Method Article

Estimativa de biomassa baseada em visão computacional para plantas invasoras

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

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

Relatamos procedimentos detalhados para um método de estimativa de biomassa de plantas invasoras que utiliza dados obtidos de sensoriamento remoto de veículos aéreos não tripulados (UAV) para avaliar a biomassa e capturar a distribuição espacial de espécies invasoras. Essa abordagem é altamente benéfica para a realização de avaliação de perigos e alerta precoce de plantas invasoras.

Abstract

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

Relatamos as etapas detalhadas de um método para estimar a biomassa de plantas invasoras com base em sensoriamento remoto UAV e visão computacional. Para a coleta de amostras da área de estudo, foi elaborado um quadrado amostral para randomizar os pontos amostrais. Um sistema de câmera aérea não tripulada foi construído usando um drone e uma câmera para adquirir imagens RGB contínuas da área de estudo por meio de navegação automatizada. Após a conclusão da filmagem, a biomassa acima do solo no quadro de amostra foi coletada e todas as correspondências foram rotuladas e embaladas. Os dados da amostra foram processados e as imagens aéreas foram segmentadas em pequenas imagens de 280 x 280 pixels para criar um conjunto de dados de imagens. Uma rede neural convolucional profunda foi utilizada para mapear a distribuição de Mikania micrantha na área de estudo, e seu índice de vegetação foi obtido. Os organismos coletados foram secos e o peso seco foi registrado como a biomassa da verdade fundamental. O modelo de regressão de biomassa de plantas invasoras foi construído usando a regressão K-vizinho mais próximo (KNNR), extraindo o índice de vegetação das imagens da amostra como uma variável independente e integrando-o com a biomassa de verdade do solo como uma variável dependente. Os resultados mostraram que foi possível prever com precisão a biomassa de plantas invasoras. Um mapa preciso de distribuição espacial da biomassa de plantas invasoras foi gerado por passagem de imagens, permitindo a identificação precisa de áreas de alto risco afetadas por plantas invasoras. Em resumo, este estudo demonstra o potencial de combinar sensoriamento remoto de veículos aéreos não tripulados com técnicas de aprendizado de máquina para estimar a biomassa de plantas invasoras. Contribui significativamente para a pesquisa de novas tecnologias e métodos para monitoramento em tempo real de plantas invasoras e fornece suporte técnico para monitoramento inteligente e avaliação de perigos em escala regional.

Introduction

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

Neste protocolo, o método proposto de estimativa de biomassa invasiva baseado em sensoriamento remoto de UAV e visão computacional pode refletir a distribuição de organismos invasores e prever o grau de risco biológico invasivo. As estimativas da distribuição e biomassa de organismos invasores são críticas para a prevenção e controle desses organismos. Uma vez que as plantas invasoras invadem, elas podem danificar o ecossistema e causar enormes perdas econômicas. Identificar com rapidez e precisão as plantas invasoras e estimar a biomassa das principais plantas invasoras são os principais desafios no monitoramento e controle de plantas invasoras. Neste protocolo, tomamos Mikania micrantha como exemplo para explorar um método de estimativa de biomassa de plantas invasoras baseado em sensoriamento remoto aéreo não tripulado e visão computacional, que fornece uma nova abordagem e método para a pesquisa ecológica de plantas invasoras e promove a pesquisa ecológica e o manejo de plantas invasoras.

Atualmente, a medição da biomassa de Mikania micrantha é feita principalmente por amostragem manual1. Os métodos tradicionais de medição de biomassa precisam de muita força de trabalho e recursos materiais, que são ineficientes e limitados pelo terreno; é difícil atender às necessidades de estimativa regional de biomassa de Mikania micrantha. A principal vantagem de usar este protocolo é que ele fornece um método para quantificar a biomassa de plantas invasoras regionais e a distribuição espacial de plantas invasoras de uma forma que não leva em consideração as limitações de amostragem da área e elimina a necessidade de levantamentos manuais.

