3D MAPPING OF BENTHIC HABITAT USING XGBOOST AND STRUCTURE FROM MOTION PHOTOGRAMMETRY ... : رسم الخرائط ثلاثية الأبعاد للموائل القاعية باستخدام XGBOOST والهيكل من التصوير الفوتوغرافي للحركة ...

• Main Authors: Salem Morsy, Alejandro Suárez, Katleen Robert
• Format: Text
• Language: English
• Published: OpenAlex 2023
• Subjects: Resilience of Coral Reef Ecosystems to Climate Change; Ecology; FOS Biological sciences; Environmental Science; Physical Sciences; Real-time Water Quality Monitoring and Aquaculture Management; Water Science and Technology; Fish Behavior Analysis; Benthic habitat; Photogrammetry; Point cloud; Structure from motion; Benthic zone; Artificial intelligence; Random forest; Classifier UML; Habitat; Computer science; Remote sensing; Computer vision; Geology; FOS Earth and related environmental sciences; Oceanography; Biology; Motion physics; North Atlantic
• Online Access: https://dx.doi.org/10.60692/afemw-c2371; https://gresis.osc.int//doi/10.60692/afemw-c2371

Abstract. Benthic habitats mapping is essential to the management and conservation of marine ecosystems. The traditional methods of mapping benthic habitats, which involve multibeam data acquisition and manually collecting and annotating imagery data, are time-consuming. However, with technological advances, using machine learning (ML) algorithms with structure-from-motion (SfM) photogrammetry has become a promising approach for mapping benthic habitats accurately and at very high resolutions. This paper explores using SfM photogrammetry and extreme gradient boosting (XGBoost) classifier for benthic habitat 3D mapping of a vertical wall at the Charlie-Gibbs Fracture Zone in the North Atlantic Ocean. The classification workflow started with extracting frames from video footage. The SfM was then applied to reconstruct the 3D point cloud of the wall. Thereafter, nine geometric features were derived from the 3D point cloud geometry. The XGBoost classifier was then used to classify the vertical wall into rock, ... : الخلاصة. يعد رسم خرائط الموائل القاعية أمرًا ضروريًا لإدارة النظم الإيكولوجية البحرية والحفاظ عليها. إن الطرق التقليدية لرسم خرائط الموائل القاعية، والتي تنطوي على الحصول على بيانات متعددة الحزم وجمع بيانات الصور وتعليقها يدويًا، تستغرق وقتًا طويلاً. ومع ذلك، مع التقدم التكنولوجي، أصبح استخدام خوارزميات التعلم الآلي (ML) مع المسح التصويري للبنية من الحركة (SfM) نهجًا واعدًا لرسم خرائط الموائل القاعية بدقة وبدقة عالية جدًا. تستكشف هذه الورقة استخدام المسح التصويري SfM ومصنف تعزيز التدرج الشديد (XGBoost) لرسم خرائط ثلاثية الأبعاد للموائل القاعية لجدار عمودي في منطقة صدع تشارلي جيبس في شمال المحيط الأطلسي. بدأ سير عمل التصنيف باستخراج الإطارات من لقطات الفيديو. ثم تم تطبيق SfM لإعادة بناء السحابة النقطية ثلاثية الأبعاد للجدار. بعد ذلك، تم اشتقاق تسع سمات هندسية من هندسة السحابة النقطية ثلاثية الأبعاد. ثم تم استخدام مصنف XGBoost لتصنيف الجدار الرأسي إلى صخور وإسفنج وشعاب مرجانية (الحالة 1 - ثلاث فئات). بالإضافة إلى ذلك، قمنا بفصل فئة الإسفنج إلى ثلاثة أنواع من الإسفنج: Demospongiae، Hexactinellida، وغيرها من ...