GIS  ·  Fjärranalys  ·  Naturvård

Fjärranalysdriven prioritering och riktad NVI

En reproducerbar hybridmetod som bygger på svenska nationella öppna geodata för att prioritera och effektivisera naturvärdesinventering i fält.

NMD 2023 (Naturvårdsverket) GSD-Höjddata 1 m (Lantmäteriet) Avverkningsanmälningar (Skogsstyrelsen) Skyddad natur (kontext, NV) Python · QGIS SS 199000:2023 (SIS)

Varför EO-driven NVI?

Klassisk naturvärdesinventering är resurskrävande och beror av var inventeraren råkar leta. Med fjärranalys kan vi modellera var naturvärden sannolikt finns — och rikta fältarbetet dit det gör störst nytta.

Klassisk NVI

Inventeraren söker fritt i fält baserat på erfarenhet och tillgänglig tid. Resultatet beror starkt av var man väljer att gå, och det är svårt att upprepa eller skala upp metoden till nya områden.

"Gå ut och leta naturvärden"

EO-driven NVI (denna metod)

Nationella geodata (NMD 2023, Skogsstyrelsen) och lidar-DTM (Lantmäteriet) används för att identifiera potentiella värdekärnor innan fältbesöket. Fältarbetet stratifieras och riktas — mer tid på rätt ställen, färre resurser på lågprioriterade ytor. Metoden positionerar sig som en NVI förstudie med utökad fjärranalys enligt SS 199000:2023.

"Modellera → verifiera → klassificera"

Metodöversikt

Arbetsflödet består av sex steg — från automatiserad screening med nationell geodata till fältverifiering och reproducerbar klassning.

Metoddiagram – sex steg från nationell geodata till riktad NVI
1

Geodatabaserad screening (pre-NVI)

Svenska nationella geodata analyseras för att identifiera potentiella värdekärnor — utan ett enda fältsteg. Fokus på skogsstruktur, kontinuitet och hydrologi. Motsvarar kartläggningstypen NVI förstudie med utökad fjärranalys (SS 199000:2023, §21.4).

NMD 2023 · Lidar DTM · Skogsstyrelsen
2

Hotspot-modellering

Tre delindex kombineras med viktad summering till ett sammansatt NVI-poäng per pixel: strukturindex (40 %), kontinuitetsindex (40 %) och fuktindex (20 %).

Viktad modell · Python
3

Stratifierad sampling-design

AOI delas in i tre prioritetsklasser baserat på modellen. Klass 3 (hotspot) inventeras intensivt — alla artgrupper, dokumentation. Klass 1 enbart snabb verifiering.

Stratifierat urval · GIS-polygoner
4

Riktad fältinventering

Klassisk NVI-metodik (frisök, substratfokus, signalarter, rödlistade arter) — men nu riktad och informerad av modellen istället för slumpmässig.

Fältprotokoll · GPS-dokumentation
5

Kvantifiering

Fältdata kombineras med EO-index till ett per-objekt naturvärdesindex. Transparenta poäng ersätter subjektiv bedömning och möjliggör granskning och jämförbarhet.

Naturvärdesindex = f(struktur + kontinuitet + art)
6

Reproducerbarhet

Hela pipelinen — från nedladdning av rådata till slutlig hotspot-karta — är scriptad. Samma kod körs om ett år eller i ett nytt område utan manuella steg.

Python · QGIS · Öppen data

Exempelkarta – Djupedal, Hisingen, Göteborg

Testområde: Djupedal, Hisingen (~113 ha inventerad yta) — ekdominerad blandskog inventerad av Länsstyrelsen Västra Götaland (Rapport 2022:42, Svensk Naturförvaltning AB). Kartan visar geodatabaserad prioritering och hur fältinsatserna bör fördelas. Den lilla inbäddade kartan uppe till vänster visar var området ligger (bakgrundskarta © OpenStreetMap-bidragsgivare via CartoDB). Artdata i form av historiska observationer kan läggas ovanpå hotspot/NVI i GIS som kontext — de viktas inte in i indexen. Egna fältfynd efter riktad NVI hör hemma i ett utvärderingssteg efter inventering (beskrivs i repots SPECIES_RODLISTA.md).

