Stima della biomassa basata sulla visione artificiale per impianti invasivi
Summary
Riportiamo procedure dettagliate per un metodo di stima della biomassa vegetale invasiva che utilizza i dati ottenuti dal telerilevamento di veicoli aerei senza pilota (UAV) per valutare la biomassa e catturare la distribuzione spaziale delle specie invasive. Questo approccio si rivela estremamente utile per condurre la valutazione dei pericoli e l’allerta precoce delle piante invasive.
Abstract
Riportiamo le fasi dettagliate di un metodo per stimare la biomassa di piante invasive basato sul telerilevamento UAV e sulla visione artificiale. Per raccogliere campioni dall’area di studio, abbiamo preparato un assemblaggio quadrato di campioni per randomizzare i punti di campionamento. Un sistema di telecamere aeree senza pilota è stato costruito utilizzando un drone e una fotocamera per acquisire immagini RGB continue dell’area di studio attraverso la navigazione automatizzata. Dopo aver completato le riprese, è stata raccolta la biomassa fuori terra nel telaio del campione e tutte le corrispondenze sono state etichettate e imballate. I dati campione sono stati elaborati e le immagini aeree sono state segmentate in piccole immagini di 280 x 280 pixel per creare un set di dati di immagini. Una rete neurale convoluzionale profonda è stata utilizzata per mappare la distribuzione di Mikania micrantha nell’area di studio ed è stato ottenuto il suo indice di vegetazione. Gli organismi raccolti sono stati essiccati e il peso secco è stato registrato come biomassa di base. Il modello di regressione della biomassa vegetale invasiva è stato costruito utilizzando la regressione K-nearest neighbor (KNNR) estraendo l’indice di vegetazione dalle immagini campione come variabile indipendente e integrandolo con la biomassa di base come variabile dipendente. I risultati hanno mostrato che era possibile prevedere con precisione la biomassa delle piante invasive. Un’accurata mappa di distribuzione spaziale della biomassa vegetale invasiva è stata generata mediante attraversamento delle immagini, consentendo l’identificazione precisa delle aree ad alto rischio interessate da piante invasive. In sintesi, questo studio dimostra il potenziale della combinazione del telerilevamento di veicoli aerei senza pilota con tecniche di apprendimento automatico per stimare la biomassa vegetale invasiva. Contribuisce in modo significativo alla ricerca di nuove tecnologie e metodi per il monitoraggio in tempo reale delle piante invasive e fornisce supporto tecnico per il monitoraggio intelligente e la valutazione dei pericoli su scala regionale.
Introduction
In questo protocollo, il metodo proposto per la stima della biomassa invasiva basato sul telerilevamento UAV e sulla visione artificiale può riflettere la distribuzione degli organismi invasivi e prevedere il grado di rischio biologico invasivo. Le stime della distribuzione e della biomassa degli organismi invasivi sono fondamentali per la prevenzione e il controllo di questi organismi. Una volta invadete, le piante invasive possono danneggiare l’ecosistema e causare enormi perdite economiche. L’identificazione rapida e accurata delle piante invasive e la stima della biomassa delle piante invasive sono le principali sfide nel monitoraggio e nel controllo delle piante invasive. In questo protocollo, prendiamo come esempio Mikania micrantha per esplorare un metodo di stima della biomassa vegetale invasiva basato sul telerilevamento aereo senza pilota e sulla visione artificiale, che fornisce un nuovo approccio e metodo per la ricerca ecologica delle piante invasive e promuove la ricerca ecologica e la gestione delle piante invasive.
Attualmente, la misurazione della biomassa di Mikania micrantha viene effettuata principalmente mediante campionamento manuale1. I metodi tradizionali di misurazione della biomassa richiedono molta forza lavoro e risorse materiali, che sono inefficienti e limitate dal terreno; è difficile soddisfare le esigenze della stima della biomassa regionale di Mikania micrantha. Il principale vantaggio dell’utilizzo di questo protocollo è che fornisce un metodo per quantificare la biomassa delle piante invasive regionali e la distribuzione spaziale delle piante invasive in un modo che non tiene conto dei limiti di campionamento dell’area ed elimina la necessità di indagini manuali.
La tecnologia di telerilevamento UAV ha ottenuto determinati risultati nella stima della biomassa vegetale ed è stata ampiamente utilizzata in agricoltura 2,3,4,5,6,7, silvicoltura 8,9,10,11 e praterie 12,13,14. La tecnologia di telerilevamento UAV presenta i vantaggi di basso costo, alta efficienza, alta precisione e funzionamento flessibile 15,16, che può ottenere in modo efficiente dati di immagini di telerilevamento nell’area di studio; Quindi, la caratteristica della trama e l’indice di vegetazione dell’immagine di telerilevamento vengono estratti per fornire dati di supporto per la stima della biomassa vegetale in una vasta area. Gli attuali metodi di stima della biomassa vegetale sono principalmente classificati in modelli parametrici e non parametrici17. Con lo sviluppo di algoritmi di apprendimento automatico, i modelli di apprendimento automatico non parametrici con maggiore precisione sono stati ampiamente utilizzati nella stima del telerilevamento della biomassa vegetale. Chen et al.18 hanno utilizzato la regressione logistica mista (MLR), la KNNR e la regressione forestale casuale (RFR) per stimare la biomassa fuori terra delle foreste nella provincia dello Yunnan. Hanno concluso che i modelli di apprendimento automatico, in particolare KNNR e RFR, hanno portato a risultati superiori rispetto a MLR. Yan et al.19 hanno impiegato modelli di regressione RFR ed extreme gradient boosting (XGBR) per valutare l’accuratezza della stima della biomassa forestale subtropicale utilizzando vari set di variabili. Tian et al.20 hanno utilizzato undici modelli di apprendimento automatico per stimare la biomassa fuori terra di varie specie di foreste di mangrovie nella baia di Beibuwan. I ricercatori hanno scoperto che il metodo XGBR era più efficace nel determinare la biomassa fuori terra delle foreste di mangrovie. La stima della biomassa vegetale mediante telerilevamento uomo-macchina è una pratica consolidata, tuttavia, l’uso di UAV per la stima della biomassa della pianta invasiva Mikania micrantha deve ancora essere segnalato sia a livello nazionale che internazionale. Questo approccio è fondamentalmente diverso da tutti i precedenti metodi di stima della biomassa per le piante invasive, in particolare la Mikania micrantha.
