Automatiseret udpegning af invasive arter med Deep Learning
Session
Studerende har ordet
Abstract
Manuel kortlægning af invasive arter som Rynket Rose er tidskrævende og ineffektiv, hvilket gør det svært at prioritere bekæmpelse over store arealer. Vi har udviklet et reproducerbart workflow, der effektiviserer kortlægningen ved at kombinere UAV-baserede ortofotos (GSD ~0,005 m) med semantisk segmentering i ArcGIS Pro. En DeepLabv3-model med ResNet-34 backbone blev trænet på 67.851 tiles, hvor detaljeret annotering på bladniveau opnåede betydeligt bedre resultater end løs plantebestandsannotering.
Projektet viser, at præcis annotering reducerer falske positive og mindsker behovet for feltkontrol. Samtidig understreger resultaterne nødvendigheden af at udvide træningsdatasættet med nye lokationer og sæsoner for at styrke modellens generaliseringsevne.
Målgruppe
Oplægget henvender sig til deltagere ved Kortdage 2026, der arbejder som naturforvaltere, eller som ønsker at udforske, hvordan Deep Learning kan understøtte praktisk naturforvaltning.
Yderligere uddybning af abstract
Manuel kortlægning af invasive arter er ofte tidskrævende og ineffektiv, hvilket gør det svært at prioritere bekæmpelse - især, når store arealer skal overvåges løbende. Vi har udviklet et reproducerbart workflow, der effektiviserer kortlægning af Rynket Rose (Rosa Rugosa) ved at koble UAV-baserede ortofotos med semantisk segmentering i ArcGIS Pro. UAV-data blev indsamlet ved kystbyen Slettestrand og omsat til en højtopløselig ortomosaik (GSD ca. 0,005 m) som grundlag for træningsdata. GIS gjorde en afgørende forskel ved at samle hele kæden fra fotogrammetrisk produktion af ortomosaik, håndtering af annotering/ground truth-kort og modelkørsel til evaluering. Dette blev udført i samarbejde med Forsvarets Etablissement- og Terrænkommando.
En DeepLabv3-model med ResNet-34 backbone blev trænet på 67.851 tiles á 1,28 x 1,28 meter. Der blev sammenlignet to træningsstrategier: (1) en “løs” annotering om en plantebestand og (2) detaljeret annotering på bladniveau. Resultaterne viser, at annoteringskvalitet er afgørende for at reducere falske positive. Den løse annotering opnåede Intersection-over-Union accuracy på 0,37 (precision 0,40; recall 0,85; F1 0,55), mens detaljeret annotering opnåede Intersection-over-Union accuracy på 0,80 (precision 0,93; recall 0,85; F1 0,89). Erfaringerne peger på, at en detaljeret annotering kan gøre kortlægningen mere korrekt uden falsk positive og dermed mindske nødvendigheden for feltkontrol og ressourcespild. Samtidig understreger projektet, at det er nødvendigt at udvide træningsdatasættet (nye lokationer/sæsoner) for at styrke modellens generaliseringsevne.
Medforfatter: Rikke Arenskov Djernæs, Aalborg Universitet.
