Norge i rødt, hvitt og

GRÅTT

For å kartlegge naturinngrep har NRK samarbeidet med fjernmålingsekspert Zander Venter ved Norsk institutt for naturforskning (Nina). I samråd med Venter valgte vi å bruke verktøyet Google Dynamic World.

Google Dynamic World er et verktøy basert på satellittbilder og avansert maskinlæring. Verktøyet benytter seg av offentlig tilgjengelige bilder fra de to satellittene Sentinel-2A og Sentinel-2B. Disse satellittene flyr kontinuerlig over jordkloden og tar bilder av hele verden, inkludert Norge, med 10 meters oppløsning.

Bildene er altså ikke veldig detaljerte, men Googles algoritme er trent opp til å analysere slike satellittbilder og gjenkjenne ulike typer landskap. Den kan gjenkjenne ni ulike kategorier: vann, trær, gress, oversvømt vegetasjon, snø og is, busker og kratt, bar bakke, avlinger og, ikke minst, en siste kategori som heter “bebygd”.

Vi valgte ikke å skille mellom de ulike naturtypene i vårt prosjekt, siden den kunstige intelligensen bommer for ofte når den prøver å skille mellom ulike typer natur. Vi ba den i stedet lete etter kategorien “bebygd” - eller rettere sagt, områder som ifølge KI-analysen var bebygd i 2022, men ikke var bebygd i 2017.

Før 2017 finnes det ikke gode nok satellittbilder til å gjennomføre analysen. Vi valgte å analysere bilder fra sommermånedene, fordi det da er færre problemer med snø og is på satellittbildene. Ved å se en hel femårsperiode samlet fikk vi et bedre grunnlag for å finne reelle inngrep: Hvis et område slo ut som natur i 2017, natur i 2018, natur i 2019, og så plutselig bebygd i 2020, 2021, og 2022, var det større sannsynlighet for at inngrepet var ekte enn hvis det bare slo ut som bebygd ett år.

Helt konkret gjorde vi følgende: Den kunstige intelligensen spyttet ut en sannsynlighet for at hver lille piksel på norgeskartet, 10 ganger 10 meter stor, hadde blitt nedbygd i perioden. Vi satte en nedre grense for sannsynlighet, så vi kunne forkaste alle piksler der KI-en var for usikker.

Til slutt, og igjen fikk vi hjelp av Zander Venter, samlet vi pikslene til større flekker på kartet for å finne nedbygde områder.

Resultatet var et geografisk datasett med over 50.000 avgrensede områder som systemet anslo trolig hadde gått fra natur til bebyggelse. Disse kunne vi analysere på ulike måter, hovedsakelig ved å sortere og filtrere i et stort regneark der hvert inngrep var én rad.

Vi visste at dette datasettet ville inneholde feil. Derfor måtte vi kvalitetssikre alle enkelteksemplene vi skulle omtale i prosjektet. Vi har gått gjennom nesten 4000 enkeltfelter for å kategorisere og kvalitetssikre.

Vi måtte også gjøre en statistisk vurdering av treffsikkerheten til KI-modellen, slik at alle tallene vi presenterer er fri for feilregistreringer. I samarbeid med eksperten gikk vi derfor gjennom flere hundre tilfeldige punkter fra de nedbygde områdene i datasettet. Vi søkte opp hvert enkelt punkt i tjenester som norgeskart.no, Norge i bilder og Google Earth Pro for å undersøke om det virkelig hadde skjedd en endring.

Som regel traff systemet godt, men det var også noen bom, spesielt i fjellområder i Nord-Norge der det lå snøflekker på sommeren. Også fjellskygger og mudder i sjøen forvirret systemet, og det hendte systemet bommet litt i randsonen av byggefelt, for å nevne noe.

Alt i alt beregnet vi at feilmarginen var 18 prosent – med andre ord, den kunstige intelligensen bommet litt under én av fem ganger når den markerte at en piksel var nedbygd. Slik kom vi fram til at det reelle tallet for nedbygging er minst 79 kvadratmeter i minuttet, eller 207 kvadratkilometer i hele perioden.

Senere gjorde vi en tilsvarende beregning for antallet inngrep, slik at vi til slutt landet på 44.000 reelle inngrep av de opprinnelig litt over 50.000.

