Method Article

İstilacı Bitkiler için Bilgisayarlı Görü Tabanlı Biyokütle Tahmini

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

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

Biyokütleyi değerlendirmek ve istilacı türlerin mekansal dağılımını yakalamak için insansız hava aracı (İHA) uzaktan algılamasından elde edilen verileri kullanan istilacı bir bitki biyokütle tahmin yöntemi için ayrıntılı prosedürleri rapor ediyoruz. Bu yaklaşım, istilacı bitkilerin tehlike değerlendirmesi ve erken uyarısı için oldukça faydalı olduğunu kanıtlamaktadır.

Abstract

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

İHA, uzaktan algılama ve bilgisayar görüşüne dayalı olarak istilacı bitkilerin biyokütlesini tahmin etmek için bir yöntemin ayrıntılı adımlarını rapor ediyoruz. Çalışma alanından numune toplamak için, numune alma noktalarını randomize etmek için bir numune kare düzeneği hazırladık. Otomatik navigasyon yoluyla çalışma alanının sürekli RGB görüntülerini elde etmek için bir drone ve kamera kullanılarak insansız hava kamera sistemi inşa edildi. Çekimler tamamlandıktan sonra numune karesindeki yer üstü biyokütle toplanmış ve tüm yazışmalar etiketlenerek paketlenmiştir. Örnek veriler işlendi ve hava görüntüleri, bir görüntü veri kümesi oluşturmak için 280 x 280 piksellik küçük görüntülere bölündü. Mikania micrantha'nın çalışma alanındaki dağılımını haritalamak için derin bir evrişimli sinir ağı kullanıldı ve bitki örtüsü indeksi elde edildi. Toplanan organizmalar kurutuldu ve kuru ağırlık, temel gerçek biyokütle olarak kaydedildi. İstilacı bitki biyokütle regresyon modeli, örnek görüntülerden bitki örtüsü indeksinin bağımsız bir değişken olarak çıkarılması ve bağımlı bir değişken olarak temel gerçek biyokütle ile entegre edilmesiyle K-en yakın komşu regresyonu (KNNR) kullanılarak oluşturulmuştur. Sonuçlar, istilacı bitkilerin biyokütlesini doğru bir şekilde tahmin etmenin mümkün olduğunu gösterdi. İstilacı bitki biyokütlesinin doğru bir mekansal dağılım haritası, istilacı bitkilerden etkilenen yüksek riskli alanların hassas bir şekilde tanımlanmasına olanak tanıyan görüntü geçişi ile oluşturuldu. Özetle, bu çalışma, istilacı bitki biyokütlesini tahmin etmek için insansız hava aracı uzaktan algılamasını makine öğrenimi teknikleriyle birleştirmenin potansiyelini göstermektedir. İstilacı bitkilerin gerçek zamanlı izlenmesi için yeni teknolojilerin ve yöntemlerin araştırılmasına önemli ölçüde katkıda bulunur ve bölgesel ölçekte akıllı izleme ve tehlike değerlendirmesi için teknik destek sağlar.

Introduction

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

Bu protokolde, İHA uzaktan algılama ve bilgisayar görüşüne dayalı önerilen istilacı biyokütle tahmini yöntemi, istilacı organizmaların dağılımını yansıtabilir ve istilacı biyolojik tehlikenin derecesini tahmin edebilir. İstilacı organizmaların dağılımı ve biyokütlesine ilişkin tahminler, bu organizmaların önlenmesi ve kontrolü için kritik öneme sahiptir. İstilacı bitkiler istila ettiğinde ekosisteme zarar verebilir ve büyük ekonomik kayıplara neden olabilir. İstilacı bitkilerin hızlı ve doğru bir şekilde tanımlanması ve temel istilacı bitki biyokütlesinin tahmin edilmesi, istilacı bitki izleme ve kontrolünde büyük zorluklardır. Bu protokolde, istilacı bitkilerin ekolojik araştırmaları için yeni bir yaklaşım ve yöntem sağlayan ve istilacı bitkilerin ekolojik araştırma ve yönetimini teşvik eden insansız havadan uzaktan algılama ve bilgisayar görüşüne dayalı istilacı bir bitki biyokütle tahmin yöntemini keşfetmek için Mikania micrantha'yı örnek alıyoruz.

