Epsilon Archive for Student Projects

Abstract

Fragmentering är en av de största anledningarna till den minskande biologiska mångfalden. Till största del är det markförändringar som avverkningar och omvandling från skogslandskap till odlingslandskap som bidragit till dessa fragmenterade landskap. Utöver avverkningar och omvandlingar från skogslandskap till odlingslandskap så har bebyggelse och tätare nätverk av transportleder i kombination med ett ökat trafikflöde även det lett till en ökad fragmentering. Välfungerande nätverk av naturliga livsmiljöer är en förutsättning för människor, djur och växters välbefinnande och överlevnad. Grön infrastruktur (GI) är ett relativt nytt begrepp för dessa nätverk som har sin grund i konventionen om biologisk mångfald, CBD, och är en del i EU:s biodiversitetsstrategi.
För en förbättrad grön infrastruktur krävs planering på landskapsnivå. Länsstyrelserna har tillsammans med Skogsstyrelsen, kommuner och andra skogliga aktörer tagit fram regionala handlingsplaner för arbetet med landskapsplanering och grön infrastruktur. Länsstyrelserna ansvarar för genomförandet av handlingsplanerna och tillsammans med de andra skogliga aktörerna arbetar de utifrån ett landskapsperspektiv. För att underlätta, förbättra och effektivisera planeringsarbetet med grön infrastruktur krävs mer kunskap om var i landskapet skog med höga naturvärden finns. I denna studie analyseras utfallet i en nyligen publicerad modell baserad på artificiell intelligens, som visar relativ sannolikhet för förekomst av skog med höga naturvärden, i förhållande till Metrias kartering av sannolik och potentiell kontinuitetsskog, pCF.
Genom olika analyser av utfallen, som areal och andel överlappande areal, syftade studien till att bidra med kunskap om grön infrastruktur för bevarandet av biologisk mångfald och ekosystemtjänster i boreala och subalpina skogsekosystem. Analyserna genomfördes som spatiala analyser i QGIS över ett område som innefattade Norrbotten, Västerbotten, Jämtland och Västernorrlands län. Resultatet av analyserna visade att utfallet stämde förhållandevis väl överens med pCF. Det visade också att KubAI-modellen i jämförelse med pCF, har en fördel i och med att den visar relativ sannolikhet för förekomst av skog med höga naturvärden med hjälp av kontinuerliga sannolikhetsvärden, vilket gör att den kan peka ut områden med störst behov av restaurering eller områdesskydd.