A tecnologia de sensoriamento remoto UAV alcançou certos resultados na estimativa de biomassa vegetal e tem sido amplamente utilizada na agricultura 2,3,4,5,6,7, silvicultura 8,9,10,11 e pastagens 12,13,14. A tecnologia de sensoriamento remoto UAV tem as vantagens de baixo custo, alta eficiência, alta precisão e operação flexível15,16, que pode obter com eficiência dados de imagens de sensoriamento remoto na área de estudo; Em seguida, a característica de textura e o índice de vegetação da imagem de sensoriamento remoto são extraídos para fornecer suporte de dados para a estimativa da biomassa vegetal em grande área. Os métodos atuais de estimativa de biomassa vegetal são categorizados principalmente em modelos paramétricos e não paramétricos17. Com o desenvolvimento de algoritmos de aprendizado de máquina, modelos não paramétricos de aprendizado de máquina com maior precisão têm sido amplamente utilizados na estimativa de sensoriamento remoto da biomassa vegetal. Chen et al.18 utilizaram regressão logística mista (MLR), KNNR e regressão florestal aleatória (RFR) para estimar a biomassa aérea das florestas na província de Yunnan. Eles concluíram que os modelos de aprendizado de máquina, especificamente KNNR e RFR, resultaram em resultados superiores em comparação com o MLR. Yan et al.19 empregaram modelos de regressão RFR e extreme gradient boosting (XGBR) para avaliar a precisão da estimativa da biomassa da floresta subtropical usando vários conjuntos de variáveis. Tian et al.20 utilizaram onze modelos de aprendizado de máquina para estimar a biomassa acima do solo de várias espécies de florestas de mangue na Baía de Beibuwan. Os pesquisadores descobriram que o método XGBR foi mais eficaz na determinação da biomassa aérea das florestas de mangue. A estimativa da biomassa vegetal usando sensoriamento remoto homem-máquina é uma prática bem estabelecida, no entanto, o uso de UAV para estimativa de biomassa da planta invasora Mikania micrantha ainda não foi relatado nacional e internacionalmente. Essa abordagem é fundamentalmente diferente de todos os métodos anteriores de estimativa de biomassa para plantas invasoras, especialmente Mikania micrantha.

Resumindo, o sensoriamento remoto UAV tem as vantagens de alta resolução, alta eficiência e baixo custo. Na extração de variáveis de características de imagens de sensoriamento remoto, características de textura combinadas com índices de vegetação podem obter melhor desempenho de previsão de regressão. Modelos não paramétricos podem obter modelos de regressão mais precisos do que os paramétricos na estimativa de biomassa vegetal. Portanto, para calcular a distribuição nula de plantas invasoras e sua biomassa com precisão, sugerimos os seguintes procedimentos descritos para o experimento de biomassa de plantas invasoras que se baseia em sensoriamento remoto usando UAVs e visão computacional.

