Method Article

Оценка биомассы инвазивных растений на основе компьютерного зрения

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

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

Мы подробно описываем процедуры для метода оценки биомассы инвазивных растений, который использует данные, полученные с помощью дистанционного зондирования беспилотных летательных аппаратов (БПЛА) для оценки биомассы и захвата пространственного распределения инвазивных видов. Этот подход оказывается очень полезным для проведения оценки опасности и раннего предупреждения об инвазивных растениях.

Abstract

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

Мы подробно рассказываем о шагах метода оценки биомассы инвазивных растений на основе дистанционного зондирования с помощью БПЛА и компьютерного зрения. Для сбора образцов из исследуемой области мы подготовили квадратную выборку для рандомизации точек выборки. Была создана система беспилотных аэрофотоаппаратов с использованием дрона и камеры для получения непрерывных RGB-изображений исследуемой территории с помощью автоматизированной навигации. После завершения съемки была собрана надземная биомасса в образце кадра, а все корреспонденции были промаркированы и упакованы. Образцы данных были обработаны, и аэрофотоснимки были сегментированы на небольшие изображения размером 280 x 280 пикселей для создания набора данных изображений. С помощью глубокой сверточной нейронной сети было составлено картографирование распространения Mikania micrantha на исследуемой территории, и получен ее вегетационный индекс. Собранные организмы были высушены, а сухой вес был зарегистрирован как наземная биомасса. Регрессионная модель инвазивной биомассы растений была построена с использованием регрессии K-ближайшего соседа (KNNR) путем извлечения вегетационного индекса из образцовых изображений в качестве независимой переменной и его интеграции с наземной биомассой в качестве зависимой переменной. Результаты показали, что можно точно предсказать биомассу инвазивных растений. Точная карта пространственного распределения биомассы инвазивных растений была создана путем обхода изображений, что позволило точно идентифицировать районы высокого риска, пораженные инвазивными растениями. Таким образом, это исследование демонстрирует потенциал сочетания дистанционного зондирования беспилотных летательных аппаратов с методами машинного обучения для оценки инвазивной биомассы растений. Она вносит значительный вклад в исследование новых технологий и методов мониторинга инвазивных растений в режиме реального времени и обеспечивает техническую поддержку интеллектуального мониторинга и оценки опасностей в региональном масштабе.

Introduction

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

В данном протоколе предложенный метод оценки инвазивной биомассы на основе дистанционного зондирования БПЛА и компьютерного зрения может отражать распределение инвазивных организмов и прогнозировать степень инвазивной биологической опасности. Оценки распределения и биомассы инвазивных организмов имеют решающее значение для профилактики и борьбы с этими организмами. Как только инвазивные растения вторгаются, они могут нанести ущерб экосистеме и нанести огромный экономический ущерб. Быстрая и точная идентификация инвазивных растений и оценка ключевой биомассы инвазивных растений являются основными проблемами в мониторинге и контроле инвазивных растений. В этом протоколе мы берем Mikania micrantha в качестве примера для изучения метода оценки биомассы инвазивных растений, основанного на беспилотном воздушном дистанционном зондировании и компьютерном зрении, который обеспечивает новый подход и метод для экологического исследования инвазивных растений и способствует экологическим исследованиям и управлению инвазивными растениями.

В настоящее время измерение биомассы Mikania micrantha в основном осуществляется путем ручного отбора проб1. Традиционные методы измерения биомассы требуют большого количества рабочей силы и материальных ресурсов, которые неэффективны и ограничены рельефом местности; трудно удовлетворить потребности региональной оценки биомассы Mikania micrantha. Основное преимущество использования этого протокола заключается в том, что он обеспечивает метод количественной оценки биомассы инвазивных растений региона и пространственного распределения инвазивных растений таким образом, чтобы не принимать во внимание ограничения выборки на территории и устраняет необходимость в ручных обследованиях.

