Method Article

הערכת ביומסה מבוססת ראייה ממוחשבת לצמחים פולשים

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

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

אנו מדווחים על נהלים מפורטים לשיטת הערכת ביומסה של צמחים פולשים, המשתמשת בנתונים המתקבלים מחישה מרחוק של כלי טיס בלתי מאוישים (כטב"מים) כדי להעריך ביומסה וללכוד את ההתפלגות המרחבית של מינים פולשים. גישה זו הוכחה כמועילה ביותר לביצוע הערכת סיכונים והתרעה מוקדמת על צמחים פולשים.

Abstract

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

אנו מדווחים על השלבים המפורטים של שיטה להערכת הביומסה של צמחים פולשים בהתבסס על חישה מרחוק של מל"טים וראייה ממוחשבת. כדי לאסוף דגימות מאזור המחקר, הכנו מכלול ריבועי מדגם כדי לחלק את נקודות הדגימה באופן אקראי. מערכת מצלמות אוויריות בלתי מאוישות נבנתה באמצעות רחפן ומצלמה כדי לקבל תמונות RGB רציפות של אזור המחקר באמצעות ניווט אוטומטי. לאחר השלמת הצילום, נאספה הביומסה העילית במסגרת הדגימה, וכל ההתכתבויות סומנו ונארזו. נתוני הדגימה עובדו, ותצלומי האוויר חולקו לתמונות קטנות של 280 x 280 פיקסלים כדי ליצור מערך נתוני תמונה. רשת עצבית קונבולוציונית עמוקה שימשה למיפוי תפוצתו של Mikania micrantha באזור המחקר, והתקבל מדד הצמחייה שלו. האורגניזמים שנאספו יובשו, והמשקל היבש נרשם כביומסה של אמת הקרקע. מודל רגרסיה ביומסה של צמחים פולשים נבנה באמצעות רגרסיה של שכן קרוב K (KNNR) על ידי חילוץ אינדקס הצמחייה מתמונות הדגימה כמשתנה בלתי תלוי ושילובו עם ביומסת האמת הקרקעית כמשתנה תלוי. התוצאות הראו כי ניתן לחזות את הביומסה של צמחים פולשים במדויק. מפת פיזור מרחבית מדויקת של ביומסה של צמחים פולשים נוצרה על ידי חציית תמונה, המאפשרת זיהוי מדויק של אזורים בסיכון גבוה המושפעים מצמחים פולשים. לסיכום, מחקר זה מדגים את הפוטנציאל של שילוב חישה מרחוק של כלי טיס בלתי מאוישים עם טכניקות למידת מכונה כדי להעריך ביומסה פולשנית של צמחים. היא תורמת באופן משמעותי למחקר של טכנולוגיות ושיטות חדשות לניטור בזמן אמת של צמחים פולשים ומספקת תמיכה טכנית לניטור חכם והערכת סיכונים בקנה מידה אזורי.

Introduction

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

בפרוטוקול זה, השיטה המוצעת להערכת ביומסה פולשנית המבוססת על חישה מרחוק של כטב"ם וראייה ממוחשבת יכולה לשקף את התפלגות האורגניזמים הפולשים ולחזות את מידת הסיכון הביולוגי הפולשני. הערכות של תפוצה וביומסה של אורגניזמים פולשים הן קריטיות למניעה ולבקרה של אורגניזמים אלה. ברגע שצמחים פולשים פולשים, הם יכולים לפגוע במערכת האקולוגית ולגרום להפסדים כלכליים עצומים. זיהוי מהיר ומדויק של צמחים פולשים והערכת ביומסה של צמחים פולשים מרכזיים הם אתגרים גדולים בניטור ובקרה פולשניים של צמחים. בפרוטוקול זה, ניקח את Mikania micrantha כדוגמה לחקור שיטת הערכת ביומסה פולשנית של צמחים המבוססת על חישה מרחוק אווירית בלתי מאוישת וראייה ממוחשבת, המספקת גישה ושיטה חדשה למחקר אקולוגי של צמחים פולשים ומקדמת את המחקר האקולוגי והניהול של צמחים פולשים.

