Maskinlæring for klassifisering av batymetrisk LiDAR: Bruk av geometriske egenskaper og integrering av undervannsbilder

Abstract

I denne masteroppgaven har det blitt undersøkt hvordan geometriske egenskaper påvirker klassifisering ved bruk av maskinlæ- ring av batymetrisk LiDAR, med treningsdata basert på undervannsbilder som referansedata. Undersøkelsen tar utgangspunkt i undervannsbilder fra havforskningsinstituttet for å definere treningsområder. Geometriske egenskaper for punktskyen er deret- ter beregnet ved bruk av ulike radius med programvaren CloudCompare.

I klassifiseringsmodellen Random Forest har treningsområdene med beregnede geometriske egenskaper, blitt benyttet for å gjøre predikasjoner på den gjenværende punktskyen. Flere tilnærminger med Random Forest er gjennomført for å utforske ulike modeller og deres resultat.

Resultatene viser at beregnede geometriske egenskaper for punkter i en batymetrisk punktsky er relevante for å skille ulike bunntyper. Spesielt har geometriske egenskaper knyttet til punktetthet vist seg å ha en betydelig påvirkning på klassifiseringen. Dette gjenspeiles i visualiseringen av flystriper fra overlapp, som tydelig påvirker klassifiseringen, og gir verdifull innsikt i sammenhenger mellom geometriske egenskaper og bunntyper. Det er også blitt konkludert med at det må utforskes videre.

In this master’s thesis, the impact of geometric features on machine learning-based classification using bathymetric LiDAR has been utilized with training data derived from underwater images as reference data. The study leverages underwater images from the Institute of Marine Research to define training areas. Geometric features of the point cloud are then computed using various scales with the software CloudCompare.

In the classification model Random Forest, training areas with calculated geometric features have been employed to make predictions on the remaining point cloud. Multiple approaches with Random Forest have been conducted to explore different models and their results.

The results indicate that computed geometric features for points in a bathymetric point cloud are relevant for distinguishing various seafloor types. Particularly, geometric features related to point density have shown a significant impact on the classifi- cation. This is reflected in the visualization of flight strip overlaps, which clearly influence classification and provide valuable insights into the relationships between geometric features and different seafloor types. It has also been concluded that further exploration in this direction is needed.