Технология дистанционного зондирования с помощью БПЛА достигла определенных результатов в оценке биомассы растений и широко используется в сельском хозяйстве 2,3,4,5,6,7, лесном хозяйстве 8,9,10,11 и пастбищах 12,13,14. Технология дистанционного зондирования БПЛА обладает такими преимуществами, как низкая стоимость, высокая эффективность, высокая точность и гибкость эксплуатации15,16, что позволяет эффективно получать данные изображений дистанционного зондирования Земли в исследуемой области; Затем извлекаются текстурные характеристики и вегетационный индекс изображения дистанционного зондирования, чтобы обеспечить информационную поддержку для оценки биомассы растений на большой площади. Современные методы оценки биомассы растений в основном подразделяются на параметрические и непараметрические модели17. С развитием алгоритмов машинного обучения непараметрические модели машинного обучения с более высокой точностью стали широко использоваться для оценки биомассы растений с помощью дистанционного зондирования. Chen et al.18 использовали смешанную логистическую регрессию (MLR), KNNR и случайную лесную регрессию (RFR) для оценки надземной биомассы лесов в провинции Юньнань. Они пришли к выводу, что модели машинного обучения, в частности KNNR и RFR, привели к лучшим результатам по сравнению с MLR. Yan et al.19 использовали модели RFR и экстремального градиентного бустинга (XGBR) для оценки точности оценки биомассы субтропических лесов с использованием различных наборов переменных. Tian et al.20 использовали одиннадцать моделей машинного обучения для оценки надземной биомассы различных видов мангровых лесов в заливе Бейбуван. Исследователи обнаружили, что метод XGBR более эффективен в определении надземной биомассы мангровых лесов. Оценка биомассы растений с помощью человеко-машинного дистанционного зондирования является хорошо зарекомендовавшей себя практикой, однако использование БПЛА для оценки биомассы инвазивного растения Mikania micrantha еще не было зарегистрировано как внутри страны, так и за рубежом. Этот подход принципиально отличается от всех предыдущих методов оценки биомассы инвазивных растений, особенно Mikania micrantha.

Подводя итог, можно сказать, что дистанционное зондирование БПЛА обладает такими преимуществами, как высокое разрешение, высокая эффективность и низкая стоимость. При извлечении переменных объектов изображений дистанционного зондирования текстурные объекты в сочетании с индексами растительности могут обеспечить лучшую производительность регрессионного прогнозирования. Непараметрические модели позволяют получить более точные регрессионные модели, чем параметрические, при оценке биомассы растений. Таким образом, чтобы точно рассчитать нулевое распределение инвазивных растений и их биомассу, мы предлагаем следующие очерченные процедуры для эксперимента с инвазивной биомассой растений, который основан на дистанционном зондировании с использованием беспилотных летательных аппаратов и компьютерного зрения.

