I Finland har man producerat det första öppna, landsomfattande geodatamaterialet om myrtyper, näringshaltsklasser och markanvändningsformer för myrar, uppger Geologiska forskningscentralen i ett pressutskick.
Genom att kombinera fjärranalysmaterial och maskininlärning förbättrades noggrannheten hos den information som samlats in om myrvegetationen och torvmarkernas jordmån. Materialet om myrtyper är exceptionellt omfattande till sin datamängd och sitt innehåll. Databasen innehåller såväl bedömningen av myrarnas klimatutsläpp och belastning på vattendragen som skyddet av hotade myrtyper och planeringen av skogsbruket.
I Finland är informationen som beskriver jordmånens egenskaper splittrad eftersom olika organisationer samlat in information som lagrats i flera olika databaser. Informationen om jordmånen har därför delvis inte utnyttjats eller så har den inte kunnat tillämpas på bästa sätt för olika användningsändamål.
I synnerhet planeringen av åtgärder inom jord- och skogsbruket har begränsats av att informationen om jordmånen är begränsad. I framtiden kommer stödet för skogsbruket bland annat att grunda sig på planering på myrområdesnivå. Som stöd för planeringen behövs mer omfattande information än tidigare om myrarnas egenskaper.
9 miljoner hektar
Materialet om myrtyper som producerats inom projektet Maaperätiedon kehittäminen (MaaTi) finansieras av jord- och skogsbruksministeriet. Materialet kompletterar de riksomfattande geodatamaterialens noggrannhet i fråga om myrtyper, näringshaltsklasser och markanvändningsformer (skogsbruksmarker, torvåkrar, torvproduktionsområden).
Av materialet kan man fastställa ovan nämnda klasser för hela Finlands torvmarksareal med en upplösning på 10 x 10 meter. Det har inte tidigare funnits tillgång till ett motsvarande öppet geodatamaterial som täcker alla torvmarker i Finland.
Den totala arealen torvmarker i Finland (ca 9 miljoner hektar) omfattar odikade och skogsdikade myrar, torvåkrar samt torvproduktionsområden. Ungefär hälften av torvmarkernas totala areal är dikade myrar (4,7 miljoner hektar).
– Vi har inte tidigare haft landsomfattande, enhetligt och systematiskt producerat geodatamaterial med denna noggrannhet. Liknande information, punktformad eller från mindre områden, har visserligen funnits i flera databaser, men vi ville producera ny information utifrån den som redan fanns. Det som också är nytt i materialet om myrtyper är ett produktionssätt där vi använde fjärranalysmaterial från många källor, observationer i terrängen och maskininlärningsmetoder, berättar biträdande forskningsprofessor Maarit Middleton vid Geologiska forskningscentralen.
Materialet om myrtyper är troligen även internationellt sett det första i sitt slag som täcker hela landets torvmarksareal.
Myrtypernas förutsägbarhet i en klass för sig
För att bilda material om myrtyper prövades olika modeller för maskininlärning för att förutspå myrtyper med hjälp av fjärranalysmaterial. I praktiken bestod det s.k. träningsmaterialet för maskininlärning av allt väsentligt, öppet tillgängligt material från plats- och fjärranalyser. Mängden data som behandlades var så stor att man använde beräkningsresurserna från CSC Tieteen tietotekniikan keskus superdator för att beräkna den.
Som fjärranalysmaterial användes optiskt material och material från satelliters radarbilder, höjdmodeller för markytan och växtligheten samt material från många källor för inventering av landets skogar och flyggeofysik. Med hjälp av ett funktionsval som ingick i modelleringen kunde man söka optimala förklarande faktorer i materialet för att förutspå odikade och dikade myrtyper.
Myrtyperna bildas på basis av två gradienter, eutrofiering och fuktighet. Informationsmaterialet omfattar 40 olika myrtypsklasser och sju näringshaltsklasser, vilket är en exceptionellt noggrann klassificering jämfört med andra geodatamaterial som bildats med hjälp av fjärranalys.
Enligt Naturresursinstitutets specialforskare Sakari Tuominen verkar materialets tillförlitlighet vara bra, särskilt i fråga om den regionala granskningen och klassificeringen av eutrofiering.
– Det är typiskt för maskininlärningsmetoderna att ju mindre enhet man förutspår, desto osäkrare blir prognosen. På nivån för en enskild pixel kvarstår redan ganska mycket osäkerhet i kartmaterialet. Enligt det empiriska testmaterialet träffar fördelningen på större områden rätt. Det är också alltid svårare att förutspå sällsynta klasser med maskininlärningsmetoder på grund av brist på observationer. Materialet kan dock lämpa sig som basinformation till exempel för att identifiera och bedöma myrskogarnas utvecklingsduglighet, konstaterar Tuominen.
Den som använder materialet om myrtyper bör noggrant bekanta sig med materialets metadata och kvalitetsklassificeringar. Materialets osäkerhetsnivå varierar beroende på klassificering och område, eftersom vissa källmaterial inte fanns tillgängliga i alla områden. Vid sidan av materialet om myrtyper har också en teknisk rapport publicerat som närmare berättar hur materialet har producerats.
Det är en utmaning att hålla materialet uppdaterat. Till exempel ändras myrområdena snabbt även för tillfället på grund av åtgärderna för restaurering av myrar. För att uppdatera materialet om myrtyper krävs den senaste terrängobservationen och det senaste fjärranalysmaterialet. Tillgängligheten för dessa varierar mycket. Situationen kan i framtiden förbättras med utvecklingen av fjärranalys- och maskininlärningsmetoder.