Protocol

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

1. Preparação de conjuntos de dados

  1. Seleção do objeto de pesquisa
    1. Selecione amostras de teste com base no foco do estudo experimental, considerando opções como Mikania micrantha ou outras plantas invasoras.
  2. Coletando imagens de UAV
    1. Prepare molduras de plástico quadradas de tamanho 0,5 m * 0,5 m e quantidade 25-50, dependendo do tamanho da área estudada.
    2. Empregue uma abordagem de amostragem aleatória para determinar os locais de amostragem de solo na área de estudo usando um número suficiente de amostras de biomassa. Posicione a estrutura de amostra horizontalmente sobre a vegetação, abrangendo totalmente as plantas com uma distância mínima de separação de 2 m entre cada planta.
    3. Use um drone e uma câmera para formar um sistema de filmagem de sensoriamento remoto UAV, conforme mostrado na Figura 1.
    4. Use o UAV para traçar a rota dentro da área de estudo especificada. A configuração do planejamento de rotas é mostrada na Figura 2.
      1. Estabeleça uma taxa de sobreposição de rumo e lado de 70%, capture fotos em intervalos de tempo uniformes de 2 s, mantenha o ângulo da câmera perpendicular ao solo em 90° e posicione a altitude da câmera em 30 m. Isso resultou em dados de imagem visíveis contínuos da área de estudo com uma resolução de imagem única medindo 8256 x 5504 pixels, conforme ilustrado na Figura 3.
    5. Armazene imagens aéreas para processamento subsequente com o software Python para estimativa de biomassa.
  3. Coletando a biomassa acima do solo
    1. Colete a biomassa aérea de Mikania micrantha manualmente dentro de cada parcela de amostra após concluir a coleta de dados do drone. Embale-os e rotule cada saco de acordo.
      1. Ao coletar Mikania micrantha, evite que as parcelas de amostra se movam. Primeiro, corte a Mikania micrantha ao longo da borda interna da parcela de amostra.
      2. Em seguida, corte o rizoma da Mikania micrantha do fundo. Remova qualquer sujeira, pedras ou outras plantas que estejam misturadas. Por fim, embale e rotule as amostras.
    2. Traga as amostras coletadas de plantas invasoras da etapa 1.3.1 para o laboratório. Seque ao ar todas as amostras coletadas para evaporar a maior parte da umidade.
    3. Para remover ainda mais a umidade das amostras secas ao ar, use um forno. Ajuste a temperatura para 55 °C. Secar as amostras durante 72 h, pesar cada amostra numa balança electrónica e registar os dados relativos à biomassa em gramas (g).
      1. Coloque a balança eletrônica em um ambiente não perturbado, pese, calibre e continue pesando. Coloque sacos de Mikania micrantha na balança eletrônica, aguarde as leituras se estabilizarem e registre as leituras.
      2. Pesar a Mikania micrantha de hora em hora até que a massa deixe de se alterar e registar a leitura menos o peso do saco como a massa medida dessa amostra. Calcule a biomassa aérea da planta invasora usando a fórmula abaixo:
        figure-protocol-1
        em que B representa a biomassa de Mikania micrantha em gramas por metro quadrado (g/m2), M é o peso da Mikania micrantha medida, medido em gramas (g), S corresponde à área da parcela amostral em metros quadrados (m2).
  4. Criando um conjunto de dados
    1. Extraia a imagem RGB correspondente à imagem de amostra da imagem original do UAV. Divida-o em uma grade de 280 × 280 pixels usando a programação Python (Supplementray Figura 1).
    2. Segmente os dados brutos da imagem em imagens menores do mesmo tamanho que as imagens de amostra usando a programação Python. Use o método de janela deslizante para segmentação, definindo as etapas horizontais e verticais para 280 pixels.
    3. A partir das pequenas imagens segmentadas na etapa 1.4.2, selecione aleatoriamente 880 imagens de plantas invasoras e 1500 imagens de fundo para criar um conjunto de dados. Em seguida, divida esse conjunto de dados em conjuntos de treinamento, validação e teste em uma proporção de 6:2:2 (Supplementray Figura 2).