Protocol

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

1. Подготовка наборов данных

  1. Выбор объекта исследования
    1. Отбирайте тестовые образцы исходя из направленности экспериментального исследования, рассматривая такие варианты, как Mikania micrantha или другие инвазивные растения.
  2. Сбор изображений с БПЛА
    1. Подготовьте квадратные пластиковые рамы размером 0,5 м*0,5 м и количеством 25-50, в зависимости от размера изучаемой площади.
    2. Используйте метод случайной выборки для определения мест отбора проб почвы на исследуемой территории с использованием достаточного количества проб биомассы. Расположите раму для образца горизонтально над растительностью, полностью охватывая растения с минимальным расстоянием между растениями 2 м.
    3. Используйте дрон и камеру для формирования системы съемки с помощью дистанционного зондирования БПЛА, как показано на рисунке 1.
    4. Используйте БПЛА для прокладки маршрута в пределах указанной изучаемой территории. Настройка планирования маршрута показана на рисунке 2.
      1. Установите коэффициент перекрытия направления и боковых сторон на уровне 70%, делайте снимки с равномерными интервалами времени в 2 с, поддерживайте угол наклона камеры перпендикулярно земле на 90° и расположите камеру на высоте 30 м. В результате были получены непрерывные видимые данные изображения исследуемой территории с разрешением одного изображения размером 8256 x 5504 пикселей, как показано на рисунке 3.
    5. Храните аэрофотоснимки для последующей обработки с помощью программного обеспечения Python для оценки биомассы.
  3. Сбор надземной биомассы
    1. Соберите надземную биомассу Mikania micrantha вручную на каждом участке отбора проб после завершения сбора данных с помощью дронов. Упакуйте их в пакеты и наклейте соответствующую маркировку на каждый пакет.
      1. При сборе Mikania micrantha не допускайте перемещения пробных участков. Во-первых, разрежьте Mikania micrantha по внутреннему краю образца участка.
      2. Затем срежьте корневище Mikania micrantha снизу. Удалите грязь, камни и другие растения, которые были смешаны. Наконец, упакуйте и промаркируйте образцы.
    2. Принесите собранные образцы инвазивных растений из шага 1.3.1 в лабораторию. Высушите на воздухе все собранные образцы, чтобы испарить большую часть влаги.
    3. Для дальнейшего удаления влаги из высушенных на воздухе образцов используйте духовой шкаф. Установите температуру на 55 °C. Высушите образцы в течение 72 часов, затем взвесьте каждый образец на электронных весах и запишите данные о биомассе в граммах (г).
      1. Поместите электронные весы в безопасное место, взвесьте, откалибруйте и продолжайте взвешивание. Поставьте пакетики с Mikania micrantha на электронные весы, дождитесь стабилизации показаний и запишите показания.
      2. Взвешивайте Mikania micrantha каждый час до тех пор, пока масса не перестанет изменяться, и записывайте показания за вычетом веса мешка как измеренную массу этого образца. Рассчитайте надземную биомассу инвазивного растения по следующей формуле:
        figure-protocol-1
        где B – биомасса Mikania micrantha в граммах на квадратный метр (г/м2), M – масса измеренной Mikania micrantha, измеренная в граммах (г), S соответствует площади пробного участка в квадратных метрах (м2).
  4. Создание набора данных
    1. Извлеките изображение RGB, соответствующее образцу изображения, из исходного изображения с БПЛА. Разделите его на сетку размером от 280 × 280 пикселей с помощью программирования на Python (Дополнительный рисунок 1).
    2. Сегментируйте необработанные данные изображений на более мелкие изображения того же размера, что и образцы изображений, с помощью программирования Python. Используйте метод скользящего окна для сегментации, установив горизонтальный и вертикальный шаги на 280 пикселей.
    3. Из небольших изображений, сегментированных на шаге 1.4.2, случайным образом выберите 880 изображений инвазивных растений и 1500 изображений фона для создания набора данных. Затем разделите этот набор данных на обучающий, проверочный и тестовый наборы в соотношении 6:2:2 (рис. 2).

