Cristin-prosjekt-ID: 2054355
Sist endret: 11. mai 2020 14:06

Cristin-prosjekt-ID: 2054355
Sist endret: 11. mai 2020 14:06
Prosjekt

Mapping of Algae and Seagrass using Spectral Imaging and Machine Learning

prosjektleder

Martin Hansen Skjelvareid
ved Institutt for datateknologi og beregningsorienterte ingeniørfag ved UiT Norges arktiske universitet

prosjekteier / koordinerende forskningsansvarlig enhet

  • Fakultet for ingeniørvitenskap og teknologi ved UiT Norges arktiske universitet

Finansiering

  • TotalbudsjettNOK 8.195.000
  • Norges forskningsråd
    Prosjektkode: 301317

Klassifisering

Vitenskapsdisipliner

Marinbiologi • Økologi • Elektromagnetisme, akustikk, optikk • Annen marin teknologi • Matematisk modellering og numeriske metoder • Simulering, visualisering, signalbehandling, bildeanalyse • Plantefysiologi

Emneord

Hyperspektral avbildning • Kartlegging • Makroalger • Tang / sjøgress • Droner • Vegetasjonskartlegging • Naturtypekartlegging • Maskinlæring • Anvendt Optikk • Plantefysiologi

Kategorier

Prosjektkategori

  • Anvendt forskning

Kontaktinformasjon

Telefon
+4797150007
Sted
Martin Hansen Skjelvareid

Tidsramme

Aktivt
Start: 1. april 2020 Slutt: 31. mars 2024

Beskrivelse Beskrivelse

Tittel

Mapping of Algae and Seagrass using Spectral Imaging and Machine Learning

Populærvitenskapelig sammendrag

The goal of the MASSIMAL project is to develop new methods for mapping underwater vegetation (seagrass and macroalgae). Using a hyperspectral camera mounted on a drone, the seafloor will be imaged from 50-100 meters above the sea surface. By combining the hyperspectral images with manual sampling of the vegetation, machine learning algorithms can produce detailed maps of e.g. the different species distribution, vegetation density and physiological state.

Seagrass and macroalgae are parts of the underwater "blue forests". These form habitats for several marine species, capture large amounts of carbon, and absorb nutrients in the water. The blue forests are threatened by human activity, climate change and overgrazing by sea urchins. New tools are needed for monitoring and studying how and why these ecosystems change.

When sunlight reaches the underwater vegetation, some light is absorbed and some is reflected back towards the surface. The distribution of reflected light across different wavelengths (a “spectrum”) can carry a lot of information. The human eye is sensitive to three wavelength ranges; red, green and blue. The distribution between these three "color channels" dictates the color we perceive. A hyperspectral camera has several hundred such channels. With such a detailed measurement of the light spectrum, the hyperspectral image has a "light fingerprint" in each pixel. A computer model can compare the fingerprint with manual sampling taken at the pixel location and learn how to interpret the image.

MASSIMAL research campaigns will be carried out close to Bodø, Smøla and Larvik. At Bodø and Smøla, sea urchin grazing and commercial kelp harvesting create mosaics of bare rock and kelp vegetation. These areas are expected to generate useful test data for developing the methodology. At Bodø and Larvik different types of vegetation will be imaged several times over a 3-year period, to study how these types changes over time.

Tittel

Kartlegging av alger og sjøgress med spektral avbildning og maskinlæring

Populærvitenskapelig sammendrag

MASSIMAL skal utvikle nye metoder for å kartlegge undervannsvegetasjon som ålegrasenger, tang- og tareskog. Havbunnen skal avbildes med et hyperspektralt kamera montert på en drone som flyr 50-100 meter over havoverflaten. Gjennom å kombinere de hyperspektrale bildene med manuelle stikkprøver fra havbunnen kan maskinlærings-algoritmer lage kart over de ulike artenes utbredelse, tetthet, og «helsetilstand».   

Ålegras-, tang- og tareplanter danner artsrike enger og skoger i havet. Betydningen av disse «blå skogene» for livet i havet og for menneskeheten har fått økt oppmerksomhet de siste årene. De danner leveområder for mange arter av sjødyr, og produserer plantemateriale som utgjør mat for disse dyrene. I tillegg bidrar de med en betydelig karbonfangst og renser sjøvannet for næringssalter. Menneskelig aktivitet, klimaendringer og overbeiting av kråkeboller utgjør betydelige trusler for disse økosystemene, og man trenger nye verktøy for å måle hvordan og hvorfor disse systemene påvirkes.

Når lys fra sola treffer undervannsvegetasjonen vil lyset delvis absorberes og delvis reflekteres. Fordelingen av reflektert lys over forskjellige bølgelengder kan inneholde mye informasjon. Mennesket kan oppfatte tre bølgelengdeområder; rødt, grønt og blått, og fordelingen mellom disse tre "kanalene" bestemmer hvilken farge vi oppfatter. Et hyperspektralt kamera har flere hundre slike kanaler, og kan dermed måle et «lys-fingeravtrykk» for hvert piksel i bildet. En datamodell kan sammenligne fingeravtrykket med manuelle målinger fra samme område, og dermed lære å tolke bildene.

MASSIMAL vil utvikle metodikken basert på kartlegging i tre områder: Bodø, Smøla og Larvik. Ved Bodø og Smøla danner henholdsvis kråkebollebeiting og kommersiell tarehøsting mosaikker av nakent fjell og tareskog, som kan utnyttes til å skaffe gode testdata. I Bodø- og Larvik-området vil ulike typer vegetasjon avbildes flere ganger over en periode på 3 år, for å studere hvordan disse endrer seg over tid.

prosjektdeltakere

prosjektleder

Martin Hansen Skjelvareid

  • Tilknyttet:
    Prosjektleder
    ved Institutt for datateknologi og beregningsorienterte ingeniørfag ved UiT Norges arktiske universitet

Eli Rinde

  • Tilknyttet:
    Prosjektdeltaker
    ved Marin biologi ved Norsk institutt for vannforskning

Kasper Hancke

  • Tilknyttet:
    Prosjektdeltaker
    ved Marin biologi ved Norsk institutt for vannforskning

Galice Guillaume Hoarau

  • Tilknyttet:
    Prosjektdeltaker
    ved Fakultet for biovitenskap og akvakultur ved Nord universitet
Aktiv cristin-person

Katalin Blix

  • Tilknyttet:
    Prosjektdeltaker
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet
1 - 5 av 5