Tilbake til søkeresultatene

MARINFORSK-Marine ressurser og miljø

Mapping of Algae and Seagrass using Spectral Imaging and Machine Learning

Alternativ tittel: Kartlegging av alger og sjøgress gjennom spektral avbildning og maskinlæring

Tildelt: kr 8,0 mill.

MASSIMAL skal utvikle nye metoder for å kartlegge undervannsvegetasjon som ålegras, tang og tare. Denne type vegetasjon danner artsrike enger og "blå skoger" i havet, og bidrar med primærproduksjon, karbonfangst og opptak av næringssalter i havet. Menneskelig aktivitet, klimaendringer og overbeiting av kråkeboller utgjør betydelige trusler for disse økosystemene. I prosjektet avbildes vegetasjonen med et hyperspektralt kamera montert på en drone som flyr 20-100 meter over havoverflaten. De hyperspektrale bildene skal kombineres med manuelle stikkprøver fra havbunnen, for å trene maskinlærings-algoritmer som skal lage kart over de ulike artenes utbredelse, tetthet, og «helsetilstand». Aktivitetene i prosjektet har så langt vært fokusert på instrumentering, testing og metodeutvikling. Et hyperspektralt kamera har blitt kjøpt inn og montert på en drone, og gjennom flere tester er det utviklet rutiner for avbildning i felt. I tillegg er det gjennomført tre forskningskampanjer; to i Bodø-området og en i Larvik-området. I disse kampanjene har flere strandområder blitt avbildet fra drone, både med hyperspektralt kamera og vanlig fargekamera. I tillegg er det gjort systematiske observasjoner i mindre områder på bakken for å kartlegge vegetasjon og bunntype i detalj. Foreløpig viser resultatene at det er mulig å finne distinkte spektrale mønstre for ulike vegetasjons- og bunntyper, men at bølger, refleksjoner i vannflaten og tap av lys i vannet introduserer variasjon og "støy" i datasettene. Dette gjør det mer utfordrende å gjenkjenne mønstrene, og krever utvikling av robuste metoder for maskinlæring. Innsamling av hyperspektrale data vil fortsette gjennom flere kampanjer i prosjektperioden, både i Bodø-, Oslo- og Smøla-området. De gjennomførte kampanjene har fokusert mest på sjøgress, men de gjenværende kampanjene vil inkludere større områder med tang og tare. Paralellt med kampanjene vil aktivitetene i prosjektet dreies mer over mot annotering/klassifisering av innsamlede bilder, og utvikling av maskinlæringsmodeller basert på annoterte data.

Seagrass meadows and kelp forests are two of the most important marine habitats along the Norwegian coast. These are exposed to stressors such as eutrophication, ocean warming and ocean darkening, which all impact their distribution and health. At present, mapping of these species in Norway is done at a small number of sampling points using underwater “drop cameras”, recording coverage or state parameters of the species at points or along line transects. There is a need for cost efficient tools to map and monitor the distribution and ecological state of blue forests over larger areas and extended time periods. Large-scale mapping based on imaging from satellites or airplanes is possible, but has several drawbacks: Satellites have limited spatial resolution and depend on cloudless days, and airplane missions are costly. We propose using unmanned aerial vehicles (UAVs) equipped with hyperspectral cameras for mapping medium-sized areas. UAVs enable flexible, low-cost imaging missions with high spatial resolution, and hyperspectral imaging will provides detailed spectral information within each pixel. The spectrum of light reflected from underwater vegetation and the seafloor can be used as a “spectral fingerprint” to estimate parameters such as plant coverage, species, biomass and physiological state. Scuba divers, drop cameras and ROVs will be used to aquire “ground truth” measurement of these parameters, and machine learning methods will be used to train mathematical models relating the hyperspectral data to the field measurements. This enables estimation of biophysical parameters for each image pixel. Through statistical analysis of the mapped spatial and temporal changes, we will identify the main drivers that cause the observed patterns. Understanding how the structure and function of these species varies across environmental gradients is essential knowledge for sustainable coastal management.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

MARINFORSK-Marine ressurser og miljø