Per riassumere, il telerilevamento UAV presenta i vantaggi di alta risoluzione, alta efficienza e basso costo. Nell’estrazione di variabili di funzionalità di immagini di telerilevamento, le caratteristiche di texture combinate con gli indici di vegetazione possono ottenere migliori prestazioni di previsione della regressione. I modelli non parametrici possono ottenere modelli di regressione più accurati rispetto a quelli parametrici nella stima della biomassa vegetale. Pertanto, per calcolare con precisione la distribuzione nulla delle piante invasive e della loro biomassa, suggeriamo le seguenti procedure delineate per l’esperimento sulla biomassa vegetale invasiva che si basa sul telerilevamento utilizzando UAV e visione artificiale.
Protocol
Representative Results
Discussion
Presentiamo le fasi dettagliate di un esperimento sulla stima della biomassa di piante invasive utilizzando il telerilevamento UAV e la visione artificiale. Il processo principale e le fasi di questo accordo sono illustrati nella Figura 7. La corretta qualità dei campioni è uno degli aspetti più cruciali e impegnativi del programma. Questa importanza vale per tutte le piante invasive e per qualsiasi altro esperimento di stima della biomassa vegetale24.
<p class…Divulgations
The authors have nothing to disclose.
Acknowledgements
L’autore ringrazia l’Accademia Cinese delle Scienze Agrarie e l’Università del Guangxi per aver sostenuto questo lavoro. Il lavoro è stato supportato dal National Key R&D Program of China (2022YFC2601500 e 2022YFC2601504), dalla National Natural Science Foundation of China (32272633), dallo Shenzhen Science and Technology Program (KCXFZ20230731093259009)
Materials
| DSLR camera | Nikon | D850 | Sensor type: CMOS; Maximum number of pixels: 46.89 million; Effective number of pixels: 45.75 million; Maximum resolution 8256 x 5504. |
| GPU – Graphics Processing Unit | NVIDIA | RTX3090 | |
| Hexacopter | DJI | M600PRO | Horizontal flight: 65 km/h (no wind environment); Maximum flight load: 6000 g |
| PyCharm | Python IDE | 2023.1 | |
| Python | Python | 3.8.0 | |
| Pytorch | Pytorch | 1.8.1 |
References
- 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).
- Yu, X., Bao, Q. Aboveground biomass estimation of potato from UAV multispectral imagery. Remote Sensing. 54 (4), 96-99 (2023).
- 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).
- 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).
- Jiang, Q., et al. UAV-based biomass estimation for rice-combining spectral, TIN-based structural and meteorological features. Remote Sensing. 11 (7), 890 (2019).
- 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).
- Shu, S., et al. Aboveground biomass estimation of rice based on unmanned aerial vehicle imagery. Fujian Journal of Agricultural Sciences. 37 (7), 9 (2022).
- Wu, X., et al. UAV LiDAR-based biomass estimation of individual trees. Fujian Journal of Agricultural Sciences. 22 (34), 15028-15035 (2022).
- 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).
- Li, B., Liu, K. Forest biomass estimation based on UAV optical remote sensing. Forest Engineering. 5, 38 (2022).
- 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).
- 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).
- 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).
- Wengert, M., et al. Multisite and multitemporal grassland yield estimation using UAV-borne hyperspectral data. Remote Sensing. 14 (9), 2068 (2022).
- Li, Y., et al. The effect of season on Spartina alterniflora identification and monitoring. Frontiers in Environmental Science. 10, 1044839 (2022).
- 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).
- 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).
- 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).
- 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).
- 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).
- Shrivastava, A., et al. Beyond skip connections: Top-down modulation for object detection. arXiv. , (2016).
- Belkasim, S. O., Shridhar, M., Ahmadi, M. Pattern classification using an efficient KNNR. Pattern Recognition. 25 (10), 1269-1274 (1992).
- 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).
- Tian, L., et al. Review of remote sensing-based methods for forest aboveground biomass estimation: Progress, challenges, and prospects. Forests. 14 (6), 1086 (2023).
- Wei, X. Biomass estimation: A remote sensing approach. Geography Compass. 4 (11), 1635-1647 (2010).
- 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).
- Zhang, J. Y., et al. Unmanned aerial system-based wheat biomass estimation using multispectral, structural and meteorological data. Agriculture. 13 (8), 1621 (2023).
- 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).
