Summary

הערכת ביומסה מבוססת ראייה ממוחשבת לצמחים פולשים

Published: February 09, 2024
doi:

Summary

אנו מדווחים על נהלים מפורטים לשיטת הערכת ביומסה של צמחים פולשים, המשתמשת בנתונים המתקבלים מחישה מרחוק של כלי טיס בלתי מאוישים (כטב”מים) כדי להעריך ביומסה וללכוד את ההתפלגות המרחבית של מינים פולשים. גישה זו הוכחה כמועילה ביותר לביצוע הערכת סיכונים והתרעה מוקדמת על צמחים פולשים.

Abstract

אנו מדווחים על השלבים המפורטים של שיטה להערכת הביומסה של צמחים פולשים בהתבסס על חישה מרחוק של מל”טים וראייה ממוחשבת. כדי לאסוף דגימות מאזור המחקר, הכנו מכלול ריבועי מדגם כדי לחלק את נקודות הדגימה באופן אקראי. מערכת מצלמות אוויריות בלתי מאוישות נבנתה באמצעות רחפן ומצלמה כדי לקבל תמונות RGB רציפות של אזור המחקר באמצעות ניווט אוטומטי. לאחר השלמת הצילום, נאספה הביומסה העילית במסגרת הדגימה, וכל ההתכתבויות סומנו ונארזו. נתוני הדגימה עובדו, ותצלומי האוויר חולקו לתמונות קטנות של 280 x 280 פיקסלים כדי ליצור מערך נתוני תמונה. רשת עצבית קונבולוציונית עמוקה שימשה למיפוי תפוצתו של Mikania micrantha באזור המחקר, והתקבל מדד הצמחייה שלו. האורגניזמים שנאספו יובשו, והמשקל היבש נרשם כביומסה של אמת הקרקע. מודל רגרסיה ביומסה של צמחים פולשים נבנה באמצעות רגרסיה של שכן קרוב K (KNNR) על ידי חילוץ אינדקס הצמחייה מתמונות הדגימה כמשתנה בלתי תלוי ושילובו עם ביומסת האמת הקרקעית כמשתנה תלוי. התוצאות הראו כי ניתן לחזות את הביומסה של צמחים פולשים במדויק. מפת פיזור מרחבית מדויקת של ביומסה של צמחים פולשים נוצרה על ידי חציית תמונה, המאפשרת זיהוי מדויק של אזורים בסיכון גבוה המושפעים מצמחים פולשים. לסיכום, מחקר זה מדגים את הפוטנציאל של שילוב חישה מרחוק של כלי טיס בלתי מאוישים עם טכניקות למידת מכונה כדי להעריך ביומסה פולשנית של צמחים. היא תורמת באופן משמעותי למחקר של טכנולוגיות ושיטות חדשות לניטור בזמן אמת של צמחים פולשים ומספקת תמיכה טכנית לניטור חכם והערכת סיכונים בקנה מידה אזורי.

Introduction

בפרוטוקול זה, השיטה המוצעת להערכת ביומסה פולשנית המבוססת על חישה מרחוק של כטב”ם וראייה ממוחשבת יכולה לשקף את התפלגות האורגניזמים הפולשים ולחזות את מידת הסיכון הביולוגי הפולשני. הערכות של תפוצה וביומסה של אורגניזמים פולשים הן קריטיות למניעה ולבקרה של אורגניזמים אלה. ברגע שצמחים פולשים פולשים, הם יכולים לפגוע במערכת האקולוגית ולגרום להפסדים כלכליים עצומים. זיהוי מהיר ומדויק של צמחים פולשים והערכת ביומסה של צמחים פולשים מרכזיים הם אתגרים גדולים בניטור ובקרה פולשניים של צמחים. בפרוטוקול זה, ניקח את Mikania micrantha כדוגמה לחקור שיטת הערכת ביומסה פולשנית של צמחים המבוססת על חישה מרחוק אווירית בלתי מאוישת וראייה ממוחשבת, המספקת גישה ושיטה חדשה למחקר אקולוגי של צמחים פולשים ומקדמת את המחקר האקולוגי והניהול של צמחים פולשים.

כיום, מדידת הביומסה של Mikania micrantha נעשית בעיקר על ידי דגימה ידנית1. השיטות המסורתיות למדידת ביומסה זקוקות לכוח עבודה רב ולמשאבים חומריים, שאינם יעילים ומוגבלים על ידי השטח; קשה לענות על הצרכים של הערכת ביומסה אזורית של Mikania micrantha. היתרון הגדול בשימוש בפרוטוקול זה הוא שהוא מספק שיטה לכימות ביומסה אזורית של צמחים פולשים ופיזור מרחבי של צמחים פולשים באופן שאינו לוקח בחשבון את מגבלות הדגימה של השטח ומייתר את הצורך בסקרים ידניים.

