Title (eng)
Classifying sparse vegetation in a proglacial valley using UAV imagery and Random Forest algorithm
Parallel title (deu)
Klassifizierung von spärlicher Vegetation in einem proglazialen Tal unter Verwendung von UAV-Aufnahmen und dem Random Forest Algorithmus
Author
Ulrich Zangerl
Advisor
Andreas Riedl
Co-Advisor
Sabine Kraushaar
Assessor
Andreas Riedl
Abstract (deu)
In dieser Arbeit wurden die Detektion und Klassifizierung von spärlich vorhandener Vegetation in einem hochalpinen Teil der österreichischen Ostalpen vorgenommen. Dies wurde mithilfe von Fernerkundungsdaten durchgeführt, welche von einem unbemannten Luftfahrzeug (Drohne) aufgenommen wurden und in weiterer Folge mithilfe des Structure from Motion (SfM) Verfah-rens und des Random Forest Algorithmus in ArcGIS Pro modelliert und analysiert wurden. Unbe-mannte Luftfahrzeuge ermöglichen es Forscher:innen hochauflösende Geodaten kostengünstig und flexibel zu generieren. Diese Arbeit leistet einen Beitrag zur biogeomorphologischen For-schung in proglazialen Gebieten sowie zum Feld der kleinskaligen Fernerkundung und Vegetati-onsmessung. Unsere Ergebnisse zeigen ein ungleichmäßiges Auftreten von Bewuchsflächen in dieser erst kürzlich eisfrei gewordenen Umgebung hinsichtlich Bewuchsdichte und Verteilung. Die hochauflösenden Aufnahmen des unbemannten Luftfahrzeugs erwiesen sich als geeignete Grundlage für eine SfM-basierte 3D-Modellierung des Untersuchungsgebiets sowie für die da-rauffolgende Vegetationskartierung. Bei der Datenaufnahme muss besonderes Augenmerk auf die herrschenden Lichtbedingungen gelegt werden, speziell beim Einsatz von multispektralen Sensoren, welche darauf besonders sensibel reagieren. In unserem Anwendungsfall lieferte der in ArcGIS Pro implementierte Random Forest Algorithmus zufriedenstellende Resultate in Bezug auf die Vegetationsklassifikation. Die Klassifikation wurde auf Basis des RGB-Orthomosaiks durchgeführt, mit dem digitalen Geländemodell als zusätzliche Informationsebene.
Abstract (eng)
This investigation aimed to differentiate sparse vegetation in a steep alpine environment in the Austrian part of the Central Eastern Alps using remotely sensed data from an unmanned aerial vehicle (UAV) in combination with the Structure from Motion (SfM) technique and the Random Forest (RF) algorithm implemented in ArcGIS Pro. UAVs enable researchers to produce highly re-solved data on a low budget with high flexibility. Our work contributes to the field of bio-geo-morphic research in proglacial areas as well as to the field of small-scale remote sensing and vegetation measuring. Our findings show that the occurrence of vegetation patches differs in terms of density and diversity within this relatively recent deglaciated environment. Highly re-solved imagery from a consumer-grade UAV proved an appropriate basis for the SfM-based mod-eling of the research area as well as for vegetation mapping. Consideration must be paid to changing light conditions during data acquisition, especially with multispectral sensors. The RF-implementation in ArcGIS Pro provided satisfactory results in this use case with the target class discrimination based on the RGB orthomosaic and the DEM as supplementary datasets.
Keywords (deu)
FernerkundungUAVVegetationRandom Forestproglazial
Keywords (eng)
UAV remote sensingRandom Forestvegetation mappingproglacialStructure from Motion
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Extent (deu)
39 Seiten : Illustrationen
Number of pages
39
Study plan
Masterstudium Kartographie und Geoinformation
[UA]
[066]
[856]
Association (deu)
Title (eng)
Classifying sparse vegetation in a proglacial valley using UAV imagery and Random Forest algorithm
Parallel title (deu)
Klassifizierung von spärlicher Vegetation in einem proglazialen Tal unter Verwendung von UAV-Aufnahmen und dem Random Forest Algorithmus
Author
Ulrich Zangerl
Abstract (deu)
In dieser Arbeit wurden die Detektion und Klassifizierung von spärlich vorhandener Vegetation in einem hochalpinen Teil der österreichischen Ostalpen vorgenommen. Dies wurde mithilfe von Fernerkundungsdaten durchgeführt, welche von einem unbemannten Luftfahrzeug (Drohne) aufgenommen wurden und in weiterer Folge mithilfe des Structure from Motion (SfM) Verfah-rens und des Random Forest Algorithmus in ArcGIS Pro modelliert und analysiert wurden. Unbe-mannte Luftfahrzeuge ermöglichen es Forscher:innen hochauflösende Geodaten kostengünstig und flexibel zu generieren. Diese Arbeit leistet einen Beitrag zur biogeomorphologischen For-schung in proglazialen Gebieten sowie zum Feld der kleinskaligen Fernerkundung und Vegetati-onsmessung. Unsere Ergebnisse zeigen ein ungleichmäßiges Auftreten von Bewuchsflächen in dieser erst kürzlich eisfrei gewordenen Umgebung hinsichtlich Bewuchsdichte und Verteilung. Die hochauflösenden Aufnahmen des unbemannten Luftfahrzeugs erwiesen sich als geeignete Grundlage für eine SfM-basierte 3D-Modellierung des Untersuchungsgebiets sowie für die da-rauffolgende Vegetationskartierung. Bei der Datenaufnahme muss besonderes Augenmerk auf die herrschenden Lichtbedingungen gelegt werden, speziell beim Einsatz von multispektralen Sensoren, welche darauf besonders sensibel reagieren. In unserem Anwendungsfall lieferte der in ArcGIS Pro implementierte Random Forest Algorithmus zufriedenstellende Resultate in Bezug auf die Vegetationsklassifikation. Die Klassifikation wurde auf Basis des RGB-Orthomosaiks durchgeführt, mit dem digitalen Geländemodell als zusätzliche Informationsebene.
Abstract (eng)
This investigation aimed to differentiate sparse vegetation in a steep alpine environment in the Austrian part of the Central Eastern Alps using remotely sensed data from an unmanned aerial vehicle (UAV) in combination with the Structure from Motion (SfM) technique and the Random Forest (RF) algorithm implemented in ArcGIS Pro. UAVs enable researchers to produce highly re-solved data on a low budget with high flexibility. Our work contributes to the field of bio-geo-morphic research in proglacial areas as well as to the field of small-scale remote sensing and vegetation measuring. Our findings show that the occurrence of vegetation patches differs in terms of density and diversity within this relatively recent deglaciated environment. Highly re-solved imagery from a consumer-grade UAV proved an appropriate basis for the SfM-based mod-eling of the research area as well as for vegetation mapping. Consideration must be paid to changing light conditions during data acquisition, especially with multispectral sensors. The RF-implementation in ArcGIS Pro provided satisfactory results in this use case with the target class discrimination based on the RGB orthomosaic and the DEM as supplementary datasets.
Keywords (deu)
FernerkundungUAVVegetationRandom Forestproglazial
Keywords (eng)
UAV remote sensingRandom Forestvegetation mappingproglacialStructure from Motion
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Number of pages
39
Association (deu)
License
- Citable links
- Other links
- Managed by
- Details
- Usage statistics-
- Metadata
- Export formats