Method Article

تقدير الكتلة الحيوية القائم على رؤية الكمبيوتر للنباتات الغازية

DOI:

10.3791/66067

⸱

February 9th, 2024

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1College of Mechanical Engineering, Guangxi University, 2Shenzhen Branch, Guangdong Laboratory of Lingnan Modern Agriculture, Genome Analysis Laboratory of the Ministry of Agriculture and Rural Affairs, Agricultural Genomics Institute at Shenzhen, Chinese Academy of Agricultural Sciences, 3China Lesso Group Holdings Limited, 4Shenzhen Agricultural Technology Promotion Center

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نبلغ عن إجراءات مفصلة لطريقة تقدير الكتلة الحيوية النباتية الغازية التي تستخدم البيانات التي تم الحصول عليها من الاستشعار عن بعد للمركبات الجوية بدون طيار (UAV) لتقييم الكتلة الحيوية والتقاط التوزيع المكاني للأنواع الغازية. يثبت هذا النهج أنه مفيد للغاية لإجراء تقييم المخاطر والإنذار المبكر للنباتات الغازية.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نقدم تقريرا عن الخطوات التفصيلية لطريقة تقدير الكتلة الحيوية للنباتات الغازية بناء على الاستشعار عن بعد للطائرات بدون طيار ورؤية الكمبيوتر. لجمع عينات من منطقة الدراسة ، قمنا بإعداد عينة مربعة تجميع لتوزيع نقاط أخذ العينات عشوائيا. تم بناء نظام كاميرا جوية بدون طيار باستخدام طائرة بدون طيار وكاميرا للحصول على صور RGB مستمرة لمنطقة الدراسة من خلال الملاحة الآلية. بعد الانتهاء من التصوير ، تم جمع الكتلة الحيوية فوق الأرض في إطار العينة ، وتم تسمية جميع المراسلات وتعبئتها. تمت معالجة بيانات العينة ، وتم تقسيم الصور الجوية إلى صور صغيرة بحجم 280 × 280 بكسل لإنشاء مجموعة بيانات صورة. تم استخدام شبكة عصبية تلافيفية عميقة لرسم خريطة لتوزيع ميكانيا ميكرانثا في منطقة الدراسة ، وتم الحصول على مؤشر الغطاء النباتي الخاص بها. تم تجفيف الكائنات الحية التي تم جمعها ، وتم تسجيل الوزن الجاف ككتلة حيوية للحقيقة الأرضية. تم بناء نموذج انحدار الكتلة الحيوية النباتية الغازية باستخدام الانحدار المجاور الأقرب K (KNNR) عن طريق استخراج مؤشر الغطاء النباتي من صور العينة كمتغير مستقل ودمجه مع الكتلة الحيوية للحقيقة الأرضية كمتغير تابع. أظهرت النتائج أنه كان من الممكن التنبؤ بالكتلة الحيوية للنباتات الغازية بدقة. تم إنشاء خريطة توزيع مكانية دقيقة للكتلة الحيوية النباتية الغازية عن طريق اجتياز الصورة ، مما يسمح بتحديد دقيق للمناطق عالية الخطورة المتأثرة بالنباتات الغازية. باختصار ، توضح هذه الدراسة إمكانية الجمع بين الاستشعار عن بعد للمركبات الجوية بدون طيار وتقنيات التعلم الآلي لتقدير الكتلة الحيوية النباتية الغازية. يساهم بشكل كبير في البحث عن تقنيات وطرق جديدة للمراقبة في الوقت الفعلي للنباتات الغازية ويوفر الدعم الفني للمراقبة الذكية وتقييم المخاطر على المستوى الإقليمي.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في هذا البروتوكول ، يمكن للطريقة المقترحة لتقدير الكتلة الحيوية الغازية القائمة على الاستشعار عن بعد للطائرات بدون طيار ورؤية الكمبيوتر أن تعكس توزيع الكائنات الغازية وتتنبأ بدرجة الخطر البيولوجي الغازي. وتعتبر تقديرات توزيع الكائنات الغازية وكتلتها الحيوية أمرا بالغ الأهمية للوقاية من هذه الكائنات ومكافحتها. بمجرد غزو النباتات الغازية ، يمكن أن تلحق الضرر بالنظام البيئي وتسبب خسائر اقتصادية فادحة. يعد تحديد النباتات الغازية بسرعة ودقة وتقدير الكتلة الحيوية النباتية الغازية الرئيسية من التحديات الرئيسية في مراقبة النباتات الغازية ومكافحتها. في هذا البروتوكول ، نأخذ Mikania micrantha كمثال لاستكشاف طريقة تقدير الكتلة الحيوية النباتية الغازية بناء على الاستشعار الجوي عن بعد بدون طيار ورؤية الكمبيوتر ، والتي توفر نهجا وطريقة جديدة للبحث البيئي للنباتات الغازية وتعزز البحث البيئي وإدارة النباتات الغازية.

في الوقت الحاضر ، يتم قياس الكتلة الحيوية لميكانيا ميكرانثا بشكل أساسي عن طريق أخذ العينات يدويا1. تحتاج الطرق التقليدية لقياس الكتلة الحيوية إلى الكثير من القوى العاملة والموارد المادية ، وهي غير فعالة ومحدودة بسبب التضاريس ؛ من الصعب تلبية احتياجات تقدير الكتلة الحيوية الإقليمية لميكانيا ميكرانثا. الميزة الرئيسية لاستخدام هذا البروتوكول هي أنه يوفر طريقة لتحديد الكتلة الحيوية النباتية الغازية الإقليمية والتوزيع المكاني للنباتات الغازية بطريقة لا تأخذ في الاعتبار قيود أخذ العينات في المنطقة وتلغي الحاجة إلى المسوحات اليدوية.