Şu anda, Mikania micrantha'nın biyokütle ölçümü esas olarak manuel örnekleme1 ile yapılmaktadır. Geleneksel biyokütle ölçüm yöntemleri, verimsiz ve arazi tarafından sınırlı olan çok sayıda iş gücü ve malzeme kaynağına ihtiyaç duyar; Mikania micrantha'nın bölgesel biyokütle tahmininin ihtiyaçlarını karşılamak zordur.Bu protokolün kullanılmasının en büyük avantajı, bölgesel istilacı bitki biyokütlesinin ve istilacı bitkilerin mekansal dağılımının, alanın örnekleme sınırlamalarını dikkate almayacak ve manuel araştırmalara olan ihtiyacı ortadan kaldıracak şekilde ölçülmesi için bir yöntem sağlamasıdır.

İHA uzaktan algılama teknolojisi, bitki biyokütle tahmininde belirli sonuçlar elde etmiş ve tarımda 2,3,4,5,6,7, ormancılıkta 8,9,10,11 ve otlaklarda 12,13,14 yaygın olarak kullanılmaktadır.. İHA uzaktan algılama teknolojisi, çalışma alanında uzaktan algılama görüntü verilerini verimli bir şekilde elde edebilen düşük maliyet, yüksek verimlilik, yüksek hassasiyet ve esnek çalışma15,16 avantajlarına sahiptir; Daha sonra, geniş bir alanda bitki biyokütlesinin tahmini için veri desteği sağlamak üzere uzaktan algılama görüntüsünün doku özelliği ve bitki örtüsü indeksi çıkarılır. Mevcut bitki biyokütle tahmin yöntemleri temel olarak parametrik ve parametrik olmayan modeller olarak kategorize edilmektedir17. Makine öğrenmesi algoritmalarının gelişmesiyle birlikte, bitki biyokütlesinin uzaktan algılama tahmininde daha yüksek doğruluğa sahip parametrik olmayan makine öğrenmesi modelleri yaygın olarak kullanılmaktadır. Chen ve ark.18, Yunnan Eyaletindeki ormanların yer üstü biyokütlesini tahmin etmek için karışık lojistik regresyon (MLR), KNNR ve rastgele orman regresyonu (RFR) kullandı. Makine öğrenimi modellerinin, özellikle KNNR ve RFR'nin, MLR'ye kıyasla daha üstün sonuçlarla sonuçlandığı sonucuna vardılar. Yan ve ark.19, çeşitli değişken setleri kullanarak subtropikal orman biyokütlesini tahmin etmenin doğruluğunu değerlendirmek için RFR ve aşırı gradyan artırma (XGBR) regresyon modelleri kullandı. Tian ve ark.20, Beibuwan Körfezi'ndeki çeşitli mangrov orman türlerinin yer üstü biyokütlesini tahmin etmek için on bir makine öğrenimi modeli kullandı. Araştırmacılar, XGBR yönteminin mangrov ormanlarının yer üstü biyokütlesini belirlemede daha etkili olduğunu keşfettiler. İnsan-makine uzaktan algılama kullanarak bitki biyokütle tahmini iyi bilinen bir uygulamadır, ancak istilacı bitki Mikania micrantha'nın biyokütle tahmini için İHA kullanımı hem yurt içinde hem de yurt dışında henüz rapor edilmemiştir. Bu yaklaşım, istilacı bitkiler, özellikle de Mikania micrantha için önceki tüm biyokütle tahmin yöntemlerinden temel olarak farklıdır.

Özetlemek gerekirse, İHA uzaktan algılama, yüksek çözünürlük, yüksek verimlilik ve düşük maliyet avantajlarına sahiptir. Uzaktan algılama görüntülerinin özellik değişkeni çıkarımında, bitki örtüsü indeksleri ile birleştirilen doku özellikleri daha iyi regresyon tahmin performansı elde edebilir. Parametrik olmayan modeller, bitki biyokütle tahmininde parametrik modellere göre daha doğru regresyon modelleri elde edebilir. Bu nedenle, istilacı bitkilerin ve biyokütlelerinin boş dağılımını tam olarak hesaplamak için, İHA'lar ve bilgisayarla görme kullanarak uzaktan algılamaya dayanan istilacı bitki biyokütle deneyi için aşağıda belirtilen prosedürleri öneriyoruz.

