Automatisk deteksjon av myr med bruk av hyperspektrale bilder og maskinlæring

Abstract

Myra i Norge kan sees på dens utbredte karbonlager og det biologiske mangfoldet den inneholder. Myra over våre skoggrenser er dårlig kartlagt, og i denne oppgaven undersøkes det om det er mulig å detektere myra automatisk. Undersøkelsen benytter seg av en metode som klassifiserer egenskaper i hyperspektrale data. Metoden baserer seg på å utnytte diverse maskinlæringsmodeller til å kunne klassifisere myra. Maskinlæringsmodellene blir trent ved hjelp av et arealressurskart, der det er tilstrekkelig mengde klassifisert myr.

Maskinlæringsmodellene som testes er klassifiseringsalgoritmene Support Vector Machine (SVM), Random Forest Classifier (RFC), Logistic Regression (LogReg) og K-Nearest Neighbors (KNN). Denne oppgaven ser på diverse evalueringsmål for modellene for å veie dem opp mot hverandre og se hvilke av de som presterer best. De ulike evalueringsmålene som ble brukt i oppgaven var Matthews korrelasjonskoeffisient (MCC), kappa-koeffisient, klassifiseringsrapporten til modellene, modellenes forvirringsmatrise, AUC-verdi og modellenes klassifiseringsnøyaktighet.

Ved å undersøke klassifiseringsalgoritmene sine evalueringsmål, viser det seg at det er mulig å gjennomføre en vellykket, aksepterbar og tilfredsstillende klassifisering av myr. SVM-modellen presterte best i de fleste evalueringsmålene. Den presterte med klassifiseringsnøyaktighet på 0.811, en MCC på 0.632, kappa-koeffisient på 0.632 og en AUC score på 0.87. Disse verdiene forteller at myrarealene som klassifiseres av modellene samsvarer godt med myrarealene i treningsdataene.

The mires in Norway can be appreciated for its extensive carbon storage and the biodiversity it contains. The mires beyond our forest borders are poorly mapped, and this study examines the possibility of automatically detecting mires. The investigation utilizes a method that classifies features in hyperspectral data. The method relies on various machine learning models to classify mires. The machine learning models are trained on a land resource map that includes enough classified mires.

The machine learning models tested in this study include the classification algorithms Support Vector Machine (SVM), Random Forest Classifier (RFC), Logistic Regression (LogReg), and K-Nearest Neighbors (KNN). In this study, various evaluation metrics are used to compare and determine which models perform the best. The evaluation metrics employed in the study include the Matthews correlation coefficient (MCC), kappa coefficient, classification report of the models, confusion matrices of the models, AUC value, and classification accuracy of the models.

By examining the evaluation metrics of the classification algorithms, the results show that it is possible to achieve a successful, acceptable, and potentially good classification or automatic detection of mires. The classification results of SVM determined that it performed the best in most of the evaluation metrics compared to the other models. It achieved a classification accuracy of 0.811, an MCC of 0.632, a kappa coefficient of 0.632, and an AUC score of 0.87. These values indicate that the mire areas classified by the models correspond well with the mire areas in the training data.