כיום, מדידת הביומסה של Mikania micrantha נעשית בעיקר על ידי דגימה ידנית1. השיטות המסורתיות למדידת ביומסה זקוקות לכוח עבודה רב ולמשאבים חומריים, שאינם יעילים ומוגבלים על ידי השטח; קשה לענות על הצרכים של הערכת ביומסה אזורית של Mikania micrantha. היתרון הגדול בשימוש בפרוטוקול זה הוא שהוא מספק שיטה לכימות ביומסה אזורית של צמחים פולשים ופיזור מרחבי של צמחים פולשים באופן שאינו לוקח בחשבון את מגבלות הדגימה של השטח ומייתר את הצורך בסקרים ידניים.

טכנולוגיית חישה מרחוק של כטב"מים השיגה תוצאות מסוימות בהערכת ביומסה של צמחים והייתה בשימוש נרחב בחקלאות 2,3,4,5,6,7, ייעור 8,9,10,11 ושטחי מרעה 12,13,14. לטכנולוגיית חישה מרחוק של כטב"ם יש את היתרונות של עלות נמוכה, יעילות גבוהה, דיוק גבוה והפעלה גמישה15,16, אשר יכולה להשיג ביעילות נתוני תמונת חישה מרחוק באזור המחקר; לאחר מכן, תכונת המרקם ואינדקס הצמחייה של תמונת חישה מרחוק מופקים כדי לספק תמיכה בנתונים להערכת ביומסה של צמחים בשטח גדול. שיטות הערכת הביומסה הנוכחיות של צמחים מסווגות בעיקר למודלים פרמטריים ולא פרמטריים17. עם הפיתוח של אלגוריתמים של למידת מכונה, מודלים לא פרמטריים של למידת מכונה עם דיוק גבוה יותר היו בשימוש נרחב בהערכת חישה מרחוק של ביומסה של צמחים. Chen et al.18 השתמשו ברגרסיה לוגיסטית מעורבת (MLR), KNNR ורגרסיית יער אקראית (RFR) כדי להעריך את הביומסה מעל פני הקרקע של יערות במחוז יונאן. הם הגיעו למסקנה כי מודלים של למידת מכונה, במיוחד KNNR ו- RFR, הביאו לתוצאות טובות יותר בהשוואה ל- MLR. Yan et al.19 השתמשו במודלי רגרסיה של RFR ו-XGBR (extreme gradient boosting) כדי להעריך את הדיוק של הערכת ביומסה של יער סובטרופי באמצעות קבוצות שונות של משתנים. טיאן ועמיתיו השתמשו באחד עשר מודלים של למידת מכונה כדי להעריך את הביומסה מעל פני הקרקע של מיני יערות מנגרובים שונים במפרץ בייבואן. החוקרים גילו כי שיטת XGBR הייתה יעילה יותר בקביעת הביומסה העילית של יערות מנגרובים. הערכת ביומסה צמחית באמצעות חישה מרחוק בין אדם למכונה היא פרקטיקה מבוססת היטב, עם זאת, השימוש במל"ט להערכת ביומסה של הצמח הפולש Mikania micrantha טרם דווח הן ברמה המקומית והן ברמה הבינלאומית. גישה זו שונה באופן מהותי מכל השיטות הקודמות להערכת ביומסה עבור צמחים פולשים, במיוחד Mikania micrantha.

לסיכום, לחישה מרחוק של מל"ט יש את היתרונות של רזולוציה גבוהה, יעילות גבוהה ועלות נמוכה. בחילוץ משתנה התכונה של תמונות חישה מרחוק, תכונות מרקם בשילוב עם אינדקסי צמחייה יכולות להשיג ביצועי חיזוי רגרסיה טובים יותר. מודלים לא פרמטריים יכולים לקבל מודלים מדויקים יותר של רגרסיה מאשר מודלים פרמטריים בהערכת ביומסה של צמחים. לכן, כדי לחשב את התפלגות האפס של צמחים פולשים ואת הביומסה שלהם במדויק, אנו מציעים את ההליכים המתוארים הבאים לניסוי ביומסה של צמחים פולשים המסתמך על חישה מרחוק באמצעות כטב"מים וראייה ממוחשבת.

