Density classification of marine seagrass (Zostera marina) for blue carbon estimation using drones and Convolution Neural Networks

Abstract

Denne masteroppgaven undersøker bruk av konvolusjonelle nevrale nettverk for estimering av blå karbon basert på data samlet fra dronebilder og feltundersøkelser. Studien konsentrerer seg om en sjøgressart kalt ålegras (Zostera marina). For å trene og validere de nevrale nettverksmodellene, har vi benyttet flere datasett. Den første modellen behandlet seksjoner av sammensatte ortomosaikker som input, hvor den klassifiserte om seksjonene inneholdt sjøgress. Disse klassifiserte seksjonene tjente deretter som input for en etterfølgende modell, som klassifiserte tettheten av sjøgress i seksjonene. Denne tetthetsinformasjonen ble kombinert med referanseverdier fra litteraturen om karboninnhold i sjøgressbiomasse for å estimere karbonlagringen. Til tross for forsinkelser i laboratoriearbeidet, som forhindret bruk av feltdata til kalibrering av karbonestimater, ble dronedataene brukt til å trene nettverksmodellene. Selv om resultatene ikke var så gode som ønsket, tilbyr tilnærmingen fortsatt en kvantitativ metode for karbonbudsjettering gjennom prediksjoner av sjøgresstetthet. Ytterligere forbedringer er mulig gjennom innsamling av mer treningsdata.

This master thesis describes using convolutional neural network models for blue carbon estimation. The dataset is gained through drone imagery and ground truth surveys. The estimation is of a seagrass type called eelgrass (Zostera marina). Different types of datasets have been used to train and validate the models. The first model was given sections of stitched orthomosaics as input and classified as to whether the sections contained seagrass. The classified seagrass sections were used as input for the next model, which classified the density of the sections. Furthermore, the density classified sections were multiplied with reference values found in the literature for carbon content in seagrass biomass. The obtained ground truth was used to train the models, not for calibrating the carbon estimation due to delays in the laboratory work. The models did provide a quantitative way for carbon budgeting with density predictions. Although the results were not as good as hoped for, the method might improve with more training data.