حققت تقنية الاستشعار عن بعد للطائرات بدون طيار نتائج معينة في تقدير الكتلة الحيوية النباتية واستخدمت على نطاق واسع في الزراعة2،3،4،5،6،7 ، والغابات8،9،10،11 ، والأراضي العشبية12،13،14. تتميز تقنية الاستشعار عن بعد للطائرات بدون طيار بمزايا التكلفة المنخفضة والكفاءة العالية والدقة العالية والتشغيل المرن15,16 ، والتي يمكنها الحصول بكفاءة على بيانات صور الاستشعار عن بعد في منطقة الدراسة ؛ بعد ذلك ، يتم استخراج ميزة النسيج ومؤشر الغطاء النباتي لصورة الاستشعار عن بعد لتوفير دعم البيانات لتقدير الكتلة الحيوية النباتية في مساحة كبيرة. يتم تصنيف طرق تقدير الكتلة الحيوية النباتية الحالية بشكل أساسي إلى نماذج بارامترية وغير معلمية17. مع تطور خوارزميات التعلم الآلي ، تم استخدام نماذج التعلم الآلي غير البارامترية بدقة أعلى على نطاق واسع في تقدير الاستشعار عن بعد للكتلة الحيوية النباتية. استخدم Chen et al.18 الانحدار اللوجستي المختلط (MLR) ، KNNR ، والانحدار العشوائي للغابات (RFR) لتقدير الكتلة الحيوية فوق الأرض للغابات في مقاطعة يوننان. وخلصوا إلى أن نماذج التعلم الآلي ، وتحديدا KNNR و RFR ، أسفرت عن نتائج متفوقة مقارنة ب MLR. استخدم Yan et al.19 نماذج RFR ونماذج الانحدار المعزز للتدرج الشديد (XGBR) لتقييم دقة تقدير الكتلة الحيوية للغابات شبه الاستوائية باستخدام مجموعات مختلفة من المتغيرات. استخدم Tian et al.20 أحد عشر نموذجا للتعلم الآلي لتقدير الكتلة الحيوية فوق الأرض لأنواع مختلفة من غابات المانغروف في خليج بيبوان. اكتشف الباحثون أن طريقة XGBR كانت أكثر فعالية في تحديد الكتلة الحيوية فوق الأرض لغابات المانغروف. يعد تقدير الكتلة الحيوية للنبات باستخدام الاستشعار عن بعد بين الإنسان والآلة ممارسة راسخة ، ومع ذلك ، فإن استخدام الطائرات بدون طيار لتقدير الكتلة الحيوية للنبات الغازي Mikania micrantha لم يتم الإبلاغ عنه بعد محليا ودوليا. يختلف هذا النهج اختلافا جوهريا عن جميع الطرق السابقة لتقدير الكتلة الحيوية للنباتات الغازية ، وخاصة Mikania micrantha.

باختصار ، يتميز الاستشعار عن بعد للطائرات بدون طيار بمزايا الدقة العالية والكفاءة العالية والتكلفة المنخفضة. في ميزة الاستخراج المتغير لصور الاستشعار عن بعد ، يمكن أن تحصل ميزات النسيج جنبا إلى جنب مع فهارس الغطاء النباتي على أداء أفضل للتنبؤ بالانحدار. يمكن أن تحصل النماذج غير البارامترية على نماذج انحدار أكثر دقة من النماذج البارامترية في تقدير الكتلة الحيوية النباتية. لذلك ، لحساب التوزيع الصفري للنباتات الغازية وكتلتها الحيوية بدقة ، نقترح الإجراءات الموضحة التالية لتجربة الكتلة الحيوية النباتية الغازية التي تعتمد على الاستشعار عن بعد باستخدام الطائرات بدون طيار ورؤية الكمبيوتر.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. إعداد مجموعات البيانات