2. Identificação de Mikania micrantha

  1. Preparando o software
    1. Acesse o site oficial do Anaconda (https://www.anaconda.com/) e baixe e instale o Anaconda. Em seguida, acesse o site do PyCharm (https://www.jetbrains.com/pycharm/) e baixe o PyCharm IDE.
  2. Criando um ambiente Conda.
    1. Abra a linha de comando do Anaconda Prompt após instalar o Anaconda e digite conda create -n pytorch python==3.8 para criar um novo ambiente Conda. Depois que o ambiente for criado, insira conda info --envs para confirmar que o ambiente pytorch existe.
    2. Abra o prompt do Anaconda e ative o ambiente pytorch digitando conda activate pytorch. Verifique a versão atual do CUDA (Compute Unified Device Architecture) digitando nvidia-smi. Em seguida, instale o PyTorch versão 1.8.1 executando o comando conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.0 -c pytorch.
  3. Execuções para reconhecimento de modelo
    NOTA: Use o PyTorch para criar o Mikania micrantha modelo de reconhecimento usado neste artigo. O modelo de rede empregado é o ResNet10121, que permanece consistente com o artigo original em sua arquitetura. Modificações são feitas na seção de saída da rede para atender aos requisitos de reconhecimento de camomila.
    1. Pré-processe as imagens para prepará-las para a entrada do modelo. Redimensione as imagens de 280 x 280 pixels para 224 x 224 pixels e normalize-as para garantir que atendam aos requisitos de tamanho do modelo usando o seguinte código:
      transform = transforma. Compor([
      Transforma. Redimensionar((224, 224)),
      Transforma. ToTensor(),
      Transforma. Normalizar([0,485, 0,456, 0,406], [0,229, 0,224, 0,225])])
    2. Execute a extração de recursos de imagem e reduza a dimensionalidade usando uma rede neural convolucional.
      1. Primeiro, inicialize a camada convolucional para a extração inicial de feições por meio de self.conv1. Com esta camada convolucional, a imagem original é convoluída em um mapa de recursos com self.in_channel canais para extrair recursos iniciais (Figura Suplementar 3A).
        NOTA: Os recursos avançados são extraídos em uma operação de convolução nas passagens residuais. Essas camadas são produzidas invocando a função _make_layer , que compreende uma sequência de blocos residuais. Cada bloco residual consiste em funções de convolução, normalização em lote e ativação para extrair gradualmente recursos sofisticados (Figura 3B suplementar).
      2. Use a função da camada para modificar o número do canal para redução de dimensionalidade por meio da convolução 1x1. Esta operação diminui a carga computacional, preservando características significativas (Figura Suplementar 3C).
        NOTA: No geral, o ResNet101 executa a extração de recursos usando várias camadas convolucionais e a redução da dimensionalidade é obtida por meio de camadas convolucionais 1x1 dentro do bloco residual. Essa abordagem permite que a rede aprenda recursos mais profundamente e evite o problema do desaparecimento do gradiente, permitindo assim um aprendizado e representação mais eficientes dos recursos da imagem para tarefas complexas.
      3. Após as operações de convolução e agrupamento, insira os recursos de alta qualidade em uma camada totalmente conectada.
        NOTA: Na arquitetura ResNet, a extração de recursos ocorre na camada convolucional. Esses recursos são posteriormente enviados para a camada totalmente conectada (FC) para classificação (Figura Suplementar 4). A operação self.avgpool(x) executa o pool de média adaptável para remodelar o tensor para um tamanho fixo. A operação torch.flatten(x, 1) espalha o tensor em um vetor unidimensional, e self.fc(x) aplica a camada totalmente conectada ao vetor achatado, servindo como a etapa final para a classificação. Este processo passa efetivamente as feições extraídas através da camada convolucional, transformando-as em um formato adequado para classificação através da camada totalmente conectada.
      4. Use a função Softmax para obter a saída final com base nos três requisitos de classificação.
    3. Treine um modelo de reconhecimento multiclasse com o conjunto de dados da etapa 1.4. Defina o número de iterações como 200 e uma taxa de aprendizado inicial de 0,0001. Reduza a taxa de aprendizado em um terço a cada 10 iterações com um tamanho de lote de 64. Salve os parâmetros ideais do modelo automaticamente após cada iteração (Figura Suplementar 5).
    4. Empregue um modelo de reconhecimento meticulosamente treinado e percorra sistematicamente a imagem original da etapa 1.2.2 para fins de identificação.
      1. Configure etapas horizontais e verticais com precisão em 280 pixels, resultando na geração de um mapa de distribuição abrangente destacando a presença de flora invasora dentro dos limites da área de estudo. Apresente os resultados selecionados visualmente, conforme mostrado na Figura 4.
        NOTA: A imagem inicial é pré-processada segmentando-a em partes menores, classificando cada parte usando um modelo de aprendizado profundo treinado e combinando os resultados em uma imagem de saída. Se um pedaço for classificado como uma planta invasora, o local correspondente na imagem de saída será definido como 255. A imagem de saída resultante é salva como um arquivo de imagem em tons de cinza. O código de implementação específico é mostrado na Figura Suplementar 6.

3. Estimativa da biomassa vegetal invasora

  1. Execute o aumento de dados simples com as funções RandomResizedCrop e RandomHorizontalFlip (Figura Suplementar 7) para estender o conjunto de imagens criado na etapa 1.2 e extrair os seis índices de vegetação comumente usados para estimar a biomassa, que são RBRI, GBRI, GRRI, RGRI, NGBDI e NGRDI. Consulte a Tabela 1 para obter as fórmulas de cálculo para esses índices.
  2. Crie um modelo de regressão do vizinho mais próximo (KNNR)22 usando a saída do modelo para garantir uma estimativa precisa da biomassa de plantas invasoras. Use os índices de vegetação extraídos como entradas para o modelo de estimativa.
  3. Utilizar o coeficiente de determinação R2 e a raiz do erro quadrático médio (RMSE)23 para avaliar a acurácia do modelo, que é calculada da seguinte forma:
    figure-protocol-2
    figure-protocol-3
    NOTA: O algoritmo K-Nearest Neighbor Regression (KNNR) é uma técnica de aprendizado de máquina não paramétrica usada para resolver problemas de regressão. Seu conceito fundamental é prever resultados determinando os K vizinhos mais próximos no espaço de recursos com base nas distâncias da amostra de entrada. Os principais benefícios do uso do KNNR incluem sua simplicidade e facilidade de compreensão, e não requer nenhuma fase de treinamento. Além disso, o KNNR não faz suposições excessivas sobre a distribuição dos dados. O KNNR pode ser aplicado em questões de regressão para antecipar variáveis objetivas contínuas e avaliar com precisão a biomassa de plantas invasoras.
  4. Empregue o modelo de estimativa de biomassa acima do solo escolhido na etapa 3.2 e examine o mapa de distribuição de plantas invasoras da etapa 2.3.4 com passos horizontais e verticais de 280 pixels.

