Massimal

Mapping of Algae and Seagrass using Spectral Imaging and MAchine Learning

The Massimal research project aims to develop better methods for mapping the "blue forests". These blue forests consist of marine vegetation such as seagrass, rockweed, kelp and maerl. 

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.

Project group

Associate Professor

Martin Skjelvareid (Project manager)

Senior researcher

Eli Rinde

Postdoctoral Fellow

Katalin Blix

Senior researcher

Kasper Hancke

Professor

Galice Guillaume Hoarau

Norsk prosjektsammendrag

MASSIMAL utvikler nye metoder for å kartlegge undervannsvegetasjon som ålegras, tang, tare og ruglbunn. 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 kombineres med manuelle stikkprøver fra havbunnen, for å trene maskinlærings-algoritmer som lager kart over de ulike artenes utbredelse, tetthet, og «helsetilstand».

Gjennom prosjektet har man så langt samlet inn data fra flere områder langs Norges kyst; i nærheten av Bodø, Larvik og Vega. Datasettene representerer stor variasjon i plantearter, naturtyper, værforhold og vannets optiske egenskaper, og forhåpentligvis gir dette også grunnlag for å trene opp robuste maskinlærings-algoritmer.

Under arbeid i felt har man testet mange ulike metoder for dokumentasjon av vegetasjon og naturtype (såkalt "ground truth"). Tidlig i prosjektet ble dette gjort gjennom å definere et lite antall transekter og avbilde disse svært detaljert (fotografert under snorkling). I senere feltarbeid har man prioritert å avbilde større arealer, slik at man også dekker mer av den naturlige variasjonen innenfor et gitt område. Metodene for å fotografere bunnen har også blitt utvidet til avbildning fra båt, dykking, snorkling med stang (for å plassere kamera nært bunnen), og filming fra undervannsdrone og autonom båt.

Innsamlede data må organiseres, etterbehandles og annoteres før de kan brukes til trening av maskinlærings-algoritmer, og utvikling av metodikk for å gjøre dette har tatt mye tid i prosjektet. Mange ulike datakilder (bilder / video av havbunn, posisjonsdata og hyperspektrale bilder) må samordnes for at annotering av innsamlede data skal være mulig. Ferdig annoterte datasett vil bli publisert sammen med resultatene fra prosjektet.

Tidlige resultater fra prosjektet viser at det er mulig å finne distinkte spektrale mønstre for ulike vegetasjons- og bunntyper. En masteroppgave basert på data fra prosjektet har også gitt lovende resultater når det gjelder å klassifisere ulike arter innenfor et begrenset geografisk område. Samtidig har man funnet at bølger, refleksjoner i vannflaten og tap av lys i vannet kan skape "støy" i mønstrene man forsøker å kjenne igjen, og dermed gi lavere nøyaktighet i klassifiseringen. Videre arbeid med maskinlæring vil fokusere på å gjøre algoritmene robust for slik støy, og samtidig generelle nok til å fungere på tvers av mange ulike lokasjoner.

I 2023 gjennomføres de siste forskningskampanjene i prosjektet; i områdene nært Smøla og Larvik. I området rundt Smøla håper man på å kunne avbilde områder med tareskog som har vært trålet, for å se om gjenvekst av tareskog kan dokumenteres og kvantiseres gjennom bruk av kartleggingsmetodene i prosjektet. I Larvik-området håper man å kunne bruke vegetasjonskart generert på hyperspektrale data for å måle hvordan vegetasjonen har endret seg over tid (2021 til 2023).

I prosjektets to siste år (2023 og 2024) vil hovedaktivitetene i prosjektet være videreutvikling av maskinlæringsalgoritmer og publisering av vitenskapelige resultater. Populærvitenskapelig formidling av prosjektresultatene vil også være en prioritert aktivitet.

[Loading...]