  1. اختيار كائن البحث
    1. حدد عينات الاختبار بناء على تركيز الدراسة التجريبية ، مع الأخذ في الاعتبار خيارات مثل Mikania micrantha أو غيرها من النباتات الغازية.
  2. جمع صور الطائرات بدون طيار
    1. تحضير إطارات بلاستيكية مربعة بحجم 0.5 م * 0.5 م وكمية 25-50 حسب حجم المنطقة المدروسة.
    2. استخدام نهج أخذ العينات العشوائية لتحديد مواقع أخذ عينات التربة في منطقة الدراسة باستخدام عدد كاف من عينات الكتلة الحيوية. ضع إطار العينة أفقيا فوق الغطاء النباتي ، بما في ذلك النباتات بالكامل بمسافة فاصلة لا تقل عن 2 متر بين كل نبات.
    3. استخدم طائرة بدون طيار وكاميرا لتشكيل نظام تصوير بالاستشعار عن بعد للطائرات بدون طيار ، كما هو موضح في الشكل 1.
    4. استخدم الطائرة بدون طيار لرسم المسار داخل منطقة الدراسة المحددة. يظهر إعداد تخطيط المسار في الشكل 2.
      1. حدد معدل تداخل العنوان والجانب بنسبة 70٪ ، والتقط صورا على فترات زمنية موحدة تبلغ 2 ثانية ، وحافظ على زاوية الكاميرا عموديا على الأرض عند 90 درجة ، وضع ارتفاع الكاميرا عند 30 مترا. نتج عن ذلك بيانات صورة مرئية مستمرة لمنطقة الدراسة بدقة صورة واحدة تبلغ 8256 × 5504 بكسل ، كما هو موضح في الشكل 3.
    5. قم بتخزين الصور الجوية للمعالجة اللاحقة باستخدام برنامج Python لتقدير الكتلة الحيوية.
  3. جمع الكتلة الحيوية فوق الأرض
    1. اجمع الكتلة الحيوية الموجودة فوق سطح الأرض لميكانيا ميكرانثا يدويا داخل كل قطعة عينة بعد الانتهاء من جمع بيانات الطائرات بدون طيار. قم بتعبئتها وتسمية كل كيس وفقا لذلك.
      1. عند جمع ميكانيا ميكرانثا ، امنع قطع العينات من التحرك. أولا ، قم بقص ميكانيا ميكرانثا على طول الحافة الداخلية لمؤامرة العينة.
      2. ثم ، قطع جذمور ميكانيا ميكرانثا من القاع. قم بإزالة أي أوساخ أو صخور أو نباتات أخرى مختلطة. أخيرا ، ضع الأكياس وتسمية العينات.
    2. أحضر العينات التي تم جمعها من النباتات الغازية من الخطوة 1.3.1 إلى المختبر. جفف جميع العينات التي تم جمعها في الهواء لتبخر معظم الرطوبة.
    3. لمزيد من إزالة الرطوبة من العينات المجففة بالهواء ، استخدم الفرن. اضبط درجة الحرارة على 55 درجة مئوية. جفف العينات لمدة 72 ساعة ، ثم وزن كل عينة على ميزان إلكتروني وسجل بيانات الكتلة الحيوية بالجرام (جم).
      1. ضع الميزان الإلكتروني في بيئة خالية من الإزعاج ، وقم بالوزن والمعايرة واستمر في الوزن. ضع أكياس ميكانيا ميكرانثا على الميزان الإلكتروني ، وانتظر حتى تستقر القراءات ، وسجل القراءات.
      2. قم بوزن ميكانيا ميكرانثا كل ساعة حتى لا تتغير الكتلة وسجل القراءة مطروحا منها وزن الكيس باعتباره الكتلة المقاسة لتلك العينة. احسب الكتلة الحيوية فوق سطح الأرض للنبات الغازي باستخدام الصيغة أدناه:
        figure-protocol-1
        حيث يمثل B الكتلة الحيوية ل Mikania micrantha بالجرام لكل متر مربع (جم / م2) ، M هو وزن ميكانيا ميكرانثا المقاس ، ويقاس بالجرام (جم) ، و S يتوافق مع مساحة قطعة العينة بالمتر المربع (م2).
  4. إنشاء مجموعة بيانات
    1. استخرج صورة RGB المقابلة لعينة الصورة من صورة الطائرات بدون طيار الأصلية. قسمها إلى شبكة من 280 × 280 بكسل باستخدام برمجة Python (Supplementray الشكل 1).
    2. قسم بيانات الصورة الأولية إلى صور أصغر بنفس حجم عينة الصور باستخدام برمجة Python. استخدم طريقة النافذة المنزلقة للتجزئة ، واضبط الخطوات الأفقية والرأسية على 280 بكسل.
    3. من الصور الصغيرة المقسمة في الخطوة 1.4.2 ، حدد عشوائيا 880 صورة نباتية غازية و 1500 صورة خلفية لإنشاء مجموعة بيانات. بعد ذلك ، قسم مجموعة البيانات هذه إلى مجموعات تدريب وتحقق واختبار بنسبة 6: 2: 2 (الشكل الإضافي 2).

