Method Article

Estimation de la biomasse des plantes envahissantes par vision par ordinateur

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

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

Nous présentons les procédures détaillées d’une méthode d’estimation de la biomasse végétale envahissante qui utilise les données obtenues par télédétection de véhicules aériens sans pilote (UAV) pour évaluer la biomasse et saisir la distribution spatiale des espèces envahissantes. Cette approche s’avère très bénéfique pour l’évaluation des risques et l’alerte précoce des plantes envahissantes.

Abstract

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

Nous rapportons les étapes détaillées d’une méthode d’estimation de la biomasse de plantes envahissantes basée sur la télédétection par drone et la vision par ordinateur. Pour prélever des échantillons dans la zone d’étude, nous avons préparé un assemblage de carrés d’échantillonnage afin de randomiser les points d’échantillonnage. Un système de caméra aérienne sans pilote a été construit à l’aide d’un drone et d’une caméra pour acquérir des images RVB continues de la zone d’étude grâce à la navigation automatisée. Une fois le tournage terminé, la biomasse aérienne dans le cadre de l’échantillon a été collectée, et toutes les correspondances ont été étiquetées et emballées. Les données d’échantillonnage ont été traitées et les images aériennes ont été segmentées en petites images de 280 x 280 pixels pour créer un jeu de données d’images. Un réseau de neurones convolutifs profonds a été utilisé pour cartographier la distribution de Mikania micrantha dans la zone d’étude, et son indice de végétation a été obtenu. Les organismes collectés ont été séchés et le poids sec a été enregistré comme biomasse de vérité sur le terrain. Le modèle de régression de la biomasse végétale envahissante a été construit à l’aide de la régression du voisin le plus proche (KNNR) en extrayant l’indice de végétation des images d’échantillon en tant que variable indépendante et en l’intégrant à la biomasse de vérité terrain en tant que variable dépendante. Les résultats ont montré qu’il était possible de prédire avec précision la biomasse des plantes envahissantes. Une carte précise de la distribution spatiale de la biomasse végétale envahissante a été générée par la traversée d’image, permettant une identification précise des zones à haut risque touchées par les plantes envahissantes. En résumé, cette étude démontre le potentiel de combiner la télédétection des véhicules aériens sans pilote avec des techniques d’apprentissage automatique pour estimer la biomasse végétale envahissante. Il contribue de manière significative à la recherche de nouvelles technologies et méthodes de suivi en temps réel des plantes envahissantes et fournit un appui technique pour une surveillance intelligente et une évaluation des dangers à l’échelle régionale.

Introduction

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

Dans ce protocole, la méthode proposée d’estimation de la biomasse invasive basée sur la télédétection par drone et la vision par ordinateur peut refléter la distribution des organismes envahissants et prédire le degré de risque biologique envahissant. Les estimations de la répartition et de la biomasse des organismes envahissants sont essentielles à la prévention et au contrôle de ces organismes. Une fois que les plantes envahissantes envahissent, elles peuvent endommager l’écosystème et causer d’énormes pertes économiques. L’identification rapide et précise des plantes envahissantes et l’estimation de la biomasse végétale envahissante sont des défis majeurs dans la surveillance et le contrôle des plantes envahissantes. Dans ce protocole, nous prenons l’exemple de Mikania micrantha pour explorer une méthode d’estimation de la biomasse végétale envahissante basée sur la télédétection aérienne sans pilote et la vision par ordinateur, qui fournit une nouvelle approche et méthode pour la recherche écologique des plantes envahissantes et promeut la recherche et la gestion écologiques des plantes envahissantes.

À l’heure actuelle, la mesure de la biomasse de Mikania micrantha se fait principalement par échantillonnage manuel1. Les méthodes traditionnelles de mesure de la biomasse nécessitent beaucoup de main-d’œuvre et de ressources matérielles, qui sont inefficaces et limitées par le terrain. il est difficile de répondre aux besoins d’estimation régionale de la biomasse de Mikania micrantha. Le principal avantage de l’utilisation de ce protocole est qu’il fournit une méthode pour quantifier la biomasse des plantes envahissantes régionales et la distribution spatiale des plantes envahissantes d’une manière qui ne tient pas compte des limites d’échantillonnage de la zone et élimine le besoin de relevés manuels.

