Bakgrund
Fjärranalysdata (till exempel satellitfoton eller flygfoton) har länge använts inom skogsbruket. Det har inneburit att stora mängder information snabbt kunnat samlas in och analyseras. Metoderna för detta har utvecklats snabbt de senaste decennierna tack vare den utveckling som skett inom datateknik.
En ny möjlig metod skulle kunna vara att använda data från mätningar av gammastrålningen från skogsmark. Metoden bygger på att jord som är vattenmättad kommer ha ett mindre utflöde av gammastrålning jämfört med en omättad jord. Fördelen med luftburna mätningar av gammastrålning är att förekomsten av ett krontäcke eller tät vegetation har en förhållandevis svag påverkan på mätvärdena, till skillnad från många andra fjärranalysmetoder.
Luftburna mätningar av gammastrålning har utförts av Sveriges Geologiska Undersökning (SGU) sedan 1967 med syftet att kartlägga eventuella uranfyndigheter. Ur mätningarna urskiljs tre olika typer av gammastrålning, vilka används för att uppskatta halten av grundämnena kalium, torium och uran. Strålningen som mäts kommer ifrån de översta decimetrarna i marken. Mätningarna sker var 16:e till 40:e meter längs flyglinjer som är lokaliserade med cirka 200 meters mellanrum och på en flyghöjd om 30 eller 60 meter.
I denna studie genomfördes statistiska analyser för att undersöka sambandet mellan gammastrålning och markfuktighet. För att representera markfuktighet användes två olika modeller baserade på höjddata i en digital terrängmodell – depth-to-water-index (DTW, den modell som vanligen används i de så kallade markfuktighetskartorna) och topographic wetness index (TWI), samt vegetationsdata och markfuktighetsmätningar.
Syfte
Syftet med denna studie var att undersöka sambandet mellan data från luftburna gammastrålningsmätningar och markfuktighet i svenska skogsmarker. Dessutom undersöktes möjligheten att uppskatta relativ markfuktighet med hjälp av gammastrålningsdata, samt huruvida ett sådant samband skulle kunna nyttjas inom skogsbruket.
Resultat
Resultaten i denna studie stämde överens med tidigare studier, vilket innebar att de data som används till att uppskatta mängden kalium (γK) korrelerade starkast med markfuktighet. Vidare var sambandet mellan uppskattad mängd torium i marken (γTh) och markfuktighet det näst starkaste, medan sambandet mellan uranhalten i marken (γU) och markfuktighet inte visade på någon korrelation eller var väldigt svagt.
För sambanden mellan γK och de topografiska indexen var korrelationerna relativt svaga och i fåtalet fall medelstarka.I figurerna 1a och 1b visas γK i förhållande till de båda modellerna DTW och TWI i ett av studieområdena. Analyserna från övriga studieområden visade liknande resultat. Notera att skalorna för DTW- och TWI-indexen är inverterade gentemot varandra. Markfuktigheten ökar med minskande DTW-index-värden och ökar med ökande TWI-värden.
Figur 1a (överst) och 1b (underst). Figurerna visar determinationskoefficienten (justerad r2) för γK/DTW (a) och γK/TWI (b). De orangea symbolerna visar γK-medelvärdet inom intervall av de topografiska indexen. Korrelationsstyrkan (justerad r2) för de data som visas i figurerna var 0,28 för γK/DTW och 0,31 för γK/TWI.
För det studieområde som visade det starkaste sambandet mellan γK och DTW-indexet användes ett prediktionsintervall (se figur 2) för att undersöka hur väl γK kunde användas till att förutsäga DTW-indexet.
Figur 2. De streckade linjerna visar prediktionsintervall; orange: 95 % (α = 0,05) och grön: 60 % (α = 0,40). Spridningsdiagrammet innehåller data från det studieområde där sambanden var som starkast (justerad r2 = 0.45 och 0.44 för γK/DTW, respektive γK/TWI)
Med hjälp av prediktionsintervallet går det att hitta ett tröskelvärde för γK som till en viss sannolikhet kan antas sammanfalla med områden där DTW-indexet är under ett visst värde. En sådan analys visade att 138 datapunkter gick att använda till att förutsäga områden där DTW ≤ 1 m till 80 % sannolikhet. Dessa utgjorde dock endast 6 % av alla datapunkter där DTW ≤ 1 m. Att använda DTW ≤ 1 m är intressant då det idag används inom det svenska skogsbruket som tröskelvärde för klassificering som fuktig och blöt mark.
Analysen av sambandet mellan γK och vegetationsdata visade att det genomsnittliga γK-värdet var lägre ju fuktigare marken var (figur 3 och i tabell 1).
Figur 3. Figuren visar boxplots bestående av γK-data för markfuktighetsklasser baserade på vegetationsdata. I tre av studieområdena fanns det inte tillräckligt med data för att inkludera gruppen "Torr" i analysen. En viktig detalj som ej framgår i figuren är den sneda fördelningen av datapunkter, drygt 90 % av studieområdena utgjordes av klassen Torr-frisk.
