dc.contributor.advisor | Misganu Debella-Gilo | |
dc.contributor.advisor | Nicolai Munsterhjelm | |
dc.contributor.author | Bjørnstad, Tobias | |
dc.date.accessioned | 2024-08-23T16:28:32Z | |
dc.date.available | 2024-08-23T16:28:32Z | |
dc.date.issued | 2024 | |
dc.identifier | no.nmbu:wiseflow:7110333:59110562 | |
dc.identifier.uri | https://hdl.handle.net/11250/3147972 | |
dc.description.abstract | Myr er et viktig økosystem, ikke bare for det biologiske mangfoldet den huser, men også på
grunn av de klima- og miljøregulerende økosystemtjenestene den tilbyr. Grøfting av norske
myrområder har ført til hydrologiske endringer i disse områdene, som igjen har hatt påvirkning
på økosystemtjenestene som tilbys. Økt fokus på miljømessig risiko knyttet til denne
tematikken har ført til et behov for kartlegging av grøftede myrer.
I denne oppgaven undersøkes muligheten for bruk av maskinlæring for deteksjon av grøftede
myrer ved bruk av digital terrengmodell. To maskinlæringsmodeller er trent på et datasett med
totalt 2656 bilder av myrområder fra hele Norge, hvor halvparten av bildene er av grøftet myr.
Den ene modellen er et konvolusjonelt nevralt nettverk som tar i bruk overføringslære med
ResNet50V2 som forhåndstrent modell for binær klassifisering av bildene. Den andre er en
støttevektormaskin. De to modellene er utviklet for å se på forskjellene mellom klassisk
maskinlæring og dyplæring innen binær klassifisering av digital terrengmodell.
Dyplæringsmodellen er optimalisert ved hyperparameter tuning og oppnådde en F1-score på
0,94 og en MCC på 0,87. Støttevektormaskinen ble også hyperparameteroptimalisert og landet
på en F1-score på 0,83 og en MCC på 0,66. Oppgaven viser at kartlegging av myrgrøfting kan
gjøres effektiv ved bruk av maskinlæring på digital terrengmodell, og at dyplæring er en svært
god metode for dette. Modellen tar kun én topografisk indeks som input, hvilket gjør den mulig
å benytte i stor skala, selv ved begrenset computerkraft tilgjengelig. | |
dc.description.abstract | Peatlands are important ecosystems, not only because of the biodiversity it hosts, but also for
the climate and environmental regulatory ecosystem services it provides. Drain ditches in
Norwegian peatlands has led to hydrological changes in these areas, which in turn have
impacted the ecosystem services provided. Increased focus on environmental risks associated
with this issue has created a need for mapping these ditches.
This study investigated the use of machine learning for detecting peatlands ditches using digital
terrain models. Two machine learning models were trained on a dataset containing a total of
2656 images of Norwegian peatlands, half of which were ditched. The first model is a
convolutional neural network utilizing transfer learning, with ResNet50V2 as the pre-trained
backbone, for binary classification of the dataset. The other model is a support vector machine.
The two models were developed to compare classical machine learning to deep learning in the
binary classification of digital terrain models.
The deep learning model was optimized by hyperparameter tuning and achieved a F1-score of
0.94 and a MCC of 0.87. The support vector machine was also hyperparameter optimized and
achieved a F1-score of 0.83 and an MCC of 0.66. The study demonstrates that mapping of
peatland ditches can be done effectively by using machine learning on digital terrain models,
and that deep learning is an effective way of doing this. The model only takes one topographic
index as input, making it possible to use on a large scale, even when limited computational
power is available. | |
dc.language | nob | |
dc.publisher | Norwegian University of Life Sciences | |
dc.title | Deteksjon av grøftet myr ved bruk av maskinlæring på digital terrengmodell | |
dc.type | Master thesis | |