UAV-Based Eelgrass Mapping in Limfjorden: Training Deep Learning Models for Benthic Feature Classification

Hyttel, Beate ; Klenø, Chris Nicki ; Thibeault-Jacobsen, Joakim Jensby

4. term

Geography, Master

2024

2024-06-06

165

Dette speciale undersøger, om UAV-baserede ortofotos kombineret med dyb læring kan kortlægge ålegræs og andre bentiske elementer i Limfjorden. Feltarbejdet omfattede flere lokaliteter omkring Langerak (Hesteskoen, Langelandsvej, Skovvej, Skiveren) samt Ertebølle i Vesthimmerland og Engelstør og Færker på Fur. Ortofotos blev produceret med en DJI Mini 2 for Skiveren, Ertebølle, Engelstør og Færker, og der blev indsamlet ground truth via videotransekter med GoPro-kameraer, suppleret af undervandsdroneoptagelser (Chasing Gladius Mini) i Færker og Ertebølle. I ArcGIS Pro blev 14 dybdelæringsmodeller—halvdelen U‑Net og halvdelen DeepLabV3—trænet med varierende parametre og træningssæt og evalueret med almindelige træningsmål og visuel inspektion. Den bedste model (Model 8, DeepLabV3) havde en tendens til at overestimere udbredelsen af makroalger og ålegræs, men opnåede en høj andel korrekte forudsigelser for disse klasser. Samlet peger resultaterne på, at metoden har potentiale til at skelne ålegræs og makroalger i lavvandede kystområder og kan bidrage til forbedret overvågning, om end der fortsat er plads til justering af model og datagrundlag.

This thesis investigates whether UAV-derived orthomosaics combined with deep learning can map eelgrass and other benthic features in Limfjorden. Fieldwork covered multiple sites around Langerak (Hesteskoen, Langelandsvej, Skovvej, Skiveren) as well as Ertebølle in Vesthimmerland and Engelstør and Færker on Fur. Orthoimages were produced with a DJI Mini 2 for Skiveren, Ertebølle, Engelstør and Færker, and ground truth was collected via video transects using GoPro cameras, supplemented by underwater ROV footage (Chasing Gladius Mini) in Færker and Ertebølle. In ArcGIS Pro, 14 deep learning models—half U‑Net and half DeepLabV3—were trained with varying parameters and training sets and evaluated using standard training metrics and visual inspection. The best model (Model 8, DeepLabV3) tended to overpredict the extent of macroalgae and eelgrass but achieved a high rate of correct predictions for these classes. Overall, the results indicate that the approach shows promise for distinguishing eelgrass and macroalgae in shallow coastal waters and could support improved monitoring, while leaving room for further model and data refinement.

[This summary has been generated with the help of AI directly from the project (PDF)]

Eelgrass ; Classification ; Deep learning ; UAV ; Orthomosaic ; Confusion matrix ; ArcGIS Pro ; Environment ; Monitor ; Transect ; Video ; Footage ; Macroalgae

Download
View record in AAU Student Projects