För att undersöka skillnaderna mellan gruppernas medelvärden användes effektstorleksmåttet Hedge’s g, vilket något förenklat kan beskrivas som skillnaden mellan de två gruppernas medelvärden givet i enheten standardavvikelser, se tabell 1.
Tabell 1. Tabellen visar Hedge's g värdena för jämförelserna mellan grupperna. Grupperna är betecknade som: Torr = X1; Torr-frisk = X2; Fuktig-blöt = X3. Figuren till höger visar en konceptuell modell av effektstorleksmåttet Hedge’s g.
I den tredje analysen undersöktes sambandet mellan γK och markfuktighetsmätningar gjorda med tidsdomän reflektometer, se figur 4.
Figur 4. I det geografiska informationssystemet ArcGIS omvandlades γK-datan till att representera pixlar på 50 x 50 meter. Dessa data analyserades sedan för sitt samband till markfuktighetsmätningarna (de turkosa punkterna).
Studieområdet var cirka två gånger två kilometer och resultatet visade obefintliga till svaga samband mellan γK och markfuktighetsmätningarna.
Diskussion
Faktorer bakom sambandens styrka
Det finns en rad olika fysiska förhållanden och omständigheter gällande mätningarnas utformning som kan ha påverkat styrkan i sambandet mellan uppmätt gammastrålning och markfuktighet. Hur mycket dessa var för sig har spelat in är svårt att spekulera i. En av dessa är den rumsliga fördelningen av radioaktiva ämnen i marken, vilken är en nyckelfaktor för att det ska fungera att uppskatta markfuktighet med hjälp av gammastrålningsdata.
Andra exempel på faktorer som kan haft en påtaglig påverkan på studiens resultat är den rumsliga variationen i markfuktighet samt de geometriska förhållandena mellan strålningskällan och mätinstrumentet. Även det faktum att mätningarna inom ett studieområde i vissa fall utförts med några dagars mellanrum och således kan ha påverkats olika av nederbörd och evaporation, kan ha försvagat eventuella samband mellan gammastrålningsdatan och markfuktighet.
Det är även så att optimala förutsättningar (att den rumsliga variationen i γ endast beror på markfuktighet) inte skulle ha garanterat ett starkt samband då dessa data är en ögonblicksbild som i flera fall är gammal, det äldsta datasetet är från 1975. Det innebär att dessa data ej tar hänsyn till eventuella säsongsbundna variationer, förändringar orsakade av ändrade mark- eller vegetationsförhållanden, eller andra variationer i den relativa rumsliga markfuktigheten.
Databegränsningar
Ytterligare faktorer som gör resultaten svårtolkade och eventuellt minskar studiens validitet utgörs av de data som användes för att representera markfuktighet. För DTW-indexet och TWI är ovetskapen om hur dessa korrelerar med den verkliga markfuktigheten i studieområdena en sådan faktor. Enligt tidigare studier är det något som varierar i hög grad mellan olika områden och även över tid.
Gällande de vegetations- och markfuktighetsdata som användes var det största problemet att dessa är indelade i ett fåtal klasser, vilket inte ger en helt verklighetstrogen bild av markfuktighetsförhållandena då det sannolikt finns en variation inom klasserna.
Uppskattning av markfuktighet med hjälp av gammastrålningsdata
Studien indikerade att sambandet mellan gammastrålning och markfuktighet är starkare på geografiskt sett större skalor. Sambandet var också starkare då storleken på de karterade enheterna är anpassade efter den yta på marken som bidrar till det totala mätvärdet.
Att dra slutsatser från resultaten om huruvida gammastrålningsdata kan nyttjas till att uppskatta markfuktighet är svårt med tanke på de metodbegränsningar som tidigare nämnts. Dock pekar resultaten på att sambandet varierar i styrka mellan de olika studieområden och att det generellt är för svagt för att på egen hand användas till att skatta markfuktighet. Emellertid visade analysen där DTW-indexet användes att enskilda γK-datapunkter skulle kunna användas till att förutsäga blöt och fuktig mark (DTW ≤ 1 m). Det var dock relativt få datapunkter som med 80 procent sannolikhet kunde förutsäga DTW ≤ 1 meter. Tidigare studier från Skogforsk har visat att DTW-index ≤ 1 meter kan förutsäga blöt och fuktig mark med 68 procents säkerhet. I det aktuella studieområdet är det dock okänt hur stark korrelationen var mellan DTW-indexet och markfuktighet.
Noterbart är också att korrelationen mellan γK och de topografiska indexen i det studieområde där sambandet var starkast, var likvärdig med det som uppmättes mellan γK på marknivå och markfuktighetsmätningar i en studie gjord i norra Finland. Där drog författarna slutsatsen att luftburen γK-data kunde användas till att avgränsa områden lämpliga för odling av tall.
För att kunna dra mer säkra slutsatser om sambandet mellan gammastrålningsdata och markfuktighet i Sveriges skogsmarker krävs mer omfattande studier samt bättre data för att representera markfuktighet. Det gäller även för att mer grundligt kunna undersöka möjligheten att använda enskilda datapunkter för indikering av blöt och fuktig mark.
För mer information, läs examensarbetet i sin helhet.