La technologie de télédétection par drone a obtenu certains résultats dans l’estimation de la biomasse végétale et a été largement utilisée dans l’agriculture 2,3,4,5,6,7, la foresterie 8,9,10,11 et les prairies 12,13,14 . La technologie de télédétection par drone présente les avantages d’un faible coût, d’un rendement élevé, d’une haute précision et d’un fonctionnement flexible15,16, qui peut obtenir efficacement des données d’image de télédétection dans la zone d’étude ; Ensuite, la caractéristique de texture et l’indice de végétation de l’image de télédétection sont extraits pour fournir des données à l’appui de l’estimation de la biomasse végétale sur une grande surface. Les méthodes actuelles d’estimation de la biomasse végétale sont principalement classées en modèles paramétriques et non paramétriques17. Avec le développement d’algorithmes d’apprentissage automatique, des modèles d’apprentissage automatique non paramétriques avec une plus grande précision ont été largement utilisés dans l’estimation par télédétection de la biomasse végétale. Chen et al.18 ont utilisé la régression logistique mixte (MLR), la KNNR et la régression forestière aléatoire (RFR) pour estimer la biomasse aérienne des forêts de la province du Yunnan. Ils ont conclu que les modèles d’apprentissage automatique, en particulier KNNR et RFR, ont donné des résultats supérieurs à ceux de MLR. Yan et al.19 ont utilisé des modèles de régression RFR et XGBR (extreme gradient boosting) pour évaluer la précision de l’estimation de la biomasse forestière subtropicale à l’aide de divers ensembles de variables. Tian et al.20 ont utilisé onze modèles d’apprentissage automatique pour estimer la biomasse aérienne de diverses espèces de mangroves dans la baie de Beibuwan. Les chercheurs ont découvert que la méthode XGBR était plus efficace pour déterminer la biomasse aérienne des forêts de mangroves. L’estimation de la biomasse végétale à l’aide de la télédétection homme-machine est une pratique bien établie, mais l’utilisation des drones pour l’estimation de la biomasse de la plante envahissante Mikania micrantha n’a pas encore été signalée à l’échelle nationale et internationale. Cette approche est fondamentalement différente de toutes les méthodes précédentes d’estimation de la biomasse pour les plantes envahissantes, en particulier Mikania micrantha.

Pour résumer, la télédétection par drone présente les avantages d’une haute résolution, d’une efficacité élevée et d’un faible coût. Dans l’extraction de variables de caractéristiques d’images de télédétection, les caractéristiques de texture combinées aux indices de végétation peuvent obtenir de meilleures performances de prédiction de régression. Les modèles non paramétriques permettent d’obtenir des modèles de régression plus précis que les modèles paramétriques dans l’estimation de la biomasse végétale. Par conséquent, pour calculer avec précision la distribution nulle des plantes envahissantes et de leur biomasse, nous suggérons les procédures suivantes pour l’expérience sur la biomasse végétale envahissante qui repose sur la télédétection à l’aide d’UAV et de la vision par ordinateur.

