Classification of ocean objects detected in Sentinel-1 SAR, Iceberg-Ship discrimination
Author
Hass, Frederik Seerup
Term
4. semester
Publication year
2020
Abstract
This thesis examines whether Sentinel-1 SAR data combined with deep learning can automate the discrimination of ships and icebergs in Arctic waters, where these objects often appear similar in radar imagery. The work is motivated by the need for reliable maritime monitoring around western Greenland to support safety, law enforcement, and UN Sustainable Development Goal 14. Methodologically, dual-polarization Sentinel-1 IW images (VV/VH) are preprocessed, and candidate targets are localized using adaptive thresholding (CFAR). Training data are compiled by extracting objects from areas without icebergs (predominantly ships) and from areas with many icebergs, after which a deep learning object detector is trained to classify each target as ship or iceberg. The model is validated using AIS ship positions and iceberg datasets from the Danish Meteorological Institute. Reported performance at the final training epoch includes precision of 0.48, recall of 0.60, an F1 score of 0.53, and mAP of 0.557 at IoU=0.5, indicating a workable baseline with room for improvement. The study demonstrates that automated discrimination based on Sentinel-1 SAR is feasible and can support operational monitoring by reducing manual review and helping prioritize attention in areas with numerous detections.
Dette speciale undersøger, om Sentinel-1 SAR-data kombineret med dyb læring kan automatisere skelnen mellem skibe og isbjerge i arktiske farvande, hvor objekterne ofte fremstår ens i radar. Projektet motiveres af behovet for pålidelig overvågning af maritim aktivitet i og omkring Vestgrønland for at understøtte sikkerhed, lovhåndhævelse og FN’s Verdensmål 14. Metodisk anvendes dobbelt polariserings Sentinel-1 IW-billeder (VV/VH), som forbehandles og bruges til at lokalisere potentielle mål via adaptive tærskelmetoder (CFAR). Træningsdata sammensættes ved at udtrække objekter fra områder uden isbjerge (overvejende skibe) og fra områder med mange isbjerge, hvorefter et deep learning-objektdetektionsmodul trænes til at klassificere hvert mål som enten skib eller isbjerg. Modellen valideres med AIS-skibsdata og isbjergsdata fra DMI. De rapporterede præstationsmål ved sidste træningsepoke er en præcision på 0,48, recall på 0,60, F1-score på 0,53 samt mAP på 0,557 ved IoU=0,5, hvilket peger på et funktionelt udgangspunkt med forbedringspotentiale. Arbejdet demonstrerer, at en automatiseret diskrimination baseret på Sentinel-1 SAR er gennemførlig og kan støtte operativ overvågning ved at reducere behovet for manuel gennemgang og hjælpe med at prioritere indsatser i områder med mange observationer.
[This apstract has been generated with the help of AI directly from the project full text]
Keywords