Op computervisie gebaseerde biomassaschatting voor invasieve planten
Summary
We rapporteren gedetailleerde procedures voor een schattingsmethode voor invasieve plantenbiomassa die gebruikmaakt van gegevens die zijn verkregen van teledetectie door onbemande luchtvaartuigen (UAV) om biomassa te beoordelen en de ruimtelijke verspreiding van invasieve soorten vast te leggen. Deze aanpak blijkt zeer nuttig te zijn voor het uitvoeren van gevarenbeoordeling en vroegtijdige waarschuwing van invasieve planten.
Abstract
We rapporteren over de gedetailleerde stappen van een methode om de biomassa van invasieve planten te schatten op basis van UAV-teledetectie en computervisie. Om monsters uit het studiegebied te verzamelen, hebben we een vierkante steekproef gemaakt om de bemonsteringspunten willekeurig te maken. Een onbemand luchtcamerasysteem werd gebouwd met behulp van een drone en camera om continue RGB-beelden van het studiegebied te verkrijgen door middel van geautomatiseerde navigatie. Na voltooiing van de opname werd de bovengrondse biomassa in het monsterframe verzameld en werden alle overeenkomsten gelabeld en verpakt. De voorbeeldgegevens werden verwerkt en de luchtfoto’s werden gesegmenteerd in kleine afbeeldingen van 280 x 280 pixels om een afbeeldingsdataset te creëren. Een diep convolutioneel neuraal netwerk werd gebruikt om de verspreiding van Mikania micrantha in het studiegebied in kaart te brengen en de vegetatie-index werd verkregen. De verzamelde organismen werden gedroogd en het droge gewicht werd geregistreerd als de grondwaarheidsbiomassa. Het regressiemodel voor invasieve plantenbiomassa is geconstrueerd met behulp van de K-nearest neighbor regressie (KNNR) door de vegetatie-index uit de voorbeeldbeelden te extraheren als een onafhankelijke variabele en deze te integreren met de grondwaarheidsbiomassa als een afhankelijke variabele. De resultaten toonden aan dat het mogelijk was om de biomassa van invasieve planten nauwkeurig te voorspellen. Een nauwkeurige ruimtelijke verspreidingskaart van invasieve plantenbiomassa werd gegenereerd door beeldverplaatsing, waardoor nauwkeurige identificatie mogelijk is van gebieden met een hoog risico die zijn aangetast door invasieve planten. Samenvattend toont deze studie het potentieel aan van het combineren van remote sensing van onbemande luchtvaartuigen met machine learning-technieken om invasieve plantenbiomassa te schatten. Het levert een belangrijke bijdrage aan het onderzoek naar nieuwe technologieën en methoden voor real-time monitoring van invasieve planten en biedt technische ondersteuning voor intelligente monitoring en gevarenbeoordeling op regionale schaal.
Introduction
In dit protocol kan de voorgestelde methode voor het schatten van invasieve biomassa op basis van UAV-teledetectie en computervisie de verspreiding van invasieve organismen weerspiegelen en de mate van invasief biologisch gevaar voorspellen. Schattingen van de verspreiding en biomassa van invasieve organismen zijn van cruciaal belang voor de preventie en bestrijding van deze organismen. Zodra invasieve planten binnendringen, kunnen ze het ecosysteem beschadigen en enorme economische verliezen veroorzaken. Het snel en nauwkeurig identificeren van invasieve planten en het schatten van de belangrijkste invasieve plantenbiomassa zijn grote uitdagingen bij de monitoring en bestrijding van invasieve planten. In dit protocol nemen we Mikania micrantha als voorbeeld om een methode voor het schatten van de biomassa van invasieve planten te onderzoeken op basis van onbemande teledetectie vanuit de lucht en computervisie, die een nieuwe benadering en methode biedt voor het ecologisch onderzoek van invasieve planten en het ecologisch onderzoek en beheer van invasieve planten bevordert.
Op dit moment wordt de biomassameting van Mikania micrantha voornamelijk gedaan door middel van handmatige bemonstering1. De traditionele methoden voor het meten van biomassa vereisen veel arbeidskrachten en materiële middelen, die inefficiënt zijn en beperkt door het terrein; het is moeilijk om te voldoen aan de behoeften van regionale biomassaschatting van Mikania micrantha. Het grote voordeel van het gebruik van dit protocol is dat het een methode biedt voor het kwantificeren van regionale invasieve plantenbiomassa en ruimtelijke verspreiding van invasieve planten op een manier die geen rekening houdt met de bemonsteringsbeperkingen van het gebied en de noodzaak van handmatige onderzoeken elimineert.