Protocol

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

1. Veri setlerinin hazırlanması

  1. Araştırma nesnesinin seçilmesi
    1. Mikania micrantha veya diğer istilacı bitkiler gibi seçenekleri göz önünde bulundurarak deneysel çalışmanın odağına göre test örneklerini seçin.
  2. İHA görüntülerinin toplanması
    1. İncelenen alanın boyutuna bağlı olarak 0,5 m*0,5 m boyutunda ve 25-50 adet kare plastik çerçeveler hazırlayın.
    2. Yeterli sayıda biyokütle örneği kullanarak çalışma alanındaki toprak örnekleme konumlarını belirlemek için rastgele bir örnekleme yaklaşımı kullanın. Numune çerçevesini, her bitki arasında en az 2 m'lik bir ayırma mesafesi olacak şekilde bitkileri tam olarak kapsayacak şekilde bitki örtüsü üzerine yatay olarak yerleştirin.
    3. Şekil 1'de gösterildiği gibi bir İHA uzaktan algılama çekim sistemi oluşturmak için bir drone ve bir kamera kullanın.
    4. Belirtilen çalışma alanı içindeki rotayı çizmek için İHA'yı kullanın. Rota planlama kurulumu Şekil 2'de gösterilmiştir.
      1. p'lik bir yön ve yan örtüşme oranı belirleyin, 2 s'lik tek tip zaman aralıklarında fotoğraf çekin, kamera açısını yere dik olarak 90°'de tutun ve kamera yüksekliğini 30 m'ye yerleştirin. Bu, Şekil 3'te gösterildiği gibi, 8256 x 5504 piksel ölçen tek bir görüntü çözünürlüğü ile çalışma alanının sürekli görünür görüntü verileri ile sonuçlandı.
    5. Biyokütle tahmini için Python yazılımıyla sonraki işlemler için havadan görüntüleri saklayın.
  3. Yer üstü biyokütlenin toplanması
    1. Drone veri toplamayı tamamladıktan sonra Mikania micrantha'nın yer üstü biyokütlesini her bir numune grafiğinde manuel olarak toplayın. Onları torbalayın ve her torbayı buna göre etiketleyin.
      1. Mikania micrantha'yı toplarken, örnek parsellerin hareket etmesini önleyin. İlk olarak, Mikania micrantha'yı örnek çizimin iç kenarı boyunca kesin.
      2. Ardından, Mikania micrantha'nın köksapını alttan kesin. Karışan kiri, kayaları veya diğer bitkileri çıkarın. Son olarak, numuneleri torbalayın ve etiketleyin.
    2. Adım 1.3.1'den toplanan istilacı bitki örneklerini laboratuvara getirin. Nemin çoğunu buharlaştırmak için toplanan tüm numuneleri havayla kurutun.
    3. Havayla kurutulmuş numunelerdeki nemi daha fazla gidermek için bir fırın kullanın. Sıcaklığı 55 °C'ye ayarlayın. Numuneleri 72 saat kurutun, ardından her bir numuneyi elektronik terazide tartın ve biyokütle verilerini gram (g) cinsinden kaydedin.
      1. Elektronik teraziyi rahatsız edilmeyen bir ortama yerleştirin, tartın, kalibre edin ve tartmaya devam edin. Mikania micrantha torbalarını elektronik teraziye yerleştirin, okumaların stabilize olmasını bekleyin ve okumaları kaydedin.
      2. Mikania micrantha'yı kütle artık değişmeyene kadar her saat tartın ve okumayı eksi torbanın ağırlığını o numunenin ölçülen kütlesi olarak kaydedin. Aşağıdaki formülü kullanarak istilacı bitkinin yer üstü biyokütlesini hesaplayın:
        figure-protocol-1
        burada B , Mikania micrantha'nın biyokütlesini metrekare başına gram (g/m2) cinsinden temsil eder, M, ölçülen Mikania micrantha'nın gram (g) cinsinden ağırlığıdır, S, örnek arsanın metrekare (m2) cinsinden alanına karşılık gelir.
  4. Veri kümesi oluşturma
    1. Orijinal İHA görüntüsünden örnek görüntüye karşılık gelen RGB görüntüsünü çıkarın. Python programlamayı kullanarak 280 × 280 piksellik bir ızgaraya bölün (Ek Şekil 1).
    2. Python programlamayı kullanarak ham görüntü verilerini örnek görüntülerle aynı boyutta daha küçük görüntülere segmentlere ayırın. Yatay ve dikey adımları 280 piksele ayarlayarak segmentasyon için kayan pencere yöntemini kullanın.
    3. Adım 1.4.2'de bölümlere ayrılmış küçük görüntülerden, bir veri kümesi oluşturmak için rastgele 880 istilacı bitki görüntüsü ve 1500 arka plan görüntüsü seçin. Ardından, bu veri kümesini 6:2:2 oranında eğitim, doğrulama ve test kümelerine bölün (Ek Şekil 2).