Protocol

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

1. Préparation des jeux de données

  1. Sélection de l’objet de recherche
    1. Sélectionnez les échantillons d’essai en fonction de l’objectif de l’étude expérimentale, en tenant compte d’options telles que Mikania micrantha ou d’autres plantes envahissantes.
  2. Collecte d’images de drones
    1. Préparez des cadres carrés en plastique de taille 0,5 m * 0,5 m et de quantité 25-50, en fonction de la taille de la zone étudiée.
    2. Utiliser une approche d’échantillonnage aléatoire pour déterminer les emplacements d’échantillonnage du sol dans la zone d’étude à l’aide d’un nombre suffisant d’échantillons de biomasse. Placez le cadre d’échantillonnage horizontalement au-dessus de la végétation, en englobant entièrement les plantes avec une distance de séparation minimale de 2 m entre chaque plante.
    3. Utilisez un drone et une caméra pour former un système de prise de télédétection par drone, comme le montre la figure 1.
    4. Utilisez l’UAV pour tracer l’itinéraire dans la zone d’étude spécifiée. La configuration de la planification d’itinéraire est illustrée à la figure 2.
      1. Établissez un taux de chevauchement de cap et de latéral de 70 %, prenez des photos à des intervalles de temps uniformes de 2 s, maintenez l’angle de la caméra perpendiculaire au sol à 90° et positionnez l’altitude de la caméra à 30 m. Il en a résulté des données d’image visibles en continu de la zone d’étude avec une résolution d’image unique mesurant 8256 x 5504 pixels, comme le montre la figure 3.
    5. Stockez des images aériennes pour un traitement ultérieur avec un logiciel Python pour l’estimation de la biomasse.
  3. Collecte de la biomasse aérienne
    1. Prélever manuellement la biomasse aérienne de Mikania micrantha dans chaque parcelle d’échantillonnage après avoir terminé la collecte des données par drone. Emballez-les et étiquetez chaque sac en conséquence.
      1. Lors de la récolte de Mikania micrantha, empêcher les parcelles d’échantillonnage de bouger. Tout d’abord, coupez le Mikania micrantha le long du bord intérieur de la parcelle d’échantillonnage.
      2. Ensuite, coupez le rhizome du Mikania micrantha par le bas. Enlevez la saleté, les roches ou les autres plantes qui y sont mélangées. Enfin, emballez et étiquetez les échantillons.
    2. Apportez au laboratoire les échantillons de plantes envahissantes prélevés à l’étape 1.3.1. Faites sécher à l’air libre tous les échantillons collectés pour faire évaporer la majeure partie de l’humidité.
    3. Pour éliminer davantage l’humidité des échantillons séchés à l’air, utilisez un four. Réglez la température à 55 °C. Sécher les échantillons pendant 72 h, puis peser chaque échantillon sur une balance électronique et enregistrer les données de biomasse en grammes (g).
      1. Placez la balance électronique dans un environnement non perturbé, pesez, calibrez et continuez à peser. Placez des sacs de Mikania micrantha sur la balance électronique, attendez que les lectures se stabilisent et enregistrez les lectures.
      2. Pesez le Mikania micrantha toutes les heures jusqu’à ce que la masse ne change plus et notez la lecture moins le poids du sac comme masse mesurée de cet échantillon. Calculez la biomasse aérienne de la plante envahissante à l’aide de la formule ci-dessous :
        figure-protocol-1
        où B représente la biomasse de Mikania micrantha en grammes par mètre carré (g/m2), M est le poids de Mikania micrantha mesuré, mesuré en grammes (g), S correspond à l’aire de la placette d’échantillonnage en mètres carrés (m2).
  4. Création d’un jeu de données
    1. Extrayez l’image RVB correspondant à l’image d’exemple de l’image originale du drone. Divisez-le en une grille de 280 × 280 pixels à l’aide de la programmation Python (Figure 1).
    2. Segmentez les données d’image brute en images plus petites de la même taille que les images d’exemple à l’aide de la programmation Python. Utilisez la méthode de la fenêtre glissante pour la segmentation, en définissant les pas horizontaux et verticaux sur 280 pixels.
    3. À partir des petites images segmentées à l’étape 1.4.2, sélectionnez au hasard 880 images de plantes envahissantes et 1500 images d’arrière-plan pour créer un ensemble de données. Ensuite, divisez cet ensemble de données en ensembles d’entraînement, de validation et de test dans un rapport 6:2:2 (figure supplémentaire 2).