NVI hotspot-karta och delindex baserat på NMD, lidar och avverkningsdata – Djupedal, Hisingen
Klass 3 – Hotspot  Intensiv inventering, alla artgrupper
Klass 2 – Mellanklass  Stickprov, fokus signalarter
Klass 1 – Låg prioritet  Snabb verifiering

Strukturindex baserat på NMD 2023 (Naturvårdsverket) med trädslag och objekthöjd. Fuktindex från Lantmäteriets GSD-Höjddata 1m (lidar-TWI). Kontinuitetsindex från Skogsstyrelsens avverkningsanmälningar. Klassning percentilbaserad (p33/p67).

Skyddad natur som kontext

Formellt skyddade områden (naturreservat, Natura 2000 m.m.) kan läggas ovanpå samma NVI-prioritering för tolkning: var höga hotspot-värden redan ligger inom skydd, och var starka signaler finns utanför befintliga reservat. Dessa polygoner ingår inte i viktningen av struktur-, kontinuitets- eller fuktindex — de är ett separat informationslager från Naturvårdsverkets INSPIRE-tjänst (WFS). Figuren genereras med generate_showcase.py när filen protected_sites_<AOI>.gpkg finns (se download_data.py --protected-sites-only).

Hotspot-klasser med gula konturer för formellt skyddad natur enligt Naturvårdsverket

Gula linjer: skyddade ytor (INSPIRE ps:ProtectedSite) inom samma utsnitt som hotspot-kartan. Utsnittet följer WFS-hämtningens marginal runt AOI i pipelinen.

Datakällor

Den publicerade pipelinen använder enbart svenska nationella öppna geodata utan licensavgift. Koordinatsystem: SWEREF 99 TM (EPSG:3006), i linje med SIS/TS 199002:2023. Metoden är utformad som en NVI förstudie med utökad fjärranalys enligt SS 199000:2023, §21.4.

Datakälla Leverantör Upplösning Används för Licens
NMD 2023 – basskikt, trädslag och objekthöjd Naturvårdsverket 10 m Strukturindex – skogsklasser, ädellövsträd (ek, bok, ask m.fl.), trädhöjd Öppen data
GSD-Höjddata, grid 1 m (lidar-DTM) Lantmäteriet 1 m Fuktindex – TWI (Topographic Wetness Index) Öppen data
Avverkningsanmälningar Skogsstyrelsen Polygon Kontinuitetsindex – störningshistorik sedan 2000-talet Öppen data
Skyddad natur (INSPIRE Protected Sites) Naturvårdsverket Polygon Valfritt kontextlager i showcase — ingår inte i NVI-viktning; hämtas via WFS inom AOI + marginal Öppen data

Jämförelse med klassisk NVI

Fördelarna är tydligast när inventeringsytan är stor, tidsbudgeten är begränsad, eller när resultaten behöver vara upprepningsbara.

Dimension Klassisk NVI EO-driven NVI (denna metod)
Inventeringstäthet Ojämn – beroende av tid och rutt Optimerad – fokus på höga värden
Spatial täckning Begränsad Nästan fullständig via geodatabaserad screening
Urvalsförskjutning (bias) Hög – inventerar det som syns Reducerad – modellstyrd prioritering
Reproducerbarhet Låg – personberoende Hög – scriptad, versionshanterad
Skalbarhet (nytt område) Kräver nytt fältarbete Byt AOI, kör om scriptet
Tidsutnyttjande i fält Spretat Koncentrerat på värdekärnor
Historisk markanvändning Ofta ignoreras Integrerad via Skogsstyrelsens avverkningsdata
NVI-klasskompatibilitet Ja (klass 1–4, SS 199000:2023) 3-gradig hotspot-klassning (1–3) som förstudie; klassificering till SS 199000:2023 klass 1–4 görs i fältsteget

Reproducerbarhet

Hela analysen — från rådata till hotspot-karta — kör med tre kommandon. Byt AOI i config.py för att analysera ett nytt område.

# Ladda ner svenska referensdata (NMD, Skogsstyrelsen, Lantmäteriet) python scripts/python/download_data.py --nmd-confirm # Beräkna struktur-, kontinuitet- och fuktindex python scripts/python/compute_indices.py # Klassificera och generera hotspot-karta python scripts/python/hotspot_model.py

Komplett källkod och dokumentation: github.com/ulfboge/nvi