Automatisk detektion av diken och vattendrag från digitala höjdmodeller med hjälp av djupinlärning
https://doi.org/10.5878/jrex-z325
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.
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:
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 täckning
Geografisk plats:
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
Administrativ information
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:
Publikationer
Publikationer
Citering:
Busarello, M.D.S.T., Ågren, A. M., Westphal, F., Lidberg, W. Automatic Detection of Ditches and Natural Streams from Digital Elevation Models Using Deep Learning, Computers & Geosciences.
ISSN:
Citering:
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
SwePub:
Citering:
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
SwePub:
Citering:
Busarello, M. (2025). Mapping small water channels using machine learning. https://doi.org/10.54612/a.1vuvm11qn6
ISBN:
Metadata
Metadata
Version 1