2. تحديد ميكانيا ميكرانثا

  1. إعداد البرنامج
    1. انتقل إلى موقع Anaconda الرسمي (https://www.anaconda.com/) وقم بتنزيل Anaconda وتثبيته. بعد ذلك ، توجه إلى موقع PyCharm على الويب (https://www.jetbrains.com/pycharm/) وقم بتنزيل PyCharm IDE.
  2. خلق بيئة كوندا.
    1. افتح سطر أوامر موجه Anaconda بعد تثبيت Anaconda ، ثم اكتب conda create -n pytorch python == 3.8 لإنشاء بيئة Conda جديدة. بعد إنشاء البيئة ، أدخل conda info --envs لتأكيد وجود بيئة pytorch .
    2. افتح موجه Anaconda وقم بتنشيط بيئة pytorch عن طريق إدخال conda activate pytorch. تحقق من إصدار CUDA الحالي (حساب بنية الجهاز الموحد) عن طريق كتابة nvidia-smi. بعد ذلك ، قم بتثبيت الإصدار 1.8.1 من PyTorch عن طريق تشغيل الأمر conda install pytorch == 1.8.1 torchvision == 0.9.1 torchaudio == 0.8.1 cudatoolkit = 11.0 -c pytorch.
  3. يعمل للتعرف على النموذج
    ملاحظة: استخدم PyTorch لبناء Mikania micrantha نموذج التعرف المستخدم في هذه الورقة. نموذج الشبكة المستخدم هو ResNet10121، والتي تظل متسقة مع الورقة الأصلية في بنيتها. يتم إجراء تعديلات على قسم إخراج الشبكة لتلبية متطلبات التعرف على البابونج.
    1. قم بمعالجة الصور مسبقا لإعدادها لإدخال النموذج. قم بتغيير حجم الصور من 280 × 280 بكسل إلى 224 × 224 بكسل وتطبيعها للتأكد من أنها تلبي متطلبات حجم النموذج باستخدام الكود التالي:
      تحويل = تحويلات. يؤلف([
      التحويلات. تغيير الحجم ((224 ، 224)) ،
      التحويلات. توتنسور () ،
      التحويلات. تطبيع ([0.485 ، 0.456 ، 0.406] ، [0.229 ، 0.224 ، 0.225])])
    2. قم بإجراء استخراج ميزة الصورة وتقليل الأبعاد باستخدام شبكة عصبية تلافيفية.
      1. أولا ، قم بتهيئة الطبقة التلافيفية لاستخراج الميزة الأولية من خلال self.conv1. باستخدام هذه الطبقة التلافيفية ، يتم دمج الصورة الأصلية في خريطة معالم مع قنوات self.in_channel لاستخراج الميزات الأولية (الشكل التكميلي 3A).
        ملاحظة: يتم استخراج الميزات المتقدمة في عملية الالتفاف على الممرات المتبقية. يتم إنتاج هذه الطبقات عن طريق استدعاء وظيفة _make_layer ، والتي تضم سلسلة من الكتل المتبقية. تتكون كل كتلة متبقية من وظائف الالتفاف وتطبيع الدفعات والتنشيط لاستخراج الميزات المتطورة تدريجيا (الشكل التكميلي 3B).
      2. استخدم وظيفة الطبقة لتعديل رقم القناة لتقليل الأبعاد عبر التفاف 1x1. تقلل هذه العملية من الحمل الحسابي مع الحفاظ على الميزات المهمة (الشكل التكميلي 3C).
        ملاحظة: بشكل عام، يقوم ResNet101 باستخراج الميزات باستخدام طبقات تلافيفية مختلفة، ويتم تحقيق تقليل الأبعاد من خلال الطبقات التلافيفية 1x1 داخل الكتلة المتبقية. يسمح هذا النهج للشبكة بتعلم الميزات بشكل أعمق وتجنب مشكلة التلاشي المتدرج ، وبالتالي تمكين التعلم والتمثيل الأكثر كفاءة لميزات الصورة للمهام المعقدة.
      3. بعد التلافيف وعمليات التجميع ، أدخل الميزات عالية الجودة في طبقة متصلة بالكامل.
        ملاحظة: في بنية ResNet، يتم استخراج المعالم في الطبقة التلافيفية. يتم إرسال هذه الميزات لاحقا إلى طبقة (FC) المتصلة بالكامل للتصنيف (الشكل التكميلي 4). تقوم العملية self.avgpool(x) بإجراء تجميع متوسط تكيفي لإعادة تشكيل الموتر إلى حجم ثابت. تقوم عملية torch.flatten (x ، 1) بنشر الموتر إلى متجه أحادي البعد ، ويطبق self.fc (x) الطبقة المتصلة بالكامل على المتجه المسطح ، ويعمل في النهاية كخطوة أخيرة للتصنيف. تمرر هذه العملية بشكل فعال الميزات المستخرجة من خلال الطبقة التلافيفية ، وتحولها إلى تنسيق مناسب للتصنيف عبر الطبقة المتصلة بالكامل.
      4. استخدم الدالة Softmax للحصول على الإخراج النهائي بناء على متطلبات التصنيف الثلاثة.
    3. تدريب نموذج التعرف متعدد الفئات باستخدام مجموعة البيانات من الخطوة 1.4. اضبط عدد التكرارات على 200 ومعدل تعلم أولي 0.0001. قلل معدل التعلم بمقدار الثلث كل 10 تكرارات بحجم دفعة 64. احفظ معلمات النموذج المثلى تلقائيا بعد كل تكرار (الشكل التكميلي 5).
    4. استخدم نموذج التعرف المدرب بدقة واجتاز الصورة الأصلية بشكل منهجي من الخطوة 1.2.2 لأغراض التعريف.
      1. قم بتكوين الخطوات الأفقية والرأسية بدقة عند 280 بكسل ، مما أدى إلى إنشاء خريطة توزيع شاملة تسلط الضوء على وجود النباتات الغازية داخل حدود منطقة الدراسة. اعرض النتائج المحددة بصريا كما هو موضح في الشكل 4.
        ملاحظة: تتم معالجة الصورة الأولية مسبقا عن طريق تقسيمها إلى أجزاء أصغر ، وتصنيف كل قطعة باستخدام نموذج تعلم عميق مدرب ، ودمج النتائج في صورة مخرجات. إذا تم تصنيف قطعة على أنها نبات غازي ، تعيين الموقع المقابل في صورة الإخراج على 255. يتم حفظ الصورة الناتجة الناتجة كملف صورة بتدرج الرمادي. ويرد رمز التنفيذ المحدد في الشكل التكميلي 6.