2. Identification de Mikania micrantha

  1. Préparation du logiciel
    1. Allez sur le site officiel d’Anaconda (https://www.anaconda.com/) et téléchargez et installez Anaconda. Ensuite, rendez-vous sur le site Web de PyCharm (https://www.jetbrains.com/pycharm/) et téléchargez l’IDE PyCharm.
  2. Création d’un environnement Conda.
    1. Ouvrez la ligne de commande Anaconda Prompt après avoir installé Anaconda, puis tapez conda create -n pytorch python==3.8 pour créer un nouvel environnement Conda. Une fois l’environnement créé, entrez conda info --envs pour confirmer que l’environnement pytorch existe.
    2. Ouvrez l’invite Anaconda et activez l’environnement pytorch en entrant conda activate pytorch. Vérifiez la version actuelle de CUDA (Compute Unified Device Architecture) en tapant nvidia-smi. Ensuite, installez PyTorch version 1.8.1 en exécutant la commande conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.0 -c pytorch.
  3. Exécutions pour la reconnaissance du modèle
    REMARQUE : Utilisez PyTorch pour construire le Mikania micrantha Modèle de reconnaissance utilisé dans cet article. Le modèle de réseau utilisé est ResNet10121, qui reste cohérent avec le papier original dans son architecture. Des modifications sont apportées à la section de sortie du réseau pour répondre aux exigences de reconnaissance de la camomille.
    1. Prétraitez les images pour les préparer à la saisie du modèle. Redimensionnez les images de 280 x 280 pixels à 224 x 224 pixels et normalisez-les pour vous assurer qu’elles répondent aux exigences de taille du modèle à l’aide du code suivant :
      transform = transforme. Compose([
      Transforme. Redimensionner((224, 224)),
      Transforme. ToTensor(),
      Transforme. Normaliser([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
    2. Effectuez l’extraction des caractéristiques de l’image et réduisez la dimensionnalité à l’aide d’un réseau de neurones convolutifaux.
      1. Tout d’abord, initialisez la couche convolutive pour l’extraction initiale de la caractéristique via self.conv1. Avec cette couche convolutive, l’image d’origine est convolutive dans une carte de caractéristiques avec self.in_channel canaux pour extraire les caractéristiques initiales (Figure supplémentaire 3A).
        REMARQUE : Les fonctionnalités avancées sont extraites dans une opération de convolution sur les passes résiduelles. Ces couches sont produites en invoquant la fonction _make_layer , qui comprend une séquence de blocs résiduels. Chaque bloc résiduel se compose de fonctions de convolution, de normalisation de lot et d’activation permettant d’extraire progressivement des caractéristiques sophistiquées (figure supplémentaire 3B).
      2. Utilisez la fonction de la couche pour modifier le numéro de canal afin de réduire la dimensionnalité via une convolution 1x1. Cette opération diminue la charge de calcul tout en préservant les caractéristiques significatives (figure supplémentaire 3C).
        REMARQUE : Dans l’ensemble, ResNet101 effectue l’extraction de caractéristiques à l’aide de diverses couches convolutives, et la réduction de la dimensionnalité est obtenue grâce à des couches convolutives 1x1 dans le bloc résiduel. Cette approche permet au réseau d’apprendre les caractéristiques plus en profondeur et d’éviter le problème de la disparition du gradient, ce qui permet un apprentissage et une représentation plus efficaces des caractéristiques de l’image pour des tâches complexes.
      3. Après les opérations de convolution et de regroupement, entrez les caractéristiques de haute qualité dans une couche entièrement connectée.
        REMARQUE : Dans l’architecture ResNet, l’extraction des caractéristiques s’effectue dans la couche convolutive. Ces caractéristiques sont ensuite envoyées à la couche entièrement connectée (FC) pour classification (Figure supplémentaire 4). L’opération self.avgpool(x) effectue un regroupement moyen adaptatif pour remodeler le tenseur à une taille fixe. L’opération torch.flatten(x, 1) répartit le tenseur en un vecteur unidimensionnel, et self.fc(x) applique la couche entièrement connectée au vecteur aplati, servant finalement d’étape finale pour la classification. Ce processus fait passer efficacement les caractéristiques extraites à travers la couche convolutive, les transformant en un format adapté à la classification via la couche entièrement connectée.
      4. Utilisez la fonction Softmax pour obtenir le résultat final en fonction des trois exigences de classification.
    3. Entraînez un modèle de reconnaissance multiclasse avec le jeu de données de l’étape 1.4. Définissez le nombre d’itérations sur 200 et un taux d’apprentissage initial de 0,0001. Réduisez le taux d’apprentissage d’un tiers toutes les 10 itérations avec une taille de lot de 64. Enregistrez automatiquement les paramètres optimaux du modèle après chaque itération (Figure supplémentaire 5).
    4. Utilisez un modèle de reconnaissance méticuleusement formé et parcourez systématiquement l’image originale à partir de l’étape 1.2.2 à des fins d’identification.
      1. Configurez des étapes horizontales et verticales avec une précision de 280 pixels, ce qui permet de générer une carte de distribution complète mettant en évidence la présence d’une flore envahissante dans les limites de la zone d’étude. Présentez visuellement les résultats sélectionnés comme illustré à la figure 4.
        REMARQUE : L’image initiale est prétraitée en la segmentant en blocs plus petits, en classant chaque bloc à l’aide d’un modèle de Deep Learning entraîné et en combinant les résultats dans une image de sortie. Si un morceau est classé comme plante envahissante, l’emplacement correspondant sur l’image de sortie est défini sur 255. L’image de sortie résultante est enregistrée sous forme de fichier image en niveaux de gris. Le code d’application spécifique est illustré à la figure supplémentaire 6.