2. Mikania micrantha'nın Tanımlanması

  1. Yazılımın hazırlanması
    1. Anaconda'nın resmi web sitesine (https://www.anaconda.com/) gidin ve Anaconda'yı indirin ve yükleyin. Ardından, PyCharm'ın web sitesine (https://www.jetbrains.com/pycharm/) gidin ve PyCharm IDE'yi indirin.
  2. Bir Conda ortamı oluşturma.
    1. Anaconda'yı kurduktan sonra Anaconda Prompt komut satırını açın, ardından yeni bir Conda ortamı oluşturmak için conda create -n pytorch python==3.8 yazın. Ortam oluşturulduktan sonra, pytorch ortamının var olduğunu onaylamak için conda info --envs girin.
    2. Anaconda Komut İstemi'ni açın ve conda activate pytorch yazarak pytorch ortamını etkinleştirin. nvidia-smi yazarak geçerli (Compute Unified Device Architecture)CUDA sürümünü kontrol edin. Ardından, conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.0 -c pytorch komutunu çalıştırarak PyTorch 1.8.1 sürümünü yükleyin.
  3. Model tanıma için çalışır
    NOT: PyTorch'u oluşturmak için Mikania micrantha Bu çalışmada tanıma modeli kullanılmıştır. Kullanılan ağ modeli ResNet101'dir21, mimarisinde orijinal kağıt ile tutarlı kalır. Papatya tanıma gereksinimlerini karşılamak için ağın çıkış bölümünde değişiklikler yapılır.
    1. Görüntüleri model girişine hazırlamak için önceden işleyin. Görüntüleri 280 x 280 pikselden 224 x 224 piksele yeniden boyutlandırın ve aşağıdaki kodu kullanarak modelin boyut gereksinimlerini karşıladıklarından emin olmak için normalleştirin:
      transform = dönüşümler. Oluştur([
      Dönüştüren. Yeniden boyutlandır((224, 224)),
      Dönüştüren. içinTensör(),
      Dönüştüren. Normalleştir([0,485, 0,456, 0,406], [0,229, 0,224, 0,225])])
    2. Evrişimli bir sinir ağı kullanarak görüntü özelliği ayıklama gerçekleştirin ve boyutsallığı azaltın.
      1. İlk olarak, self.conv1 aracılığıyla ilk özellik ayıklama için evrişimli katmanı başlatın. Bu evrişimli katmanla, orijinal görüntü, ilk özellikleri çıkarmak için self.in_channel kanala sahip bir özellik haritasına dönüştürülür (Ek Şekil 3A).
        NOT: Gelişmiş özellikler, artık geçişler üzerinde bir evrişim işleminde çıkarılır. Bu katmanlar, bir dizi artık bloktan oluşan _make_layer fonksiyonunun çağrılmasıyla üretilir. Her artık blok, karmaşık özellikleri kademeli olarak çıkarmak için evrişim, toplu normalleştirme ve aktivasyon işlevlerinden oluşur (Ek Şekil 3B).
      2. 1x1 evrişim yoluyla boyutsallığı azaltmak için kanal numarasını değiştirmek için katmanın işlevini kullanın. Bu işlem, önemli özellikleri korurken hesaplama yükünü azaltır (Ek Şekil 3C).
        NOT: Genel olarak, ResNet101, çeşitli evrişimli katmanlar kullanarak özellik çıkarımı gerçekleştirir ve artık blok içindeki 1x1 evrişimli katmanlar aracılığıyla boyutsallık azalması sağlanır. Bu yaklaşım, ağın özellikleri daha derinlemesine öğrenmesine ve gradyanın kaybolması sorununu önlemesine olanak tanır, böylece karmaşık görevler için görüntü özelliklerinin daha verimli bir şekilde öğrenilmesini ve temsil edilmesini sağlar.
      3. Evrişimler ve havuzlama işlemlerinden sonra, yüksek kaliteli özellikleri tamamen bağlı bir katmana girin.
        NOT: ResNet mimarisinde, özellik ayıklama evrişimli katmanda gerçekleşir. Bu özellikler daha sonra sınıflandırma için tam bağlı (FC) katmana gönderilir (Ek Şekil 4). self.avgpool(x) işlemi, tensörü sabit bir boyuta yeniden şekillendirmek için uyarlanabilir ortalama havuzlama gerçekleştirir. torch.flatten(x, 1) işlemi, tensörü tek boyutlu bir vektöre yayar ve self.fc(x) tam bağlı katmanı düzleştirilmiş vektöre uygular ve sonuçta sınıflandırma için son adım olarak hizmet eder. Bu işlem, çıkarılan unsurları evrişimli katmandan etkili bir şekilde geçirerek, bunları tam bağlı katman aracılığıyla sınıflandırmaya uygun bir formata dönüştürür.
      4. Üç sınıflandırma gereksinimine dayalı olarak nihai çıktıyı elde etmek için Softmax işlevini kullanın.
    3. Adım 1.4'teki veri kümesiyle çok sınıflı bir tanıma modeli eğitin. Yineleme sayısını 200 ve ilk öğrenme oranını 0,0001 olarak ayarlayın. Toplu iş boyutu 64 olan öğrenme oranını her 10 yinelemede bir üçte bir oranında azaltın. Her yinelemeden sonra en uygun model parametrelerini otomatik olarak kaydedin (Ek Şekil 5).
    4. Titizlikle eğitilmiş bir tanıma modeli kullanın ve tanımlama amacıyla orijinal görüntüyü adım 1.2.2'den itibaren sistematik olarak geçin.
      1. Yatay ve dikey adımları tam olarak 280 pikselde yapılandırın, bu da çalışma alanının sınırları içinde istilacı floranın varlığını vurgulayan kapsamlı bir dağılım haritasının oluşturulmasına neden olur. Seçilen sonuçları Şekil 4'te gösterildiği gibi görsel olarak sunun.
        NOT: İlk görüntü, daha küçük parçalara bölünerek, eğitilmiş bir derin öğrenme modeli kullanılarak her bir parça sınıflandırılarak ve sonuçlar bir çıktı görüntüsünde birleştirilerek önceden işlenir. Bir yığın istilacı bir bitki olarak sınıflandırılırsa, çıktı görüntüsündeki karşılık gelen konum 255 olarak ayarlanır. Elde edilen çıktı görüntüsü, gri tonlamalı bir görüntü dosyası olarak kaydedilir. Spesifik uygulama kodu Ek Şekil 6'da gösterilmiştir.