3. تقدير الكتلة الحيوية النباتية الغازية

  1. قم بإجراء زيادة بسيطة للبيانات باستخدام وظائف RandomResizedCrop و RandomHorizontalFlip (الشكل التكميلي 7) لتوسيع مجموعة الصور التي تم إنشاؤها في الخطوة 1.2 واستخراج مؤشرات الغطاء النباتي الستة المستخدمة بشكل شائع لتقدير الكتلة الحيوية ، وهي RBRI و GPRI و GRRI و RGRI و NGBDI و NGRDI. راجع الجدول 1 للاطلاع على صيغ الحساب لهذه المؤشرات.
  2. قم بإنشاء نموذج انحدار الجار الأقرب K (KNNR) 22 باستخدام إخراج النموذج لضمان التقدير الدقيق للكتلة الحيوية للنباتات الغازية. استخدم مؤشرات الغطاء النباتي المستخرجة كمدخلات لنموذج التقدير.
  3. استخدم معامل التحديد R2 وجذر متوسط مربع الخطأ (RMSE)23 لتقييم دقة النموذج، والذي يتم حسابه على النحو التالي:
    figure-protocol-2
    figure-protocol-3
    ملاحظة: خوارزمية انحدار الجار K-Nearest (KNNR) هي تقنية تعلم آلي غير معلمية تستخدم لحل مشاكل الانحدار. مفهومها الأساسي هو التنبؤ بالنتائج من خلال تحديد أقرب جيران K في مساحة الميزة بناء على مسافات عينة الإدخال. تشمل الفوائد الرئيسية لاستخدام KNNR بساطته وسهولة فهمه ، ولا يتطلب أي مرحلة تدريب. بالإضافة إلى ذلك ، لا تضع KNNR افتراضات مفرطة حول توزيع البيانات. يمكن تطبيق KNNR في قضايا الانحدار لتوقع المتغيرات الموضوعية المستمرة وتقييم الكتلة الحيوية للنباتات الغازية بدقة.
  4. استخدم نموذج تقدير الكتلة الحيوية فوق الأرض المختار في الخطوة 3.2 وقم بمسح خريطة توزيع النباتات الغازية من الخطوة 2.3.4 بخطوات أفقية ورأسية تبلغ 280 بكسل.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نعرض نتائج تمثيلية لطريقة قائمة على رؤية الكمبيوتر لتقدير النباتات الغازية ، والتي يتم تنفيذها بطريقة برمجية على الكمبيوتر. في هذه التجربة ، قمنا بتقييم التوزيع المكاني وتقدير الكتلة الحيوية للنباتات الغازية في موائلها الطبيعية ، باستخدام Mikania micrantha كموضوع بحثي. استخدمنا نظام كاميرا الطائرات بدون طيار للحصول على صور لموقع البحث ، ويظهر جزء منها في الشكل 3. استخدمنا الشبكة العصبية التلافيفية ResNet101 لتحديد النباتات الموجودة في منطقة الدراسة. بعد ذلك ، قمنا بتعيين التوزيع المكاني للنباتات الغازية وأوضحنا بعض النتائج التي توصلنا إليها في الشكل 4. في الشكل 3 ، يمكن ملاحظة Mikania micrantha وهي تتسلق فوق النبات المزين بأزهار بيضاء. تم تصوير النباتات الأخرى ، وكذلك الطريق والعناصر المصاحبة ، بشكل موحد في الخلفية. في الشكل 4 ، يتعرف النموذج على الجزء الأحمر على أنه ميكانيا ميكرانثا. بمقارنة مجموعتي الصور ، من الواضح أن ResNet101 يوضح اكتشافا قويا ل Mikania micrantha في خلفيات معقدة. علاوة على ذلك ، فإنه يرسم بدقة توزيع ميكانيا ميكرانثا في منطقة الدراسة بدقة عالية.

تم تقدير الكتلة الحيوية للنباتات الغازية في منطقة الدراسة عن طريق اقتطاع جميع صور مخطط عينة ميكانيا ميكرانثا من الصور التقويمية عند 280 × 280 بكسل واستخراج مؤشرات الغطاء النباتي RBRI ، GBRI ، GRRI ، RGRI ، NGBDI ، و NGBDI. تم إجراء تحليل الانحدار باستخدام نموذج الانحدار KNNR ، مع المؤشرات الستة كمدخلات لنموذج التقدير والكتلة الحيوية كمخرجات النموذج. يعرض الشكل 5 النتائج: تمثل الإحداثيات الأفقية للرسم البياني قيم الكتل الحيوية المقاسة ميدانيا ، وتمثل الإحداثيات الرأسية قيم الكتل الحيوية المتوقعة من النموذج ، وتمثل المناطق الرمادية فترات الثقة. تظهر النتائج أداء تنبؤيا قويا ، بقيمة R² تبلغ 0.62 و RMSE تبلغ 10.56 جم / م2. يعزز النموذج دقة تقدير الكتلة الحيوية Mikania micrantha ، وتلتقط خريطة التوزيع المكاني في الشكل 6 بشكل فعال توزيع الكتلة الحيوية Mikania micrantha .