3. Estimation de la biomasse végétale envahissante

  1. Effectuez une augmentation simple des données à l’aide des fonctions RandomResizedCrop et RandomHorizontalFlip (figure supplémentaire 7) pour étendre le jeu d’images créé à l’étape 1.2 et extraire les six indices de végétation couramment utilisés pour estimer la biomasse, à savoir RBRI, GBRI, GRRI, RGRI, NGBDI et NGRDI. Voir le tableau 1 pour les formules de calcul de ces indices.
  2. Créez un modèle de régression K-plus proche voisin (KNNR)22 à l’aide des résultats du modèle pour garantir une estimation précise de la biomasse des plantes envahissantes. Utilisez les indices de végétation extraits comme données d’entrée pour le modèle d’estimation.
  3. Utilisez le coefficient de détermination R2 et l’erreur quadratique moyenne (EQM)23 pour évaluer la précision du modèle, qui est calculée comme suit :
    figure-protocol-2
    figure-protocol-3
    REMARQUE : L’algorithme KNNR (K-Nearest Neighbor Regression) est une technique d’apprentissage automatique non paramétrique utilisée pour résoudre des problèmes de régression. Son concept fondamental est de prédire les résultats en déterminant les K voisins les plus proches dans l’espace des caractéristiques en fonction des distances d’échantillonnage d’entrée. Les principaux avantages de l’utilisation de KNNR incluent sa simplicité et sa facilité de compréhension, et il ne nécessite aucune phase de formation. De plus, KNNR ne fait pas d’hypothèses excessives sur la distribution des données. KNNR peut être appliqué dans des problématiques de régression pour anticiper des variables objectives continues et évaluer précisément la biomasse des plantes envahissantes.
  4. Utiliser le modèle d’estimation de la biomasse aérienne choisi à l’étape 3.2 et parcourir la carte de répartition des plantes envahissantes à l’étape 2.3.4 à l’aide de foulées horizontales et verticales de 280 pixels.

