moisture index (NDMI) ble beregnet fra bånd 8 (nærinfrarødt, 835 nm) og bånd 11 (kortbølget infrarødt, 1610 nm):

NDMI = (NIR835nm – KIR1610nm) / (NIR835nm + KIR1610nm)

NDMI utnytter at kortbølget infrarødt (KIR) lys absorberes av vanninnhold i vegetasjonen, slik at reflektansen i KIR er lav ved høyt vanninnhold. Ideelt sett kan da NDMI skille mellom vegetasjon som har tilnærmet lik reflektans i nærinfrarødt men ulikt vanninnhold, og dermed gi et tidlig varsel om at vegetasjonen behøver mer vann.

3.9.1 Prosesseringskjede En automatisk prosesseringskjede med følgende trinn ble brukt for å generere bilder med vegetasjonsindekser:

1. Import av data med 10 meters oppløsning, fra enkeltfiler per bånd i JPEG-2000 til én fil i Geotiff. 2. Import av data med 20 meters oppløsning 3. Import av data med 60 meters oppløsning 4. Ekspandering av data i 20 m oppløsning til 10 m oppløsning, med bilineær interpolasjon. 5. Ekspandering av data i 60 m oppløsning til 10 m oppløsning 6. Kombiner tre filer i 10 m oppløsning til én fil i 10 m oppløsning 7. Projisering til UTM sone 33 8. Eksport av tre kanaler til RGB-bilde med falske farger:

Kartlegging av naturinngrep 59

a. Bånd 11 kortbølget infrarødt 1610 nm b. Bånd 8 nærinfrarødt 835 nm c. Bånd 3 grønt 560 nm 9. Beregn vegetasjonsindekser: a. NDVI b. NDMI (også kalt NDII) c. SLAVI

Prosesseringskjeden kan kjøres med denne kommandoen: trier@jo1:/nr/samba/jo/pro/SnowBall/usr/trier/src/eoTools/src/framework$ ./batch_process.py ../../list/T32WNS_bessaker_2_dager.lst

Sentinel-2-dataene er lastet ned hit:

/nr/samba/jodata2/data/sentinel-2//T32WNS_bessaker/ T32WNS_20190926.105811

/nr/samba/jodata2/data/sentinel-2/norway/T32WNS_bessaker/ T32WNS_20150815.105046

60 Kartlegging av naturinngrep

3.9.2 NDVI differanse

(a) (b)

(c) Figur 25. Beregning av NDVI differanse for deler av vindkraftutbyggingsområdet på Stornova i Åfjord kommune, Trøndelag. Utsnittet på 3 km x 3 km, er sentrert på koordinat 553 740 øst, 7 085 220 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juni 2017. (b) Sentinel-2 bilde fra 26. juli 2019. (c) NDVI differansebilde, mørke områder har redusert NDVI fra første til andre dato.

Ved å beregne NDVI for granule T32VNR for to datoer (Figur 25a, b) og beregne differansen, ser man tydelig anleggsveiene til vindkraftutbyggingsområdet på Stornova i Åfjord kommune, Trøndelag (Figur 25c). Men i tillegg får man reduksjoner i NDVI som ikke skyldes fjerning av vegetasjon, men endringer i terrengskygger (Figur 25c). Sentinel-2 bildet fra 26. juli (Figur 25b) har større terrengskyggeområder enn bildet fra 30. juni to år tidligere (Figur 25a). Dette skyldes ulik solhøyde for de to datoene.

I hyperspektrale data for skog (Trier et al., 2018a) kan man observere at blått lys dominerer i skyggeområder men ikke i områder med direkte sollys. Grønn-blå ratio (GBR) kan dermed brukes til å finne skyggeområder, og fjerne disse fra beregningen av NDVI differanse.

Kartlegging av naturinngrep 61

GBR = grønn560nm / blå497nm

For alle områder der minst ett av de to opptakene har GBR < 0.8 (Figur 26), så settes NDVI differanse lik 0.0.

I enkelte fjellområder observerte vi store reduksjoner i NDVI på grunn av snø (Figur 27). Dette gjaldt særlig hvis det siste opptaket kom tidligere på sommeren enn det første, men da i to forskjellige år. For å fjerne områder med snø fra beregningen av NDVI differanse brukte vi snøfraksjon (fractional snow cover – FSC), beregnet med metoden til Salomonsen og Appel (2004). Denne metoden bruker normalised difference snow index, NDSI, som utgangspunkt.

(a) (b)

(c) (d) Figur 26. Maskering med grønn-blå ratio. (a) Sentinel-2 bilde fra 30. juni 2017. (b) Grønn-blå ratio for 26. juli 2019, samme utsnitt som i Figur 25. (c) Sort = områder med grønn-blå ratio lavere enn 0,8. (d) Maskert NDVI differansebilde, maskerte områder har blitt satt til NDVI = 0 (lys grå).

62 Kartlegging av naturinngrep

(a) (b)

(c) Figur 27. Beregning av NDVI differanse for Rensfjellet, Selbu og Midtre Gauldal kommuner, Trøndelag. Dette er et fjellområde hvor det kan være snø også om sommeren. Utsnittet på 3 km × 3 km, er sentrert på koordinat 587 660 øst, 7 002 130 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015. (b) Sentinel-2 bilde fra 30. juni 2017. (c) NDVI differansebilde, mørke områder har redusert NDVI fra første til andre dato.

NDSI beregnes fra bånd 3 (grønt) og bånd 11 (kortbølget infrarødt, KIR):

NDSI = (grønn560nm – KIR1610nm) / (grønn560nm + KIR1610nm)

På grunnlag av feltmålinger og samtidige satellittbildeopptak har de funnet en regresjon mellom FSC og NDSI:

FSC = 0.06 + 1.21 * NDSI

I tillegg brukes to terskelverdier. Den ene gjelder bånd 8, nærinfrarødt (NIR).

Hvis NIR842nm < 0.11 så settes FSC = 0.0

Kartlegging av naturinngrep 63

Hvis NDSI < 0.40 så settes FSC = 0.0

For alle områder der minst ett av de to opptakene har FSC > 50% (Figur 28), så settes NDVI differanse lik 0.0.

IDL-kode for å beregne NDVI differanse fins her:

/nr/samba/jo/pro/SnowBall/usr/trier/src/eoTools/src/methods/adho c/sentinel2_change_detection.pro

(a) (b)

(c) (d) Figur 28. Maskering med snøfraksjon. (a) Sentinel-2 bilde fra 30. juni 2017. (b) Snøfraksjon estimert med metoden til Salomonsen og Appel (2004). (c) Hvitt = områder med snøfraksjon større enn 50%. (d) Maskert NDVI differansebilde, maskerte områder har blitt satt til NDVI = 0 (hvitt).

64 Kartlegging av naturinngrep

4 Resultater

4.1 Visuell endingsdeteksjon med Sentinel-2

Figur 29. Sentinel-2-bilde fra 26. september 2019.

Figur 30. Sentinel-2-bilde fra 15. august 2015.

Ved å sammenligne Sentinel-2-bilder fra 26. september 2019 og 15. august 2015, synes de nye anleggsveiene tydelig i bildet fra 2019 (Figur 29) men er ikke i bildet fra 2015 (Figur 30). Samtidig er det forskjeller mellom bildene som ikke har med naturinngrep å gjøre. Det er større skygger fra terrengformasjoner i bildet fra 26.september 2019 enn i det fra 15. august 2015. En automatisk metode må klare å ta hensyn til dette, hvis ikke vil det bli mange falske deteksjoner.

Kartlegging av naturinngrep 65

15.08.2015 26.09.2019

Falske farger: Bånd 11, 8, 3

NDVI

NDMI

SLAVI Figur 31. Visuell deteksjon av anleggsveier fra vindkraftutbygging, eksempelutsnitt 1 i Roan, Trøndelag. Bildesenter: 274 425 øst, 7 119 610 nord, UTM sone 33N.

66 Kartlegging av naturinngrep

15.08.2015 26.09.2019

Falske farger: Bånd 11, 8, 3

NDVI

NDMI

SLAVI Figur 32. Visuell deteksjon av anleggsveier fra vindkraftutbygging, eksempelutsnitt 2 i Roan, Trøndelag. Bildesenter: 272 480 øst, 7 120 380 nord, UTM sone 33N.

Kartlegging av naturinngrep 67

15.08.2015 26.09.2019

Falske farger: Bånd 11, 8, 3

NDVI

NDMI

SLAVI Figur 33. Visuell deteksjon av anleggsveier fra vindkraftutbygging, eksempelutsnitt 3 i Roan, Trøndelag. Bildesenter: 270 050 øst, 7 121 325 nord, UTM sone 33N.

68 Kartlegging av naturinngrep

Vi har sammenlignet tre vegetasjonsindekser med tanke på å detektere naturinngrep.

I eksempelutsnitt 1 (Figur 31) trer de nye veiene tydelig fram i NDVI som mørke linjer, men det er i tillegg noen nye/større skyggeområder grunnet lavere solhøyde 26. september enn 15. august. I de falske fargene er de nye veiene tydelige i skogsterreng men utydelige mot bart fjell. I NDMI er de nye veiene også tydelige i skogsterreng men vanskelige å se mot bart fjell. Skyggeområder vises i mindre grad som endringer. Dog er det gjerne høyere fuktighet i skyggeområder i utgangspunktet. I SLAVI ser man de nye veiene, men litt mindre tydelig enn i NDVI. Som for NDVI er det problemer med skyggeområder som kan gi falske deteksjoner.

Vi ser de samme effektene i eksempelutsnitt 2 (Figur 32) og 3 (Figur 33).

Kartlegging av naturinngrep 69

4.2 Visuell endringsdeteksjon med Sentinel-1 4.2.1 Vindkraftutbygging Vi har prøvd en enkel metode for å se om vindmøller synes i Sentinel-1-bilder. Ved å vise to bilder samtidig, med ulike farger, vil endringer kunne synes.

Fargekoding:

• Rødt: Bilde fra august 2019

• Turkis: Bilde fra august 2016

Vindmøller vil da kunne sees som kraftige røde punkter.

Eksemplene på de etterfølgende sidene er laget med en første versjon av den enkle metoden. Denne versjonen har noen åpenbare svakheter, unøyaktigheter og mulige feil, som bør bli rettet i en neste versjon. Blant annet har vi brukt en høydemodell som manglet informasjon om geoide/datum i GeoTiff-fila, vi har antatt WGS84 men mistenker at det er GRS1980/ETRS1989. Da avbildningen fra Sentinel-1 er på skrå, vil avvik i terrenghøyde føre til at bildet forskyves horisontalt. I tillegg vil objekter som stikker opp fra terrenget forskyves horisontalt, noe som må tas hensyn til i en automatisk metode. Retning og lengde på forskyvningen er avhengig av satellittens avbildningsvinkler og objektets høyde over bakken.

Men hovedpoenget var altså å se om det er mulig å oppdage vindmøllene med Sentinel-1.

Høydemodellen for eksempelområdet er lastet ned her:

/nr/samba/jodata2/pro/naturinngrep/roan/dtm10/data

70 Kartlegging av naturinngrep

(a) (b) Figur 34. Eksempelområde 1, som er et utsnitt av vindkraftutbyggingsområdet på Haraheia- Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 1730 m × 1670 m er sentrert på koordinat 274 250 øst, 7 119 660 nord, UTM sone 33N. (a) Endringsdeteksjon med Sentinel-1. Kraftige røde punkter kan være vindmøller bygget mellom de to bildeopptakene, august 2015 og august 2019. (b) Sentinel-2 falske farger.

Figur 35. Flybilde fra 24. april 2019 for eksempelområde 1, som er i vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Sju vindmøller synes.

Kartlegging av naturinngrep 71

(a) (b) Figur 36. Eksempelområde 2, som er et utsnitt av vindkraftutbyggingsområdet på Haraheia- Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 1730 m × 1670 m er sentrert på koordinat 272 455 øst, 7 120 345 nord, UTM sone 33N. (a) Endringsdeteksjon med Sentinel-1. Kraftige røde punkter kan være vindmøller bygget mellom de to bildeopptakene, august 2015 og august 2019. (b) Sentinel-2 falske farger.

Figur 37. Flybilde fra 24. april 2019 for eksempelområde 2, som er i vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Seks vindmøller synes.

72 Kartlegging av naturinngrep

(a) (b) Figur 38. Eksempelområde 3, som er et utsnitt av vindkraftutbyggingsområdet på Haraheia- Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 1730 m × 1670 m er sentrert på koordinat 270 045 øst, 7 121 315 nord, UTM sone 33N. (a) Endringsdeteksjon med Sentinel-1. Kraftige røde punkter kan være vindmøller bygget mellom de to bildeopptakene, august 2015 og august 2019. (b) Sentinel-2 falske farger.

Figur 39. Flybilde fra 24. april 2019 for eksempelområde 3, som er i vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Sju vindmøller synes.

Kartlegging av naturinngrep 73

Tabell 7. Manuelle deteksjoner fra Sentinel-1 endringsbilde.

eksempel- deteksjon Sentinel-1 flybilde utsnitt nr øst nord synlig øst nord 1 274060 7119290 ja 274050 7119295 2 275195 7120155 ja 275185 7120160 3 274050 7120245 ja 274055 7120245 4 274545 7119610 ja 274530 7119615 1 5 274345 7119065 nei Veiskjæring 6 273755 7119565 ja 273740 7119570 7 274130 7118875 ja 274125 7118885 8 273750 7118760 ja 273745 7118745 1 272020 7119720 ja 272005 7119660 2 272200 7120060 ja 272185 7120070 2 3 272415 7120385 ja 272405 7120395 4 272370 7120530 nei Veiskjæring 1 269 925 7 121 170 ja 269 912 7 121 195 2 270 260 7 121 570 ja 270 242 7 121 575 3 270 015 7 120 795 ja 270 000 7 120 795 4 270 075 7 120 725 nei Men det er vei dit 3 5 269 720 7 121 470 ja 269 700 7 121 485 6 269 980 7 121 885 ja 269 970 7 121 900 7 269 205 7 120 950 nei Men det er vei dit 8 269 340 7 120 975 ja 269 330 7 120 985 9 269 610 7 120 710 ja 269 600 7 120 715

74 Kartlegging av naturinngrep

4.2.2 Kraftlinjer

(a) (b)

(c) (d) Figur 40. Sammenligning av endringsdeteksjon med Sentinel-2 og Sentinel-1. Utsnittet på 1,5 km x 1,5 km er sentrert på koordinat 379 430 øst, 6 788 920 nord, UTM sone 32 N. Dette tilsvarer 57 930 øst, 6 814 800 nord i UTM sone 33 N. (a) Sentinel-2 bilde fra 18. august 2015. (b) Sentinel-2 bilde fra 27. august 2019. (c) NDVI differanse (uten maskering av skygger) mellom 18. august 2015 og 27. august 2019. (d) Differanse mellom Sentinel-1 VV-bilder fra 2015 og 2019, hvor en ny transformatorstasjon ses som et kraftig rødt område.