Protocol

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

1. הכנת מערכי נתונים

  1. בחירת אובייקט המחקר
    1. בחר דגימות בדיקה בהתבסס על מוקד המחקר הניסויי, תוך התחשבות באפשרויות כמו Mikania micrantha או צמחים פולשים אחרים.
  2. איסוף תמונות מכלי טיס בלתי מאוישים
    1. הכינו מסגרות פלסטיק מרובעות בגודל 0.5 מ' * 0.5 מ' ובכמות 25-50, בהתאם לגודל השטח הנלמד.
    2. השתמש בגישת דגימה אקראית כדי לקבוע את מיקומי דגימת הקרקע באזור המחקר באמצעות מספר מספיק של דגימות ביומסה. מקמו את מסגרת הדגימה אופקית מעל הצמחייה, והקיפו את הצמחים במלואם עם מרחק הפרדה מינימלי של 2 מ' בין כל צמח.
    3. השתמשו ברחפן ובמצלמה כדי ליצור מערכת צילום לחישה מרחוק של כטב"מים, כפי שמוצג באיור 1.
    4. השתמש במל"ט כדי להתוות את המסלול בתוך אזור המחקר שצוין. מערך תכנון המסלול מוצג באיור 2.
      1. קבע שיעור חפיפה של 70 ראש וצד, צלם תמונות במרווחי זמן אחידים של 2 שניות, שמור על זווית המצלמה בניצב לקרקע ב- 90° ומקם את גובה המצלמה על 30 מ'. התוצאה הייתה נתוני תמונה גלויים רציפים של אזור המחקר ברזולוציית תמונה אחת בגודל 8256 x 5504 פיקסלים, כפי שמתואר באיור 3.
    5. אחסן תצלומי אוויר לעיבוד עוקב באמצעות תוכנת Python להערכת ביומסה.
  3. איסוף הביומסה מעל פני הקרקע
    1. אסוף את הביומסה העילית של Mikania micrantha באופן ידני בתוך כל חלקת דגימה לאחר השלמת איסוף נתוני המזל"ט. שקית אותם ותייגו כל שקית בהתאם.
      1. בעת איסוף Mikania micrantha, למנוע חלקות מדגם לזוז. ראשית, חתכו את Mikania micrantha לאורך הקצה הפנימי של חלקת הדגימה.
      2. לאחר מכן, לחתוך את קנה השורש של Mikania micrantha מלמטה. הסירו לכלוך, סלעים או צמחים אחרים שמעורבבים בהם. לבסוף, שקית ותייגו את הדגימות.
    2. הביאו את הדגימות שנאספו של צמחים פולשים משלב 1.3.1 למעבדה. ייבשו באוויר את כל הדגימות שנאספו כדי לאדות את רוב הלחות.
    3. כדי להסיר לחות נוספת מדגימות מיובשות באוויר, השתמשו בתנור. הגדר את הטמפרטורה ל 55 °C. יבש את הדגימות במשך 72 שעות, ולאחר מכן שקול כל דגימה על איזון אלקטרוני ורשום את נתוני הביומסה בגרמים (g).
      1. הניחו את האיזון האלקטרוני בסביבה ללא הפרעה, שקלו, כיילו והמשיכו לשקול. הניחו שקיות של Mikania micrantha על האיזון האלקטרוני, המתינו שהקריאות יתייצבו ותיעדו את הקריאות.
      2. שקלו את המיקניה מיקרנטה כל שעה עד שהמסה כבר לא תשתנה ותיעדו את הקריאה פחות משקל השקית כמסה הנמדדת של אותה דגימה. חשב את הביומסה מעל פני הקרקע של הצמח הפולש באמצעות הנוסחה הבאה:
        figure-protocol-1
        כאשר B מייצג את הביומסה של Mikania micrantha בגרמים למטר רבוע (g/m2), M הוא המשקל של Mikania micrantha הנמדד, הנמדד בגרמים (g), S מתאים לשטח חלקת המדגם במטרים רבועים (m2).
  4. יצירת ערכת נתונים
    1. חלצו את תמונת RGB המתאימה לתמונת הדגימה מתמונת הכטב"ם המקורית. חלקו אותו לרשת של 280 × 280 פיקסלים באמצעות תכנות Python (Supplementray איור 1).
    2. פלחו את נתוני התמונה הגולמית לתמונות קטנות יותר באותו גודל כמו התמונות לדוגמה באמצעות תכנות Python. השתמש בשיטת חלון ההזזה לסגמנטציה, והגדר את השלבים האופקיים והאנכיים ל- 280 פיקסלים.
    3. מתוך התמונות הקטנות המחולקות לשלב 1.4.2, בחר באופן אקראי 880 תמונות צמחים פולשים ו- 1500 תמונות רקע כדי ליצור ערכת נתונים. לאחר מכן, פצלו את מערך הנתונים הזה לערכות אימון, אימות ובדיקות ביחס של 6:2:2 (Supplementray איור 2).

