在GRS研讨会上：无人机，机器学习和更好的牡蛎礁
索菲亚·扎伊采娃正在努力设计一个更好的牡蛎礁。
牡蛎是海岸带经济和海岸带环境的重要生物。但扎伊采娃指出，这种重要物种的数量已经下降到不到历史水平的1%。她是一个致力于通过更好地了解珊瑚礁如何发展来恢复牡蛎栖息地的团队的一员。
扎伊采娃是威廉玛丽大学应用科学系五年级的博士生。她是W&M研究生研究顾问委员会自然和计算科学卓越奖的获得者。
Zaytseva将于2019年3月15日和16日在威廉玛丽大学校园的萨德勒中心举行的第18届年度研究生研究研讨会上，讲述她利用无人机收集的数据分析牡蛎礁的工作。本次研讨会由威廉玛丽学院艺术与科学研究生协会和艺术与科学研究生学习与研究办公室主办。
她解释说：“牡蛎恢复工作的重点是建造人工珊瑚礁，以提供更多的牡蛎栖息地，促进牡蛎种群的成功定居和持续存在。”
扎伊采娃的团队包括数学副教授利亚·肖（Leah Shaw），以及威廉玛丽大学弗吉尼亚海洋科学研究所的两名教员龚东来（Donglai Gong）和罗姆·利普休斯（Rom Lipcius）。他们的想法很简单：研究成功的天然牡蛎礁的特征，以了解如何创造最佳的人工牡蛎栖息地。
“在建造和放置人工牡蛎礁时，除了考虑水温、盐度、底部硬度和食物供应外，初始珊瑚礁形状和大小的重要性也不应被低估，”扎伊采娃在她的GRS奖参赛作品中写道，“对遥感数据中的牡蛎礁模式进行分析。”
她指出，目前还不清楚任何一个珊瑚礁是圆形的还是细长的，但似乎最好的初始形状是最适合独特的水条件的。
“例如，众所周知，珊瑚礁的高度很重要，”扎伊采娃解释说。“珊瑚礁不应该太高，这样牡蛎在涨潮时就没有足够的时间觅食，也不应该太低，这样它们就会被沉积物掩埋。”
Zaytseva和她的团队使用了瓦查普雷格附近潮间带地区一个230英亩的天然珊瑚礁。他们在退潮时使用大疆幻影4 Pro无人机在大约400英尺的高度对该地区进行了调查，然后在较低的高度进行地面调查。
来自无人机相机的数据被拼接在一起，然后Zaytseva开始处理JPEG图像，使用ArcMap 10.4。她的目标是对文件中每个像素所代表的珊瑚礁成分进行分类。
“假设你有一个牡蛎礁和一个水体的图像，”她解释说。“牡蛎礁由许多不同灰色调的像素组成，而水则主要由蓝色像素组成。”
牡蛎礁不仅仅是牡蛎和水——藻类、岩石和沉积物是混合物的一部分，所以扎伊采娃的图像比灰色阴影要复杂得多。
一个像素一个像素地对牡蛎礁进行分类，就像在船上漂流，进行探测和采样一样乏味。因此，扎伊采娃使用机器学习技术来训练计算机解析像素。
“这就是图像分类的用武之地，”她说。“机器学习有两种图像分类方法——无监督分类和监督分类。”
监督分类从Zaytseva或其他研究人员准备训练数据开始，从已知的珊瑚礁部分手动分配像素，仔细地将灰色（牡蛎）与蓝色（水）分开，并通过将像素与它们在珊瑚礁中代表的已知特征相匹配来处理蓝灰色和灰蓝色以及无数其他阴影。
“然后，计算机使用训练数据对其余像素进行分类，”她说。“这种方式显然有助于更好的分类，因为你正在帮助定义类别应该是什么。然而，这样做的缺点是训练数据的收集，因为人们必须小心翼翼，确保获得高质量的训练样本。”
无监督分类留给计算机根据基于颜色的算法控制类对像素进行分类。不需要训练数据，但会产生不太准确的结果。
Zaytseva能够通过利用图像中的纹理来提高无监督和有监督数据的准确性。
她说：“一幅主要是纯色的图像纹理会很低。”“由于颜色像素的变化，高度斑点的图像会有更高的纹理。”
牡蛎礁通常由活牡蛎和死牡蛎的壳，以及沉积物和一些藻类组成。扎伊采娃解释说，图像中显示沉积物的一部分质地较低，因为它大部分是米色的。活牡蛎和贝壳的混合会形成一组更“斑点”的像素——更高的纹理。
她根据像素与其周围所有像素的颜色偏差，在一个小窗口中为每个像素分配值，从而为她的RGB图像添加纹理带。
Zaytseva通过将她的图像与更高分辨率的图像进行对比来测试她的结果，发现添加纹理带提高了有监督和无监督数据的准确性。
她还指出，监督分类总体上更优越，无论有无纹理，无监督纹理方法在识别牡蛎像素方面效果最好。监督分类依赖于训练数据，Zaytseva说，只有当研究人员对样本区域有广泛的先验知识时，这才是更好的选择。
她说：“无监督的纹理分类更有效，不需要训练样本，考虑到潮间带是一个复杂的景观，从视觉上识别地面特征可能很困难，因此会影响训练数据的质量，这可能会更好。”
Zaytseva说，初步结果表明，在她的图像中添加纹理带大大提高了她区分一些更复杂特征的能力，比如死贝壳的漂白表面。
她说：“考虑到牡蛎礁的形状和大小对成功的珊瑚礁开发的重要性，使用航空图像提供了一种有效而廉价的方法来研究单个珊瑚礁的结构。”