Kartlegging av naturinngrep 75

Figur 41. Den nye transformatorstasjonen ses tydelig i flybildet fra 2017. Senter i bildet er på koordinat 57 920 øst, 6 814 790 nord, UTM sone 33 N, og er markert med en rød knappenål.

76 Kartlegging av naturinngrep

4.2.3 Bygninger I et område sør for Bergen (Figur 42) ble flere endringer observert i Sentinel-1 VV differansebildet mellom 2015 og 2019. Røde områder kan skyldes nye bygninger (Figur 43) mens turkise områder kan skyldes at bygninger har blitt revet (Figur 44).

(a)

(b) Figur 42. Deteksjon av endringer med Sentinel-1. (a) Sentinel-1 VV differansebilde fra 2015 til 2019, UTM sone 32. (b) Kart for det samme området, UTM sone 33.

Kartlegging av naturinngrep 77

(a)

(b) (c) Figur 43. Deteksjon av ny bygning med Sentinel-1. Utsnittene er sentrert på koordinat 291 920 øst, 6 688 350 nord, UTM sone 32 N. (a) Differansebilde 2015-2019 fra Sentinel-1 VV. Utsnittet dekker.750 m x 750 m. (b) Flybilde fra juni 2016. (c) Flybilde fra august 2019.

78 Kartlegging av naturinngrep

(a)

(b) (c) Figur 44. Deteksjon av område med flere lave bygninger som er revet. Utsnittene er sentrert på koordinat 293 800 øst, 6 689 740 nord, UTM sone 32 N. (a) Differansebilde 2015-2019 fra Sentinel-1 VV. Utsnittet dekker.750 m x 750 m. (b) Flybilde fra juni 2016. (c) Flybilde fra august 2019.

Kartlegging av naturinngrep 79

4.3 Deteksjon av nye veger i Sentinel-2 med U-Net Metoden for deteksjon av anleggsveier til vindkraftutbygging ble testet på granuler som ikke ble brukt under opptrening.

4.3.1 Deteksjonsresultater i Åfjord Granulen T32WNS inneholder fire vindkraftutbyggingsområder i Åfjord kommune, Trøndelag (Figur 45). Sentinel-2 bilder fra ulike tidspunkter ble benyttet (Tabell 8).

Figur 45. Fire vindkraftutbyggingsområder i Åfjord kommune, Trøndelag: 1 Haraheia-Voliheia, 2 Kvenndalsfjellet, 3 Harbaksfjellet og 4 Bessakerfjellet.

80 Kartlegging av naturinngrep

Tabell 8. Testdata for deteksjon med U-Net.

Sentinel-2 granule dato/tid Sentinel-2 bildenavn datasett T32WNS Bessaker 15. august 2015 kl 10:50:46 T32WNS_20150815.105046 test T32WNS Bessaker 21. juli 2017 kl 11:06:21 T32WNS_20170721.110621 test T32WNS Bessaker 5. juli 2018 kl 10:50:29 T32WNS_20180705.105029 test T32WNS Bessaker 30. juli 2019 kl 10:50:39 T32WNS_20190730.105039 test

I bildet fra 30. juli 2019 detekterte metoden to vindkraftutbyggingsområder som overlapper områder med inngrepsfri natur per 2018. De ene området er på Harbaksfjellet (Figur 46) og det andre er på Kvenndalsfjellet (Figur 47). I tillegg detekterte metoden to andre vindkraftutbyggingsområder på Haraheia-Voliheia (Figur 48) og Bessakerfjellet (Figur 49), men her hadde utbyggingen startet for flere år siden, slik at det ikke var registrert noe inngrepsfri natur per 2018.

(a) (b)

Figur 46. Vindkraftutbyggingsområde på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 8 km er sentrert på koordinat 553 105 øst, 7 105 495 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019. (b) Detekterte inngrep per 30. juli 2019 (hvitt) og inngrepsfrie områder per 2018 (grønt).

Kartlegging av naturinngrep 81

(a)

(b) Figur 47. Vindkraftutbyggingsområde på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 12 × 8 km er sentrert på koordinat 554 535 øst, 7 097 145 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Detekterte inngrep per 30. juli 2019 (hvitt) og inngrepsfrie områder per 2018 (grønt).

82 Kartlegging av naturinngrep

(a)

(b) Figur 48. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 10,7 km × 6 km er sentrert på koordinat 566 775 øst, 7 114 345 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat (hvitt).

Kartlegging av naturinngrep 83

(a)

(b) Figur 49. Vindkraftutbyggingsområdet på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep.

Ved å kjøre deteksjon på flere datoer og sammenligne med de manuelt vektoriserte veiene fikk vi statistikk på nøyaktigheten til deteksjonsmetoden (Tabell 9). Consumer’s accuracy angir hvor mange av de sanne vei-pikslene som ble korrekt detektert av metoden. Producer’s accuracy angir hvor mange av de predikerte veipikslene som faktisk var vei. Metoden så ut til å fungere bra for de tre Sentinel-2 bildene fra 2017,

84 Kartlegging av naturinngrep

2018 og 2019, med consumer’s accuracy på 93-94%, men litt dårligere for 2015. Vi har derfor undersøkt deteksjonsresultatene i detalj.

Tabell 9. Deteksjonsresultater, i antall piksler og i prosent, på de fire ulike datoene for granule T32WNS, som inneholder fire vindkraftutbyggingsområder i Åfjord kommune, Trøndelag.

sanne falske totalt consumer's falske antall producer's dato tid UTC positive negative antall vei accuracy positive predikert accuracy 15/08/2015 10:50:41 2525 713 3238 78% 209 2734 92% 21/07/2017 11:07:58 13089 661 13750 95% 259 13348 98% 05/07/2018 10:50:25 17036 674 17710 96% 834 17870 95% 30/07/2019 10:50:35 24650 989 25639 96% 391 25041 98%

I Sentinel-2 bildet fra 15. august 2015 ble vindkraftutbyggingsområdet på Bessakerfjellet detektert, men det var en del korte veisegmenter som manglet (Figur 50). I Sentinel-2 bildet er det ingen anleggsveier ennå for de tre andre vindkraftutbyggingsområdene. Derimot ble to fjellknauser på Harbaksfjellet (Figur 51) feilaktig detektert som naturinngrep (Figur 52). De to fjellknausenes posisjoner er:

• 550 980 øst, 7 107 010 nord, UTM sone 32 N

• 551 620 øst, 7 107 260 nord, UTM sone 32 N.

Kartlegging av naturinngrep 85

(a)

(b)

(c) Figur 50. Flere korte veisegmenter ble ikke detektert på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

86 Kartlegging av naturinngrep

(a) (b)

(c) Figur 51. To fjellknauser på Harbaksfjellet ble feilaktig detektert som naturinngrep. Situasjonen før utbyggingen av vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 552 535 øst, 7 106 125 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Hvitt = ingen detekterte inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

Kartlegging av naturinngrep 87

(a)

(b) Figur 52. To fjellknauser på Harbaksfjellet ble feilaktig detektert som naturinngrep. Utsnittet på 2,75 km × 2 km er sentrert på koordinat 551 345 øst, 7 107 160 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 15. august 2015. (b) Deteksjonsresultat som er sjekket mot bakkesannheter. Hvitt = korrekt klassifisert som bakgrunn/natur, lys grå = maskert vekk i bakkesannhet, grønt = feilaktig detektert som naturinngrep.

88 Kartlegging av naturinngrep

I Sentinel-2 bildet fra 21. juli 2017 ble vindkraftutbygging detektert i to områder: Bessakerfjellet (Figur 53) og Haraheia-Voliheia (Figur 54). På Bessakerfjellet (Figur 53) var det samme tendens som for bildet fra 2015 (Figur 50), nemlig at flere korte veisegmenter manglet i deteksjonsresultatet sammenlignet med bakkesannhetene (Figur 53c). På Haraheia og Voliheia var metoden bedre til å detektere anleggsveiene, med bare noen få utelatte veisegmenter (Figur 54). På Kvenndalsfjellet hadde utbyggingen ikke startet ennå, og ingen nye inngrep ble detektert (Figur 55). De inngrepene som ble detektert (Figur 55b) ligger innenfor de manuelt vektoriserte maskene med tydelige inngrep som veier, bebyggelse og jordbruksområder (lysegrå områder i Figur 55c).

Kartlegging av naturinngrep 89

(a)

(b)

(c) Figur 53. Deteksjon av vindkraftutbygging på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 21. juli 2017 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

90 Kartlegging av naturinngrep

(a)

(b)

(c) Figur 54. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 13 km × 6,5 km er sentrert på koordinat 566 125 øst, 7 113 925 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 21. juli 2017 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

Kartlegging av naturinngrep 91

(a) (b)

(c) Figur 55. Situasjonen før utbyggingen av vindkraftutbyggingsområdet på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 554 335 øst, 7 097 485 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 21. juli 2017 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Hvitt = ingen detekterte inngrep. Lys grå = maskert vekk.

92 Kartlegging av naturinngrep

(a) (b)

(c) Figur 56. Situasjonen før utbyggingen av vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 552 535 øst, 7 106 125 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 21. juli 2017 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Hvitt = ingen detekterte inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

Kartlegging av naturinngrep 93

I Sentinel-2 bildet fra 5. juli 2018 ble vindkraftutbygging detektert i fire områder: Bessakerfjellet (Figur 57), Haraheia-Voliheia (Figur 58), Kvenndalsfjellet (Figur 59) og Harbaksfjellet (Figur 60).

På Bessakerfjellet var det samme tendens som for bildene fra 2015 (Figur 50) og 2017 (Figur 53), at flere korte veisegmenter manglet i deteksjonsresultatet sammenlignet med bakkesannhetene (Figur 57c). Nøyaktig hvilke korte veisegmenter som manglet varierte litt mellom de tre opptakene (Figur 50c, Figur 53c og Figur 57c). På Haraheia og Voliheia (Figur 58) detekterte metoden flere nye veier sammenlignet med opptaket i 2017 (Figur 54). På Kvenndalsfjellet hadde utbyggingen nå startet, og noen korte veier ble detektert (Figur 59).

I området ved Harbaksfjellet (Figur 60) detekterte metoden starten på vindkraftutbyggingen i form av en kort vei i søndre del av bildeutsnittet. I tillegg ble en del fjellknauser feilaktig detektert som inngrep. Disse er dog relativt korte segmenter sammenlignet med anleggsveiene som metoden detekterte i de andre utsnittene, slik at det burde kunne være mulig å fjerne disse fra deteksjonsresultatet ut i fra lengden på segmentene.

I Sentinel-2 bildet fra 30. juli 2019 ble vindkraftutbygging detektert i fire områder: Bessakerfjellet (Figur 61), Haraheia-Voliheia (Figur 62), Kvenndalsfjellet (Figur 63) og Harbaksfjellet (Figur 64).

94 Kartlegging av naturinngrep

(a)

(b)

(c) Figur 57. Deteksjon av vindkraftutbygging på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2018 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

Kartlegging av naturinngrep 95

(a)

(b)

(c) Figur 58. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 13 km × 6,5 km er sentrert på koordinat 566 125 øst, 7 113 925 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2018 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

96 Kartlegging av naturinngrep

(a) (b)

(c) Figur 59. Vindkraftutbyggingsområdet på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 554 335 øst, 7 097 485 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2018 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

Kartlegging av naturinngrep 97

(a) (b)

(c) Figur 60. Vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 552 535 øst, 7 106 125 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2018 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

98 Kartlegging av naturinngrep

(a)

(b)

(c) Figur 61. Deteksjon av vindkraftutbygging på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 5 km × 3 km er sentrert på koordinat 567 380 øst, 7 122 610 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

Kartlegging av naturinngrep 99

(a)

(b)

(c) Figur 62. Vindkraftutbyggingsområdet på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 13 km × 6,5 km er sentrert på koordinat 566 125 øst, 7 113 925 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

100 Kartlegging av naturinngrep

(a) (b)

(c) Figur 63. Vindkraftutbyggingsområdet på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 554 335 øst, 7 097 485 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

Kartlegging av naturinngrep 101

(a) (b)

(c) Figur 64. Vindkraftutbyggingsområdet på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 6 km × 7 km er sentrert på koordinat 552 535 øst, 7 106 125 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 30. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep. (c) Sammenligning av deteksjonsresultat med manuelt vektorisert bakkesannhet. Sort = korrekt detektert inngrep. Rødt = manglende deteksjon av inngrep. Grønt = falsk deteksjon av inngrep. Lys grå = maskert vekk.

102 Kartlegging av naturinngrep

4.3.2 Deteksjonsresultater i Åfjord med skyer Sentinel-2 bildene i seksjon 4.3.1 (Tabell 8) ble valgt ut slik at det ikke forekom skyer i vindkraftutbyggingsområdene, for å kunne evaluere i hvilken grad alle anleggsveiene ble detektert (Tabell 9). Men for de fleste Sentinel-2 bildene i løpet av sommersesongen vil det forekomme skyer i større eller mindre grad. Vi ønsket derfor å evaluere i hvilken grad skydeteksjonsmetoden fungerte.

Vi valgte to testbilder fra 2019 (Tabell 10) hvor det var delvis skydekke i de fire vindkraftutbyggingsområdene i Åfjord kommune, Trøndelag.

Tabell 10. Testdata for evaluering av skymaskering.

Sentinel-2 granule dato/tid Sentinel-2 bildenavn datasett T32WNS Bessaker 1. juni 2019 kl 11:06:21 T32WNS_20190601.110621 test T32WNS Bessaker 10. juni 2019 kl 10:50:39 T32WNS_20190610.105039 test

Figur 65. Sentinel-2 bilde fra 1. juni 2019, granule T32WNS.