3. İstilacı bitki biyokütlesinin tahmini

  1. Adım 1.2'de oluşturulan görüntü kümesini genişletmek ve biyokütleyi tahmin etmek için yaygın olarak kullanılan RBRI, GBRI, GRRI, RGRI, NGBDI ve NGRDI olmak üzere altı bitki örtüsü indeksini çıkarmak için RandomResizedCrop ve RandomHorizontalFlip işlevleriyle (Ek Şekil 7) basit veri büyütme gerçekleştirin. Bu endekslerin hesaplama formülleri için Tablo 1'e bakın.
  2. İstilacı bitkilerin biyokütlesinin kesin tahminini sağlamak için modelin çıktısını kullanarak bir K-en yakın komşu regresyonu (KNNR)22 modeli oluşturun. Çıkarılan bitki örtüsü indekslerini tahmin modeli için girdi olarak kullanın.
  3. Modelin doğruluğunu değerlendirmek için R2 belirleme katsayısını ve Ortalama Karekök Hatası (RMSE)23'ü kullanın ve bu sayı aşağıdaki gibi hesaplanır:
    figure-protocol-2
    figure-protocol-3
    NOT: K-En Yakın Komşu Regresyon (KNNR) algoritması, regresyon problemlerini çözmek için kullanılan parametrik olmayan bir makine öğrenmesi tekniğidir. Temel konsepti, girdi örnek mesafelerine dayalı olarak özellik uzayındaki en yakın K komşularını belirleyerek sonuçları tahmin etmektir. KNNR kullanmanın temel faydaları arasında basitliği ve anlaşılma kolaylığı yer alır ve eğitim aşaması gerektirmez. Ek olarak, KNNR verilerin dağılımı hakkında aşırı varsayımlarda bulunmaz. KNNR, sürekli objektif değişkenleri tahmin etmek ve istilacı bitkilerin biyokütlesini hassas bir şekilde değerlendirmek için regresyon konularında uygulanabilir.
  4. Adım 3.2'de seçilen yer üstü biyokütle tahmin modelini kullanın ve 2.3.4 adımındaki istilacı bitki dağılım haritasını 280 piksellik yatay ve dikey adımlarla tarayın.