2. Идентификация Mikania micrantha

  1. Подготовка программного обеспечения
    1. Перейдите на официальный сайт Anaconda (https://www.anaconda.com/), загрузите и установите Anaconda. Затем перейдите на веб-сайт PyCharm (https://www.jetbrains.com/pycharm/) и загрузите PyCharm IDE.
  2. Создание среды Conda.
    1. Откройте командную строку Anaconda Prompt после установки Anaconda, затем введите conda create -n pytorch python==3.8 , чтобы создать новую среду Conda. После создания окружения введите conda info --envs , чтобы подтвердить, что окружение pytorch существует.
    2. Откройте приглашение Anaconda и активируйте среду pytorch , введя conda activate pytorch. Проверьте текущую версию CUDA (Compute Unified Device Architecture), набрав nvidia-smi. Затем установите PyTorch версии 1.8.1, выполнив команду conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.0 -c pytorch.
  3. Прогоны для распознавания моделей
    ПРИМЕЧАНИЕ: Используйте PyTorch для создания Mikania micrantha Модель распознавания, использованная в данной работе. Используемая модель сети — ResNet10121, который по своей архитектуре остается совместимым с оригинальной статьей. В выходной раздел сети вносятся изменения в соответствии с требованиями к распознаванию ромашки.
    1. Выполните предварительную обработку изображений, чтобы подготовить их к вводу в модель. Измените размер изображений с 280 x 280 пикселей до 224 x 224 пикселей и нормализуйте их, чтобы они соответствовали требованиям модели к размеру, используя следующий код:
      transform = преобразует. Составить([
      Преобразует. Resize((224, 224)),
      Преобразует. ToTensor(),
      Преобразует. Нормализация([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
    2. Выполняйте извлечение признаков изображения и уменьшайте размерность с помощью сверточной нейронной сети.
      1. Во-первых, инициализируйте сверточный слой для первоначального извлечения признаков с помощью self.conv1. С помощью этого сверточного слоя исходное изображение сворачивается в карту признаков с self.in_channel каналами для извлечения исходных признаков (дополнительный рисунок 3A).
        ПРИМЕЧАНИЕ: Расширенные функции извлекаются в ходе операции свертки на остаточных проходах. Эти слои создаются путем вызова функции _make_layer , которая состоит из последовательности остаточных блоков. Каждый остаточный блок состоит из функций свертки, пакетной нормализации и активации для постепенного извлечения сложных признаков (дополнительный рисунок 3B).
      2. Используйте функцию слоя для изменения номера канала для уменьшения размерности с помощью свертки 1x1. Эта операция снижает вычислительную нагрузку, сохраняя при этом значимые особенности (дополнительный рисунок 3C).
        ПРИМЕЧАНИЕ: В целом, ResNet101 выполняет извлечение признаков с использованием различных сверточных слоев, а уменьшение размерности достигается за счет сверточных слоев 1x1 в остаточном блоке. Такой подход позволяет сети более глубоко изучать признаки и избегать проблемы исчезновения градиента, тем самым обеспечивая более эффективное обучение и представление признаков изображения для сложных задач.
      3. После сверток и операций объединения введите высококачественные объекты в полностью связный слой.
        ПРИМЕЧАНИЕ: В архитектуре ResNet извлечение признаков происходит на сверточном уровне. Эти признаки затем отправляются на полносвязный (FC) уровень для классификации (дополнительный рисунок 4). Операция self.avgpool(x) выполняет адаптивное объединение средних для изменения формы тензора до фиксированного размера. Операция torch.flatten(x, 1) распределяет тензор в одномерный вектор, а self.fc(x) применяет полностью связанный слой к сплющенному вектору, в конечном итоге служа последним шагом для классификации. Этот процесс эффективно пропускает извлеченные признаки через сверточный слой, преобразуя их в формат, пригодный для классификации через полносвязный слой.
      4. Используйте функцию Softmax для получения конечного результата на основе трех требований классификации.
    3. Обучите многоклассовую модель распознавания с помощью набора данных из шага 1.4. Установите количество итераций равным 200 и начальную скорость обучения 0,0001. Сокращайте скорость обучения на треть каждые 10 итераций с размером пакета 64. Сохраняйте оптимальные параметры модели автоматически после каждой итерации (дополнительный рисунок 5).
    4. Используйте тщательно обученную модель распознавания и систематически проходите по исходному изображению, полученному на шаге 1.2.2, в целях идентификации.
      1. Настройте горизонтальные и вертикальные шаги с точностью до 280 пикселей, что приведет к созданию комплексной карты распределения, подчеркивающей присутствие инвазивной флоры в границах исследуемой территории. Представьте выбранные результаты визуально, как показано на рисунке 4.
        ПРИМЕЧАНИЕ: Исходное изображение предварительно обрабатывается путем его сегментации на более мелкие части, классификации каждого фрагмента с помощью обученной модели глубокого обучения и объединения результатов в выходное изображение. Если участок классифицируется как инвазивное растение, соответствующее местоположение на выходном изображении устанавливается равным 255. Полученное выходное изображение сохраняется в виде файла изображения в оттенках серого. Конкретный код реализации показан на дополнительном рисунке 6.