Kartlegging av naturinngrep 103

For Sentinel-2 bildet fra 1. juni 2019 (Figur 65) er det ulik grad av skydekning for de fire vindkraftutbyggingsområdene. For Kvenndalsfjellet (Figur 66) blir de store og tykke skyene korrekt detektert som skyer. De fleste synlige anleggsveiene blir korrekt detektert. Men en anleggsvei som er ved kanten av en sky blir ikke detektert da den er innenfor skymasken. Noen små skyer blir feilaktig detektert som inngrep. Trolig kan disse lukes ut ved at de enten er korte eller er bredere enn normale veier.

Figur 66. Deteksjon av skyer og naturinngrep på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 555 520 øst, 7 098 810 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 1. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky.

104 Kartlegging av naturinngrep

Figur 67. Deteksjon av skyer og naturinngrep på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 554 550 øst, 7 097 680 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 1. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky.

For Harbaksfjellet (Figur 67) så vi samme tendens, at store skyer ble korrekt maskert men at enkelte små skyer feilaktig ble klassifisert som inngrep. I tillegg dukket det opp noen større feilklassifiserte inngrep som egentlig var skyer over havet (øvre høyre hjørne i Figur 67). Noen av anleggsveiene var synlige nok til at de ble detektert.

Kartlegging av naturinngrep 105

Figur 68. Del 1. Deteksjon av skyer og naturinngrep på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 569 060 øst, 7 122 580 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 1. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky.

Store deler av vindkraftutbyggingsområdet på Haraheia-Voliheia var dekket av skyer (Figur 68), og bare enkelte deler av anleggsveiene var synlige nok til at de ble detektert. Også her var det enkelte små og tynne skyer som gav feilaktig detekterte inngrep.

106 Kartlegging av naturinngrep

Figur 69. Deteksjon av skyer og naturinngrep på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 569 060 øst, 7 122 580 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 1. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky.

På Bessakerfjellet (Figur 69) var det flere skyer som feilaktig ble detektert som inngrep.

Kartlegging av naturinngrep 107

Figur 70. Sentinel-2 bilde fra 10. juni 2019, granule T32WNS.

108 Kartlegging av naturinngrep

For Sentinel-2 bildet fra 10. juni 2019 (Figur 70) så vi at på Harbaksfjellet (Figur 71) ble anleggsveier i skyskygger ikke detektert. Noen små tynne skyer ble feilaktig detektert som inngrep.

Figur 71. Deteksjon av skyer og naturinngrep på Harbaksfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 552 430 øst, 7 105 870 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 10. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky.

Kartlegging av naturinngrep 109

Figur 72. Deteksjon av skyer og naturinngrep på Kvenndalsfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 554 550 øst, 7 097 680 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 10. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky.

På Kvenndalsfjellet (Figur 72) ble flere synlige anleggsveier ikke detektert fordi skymasken var for stor.

110 Kartlegging av naturinngrep

Figur 73. Deteksjon av skyer og naturinngrep på Haraheia-Voliheia, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 563 650 øst, 7 115 270 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 10. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky.

For vindkraftutbyggingsområdet på Haraheia-Voliheia (Figur 73) ble noen tynne skyer feilaktig detektert som inngrep, og ble i enkelte tilfeller koblet sammen med korrekt detekterte anleggsveier. I skyskygger ble anleggsveier ikke detektert.

Kartlegging av naturinngrep 111

Figur 74. Deteksjon av skyer og naturinngrep på Bessakerfjellet, Åfjord kommune, Trøndelag. Utsnittet på 3 km × 4,5 km er sentrert på koordinat 568 080 øst, 7 122 350 nord, UTM sone 32 N. (a) Sentinel-2 bilde (kanal 11, 8, 3) fra 10. juni 2019. (b) Deteksjonsresultat, grønt = inngrep, hvitt+rosa = skyer, hvor hvitt=detektert inngrep maskert vekk av detektert sky.

På Bessakerfjellet (Figur 74) var skydekket såpass kraftig at ingen av anleggsveiene ble detektert. Det ene veisegmentet som ble detektert var fra riksvei 715, pluss en liten tynn sky som feilaktig ble detektert som inngrep.

For å oppsummere er det to hovedproblemer med bilder med skydekke:

1. Inngrep blir ikke detektert hvis de skjules av skyer, har dårlig kontrast i skyskygger eller maskeres av en litt for stor skymaske

2. Noen tynne skyer blir feilaktig detektert som inngrep.

For et automatisk system er det viktig å kunne håndtere bilder som inneholder skyer. Det første problemet kan løses ved å bruke flere opptak. Det andre problemet krever en bedre skymaskeringsmetode enn den som brukes per i dag. Et alternativ er å trene opp U-Net til å detektere skyer.

112 Kartlegging av naturinngrep

4.3.3 Deteksjonsresultater Nærøysund Granulen T32WPS inneholder et vindkraftutbyggingsområde på Hundhammarfjellet i Nærøysund kommune, Trøndelag. Metoden detekterer anleggsveier i Sentinel-2 bildet fra 18. august 2015 (Figur 76).

Figur 75. Vindkraftutbyggingsområde (lilla rektangel) på Hundhammarfjellet, Nærøysund kommune, Trøndelag.

Kartlegging av naturinngrep 113

(a)

(b) Figur 76. Deteksjon av vindkraftutbyggingsområde på Hundhammarfjellet, Nærøysund kommune, Trøndelag. Utsnittet på 3 km × 1,5 km er sentrert på koordinat 612 900 øst, 7 183 700 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 18. august 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep.

114 Kartlegging av naturinngrep

4.3.4 Deteksjonsresultater Måsøy Granulen T34WFD inneholder et vindkraftutbyggingsområde på Havøya (Figur 77) i Måsøy kommune, Troms og Finnmark. Metoden detekterer anleggsveier i Sentinel-2 bildet fra 30. juli 2015 (Figur 78).

Figur 77. Vindkraftutbyggingsområde (lilla rektangel) på Havøya, Måsøy kommune, Troms og Finnmark

Kartlegging av naturinngrep 115

(a)

(b) Figur 78. Deteksjon av vindmølleutbygging på Havøya, Måsøy kommune, Troms og Finnmark. Utsnittet på 3 km × 1,5 km er sentrert på koordinat 628 900 øst, 7 883 430 nord, UTM sone 34 N. (a) Sentinel-2 bilde fra 30. juli 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep.

116 Kartlegging av naturinngrep

4.3.5 Deteksjonsresultater nye skogsbilveier Vi ønsket å prøve i hvilken grad metoden var i stand til å detektere andre typer veier enn de anleggsveiene som metoden ble trent opp på. I Oslo ble det bygget nye brede skiløper på Linderudkollen (Figur 79a) i 2014. De tydeligste delene av skiløypetraséene ble detektert av metoden (Figur 79b). Ved Dammyra (Figur 80) i Ringerike og Hole kommuner, Viken fylke, har det blitt bygget en ny skogsbilvei som en forbindelse mellom de eksisterende skogsbilveiene fra Lommedalen i Bærum og Sørkedalen i Oslo. De tydeligste delene av den nye veien ble detektert (Figur 80b).

(a) (b) Figur 79. Deteksjon av ny skiløypetrasé på Linderudkollen i Oslo. Utsnittet på 1250 m × 1500 m er sentrert på koordinat 601 235 øst, 6 649 560 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 22. august 2015 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep.

Kartlegging av naturinngrep 117

(a)

(b) Figur 80. Deteksjon av ny skogsbilvei ved Dammyra, Ringerike og Hole kommuner, Viken. Utsnittet på 2 km × 1 km er sentrert på koordinat 582 350 øst, 6 656 220 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 25. juli 2019 (kanal 11, 8, 3). (b) Deteksjonsresultat, hvitt = inngrep.

118 Kartlegging av naturinngrep

4.3.6 Deteksjonsresultater fyllinger Vi ønsket å prøve om fyllinger i forbindelse med oppdemmede vann for vannkraftverk kunne bli detektert med metoden. U-Net metoden ble kjørt på Sentinel-2 bilder (Tabell 11) hvor vi på forhånd hadde sjekket at det fantes oppdemmede vann med store demninger.

Det må understrekes at deteksjonsmetoden ikke var trent opp på denne typen inngrep, slik at en måtte forvente lavere deteksjonsrater enn for anleggsveier for vindkraftområder. Metoden fant likevel mange kraftverksdammer (Tabell 12). Kort oppsummert ble 17 av 21 dammer detektert. (For et av de 20 eksempelutsnittene var det to dammer, dermed 21 dammer totalt.) For de fire dammene som ikke ble detektert ble det likevel funnet andre inngrep. For 15 av de 20 eksempelutsnittene var det i tillegg feildeteksjoner i større eller mindre grad.

Tabell 11. Sentinel-2 data brukt til deteksjon av demninger for vannkraft.

Sentinel-2 granule dato/tid Sentinel-2 bildenavn T32VLL Lysebotn 8. juli 2018 kl 10:56:19 T32VLL_20180708.105619 T32VLM 27. august 2019 kl 10:56:21 T32VLM_20190827.105621 T32VLN Voss 27. august 2019 kl 10:56:21 T32VLN_20190827.105621 T32VMM Rjukan 3. juli 2018 kl 10:56:21 T32VMM_20180703.105621 T32VMN Geilo 3. juli 2018 kl 10:56:21 T32VMN_20180703.105621 T32VMP Sognefjell 3. juli 2018 kl 10:56:21 T32VMP_20180703.105621 T32VNQ Ulsberg 4. august 2019 kl 10:50:31 T32VNQ_20190804.105031

Ved det oppdemmede vannet Votna i Ullensvang kommune, Vestland fylke (Figur 81) fant metoden selve demningen (Figur 82, nede til venstre i utsnittet) samt områder uten vegetasjon langs vannkanten ved lav vannstand (Figur 82).

Ved Valldalsdammen i Ullensvang kommune, Vestland fylke (Figur 83) ble ikke selve demningen detektert (Figur 84). Det som ble detektert var deler av anleggsveien, et område med lite vegetasjon langs vannkanten ved lav vannstand, samt en fjellknaus (falsk deteksjon, nede til høyre i utsnittet).

Ved Storevassdammen (Figur 85), Bykle kommune, Vestfold og Telemark fylke, ble demningen detektert. Men det var i tillegg mange feildeteksjoner. Mange områder uten vegetasjon ble feilaktig detektert som inngrep (Figur 86). Dette er et symptom på at opptreningen av deteksjonsmetoden ikke har blitt gjort på områder som inkluderer denne landskapstypen.

Ved Botsvatn (Figur 87), Bykle kommune, Agder fylke, ble demningen detektert (Figur 88). I tillegg ble andre inngrep detektert: Områder uten vegetasjon langs vannkanten ved lav vannstand, og deler av veier.

Ved Nesjedammen (Figur 89), Kvinesdal kommune, Agder fylke, ble selve demningen ikke detektert (Figur 90). Men store deler av de vegetasjonsfrie områdene langs vannkanten ved lav vannstand ble detektert. I tillegg var det falske deteksjoner av områder uten vegetasjon.

Kartlegging av naturinngrep 119

Tabell 12. Resultatet av deteksjoner av demninger med U-Net trent opp på vindkraftutbygging.

UTM 32 N Deteksjoner

andre øst nord stedsnavn kommune fylke demning inngrep Falske 381,540 6,633,420 Votna Ullensvang Vestland ja ja nei 381,900 6,639,420 Valldalsdammen Ullensvang Vestland nei ja ja 382,640 6,575,480 Storevassdammen Bykle Agder ja nei ja 402,830 6,579,630 Botsvatn Bykle Agder ja ja nei 385,560 6,517,140 Nesjedammen Kvinesdal Agder nei ja ja 419,690 6,632,140 Songadammen Vestfold og Vinje ja ja nei 421,430 6,632,290 Trolldalsdammen Telemark Vestfold og 419,390 6,625,150 Venemodammen Vinje ja ja nei Telemark 404,510 6,710,760 Rembesdalsvatnet Eidfjord Vestland ja ja ja 410,920 6,697,490 Sysendammen Eidfjord Vestland nei ja ja Ål / 466,880 6,744,400 Flævassdammen Viken ja jaa j Hemsedal 446,330 6,733,440 Nedre Stolsvatnet Hol Viken ja ja ja 422,040 6,735,070 Vestredalsvatnet Aurland Vestland ja ja ja 439,410 6,768,140 Vassetvatnet Lærdal Vestland ja nei ja 449,870 6,760,150 Øljusjøane Lærdal Vestland ja ja ja 457,700 6,766,510 Juklevatnet Lærdal Vestland ja ja ja 456,720 6,773,270 Sulevatnet Lærdal Vestland ja nei ja 403,050 6,816,050 TunsbergdalsvatnetLuster Vestland ja jaja 434,030 6,835,930 Fivlemyrane Luster Vestland ja ja ja 419,000 6,848,810 StyggevassdammenLuster Vestland ja jaja 558,900 6,949,290 Storfossen, Orkla Tynset Innlandet nei ja nei

Ved Songadammen og Trolldalsdammen (Figur 91), Vinje kommune, Vestfold og Telemark, ble begge demningene detektert (Figur 92). I tillegg ble andre inngrep detektert: Anleggsveier samt vegetasjonsfrie striper langs vannkanten ved lav vannstand.

Ved Venemodammen (Figur 93), Vinje kommune, Vestfold og Telemark, ble både demningen og en bilvei detektert (Figur 94).

Ved Rembesdalsvatnet (Figur 95), Eidfjord kommune, Vestland fylke, ble demningen detektert (Figur 96). Det ble også detektert en stripe uten vegetasjon langs vannkanten ved lav vannstand. Noen små områder i deteksjonsresultatet var feildeteksjoner.

Ved Sysendammen (Figur 97), Eidfjord kommune, Vestland fylke, ble demningen ikke detektert (Figur 98). Men flere veier detektert. En kort stripe uten vegetasjon, langs vannkanten ved lav vannstand, ble også detektert. Noen små områder var feildeteksjoner.

120 Kartlegging av naturinngrep

Ved Flævassdammen (Figur 99), på grensen mellom Ål og Hemsedal kommuner, Viken fylke, ble demningen detektert (Figur 100). Det ble også flere veier samt noen striper uten vegetasjon langs vannkanten ved lav vannstand. Det var noen små feildeteksjoner.

