Klassificering av diken och vattendragskanaler kartlagda från högupplösta digitala höjdmodeller med hjälp av maskininlärning Classifying Ditch and Stream Channels Mapped From High-Resolution Digital Elevation Models Using Machine Learning 2025-170-1 SLU.seksko.2024.4.4.IÄ-1 https://doi.org/10.5878/r0x8-kx56 Swedish National Data Service Svensk nationell datatjänst Landing page Klassificering av diken och vattendragskanaler kartlagda från högupplösta digitala höjdmodeller med hjälp av maskininlärning Classifying Ditch and Stream Channels Mapped From High-Resolution Digital Elevation Models Using Machine Learning 2025-170-1 SLU.seksko.2024.4.4.IÄ-1 https://doi.org/10.5878/r0x8-kx56 oai:research.slu.se:publications/a33278f4-4c1b-4db7-b8c1-9fdd8bb5fb37 10.54612/a.1vuvm11qn6 9789181240658 oai:DiVA.org:hj-67215 10.1016/j.cageo.2025.105875 urn:nbn:se:hj:diva-67215 Busarello, Mariana Busarello, Mariana Lidberg, William Lidberg, William Ågren, Anneli Ågren, Anneli Westphal, Florian Westphal, Florian Swedish National Data Service Svensk nationell datatjänst Landing page RIVERS/STREAMS WATER CHANNELS digital elevation model Hydrography Hydrografi ditches diken machine learning maskininlärning artificial intelligence artificiell intelligens Imagery / Base Maps / Earth Cover Arealtäckande bilder och bakgrundskartor Geoscientific Information Geovetenskap Elevation Höjddata Location Positionering Inland Waters Sjöar och vattendrag This data contains the digital elevation models with 0.5 m resolution and polyline shapefiles with the location of channels from the 12 study areas used in this study. It also has the scripts to generate the datasets used to train the machine learning model to classify channels into ditches and streams, and calculate the hydrological indices. The code to train the model is also included, along with the models obtained. For the ground truth data, the channels were mapped differently based on their type: ditches were manually digitized based on the visual analysis of some topographic indices and orthophotos obtained from the DEM. Streams were mapped by initially detecting all natural channel heads, then tracing the downstream channels, and finally manually editing them based on orthophotos. We recommend using Docker to set the environment. Den här datamängden innehåller digitala höjdmodeller i 0,5 meters upplösningoch 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 maskinlärningsmodellerna som används för att klassificera diken och vattendrag, och beräkna hydrologiska index. Koden för att träna modellen ingår också, tillsammans med de erhållna modellerna. För markdata kartlades kanalerna på olika sätt baserat på deras typ: diken digitaliserades manuellt baserat på visuell analys av vissa topografiska index och ortofoton som erhållits från DEM. Vattendrag kartlades genom att initialt detektera alla naturliga kanalhuvuden, sedan spåra de nedströms kanalerna och slutligen manuellt redigera dem baserat på ortofoton. Vi rekommenderar att man använder Docker för att ställa in miljön. Geospatial Software 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.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. Experter från Skogsstyrelsen digitaliserade manuellt dikena inom de 12 studieområdena spridda över Sverige baserat på hillshade- och högpassmedianfiltret som erhållits från DEM. Dikena digitaliserades manuellt med historiska foton och aktuella ortofoton (upplösning från 0,17–0,5 m). Vattendragen kartlades genom att initialt detektera alla naturliga kanaler, sedan spåra de nedströms kanalerna och slutligen manuellt redigera dem baserat på ortofoton.Experter från Skogsstyrelsen digitaliserade manuellt dikena inom de 12 studieområdena spridda över Sverige baserat på hillshade- och högpassmedianfiltret som erhållits från DEM. Dikena digitaliserades manuellt med historiska foton och aktuella ortofoton (upplösning från 0,17–0,5 m). Vattendragen kartlades genom att initialt detektera alla naturliga kanaler, sedan spåra de nedströms kanalerna och slutligen manuellt redigera dem baserat på ortofoton. Computer-based observationComputer-based observation Datorbaserad observationDatorbaserad observation Access to data through SND. Data are freely accessible. Åtkomst till data via SND. Data är fritt tillgängliga. openAccess Dos Santos Toledo Busarello, M. (2025). Mapping small water channels using machine learning. In Acta Universitatis Agriculturae Sueciae. Swedish University of Agricultural Sciences. https://doi.org/10.54612/a.1vuvm11qn6 Dos Santos Toledo Busarello, M. (2025). Mapping small water channels using machine learning. In Acta Universitatis Agriculturae Sueciae. Swedish University of Agricultural Sciences. https://doi.org/10.54612/a.1vuvm11qn6 10.54612/a.1vuvm11qn6 9789181240658 oai:research.slu.se:publications/a33278f4-4c1b-4db7-b8c1-9fdd8bb5fb37 2025 Busarello, M. D. S. T., Ågren, A., Westphal, F., & Lidberg, W. (2025). Automatic detection of ditches and natural streams from digital elevation models using deep learning. In Computers & Geosciences (No. 105875; Vol. 196). https://doi.org/10.1016/j.cageo.2025.105875 Busarello, M. D. S. T., Ågren, A., Westphal, F., & Lidberg, W. (2025). Automatic detection of ditches and natural streams from digital elevation models using deep learning. In Computers & Geosciences (No. 105875; Vol. 196). https://doi.org/10.1016/j.cageo.2025.105875 10.1016/j.cageo.2025.105875 urn:nbn:se:hj:diva-67215 oai:DiVA.org:hj-67215 2025