Results

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

Mostramos resultados representativos de um método baseado em visão computacional para a estimativa de plantas invasoras, que é implementado de forma programática em um computador. Neste experimento, avaliamos a distribuição espacial e estimamos a biomassa de plantas invasoras em seus habitats naturais, utilizando Mikania micrantha como objeto de pesquisa. Utilizamos um sistema de câmera drone para adquirir imagens do local de pesquisa, uma parte das quais é exibida na Figura 3. Utilizamos a rede neural convolucional ResNet101 para identificar as plantas presentes na área de estudo. Posteriormente, mapeamos a distribuição espacial das plantas invasoras e ilustramos algumas de nossas descobertas na Figura 4. Na Figura 3, Mikania micrantha pode ser observada subindo no topo da planta adornada com flores brancas. As outras plantas, bem como a estrada e os elementos que as acompanham, são representados uniformemente ao fundo. Na Figura 4, o modelo reconhece a parte vermelha como Mikania micrantha. Comparando os dois conjuntos de imagens, é evidente que o ResNet101 demonstra uma detecção robusta de Mikania micrantha em fundos complexos. Além disso, mapeia com precisão a distribuição de Mikania micrantha na área de estudo com alta precisão.

A biomassa de plantas invasoras na área de estudo foi estimada truncando todas as imagens de parcelas de amostra de Mikania micrantha de ortofotos em 280 × 280 pixels e extraindo os índices de vegetação RBRI, GBRI, GRRI, RGRI, NGBDI e NGBDI. A análise de regressão foi conduzida usando o modelo de regressão KNNR, com os seis índices como entradas para o modelo de estimativa e biomassa como saída do modelo. A Figura 5 apresenta os resultados: as coordenadas horizontais do gráfico representam os valores das biomassas medidas em campo, as coordenadas verticais representam os valores das biomassas previstas pelo modelo e as áreas cinzas representam os intervalos de confiança. Os resultados demonstram um forte desempenho preditivo, com um valor de R² de 0,62 e um RMSE de 10,56 g/m2. O modelo aumenta a precisão da estimativa de biomassa de Mikania micrantha, e o mapa de distribuição espacial na Figura 6 captura efetivamente a distribuição da biomassa de Mikania micrantha .

figure-results-1
Figura 1: Sistemas de sensoriamento remoto UAV. Alguns exemplos de dados de imagem RGB capturados por UAV. Clique aqui para ver uma versão maior desta figura.

figure-results-2
Figura 2: Planejamento de rotas. Estudo sobre planejamento de rotas regionais Clique aqui para ver uma versão maior desta figura.

figure-results-3
Figura 3: Resultados da identificação de plantas invasoras dentro da área de estudo. A figura mostra os resultados da identificação de Mikania micrantha na zona de estudo por meio da rede neural convolucional ResNet101. A região vermelha na imagem indica a área detectada pelo ResNet101 como Mikania micrantha, enquanto o outro fundo significa o resto da área de estudo. Esses resultados correspondem às imagens da amostra retratadas na Figura 1. Eles representam os resultados de reconhecimento da Figura 1, respectivamente. Clique aqui para ver uma versão maior desta figura.

figure-results-4
Figura 4: Distribuição espacial de plantas invasoras. O modelo reconhece a parte vermelha como Mikania micrantha. Clique aqui para ver uma versão maior desta figura.