Ved Nedre Stolsvatnet (Figur 101), Hol kommune, Viken fylke, ble demningen detektert (Figur 102). Deler av anleggsveier ble også detektert. Det var i tillegg noen falske deteksjoner.

Ved Vestredalsvatnet (Figur 103), Aurland kommune, Vestland fylke, ble demningen og en vei detektert (Figur 104). Det var i tillegg flere feildeteksjoner.

Ved Langavatnet (Figur 105), Aurland kommune, Vestland fylke, ble demningen ikke detektert. Det var mange feildeteksjoner (Figur 106). Dette kan skyldes at det ikke fantes representative terrengområder i treningsdataene. Langavatnet ligger på 1415 meter over havet, betydelig høyere enn noen av terrengutsnittene i treningsdataene.

Ved Nyhellervatnet (Figur 107), Aurland kommune, Vestland fylke, ble demningen samt deler av anleggsveier detektert (Figur 108). Men det var mange feildeteksjoner. Nyhellervatnet ligger på 1438 m.o.h.

Ved Låvidammen (Figur 109), Aurland kommune, Vestland fylke, ble demningen, deler av anleggseien, samt noen striper uten vegetasjon langs vannkanten ved lav vannstand, detektert (Figur 110). Det var også noen feildeteksjoner.

Ved Vassetvatnet (Figur 111), Lærdal kommune, Vestland fylke, ble demningen detektert, men ingen andre inngrep (Figur 112). Det var i tillegg flere falske deteksjoner.

Ved Øljusjøane (Figur 113), Lærdal kommune, Vestland fylke, ble demningen detektert (Figur 114). En stripe uten vegetasjon langs vannkanten ved lav vannstand samt deler av en vei ble også detektert. Det var også mange feildeteksjoner.

Ved Juklevatnet (Figur 115), Lærdal kommune, Vestland fylke, ble demningen detektert (Figur 116). Noen striper uten vegetasjon langs vannkanten vel lav vannstand ble også detektert. Det var også en del feildeteksjoner.

Ved Sulevatnet (Figur 117), Lærdal kommune, Vestland fylke, ble demningen detektert (Figur 118). Kun korte deler av en vei samt korte deler av striper uten vegetasjon langs vannkanten ble detektert. Det var i tillegg mange feildeteksjoner.

Ved Tunsbergdalsvatnet (Figur 119), Luster kommune, Vestland fylke, ble demningen detektert (Figur 120). Det ble også detektert inngrep, som veier og striper uten vegetasjon langs vannkanten ved lav vannstand.

Ved Fivlemyrane (Figur 121), Luster kommune, Vestland fylke, ble demningen, samt striper uten vegetasjon langs vannkanten ved lav vannstand, detektert (Figur 122). Det var i tillegg mange feildeteksjoner.

Ved Styggevassdammen (Figur 123), Luster kommune, Vestland fylke, ble demningen detektert (Figur 124). Det ble også detektert striper uten vegetasjon langs vannkanten ved lav vannstand, samt anleggsveier. Det var i tillegg mange feildeteksjoner.

Kartlegging av naturinngrep 121

Ved Storfossen (Figur 125), Tynset kommune, Innlandet fylke, ble demningen på Orkla ikke detektert (Figur 126). Derimot ble to veier detektert, riktignok med noen brudd. To små områder, som kunne se ut som feildeteksjoner (Figur 126) var inngrep, begge steder som et hus og en åpen plass (Figur 127).

Figur 81. Demningen på Votna, Ullensvang kommune, Vestland fylke, er på koordinat 45 810 øst, 6 659 400 nord, UTM sone 33 N.

122 Kartlegging av naturinngrep

Figur 82. Deteksjoner av inngrep ved det oppdemmede vannet Votna, Ullensgang kommune, Vestland fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 382 340 øst, 6 633 840 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt. Selve demningen er det hvite området nede til venstre i utsnittet, mens de andre hvite områdene sammenfaller med områder uten vegetasjon langs vannkanten ved lav vannstand.

Kartlegging av naturinngrep 123

Figur 83.Valldalsdammen, Ullensvang kommune, Vestland fylke, er på koordinat 46,720 øst, 6 665 350 nord, UTM sone 33 N

124 Kartlegging av naturinngrep

Figur 84. Deteksjoner av inngrep ved Valldalsdammen, Ullensgang kommune, Vestland fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 381 370 øst, 6 639 130 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 125

Figur 85. Storevassdammen, Bykle kommune, Agder fylke, er på koordinat 41,670 øst, 6 601 460 nord, UTM sone 33 N.

126 Kartlegging av naturinngrep

Figur 86. Deteksjoner av inngrep ved Storevassdammen, Bykle kommune, Agder fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 382 740 øst, 6 575 550 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 127

Figur 87. Demningen på Botsvatn, Bykle kommune, Agder fylke, er på koordinat 62 200 øst, 6 603 780 nord, UTM sone 33 N.

128 Kartlegging av naturinngrep

Figur 88. Deteksjoner av inngrep ved Botsvatn, Bykle kommune, Agder fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 402 830 øst, 6 579 630 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 129

Figur 89. Nesjedammen, Kvinesdal kommune, Agder fylke, er på koordinat 62 200 øst, 6 603 780 nord, UTM sone 33 N.

130 Kartlegging av naturinngrep

Figur 90. Deteksjoner av inngrep ved Nesjedammen, Kvinesdal kommune, Agder fylke. Utsnittet på 2,5 km x 1,6 km er sentrert på koordinat 385 560 øst, 6 542 950 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 131

Figur 91. Songadammen, Vinje kommune, Vestfold og Telemark fylke, er på koordinat 83 770 øst, 6 654 660 nord, UTM sone 33 N. Like øst for den er Trolldalsdammen, på koordinat 85 530 øst, 6 654 650 nord.

132 Kartlegging av naturinngrep

Figur 92. Deteksjoner av inngrep ved Songadammen og Trolldalsdammen, Songavatnet, Vinje kommune, Vestfold og Telemark fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 420 430 øst, 6 632 070 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 133

Figur 93. Venemodammen, Vinje kommune, Vestfold og Telemark fylke, er på koordinat 82 840 øst, 6 647 610 nord, UTM sone 33 N.

134 Kartlegging av naturinngrep

Figur 94. Deteksjoner av inngrep ved Venemodammen, Vinje kommune, Vestfold og Telemark fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 419 390 øst, 6 625 150 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 135

Figur 95. Demningen på Rembesdalsvatnet, Eidfjord kommune, Vestland fylke, er på koordinat 75 790 øst, 6 734 500 nord, UTM sone 33 N.

136 Kartlegging av naturinngrep

Figur 96. Deteksjoner av inngrep ved Rembesdalsvatnet, Eidfjord kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 404 500 øst, 6 710 770 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 137

Figur 97. Sysendammen, Eidfjord kommune, Vestland fylke, er på koordinat 80 970 øst, 6 720 670 nord, UTM sone 33 N.

138 Kartlegging av naturinngrep

Figur 98. Deteksjoner av inngrep ved Sysendammen, Eidfjord kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 410 920 øst, 6 697 490 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 139

Figur 99. Flævassdammen, Ål og Hemsedal kommuner, Viken fylke, er på koordinat 141 080 øst, 6 762 350 nord, UTM sone 33 N.

140 Kartlegging av naturinngrep

Figur 100. Deteksjoner av inngrep ved Flævassdammen, Ål og Hemsedal kommuner, Viken fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 466 880 øst, 6 744 400 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 141

Figur 101. Demningen på Nedre Stolsvatnet, Hol kommune, Viken fylke, er på koordinat 119 590 øst, 6 753 300 nord, UTM sone 33 N.

142 Kartlegging av naturinngrep

Figur 102. Deteksjoner av inngrep ved Nedre Stolsvatnet, Hol kommune, Viken fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 446 330 øst, 6 733 440 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 143

Figur 103. Demningen på Vestredalsvatnet, Aurland kommune, Vestland fylke, er på koordinat 95 500 øst, 6 757 150 nord, UTM sone 33 N.

144 Kartlegging av naturinngrep

Figur 104. Deteksjoner av inngrep ved Vestredalsvatnet, Aurland kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 422 040 øst, 6 735 070 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 145

Figur 105. Demningen på Langavatnet, Aurland kommune, Vestland fylke, er på koordinat 87 040 øst, 6 761 700 nord, UTM sone 33 N.

146 Kartlegging av naturinngrep

Figur 106. Deteksjoner av inngrep ved Langavatnet, Aurland kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 413 210 øst, 6 738 820 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 147

Figur 107. Demningen på Nyhellervatnet, Aurland kommune, Vestland fylke, er på koordinat 100 750 øst, 6 764 660 nord, UTM sone 33 N.

148 Kartlegging av naturinngrep

Figur 108. Deteksjoner av inngrep ved Nyhellervatnet, Aurland kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 426 570 øst, 6 743 010 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 149

Figur 109. Låvidammen, Aurland kommune, Vestland fylke, er på koordinat 80 300 øst, 6 768 280 nord, UTM sone 33 N.

150 Kartlegging av naturinngrep

Figur 110. Deteksjoner av inngrep ved Låvidammen, Aurland kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 405 920 øst, 6 744 740 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 151

Figur 111. Demningen på Vassetvatnet, Lærdal kommune, Vestland fylke, er på koordinat 115 860 øst, 6 788 550 nord, UTM sone 33 N.

152 Kartlegging av naturinngrep

Figur 112. Deteksjoner av inngrep ved Vassetvatnet, Lærdal kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 439 410 øst, 6 768 140 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 153

Figur 113. Demningen på Øljusjøane, Lærdal kommune, Vestland fylke, er på koordinat 125 560 øst, 6 779 620 nord, UTM sone 33 N.

154 Kartlegging av naturinngrep

Figur 114. Deteksjoner av inngrep ved Øljusjøane, Lærdal kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 449 870 øst, 6 779 620 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 155

Figur 115. Demningen på Juklevatnet, Lærdal kommune, Vestland fylke, er på koordinat 133 960 øst, 6 785 250 nord, UTM sone 33 N.

156 Kartlegging av naturinngrep

Figur 116. Deteksjoner av inngrep ved Juklevatnet, Lærdal kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 457 700 øst, 6 766 510 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 157

Figur 117. Demningen på Sulevatnet, Lærdal kommune, Vestland fylke, er på koordinat 133 600 øst, 6 792 080 nord, UTM sone 33 N.

158 Kartlegging av naturinngrep

Figur 118. Deteksjoner av inngrep ved Sulevatnet, Lærdal kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 456 720 øst, 6 773 270 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 159

Figur 119. Demningen på Tunsbergdalsvatnet, Luster kommune, Vestland fylke, er på koordinat 84 000 øst, 6 839 690 nord, UTM sone 33 N.

160 Kartlegging av naturinngrep

Figur 120. Deteksjoner av inngrep ved Tunsbergdalsvatnet, Luster kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 403 050 øst, 6 816 050 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 161

Figur 121. Demningen på Fivlemyrane, Luster kommune, Vestland fylke, er på koordinat 116 740 øst, 6 856 670 nord, UTM sone 33 N.

162 Kartlegging av naturinngrep

Figur 122. Deteksjoner av inngrep ved Fivlemyrane, Luster kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 434 030 øst, 6 856 670 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 163

Figur 123. Styggevassdammen, Luster kommune, Vestland fylke, er på koordinat 102 930 øst, 6 870 910 nord, UTM sone 33 N.

164 Kartlegging av naturinngrep

Figur 124. Deteksjoner av inngrep ved Styggevassdammen, Luster kommune, Vestland fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 419 000 øst, 6 848 810 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 165

Figur 125. Demningen på Orkla ved Storfossen, Tynset kommune, Innlandet fylke, er på koordinat 251 730 øst, 6 958 110 nord, UTM sone 33 N.

166 Kartlegging av naturinngrep

Figur 126. Deteksjoner av inngrep ved Storfossen, Tynset kommune, Innlandet fylke. Utsnittet på 2,5 km × 1,6 km er sentrert på koordinat 558 900 øst, 6 949 290 nord, UTM sone 32 N. Øverst: Sentinel-2 bånd 11, 8 og 3. Nederst: Deteksjonsresultat, inngrep = hvitt.

Kartlegging av naturinngrep 167

Figur 127. Forstørret kart ved Storfossen, Tynset.

168 Kartlegging av naturinngrep

4.3.7 Oppdatert kart over inngrepsfri natur Senterlinje vei for vindkraftutbyggingsområdene innenfor granule T32WNS ble brukt til å oppdatere kartet over inngrepsfri natur. Buffersoner på 1 km ble laget for alle senterlinjene og slått sammen til fire polygoner (Figur 128). Buffersonene ble brukt i overlappsanalyse med polygoner for inngrepsfri natur per 2018 (Figur 129). Ved å fjerne overlappene fikk vi estimert et oppdatert kart over inngrepsfri natur per 2019 (Figur 130).

Figur 128. Senterlinje vei (gult) og tilhørende buffersoner på 1 km (rødt) for de fire vindkraftutbyggingsområdene i Åfjord kommune, Trøndelag, innenfor granule T32WNS. Dette utsnittet på 34 km × 35 km er sentrert på koordinat 560 000 øst, 7 109 450 nord, UTM sone 32 N.

Kartlegging av naturinngrep 169

Figur 129. Status 2018 (lysegrønne og grønne polygoner) og buffersoner (rødt) for vindkraftutbyggingsområder.

170 Kartlegging av naturinngrep

Figur 130. Estimert status per 2019 for inngrepsfri natur (lysegrønne og grønne polygoner) og buffersoner (rødt) for vindkraftutbyggingsområder.

For testområdet har vi levert følgende vektorkart i UTM sone 32: status_2018_T32WNS_ar.shp – utsnitt av kart for inngrepsfri natur per 2018, transformert til UTM sone 32 og klippet mot Sentinel-2 granulen T32WNS. vind_veg_2019_T32WNS_buffersoner_ar.shp – buffersoner på 1 km for senterlinje vei for alle anleggsveier i de fire vindkraftutbyggingsområdene innenfor granulen T32WNS. status_2019_T32WNS_ar.shp – estimat av oppdatert kart for inngrepsfri natur per 2018 innenfor granulen T32WNS.

