Klassificering av diken och vattendragskanaler kartlagda från högupplösta digitala höjdmodeller med hjälp av maskininlärning
https://doi.org/10.5878/r0x8-kx56
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.
Dokumentationsfiler
Dokumentationsfiler
Citering och åtkomst
Citering och åtkomst
Tillgänglighetsnivå:
Skapare/primärforskare:
Forskningshuvudman:
Diarienummer hos huvudman:
- SLU.seksko.2024.4.4.IÄ-1
Data innehåller personuppgifter:
Ja
Typ av personuppgifter:
Namn på användarkonton som pekar ut den som utfört vissa moment av databehandlingen.
Citering:
Språk:
Metod och utfall
Metod och utfall
Dataformat/datastruktur:
Datainsamling - Datorbaserad observation
Datainsamling - Datorbaserad observation
Insamlingsmetod:
Datorbaserad observation
Beskrivning av insamlingsmetod:
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.
Datakälla:
- Geografiskt område
Rumslig upplösning:
0.5 meter skala
Instrument
Instrument
Namn:
GIS-programvara
Geografisk täckning
Geografisk täckning
Geografisk beskrivning:
Data täcker 12 studieområden över Sverige och innehåller information relaterad till vattendragtyp för små vattendrag. Mer information om de exakta platserna finns i README.pdf filen.
Administrativ information
Administrativ information
Ansvarig institution/enhet:
Institutionen för skogens ekologi och skötsel
Medverkande:
Finansiering
Finansiering
Finansiär:
- Marianne och Marcus Wallenbergs stiftelse
Öppnar nytt fönster hos ror.org.
ROR
Projektnamn på ansökan:
WASP-HS
Information om finansiering:
Ämnesområde och nyckelord
Ämnesområde och nyckelord
Standard för svensk indelning av forskningsämnen 2025:
Ämnesklassificering enligt INSPIRE:
Relationer
Relationer
Webbplats:
Kräver:
Publikationer
Publikationer
Citering:
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
ISBN:
Citering:
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
SwePub:
Metadata
Metadata
Version 1
