Automatisk detektion av diken och vattendrag från digitala höjdmodeller med hjälp av djupinlärning

SND-ID: 2024-57. Version: 1. DOI: https://doi.org/10.5878/jrex-z325

Ladda ner data

channels_shapefiles.zip (6.27 MB)

code.zip (61.34 KB)

DEM.zip (9.32 GB)

models.zip (137.26 MB)

Tillhörande dokumentation

Ladda ner alla filer

2024-57-1.zip (~9.46 GB)

Citering

Skapare/primärforskare

Mariana dos Santos Toledo Busarello - Sveriges lantbruksuniversitet, Institutionen för skogens ekologi and skötsel

William Lidberg - Sveriges lantbruksuniversitet, Institutionen för skogens ekologi and skötsel

Anneli Ågren - Sveriges lantbruksuniversitet, Institutionen för skogens ekologi and skötsel

Florian Westphal - Högskolan i Jönköping, Avdelningen för datavetenskap

Forskningshuvudman

Sveriges lantbruksuniversitet

Diarienummer hos huvudman

SLU.seksko.2024.4.4.IÄ-1

Beskrivning

Den här datamängden innehåller digitala höjdmodeller och polyline-shapefiler med placeringen av kanaler från de 12 studieområdena som används i denna studie. Den innehåller också koden för att generera datamängderna som används för att träna djupinlärningsmodellerna som används för att kartera kanaler, diken och vattendrag, samt beräkna topografiska index. Koden för att träna modellerna ingår också, tillsammans med modellerna med bäst prestanda i 0,5 meters upplösning. Kanalerna kartlades på olika sätt: diken digitaliserades manuellt baserat på visuell analys av vissa topografiska index och ortofoton som erhållits från en digital höjdmodell. Vattendrag kartlades genom att först upptäcka alla naturliga kanalhuvuden, sedan spåra nedströmskanalerna och slutligen redigera dem manuellt baserat på ortofoton.

Data innefattar personuppgifter

Typ av personuppgifter

Namn på användarkonton som pekar ut den som utfört vissa moment av databehandlingen

Språk

Engelska

Metod och utfall

Dataformat / datastruktur

Numeriska

Text

Geospatiala

Datainsamling

Insamlingsmetod: Datorbaserad observation
Beskrivning av insamlingsmetod:
Professionals from the Swedish Forest Agency manually digitized the ditches within the 12 study areas spread across Sweden based on the hillshade and high-pass median filter obtained from the DEM. Historical photos and current ortophotos (resolution ranging from 0.17-0.5 m), the ditches were manually digitized.
Streams were mapped by initially detecting all natural channel heads, then tracing the downstream channels, and finally manually editing them based on ortophotos.

Geografisk täckning

Geografisk utbredning

Geografisk plats: Sverige

Geografisk beskrivning: The data covers 12 study areas spread across Sweden, containing information related to channel type for small water channels. More information with the precise locations can be found at the README.html file.

Administrativ information

Finansiering

Finansiär: Marianne och Marcus Wallenbergs stiftelse
Projektnamn på ansökan: WASP-HS
Information om finansiering: https://wasp-hs.org/

Ämnesområde och nyckelord

Forskningsområde

Multidisciplinär geovetenskap (Standard för svensk indelning av forskningsämnen 2011)

Naturgeografi (Standard för svensk indelning av forskningsämnen 2011)

Markvetenskap (Standard för svensk indelning av forskningsämnen 2011)

Arealtäckande bilder och bakgrundskartor (INSPIRE topic categories)

Geovetenskap (INSPIRE topic categories)

Höjddata (INSPIRE topic categories)

Positionering (INSPIRE topic categories)

Sjöar och vattendrag (INSPIRE topic categories)

Nyckelord

Rivers/streams, Water channels, Digital elevation model, Hydrografi, Diken, Maskininlärning, Artificiell intelligens, Laserskanning, Lidar, Deep learning, Semantic segmentation

Publikationer

Sortera på namn | Sortera efter år

Paul, S. S., Maher Hasselquist, E., Jarefjäll, A., & Ågren, A. (2023). Virtual landscape-scale restoration of altered channels helps us understand the extent of impacts to guide future ecosystem management. In Ambio (Vol. 52, Issue 1, pp. 182–194). https://doi.org/10.1007/s13280-022-01770-8
URN: urn:nbn:se:uu:diva-494403
DOI: https://doi.org/10.1007/s13280-022-01770-8
SwePub: oai:DiVA.org:uu-494403

Lidberg, W., Paul, S. S., Westphal, F., Richter, K.-F., Lavesson, N., Melniks, R., Ivanovs, J., Ciesielski, M., Leinonen, A., & Ågren, A. M. (2023). Mapping drainage ditches in forested landscapes using deep learning and aerial laser scanning. In Journal of irrigation and drainage engineering (No. 04022051; Vol. 149, Issue 3). https://doi.org/10.1061/jidedh.ireng-9796
DOI: https://doi.org/10.1061/jidedh.ireng-9796
URN: urn:nbn:se:umu:diva-201888
SwePub: oai:DiVA.org:umu-201888

Om du publicerat något baserat på det här datamaterialet, meddela gärna SND en referens till din(a) publikation(er). Är du ansvarig för katalogposten kan du själv uppdatera metadata/databeskrivningen via DORIS.

Publicerad: 2024-03-15