figure-results-1
الشكل 1: أنظمة الاستشعار عن بعد للطائرات بدون طيار. بعض الأمثلة على بيانات صورة RGB التي تم التقاطها بواسطة الطائرات بدون طيار. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: تخطيط الطريق. دراسة حول تخطيط الطرق الإقليمية يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: نتائج تحديد النباتات الغازية داخل منطقة الدراسة. يعرض الشكل نتائج تحديد Mikania micrantha في منطقة الدراسة عبر الشبكة العصبية التلافيفية ResNet101. تشير المنطقة الحمراء في الصورة إلى المنطقة التي اكتشفها ResNet101 باسم Mikania micrantha ، بينما تشير الخلفية الأخرى إلى بقية منطقة الدراسة. تتوافق هذه النتائج مع عينة الصور الموضحة في الشكل 1. وهي تمثل نتائج التعرف في الشكل 1 ، على التوالي. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 4: التوزيع المكاني للنباتات الغازية. يتعرف النموذج على الجزء الأحمر باسم ميكانيا ميكرانثا. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 5: نتائج انحدار التنبؤ بالكتلة الحيوية. يعرض المحور الأفقي قيم الكتلة الحيوية التي لوحظت في الحقل ، بينما يصور المحور الرأسي قيم الكتلة الحيوية المقدرة بواسطة النموذج. تشير المناطق المظللة باللون الرمادي إلى فترات الثقة. حقق نموذج KNNR R2 من 0.65 في مجموعة الاختبار ، في حين بلغ أدنى خطأ مربع متوسط الجذر 30.59 جم / م2. في مخطط تشتت الانحدار للنموذج ، كانت العديد من تقديرات الكتلة الحيوية Mikania micrantha ضمن فترة الثقة ، مما يشير إلى صحة التنبؤ بالكتلة الحيوية. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-6
الشكل 6: التوزيع المكاني للكتلة الحيوية ميكانيا ميكرانثا . يوضح الشكل تقدير الكتلة الحيوية Mikania micrantha في جميع أنحاء منطقة البحث باستخدام KNNR كنموذج تنبؤي ، جنبا إلى جنب مع خريطة توزيع الكتلة الحيوية Mikania micrantha المستخرجة. تمثل المناطق المظللة الداكنة كميات أعلى من الكتلة الحيوية Mikania micrantha . يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-7
الشكل 7: رسم تخطيطي للتطوير الرئيسي لهذا البروتوكول. يوضح الشكل الخطوات الرئيسية للبروتوكول المقدم. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

اسم فهرس الغطاء النباتيصيغة الحساب
مؤشر النسبة الأزرق الأخضرGBRI = DNG / DNB
مؤشر النسبة الحمراء الخضراءGRRI = DNG / DNR
مؤشر نسبة الأحمر والأزرقRBRI = DNR / DNB
مؤشر النسبة الحمراء والخضراءRGRI = DNR / DNG
مؤشر الفرق الأخضر الأزرق الطبيعيNGBDI = (DNG - DNB) / (DNG + DNB)
مؤشر الفرق الأخضر الأحمر الطبيعيNGRDI = (DNG - DNR) / (DNG + DNR)

الجدول 1: صيغة حساب مؤشر الغطاء النباتي. مؤشرات الغطاء النباتي المستخدمة في هذا البروتوكول وصيغ الحساب الخاصة بكل منها.

الشكل التكميلي 1: اقتصاص صورة إلى 280 × 280 بكسل عبر نص Python باستخدام مكتبة OpenCV. الرجاء الضغط هنا لتنزيل هذا الملف.

الشكل التكميلي 2: تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار. الرجاء الضغط هنا لتنزيل هذا الملف.

الشكل التكميلي 3: استخراج المعالم وتقليل الأبعاد. (أ) استخراج الميزة الأولية. (ب) عملية الالتفاف. (ج) تقليل الأبعاد. الرجاء الضغط هنا لتنزيل هذا الملف.

الشكل التكميلي 4: نقل الميزات إلى طبقة FC في بنية ResNet. الرجاء الضغط هنا لتنزيل هذا الملف.

الشكل التكميلي 5: تحديد المعلمات. الرجاء الضغط هنا لتنزيل هذا الملف.

الشكل 6: كود التنفيذ المحدد لإنشاء خريطة توزيع شاملة. الرجاء الضغط هنا لتنزيل هذا الملف.

الشكل التكميلي 7: وظائف راندوم ريسايز كروب وراندوم أفقيتال فليب. الرجاء الضغط هنا لتنزيل هذا الملف.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نقدم الخطوات التفصيلية لتجربة حول تقدير الكتلة الحيوية للنباتات الغازية باستخدام الاستشعار عن بعد للطائرات بدون طيار ورؤية الكمبيوتر. العملية والخطوات الرئيسية لهذه الاتفاقية موضحة في الشكل 7. تعد جودة العينة المناسبة أحد أكثر جوانب البرنامج أهمية وتحديا. تنطبق هذه الأهمية على جميع النباتات الغازية وكذلك أي تجارب أخرى لتقدير الكتلة الحيوية النباتية24.

لتحديد توزيع النباتات الغازية في منطقة الدراسة ، يجب علينا أولا الحصول على المسح التصويري المرئي والمستمر لمنطقة الدراسة باستخدام الاستشعار عن بعد من الطائرات بدون طيار. لتحقيق ذلك ، من الضروري وجود ارتفاع مناسب للتصوير الفوتوغرافي للطائرات بدون طيار ودقة الكاميرا. سيضمن ذلك أن ResNet101 ، وهي شبكة عصبية تلافيفية ، يمكنها الحصول على ميزات مثل مؤشر الغطاء النباتي والملمس من الصورة. تساعد هذه الميزات في تحديد النباتات الغازية حتى في الخلفيات البيئية المعقدة وتعيين توزيعها في نهاية المطاف في منطقة الدراسة.

لتقدير الكتلة الحيوية للنباتات الغازية في منطقة الدراسة ، من الضروري إنشاء إطارات عينة مربعة25 مع 25-50 نقطة أخذ عينات عشوائية. بمجرد أن يكمل النظام الجوي بدون طيار عملية التقاط الصور ، من الضروري جمع النباتات الغازية من إطارات العينات. من الأهمية بمكان ملاحظة ، كما هو مذكور في القسم الأولي ، أن جمع الكتلة الحيوية من الإطارات يجب أن يتم دون تحريكها وبدقة من خلال تعيين أرقام فريدة. بالإضافة إلى ذلك ، يجب تجفيف الكتلة الحيوية بدقة ووزنها في المختبر للحصول على قياس دقيق. تم استخدام نموذج الانحدار KNNR18 للحصول على التوزيع المكاني للنباتات الغازية ، باستخدام ستة مؤشرات نباتية مستخرجة من الصور التي حصل عليها نظام كاميرا الطائرات بدون طيار كمدخلات لنموذج التقدير والكتلة الحيوية كمخرجات النموذج.