3. Оценка инвазивной биомассы растений

  1. Выполните простое дополнение данных с помощью функций RandomResizedCrop и RandomHorizontalFlip (дополнительный рисунок 7), чтобы расширить набор изображений, созданный на шаге 1.2, и извлечь шесть вегетационных индексов, обычно используемых для оценки биомассы: RBRI, GBRI, GRRI, RGRI, NGBDI и NGRDI. Формулы расчета этих индексов приведены в таблице 1 .
  2. Создание модели K-ближайшего соседа (KNNR)22 с использованием выходных данных модели для обеспечения точной оценки биомассы инвазивных растений. Используйте извлеченные вегетационные индексы в качестве входных данных для модели оценки.
  3. Используйте коэффициент детерминации R2 и среднеквадратичную ошибку (RMSE)23 для оценки точности модели, которая рассчитывается следующим образом:
    figure-protocol-2
    figure-protocol-3
    ПРИМЕЧАНИЕ: Алгоритм K-Nearest Neighbor Regression (KNNR) — это непараметрический метод машинного обучения, используемый для решения задач регрессии. Его фундаментальная концепция заключается в прогнозировании результатов путем определения ближайших K соседей в пространстве признаков на основе входных расстояний выборки. К основным преимуществам использования KNNR относятся его простота и легкость для понимания, а также отсутствие необходимости в обучении. Кроме того, KNNR не делает чрезмерных предположений о распределении данных. KNNR может быть применен в вопросах регрессии для прогнозирования непрерывных целевых переменных и точной оценки биомассы инвазивных растений.
  4. Используйте модель оценки надземной биомассы, выбранную на шаге 3.2, и просканируйте карту распространения инвазивных растений из шага 2.3.4 с горизонтальными и вертикальными шагами в 280 пикселей.

Results

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

Мы демонстрируем репрезентативные результаты метода оценки инвазивных растений на основе компьютерного зрения, который реализуется программным способом на компьютере. В этом эксперименте мы оценили пространственное распределение и оценили биомассу инвазивных растений в их естественной среде обитания, используя в качестве объекта исследования Mikania micrantha . Мы использовали систему камер с беспилотных летательных аппаратов для получения изображений исследовательского участка, часть которых представлена на рисунке 3. Мы использовали сверточную нейронную сеть ResNet101 для идентификации растений, присутствующих на исследуемой территории. Впоследствии мы составили карту пространственного распределения инвазивных растений и проиллюстрировали некоторые из наших выводов на рисунке 4. На рисунке 3 можно увидеть, как Mikania micrantha взбирается на вершину растения, украшенного белыми цветами. Другие растения, а также дорога и сопутствующие элементы равномерно изображены на заднем плане. На рисунке 4 модель распознает красную часть как Mikania micrantha. Сравнивая два набора изображений, становится очевидным, что ResNet101 демонстрирует надежное обнаружение Mikania micrantha на сложном фоне. Кроме того, он точно отображает распространение Mikania micrantha в исследуемой области с высокой точностью.

Биомасса инвазивных растений на исследуемой территории была оценена путем усечения всех изображений образцов участков Mikania micrantha из ортофотопланов с разрешением 280 × 280 пикселей и извлечения вегетационных индексов RBRI, GBRI, GRRI, RGRI, NGBDI и NGBDI. Регрессионный анализ был проведен с использованием регрессионной модели KNNR, при этом шесть индексов использовались в качестве входных данных для модели оценки, а биомасса — в качестве выходных данных модели. На рисунке 5 представлены результаты: горизонтальные координаты графика представляют значения биомасс, измеренных в полевых условиях, вертикальные координаты представляют значения прогнозируемых моделью биомасс, а серые области представляют доверительные интервалы. Результаты демонстрируют высокую прогностическую эффективность: значение R² составляет 0,62, а среднеквадратичное значение — 10,56 г/м2. Модель повышает точность оценки биомассы Mikania micrantha, а карта пространственного распределения на рисунке 6 эффективно отражает распределение биомассы Mikania micrantha .