QGIS ble brukt til å transformere fra UTM sone 33 til UTM sone 32, samt å lage buffersoner for vei senterlinjer. QGIS klarte imidlertid ikke å slå sammen overlappende

Kartlegging av naturinngrep 171 buffersoner. Derfor ble Ocad2018 brukt til dette. Videre klarte ingen av disse verktøyene å klippe vekk buffersonene fra arealene med inngrepsfri natur. Dette ble derfor gjort delvis manuelt i Ocad2018. Videre har attributtinformasjonen i Shape-filene gått tapt ved import til Ocad2018. I en automatisert prosesseringskjede vil disse trinnene kodes i Python, slik at problemene med QGIS dermed ikke blir eksponert.

172 Kartlegging av naturinngrep

4.4 Deteksjon av nye veger i Sentinel-2 med SegNet For å kunne sammenligne deteksjonsresultatene fra SegNet med U-Net, ble SegNet trent opp på de samme dataene (Tabell 2), og deretter testet på de samme dataene som U-Net ble testet på (Tabell 8). Disse testdataene ble altså ikke ble brukt under opptrening.

Deteksjosresultatene for SegNet (Tabell 13) ble noe dårligere enn for U-Net (Tabell 9). Både consumer’s accuracy og producer’s accuracy ble dårligere for SegNet for hvert enkelt Sentinel-2 bilde sammenlignet med U-Net. Om vi ser nærmere på deteksjonsresultatene så ser vi at for Sentinel-2 bildet fra 2015 ble det flere falske deteksjoner på fjellknauser på Bessakerfjellet med SegNet (Figur 131) enn med U-Net (Figur 50). Når det gjelder manglende deteksjoner av veisegmenter var de to resultatene ganske likeverdige. Det var litt flere manglende piksler med SegNet enn med U-Net (rødt i Figur 131 og Figur 50), men begge metodene klarte å detektere deler av alle veiene, slik at buffersonene ville blitt omtrent like for begge metodene, dog under forutsetning av at de falske deteksjonene med SegNet kunne blitt fjernet.

For det største vindkraftutbyggingsområdet, Haraheia-Voliheia, ser vi at for Sentinel-2 bildet fra 2019 ble det falske deteksjoner av fjellknauser med SegNet (Figur 132), mens U-Net ikke hadde dette problemet for Haraheia-Voliheia for bildet fra 2019 (Figur 62). Igjen ser vi også at SegNet gav litt større andel manglende piksler enn U-Net (rødt i Figur 132 og Figur 62).

Tabell 13. Deteksjonsresultater, i antall piksler og i prosent, på de fire ulike datoene for granule T32WNS, som inneholder fire vindkraftutbyggingsområder i Åfjord kommune, Trøndelag.

sanne falske totalt consumer's falske antall producer's dato tid UTC positive negative antall vei accuracy positive predikert accuracy 15/08/2015 10:50:41 2376 862 3238 73% 1124 3500 68% 21/07/2017 11:07:58 10896 2854 13750 79% 1004 11900 92% 05/07/2018 10:50:25 15704 2006 17710 89% 2089 17793 88% 30/07/2019 10:50:35 23854 1785 25639 93% 4399 28253 84%

Kartlegging av naturinngrep 173

Figur 131. Deteksjonsresultat for Bessakerfjellet, Åfjord kommune, Trøndelag, med SegNet på Sentinel-2 bildet fra 15. august 2015. Sort = korrekt detekterte veier, rødt = manglende deteksjoner av vei, grønt = falske deteksjoner, grått = maskert. Utsnittet på 5 km x 3 km er sentrert på koordinat 567 290 øst, 7 122 750 nord, UTM sone 32 N.

Figur 132. Deteksjonsresultater for Haraheia-Voliheia, Åfjord kommune, Trøndelag, med SegNet på Sentinel-2 bildet fra 30. juli 2019. Sort = korrekt detekterte veier, rødt = manglende deteksjoner av vei, grønt = falske deteksjoner, grått = maskert. Utsnittet på 12 km x 7 km er sentrert på koordinat 564 825 øst, 7 114 765 nord, UTM sone 32 N.

174 Kartlegging av naturinngrep

4.5 Endringsdeteksjon i Sentinel-2 med NDVI 4.5.1 Vindkraftutbygging Vi beregnet NDVI differansebilder for granulen T32WNS mellom de to datoene 15. august 2015 og 30. juli 2019. For å redusere falske endringer ble differansebildet maskert som beskrevet i kapittel 3.9. NDVI differansebildene ble så sammenlignet med de automatiske deteksjonene gjort med U-Net samt med originalbildene.

(a) (b)

(c) (d) Figur 133. Sammenligning av NDVI differanse med U-Net automatisk deteksjon for deler av vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 3 km er sentrert på koordinat 565 850 øst, 7 112 500 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde. (d) Deteksjonsresultat med U-Net, hvitt = inngrep.

Kartlegging av naturinngrep 175

(a) (b)

Figur 134. Del 2. Sammenligning av NDVI differanse med U-Net automatisk deteksjon for deler av vindkraftutbyggingsområdet på Kvenndalsfjellet i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 3 km er sentrert på koordinat 554 630 øst, 7 097 470 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde. (d) Deteksjonsresultat med U-Net, hvitt = inngrep.

176 Kartlegging av naturinngrep

(a) (b)

Figur 135. Sammenligning av NDVI differanse med U-Net automatisk deteksjon for deler av vindkraftutbyggingsområdet på Harbaksfjellet i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 3 km er sentrert på koordinat 552 800 øst, 7 105 890 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde. (d) Deteksjonsresultat med U-Net, hvitt = inngrep.

Kartlegging av naturinngrep 177

(a) (b)

(c) (d) Figur 136. Sammenligning av NDVI differanse med U-Net automatisk deteksjon for deler av vindkraftutbyggingsområdet på Bessakerfjellet i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 3 km er sentrert på koordinat 567 610 øst, 7 112 620 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 15. august 2015 (kanal 11, 8, 3). (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde. (d) Deteksjonsresultat med U-Net, hvitt = inngrep.

178 Kartlegging av naturinngrep

(a)

(b)

(c) Figur 137. Deteksjon av vindkraftutbygging med NDVI differanse på Kvenndalsfjellet. (a) Sentinel-2 bilde fra 15. august 2015. (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde.

Kartlegging av naturinngrep 179

(a)

(b)

(c) Figur 138. Deteksjon av vindkraftutbygging med NDVI differanse på Nonsfjellet. (a) Sentinel-2 bilde fra 15. august 2015. (b) Sentinel-2 bilde fra 30. juli 2019. (c) NDVI differansebilde.

180 Kartlegging av naturinngrep

4.5.2 Kraftlinjer

(a) (b) (c) Figur 139. Deler av ny kraftlinje øst for vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 5 km er sentrert på koordinat 572 150 øst, 7 111 580 nord, UTM sone 32 N. (a) fargebilde (kanal 11, 8, 3) fra 15. august 2015. (b) fargebilde fra 30. juli 2019. (c) NDVI differansebilde mellom datoene 15. august 2015 og 30. juli 2019.

Figur 140. De nye kraftlinjestolpene synes tydelig i flybilder fra april 2019. Denne stolpen er på koordinat 571 290 øst, 7 112 170 nord, UTM sone 32 N.

Kartlegging av naturinngrep 181

(a) (b) (c) Figur 141. Deler av ny kraftlinje øst for vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 3 km × 5 km er sentrert på koordinat 576 100 øst, 7 118 440 nord, UTM sone 32 N. (a) fargebilde (kanal 11, 8, 3) fra 15. august 2015. (b) fargebilde fra 30. juli 2019. (c) NDVI differansebilde mellom datoene 15. august 2015 og 30. juli 2019.

182 Kartlegging av naturinngrep

(a)

(b)

(c) Figur 142. Deler av ny kraftlinje øst for vindkraftutbyggingsområdet på Haraheia-Voliheia i Åfjord kommune, Trøndelag. Utsnittet på 5 km × 2,5 km er sentrert på koordinat 572 750 øst, 7 116 390 nord, UTM sone 32 N. (a) fargebilde (kanal 11, 8, 3) fra 15. august 2015. (b) fargebilde fra 30. juli 2019. (c) NDVI differansebilde mellom datoene 15. august 2015 og 30. juli 2019.

Kartlegging av naturinngrep 183

(a) (b) (c) Figur 143. Deler av ny kraftlinje ved vindkraftutbyggingsområdet på Sletafjellsheia, Sirdal kommune, Agder. Utsnittet på 3 km x 6 km er sentrert på koordinat 370 490 øst, 6 494 430 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2017. (b) Sentinel-2 bilde fra 28. juni 2019. (c) NDVI differansebilde mellom datoene 5. juli 2017 og 28. juni 2019.

Figur 144. Deler av ny kraftlinje nord for vindkraftutbyggingsområdet på Sletafjellsheia, Sirdal kommune, Agder. Utsnittet på 3 km x 6 km er sentrert på koordinat 370 700 øst, 6 499 380 nord, UTM sone 32 N. (a) Sentinel-2 bilde fra 5. juli 2017. (b) Sentinel-2 bilde fra 28. juni 2019. (c) NDVI differansebilde mellom datoene 5. juli 2017 og 28. juni 2019.

184 Kartlegging av naturinngrep

4.5.3 Skogsbilveier Løvenskiold har bygget en ny skogsbilvei mellom Kampeseter og Dammyra, som en forbindelse mellom Lommedalen og Sørkedalen. Den nye veien synes i NDVI differansebildet mellom datoene 15. august 2015 og 25. juli 2019 (Figur 145a). Veien synes ikke i Sentinel-2 bildet fra 15. august 2015 (Figur 145b), men synes som en brun kurve i Sentinel-2 bildet fra 25. juli 2019 (Figur 145c).

Oslo kommune har bygget nye skiløypetraséer ved Linderudkollen. Disse synes i NDVI-bildet fra 15. august 2015 (Figur 146a) og i fargebildet (Figur 146b). Skiløypene er litt mindre synlige i NDVI bildet (Figur 146c) og fargebildet (Figur 146d) fra 25. juli 2019, trolig på grunn av lav vegetasjon i skiløypetraséene. Siden skiløypene allerede var ryddet i 2015, kan de ikke detekteres med NDVI differanse.

Kartlegging av naturinngrep 185

(a)

(b)

(c) Figur 145. Ny skogsbilvei synes i Sentinel-2-bilder. Utsnittet på 2000 m × 1250 m er sentrert på koordinat 582 250 øst, 6 656 260 nord, UTM sone 32 N. (a) fargebilde (kanal 11, 8, 3) fra 15. august 2015. (b) fargebilde fra 25. juli 2019. (c) NDVI differansebilde mellom datoene 15. august 2015 og 25. juli 2019.

186 Kartlegging av naturinngrep

(a) (b)

(c) (d) Figur 146. Nye skiløypetraséer ved Linderudkollen synes i Sentinel-2 bilder. Utsnittet på 1000 m x 1500 m er sentrert på koordinat 601 290 øst, 6 649 740 nord, UTM sone 32 N. (a) Fargebilde (kanal 11, 8 og 3) fra 22. august 2015. (b) DNVI fra 22. august 2015. (c) Fargebilde fra 25. juli 2019. (d) DNVI fra 25. juli 2019.

Kartlegging av naturinngrep 187

4.6 Visuell deteksjon av kjørespor i flybilder Miljødirektoratet er interessert i overvåking av ulovlig motorferdsel i utmark. Helst ønsket de at deteksjon av kjørespor kunne bli gjort (automatisk) i Sentinel-2 bilder. Det kunne for eksempel tenkes at kjørespor ville gi endringer i fuktighetsforholdene, som kanskje kunne detekteres fra utvalgte Sentinel-2 bånd.

Vi undersøkte om kjørespor var synlige i Sentinel-2 og/eller i flybilder for noen utvalgte steder i Trøndelag hvor kjørespor hadde blitt observert (Tabell 14).

Tabell 14. Noen områder hvor kjørespor har blitt observert.

UTM 32 N UTM 33 N Stedsnavn Kommune øst nord øst nord Østre Steintjønna 1-2, 7796 Follafoss Steinkjer 593 267 7 090 229 299 140 7 095 295 Dyråa Verdal 653 190 7 085 321 358 348 7 084 778 Nordbakk Lierne 718 092 7 167 829 430 711 7 160 786 Namsvatnet Røyrvik 714 232 7 217 293 431 549 7 210 368 Lifjellet Lierne 696 893 7 157 858 408 675 7 152 865

188 Kartlegging av naturinngrep

4.6.1 Østre Steintjønna Ved Skjelstadsteintjønna er det to hytter med gateadresse Østre Steintjønna 1 og 2. Her kan man se kjørespor i flybilder fra 2017. Fra den søndre hytta går det er kjørespor nordøstover (Figur 147). Kjøresporet ser ut til å følge stien på kartet (Figur 148). Hele området for kartutsnittet i Figur 148 dekkes av flybildene fra 2017 (Figur 149). Man kan således se i flybildene (Figur 150-Figur 153) at kjøresporene følger stien på kartet (Figur 148). Men det finnes også områder med traktorspor i forbindelse med tømmerhogst (Figur 154).

Figur 147. Flybilde fra juni 2017.

Kartlegging av naturinngrep 189

Figur 148. Kart for området rundt Skjelstadsteintjønna, Steinkjer kommune, Trøndelag.

Figur 149. Flybilde fra juni 2017 for området rundt Skjelstadsteintjønna, Steinkjer kommune, Trøndelag

190 Kartlegging av naturinngrep

Figur 150. Utsnitt av flybilde fra 2017, sentrert på koordinat 299 189 øst, 7 095 377 nord, UTM sone 33 N. Fra hytta ved vannet går det et delvis utydelig kjørespor. Det møter et annet kjørespor omtrent midtveis mellom hytta og en kraftlinjestolpe som er midt i bildet. Kjøresporet slynger seg deretter nordøstover.

Figur 151. Utsnitt av flybilde fra 2017, sentrert på koordinat 299 376 øst, 7 095 542 nord, UTM sone 33 N. Fra midten av bildet går det kjørespor nordøstover og sørvestover.

Kartlegging av naturinngrep 191

Figur 152. Utsnitt av flybilde fra 2017, sentrert på koordinat 299 584 øst, 7 095 736 nord, UTM sone 33 N. Kjørespor er synlige midt i bildet.

