Systematiserad kartläggning av krontäckningen i Nyköpings stadskärna : –Ett framtagande av en modell som systematiskt kan kartlägga krontäckningen årligen

Sammanfattning

Denna studie undersöker möjligheten att använda öppna satellitdata från Sentinel-2 för att utföra återkommande jämförbara krontäckningsanalyser i Nyköpings stadskärna. Syftet var att ta fram en metod som kan utföra dessa jämförbara analyser med god tillförlitlighet och noggrannhet. Arbetet genomfördes med övervakad klassificering av satellitbilder i QGIS med tillägget SemiAutomatic Classification Plugin (SCP) och i Python med två maskininlärningsmetoder vilka var Random Forest (RF) och Support Vector Machine (SVM). Som indata användes dels Sentinel-2-band med 10 meters upplösning, dels syntetiskt framtagna NDSV-band (Normalized Difference Spectral Vector), samt en kombination av båda. Träningsytor för träd och byggnader skapades utifrån en tidigare genomförd krontäckningsanalys samt ett befintligt byggnadsskikt. Manuellt inritade polygoner skapades för gräs, vatten och asfalt. Resultaten visade att RF gav bättre F1-score och IoU än SVM för samtliga klassificeringar och att analysen utförd av Python med Sentinel-2-data kombinerat med NDSV gav högst noggrannhet. Vid klassificering med SCP skapades raster med mycket brus, med undantag för de försök där endast syntetiska NDSV-band användes som indata. En extern validering utfördes mot den tidigare utförda krontäckningsanalysen, vilket visade att modellen kunde identifiera större trädkronor och grönytor. Mindre och fragmenterade trädkronor var svåra att identifiera på grund av den låga spatiala upplösningen på indatat. Studien visade även att modellen går att använda för jämförbara analyser vilket visades i en årlig analys som utfördes för åren 2020-2025 med metoden RF i Python med Sentinel-2-data. Resultaten varierade vilket delvis kan förklaras av bland annat skillnader i väderförhållanden och vegetationens fenologi. Trots detta anses modellen vara användbar för analyser i ett långsiktigt perspektiv. Slutsatsen som kan dras är att användning av Sentinel-2-data och maskininlärning är en kostnadseffektiv och repeterbar metod för krontäckningsanalyser i urban miljö. Modellen kommer till sin rätt när syftet är att upptäcka större förändringar i vegetationen över flera år och kan fungera som stöd för kommunal grönstrukturplanering och uppföljning av klimatmål.