Skip to main content
SLU publication database (SLUpub)

Abstract

Det boreala landskapet präglas av ett omfattande nätverk av naturliga vattendrag, modifierade vattendrag och diken som tillsammans reglerar hydrologi, näringsflöden och ekosystemfunktioner. Historiskt har vattendrag rätats och rensats för timmerflottning medan diken har grävts för att öka jordbruks- och skogsproduktionen. Trots att nydikning numera är ovanlig påverkar dessa historiska ingrepp fortfarande vattenförvaltning och skogsbruk. Små vattendrag och diken fungerar som landskapets kapillärer men är fortfarande bristfälligt kartlagda, trots deras centrala hydrologiska och ekologiska betydelse. Denna avhandling utvecklar en metod för att kartlägga små vattendrag och diken på nationell skala med högupplösta topografiska data och maskininlärning. Genom att kombinera konvolutionella neurala nätverk, XGBoost-klassificering, osäkerhetsanalys och data på flödesackumulering identifieras geomorfologiska och hydrologiska indicier som skiljer diken från naturliga vattendrag. Den bästa metoden visar att digitala höjdmodeller och terrängindicier kan användas för att effektivt avgränsa vattendrag och diken. Metoden hade hög precision för diken (recall=76%, precision=88%) och mer måttliga resultat för naturliga vattendrag (recall=58%, precision=56%). Osäkerhetskartor visar dessutom var framtida förbättringar av kartläggningen bör riktas. 

Detta är den första studien som framgångsrikt särskiljer vattendrag och diken för ett helt land. Genom att skapa konsekventa, skalbara kartor över små vattendrag och diken bidrar forskningen till restaureringsprioritering, hållbar skogsförvaltning och nationell miljörapportering inom EU:s och FN:s ramar. Metoden erbjuder även ett reproducerbart sätt att beskriva sammankopplade naturliga och artificiella dräneringssystem i boreala och tempererade regioner.

Keywords

machine learning; deep learning; neural network; ditch; drainage; water channels; XGBoost; U-Net; maskininlärning; djupinlärning; neurala nätverk; diken; dränering; vattendrag; XGBoost; U-Net

Published in

Acta Universitatis Agriculturae Sueciae
2025, number: 2025:81
Publisher: Swedish University of Agricultural Sciences

SLU Authors

UKÄ Subject classification

Artificial Intelligence
Oceanography, Hydrology, Water Resources
Environmental Sciences

Publication identifier

  • DOI: https://doi.org/10.54612/a.1vuvm11qn6
  • ISBN: 978-91-8124-065-8
  • eISBN: 978-91-8124-111-2

Permanent link to this page (URI)

https://res.slu.se/id/publ/142482