Figur 153 Utsnitt av flybilde fra 2017, sentrert på koordinat 299 776 øst, 7 096 253 nord, UTM sone 33 N. Fra grusveien i nordvest går det kjørespor som krysser bekken og først går sydover og deretter østover

192 Kartlegging av naturinngrep

Figur 154. Utsnitt av flybilde fra 2017, sentrert på koordinat 298 891 øst, 7 096 029 nord. Fa snuplassen ved enden av grusveien sør i bildet går det tydelige traktorspor som sprer seg utover hogstfeltet.

Kartlegging av naturinngrep 193

(a)

(b) Figur 155. Utsnitt fra Sentinel-2 bilde fra 5. juli 2018. Utsnittet på 3000 m × 1870 m er sentrert på koordinat 593 400 øst, 7 090 595 nord, UTM sone 32 N. (a) Fargebilde med kanal 11, 8 og 3. (b) Fuktighetsindeksen NDMI.

Vi undersøkte om det var mulig å se kjøresporene i Sentinel-2 bilder. I bildet fra 5. juli 2018 (Figur 155a) kunne man se kraftlinjetraséen som en lys grønn linje, andre områder med lav vegetasjon som lysegrønne , skog som mørkegrønne områder, og myrområder og snaufjell som brune. Men kjøresporene var vanskelige å se. Vi prøvde også med en fuktighetsindeks, normalised difference moisture index (NDMI)

194 Kartlegging av naturinngrep

NDMI = (NIR835nm – KIR1610nm) / (NIR835nm + KIR1610nm)

NDMI framhevet fuktighetsforskjeller i ulike typer vegetasjon, men ingen kjørespor (Figur 155b).

Også i Sentinel-2 bildet fra 15. august 2015 fikk vi samme resultat (Figur 156). Man kunne se ulike typer vegetasjon men ingen kjørespor.

Kartlegging av naturinngrep 195

(a)

(a) Figur 156. Utsnitt fra Sentinel-2 bilde fra 15. august 2015. Utsnittet på 3000 m × 1870 m er sentrert på koordinat 593 400 øst, 7 090 595 nord, UTM sone 32 N. (a) Fargebilde med kanal 11, 8 og 3. (b) Fuktighetsindeksen NDMI.

196 Kartlegging av naturinngrep

4.6.2 Dyråa, Blåfjella-Skjækerfjella nasjonalpark På vestsiden av elva Dyråa i Verdal kommune, Trøndelag, like utenfor grensen til Blåfjella-Skjækerfjella nasjonalpark, er det tydelige kjørespor i flybilder fra 2017 med 25 cm oppløsning (Figur 157). Kjøresporene sammenfaller ikke med stien på kartet (Figur 158). Ved å følge elva Dyråa nordover i flybildene (Figur 159-Figur 160) ser man kjørespor på begge sider av elva innenfor nasjonalparken.

Figur 157. Kjørespor på vestsiden av elva Dyråa synes i flybilder fra 2017 med 25 cm oppløsning. Utsnittet er sentrert på koordinat 358 381 øst, 7 084 781 nord, UTM sone 33 N.

Kartlegging av naturinngrep 197

Figur 158. Kart (øverst) og flybilder fra 2017 (nederst) for området rundt Dyråa, Verdal kommune, Trøndelag. Nasjonalparken er øst for den grønne linja tvers gjennom kartet.

198 Kartlegging av naturinngrep

Figur 159. Utsnitt av flybilder ved Dyråa. Utsnittet er sentrert på koordinat 358 417 øst, 7 084 852 nord, UTM sone 33 N.

Kartlegging av naturinngrep 199

Figur 160. Utsnitt av flybilder ved Dyråa. Utsnittet er sentrert på koordinat 358 463 øst, 7 084 950 nord, UTM sone 33 N

200 Kartlegging av naturinngrep

4.6.3 Nordbakk, Havdalsfjellet, Lierne Nordøst for gården Nordbakk, med gateadresse Nordbakkveien 18-19, 7882 Nordli, Lierne kommune, Trøndelag, er det tydelige kjørespor (Figur 161). Kjøresporene følger stien på kartet (Figur 162).

Figur 161. Kjørespor ses tydelig i flybilder fra 2016 med 25 cm oppløsning. Utsnittet er sentrert på koordinat 430 812 øst, 7 160 826 nord, UTM sone 33 N.

Kartlegging av naturinngrep 201

Figur 162. Kjøresporene følger stien på kartet. Øverst: Kart fra norgeskart.no. Nederst: Flybilder fra 2016 fra samme område.

202 Kartlegging av naturinngrep

4.6.4 Namsvatnet På Kleivmyrin på nordsiden av Namsvatnet, nordøst for et hus med gateadresse Namslian 4, 7898 , Røyrvik kommune, Trøndelag, er det synlige kjørespor i flybilder fra 2016 med 25 cm oppløsning (Figur 163). Det er ingen sti på kartet (Figur 164) i området med kjørespor i flybildene. Kjøresporene fortsetter nordøstover (Figur 165-Figur 166).

Figur 163. Kjørespor på nordsiden av Namsvatnet er synlige i flybilder fra 2016 med 25 cm oppløsning. Utsnittet er sentrert på koordinat 431 549 øst, 7 210 368 nord, UTM sone 33 N.

Kartlegging av naturinngrep 203

Figur 164. Kart (øverst) og flybilder fra 2016 (nederst) for et område nord for Namsvatnet.

204 Kartlegging av naturinngrep

Figur 165. Utsnitt av flybilder nord for Namsvatnet. Utsnittet er sentrert på koordinat 431 620 øst, 7 210 474 nord, UTM sone 33 N.

Kartlegging av naturinngrep 205

Figur 166. Utsnitt av flybilder nord for Namsvatnet. Utsnittet er sentrert på koordinat 431 703 øst, 7 210 556 nord, UTM sone 33 N.

206 Kartlegging av naturinngrep

4.6.5 Lifjellet, Blåfjella-Skjækerfjella nasjonalpark I et område sør for Lifjellveien i Lierne kommune er det synlige kjørespor i flybilder (Figur 167) fra 2016 med 25 cm oppløsning. Kjøresporene sammenfaller ikke med stier i kartet (Figur 168).

Figur 167. Kjørespor sør for Lifjellveien er synlige i flybilder fra 2016 med 25 cm oppløsning. Utsnittet er sentrert på koordinat 408 675 øst, 7 152 865 nord, UTM sone 33 N.

Kartlegging av naturinngrep 207

Figur 168. Kart (øverst) og flybilder (nederst) for et område sør for Lifjellveien, Lierne kommune, Trøndelag.

208 Kartlegging av naturinngrep

4.7 Visuell deteksjon av kjørespor i lidardata I et annet prosjekt, på deteksjon av kulturminner i lidardata, la vi merke til at traktorspor var synlige i lidardataene (Figur 169).

Figur 169. Kjørespor fra traktor kan ses som parallelle linjer i lidardata fra fly. Utsnittet er sentrert på koordinat 200 364 øst, 6 828 320 nord, UTM sone 33 N.

Vi har undersøkt om det fins lidardata tilgjengelig for de fem områdene i Trøndelag hvor kjørespor var synlige i flybilder (Tabell 14). Faktisk så fins det nå lidardata for alle disse områdene.

Kartlegging av naturinngrep 209

4.7.1 Østre Steintjønna Opptak med lidardata fra fly ble gjort 9. september 2019, og gjort tilgjengelig 7. mars 2020 på hoydedata.no (Figur 170).

Nordøst for Østre Steintjønna var kjørespor synlige både i flybilder og i lidardata (Figur 171).

Figur 170. Lidardata for området nordøst for Østre Steintjønna (orange rektangel), Steinkjer kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort 9. september 2019 og gjort tilgjengelig 7. mars 2020.

210 Kartlegging av naturinngrep

(a) (b)

(c) (d) Figur 171. Et kjørespor nordøst for Østre Steintjønna er synlig både i flybilde fra juni 2017 og i lidardata fra september 2019. Utsnittet på 125 m x 125 m er sentrert på koordinat 593 285 øst, 7 090 319 nord, UTM sone 32 N. (a) Flybilde. (b) Lidardata, skyggerelieff av digital overflatemodell. (c) Lidardata, objekthøyde, orange = 0 m, gult = 0-1 m, grønt = 1-12 m, hvitt = høyere enn 12 m. (d) Lidardata, skyggerelieff av digital terrengmodell.

Kartlegging av naturinngrep 211

Figur 171 (a) forstørret

212 Kartlegging av naturinngrep

Figur 171 (b) forstørret.

Kartlegging av naturinngrep 213

Figur 171 (d) forstørret.

214 Kartlegging av naturinngrep

4.7.2 De andre områdene Vi fikk lastet ned lidardata for fire områder til (Figur 172, Figur 173, Figur 174, Figur 175), men det ble dessverre ikke tid til å sjekke dem for kjørespor.

Figur 172. Lidardata for området ved Dyråa (orange rektangel), Verdal kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort 23. september 2019 og gjort tilgjengelig 12. mars 2020.

Kartlegging av naturinngrep 215

Figur 173. Lidardata for området ved Nordbakk (orange rektangel), Lierne kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort 1. august 2019 og gjort tilgjengelig 26. desember 2019.

216 Kartlegging av naturinngrep

Figur 174. Lidardata for området nord for Namsvatnet (orange rektangel), Røyrvik kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort i 2010 og gjort tilgjengelig 10. juli 2017.

Kartlegging av naturinngrep 217

Figur 175. Lidardata for området på Lifjellet (orange rektangel), Lierne kommune, Trøndelag, ble lastet ned fra hoydedata.no. Opptak med lidar fra fly ble gjort 8. september 2019 og gjort tilgjengelig 7. mars 2020.

218 Kartlegging av naturinngrep

4.8 Visuell deteksjon av grøftet myr i lidardata Like ved enden av Skjelstadsetervegen, 7796 Follafoss, Steinkjer kommune, Trøndelag, på nordsiden av veien, er det en grøftet myr. I flybilder fra 2017 synes noen få grøfter, mens mange flere grøfter er synlige i lidardata fra 2019 (Figur 176).

Figur 176. Flybilde fra juni 2017 (øverst) og lidardata fra september 2019 (nederst) for en grøftet myr. Utsnittet på 188 m x 125 m er sentrert på koordinat 593 188 øst, 7 091 051 nord, UTM sone 32 N

Kartlegging av naturinngrep 219

5 Diskusjon og konklusjon

Forsøkene med Sentinel-2 viste at naturinngrep som vindkraftutbyggingsområder kan detekteres med en automatisk metode basert på det nevrale nettverket U-Net. Ved test på et område i Åfjord kommune, Trøndelag, som ikke ble brukt under opptreningen av det nevrale nettverket, fant metoden alle vindkraftutbyggingsområdene. To av disse var i områder som var inngrepsfri natur per 2018. Men deteksjonsmetoden er i seg selv ikke i stand til å skille mellom nye inngrep i det som til nå ha vært inngrepsfri natur, kontra inngrep andre steder. Deteksjonsresultatene må derfor brukes i GIS-analyser for finne ut hvor det inngrepsfrie naturarealet eventuelt har blitt redusert.

Deteksjonsmetoden basert på U-Net fant alle mønstre i Sentinel-2 bildene som ligner på anleggsveiene til vindkraftutbyggingsområdene slik de framstår i treningsdataene. Det var få tilfeller av feildeteksjoner som ikke var naturinngrep, og disse feildeteksjonene kan lukes ut på grunnlag av størrelsen. På den annen side fant ikke metoden naturinngrep som ikke ligner på dem som var merket i treningsdataene.

Ved å trene opp U-Net metoden på andre typer naturinngrep som synes i Sentinel-2 bilder, vil vi forvente at også disse typene inngrep kan finnes automatisk.

Et lite forsøk på deteksjoner av nye skogsbilveier, men med U-Net trent opp på anleggsveier for vindkraftutbygging, viste at de tydeligste veiene kunne bli detektert men at veier som var en del år gamle ikke ble detektert da de var mindre tydelige og dermed lignet mindre på de anleggsveiene som var i treningsdataene. Ved å inkludere skogsbilveier i treningsdataene vil vi forvente bedre deteksjonsresultater for skogsbilveier, slik at ikke bare de aller tydeligste blir detektert.

Forsøket med deteksjon av kraftverksdemninger, men med U-Net trent opp på vindkraftutbyggingsområder, viste at metoden til en viss grad kunne finne inngrep som den ikke var trent opp på, men med store innslag av feildeteksjoner. Årsaken til feildeteksjonene var trolig at landskapstypene rundt disse demningene ikke var representert i treningsdataene for vindkraftutbygging. Vi vil forvente at andelen feildeteksjoner vil reduseres ved å inkludere områder med demninger i treningsdataene.

Forsøkene med NDVI differanse med Sentinel-2 viste at naturinngrep som vindmølleutbygging kunne detekteres, men at metoden var mindre presis enn den basert på U-Net. På den annen side kunne DNVI differanse brukes til manuell deteksjon av andre typer inngrep som nye kraftlinjer, hvor de enkelte stolpene samt deler av traseene kunne detekteres der det var fjernet vegetasjon. En begrensning med NDVI differanse er at man trenger et opptak før og et etter inngrepet, mens metoden basert på U-Net bare trenger et opptak etter inngrepet. En begrensning med begge metodene er at inngrepene må synes i Sentinel-2 bilder.

Vi har kun benyttet Sentinel-2 bilder fra sommersesongen, altså juni, juli og august. Utover høsten vil andelen skyggepartier i bildene øke. Skyggepartier har dårligere kontrast og kan gi problemer med økt forekomst av falske deteksjoner. Men det vil kunne være mulig å trene opp U-Net metoden på høstbilder med skyggepartier og evaluere i hvilken grad falske deteksjoner faktisk forekommer. For DNVI differansebilder vil skyggepartier til en viss grad påvirke beregningen av NDVI, ved at de to bølgelengdeintervallene som inngår, rødt og nærinfrarødt, svekkes ulikt i skyggeområder. Det vil kunne være mulig å kompensere for dette, ved å detektere skygger, slik vi gjorde med grønn-blå ratio, for deretter å forsterke det nærinfrarøde

220 Kartlegging av naturinngrep signalet basert på den blå-grønne ratioen. Men man bør evaluere i hvilken grad kompenseringen gjøres korrekt, og i hvilken grad det er feilkilder. For eksempel kan det være visse typer skog som naturlig har lav grønn-blå ratio selv i direkte sollys.

Høstbilder vil også ha noe svakere direkte sollys enn sommerbilder, men det er trolig et mindre problem enn skyggeområdene.

