Träden i staden – Användningen av LiDAR-data för att identifiera urban vegetation
Rapport, 2013

Detaljerad kartläggning av urban vegetation är en viktig förutsättning för att värdera ekosystemtjänster i städer. Dock saknas som regel detaljerad information om vegetation som faller utanför stadens detaljplanering och markanvändningskartor, speciellt gäller detta vegetationens tredimensionella egenskaper. I denna studie har två olika LiDARdataset använts för att kartlägga den urbana vegetationen med avseende på dess utbredning och tredimensionella egenskaper (vegetationshöjd, stamzonhöjd och krönhöjd): (1) nationella Lantmäteriet (LM) och (2) från Göteborg stads stadsbyggnadskontor (SBK). Dataseten skiljer sig åt, främst i fråga om punkttäthet, klassificering och årstid för insamling, vilket innebär olika förutsättningar för vegetationskartering. I rapporten redovisas skillnader mellan dataseten och hur dessa skillnader påverkar kartläggningen av vegetation i urban miljö. Resultaten jämfördes med fältobservationer. Fyra områden (1x1 km) i Göteborg användes som fallstudie. Resultaten visar att vegetationens utbredning och höjd kan uppskattas bra med LiDARdata i urbana miljöer om punkttätheten är hög och klassificeringen medger bra separering av returer. SBK-data uppfyller båda dessa kriterier. Den lägre punkttätheten och den grövre klassificeringen av LM-data medför att mycket vegetation utelämnas samt att oönskade objekt i större grad inkluderas i analysen. Beräknad vegetationshöjd korrelerar väl med fältobservationer, vilket gäller båda dataseten. Kronhöjd visar något sämre korrelation på grund av stor osäkerhet i beräkning av stamzonhöjd. Filtrering av preliminära vegetationsraster har genomförts vilket löser en del problem med oönskade objekt och artefakter som härrör från rumsliga variationer i punktmolnets täthet. Filtrering innebär dock manipulation av data och är därför också en osäkerhetsfaktor. LM-data kräver mer filtrering, framför allt måste celler med låga värden (< 2m) avlägsnas för att ta bort oönskade objekt, till exempel bilar. Den lägre upplösningen i LM-data gör också att filtreringen blir mer oprecis.

Författare

Fredrik Lindberg

Göteborgs universitet

Mistra Urban Futures

Lars Johansson

Sofia Thorsson

Mistra Urban Futures

Göteborgs universitet

Ämneskategorier

Annan geovetenskap och miljövetenskap

Naturgeografi

Mer information

Skapat

2017-10-07