Her er det viktig å understreke at vi kun har beregnet hvor ofte den kunstige intelligensen bommer når den sier at noe er bebygd, ikke hvor ofte den overser noe. Det betyr at tallene våre er minimumstall, og at den reelle nedbyggingen er større. Vi vet at systemet for eksempel sliter med å finne smale nedbyggingsfelter som vindkraftveier eller skogsbilveier.

Fordi vi bare har skilt mellom bebyggelse og natur, har vi ikke kartlagt tømmerhogst. Det slår heller ikke ut om en åker blir til golfbane eller omvendt.

KI-datasettet over nedbyggingen viser bare hvor mye og hvor i Norge det ble bygd i perioden vi har undersøkt. For å kunne si noe om naturverdiene som fantes i områdene før utbyggingen, måtte vi lete i andre databaser.

Heldigvis finnes det mange gode offisielle kart over norske naturverdier. Via Geonorge og Miljødirektoratets nettsider skaffet vi mer enn 20 forskjellige geografiske datasett over naturverdier som vi ønsket å undersøke. Alt fra strandsoner til villreinområder.

Vi hentet også inn alternative datasett i tillegg til de offisielle kartdatabasene. Vi oppdaget for eksempel at det ikke fantes kart over all våtmark i Norge. Spesielt manglet vi myrdata fra fjellområder. Derfor fikk vi tak i et supplerende datasett utarbeidet av Vegar Bakkestuen, seniorforsker ved Norsk institutt for naturforskning (Nina). Han hadde utført beregninger med en KI-basert våtmarksmodell som var mer presis i fjellområder enn det offisielle kartet N50. Det er det nye, KI-baserte myrkartet vi viser til i saken når vi diskuterer myrødeleggelser. Her er det viktig å nevne at dette datasettet ikke inneholder våtmarksdata nord for Trondheim, og heller ikke myrområder nedbygd før 2020. Derfor er de reelle myrødelegelsene trolig større enn tallene våre antyder.

Ved hjelp av denne utvidede databasen, samt geografiske verktøy som QGIS og PostGIS, kunne vi nå få svar på en rekke spørsmål vi hadde rundt hvilken natur som var bygd ned. Vi gjorde en lang rekke SQL-spørringer mot databasen. Både enkle spørringer som: Hvor mange elver bygges over hvert år? Men også mer kompliserte spørringer som: Hvor mange elver blir berørt av byggeaktivitet hvis vi antar at en elv påvirkes av alle byggefelt som ligger innenfor en radius av 100 meter fra elven?

For å kunne bruke dette til mer enn bare å finne interessante enkeltfelter som spiste mye natur, beregnet vi også en feilmargin for flere av disse viktige naturtypene. Dette gjorde vi ved å manuelt sjekke flere hundre felter per naturtype. Slik kunne vi for eksempel gi et tall for hvor mange bekker som er direkte berørt av byggeprosjekter.

Til slutt ønsket vi også å beregne et tall for hvor mye vi ofrer av naturen vi som demokrati har blitt enige om å ta vare på. Vi ønsket å definere noen naturtyper som flere ulike regjeringer har vært enige om at vi skal være ekstra varsomme med. Derfor gikk vi gjennom de fire siste regjeringenes forventningsnotater til kommunene. Dette er dokumenter, vedtatt av Kongen i statsråd, hvor regjeringen definerer sine forventninger til kommunene. I tillegg gikk vi gjennom ulike regjeringserklæringer i samme periode. Ut ifra dette valgte vi oss ut seks typer natur som flere av de siste fire regjeringene hadde nevnt spesielt at vi må være varsomme med: myrområder, vassdragsnatur, pressområder i strandsonen, villreinområder, inngrepsfri natur og utvalgte/rødlistede naturtyper. Når vi skriver i saken at det åpnes ti nye byggefelter om dagen i den spesielt verdifulle naturen, er det all bygging i disse områdene til sammen vi sikter til. Også her har vi beregnet en feilmargin ved å manuelt sjekke felter. Inngrep i vassdragssonen er beregnet ved å bruke datasettet ELVIS, der vi telte med bygging innenfor 100 meter av hvert vassdrag. Inngrep i utvalgte/rødlistede naturtyper er beregnet ved å lete etter bygging i områder definert som viktige eller svært viktige i databasen DN13, samt områder som er definert til å ha høy eller svært høy kvalitet i databasen Natur i Norge (NiN). Vi har kun telt med inngrep i de delene av strandsonen som er definert som pressområder.