Results

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

Bir bilgisayarda programlı bir şekilde uygulanan istilacı bitkilerin tahmini için bilgisayarla görme tabanlı bir yöntemin temsili sonuçlarını gösteriyoruz. Bu deneyde, Mikania micrantha'yı araştırma konusu olarak kullanarak, istilacı bitkilerin mekansal dağılımını değerlendirdik ve doğal ortamlarında biyokütlesini tahmin ettik. Bir kısmı Şekil 3'te sergilenen araştırma alanının görüntülerini elde etmek için bir drone kamera sistemi kullandık. Çalışma alanında bulunan bitkileri tanımlamak için ResNet101 evrişimli sinir ağını kullandık. Daha sonra, istilacı bitkilerin mekansal dağılımını haritaladık ve bazı bulgularımızı Şekil 4'te gösterdik. Şekil 3'te, Mikania micrantha'nın beyaz çiçeklerle süslenmiş bitkinin üzerine tırmandığı görülmektedir. Diğer bitkilerin yanı sıra yol ve beraberindeki unsurlar da arka planda düzgün bir şekilde tasvir edilmiştir. Şekil 4'te model, kırmızı kısmı Mikania micrantha olarak tanır. İki görüntü seti karşılaştırıldığında, ResNet101'in karmaşık arka planlarda Mikania micrantha'nın sağlam bir şekilde tespit edildiğini gösterdiği açıktır. Ayrıca, Mikania micrantha'nın çalışma alanındaki dağılımını yüksek hassasiyetle doğru bir şekilde haritalandırır.

Çalışma alanındaki istilacı bitkilerin biyokütlesi, ortofotolardan elde edilen tüm Mikania micrantha örnek çizim görüntülerinin 280 × 280 pikselde kesilmesi ve RBRI, GBRI, GRRI, RGRI, NGBDI ve NGBDI bitki örtüsü indekslerinin çıkarılmasıyla tahmin edilmiştir. Regresyon analizi, KNNR regresyon modeli kullanılarak, altı indeks tahmin modeline girdi ve biyokütle modelin çıktısı olarak gerçekleştirilmiştir. Şekil 5 sonuçları sunmaktadır: grafiğin yatay koordinatları, alanda ölçülen biyokütlelerin değerlerini, dikey koordinatlar, model tarafından tahmin edilen biyokütlelerin değerlerini ve gri alanlar, güven aralıklarını temsil eder. Sonuçlar, 0,62'lik bir R² değeri ve 10,56 g/m2'lik bir RMSE ile güçlü bir tahmin performansı göstermektedir. Model, Mikania micrantha biyokütle tahmininin doğruluğunu geliştirir ve Şekil 6'daki uzamsal dağılım haritası, Mikania micrantha biyokütlesinin dağılımını etkili bir şekilde yakalar.

figure-results-1
Resim 1: İHA uzaktan algılama sistemleri. İHA tarafından yakalanan RGB görüntü verilerine bazı örnekler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Rota planlama. Bölgesel rota planlaması üzerine çalışma Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Çalışma alanı içindeki istilacı bitki tanımlama sonuçları. Şekil, ResNet101 evrişimli sinir ağı aracılığıyla çalışma bölgesinde Mikania micrantha'nın tanımlanmasının bulgularını göstermektedir. Resimdeki kırmızı bölge, ResNet101 tarafından Mikania micrantha olarak algılanan alanı gösterirken, diğer arka plan çalışma alanının geri kalanını ifade eder. Bu sonuçlar, Şekil 1'de gösterilen örnek görüntülere karşılık gelir. Sırasıyla Şekil 1'deki tanıma sonuçlarını temsil ederler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: İstilacı bitkilerin mekansal dağılımı. Model, kırmızı kısmı Mikania micrantha olarak tanır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-5
Şekil 5: Biyokütle tahmini regresyon sonuçları. Yatay eksen sahada gözlemlenen biyokütle değerlerini gösterirken, dikey eksen model tarafından tahmin edilen biyokütle değerlerini gösterir. Gri gölgeli bölgeler güven aralıklarını gösterir. KNNR modeli, test setinde 0.65'lik bir R2'ye ulaşırken, en düşük ortalama karekök hatası 30.59 g /m2 olarak gerçekleşti. Modelin regresyon dağılım grafiğinde, birçok Mikania micrantha biyokütle tahmini, biyokütle tahmininin geçerliliğini gösteren güven aralığı içindeydi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-6
Şekil 6: Mikania micrantha biyokütlesinin mekansal dağılımı. Şekil, çıkarılan Mikania micrantha biyokütle dağılım haritası ile birlikte, tahmin modeli olarak KNNR'yi kullanan araştırma alanı boyunca Mikania micrantha biyokütlesinin tahminini göstermektedir. Daha koyu gölgeli bölgeler, daha yüksek miktarlarda Mikania micrantha biyokütlesini temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-7
Şekil 7: Bu protokolün ana gelişiminin şematik diyagramı. Şekil, sunulan protokolün ana adımlarını göstermektedir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Bitki Örtüsü İndeksi AdıHesaplama Formülü
Yeşil Mavi Oran EndeksiGBRI = DNG/DNB
Yeşil Kırmızı Oran EndeksiGRRI = DNG/DNR
Kırmızı Mavi Oran EndeksiRBRI = DNR/DNB
Kırmızı Yeşil Oran EndeksiRGRI = DNR/DNG
Normalleştirilmiş Yeşil Mavi Fark EndeksiNGBDI = (DNG - DNB)/(DNG + DNB)
Normalleştirilmiş Yeşil Kırmızı Fark İndeksiNGRDI = (DNG - DNR)/(DNG + DNR)

