Sie sind hier:
  1. FH Kärnten
  2. PHAIDRA
  3. Detail o:47
In neuem Fenster öffnen
Titel (eng)
Deep-learning based population monitoring of the endangered plant species Gladiolus illyricus: lessons learned for implementation of a technology-based biodiversity monitoring approach
Titel (deu)
Deep-learning basiertes Populationsmonitoring der gefährdeten Sumpfgladiole Gladiolus illyricus: Erkenntnisse zur Implementierung eines technologiebasierten Biodiversitätsmonitoring
Autor*in
Klaus Steinbauer
Autor*in
Vanessa Berger
Autor*in
Ulf Scherling
Autor*in
Michael Jungmeier
Beschreibung (eng)
ABSTRACT New technologies offer promising possibilities in biodiversity monitoring to increase standardization of sampling methods and improve cost efficiency. Among the former, uncrewed aerial systems (UAS) are widely used today to produce orthomosaics of a particular area. At the same time, computer-intensive methods for automated object detection within images have increased accordingly. While they are widely used in science, applied nature conservation makes little use of these methods. The current study aimed to test the applicability of UAS in combination with a deep-learning based object detection workflow in Schütt-Graschelitzen, a small-scale Natura 2000 protected area near Villach, Austria. For this purpose, we trained a YOLO_v8 algorithm with flowers of Gladiolus illyricus from an orthomosaic. The orthomosaic was split into about 1000 equally sized tiles with 80 tiles used for training and 20 tiles used for validation. For ground truthing, the individual inflorescences were counted manually. Our main findings indicated moderate model performance with the training and validation dataset and also with new data. Moderate – rather than strong – performance is likely a result of too little training data. While object detection worked considerably well, background revealed too high variability, making reliable classifications challenging. Comparing the different work steps (without UAS mission) suggests that creating a representative training dataset is the most time-intensive part of the workflow. For small areas and a single survey, this is likely not efficient compared to traditional field sampling methods. However, its efficiency increases with each resurvey event, as pretrained deep-learning models developed during prior monitoring cycles can be reused. This can reduce the amount of training data required in a subsequent survey. Additionally, UAS- and deep-learning based monitoring can help at sites with high sensitivity to trampling and favors large study areas, as its efficiency increases with the sample size area.
Beschreibung (deu)
ZUSAMMENFASSUNG Neue Technologien bieten vielversprechende Möglichkeiten für Biodiversitätsmonitoring, um die Standardisierung von Erhebungen zu erhöhen und die Kosteneffizienz zu verbessern. Zu diesen Technologien gehören unbemannte Luftfahrtsysteme (UAS), die heute weit verbreitet sind, um Orthomosaike eines bestimmten Gebiets zu erstellen. Gleichzeitig haben rechenintensive Methoden zur automatisierten Objekterkennung in Bildern entsprechend zugenommen. Während diese Methoden in der Wissenschaft mittlerweile weit verbreitet sind, werden sie im angewandten Naturschutz wenig genutzt. Die aktuelle Studie hatte zum Ziel, die Anwendbarkeit von UAS in Kombination mit einem Deep-Learning-basierten Objekterkennungs-Workflow im Gebiet Schütt-Graschelitzen, einem kleinräumigen Natura 2000-Schutzgebiet in der Nähe von Villach, Österreich, zu testen. Zu diesem Zweck haben wir einen YOLO_v8-Algorithmus mit Blütenfotos von Gladiolus illyricus aus einem Orthomosaik trainiert. Das Orthomosaik wurde in etwa 1.000 gleich große Kacheln aufgeteilt, wobei 80 Kacheln für das Training und 20 Kacheln für die Validierung verwendet wurden. Um die Treffsicherheit des Modells zu bestimmen wurden die am Orthomosaik sichtbaren Infloreszenzen manuell gezählt. Unser Hauptergebnis zeigt eine mittelmäßige Modellleistung mit dem Trainings- und Validierungsdatensatz, sowie mit Objektdetektierungen in neuen Daten. Dies ist wahrscheinlich auf zu wenig Trainingsdaten zurückzuführen. Die Objektdetektierung lieferte dabei zufriedenstellende Ergebnisse, aber vor allem bei der Klassifikation von Hintergrund (Bilder ohne ein Vorkommen des Zielobjekts) hatte das Modell Probleme. Der Vergleich der verschiedenen Arbeitsschritte (ohne UAS-Mission) legt nahe, dass die Erstellung eines repräsentativen Trainingsdatensatzes der zeitintensivste Teil des Workflows ist. Für kleine Gebiete und eine einzelne Erhebung ist dies wahrscheinlich nicht effizient im Vergleich zu traditionellen Feldprobennahmemethoden. Allerdings steigt die Effizienz mit jeder erneuten Erhebung, da vortrainierte Deep-Learning-Modelle, die während vorheriger Überwachungszyklen entwickelt wurden, wiederverwendet werden können. Dies kann die Menge der benötigten Trainingsdaten bei einer nachfolgenden Erhebung reduzieren. Von Vorteil kann der Einsatz von UAS und automatisierter Bilderkennung insbesondere sein, wenn ein Untersuchungsgebiet empfindlich auf Betritt ist.
Stichwort (deu)
Deep-learningbiodiversity monitoringGladiolus illyricusflower detectionUAS
Typ (deu)
Wissenschaftlicher Artikel
Sprache
Englisch [eng]
Persistent Identifier
https://phaidra.fh-kaernten.at/o:47
DOI
10.71911/cii-p3-nt-2025211
Ausgabe
1
Band
2
Seitenanzahl
8-15
Veröffentlichung
Natural Science Association for Carinthia, Carinthia University of Applied Sciences , Villach, Klagenfurt , 2025
Erscheinungsdatum
2025
Lizenz
CC BY 4.0 International