Lupine in der Bildanalyse
Die Agrarfakultät der Universität Kassel befasste sich mit verschiedenen Ansätzen zur Kartierung der invasiven L. polyphyllus. Hierbei kamen drohnen-gestützte RGB- und Thermalsensoren zum Einsatz. Diese Daten wurden mit Methoden der objektbasierten Bildanalyse, als auch der Objekterkennung mittels künstlicher neuronaler Netze verarbeitet und hinsichtlich ihres Potentials zur Lupine-Identifikation untersucht.
Für den Ansatz zur objektbasierten Klassifikation der Lupinebestände kam eine handelsübliche Drohne, ausgestattet mit einem RGB- und einem Thermalsensor zum Einsatz. Die aus 20 m Höhe erzeugten Daten lieferten neben den spektralen Informationen auch die durch das bereits beschriebene Structure from Motion Verfahren generierten dreidimensionalen Punktwolken, welche beispielsweise Aufschluss über die Pflanzenhöhe geben können.
Herzstück der objektbasierten Bildanalyse ist eine automatisierte Unterteilung der „Karten“ in einzelne Segmente. Diese müssen möglichst passgenau den Formen der Lupine-Pflanzen entsprechen. So können im darauffolgenden Schritt durch visuelle Inspektion der Bilder, die einzelnen Segmente in „Lupine“ und „nicht-Lupine“ unterteilt werden. Ein Teil des Datensatze wurde anschließend zum Training eines Random Forest Modells, ein Algorithmus des maschinellen Lernens, verwendet. Ziel dieses Trainings war die Vorhersage von unbekannten Bildbereichen bzw. Segmenten hinsichtlich der Wahrscheinlichkeit, dass dort die Staude vorkommt. Der Rest des Datensatzes wurde verwendet, um die Modellvorhersage zu überprüfen.
Ein weiterer Ansatz war die Identifikation bereits sehr kleiner Lupinepflanzen ohne eine automatisierte Segmentierung. Der Vorteil hierbei liegt darin, dass die automatisch erzeugten Segmente nicht ganz exakt Lupinepflanzen einfassen. So wurden in diesem Ansatz, von Hand einzelne Lupinepflanze mit hohem Detailgrad (bis hin zu Blattformen) nachgezeichnet. Diese manuell erzeugten Bildausschnitte wurden daraufhin durch eine in der Objekterkennung bewährte Methode, dem „deep learning“, einem selbstlernenden Algorithmus verarbeitet. Diese komplexe und rechenintensive Arbeit musste auf speziell für diesen Zweck optimierten, Cloud-basierten Rechensystemen durchgeführt werden.
Die hier beschriebenen Ansätze eignen sich zur Erkennung von Lupine-Vorkommen auf kleineren Arealen. Zur Erfassung der gesamten invadierten Flächen sind jedoch die methodischen Ansätze weiter zu optimieren. Denn eine Flughöhe von 10 bis 20 m versprich einen hohen Zeit-, Rechnen- und Arbeitsaufwand. Verglichen mit Feldbegehungen und einer manuellen Digitalisierung zeigen unsere Ansätze jedoch, dass zum einen durch automatisierte Prozesse Arbeitszeit eingespart werden kann, und durch die Anwendung der Klassifikationsmodelle auf die Gesamte erfasste Fläche, viel genauere Informationen erhoben werden können. Auch ist die Datenerhebung in zu Fuß schwer zugänglichen Gebieten erleichtert. Ein Nachteil des Drohneneinsatzes liegt aus naturschutzfachlicher Sicht in der Störung von Wildtieren, vor allem bodenbrütender Vögel wie dem Birkhuhn (Teatro tetrix).