2. זיהוי של Mikania micrantha

  1. הכנת התוכנה
    1. עבור אל האתר הרשמי של אנקונדה (https://www.anaconda.com/) והורד והתקן את אנקונדה. לאחר מכן, עבור אל אתר האינטרנט של PyCharm (https://www.jetbrains.com/pycharm/) והורד את PyCharm IDE.
  2. יצירת סביבת Conda.
    1. פתח את שורת הפקודה של Anaconda Prompt לאחר התקנת Anaconda, ולאחר מכן הקלד conda create -n pytorch python==3.8 כדי ליצור סביבת Conda חדשה. לאחר יצירת הסביבה, הזן מידע קונדה --envs כדי לאשר שסביבת pytorch קיימת.
    2. פתח את בקשת אנקונדה והפעל את סביבת pytorch על ידי הזנת conda activate pytorch. בדוק את גירסת CUDA הנוכחית (Compute Unified Device Architecture) על-ידי הקלדת nvidia-smi. לאחר מכן, התקן את PyTorch גרסה 1.8.1 על ידי הפעלת הפקודה conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.0 -c pytorch.
  3. פועל לזיהוי דגמים
    הערה: השתמש ב- PyTorch כדי לבנות את Mikania micrantha מודל הזיהוי המשמש במאמר זה. מודל הרשת בו נעשה שימוש הוא ResNet10121אשר נשאר עקבי עם המאמר המקורי בארכיטקטורה שלו., שינויים מתבצעים בסעיף הפלט של הרשת כדי לעמוד בדרישות לזיהוי קמומיל.
    1. עיבדו מראש את התמונות כדי להכין אותן לקלט הדגם. שנה את גודל התמונות מ- 280 x 280 פיקסלים ל- 224 x 224 פיקסלים ונמל אותן כדי להבטיח שהן עומדות בדרישות הגודל של הדגם באמצעות הקוד הבא:
      שינוי צורה = שינוי צורה. קומפוז([
      המרות. שינוי גודל((224, 224)),
      המרות. ToTensor(),
      המרות. לנרמל ([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
    2. בצע חילוץ תכונות תמונה והפחת ממדיות באמצעות רשת עצבית קונבולוציונית.
      1. ראשית, אתחל את שכבת הקונבולוציה לחילוץ התכונות הראשוני באמצעות self.conv1. עם שכבת הפיתול הזו, התמונה המקורית מפותלת למפת תכונות עם self.in_channel ערוצים לחילוץ תכונות ראשוניות (איור משלים 3A).
        הערה: תכונות מתקדמות מחולצות בפעולת פיתול במעברים השיוריים. שכבות אלה מיוצרות על ידי הפעלת פונקציית _make_layer , הכוללת רצף של בלוקים שיורית. כל בלוק שיורי מורכב מפונקציות פיתול, נורמליזציה של אצווה והפעלה כדי לחלץ בהדרגה תכונות מתוחכמות (איור משלים 3B).
      2. השתמש בפונקציית השכבה כדי לשנות את מספר הערוץ להפחתת ממדיות באמצעות פיתול 1x1. פעולה זו מפחיתה את העומס החישובי תוך שמירה על תכונות משמעותיות (איור משלים 3C).
        הערה: בסך הכל, ResNet101 מבצע חילוץ תכונות באמצעות שכבות קונבולוציה שונות, והפחתת ממדיות מושגת באמצעות שכבות קונבולוציה 1x1 בתוך הבלוק השיורי. גישה זו מאפשרת לרשת ללמוד תכונות באופן מעמיק יותר ולהימנע מבעיית היעלמות הדרגתית, ובכך מאפשרת למידה יעילה יותר וייצוג של תכונות תמונה למשימות מורכבות.
      3. לאחר פיתולים ופעולות איגום, הזן את התכונות האיכותיות לשכבה מחוברת במלואה.
        הערה: בארכיטקטורת ResNet, חילוץ התכונות מתבצע בשכבת הפיתול. תכונות אלה נשלחות לאחר מכן לשכבת החיבור המלא (FC) לצורך סיווג (איור משלים 4). הפעולה self.avgpool(x) מבצעת איגום ממוצע אדפטיבי כדי לעצב מחדש את הטנזור לגודל קבוע. הפעולה torch.flatten(x, 1) מפזרת את הטנזור לווקטור חד-ממדי, ו-self.fc(x) מיישמת את השכבה המחוברת במלואה לווקטור השטוח, ובסופו של דבר משמשת כשלב האחרון לסיווג. תהליך זה מעביר ביעילות את התכונות שחולצו דרך שכבת הפיתול, והופך אותן לפורמט המתאים לסיווג באמצעות השכבה המחוברת במלואה.
      4. השתמש בפונקציה Softmax כדי לקבל את הפלט הסופי בהתבסס על שלוש דרישות הסיווג.
    3. תרגל מודל זיהוי רב-שכבתי עם ערכת הנתונים משלב 1.4. הגדר את מספר האיטרציות ל- 200 וקצב למידה התחלתי של 0.0001. הפחיתו את קצב הלמידה בשליש כל 10 חזרות עם גודל אצווה של 64. שמור את פרמטרי המודל האופטימליים באופן אוטומטי לאחר כל איטרציה (איור משלים 5).
    4. השתמש במודל זיהוי מיומן בקפידה וחצה באופן שיטתי את התמונה המקורית משלב 1.2.2 למטרות זיהוי.
      1. הגדר צעדים אופקיים ואנכיים בדיוק ב 280 פיקסלים, וכתוצאה מכך יצירת מפת הפצה מקיפה המדגישה את נוכחותה של צמחייה פולשת בתוך גבולות אזור המחקר. הצג את התוצאות שנבחרו באופן חזותי כפי שמוצג באיור 4.
        הערה: התמונה הראשונית מעובדת מראש על ידי פילוח שלה לגושים קטנים יותר, סיווג כל גוש באמצעות מודל למידה עמוקה מאומן, ושילוב התוצאות לתמונת פלט. אם גוש מסווג כצמח פולש, המיקום המתאים בתמונת הפלט מוגדר ל- 255. תמונת הפלט המתקבלת נשמרת כקובץ תמונה בגווני אפור. קוד היישום הספציפי מוצג באיור משלים 6.

