Detektering av Barkborre Angripningar med satellit Bilder

Sveaskog is Swedens largest forest owner, owning 14 percent of the Swedish forest lands. Recently, due to warmer and drier summers as a consequence of climate change, spruce bark beetles have caused damages at a massive scale. In 2019 Sogeti developed a promising first product for monitoring the vitality of large areas through the use of Sentinel-2 data by comparing images from the same month between two years, and the results from this first product where promising. To take the detection of bark beetle infestations to the next stage of development, supervised learning was used. Models where trained with a time-series of Sentinel-2 data in conjunction with national landcover data, ground level humidity data, and height data to predict segmentations that represented infestations. Target segmentations where created by clustering GPS points and tresholding a rasterized representation of the generated clusters. In total four different model architectures where tested (LSTM, GRU, 3D convolutional, and logistic regression) and then evaluated both quantitatively and qualitatively on a test set. It was found that the GRU based model was best able to identify bark beetle infestations.Sveaskog är Sveriges största skogsägare, med en total landareal på 14 procent av den svenska skogsmarken. Nyligen, p.g.a. varmare och torrare somrar som en konsekvens av klimatförändringar har granbarkborren orsakat skada till skogen på en enorm skala. År 2019 utvecklade Sogeti ett lovande första resultat för övervakning av skogen på stor skala genom att jämföra vitaliteten i skogen från Sentinel-2 data i samma månad mellan två år. Resultaten från denna första produkt var lovande. För att kunna vidareutveckla produkten till nästa steg användes övervakad inlärning. Modeller tränades på en tidserie av Sentinel-2 data i kombination med nationella marktäckedata, markfuktighetsdata, och höjddata för att kunna prediktera segmenteringar som representerar skog som har angripits av granbarkborre. Målsegementeringarna som modellerna tränades mot skapades genom att klustra skördardata och den rastroiserade representationen av de generarade klustrarna filtrerades. Totalt tränades fyra olika modeller (LSTM, GRU, 3D faltning, och logistisk regression), som sedan evaluerades på ett sista test set både kvantitativt och kvalitativt. Från detta drogs slutsatsen att den GRU baserade modellen var bäst på att identifiera skog som har angripits av granbarkborre