الطرق الموضحة في هذه الورقة لتقدير أعداد النباتات الغازية ليست شاملة. ويمكن استخدام أدوات إضافية للحصول على بيانات قابلة للمقارنة، ويمكن استخدام العديد من التعديلات العملية أو الابتكارية. يمكن استخدام مجموعة من الطائرات بدون طيار ، والتي يعمل النموذج المعين في البروتوكول كخيار واحد فقط ويمكن استبدالها بأي طائرة بدون طيار تمتلك تكامل الملاحة التلقائية ، والقدرة على التكيف مع gimbal ، والقدرة على الطيران حتى 50 مترا ، وسعة حمولة تتجاوز قدرة الكاميرا المحددة ، ونطاق يغطي منطقة الدراسة بأكملها. عند اختيار كاميرا للطائرات بدون طيار ، من المهم مراعاة عوامل مثل الدقة القصوى ، ووحدات بكسل الصورة الفعالة ، والحد الأقصى للبكسل ، ومعلمات التصوير الأخرى ، بالإضافة إلى قيود الحجم والوزن لحمل الطائرات بدون طيار. بالإضافة إلى ذلك ، النطاق الكافي ضروري لإكمال عملية التصوير بنجاح. علاوة على ذلك ، فإن نموذج التحديد ليس الطريقة الوحيدة ويمكن تعديله لأنواع نباتية غازية متعددة ، مثل النباتات الخشبية أو أنواع متنوعة من النباتات ، لتعزيز الطريقة المقترحة. يمكن أيضا تطوير هذه الاستراتيجية إلى خوارزمية الانحدار التي تستخدم عينات أقل ، وتكتسب مؤشرات نباتية إضافية ، وتحقق درجة عالية من الدقة. بدلا من ذلك ، يمكن تنفيذ شبكة تحديد مخفضة لتحديد النباتات الغازية ، مما يسمح بالنشر العملي لطرق التعرف الذكية.

القيد الأساسي للطريقة المقدمة هو اعتماد النموذج على ظروف الإضاءة والخلفية. لا يمكن أن تأتي التحسينات نحو دقة أعلى إلا مع مزيد من دمج الأطياف26 و LiDAR12 وبيانات الأرصاد الجوية27. قد يكون الحصول على هذا النوع من البيانات أمرا صعبا وقد يتطلب معدات باهظة الثمن ، ولكن يمكننا تعزيز دقة بياناتنا عن طريق تجنب أشعة الشمس المباشرة وعزل خلفيات النباتات أثناء أخذ عينات من المنطقة عبر نظام تصوير الطائرات بدون طيار الخاص بنا.

تكمن فائدة استخدام هذه المنهجية ، على عكس غيرها ، في قدرتها على توفير التوزيع المكاني لأنواع النباتات الغازية في منطقة الدراسة المحددة. يتم تحديد التوزيع من خلال تحليل الانحدار ، باستخدام ستة مؤشرات نباتية مستخرجة من الصور الملتقطة عبر نظام كاميرا الطائرات بدون طيار كمدخلات ، مع الكتلة الحيوية كمخرجات للنموذج. يستخدم هذا النهج طريقة محمولة لتقدير الكتلة الحيوية في مناطق دراسة متعددة في وقت واحد ، والتي تختلف اختلافا جوهريا عن طرق جمع الكتلة الحيوية اليدوية السابقة. تتضمن الطريقة التقليدية إجراء المسوحات يدويا وجمع كميات كبيرة ، وهو أمر غير فعال وغير موضوعي28 ، وبالتالي فشل في تقديم تقدير عملي للكتلة الحيوية نظرا للظروف المعقدة.

يسمح تقدير الكتلة الحيوية النباتية الغازية باستخدام المنهجية المذكورة أعلاه بالتحديد الكمي للتوزيع الإقليمي. وعلاوة على ذلك، يقدم المكتب المساعدة التقنية للرصد الذكي وتقييم المخاطر على الصعيد الإقليمي.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين ما يكشفون عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يشكر المؤلف الأكاديمية الصينية للعلوم الزراعية وجامعة قوانغشي على دعم هذا العمل. تم دعم العمل من قبل البرنامج الوطني للبحث والتطوير الرئيسي في الصين (2022YFC2601500 و 2022YFC2601504) ، والمؤسسة الوطنية للعلوم الطبيعية في الصين (32272633) ، وبرنامج شنتشن للعلوم والتكنولوجيا (KCXFZ20230731093259009)

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
كاميرا DSLRنيكونD850نوع المستشعر: CMOS; الحد الأقصى لعدد البكسل: 46.89 مليون ؛ العدد الفعلي للبكسل: 45.75 مليون ؛ الدقة القصوى 8256 × 5504.
GPU - وحدة معالجة الرسوماتNVIDIA   ؛RTX3090
HexacopterDJI M600PROالرحلة الأفقية: 65 كم / ساعة (لا توجد بيئة رياح) ؛ الحد الأقصى لحمولة الطيران: 6000 جرام
PyCharmPython IDE2023.1
PythonPython3.8.0
PytorchPytorch1.8.1

