Estimation of Biomass of Algal Bloom using UAV-Based Remote Sensing

Abstract

The purpose of this study is to use spectral information provided from RGB and RGN cameras by using UAV-based remote sensing in combination with machine learning to estimate biomass of algal bloom. Four machine learning regression algorithms (Generalized Linear Model (GLM), Decision Tree (DT), Support Vector Machine (SVM), Random Forest (RF)) were evaluated and a suitable model created. To estimate the biomass of algal bloom. The results show that the random forest model and support vector machine model provides the most balanced results of RGB cameras (R2 = 0.88 and RMSE = 27.92) and RGN cameras respectively. (R2 = 0.97 and RMSE = 14.24) The methodology presented in this study can be used as a guideline for the combination of machine learning with UAV based remote sensing for estimating the biomass of algal bloom in other areas.

การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อใช้ข้อมูลค่าการสะท้อนแสงจากกล้อง RGB และ RGN โดยใช้การสำรวจระยะไกลจากอากาศยานไร้คนขับร่วมกับการเรียนรู้ด้วยเครื่องจักร (Machine Learning) เพื่อประมาณค่าชีวมวลของสาหร่ายบลูม โดยใช้อัลกอริทึมแบบถดถอยด้วยการเรียนรู้ของเครื่องจักร 4 วิธี (แบบจำลองเชิงเส้นวางนัยทั่วไป (Generalized Linear Model) ต้นไม้ตัดสินใจ (Decision Tree) ซัพพอร์ตเวกเตอร์แมทชีน (Support Vector Machine) และการจำแนกแบบป่าสุ่ม (Random forest)) เพื่อประเมินอัลกอริทึมที่เหมาะสมสำหรับประมาณค่าชีวมวลของสาหร่ายบลูม ผลการวิจัยพบว่าแบบจำลอง Random forest และ แบบจำลอง Support Vector Machine ให้ผลลัพธ์ที่ดีที่สุดจากกล้อง RGB (R2 = 0.88 และ RMSE = 27.92) และกล้อง RGN (R2 = 0.97 และ RMSE = 14.24) ตามลำดับ วิธีการที่นำเสนอในการศึกษาครั้งนี้สามารถใช้เป็นแนวทางในการใช้ Machine learning กับการรับรู้จากระยะไกลด้วยภาพถ่ายจากอากาศยานไร้คนขับ สำหรับการประมาณค่าชีวมวลของสาหร่ายบลูมในพื้นที่อื่นๆ