Results

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

Nous montrons les résultats représentatifs d’une méthode basée sur la vision par ordinateur pour l’estimation des plantes envahissantes, qui est mise en œuvre de manière programmatique sur un ordinateur. Dans cette expérience, nous avons évalué la distribution spatiale et estimé la biomasse des plantes envahissantes dans leur habitat naturel, en utilisant Mikania micrantha comme sujet de recherche. Nous avons utilisé un système de caméra de drone pour acquérir des images du site de recherche, dont une partie est présentée à la figure 3. Nous avons utilisé le réseau de neurones convolutifs ResNet101 pour identifier les plantes présentes dans la zone d’étude. Par la suite, nous avons cartographié la distribution spatiale des plantes envahissantes et illustré certaines de nos constatations à la figure 4. Sur la figure 3, on peut observer Mikania micrantha grimper au sommet de la plante ornée de fleurs blanches. Les autres plantes, ainsi que la route et les éléments qui l’accompagnent, sont uniformément représentés à l’arrière-plan. Sur la figure 4, le modèle reconnaît la partie rouge comme étant Mikania micrantha. En comparant les deux ensembles d’images, il est évident que ResNet101 démontre une détection robuste de Mikania micrantha dans des arrière-plans complexes. De plus, il cartographie avec précision la distribution de Mikania micrantha dans la zone d’étude avec une grande précision.

La biomasse des plantes envahissantes dans la zone d’étude a été estimée en tronquant toutes les images de parcelles d’échantillonnage de Mikania micrantha à partir d’orthophotos à 280 × 280 pixels et en extrayant les indices de végétation RBRI, GBRI, GRRI, RGRI, NGBDI et NGBDI. L’analyse de régression a été effectuée à l’aide du modèle de régression KNNR, avec les six indices comme entrées du modèle d’estimation et la biomasse comme sortie du modèle. La figure 5 présente les résultats : les coordonnées horizontales du graphique représentent les valeurs des biomasses mesurées sur le terrain, les coordonnées verticales représentent les valeurs des biomasses prédites par le modèle et les zones grises représentent les intervalles de confiance. Les résultats démontrent une forte performance prédictive, avec une valeur R² de 0,62 et une EQM de 10,56 g/m2. Le modèle améliore la précision de l’estimation de la biomasse de Mikania micrantha, et la carte de distribution spatiale de la figure 6 capture efficacement la distribution de la biomasse de Mikania micrantha .

figure-results-1
Figure 1 : Systèmes de télédétection par drone. Quelques exemples de données d’image RVB capturées par drone. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-2
Figure 2 : Planification d’itinéraire. Étude sur la planification des itinéraires régionaux Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-3
Figure 3 : Résultats de l’identification des plantes envahissantes dans la zone d’étude. La figure montre les résultats de l’identification de Mikania micrantha dans la zone d’étude via le réseau neuronal convolutif ResNet101. La région rouge de l’image indique la zone détectée par ResNet101 comme étant Mikania micrantha, tandis que l’autre arrière-plan signifie le reste de la zone d’étude. Ces résultats correspondent aux exemples d’images représentés à la figure 1. Ils représentent respectivement les résultats de reconnaissance de la figure 1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-4
Figure 4 : Répartition spatiale des plantes envahissantes. Le modèle reconnaît la partie rouge comme étant Mikania micrantha. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-5
Figure 5 : Résultats de la régression de la prédiction de la biomasse. L’axe horizontal affiche les valeurs de biomasse observées sur le terrain, tandis que l’axe vertical représente les valeurs de biomasse estimées par le modèle. Les régions grisées indiquent les intervalles de confiance. Le modèle KNNR a atteint un R2 de 0,65 sur l’ensemble de test, tandis que l’erreur quadratique moyenne la plus basse s’élevait à 30,59 g/m2. Dans le nuage de points de régression du modèle, de nombreuses estimations de la biomasse de Mikania micrantha se situaient à l’intérieur de l’intervalle de confiance, ce qui indique la validité de la prédiction de la biomasse. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-6
Figure 6 : Distribution spatiale de la biomasse de Mikania micrantha. La figure illustre l’estimation de la biomasse de Mikania micrantha dans l’ensemble de la zone de recherche en utilisant KNNR comme modèle prédictif, ainsi que la carte de distribution de la biomasse de Mikania micrantha extraite. Les régions ombragées plus foncées représentent des quantités plus élevées de biomasse de Mikania micrantha. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-7
Figure 7 : Schéma de principe des principaux développements de ce protocole. La figure illustre les principales étapes du protocole présenté. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Nom de l’indice de végétationFormule de calcul
Indice Green Blue RatioGBRI = DNG/DNB
Indice de ratio vert-rougeGRRI = DNG/DNR
Indice de ratio rouge bleuRBRI = DNR/DNB
Indice du ratio rouge vertRGRI = DNR/DNG
Indice de différence normalisé Vert-BleuNGBDI = (DNG - DNB)/(DNG + DNB)
Indice de différence vert-rouge normaliséNGRDI = (DNG - DNR)/(DNG + DNR)