Vi har heller ikke benyttet bilder fra våren (mars, april, mai). Ulempen med vårbilder er at snø kan forekomme og at vegetasjonen ikke er like tydelig som på sommeren. Tidlig på våren er i tillegg sollyset noe svakere, slik som på høsten, samt at man får problemer med terrengskygger. Men det vil kunne være mulig å trene opp U-Net metoden på vårbilder, for eksempel fra april og mai, og evaluere resultatene.

Vinterbilder (november, desember, januar, februar) har vi utelukket helt da det er store problemer med terrengskygger, snødekke og svakt sollys, samt mørketid i Nord-Norge.

Vi har sett at det er to hovedproblemer med Sentinel-2 bilder med skydekke:

1. Inngrep blir ikke detektert hvis de skjules av skyer, har dårlig kontrast i skyskygger eller maskeres av en litt for stor skymaske

2. Noen tynne skyer blir feilaktig detektert som inngrep.

For et automatisk system er det viktig å kunne håndtere bilder som inneholder skyer. Det første problemet kan løses ved å bruke flere opptak. Det andre problemet krever en bedre skymaskeringsmetode enn den som brukes per i dag. Et alternativ er å trene opp U-Net til å detektere skyer.

Det finnes flere andre nevrale nettverk enn U-Net, som kunne vært testet ut på deteksjon av vindmøtteutbyggingsområder. På den annen side var resultatene såpass gode med U-Net, 96% consumer’s accuracy og 98% producer’s accuracy, at det ikke ville være store forbedringsmuligheter med et annet nevralt nettverk. Selv om U-Net er utviklet for segmentering av medisinske bilder (Ronneberger et al. 2015), brukes U-Net i en rekke ulike anvendelser. Rakhlin et al. (2018) bruker U-Net til klassifisering av arealdekke i Planet satellittbilder med 0,5 m oppløsning. Ivanovsky et al. (2019) bruker U-Net til deteksjon av bygninger i Planet satellittbilder. Wagner et al. (2019) bruker U- Net til å kartlegge skogtyper og skogskader i WorldView-3 satellittbilder med 0.3 m oppløsning i gråtoner og 1.2 m multispektralt. Zhang et al. (2018) bruker en variant av U-Net til å trekke ut veier fra flybilder med 1 meters oppløsning. Yang et al. (2019) bruker U-Net til å detektere veier og trekke ut senterlinjer fra flybilder med 1,2 m oppløsning. Wulff et al. (2018) bruker U-Net til robust deteksjon av veier for bruk i selvkjørende biler, ved hjelp av bilder og lidardata tatt opp fra bilen. Liu et al. (2019) bruker U-Net til å detektere sprekker i betong.

Mens enkelte andre dype nevrale nettverk, slik som Faster R-CNN (Ren et al., 2017) og Mask R-CNN (He et al., 2017), er bedre på detektere kompakte objekter, er U-Net er bedre i stand til å detektere linjeobjekter. Vi antok derfor at U-Net ville være velegnet til å detektere anleggsveier for vindkraftutbygging. Vi har også opplevd problemer med høy andel falske deteksjoner med Faster R-CNN i et annet prosjekt (Trier, Reksten, Løseth 2020).

Vi har tidligere brukt U-Net til å prediktere vegetasjonshøyde for skog i Afrika. Dette er selvfølgelig en helt annen anvendelse enn å finne naturinngrep i Norge. Men en viktig

Kartlegging av naturinngrep 221 egenskap med dype nevrale nettverk er at det samme nettverket kan brukes på ulike anvendelser. Forutsetningen er at man har tilgang på store nok volumer av treningsdata som er representative for problemet man ønsker å løse. Vi prioriterte derfor høyt å kvalitetssikre treningsdataene for å være sikker på at de var representative og ikke inneholdt feil.

Forsøkene med Sentinel-1 viste at visse typer endringer kunne detekteres med differansebilder, men at det gjenstår en del på metodeutvikling til å kunne bruke dette i en automatisk metode for deteksjon av naturinngrep. Særlig i kupert terreng så det ut til å forekomme en del feildeteksjoner.

Miljødirektoratet var også interessert i å kartlegge ulovlig motorisert ferdsel i utmark. Dette kan i mange tilfeller ses som kjørespor i flybilder med 10-25 cm oppløsning. Men dessverre er ikke kjøresporene synlige i Sentinel-2 bildene med 10 m oppløsning, og vil derfor være vanskelige å detektere i Sentinel-2 bilder. Men fra flybildene vil de kunne være mulige å detektere ved å trene opp et nevralt nettverk.

Som konklusjon var U-Net i stand til å detektere vindkraftutbyggingsområder i Sentinel- 2 bilder. Resultatene var gode nok til at metoden kan integreres i en automatisk prosesseringskjede. Det er mulig å utvide metoden til å detektere også andre typer inngrep som synes i Sentinel-2 bilder.

222 Kartlegging av naturinngrep

6 Anbefalinger

6.1 Automatisk prosesseringskjede for Sentinel-2 NR anbefaler at U-Net metoden integreres i en automatisk prosesseringskjede for Sentinel-2 bilder. Vi foreslår at prosesseringskjeden har følgende trinn:

1. Daglig nedlasting av nye Sentinel-2 bilder innenfor Norges landareal.

2. Utpakking og konvertering til filformat tilpasset innlesing til U-Net

3. Skymaskering

4. Deteksjon av naturinngrep med U-Net, i første omgang: anleggsveier i vindmøllekraftverk

5. Fjerning av potensielt falske deteksjoner basert på objektstørrelse

6. Tynning av detekterte rasterlinjer til en pkselbredde

7. Konvertering fra raster til vektor

8. Koordinattransformasjon av vektorlinjer til UTM sone 33

9. Etablere buffersoner rundt vektorlinjene

10. GIS overlappsanalyse mellom buffersoner og eksisterende arealer med inngrepsfri natur. Resultatet er polygoner med reduksjon av inngrepsfri natur

11. Konvertering av Sentinel-2 bilder til tre kanalers RGB-bilder i UTM sone 33 N for manuell inspeksjon, for de områdene hvor polygoner med reduksjon av inngrepsfri natur er detektert.

12. GIS-visualisering av vektorlinjer for naturinngrep og polygonomriss for reduksjon av inngrepsfri natur lagt oppå Sentinel-2 bildet hvor naturinngrepet ble detektert.

13. Manuell kontroll og eventuelt redigering av vektor senterlinjer for naturinngrep.

14. Dersom det ble foretatt manuell endring av vektor senterlinjer for naturinngrep i trinn 13: Gå til trinn 9.

15. Manuell kontroll av polygoner for reduksjon av inngrepsfri natur. Hvert polygon gis en av tre mulige statusverdier:

a. Godkjent – bekreftet reduksjon av inngrepsfri natur

b. Avvist – ikke naturinngrep

c. Må sjekkes – man må legge inn beskrivende kommentar

Kartlegging av naturinngrep 223

16. Lagring av polygoner for reduksjon av inngrepsfri natur samt oppdaterte polygoner for inngrepsfri natur.

Nedenfor følger en litt mer detaljert beskrivelse av hvert trinn.

6.1.1 Daglig nedlasting av nye Sentinel-2 bilder innenfor Norges landareal. En prosess startes hver kveld. På Linux kan dette gjøres ved å definere en cron-job.

Ved å utføre kommandoen: crontab –e kan man legge til en linje for kommandoen man ønsker å kjøre, for eksempel:

* 16 * * * /nr/samba/jo/pro/naturinngrep/usr/trier/src/prodline/prodline.bash

Kommandoen prodline.bash kjøres da kl. 16:00 hver dag.

Kommandoen prodline.bash laster ned Sentinel-2 bilder og prosesserer dem for å lage rasterbilder med deteksjoner av inngrep. Deretter kaller den kommandoer for å konvertere rasterbildene til vektorlinjer, lage buffersoner, og overlappene mellom disse og arealene for inngrepsfri natur. Kommandoen kaller altså alle trinnene nedenfor fram til manuell kontroll. Prosesseringen må være ferdig i løpet av natten slik at manuell kontroll kan gjøres om morgenen dagen etter.

6.1.2 Utpakking og konvertering til filformat tilpasset innlesing til U-Net Sentinel-2 bildene man laster ned kommer som en zip-fil. Den må pakkes ut med kommandoen unzip. Deretter bør man konvertere hvert bilde til såkalte memory maps, som kan leses inn direkte til det nevrale nettet uten ytterligere konvertering. Det skal være én fil for hvert bånd, i alt 13 bånd, og alle lagres i samme oppløsning, 10 meter.

Konvertering til memory map gjøres i den leverte Python-koden med kommandoen: python prepare_data.py

Resultatet er 13 filer, hver på 482 241 600 bytes, pluss to små filer med metadata. I tillegg kjøres skymaskering, se neste punkt, som også lager en memory map på 482 241 600 bytes. Til sammen blir dette 6,3 gigabyte for en Sentinel-2 granule. Til sammenligning er zip-fila man laster ned på 0,9 gigabyte eller mindre.

6.1.3 Skymaskering Man må vurdere om den skymaskeringsmetoden som vi har levert er god nok eller om man bør utvikle en som er bedre.

Et delresultat av skymaskering bør et estimat på hvor stor andel av bildet som er dekket av skyer. Hvis nesten ingen del av bildet er uten skyer så bør videre prosessering av bildet avbrytes.

6.1.4 Deteksjon av naturinngrep med U-Net, i første omgang: anleggsveier i vindmøllekraftverk Deteksjon av inngrep gjøres med den leverte Python-koden med kommandoen:

224 Kartlegging av naturinngrep python detect.py

Man bør vurdere om metoden skal trenes opp på flere typer inngrep og på flere landskapstyper. Trening gjøres med kommandoene: python prepare_data.py python train.py

Men man må på forhånd ha merket treningsdataene, samt legge til de nye bildenavnene i listene over hvilke bilder som skal brukes. Følgende steder i kildekoden må endres: prepare_data.py: tile_ids train.py: train_dataset og val_dataset

I tillegg må man oppdatere s2_files.txt, som inneholder fullt stinavn til hvert utpakket sentinel-2 bilde, som for eksempel (skal være uten linjeskift):

/nr/samba/jodata2/data/sentinel-2/norway/T32VMP_sognefjell/ S2A_MSIL1C_20180703T105621_N0206_R094_T32VMP_20180703T130749.SAFE

I tillegg må man endre navnet på fila hvor de nye parameterne til U-Net lagres. Det er viktig å ikke overskrive en eksisterende fil, som kan tenkes å være for et nettverk som fungerer bedre enn det nye man prøver å lage. Følgende må endres: train.py: output_path

6.1.5 Fjerning av potensielt falske deteksjoner basert på objektstørrelse Resultatet av å kjøre kommandoen: python detect.py vil være ett Geotiff-bilde for hvert Sentinel-2 bilde man har kjørt deteksjon på. Bildet vil ha følgende verdier: bakgrunn = 0 deteksjon = 1

Man bør skrive kode som analyserer størrelsen på sammenhengende objekter, og fjerne dem som er for små, ved å endre verdien fra 1 til 0 for disse.

6.1.6 Tynning av detekterte rasterlinjer til en pikselbredde Man bør skrive kode som reduserer bredden på alle detekterte objekter til en piksels bredde. Metoden kan enkelt oppsummeres slik:

Gjenta helt til ingen flere piksler blir fjernet:

Fjern alle piksler som har fire eller flere forgrunnsnaboer (8-naboskap) og samtidig minst en bakgrunnsnabo (4-naboskap).

Kartlegging av naturinngrep 225

Med 8-naboskap menes at man ser horisontalt, vertikalt og diagonalt. Med 4-naboskap ser man derimot ikke diagonalt, bare vertikalt og horisontalt.

Det fins flere tynningsalgoritmer (Zhang & Suen, 1984; Kwok, 1988; Lam et al., 1992) og forskjellene går stort sett på hvordan de behandler veikryss, samt hvordan de reduserer fra halvannen pikselbredde til en pikselbredde. Regelen over vil kunne gi litt tykkere rasterlinjer enn strengt tatt nødvendig. Det er også viktig at metoden ikke introduserer nye gap.

6.1.7 Konvertering fra raster til vektor Det tynnede rasterbildet består nå av forgrunnspiksler med ulikt antall forgrunnsnaboer:

1 = enden av en linje

2 = på en linje

3 eller 4 = node

Konverteringen skal lage polylinjer som går gjennom alle forgrunnspikslene i bildet. Hver polylinje har et startpunkt og et sluttpunkt, og hver av disse kan enten være en ende eller en node. Ved en node må man være påpasselig siden noden som regel har en utstrekning på mer enn et piksel, slik at alle polylinjer som møtes i samme node må få nodens senterpunkt som endepunkt (startpunkt eller sluttpunkt, avhengig av retningen).

En polylinje som går gjennom samtlige piksler fra start til slutt vil ofte fremstå som hakkete. Det kan være gunstig å fjerne mellomliggende punkter som bidrar lite til linjens egentlige forløp i virkeligheten. En mye brukt metode for punktreduksjon (Douglas, Peuker, 1973) finner først ut hvilke punkter som skal beholdes, og fjerner resten.

6.1.8 Koordinattransformasjon av vektorlinjer til UTM sone 33 Deteksjonsresultatet fra python detect.py er et Geotiff rasterbilde, som er georeferert ved at koordinatene til øvre venstre hjørne, samt pikselstørrelsen, er lagret i attributter:

upper_left_x=geotiff.ModelTiepointTag[3] upper_left_y=geotiff.ModelTiepointTag[4] pixel_size_x=geotiff.ModelPixelScaleTag[0] pixel_size_y=geotiff.ModelPixelScaleTag[1]

Man må huske på at mens pikselkoordinatene for y-aksen peker nedover så peker y- aksen oppover i det georefererte koordinatsystemet.

Overgangen fra pikselkoordinater (r=rad, k=kolonne) til georefererte koordinater (x, y) blir da: x = upper_left_x + k * pixel_size_x y = upper_left_y – r * pixel_size_y

Her har vi forutsatt at pixel_size_y er positiv.

226 Kartlegging av naturinngrep

I tillegg må man, for de Sentinel-2 bildene som er i en annen UTM-sone enn 33 N, konvertere vektordataene til UTM sone 33 N. Dette gjøres ved først å konvertere til geografiske koordinater og deretter til UTM sone 33 N.

