Mapping Invasive Lupinus polyphyllus Lindl. in Semi-natural Grasslands Using Object-Based Image Analysis of UAV-borne Images

Simple item page
dc.date.accessioned2020-11-24T13:49:53Z
dc.date.available2020-11-24T13:49:53Z
dc.date.issued2020-08-07
dc.description.sponsorshipGefördert im Rahmen des Projekts DEALger
dc.identifierdoi:10.17170/kobra-202011042072
dc.identifier.urihttp://hdl.handle.net/123456789/12023
dc.language.isoengeng
dc.relation.doidoi:10.1007/s41064-020-00121-0
dc.rightsNamensnennung 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectinvasive plant specieseng
dc.subjectLupinus polyphyllus lindl.eng
dc.subjectunmanned aerial vehicleseng
dc.subjectobject-based image analysiseng
dc.subjectspatial coverage mappingeng
dc.subjectgrasslandeng
dc.subject.ddc580
dc.subject.swdVielblättrige Lupineger
dc.subject.swdPflanzenartger
dc.subject.swdFlugkörperger
dc.subject.swdFernerkundungger
dc.subject.swdBildanalyseger
dc.subject.swdGrünlandger
dc.titleMapping Invasive Lupinus polyphyllus Lindl. in Semi-natural Grasslands Using Object-Based Image Analysis of UAV-borne Imageseng
dc.typeAufsatz
dc.type.versionpublishedVersion
dcterms.abstractKnowledge on the spatio-temporal distribution of invasive plant species is vital to maintain biodiversity in grasslands which are threatened by the invasion of such plants and to evaluate the effect of control activities conducted. Manual digitising of aerial images with field verification is the standard method to create maps of the invasive Lupinus polyphyllus Lindl. (Lupine) in semi-natural grasslands of the UNESCO biosphere reserve “Rhön”. As the standard method is labour-intensive, a workflow was developed to map lupine coverage using an unmanned aerial vehicle (UAV)-borne remote sensing (RS) along with object-based image analysis (OBIA). UAV-borne red, green, blue and thermal imaging, as well as photogrammetric canopy height modelling (CHM) were applied. Images were segmented by unsupervised parameter optimisation into image objects representing lupine plants and grass vegetation. Image objects obtained were classified using random forest classification modelling based on objects’ attributes. The classification model was employed to create lupine distribution maps of test areas, and predicted data were compared with manually digitised lupine coverage maps. The classification models yielded a mean prediction accuracy of 89%. The maximum difference in lupine area between classified and digitised lupine maps was 5%. Moreover, the pixel-wise map comparison showed that 88% of all pixels matched between classified and digitised maps. Our results indicated that lupine coverage mapping using UAV-borne RS data and OBIA provides similar results as the standard manual digitising method and, thus, offers a valuable tool to map invasive lupine on grasslands.eng
dcterms.abstractKartierung der invasiven Lupinus Polyphyllus Lindl. auf naturnahem Grünland mit UAV-gestützten Bildern und objektbasierter Bildanalyse. Die Kenntnis der raum-zeitlichen Verteilung invasiver Pflanzenarten ist unerlässlich a) für die Erhaltung der Artenvielfalt in Grünland, das durch das Eindringen solcher Pflanzen bedroht ist, und b) für die Kontrolle der Wirksamkeit von Gegenmaßnahmen. Die manuelle Digitalisierung von Luftbildern mit Feldvergleich ist bisher die Standardmethode der Methode zur Erstellung von Karten der invasiven Lupinus polyphyllus Lindl. (Lupine) in naturnahen Magerrasen des UNESCO-Biosphärenreservats "Rhön". Da dieses Verfahren arbeitsaufwändig ist, wurde eine neue Methode zur Kartierung der Verbreitung der Lupine auf Basis von UAV-gestützter Fernerkundung (RS) und objektbasierter Bildanalyse (OBIA) entwickelt. Dabei kommen rgb-Bilder, Thermalbilder und Oberflächenmodelle der Vegetation zum Einsatz. Die Bilder wurden durch eine parameteroptimierte, unüberwachte Segmentierung so zerlegt, dass die Segmente die Objektklassen „Lupine“ und „Gras“ repräsentieren. Die Segmente wurden dann anhand der Objektattribute mit einer Random-Forest- Klassifizierung einzeln den Klassen „Lupine“ und „Gras“ zugeordnet. Eine aus dem Klassifikationsmodell abgeleitete Karte zur Lupinenverteilung wurde mit einer manuell digitalisierten Karte der Lupinenverteilung verglichen. Dabei zeigte sich eine mittlere Vorhersagegenauigkeit (prediction accuracy) von 89 %. Der größte Unterschied zwischen klassifizierter und digitalisierter Lupinenfläche betrug 5%. Darüber hinaus zeigte der pixelweise Vergleich, dass 88% aller klassifizierten Pixel mit den digitalisierten Pixeln übereinstimmten. Unsere Ergebnisse zeigen, dass die Kartierung der Lupinenverteilung mit UAV-basierten RS-Daten und OBIA ähnliche Ergebnisse liefert wie die bisherige manuelle Digitalisierung und damit ein wertvolles Werkzeug zur Kartierung invasiver Lupinen im Grünland darstellt.ger
dcterms.accessRightsopen access
dcterms.creatorWijesingha, Jayan
dcterms.creatorAstor, Thomas
dcterms.creatorSchulze-Brüninghoff, Damian
dcterms.creatorWachendorf, Michael
dcterms.source.identifierEISSN 2512-2819
dcterms.source.issueIssue 5
dcterms.source.journalPFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Scienceeng
dcterms.source.pageinfo391-406
dcterms.source.volumeVolume 88
kup.iskupfalse

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Wijesingha2020_Article_MappingInvasiveLupinusPolyphyl.pdf
Size:
8.43 MB
Format:
Adobe Portable Document Format
Description:
Download

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
3.03 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Artikel