Tablo 1: Bitki örtüsü indeksi hesaplama formülü. Bu protokolde kullanılan bitki örtüsü indeksleri ve ilgili hesaplama formülleri.

Ek Şekil 1: OpenCV kütüphanesini kullanarak Python betiği aracılığıyla bir görüntüyü 280 x 280 piksele kırpma. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 2: Veri kümesini bir eğitim kümesine, doğrulama kümesine ve test kümesine bölme. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 3: Özellik çıkarımı ve boyutsallığın azaltılması. (A) İlk özellik çıkarma. (B) Evrişim işlemi. (C) Boyutsallığın azaltılması. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 4: ResNet mimarisinde özelliklerin FC katmanına aktarılması. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 5: Parametrelerin ayarlanması. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 6: Kapsamlı dağıtım haritası oluşturmak için özel uygulama kodu. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 7: RandomResizedCrop ve RandomHorizontalFlip fonksiyonları. Bu dosyayı indirmek için lütfen buraya tıklayın.

Discussion

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

İHA, uzaktan algılama ve bilgisayarla görme kullanarak istilacı bitkilerin biyokütlesini tahmin etmeye yönelik bir deneyin ayrıntılı adımlarını sunuyoruz. Bu anlaşmanın ana süreci ve adımları Şekil 7'de gösterilmiştir. Uygun numune kalitesi, programın en önemli ve zorlu yönlerinden biridir. Bu önem, tüm istilacı bitkiler için olduğu kadar diğer bitki biyokütle tahmin deneyleri için de geçerlidir24.

Çalışma alanındaki istilacı bitkilerin dağılımını belirlemek için öncelikle İHA'dan uzaktan algılama kullanarak çalışma alanının görünür ve sürekli fotogrametrisini elde etmeliyiz. Bunu başarmak için uygun İHA fotoğraf yüksekliği ve kamera çözünürlüğü gereklidir. Bu, evrişimli bir sinir ağı olan ResNet101'in görüntüden bitki örtüsü indeksi ve doku gibi özellikleri elde edebilmesini sağlayacaktır. Bu özellikler, karmaşık çevresel geçmişlerde bile istilacı bitkilerin tanımlanmasına ve nihayetinde çalışma alanındaki dağılımlarının haritalandırılmasına yardımcı olur.

Çalışma alanındaki istilacı bitkilerin biyokütlesini tahmin etmek için, 25-50 rastgele örnekleme noktası ile kare örnek çerçeveleri25 oluşturmak gerekir. İnsansız hava sistemi fotoğraf çekme işlemini tamamladıktan sonra, istilacı bitkileri numune çerçevelerinden toplamak gerekir. İlk bölümde belirtildiği gibi, çerçevelerden biyokütlenin toplanmasının, onları hareket ettirmeden ve benzersiz numaralar atanarak hassas bir şekilde yapılması gerektiğine dikkat etmek çok önemlidir. Ek olarak, doğru bir ölçüm elde etmek için biyokütle hassas bir şekilde kurutulmalı ve laboratuvarda tartılmalıdır. KNNR regresyon modeli18 , tahmin modeline girdi olarak İHA kamera sistemi tarafından elde edilen görüntülerden çıkarılan altı bitki örtüsü indeksi ve modelin çıktısı olarak biyokütle kullanılarak istilacı bitkilerin mekansal dağılımını elde etmek için kullanılmıştır.