Sentinel-2 bildene leveres i den UTM-sonen med den nærmeste sentralmeridianen. Det vil for Norge si at man kan få Sentinel-2 bilder i UTM sone 31, 32, 33, 34, og 35. Dette skjer på tross av at Norge ikke bruker UTM sone 31 eller 34 i offisielt kartverk.

6.1.9 Etablere buffersoner rundt vektorlinjene Generering av buffersoner rundt vektorlinjer er, eller burde være, standard funksjonalitet i GIS-systemer. Vi erfarte derimot at det ikke fungerte i QGIS i interaktiv modus å velge alle vei senterlinjene fra de fire vindkraftutbyggingsområdene i Figur 128 og lage buffersoner på 1 km for disse.

Buffersonene kan lages slik:

1. for hver rette linjesegment, lag et rektangel ved å lage to kopier av linjesegmentet og parallellforskyv disse, i hver sin retning, i en avstand lik bufferavstanden. Forbind endene til de parallellforskjøvete linjene slik at man får et rektangel som berører endene på det opprinnelige linjestykket.

2. for hvert endepunkt til hvert rette linjesegment, lag en sirkel (eller tilnærmet sirkel med rette linjesegmenter) med radius lik bufferavstanden.

3. Slå sammen alle enkeltbufferne fra punkt 1 og 2 over.

Det må lages buffersoner for tre bufferavstander: 1 km, 3 km og 5 km. Disse skal brukes i hver sin overlappsanalyse, da det er tre ulike grader av inngrepsfri natur, med grense på henholdsvis 1 km, 3 km og 5 km fra nærmeste inngrep

6.1.10 GIS overlappsanalyse mellom buffersoner og eksisterende arealer med inngrepsfri natur. Resultatet er polygoner med reduksjon av inngrepsfri natur Overlappsanalyse mellom buffersoner og eksisterende polygoner er, eller burde være, standard GIS funksjonalitet. Igjen opplevde vi at dette ikke fungerte interaktivt i QGIS.

Overlappene mellom buffersonene og arealet for inngrepsfri natur skal finnes. Disse overlappene skal så fjernes fra arealet for inngrepsfri natur, slik at man har oppdaterte (reduserte) arealer med gjenværende inngrepsfri natur. På dette trinnet er overlappene og de nye arealene kun forslag, som må kontrolleres manuelt (se nedenfor)

6.1.11 Konvertering av Sentinel-2 bilder til tre kanalers RGB-bilder i UTM sone 33 N for manuell inspeksjon, for de områdene hvor polygoner med reduksjon av inngrepsfri natur er detektert. For å kunne vurdere om de detekterte inngrepene er reelle, og dermed om buffersonene er korrekte, vil det være nyttig å sammenligne med satellittbildene.

For de Sentinel-2 bildene som ikke er levert i UTM sone 33 (men i en annen UTM- sone) må de først projiseres til UTM sone 33.

Sentinel-2 har 13 kanaler. Vi har tidligere erfart at ved å bruke to nærinfrarøde kanaler og en synlig kanal får man et bilde hvor kontraster mellom ulike typer arealdekke, som

Kartlegging av naturinngrep 227 vegetasjon, fjell, veier og vann, samt snø og skyer, kommer godt fram. Vi anbefaler derfor å bruke følgende kanaler:

• Kanal 11, kortbølget infrarødt, 1610 nm – vises som rødt

• Kanal 8, nærinfrarødt, 835 nm – vises som grønt

• Kanal 3 – grønt 560 nm – vises som blått

For å forsterke mørke områder og få god kontrast anbefaler vi følgende:

1. Multiplisere kanal 11 med 2.0

2. Ta kvadratroten av reflektansverdiene. Siden verdiene er i området 0.0 til 1.0 vil de da bli forsterket (med unntak av de verdiene som faktisk er 0.0 (utenfor opptaket) eller 1.0 (i metning)).

Tilslutt må man skalere verdiene fra området 0.0 – 1.0 til byte-verdier i området 0 – 255 og lagre som et vanlig tre-kanalers byte-bilde. Man må huske å lagre Geotiff- koordinatinformasjonen i Geotiff-fila. Bildet kan da åpnes som bakgrunnsbilde for vektordata i et GIS-system

6.1.12 GIS-visualisering av vektorlinjer for naturinngrep og polygonomriss for reduksjon av inngrepsfri natur lagt oppå Sentinel-2 bildet hvor naturinngrepet ble detektert. Sentinel-2 bildet med kanal 11, 8 og 3, laget som beskrevet over, vises som bakgrunnsbilde for følgende vektordata:

1. Vektor senterlinjer for detekterte inngrep

2. Buffersoner for detekterte inngrep

3. Arealer med inngrepsfri natur, slik status var før deteksjon av nye inngrep

4. Overlapp mellom 2 og 3

5. Forslag til oppdaterte arealer med inngrepsfri natur.

6.1.13 Manuell kontroll og eventuelt redigering av vektor senterlinjer for naturinngrep. En erfaren operatør kontrollerer vektordataene. Kun følgende redigering er mulig:

• Korrigere eller fjerne enkelte vektor senterlinjer for inngrep

Alternativt kan operatøren godkjenne alle inngrepene.

228 Kartlegging av naturinngrep

6.1.14 Dersom det ble foretatt manuell endring av vektor senterlinjer for naturinngrep i trinn 13: Gå til trinn 9. Dersom en eller flere vektor senterlinjer ble korrigert eller slettet, må buffersoner beregnes pånytt og overlappsanalysen også gjøres pånytt. Man må derfor hoppe tilbake til trinn 9 (avsnitt 6.1.9).

6.1.15 Manuell kontroll av polygoner for reduksjon av inngrepsfri natur. Hvert polygon gis en av tre mulige statusverdier: I dette trinnet vil en erfaren operatør vurdere hvert enkelt areal som representerer reduksjon av inngrepsfri natur, som følge av de mulige inngrepene som har blitt detektert automatisk.

a. Godkjent – bekreftet reduksjon av inngrepsfri natur

b. Avvist – ikke naturinngrep

c. Må sjekkes – man må legge inn beskrivende kommentar

6.1.16 Lagring av polygoner for reduksjon av inngrepsfri natur samt oppdaterte polygoner for inngrepsfri natur. Etter to trinn med godkjenning av en erfaren operatør, først kontroll av vektor senterlinjer, og deretter kontroll av arealer for reduksjon av inngrepsfri natur, kan nå de oppdaterte polygonene for inngrepsfri natur lagres. I tillegg lagres arealene som representerer reduksjonen av inngrepsfri natur, samt de arealene med mulig reduksjon men som må sjekkes spesielt. Det må være en rutine for oppfølging av arealene som må sjekkes, for å finne ut om de medfører en reduksjon av inngrepsfri natur eller ikke.

Kartlegging av naturinngrep 229

6.2 Deteksjonsmetode for kjørespor NR anbefaler metodeutvikling for å kunne gjøre automatisk deteksjon av kjørespor i flybilder. En mulig framgangsmåte er å trene opp U-Net på flybilder med bakkesannheter for kjørespor. Men U-Net koden vi har levert for Sentinel-2 kan ikke benyttes direkte da den er skrevet spesielt for Sentinel-2. Det fins også andre dype nevrale nettverk som kan være aktuelle.

Vi foreslår å skrive Python-kode for bruk av U-Net på flybilder, og trene den opp på bilder med markerte kjørespor. Dersom deteksjonsratene mot formodning ikke skulle være gode nok vil vi gjøre et litteraturstudium for å finne alternative metoder og velge den mest lovende av disse.

Uavhengig av valg av metode vil det være en begrensning at kjøresporene må synes i flybildene for at de skal kunne bli detektert. Vi har tidligere utviklet en metode for deteksjon av skogsbilveier i laserskanningsdata fra fly (Salberg et al., 2017). Dataene vi benyttet var fra Etnedal kommune, og vi la merke til at kjørespor fra traktor var synlige i laserskanningsdataene. Fordelen med laserskanningsdata er at man ser bakken selv om det er trekroner som ville skjult bakken i et flybilde, og man får ikke skygger. Ulempen er at laserskanningsdata ikke blir tatt opp like ofte som flybilder, og inngrepsfri natur ser ikke ut til å bli prioritert. Men dersom laserskanningsdata finnes, er det altså et potensiale for å detektere kjørespor i disse. I så fall vil vi anbefale å trene opp det samme nettverket som vi benyttet til skogsbilveideteksjon, men da på laserskanningsdata med kjørespor markert.

230 Kartlegging av naturinngrep

Takksigelser

Prosjektet er finansiert av Miljødirektoratet.

Kartlegging av naturinngrep 231

Referanser

Badrinarayanan, V., Kendall, A., Cipolla, R., 2017. SegNet: a deep convolutional encoder-decoder architecture for image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence 39(12), pp. 2481-2495. DOI: 10.1109/TPAMI.2016.2644615

Douglas, D., Peucker, T., 1973. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature. The Canadian Cartographer 10(2), pp. 112–122. DOI: 10.3138/FM57-6770-U75U-7727

He, K., Gkioxari, G., Dollar, P. and Girshick, R. (2017). Mask R-CNN. The IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 22-29 Oct. 2017, pp. 2961-2969. DOI: 10.1109/ICCV.2017.322

Ivanovsky, L., Khryashchev, V., Pavlov, V., Ostrovskaya, A., 2019. Building detection on aerial images using U-Net neural networks. In: Proceedings of the 24th Conference on Open Innovations Association (FRUCT), Moscow, Russia, 8-12 April 2019, pp. 116- 122. DOI: 10.23919/FRUCT.2019.8711930

Kwok, P.C.K., 1988. A thinning algorithm by contour generation. Communications of the ACM 31(11), pp. 1314-1324.

Lam, L., Lee, S.-W., Suen, C.Y., 1992. Thinning methodologies – a comprehensive survey. IEEE Transactions on Pattern Analysis and Machine Intelligence 14, pp. 869- 885.

Liu, Z., Cao, Y., Wang, Y., Wang, W., 2019. Computer vision-based crack detection using U-net fully convolutional networks. Automation in Construction 104, pp. 129-139.

Ng, Andrew, 2019. Size of dev and test sets. Deep Learning Specialization, Course 3 Structuring Machine Learning Projects. http://deeplearning.ai; video: https://1drv.ms/v/s!ApGDAkDxlcBXhtg_tHYQ7iq9g4kG3A?e=USpisD

Rakhlin, A., Davydow, A., Nikolenko, S., 2018. Land cover classification from satellite imagery with U-Net and Lovasz-softmax loss. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Salt Lake City, Utah, USA, 18-22 June 2018, pp. 262-266.

Ren, S., He, K., Girshick, R. and Sun, J. (2017). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence 39(6), pp. 1137-1149. DOI: 10.1109/TPAMI.2016.2577031

Ronneberger, O., Fischer, P., Brox, T., 2015. U-Net: convolutional networks for biomedical image segmentation. In: Navab N., Hornegger J., Wells W., Frangi A. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science, vol 9351. Springer, Cham.

Salberg, A.-B., Trier, Ø.D., Kampffmeyer, M., 2017. Large-scale mapping of small roads in lidar images using deep convolutional neural networks. In: Proceedings of the 20th Scandinavian Conference on Image Analysis, SCIA 2017, Tromsø, Norway, June 12–14, 2017, Part II. Springer, pp. 193-204.

232 Kartlegging av naturinngrep

Salomonsen, V. V, Appel, L., 2004. Estimating fractional snow cover from MODIS using the normalized difference snow index. Remote Sensing of Environment 89, pp. 351–360.

Solberg, R., Salberg, A.-B., Trier, Ø.D., Rudjord, Ø., Stancalie, G., Diamandi, A., Irimescu, A., Craciunescu, V., 2017. Remote sensing of snow wetness in Romania by Sentinel-1 and Terra MODIS data. Romanian Journal of Physics 62, article no. 821, 15 pp.

Trier, Ø. D., Salberg, A.-B., Kermit, M. A., Rudjord, Ø., Gobakken, T., Næsset, E., Aarsten, D., 2018a. Tree species classification in Norway from airborne hyperspectral and airborne laser scanning data. European Journal of Remote Sensing 51(1), pp. 336- 351.

Trier, Ø. D., Salberg, A.-B., Haarpaintner, J., Aarsten, D., Gobakken, T., Næsset, E., 2018b. Multi-sensor forest vegetation height mapping methods for Tanzania. European Journal of Remote Sensing 51(1), pp. 587-606.

Trier, Ø.D., Waldeland, A.U., Cowley, D.C., 2019. Using deep neural networks on airborne laser scanning data – results from a case study of semi-automatic mapping of archaeological topography on Arran, Scotland. Archaeological Prospection 26(2), pp 165-175.

Trier, Ø.D., Reksten, J.H., Løseth, K., 2020. Automated mapping of cultural heritage in Norway from airborne lidar data using Faster R-CNN. International Journal of Applied Earth Observation and Geoinformation, in review.

Wagner, F.H., Sanchez, A., Tarabalka, Y., Lotte, R.G., Ferreria, M.P., Aidar, M.P.M., Gloor, E., Phillips, O.L., Aragão, L.E.O.C., 2019. Using the U-net convolutional network to map forest types and disturbance in the Atlantic rainforest with very high resolution . images. Remote Sensing in Ecology and Conservation 5(4), pp. 360-375.

Wulff, F., Schäufele, B., Sawade, O., Becker, D., Henke, B., Radusch, I., 2018. Early fusion of camera and lidar for robust road detection base don U-Net FCN. In: Proceedings of the IEEE Intelligent Vechicles Symposium, Changshu, Suzhou, China, 26-30 June 2018, pp. 1426-1431. DOI: 10.1109/IVS.2018.8500549

Yang, X., Li, X., Ye, Y., Lau, R.Y.K., Zhang, X., Huang, X., 2019. Road detection and centerline extraction via deep recurrent convolutional neural network U.Net. IEEE Transactions on Geoscience and Remote Sensing 37(9), pp. 7200-7220.

Zhang, T.Y., Suen, C.Y., 1984. A fast parallel algorithm for thinning digital patterns. Communications of the ACM 27, pp. 236-239.

Zhang, Z., Liu, Q., Wang, Y., 2018. Road extraction by deep residual U-Net. IEEE Geoscience and Remote Sensing Letters 15(5) pp. 749-753.

Kartlegging av naturinngrep 233