Fjärranalysdata spelar en allt viktigare roll som beslutsunderlag för skötseln av våra skogar. Men att använda den här sortens data i olika beräkningsmodeller kräver sina anpassningar. Nu utforskar Mistra Digital Forest området tillsammans med sitt norska systerprogram SmartForest. Nyligen publicerade de en gemensam vetenskaplig artikel. Detta är ett exempel på ett forskningsområde där länderna samarbetar – och samarbetet planeras att utökas under de kommande åren och även inkludera Finland.
Göran Ståhl. Foto: SLU
– Vårt samarbete fokuserar på dataassimilering som ett sätt att dra nytta av de stora datamängder vi får från fjärranalys. Fjärranalysen öppnar för nya möjligheter att uppskatta tillstånd och fatta beslut om skogen men kommer också med grundläggande problem som behöver lösas. Här ser vi att ett nordiskt samarbete gör nytta, vi blir mer kraftfulla i våra satsningar, säger Göran Ståhl, professor i skogsinventering vid institutionen för skoglig resurshushållning på SLU.
Heltäckande fjärranalysdata som satellitdata och laserdata från sensorförsedda flygplan kan integreras i modeller som används exempelvis för att simulera skogens tillväxt och förstå ekologiska förändringar över tid. Men för att fullt ut dra nytta av datan behövs alltså kunskap om de fel som kan uppstå i beräkningsmodeller som bygger på fjärranalysdata. Det är det här området som forskare inom Mistra Digital Fores nu studerar i samarbete med Norges motsvarighet SmartForest. I början av året publicerades deras första gemensamma vetenskapliga artikel.
– Nästan alla bedömningar av skogstillstånd baserade på fjärranalysdata rymmer systematiska fel, två av de mest välkända är att biomassan i yngre skog överskattas och biomassan i äldre skog underskattas. Vår artikel handlar om att visa varför det blir så. Att inte uppmärksamma det här kan resultera i ganska grova fel i den skogliga planeringen, säger Göran Ståhl.
Ny EU-lagstiftning aktualiserar forskningen
Området är extra aktuellt med anledning av förslaget om en ny EU-lagstiftning för skogsövervakning som just nu tar form. Syftet med lagen är att på EU-nivå kartlägga och överblicka unionens skogar.
– Vi ser att de systematiska felen blir olika stora beroende på vilken sensor som används för att samla in fjärranalysdata. På EU-nivå diskuteras framför allt användningen av optiska satellitdata för det här ändamålet, men det är en typ av data som kan leda till kraftiga fel och som dessutom är svåra att justera för. Här ser vi att laserdata är betydligt bättre, säger Göran Ståhl.
Vill bredda det nordiska samarbetet
Terje Gobakken. Foto: NMBU
Samarbetet mellan de nordiska systerprogrammen fortgår och planer finns på att bredda samarbetet till att också inkludera Mistra Digital Forests finska motsvarighet UNITE.
– Våra tre länder har mycket lika skogsförhållanden, det lägger grunden för ett bra samarbete där vi framför allt har glädje av att dela forskarkompetens och data. Att samla data från fler skogar ökar också möjligheten att dra generella slutsatser. Det här är ett omfattande och avancerat område som kräver sina resurser, säger Terje Gobakken, som arbetar i SmartForest och är professor i skoglig fjärranalys och planering vid Norges miljö- och biovetenskapliga universitet.
Doktorand i Mistra Digital Forest undersöker konsekvenserna
Nu går arbetet vidare med att studera olika tillvägagångssätt för att justera för de systematiska fel som kan uppstå. En vetenskaplig artikel av SLU-doktoranden Patrik Ulvdal, också han knuten till Mistra Digital Forest, färdigställs 2024. Den visar på konsekvenserna av att planera skogsskötseln utifrån okorrigerad data, och vikten av att ta höjd för systematiska fel.
– Det är lätt att fascineras av alla möjligheter som kommer med nya tekniker men vi behöver hela tiden säkerställa att de gör praktisk nytta för såväl skogsägare som andra skogliga aktörer, säger Terje Gobakken avslutningsvis.
Om dataassimilering
Dataassimilering är en metod där observationer i form av exempelvis satellitbilder och laserdata integreras i statistiska modeller som används för att uppskatta skogens tillstånd. På så vis kan modellens precision och tillförlitlighet förbättras.