İstilacı bitki popülasyonlarını tahmin etmek için bu yazıda açıklanan yöntemler ayrıntılı değildir. Karşılaştırılabilir veriler elde etmek için ek araçlar kullanılabilir ve çok sayıda pratik veya yenilikçi değişiklik kullanılabilir. Protokolde belirtilen modelin yalnızca bir seçenek olarak hizmet ettiği ve otomatik navigasyon entegrasyonuna, bir gimbal'a uyum sağlama yeteneğine, 50 metreye kadar uçabilme yeteneğine, seçilen kameranınkini aşan bir faydalı yük kapasitesine ve tüm çalışma alanını kapsayan bir menzile sahip herhangi bir drone ile değiştirilebilen bir dizi drone kullanılabilir. İHA için bir kamera seçerken, maksimum çözünürlük, etkili görüntü pikselleri, maksimum pikseller ve diğer görüntüleme parametreleri gibi faktörlerin yanı sıra İHA yükünün boyut ve ağırlık kısıtlamalarını da göz önünde bulundurmak önemlidir. Ek olarak, çekim işleminin başarılı bir şekilde tamamlanması için yeterli aralık gereklidir. Ayrıca, tanımlama modeli tek yöntem değildir ve önerilen yöntemi geliştirmek için odunsu veya çeşitli bitki türleri gibi birden fazla istilacı bitki türü için ayarlanabilir. Bu strateji aynı zamanda daha az örnek kullanan, ek bitki örtüsü indeksleri elde eden ve daha yüksek bir hassasiyet derecesi elde eden bir regresyon algoritmasına da ilerleyebilir. Alternatif olarak, istilacı bitkileri tanımlamak için azaltılmış bir tanımlama ağı uygulanabilir ve bu da akıllı tanımlama yöntemlerinin pratik olarak uygulanmasına olanak tanır.

Sunulan yöntemin birincil kısıtlaması, modelin aydınlatma koşullarına ve arka plana bağımlılığıdır. Daha yüksek doğruluğa yönelik iyileştirmeler ancak multispektral26, LiDAR12 ve meteorolojik verilerin27 daha fazla dahil edilmesiyle gerçekleşebilir. Bu tür verileri elde etmek zor olabilir ve pahalı ekipman gerektirebilir, ancak doğrudan güneş ışığından kaçınarak ve İHA çekim sistemimiz aracılığıyla alanı örneklediğimiz için bitkilerin arka planlarını izole ederek verilerimizin doğruluğunu artırabiliriz.

Bu metodolojiyi kullanmanın yararı, diğerlerinden farklı olarak, belirlenen çalışma alanındaki istilacı bitki türlerinin mekansal dağılımını sağlama yeteneğinde yatmaktadır. Dağılım, girdi olarak İHA kamera sistemi aracılığıyla yakalanan görüntülerden çıkarılan altı bitki örtüsü indeksi kullanılarak ve modelin çıktısı olarak biyokütle kullanılarak regresyon analizi yoluyla belirlenir. Bu yaklaşım, önceki manuel biyokütle toplama yöntemlerinden temel olarak farklı olan, aynı anda birden fazla çalışma alanında biyokütleyi tahmin etmek için taşınabilir bir yöntem kullanır. Geleneksel yöntem, araştırmaların manuel olarak yürütülmesini ve önemli miktarların toplanmasını içerir, bu da verimsiz ve özneldir28, bu nedenle karmaşık koşullar göz önüne alındığında biyokütlenin pratik bir tahminini sağlayamaz.

Yukarıda belirtilen metodoloji kullanılarak istilacı bitki biyokütlesinin tahmini, bölgesel dağılımın nicelleştirilmesine izin verir. Ayrıca, bölgesel düzeyde akıllı izleme ve tehlike değerlendirmesi için teknik yardım sunar.

Disclosures

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

Yazarların ifşa edecek hiçbir şeyi yok.

Acknowledgements

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

Yazar, bu çalışmayı destekledikleri için Çin Tarım Bilimleri Akademisi ve Guangxi Üniversitesi'ne teşekkür eder. Çalışma, Çin Ulusal Anahtar Ar-Ge Programı (2022YFC2601500 ve 2022YFC2601504), Çin Ulusal Doğa Bilimleri Vakfı (32272633), Shenzhen Bilim ve Teknoloji Programı (KCXFZ20230731093259009) tarafından desteklenmiştir.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
DSLR fotoğraf makinesiNikonD850Sensör tipi: CMOS; Maksimum piksel sayısı: 46,89 milyon; Efektif piksel sayısı: 45,75 milyon; Maksimum çözünürlük 8256 x 5504.
GPU - Grafik İşlem BirimiNVIDIA 
HexacopterDJI M600PROYatay uçuş: 65 km/s (rüzgar ortamı yok); Maksimum uçuş yükü: 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