figure-results-1
Рисунок 1: Системы дистанционного зондирования Земли БПЛА. Некоторые примеры данных изображения RGB, снятых БПЛА. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-2
Рисунок 2: Планирование маршрута. Исследование по планированию региональных маршрутов Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-3
Рисунок 3: Результаты идентификации инвазивных растений в пределах исследуемой территории. На рисунке представлены результаты идентификации Mikania micrantha в зоне исследования с помощью сверточной нейронной сети ResNet101. Красная область на рисунке обозначает область, обнаруженную ResNet101 как Mikania micrantha, в то время как другой фон обозначает остальную часть исследуемой территории. Эти результаты соответствуют образцам изображений, изображенным на рисунке 1. Они представляют собой результаты распознавания на рисунке 1 соответственно. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-4
Рисунок 4: Пространственное распределение инвазивных растений. Модель узнает в красной части Mikania micrantha. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-5
Рисунок 5: Результаты регрессии прогнозирования биомассы. На горизонтальной оси отображаются значения биомассы, наблюдаемые в поле, а на вертикальной оси — значения биомассы, оцененные моделью. Серыми затененными областями обозначены доверительные интервалы. Модель KNNR достигла R2 0,65 на тестовом наборе, в то время как наименьшая среднеквадратическая ошибка составила 30,59 г/м2. На диаграмме регрессионного рассеяния модели многие оценки биомассы Mikania micrantha находились в пределах доверительного интервала, что указывает на достоверность прогноза биомассы. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-6
Рисунок 6: Пространственное распределение биомассы Mikania micrantha . На рисунке показана оценка биомассы Mikania micrantha по всей территории исследования с использованием KNNR в качестве прогностической модели, а также карта распределения биомассы Mikania micrantha . Более темные затененные области представляют большее количество биомассы Mikania micrantha . Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-7
Рисунок 7: Принципиальная схема основной разработки этого протокола. На рисунке показаны основные этапы представленного протокола. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Название вегетационного индексаФормула расчета
Индекс Зеленого Синего RatioGBRI = DNG/DNB
Индекс Зеленого Красного СоотношенияGRRI = DNG/DNR
Индекс Красного Синего СоотношенияRBRI = DNR/DNB
Индекс Красного Зеленого СоотношенияRGRI = DNR/DNG
Нормализованный индекс различий зеленого синегоNGBDI = (DNG - DNB)/(DNG + DNB)
Нормализованный зеленый красный индекс разницыNGRDI = (DNG - DNR)/(DNG + DNR)

Таблица 1: Формула расчета вегетационного индекса. Вегетационные индексы, используемые в настоящем протоколе, и соответствующие формулы их расчета.

Дополнительный рисунок 1: Обрезка изображения до 280 x 280 пикселей с помощью скрипта Python с использованием библиотеки OpenCV. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок 2: Секционирование набора данных на обучающий набор, проверочный набор и тестовый набор. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок 3: Извлечение признаков и уменьшение размерности. (A) Первичное извлечение признаков. (В) Операция свертки. (c) Уменьшение размерности. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок 4: Передача функций на уровень FC в архитектуре ResNet. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок 5: Настройка параметров. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок 6: Конкретный код реализации для создания всеобъемлющей карты распределения. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок 7: Функции RandomResizedCrop и RandomHorizontalFlip. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Discussion

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

Мы подробно представляем этапы эксперимента по оценке биомассы инвазивных растений с помощью дистанционного зондирования с помощью БПЛА и компьютерного зрения. Основной процесс и этапы этого соглашения показаны на рисунке 7. Надлежащее качество образцов является одним из самых важных и сложных аспектов программы. Эта важность справедлива для всех инвазивных растений, а также для любых других экспериментов по оценке биомассы растений24.

Чтобы определить распространение инвазивных растений на исследуемой территории, мы должны сначала получить видимую и непрерывную фотограмметрию исследуемой территории с помощью дистанционного зондирования с БПЛА. Для достижения этой цели необходима соответствующая фотографическая высота БПЛА и разрешение камеры. Это гарантирует, что ResNet101, сверточная нейронная сеть, сможет получать из изображения такие характеристики, как индекс растительности и текстура. Эти особенности помогают идентифицировать инвазивные растения даже в сложных условиях окружающей среды и, в конечном итоге, составить карту их распространения на исследуемой территории.

Для оценки биомассы инвазивных растений на исследуемой территории необходимо создать квадратные рамкивыборки 25 с 25-50 случайными точками отбора проб. После того, как беспилотная авиационная система завершит процесс фотосъемки, необходимо собрать инвазивные растения из образцов кадров. Важно отметить, что, как указано в первом разделе, сбор биомассы из рам должен производиться без их перемещения и с точностью, присваивая уникальные номера. Кроме того, биомасса должна быть тщательно высушена и взвешена в лаборатории для получения точных измерений. Регрессионная модель18 KNNR была использована для получения пространственного распределения инвазивных растений с использованием шести вегетационных индексов, извлеченных из изображений, полученных системой камер БПЛА, в качестве входных данных для модели оценки и биомассы в качестве выходных данных модели.

