Prediktion av biotoper med hjälp avmaskininlärning : Prediction of biotopes using machine learning

Sammanfattning

Den globala förlusten av biologisk mångfald utgör en av vår tids mest kritiska miljöut- maningar. Biotoper, som utgör arters livsmiljöer, är centrala för ekosystemens funktion och stabilitet, och deras tillstånd är direkt kopplat till bevarandet av biologisk mångfald. För att kunna skydda och förvalta dessa miljöer krävs tillförlitliga metoder för att kart- lägga och analysera förändringar i landskapet. Traditionella fältinventeringar är dock ofta tidskrävande,kostsammaochbegränsadeirumsligochtemporalomfattning,vilketskapar ett behov av mer effektiva och skalbara metoder. Detta examensarbete undersöker hur maskininlärning, i kombination med fjärranalys, kan användas för att effektivisera klas- sificering av biotoper. Studien genomförs som en kvantitativ experimentell modellstudie där konvolutionella neurala nätverk (CNN), baserade på ResNet18, används för att klassi- ficera biotoper från satellitdata. Analysen bygger på multispektrala data från Sentinel-2, kompletterat med vegetationsindexet NDVI, topografiska variabler samt artdata. Fyra modellkonfigurationer jämförs systematiskt genom att stegvis integrera olika datakällor för att analysera deras betydelse för modellens klassificeringsförmåga. Resultaten visar att modellensklassificeringsförmågaförbättrasnärflerrelevantadatakällorinkluderas.Enbe- tydande förbättring observeras vid inkludering av spektrala variabler, vilket understryker deras centrala roll för att särskilja vegetationstyper. Topografiska variabler bidrar ytterli- gare till ett förbättrat klassificeringsresultat, medan artdata har begränsad effekt, främst på grund av ojämn datatäckning. Studien visar även att klassobalans påverkar resultaten, där dominerande biotoper klassificeras mer korrekt än underrepresenterade. Sammantaget visar resultaten att en kombination av spektrala och topografiska datakällor ger de bästa förutsättningarna för biotopklassificering. Arbetet bidrar med en systematisk analys av datakällors betydelse i en svensk kontext och visar hur maskininlärning kan fungera som ett kraftfullt verktyg för att stödja naturvård, miljöövervakning och långsiktigt bevarande av biologisk mångfald.