UAV-teledetectietechnologie heeft bepaalde resultaten opgeleverd bij het schatten van de biomassa van planten en wordt veel gebruikt in de landbouw 2,3,4,5,6,7, bosbouw 8,9,10,11 en grasland 12,13,14 . UAV-teledetectietechnologie heeft de voordelen van lage kosten, hoge efficiëntie, hoge precisie en flexibele werking15,16, die op efficiënte wijze teledetectiebeeldgegevens in het studiegebied kan verkrijgen; Vervolgens worden het textuurkenmerk en de vegetatie-index van het teledetectiebeeld geëxtraheerd om gegevensondersteuning te bieden voor de schatting van de plantenbiomassa in een groot gebied. De huidige methoden voor het schatten van de biomassa van planten zijn voornamelijk onderverdeeld in parametrische en niet-parametrische modellen17. Met de ontwikkeling van machine learning-algoritmen zijn niet-parametrische machine learning-modellen met een hogere nauwkeurigheid op grote schaal gebruikt bij het schatten van biomassa van planten met teledetectie. Chen et al.18 gebruikten gemengde logistische regressie (MLR), KNNR en willekeurige bosregressie (RFR) om de bovengrondse biomassa van bossen in de provincie Yunnan te schatten. Ze concludeerden dat de machine learning-modellen, met name KNNR en RFR, resulteerden in superieure resultaten in vergelijking met MLR. Yan et al.19 gebruikten RFR- en extreme gradiëntverhogende (XGBR) regressiemodellen om de nauwkeurigheid van het schatten van subtropische bosbiomassa te beoordelen met behulp van verschillende sets variabelen. Tian et al.20 gebruikten elf machine-learningmodellen om de bovengrondse biomassa van verschillende mangrovebossoorten in Beibuwan Bay te schatten. De onderzoekers ontdekten dat de XGBR-methode effectiever was in het bepalen van de bovengrondse biomassa van mangrovebossen. Het schatten van de biomassa van planten met behulp van mens-machine teledetectie is een gevestigde praktijk, maar het gebruik van UAV voor biomassaschatting van de invasieve plant Mikania micrantha moet zowel in eigen land als internationaal nog worden gerapporteerd. Deze aanpak verschilt fundamenteel van alle eerdere methoden voor het schatten van de biomassa van invasieve planten, met name Mikania micrantha.
Kortom, UAV-teledetectie heeft de voordelen van een hoge resolutie, hoge efficiëntie en lage kosten. Bij de extractie van functievariabelen van teledetectiebeelden kunnen textuurkenmerken in combinatie met vegetatie-indexen betere regressievoorspellingsprestaties verkrijgen. Niet-parametrische modellen kunnen nauwkeurigere regressiemodellen opleveren dan parametrische modellen bij het schatten van de biomassa van planten. Daarom, om de nulverdeling van invasieve planten en hun biomassa nauwkeurig te berekenen, stellen we de volgende geschetste procedures voor voor het experiment met invasieve plantenbiomassa dat gebaseerd is op teledetectie met behulp van UAV’s en computervisie.
Protocol
Representative Results
Discussion
We presenteren de gedetailleerde stappen van een experiment voor het schatten van de biomassa van invasieve planten met behulp van UAV-teledetectie en computervisie. Het belangrijkste proces en de stappen van deze overeenkomst zijn weergegeven in figuur 7. De juiste monsterkwaliteit is een van de meest cruciale en uitdagende aspecten van het programma. Dit belang geldt voor alle invasieve planten en voor alle andere experimenten voor het schatten van de plantenbiomassa24</s…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
De auteur bedankt de Chinese Academie voor Landbouwwetenschappen en de Universiteit van Guangxi voor hun steun aan dit werk. Het werk werd ondersteund door het National Key R&D-programma van China (2022YFC2601500 & 2022YFC2601504), de National Natural Science Foundation of China (32272633), 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 |
Riferimenti
- 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).