3. הערכת ביומסה פולשת של צמחים

  1. בצע הגדלת נתונים פשוטה באמצעות הפונקציות RandomResizedCrop ו - RandomHorizontalFlip (איור משלים 7) כדי להרחיב את ערכת התמונות שנוצרה בשלב 1.2 ולחלץ את ששת מדדי הצמחייה המשמשים בדרך כלל להערכת ביומסה, שהם RBRI, GBRI, GRRI, RGRI, NGBDI ו- NGRDI. עיין בלוח 1 לקבלת נוסחאות החישוב של מדדים אלה.
  2. צור מודל K-nearest neighbor regression (KNNR)22 באמצעות פלט המודל כדי להבטיח הערכה מדויקת של הביומסה של צמחים פולשים. השתמש במדדי הצמחייה שחולצו כתשומות למודל האומדן.
  3. השתמש במקדם הקביעה R2 וב- Root Mean Square Error (RMSE)23 כדי להעריך את דיוק המודל, המחושב באופן הבא:
    figure-protocol-2
    figure-protocol-3
    הערה: אלגוריתם K-Nearest Neighbor Regression (KNNR) הוא טכניקת למידת מכונה לא פרמטרית המשמשת לפתרון בעיות רגרסיה. הרעיון הבסיסי שלה הוא לחזות תוצאות על ידי קביעת שכני K הקרובים ביותר במרחב התכונות בהתבסס על מרחקי דגימת קלט. היתרונות העיקריים של השימוש ב- KNNR כוללים את הפשטות וקלות ההבנה שלו, והוא אינו דורש שלב הכשרה. בנוסף, KNNR אינה מניחה הנחות מוגזמות לגבי התפלגות הנתונים. KNNR יכול להיות מיושם בבעיות רגרסיה כדי לצפות משתנים אובייקטיביים מתמשכים ולהעריך במדויק את הביומסה של צמחים פולשים.
  4. השתמש במודל הערכת הביומסה מעל פני הקרקע שנבחר בשלב 3.2 וסרוק את מפת התפלגות הצמחים הפולשים משלב 2.3.4 בצעדים אופקיים ואנכיים של 280 פיקסלים.