Tableau 1 : Formule de calcul de l’indice de végétation. Les indices de végétation utilisés dans le présent protocole et leurs formules de calcul respectives.

Figure supplémentaire 1 : Recadrage d’une image à 280 x 280 pixels via un script Python à l’aide de la bibliothèque OpenCV. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 2 : Partitionnement de l’ensemble de données en un ensemble d’apprentissage, un ensemble de validation et un ensemble de test. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 3 : Extraction des caractéristiques et réduction de la dimensionnalité. (A) Extraction initiale des caractéristiques. (B) Fonctionnement à convolution. (C) Réduction de la dimensionnalité. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 4 : Transmission des fonctionnalités à la couche FC dans l’architecture ResNet. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 5 : Réglage des paramètres. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplemnétaire 6 : Le code d’implémentation spécifique pour générer une carte de distribution complète. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 7 : Fonctions RandomResizedCrop et RandomHorizontalFlip. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

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

Nous présentons les étapes détaillées d’une expérience d’estimation de la biomasse de plantes envahissantes à l’aide de la télédétection par drone et de la vision par ordinateur. Les principaux processus et étapes de cet accord sont illustrés à la figure 7. La bonne qualité des échantillons est l’un des aspects les plus cruciaux et les plus difficiles du programme. Cette importance est vraie pour toutes les plantes envahissantes ainsi que pour toutes les autres expériences d’estimation de la biomasse végétale24.

Pour identifier la répartition des plantes envahissantes dans la zone d’étude, il faut d’abord acquérir une photogrammétrie visible et continue de la zone d’étude à l’aide de la télédétection par drone. Pour y parvenir, une altitude photographique et une résolution de caméra appropriées sont nécessaires. Cela garantira que ResNet101, un réseau neuronal convolutif, peut obtenir des caractéristiques telles que l’indice de végétation et la texture de l’image. Ces caractéristiques aident à identifier les plantes envahissantes même dans des contextes environnementaux complexes et, en fin de compte, à cartographier leur distribution dans la zone d’étude.

Pour estimer la biomasse des plantes envahissantes dans la zone d’étude, il est nécessaire de créer des bases d’échantillonnage carrées25 avec 25 à 50 points d’échantillonnage aléatoires. Une fois que le système aérien sans pilote a terminé le processus de prise de photos, il est nécessaire de recueillir les plantes envahissantes à partir des cadres d’échantillonnage. Il est crucial de noter, comme indiqué dans la première section, que la collecte de la biomasse des cadres doit se faire sans les déplacer et avec précision en attribuant des numéros uniques. De plus, la biomasse doit être délicatement séchée et pesée en laboratoire pour obtenir une mesure précise. Le modèle de régressionKNNR 18 a été utilisé pour obtenir la distribution spatiale des plantes envahissantes, en utilisant six indices de végétation extraits d’images acquises par le système de caméra UAV comme entrée du modèle d’estimation et la biomasse comme sortie du modèle.