figure-results-5
Figura 5: Resultados da regressão de previsão de biomassa. O eixo horizontal exibe os valores de biomassa observados em campo, enquanto o eixo vertical retrata os valores de biomassa estimados pelo modelo. As regiões sombreadas em cinza denotam intervalos de confiança. O modelo KNNR atingiu um R2 de 0,65 no conjunto de teste, enquanto o erro quadrático médio mais baixo foi de 30,59 g/m2. No gráfico de dispersão de regressão do modelo, muitas estimativas de biomassa de Mikania micrantha estavam dentro do intervalo de confiança, indicando a validade da previsão de biomassa. Clique aqui para ver uma versão maior desta figura.

figure-results-6
Figura 6: Distribuição espacial da biomassa de Mikania micrantha . A figura ilustra a estimativa da biomassa de Mikania micrantha em toda a área de pesquisa utilizando KNNR como modelo preditivo, juntamente com o mapa de distribuição de biomassa de Mikania micrantha extraído. Regiões sombreadas mais escuras representam maiores quantidades de biomassa de Mikania micrantha . Clique aqui para ver uma versão maior desta figura.

figure-results-7
Figura 7: Diagrama esquemático dos principais desenvolvimentos deste protocolo. A figura ilustra as principais etapas do protocolo apresentado. Clique aqui para ver uma versão maior desta figura.

Nome do Índice de VegetaçãoFórmula de cálculo
Índice de Proporção Verde AzulGBRI = DNG/DNB
Índice de proporção verde vermelhoGRRI = DNG/DNR
Índice de Relação Vermelho AzulRBRI = DNR/DNB
Índice de Proporção Vermelho VerdeRGRI = DNR/DNG
Índice de Diferença Verde Azul NormalizadoNGBDI = (DNG - DNB)/(DNG + DNB)
Índice de Diferença Verde Vermelho NormalizadoNGRDI = (DNG - DNR)/(DNG + DNR)

Tabela 1: Fórmula de cálculo do índice de vegetação. Os índices de vegetação utilizados neste protocolo e suas respectivas fórmulas de cálculo.

Figura suplementar 1: Recortando uma imagem para 280 x 280 pixels via script Python usando a biblioteca OpenCV. Clique aqui para baixar este arquivo.

Figura suplementar 2: particionando o conjunto de dados em um conjunto de treinamento, conjunto de validação e conjunto de teste. Clique aqui para baixar este arquivo.

Figura suplementar 3: Extração de recursos e redução da dimensionalidade. (A) Extração inicial de recursos. (B) Operação de convolução. (C) Redução da dimensionalidade. Clique aqui para baixar este arquivo.

Figura complementar 4: Transmitindo os recursos para a camada FC na arquitetura ResNet. Clique aqui para baixar este arquivo.

Figura suplementar 5: Configurando os parâmetros. Clique aqui para baixar este arquivo.

Figura 6: O código de implementação específico para gerar um mapa de distribuição abrangente. Clique aqui para baixar este arquivo.

Figura 7 suplementar: RandomResizedCrop e RandomHorizontal Clique aqui para baixar este arquivo.

Discussion

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

Apresentamos as etapas detalhadas de um experimento sobre estimativa da biomassa de plantas invasoras usando sensoriamento remoto UAV e visão computacional. O principal processo e as etapas desse acordo são mostrados na Figura 7. A qualidade adequada da amostra é um dos aspectos mais cruciais e desafiadores do programa. Essa importância vale para todas as plantas invasoras, bem como para quaisquer outros experimentos de estimativa de biomassa vegetal24.

Para identificar a distribuição de plantas invasoras na área de estudo, devemos primeiro adquirir fotogrametria visível e contínua da área de estudo usando sensoriamento remoto de UAV. Para conseguir isso, são necessárias altitudes fotográficas apropriadas do UAV e resolução da câmera. Isso garantirá que o ResNet101, uma rede neural convolucional, possa obter recursos como índice de vegetação e textura da imagem. Essas características ajudam a identificar plantas invasoras mesmo em contextos ambientais complexos e, finalmente, mapear sua distribuição na área de estudo.