Results

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

אנו מציגים תוצאות מייצגות של שיטה מבוססת ראייה ממוחשבת להערכת צמחים פולשים, המיושמת באופן תכנותי במחשב. בניסוי זה הערכנו את ההתפלגות המרחבית והערכנו את הביומסה של צמחים פולשים בסביבתם הטבעית, תוך שימוש במיקניה מיקרנטה כנושא מחקר. השתמשנו במערכת מצלמות רחפן כדי להשיג תמונות של אתר המחקר, שחלק מהן מוצג באיור 3. השתמשנו ברשת העצבית הקונבולוציונית ResNet101 כדי לזהות את הצמחים הנמצאים באזור המחקר. לאחר מכן, מיפינו את הפיזור המרחבי של צמחים פולשים והדגמנו חלק מהממצאים שלנו באיור 4. באיור 3 אפשר לראות את Mikania micrantha מטפס על גבי צמח מעוטר בפרחים לבנים. הצמחים האחרים, כמו גם הדרך והאלמנטים הנלווים, מתוארים באופן אחיד ברקע. באיור 4, המודל מזהה את החלק האדום כ-Mikania micrantha. בהשוואה בין שתי קבוצות התמונות, ניכר כי ResNet101 מדגים זיהוי חזק של Mikania micrantha ברקעים מורכבים. יתר על כן, הוא ממפה במדויק את התפלגות Mikania micrantha באזור המחקר בדיוק גבוה.

הביומסה של צמחים פולשים באזור המחקר הוערכה על ידי חיתוך כל תמונות העלילה לדוגמה של Mikania micrantha מאורתופוטו ב 280 × 280 פיקסלים וחילוץ מדדי הצמחייה RBRI, GBRI, GRRI, RGRI, NGBDI ו- NGBDI. ניתוח רגרסיה נערך באמצעות מודל רגרסיה KNNR, כאשר ששת המדדים כתשומות למודל האומדן והביומסה כפלט המודל. איור 5 מציג את התוצאות: הקואורדינטות האופקיות של הגרף מייצגות את הערכים של הביומסות שנמדדו בשדה, הקואורדינטות האנכיות מייצגות את הערכים של הביומסות שנחזו על-ידי המודל, והאזורים האפורים מייצגים את רווחי הסמך. התוצאות מראות ביצועי חיזוי חזקים, עם ערך R² של 0.62 ו-RMSE של 10.56 גרם/מ"ר 2. המודל משפר את הדיוק של הערכת הביומסה של Mikania micrantha, ומפת ההתפלגות המרחבית באיור 6 לוכדת ביעילות את ההתפלגות של הביומסה Mikania micrantha .

figure-results-1
איור 1: מערכות חישה מרחוק של מל"טים. כמה דוגמאות לנתוני תמונת RGB שצולמו על ידי כטב"ם. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-2
איור 2: תכנון מסלול. מחקר על תכנון מסלולים אזוריים לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-3
איור 3: תוצאות זיהוי צמחים פולשים באזור המחקר. האיור מציג את ממצאי זיהוי Mikania micrantha באזור המחקר באמצעות רשת עצבית קונבולוציונית ResNet101. האזור האדום בתמונה מציין את האזור שזוהה על-ידי ResNet101 כ-Mikania micrantha, בעוד שהרקע השני מציין את שאר אזור המחקר. התוצאות האלה תואמות לתמונות הדגימה שמוצגות באיור 1. הם מייצגים את תוצאות הזיהוי של איור 1, בהתאמה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-4
איור 4: התפלגות מרחבית של צמחים פולשים. המודל מזהה את החלק האדום כמיקניה מיקרנתה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-5
איור 5: תוצאות רגרסיה של חיזוי ביומסה. הציר האופקי מציג ערכי ביומסה שנצפו בשדה, ואילו הציר האנכי מציג ערכי ביומסה המוערכים על ידי המודל. האזורים האפורים מציינים רווחי סמך. מודל KNNR השיג R2 של 0.65 בקבוצת הבדיקה, בעוד שהשגיאה הריבועית הממוצעת הנמוכה ביותר של השורש הסתכמה ב- 30.59 g/m2. בתרשים פיזור הרגרסיה של המודל, הערכות ביומסה רבות של Mikania micrantha היו בתוך רווח בר-סמך, מה שמצביע על תקפות חיזוי הביומסה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-6
איור 6: התפלגות מרחבית של ביומסה Mikania micrantha . האיור ממחיש את האומדן של הביומסה Mikania micrantha בכל אזור המחקר תוך שימוש ב-KNNR כמודל החיזוי, יחד עם מפת התפלגות הביומסה Mikania micrantha שחולצה. אזורים מוצלים כהים יותר מייצגים כמויות גדולות יותר של ביומסה Mikania micrantha . אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-7
איור 7: תרשים סכמטי של הפיתוח העיקרי של פרוטוקול זה. האיור ממחיש את השלבים העיקריים של הפרוטוקול שהוצג. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