Les méthodes décrites dans cet article pour estimer les populations de plantes envahissantes ne sont pas exhaustives. Des outils supplémentaires peuvent être utilisés pour obtenir des données comparables, et de nombreuses modifications pratiques ou novatrices peuvent être utilisées. Une gamme de drones peut être utilisée, dont le modèle désigné dans le protocole ne sert qu’une option et peut être remplacé par n’importe quel drone possédant une intégration de navigation automatique, la capacité de s’adapter à un cardan, la capacité de voler jusqu’à 50 mètres, une capacité de charge utile supérieure à celle de la caméra sélectionnée et une portée couvrant toute la zone d’étude. Lors du choix d’une caméra pour drone, il est important de prendre en compte des facteurs tels que la résolution maximale, les pixels d’image effectifs, les pixels maximum et d’autres paramètres d’imagerie, ainsi que les restrictions de taille et de poids de la charge du drone. De plus, une portée adéquate est nécessaire pour mener à bien le processus de tournage. De plus, le modèle d’identification n’est pas la seule méthode et peut être ajusté pour plusieurs espèces de plantes envahissantes, telles que les plantes ligneuses ou divers types de plantes, afin d’améliorer la méthode suggérée. Cette stratégie peut également être transformée en un algorithme de régression qui utilise moins d’échantillons, acquiert des indices de végétation supplémentaires et atteint un degré de précision accru. Alternativement, un réseau d’identification réduit pourrait être mis en place pour identifier les plantes envahissantes, permettant le déploiement pratique de méthodes d’identification intelligentes.

La principale contrainte de la méthode présentée est la dépendance du modèle aux conditions d’éclairage et à l’arrière-plan. Des améliorations vers une plus grande précision ne peuvent venir qu’avec une incorporation plus poussée des données multispectrales26, LiDAR12 et météorologiques27. L’acquisition de ce type de données peut être difficile et peut nécessiter un équipement coûteux, mais nous pouvons améliorer la précision de nos données en évitant la lumière directe du soleil et en isolant les arrière-plans des plantes pendant que nous échantillonnons la zone via notre système de tournage par drone.

L’avantage de l’utilisation de cette méthodologie, par rapport à d’autres, réside dans sa capacité à fournir la distribution spatiale des espèces végétales envahissantes dans la zone d’étude désignée. La distribution est déterminée par une analyse de régression, en utilisant six indices de végétation extraits d’images capturées par le système de caméra UAV comme entrées, avec la biomasse comme sortie du modèle. Cette approche utilise une méthode portable pour estimer la biomasse dans plusieurs zones d’étude simultanément, ce qui est fondamentalement distinct des méthodes de collecte manuelle de la biomasse précédentes. La méthode conventionnelle consiste à effectuer manuellement des relevés et à collecter des quantités importantes, ce qui est inefficace et subjectif28, ce qui ne permet pas de fournir une estimation pratique de la biomasse dans des conditions complexes.

L’estimation de la biomasse végétale envahissante à l’aide de la méthodologie susmentionnée permet de quantifier la distribution régionale. En outre, il offre une assistance technique pour la surveillance intelligente et l’évaluation des dangers au niveau régional.

Disclosures

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

Les auteurs n’ont rien à divulguer.

Acknowledgements

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

L’auteur remercie l’Académie chinoise des sciences agricoles et l’Université du Guangxi pour leur soutien à ce travail. Les travaux ont été soutenus par le Programme national de R&D clé de la Chine (2022YFC2601500 et 2022YFC2601504), la Fondation nationale des sciences naturelles de Chine (32272633), le Programme des sciences et technologies de Shenzhen (KCXFZ20230731093259009)

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Appareil photo reflex numériqueNikonD850Type de capteur : CMOS ; Nombre maximum de pixels : 46,89 millions ; Nombre effectif de pixels : 45,75 millions ; Résolution maximale 8256 x 5504.
GPU - Unité de traitement graphiqueNVIDIA  ;
HexacoptèreDJI  ;M600PROVol horizontal : 65 km/h (pas d’environnement venteux) ; Charge maximale en vol : 6000 g
PyCharmPython IDE2023.1
PythonPython3.8.0
PytorchPytorch1.8.1
RTX3090

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