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lian, J. Y., et al. Influence of obligate parasite Cuscuta campestris on the community of its host Mikania micrantha. Weed Research. 46, 441-443 (2006).
  2. Yu, X., Bao, Q. Aboveground biomass estimation of potato from UAV multispectral imagery. Remote Sensing. 54 (4), 96-99 (2023).
  3. Guo, T. C., Wang, Y. H., Feng, W. Research on wheat yield estimation based on multimodal data fusion from unmanned aircraft platforms. Acta Agronomica Sinica. 48 (7), 15(2022).
  4. Shao, G. M., et al. Estimation of transpiration coefficient and aboveground biomass in maize using time-series UAV multispectral imagery. The Crop Journal. 10 (5), 1376-1385 (2022).
  5. Jiang, Q., et al. UAV-based biomass estimation for rice-combining spectral, TIN-based structural and meteorological features. Remote Sensing. 11 (7), 890(2019).
  6. Fei, S. P., et al. UAV-based multi-sensor data fusion and machine learning algorithm for yield prediction in wheat. Precision Agriculture. 24, 187-212 (2023).
  7. Shu, S., et al. Aboveground biomass estimation of rice based on unmanned aerial vehicle imagery. Fujian Journal of Agricultural Sciences. 37 (7), 9(2022).
  8. Wu, X., et al. UAV LiDAR-based biomass estimation of individual trees. Fujian Journal of Agricultural Sciences. 22 (34), 15028-15035 (2022).
  9. Yang, X., Zan, M., Munire, M. Estimation of above ground biomass of Populus euphratica forest using UAV and satellite remote sensing. Transactions of the Chinese Society of Agricultural Engineering. 37 (1), 7(2021).
  10. Li, B., Liu, K. Forest biomass estimation based on UAV optical remote sensing. Forest Engineering. 5, 38(2022).
  11. Li, Z., Zan, Q., Yang, Q., Zhu, D., Chen, Y., Yu, S. Remote estimation of mangrove aboveground carbon stock at the species level using a low-cost unmanned aerial vehicle system. Remote Sensing. 11 (9), 1018(2019).
  12. Luo, S., et al. Fusion of airborne LiDAR data and hyperspectral imagery for aboveground and belowground forest biomass estimation. Ecological Indicators. 73, 378-387 (2017).
  13. Li, S., et al. Research of grassland aboveground biomass inversion based on UAV and satellite remoting sensing. Remote Sensing Technology and Application. 1, 037(2022).
  14. Wengert, M., et al. Multisite and multitemporal grassland yield estimation using UAV-borne hyperspectral data. Remote Sensing. 14 (9), 2068(2022).
  15. Li, Y., et al. The effect of season on Spartina alterniflora identification and monitoring. Frontiers in Environmental Science. 10, 1044839(2022).
  16. Wang, F., et al. Estimation of above-ground biomass of winter wheat based on consumer-grade multi-spectral UAV. Remote Sensing. 14 (5), 1251(2022).
  17. Lu, N., et al. Improved estimation of aboveground biomass in wheat from RGB imagery and point cloud data acquired with a low-cost unmanned aerial vehicle system. Plant Methods. 15 (1), 17(2019).
  18. Chen, H., et al. Mapping forest aboveground biomass with MODIS and Fengyun-3C VIRR imageries in Yunnan Province, Southwest China using linear regression, K-nearest neighbor and random. Remote Sensing. 14 (21), 5456(2022).
  19. Yan, M., et al. Biomass estimation of subtropical arboreal forest at single tree scale based on feature fusion of airborne LiDAR data and aerial images. Sustainability. 15 (2), 1676(2023).
  20. Tian, Y. C., et al. Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing. Science of the Total Environment. 781, 146816(2021).
  21. Shrivastava, A., et al. Beyond skip connections: Top-down modulation for object detection. arXiv. , (2016).
  22. Belkasim, S. O., Shridhar, M., Ahmadi, M. Pattern classification using an efficient KNNR. Pattern Recognition. 25 (10), 1269-1274 (1992).
  23. Joel, S., Jose Luis, A., Shawn, C. K. Farming and earth observation: Sentinel-2 data to estimate within-field wheat grain yield. International Journal of Applied Earth Observation and Geoinformation. 107, 102697(2022).
  24. Tian, L., et al. Review of remote sensing-based methods for forest aboveground biomass estimation: Progress, challenges, and prospects. Forests. 14 (6), 1086(2023).
  25. Wei, X. Biomass estimation: A remote sensing approach. Geography Compass. 4 (11), 1635-1647 (2010).
  26. Débora, B., et al. New methodology for intertidal seaweed biomass estimation using multispectral data obtained with unoccupied aerial vehicles. Remote Sensing. 15 (13), 3359(2023).
  27. Zhang, J. Y., et al. Unmanned aerial system-based wheat biomass estimation using multispectral, structural and meteorological data. Agriculture. 13 (8), 1621(2023).
  28. Shen, H., et al. Influence of the obligate parasite Cuscuta campestris on growth and biomass allocation of its host Mikania micrantha. Journal of Experimental Botany. 56 (415), 1277-1284 (2005).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Invasive Plant BiomassUAV Remote SensingComputer VisionBiomass EstimationDeep LearningVegetation IndexImage SegmentationK Nearest NeighborSpatial Distribution MapMikania Micrantha

Related Articles