שם אינדקס הצומחנוסחת חישוב
מדד יחס כחול ירוקGBRI = DNG/DNB
מדד היחס האדום הירוקGRRI = DNG/DNR
מדד יחס אדום כחולRBRI = DNR/DNB
מדד היחס הירוק האדוםRGRI = DNR/DNG
מדד הפרשים ירוק כחול מנורמלNGBDI = (DNG - DNB)/(DNG + DNB)
מדד הפרשים אדום ירוק מנורמלNGRDI = (DNG - DNR)/(DNG + DNR)

טבלה 1: נוסחת חישוב מדד הצומח. מדדי הצמחייה המשמשים בפרוטוקול זה ונוסחאות החישוב שלהם.

איור משלים 1: חיתוך תמונה ל- 280 x 280 פיקסלים באמצעות סקריפט Python באמצעות ספריית OpenCV. אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 2: חלוקת ערכת הנתונים לערכת אימונים, ערכת אימות וערכת בדיקות. אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 3: מיצוי תכונות וצמצום ממדיות. (A) חילוץ תכונות ראשוני. (ב) פעולת פיתול. (ג) צמצום המימדיות. אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 4: העברת התכונות לשכבת FC בארכיטקטורת ResNet. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 5: קביעת הפרמטרים. אנא לחץ כאן כדי להוריד קובץ זה.

Supplemnetary איור 6: קוד היישום הספציפי ליצירת מפת הפצה מקיפה. אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 7: פונקציות RandomResizedCrop ו- RandomHorizontalFlip. אנא לחץ כאן כדי להוריד קובץ זה.

Discussion

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

אנו מציגים את השלבים המפורטים של ניסוי להערכת הביומסה של צמחים פולשים באמצעות חישה מרחוק של מל"טים וראייה ממוחשבת. התהליך והשלבים העיקריים של הסכם זה מוצגים באיור 7. איכות מדגם נכונה היא אחד ההיבטים המכריעים והמאתגרים ביותר של התוכנית. חשיבות זו נכונה לכל הצמחים הפולשים כמו גם לכל ניסוי אחר להערכת ביומסה של צמחים24.

כדי לזהות את התפלגות הצמחים הפולשים באזור המחקר, עלינו לרכוש תחילה פוטוגרמטריה גלויה ורציפה של אזור המחקר באמצעות חישה מרחוק מכטב"ם. לשם כך יש צורך בגובה צילום מתאים של המל"ט וברזולוציית המצלמה. זה יבטיח כי ResNet101, רשת עצבית קונבולוציונית, יכול לקבל תכונות כגון אינדקס צמחייה ומרקם מהתמונה. תכונות אלה מסייעות לזהות צמחים פולשים גם על רקע סביבתי מורכב ובסופו של דבר למפות את תפוצתם באזור המחקר.

כדי להעריך את הביומסה של צמחים פולשים באזור המחקר, יש צורך ליצור מסגרות מדגם מרובעות25 עם 25-50 נקודות דגימה אקראיות. לאחר שהמערכת האווירית הבלתי מאוישת משלימה את תהליך הצילום, יש צורך לאסוף את הצמחים הפולשים ממסגרות הדגימה. חשוב לציין, כאמור בחלק הראשון, כי איסוף הביומסה מהמסגרות צריך להיעשות ללא הזזתן ובדייקנות על ידי הקצאת מספרים ייחודיים. בנוסף, יש לייבש את הביומסה בעדינות ולשקול אותה במעבדה כדי לקבל מדידה מדויקת. מודל הרגרסיה KNNR18 שימש להשגת הפיזור המרחבי של צמחים פולשים, תוך שימוש בשישה מדדי צמחייה שהופקו מתמונות שנרכשו על ידי מערכת מצלמות הכטב"ם כקלט למודל האומדן וביומסה כפלט המודל.

