Detailansicht
Spatial analysis of intra-annual reed ecosystem dynamics at Lake Neusiedl using RGB drone imagery and deep learning
Claudia Blauensteiner
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Kartographie und Geoinformation
Betreuer*in
Andreas Riedl
DOI
10.25365/thesis.75421
URN
urn:nbn:at:at-ubw:1-15113.03595.291848-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Der Schilfgürtel des Neusiedler Sees, der die Hälfte der Fläche des Sees bedeckt, ist aufgrund des starken Rückgangs des Wasserspiegels in den letzten Jahren, insbesondere im Jahr 2021, massiven Veränderungen unterworfen. Diese Studie untersucht die räumlichen und zeitlichen Variationen innerhalb einer Langzeit-Ökosystem-Forschungsstation (LTER) in einem Schilf-Ökosystem am Neusiedler See in Österreich unter intensiven Trockenheitsbedingungen. Es wurden räumlich-zeitliche Datensätze von Mai bis November 2021 erstellt, um Veränderungen im Feuchtgebietsökosystem über eine Vegetationsperiode hinweg zu analysieren. Hochauflösende Orthomosaike aus RGB-Bildern, die mit einem unbemannten Luftfahrzeug (UAV) aufgenommen wurden, dienten als Grundlage für die Klassifizierung der Bodenbedeckung und die phänologische Analyse. Um Veränderungen der Bodenbedeckung kartieren zu können wurde ein Arbeitsablauf für die Bild-Annotation entwickelt und Deep-Learning Methoden mit semantischer Bildsegmentierung angewandt. Die trainierten Modelle lieferten im Hinblick auf die Leistungsmetriken äußerst gute Ergebnisse. Betrachtet man die Region zwischen ihren Minima und Maxima, so verringerte sich die Wasseroberfläche um 26.9 %, die Sedimentfläche nahm um 23.1 % zu und die Vegetationsfläche dehnte im Untersuchungszeitraum sukzessive um 10.1 % aus. Phenocam-Daten zur lateralen phänologischen Beobachtung der Vegetationsentwicklung von Phragmites australis (Schilf) wurden direkt mit phänologischen Analysen aus den Luftbildern verglichen. Diese Studie zeigt die enorme Dynamik des Schilfökosystems des Neusiedler Sees auf und bestätigt darüber hinaus die Bedeutung der Fernerkundung mittels Drohne und die Stärken von Deep Learning für die Feuchtgebietsklassifizierung.
Abstract
(Englisch)
The reed belt of Lake Neusiedl, covering half the size of the lake, is subject to massive changes due to the strong decline of the water level over the last several years, especially in 2021. This study investigated the spatial and temporal variations within a long-term ecosystem research (LTER) site in a reed ecosystem at Lake Neusiedl in Austria under intense drought conditions. Spatio-temporal data sets from May to November 2021 were produced to analyze and detect changes in the wetland ecosystem over a single vegetation period. High-resolution orthomosaics processed from RGB imagery taken with an unmanned aerial vehicle (UAV) served as the basis for land cover classification and phenological analysis. An image annotation workflow was developed, and deep learning techniques using semantic image segmentation were applied to map land cover changes. The trained models delivered highly favorable results in terms of the assessed performance metrics. When considering the region between their minima and maxima, the water surface area decreased by 26.9%, the sediment area increased by 23.1%, and the vegetation area increased successively by 10.1% over the investigation period. Phenocam data for lateral phenological monitoring of the vegetation development of Phragmites australis was directly compared with phenological analysis from aerial imagery. This study reveals the enormous dynamics of the reed ecosystem of Lake Neusiedl, and additionally confirms the importance of remote sensing via drone and the strengths of deep learning for wetland classification.
Schlagwörter
Schlagwörter
(Deutsch)
Neusiedler See Schilf Landbedeckungsklassifizierung Ökosystemforschung
Schlagwörter
(Englisch)
Lake Neusiedl reed LTER land cover classification deep learning DeepLabv3+ structure from motion RGB UAV green chromatic coordinates
Autor*innen
Claudia Blauensteiner
Haupttitel (Englisch)
Spatial analysis of intra-annual reed ecosystem dynamics at Lake Neusiedl using RGB drone imagery and deep learning
Paralleltitel (Deutsch)
Räumliche Analyse der intra-jährlichen Schilfökosystem Dynamik am Neusiedler See mit RGB-Drohnenbildern und Deep Learning
Publikationsjahr
2024
Umfangsangabe
56 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Andreas Riedl
AC Nummer
AC17109691
Utheses ID
70274
Studienkennzahl
UA | 066 | 856 | |