Remote Sensing of Eelgrass using Object Based Image Analysis and Sentinel-2 Imagery
Author
Fethers, James Ormond
Term
4. term
Publication year
2018
Submitted on
2018-06-08
Pages
95
Abstract
Ålegræs (Zostera marina) er en vigtig, men sårbar havgræsart, som er udbredt i Danmark og på den nordlige halvkugle. Hvor dybt ålegræs kan vokse, bruges til at vurdere kystvandenes økologiske tilstand, og hvor stor en del af havbunden der er dækket, bruges som mål for økosystemets sundhed. Satellitbaseret fjernmåling kan gøre sådanne vurderinger langt mere omkostningseffektive. Denne afhandling gennemgår eksisterende metoder og bruger Sentinel-2-satellitbilleder sammen med objektbaseret billedanalyse (hvor pixels grupperes til meningsfulde objekter) og flere maskinlæringsalgoritmer (computerbaserede metoder, der lærer mønstre) til at klassificere undervandsvegetation i Roskilde Fjord. En økologisk model for stressparametre hos ålegræs blev anvendt på klassifikationsresultaterne for at lave en empirisk vurdering af ålegræs-dækning. Resultaterne viser, at Random Forest er den mest egnede algoritme til at klassificere undervandsvegetation, og at en skala-parameter på 10 giver billedobjekter med den højeste nøjagtighed. Vandkolonnekorrektion (justering for lysets dæmpning i vand) og multitemporal analyse (brug af billeder fra flere tidspunkter) forbedrede nøjagtigheden yderligere. Afhandlingen konkluderer, at Sentinel-2-billeder kan bruges til at kortlægge undervandsvegetation generelt, men ikke til specifik identifikation og analyse af ålegræs.
Eelgrass (Zostera marina) is an ecologically important and fragile seagrass common in Denmark and across the Northern Hemisphere. The deepest depth at which eelgrass grows is used to assess the ecological status of coastal waters, and the area it covers is an indicator of ecosystem health. Satellite remote sensing can make these assessments much more cost-effective. This thesis reviews reported methods and uses Sentinel-2 satellite images together with object-based image analysis (grouping pixels into meaningful objects) and several machine-learning algorithms to classify submerged aquatic vegetation in Roskilde Fjord. An ecological model of eelgrass stress parameters was applied to the classification results to produce an empirical estimate of eelgrass coverage. The results show that Random Forest is the most suitable algorithm for classifying submerged aquatic vegetation, and that a scale parameter of 10 yields image objects with the highest accuracy. Water column correction (adjusting for light attenuation in water) and multi-temporal analysis (using images from multiple dates) further improved accuracy. The thesis concludes that Sentinel-2 imagery can be used to map submerged aquatic vegetation in general, but not for the specific identification and analysis of eelgrass.
[This abstract was generated with the help of AI]
Keywords
Documents