השיטות המתוארות במאמר זה להערכת אוכלוסיות צמחים פולשות אינן ממצות. ניתן להשתמש בכלים נוספים כדי להשיג נתונים דומים, וניתן להשתמש בשינויים מעשיים או חדשניים רבים. ניתן להשתמש במגוון רחפנים, מתוכם הדגם הייעודי בפרוטוקול משמש כאופציה אחת בלבד וניתן להחליפו בכל רחפן בעל אינטגרציית ניווט אוטומטי, יכולת הסתגלות לגימבל, יכולת טיסה עד 50 מטר, קיבולת מטען העולה על זו של המצלמה הנבחרת וטווח המכסה את כל שטח המחקר. בעת בחירת מצלמה לכטב"ם, חשוב לקחת בחשבון גורמים כגון רזולוציה מקסימלית, פיקסלים אפקטיביים בתמונה, פיקסלים מקסימליים ופרמטרי הדמיה אחרים, כמו גם את מגבלות הגודל והמשקל של עומס הכטב"ם. בנוסף, יש צורך בטווח מתאים לסיום מוצלח של תהליך הצילום. יתר על כן, מודל הזיהוי אינו השיטה היחידה וניתן להתאים אותו למספר מיני צמחים פולשים, כגון עציים או סוגים שונים של צמחים, כדי לשפר את השיטה המוצעת. אסטרטגיה זו יכולה גם להתקדם לאלגוריתם רגרסיה המעסיק פחות דגימות, רוכש מדדי צמחייה נוספים ומשיג רמת דיוק מוגברת. לחלופין, ניתן ליישם רשת זיהוי מופחתת לזיהוי צמחים פולשים, שתאפשר פריסה מעשית של שיטות זיהוי חכמות.

האילוץ העיקרי של השיטה המוצגת הוא התלות של הדגם בתנאי תאורה וברקע. שיפורים לקראת דיוק גבוה יותר יכולים להגיע רק עם שילוב נוסף של מולטיספקטרלי26, LiDAR12, ונתונים מטאורולוגיים27. השגת נתונים מסוג זה יכולה להיות מאתגרת ועשויה לדרוש ציוד יקר, אך אנו יכולים להגביר את דיוק הנתונים שלנו על ידי הימנעות מאור שמש ישיר ובידוד הרקעים של צמחים בזמן שאנו דוגמים את האזור באמצעות מערכת צילום המל"טים שלנו.

היתרון בשימוש במתודולוגיה זו, בניגוד לאחרות, טמון ביכולתה לספק את התפוצה המרחבית של מיני צמחים פולשים באזור המחקר המיועד. ההתפלגות נקבעת באמצעות ניתוח רגרסיה, תוך שימוש בשישה מדדי צמחייה שחולצו מתמונות שצולמו באמצעות מערכת מצלמות הכטב"ם כתשומות, כאשר ביומסה היא הפלט של המודל. גישה זו משתמשת בשיטה ניידת להערכת ביומסה במספר תחומי מחקר בו זמנית, הנבדלת באופן מהותי משיטות איסוף ביומסה ידניות קודמות. השיטה המקובלת כוללת ביצוע ידני של סקרים ואיסוף כמויות משמעותיות, דבר שאינו יעיל וסובייקטיבי28 , ובכך אינה מספקת הערכה מעשית של ביומסה בהינתן תנאים מורכבים.

אומדן ביומסה פולשת של צמחים באמצעות המתודולוגיה הנ"ל מאפשר כימות של תפוצה אזורית. יתר על כן, הוא מציע סיוע טכני לניטור חכם והערכת סיכונים ברמה האזורית.

Disclosures

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

למחברים אין מה לחשוף.

Acknowledgements

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

המחבר מודה לאקדמיה הסינית למדעי החקלאות ולאוניברסיטת גואנגשי על התמיכה בעבודה זו. העבודה נתמכה על ידי תוכנית המו"פ הלאומית של סין (2022YFC2601500 & 2022YFC2601504), הקרן הלאומית למדעי הטבע של סין (32272633), תוכנית המדע והטכנולוגיה של שנזן (KCXFZ20230731093259009)

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
מצלמת DSLRNikonD850סוג חיישן: CMOS; מספר פיקסלים מרבי: 46.89 מיליון; מספר פיקסלים אפקטיבי: 45.75 מיליון; רזולוציה מקסימלית 8256 x 5504.
GPU - יחידת עיבוד גרפיNVIDIA 
הקסקופטרDJI M600PROטיסה אופקית: 65 קמ"ש (ללא סביבת רוח); עומס טיסה מרבי: 6000 גרם
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