Para estimar a biomassa de plantas invasoras na área de estudo, é necessário criar quadros amostrais quadrados25 com 25-50 pontos de amostragem aleatórios. Uma vez que o sistema aéreo não tripulado conclua o processo de tirar fotografias, é necessário coletar as plantas invasoras dos quadros de amostra. É crucial observar, conforme declarado na seção inicial, que a coleta da biomassa dos quadros deve ser feita sem movê-los e com precisão, atribuindo números únicos. Além disso, a biomassa deve ser delicadamente seca e pesada em laboratório para obter uma medição precisa. O modelo de regressão KNNR18 foi utilizado para obter a distribuição espacial das plantas invasoras, utilizando seis índices de vegetação extraídos de imagens adquiridas pelo sistema de câmeras UAV como entrada para o modelo de estimativa e biomassa como saída do modelo.

Os métodos descritos neste artigo para estimar populações de plantas invasoras não são exaustivos. Ferramentas adicionais podem ser utilizadas para obter dados comparáveis e inúmeras modificações práticas ou inovadoras podem ser empregadas. Uma variedade de drones pode ser utilizada, dos quais o modelo designado no protocolo serve como apenas uma opção e pode ser substituído por qualquer drone que possua integração de navegação automática, capacidade de se adaptar a um gimbal, capacidade de voar até 50 metros, capacidade de carga útil superior à da câmera selecionada e alcance cobrindo toda a área de estudo. Ao escolher uma câmera para UAV, é importante considerar fatores como resolução máxima, pixels de imagem efetivos, pixels máximos e outros parâmetros de imagem, bem como as restrições de tamanho e peso da carga do UAV. Além disso, é necessário um alcance adequado para a conclusão bem-sucedida do processo de filmagem. Além disso, o modelo de identificação não é o único método e pode ser ajustado para várias espécies de plantas invasoras, como lenhosas ou diversos tipos de plantas, para aprimorar o método sugerido. Essa estratégia também pode ser transformada em um algoritmo de regressão que emprega menos amostras, adquire índices de vegetação adicionais e atinge um maior grau de precisão. Alternativamente, uma rede de identificação reduzida pode ser implementada para identificar plantas invasoras, permitindo a implantação prática de métodos de identificação inteligentes.

A principal restrição do método apresentado é a dependência do modelo das condições de iluminação e do fundo. Melhorias em direção a uma maior precisão só podem vir com a incorporação de dados multiespectrais26, LiDAR12 e meteorológicos27. Adquirir esse tipo de dados pode ser desafiador e exigir equipamentos caros, mas podemos aumentar a precisão de nossos dados evitando a luz solar direta e isolando os fundos das plantas à medida que amostramos a área por meio de nosso sistema de filmagem UAV.

O benefício de utilizar esta metodologia, ao contrário de outras, reside em sua capacidade de fornecer a distribuição espacial de espécies de plantas invasoras na área de estudo designada. A distribuição é determinada por meio de análise de regressão, utilizando seis índices de vegetação extraídos de imagens capturadas pelo sistema de câmeras UAV como entradas, com biomassa como saída do modelo. Essa abordagem utiliza um método portátil para estimar a biomassa em várias áreas de estudo simultaneamente, que é fundamentalmente distinto dos métodos anteriores de coleta manual de biomassa. O método convencional envolve a realização manual de levantamentos e a coleta de quantidades significativas, o que é ineficiente e subjetivo28, falhando em fornecer uma estimativa prática da biomassa em condições complexas.

A estimativa da biomassa de plantas invasoras usando a metodologia acima mencionada permite quantificar a distribuição regional. Além disso, oferece assistência técnica para monitoramento inteligente e avaliação de perigos em nível regional.

Disclosures

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

Os autores não têm nada a divulgar.

Acknowledgements

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

O autor agradece à Academia Chinesa de Ciências Agrícolas e à Universidade de Guangxi por apoiar este trabalho. O trabalho foi apoiado pelo Programa Nacional de P&D da China (2022YFC2601500 e 2022YFC2601504), pela Fundação Nacional de Ciências Naturais da China (32272633), Programa de Ciência e Tecnologia de Shenzhen (KCXFZ20230731093259009)

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Câmera DSLRNikonD850Tipo de sensor: CMOS; Número máximo de pixels: 46,89 milhões; Número efetivo de pixels: 45,75 milhões; Resolução máxima 8256 x 5504.
GPU - Unidade de Processamento GráficoNVIDIA 
HexacopterDJI M600PROVoo horizontal: 65 km/h (sem ambiente de vento); Carga máxima do voo: 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