Описанные в данной статье методы оценки популяций инвазивных растений не являются исчерпывающими. Для получения сопоставимых данных могут быть использованы дополнительные инструменты, а также могут быть применены многочисленные практические или инновационные модификации. Может быть использован целый ряд дронов, из которых обозначенная в протоколе модель является лишь одним из вариантов и может быть заменена любым дроном, обладающим интеграцией автонавигации, способностью адаптироваться к стабилизатору, способностью летать на высоте до 50 метров, грузоподъемностью, превышающей полезную нагрузку выбранной камеры, и дальностью полета, охватывающим всю исследуемую территорию. При выборе камеры для БПЛА важно учитывать такие факторы, как максимальное разрешение, эффективное изображение в пикселях, максимальное количество пикселей и другие параметры изображения, а также ограничения по размеру и весу нагрузки БПЛА. Кроме того, для успешного завершения съемочного процесса необходим достаточный запас хода. Кроме того, модель идентификации не является единственным методом и может быть скорректирована для нескольких инвазивных видов растений, таких как древесные или разнообразные виды растений, чтобы усовершенствовать предложенный метод. Эта стратегия также может быть преобразована в регрессионный алгоритм, который использует меньшее количество образцов, получает дополнительные вегетационные индексы и достигает повышенной степени точности. В качестве альтернативы для идентификации инвазивных растений может быть реализована сокращенная идентификационная сеть, что позволит на практике развернуть интеллектуальные методы идентификации.

Основным ограничением представленного метода является зависимость модели от условий освещения и фона. Повышение точности может произойти только при дальнейшем включении мультиспектральныхданных 26, LiDAR12 и метеорологических данных27. Получение такого рода данных может быть сложной задачей и может потребовать дорогостоящего оборудования, но мы можем повысить точность наших данных, избегая прямых солнечных лучей и изолируя фон растений при отборе проб местности с помощью нашей системы съемки с помощью БПЛА.

Преимущество использования этой методологии, в отличие от других, заключается в ее способности обеспечить пространственное распределение инвазивных видов растений в обозначенной исследуемой территории. Распределение определяется с помощью регрессионного анализа с использованием шести вегетационных индексов, извлеченных из изображений, полученных с помощью системы камер БПЛА, в качестве входных данных, с биомассой в качестве выходных данных модели. В этом подходе используется портативный метод оценки биомассы в нескольких исследуемых районах одновременно, который принципиально отличается от предыдущих ручных методов сбора биомассы. Традиционный метод предполагает ручное проведение обследований и сбор значительных количеств, что является неэффективным и субъективным28, что не позволяет обеспечить практическую оценку биомассы в сложных условиях.

Оценка инвазивной биомассы растений с использованием вышеупомянутой методологии позволяет количественно оценить региональное распределение. Кроме того, она предлагает техническую помощь в области интеллектуального мониторинга и оценки опасностей на региональном уровне.

Disclosures

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

Авторам нечего раскрывать.

Acknowledgements

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

Автор благодарит Китайскую академию сельскохозяйственных наук и Университет Гуанси за поддержку этой работы. Работа была поддержана Национальной ключевой программой исследований и разработок Китая (2022YFC2601500 и 2022YFC2601504), Национальным фондом естественных наук Китая (32272633), Шэньчжэньской научно-технической программой (KCXFZ20230731093259009)

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Цифровая зеркальная фотоаппаратNikonD850Тип сенсора: CMOS; Максимальное количество пикселей: 46,89 миллиона; Эффективное количество пикселей: 45,75 млн; Максимальное разрешение 8256 x 5504.
GPU - графический процессорNVIDIA 
ГексакоптерDJI M600PROГоризонтальный полет: 65 км/ч (без ветра); Максимальная полетная нагрузка: 6000 г
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