טכנולוגיית חישה מרחוק של כטב”מים השיגה תוצאות מסוימות בהערכת ביומסה של צמחים והייתה בשימוש נרחב בחקלאות 2,3,4,5,6,7, ייעור 8,9,10,11 ושטחי מרעה 12,13,14. לטכנולוגיית חישה מרחוק של כטב”ם יש את היתרונות של עלות נמוכה, יעילות גבוהה, דיוק גבוה והפעלה גמישה15,16, אשר יכולה להשיג ביעילות נתוני תמונת חישה מרחוק באזור המחקר; לאחר מכן, תכונת המרקם ואינדקס הצמחייה של תמונת חישה מרחוק מופקים כדי לספק תמיכה בנתונים להערכת ביומסה של צמחים בשטח גדול. שיטות הערכת הביומסה הנוכחיות של צמחים מסווגות בעיקר למודלים פרמטריים ולא פרמטריים17. עם הפיתוח של אלגוריתמים של למידת מכונה, מודלים לא פרמטריים של למידת מכונה עם דיוק גבוה יותר היו בשימוש נרחב בהערכת חישה מרחוק של ביומסה של צמחים. Chen et al.18 השתמשו ברגרסיה לוגיסטית מעורבת (MLR), KNNR ורגרסיית יער אקראית (RFR) כדי להעריך את הביומסה מעל פני הקרקע של יערות במחוז יונאן. הם הגיעו למסקנה כי מודלים של למידת מכונה, במיוחד KNNR ו- RFR, הביאו לתוצאות טובות יותר בהשוואה ל- MLR. Yan et al.19 השתמשו במודלי רגרסיה של RFR ו-XGBR (extreme gradient boosting) כדי להעריך את הדיוק של הערכת ביומסה של יער סובטרופי באמצעות קבוצות שונות של משתנים. טיאן ועמיתיו השתמשו באחד עשר מודלים של למידת מכונה כדי להעריך את הביומסה מעל פני הקרקע של מיני יערות מנגרובים שונים במפרץ בייבואן. החוקרים גילו כי שיטת XGBR הייתה יעילה יותר בקביעת הביומסה העילית של יערות מנגרובים. הערכת ביומסה צמחית באמצעות חישה מרחוק בין אדם למכונה היא פרקטיקה מבוססת היטב, עם זאת, השימוש במל”ט להערכת ביומסה של הצמח הפולש Mikania micrantha טרם דווח הן ברמה המקומית והן ברמה הבינלאומית. גישה זו שונה באופן מהותי מכל השיטות הקודמות להערכת ביומסה עבור צמחים פולשים, במיוחד Mikania micrantha.

לסיכום, לחישה מרחוק של מל”ט יש את היתרונות של רזולוציה גבוהה, יעילות גבוהה ועלות נמוכה. בחילוץ משתנה התכונה של תמונות חישה מרחוק, תכונות מרקם בשילוב עם אינדקסי צמחייה יכולות להשיג ביצועי חיזוי רגרסיה טובים יותר. מודלים לא פרמטריים יכולים לקבל מודלים מדויקים יותר של רגרסיה מאשר מודלים פרמטריים בהערכת ביומסה של צמחים. לכן, כדי לחשב את התפלגות האפס של צמחים פולשים ואת הביומסה שלהם במדויק, אנו מציעים את ההליכים המתוארים הבאים לניסוי ביומסה של צמחים פולשים המסתמך על חישה מרחוק באמצעות כטב”מים וראייה ממוחשבת.

Protocol

1. הכנת מערכי נתונים בחירת אובייקט המחקרבחר דגימות בדיקה בהתבסס על מוקד המחקר הניסויי, תוך התחשבות באפשרויות כמו Mikania micrantha או צמחים פולשים אחרים. איסוף תמונות מכלי טיס בלתי מאוישיםהכינו מסגרות פלסטיק מרובעות בגודל 0.5 מ’ * 0.5 מ’ ובכמות 25-50, בהתאם לגודל ה…

Representative Results

אנו מציגים תוצאות מייצגות של שיטה מבוססת ראייה ממוחשבת להערכת צמחים פולשים, המיושמת באופן תכנותי במחשב. בניסוי זה הערכנו את ההתפלגות המרחבית והערכנו את הביומסה של צמחים פולשים בסביבתם הטבעית, תוך שימוש במיקניה מיקרנטה כנושא מחקר. השתמשנו במערכת מצלמות רחפן כדי להשיג תמונות של אתר המ…

Discussion

אנו מציגים את השלבים המפורטים של ניסוי להערכת הביומסה של צמחים פולשים באמצעות חישה מרחוק של מל”טים וראייה ממוחשבת. התהליך והשלבים העיקריים של הסכם זה מוצגים באיור 7. איכות מדגם נכונה היא אחד ההיבטים המכריעים והמאתגרים ביותר של התוכנית. חשיבות זו נכונה לכל הצמחים הפולשים כמ…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

המחבר מודה לאקדמיה הסינית למדעי החקלאות ולאוניברסיטת גואנגשי על התמיכה בעבודה זו. העבודה נתמכה על ידי תוכנית המו”פ הלאומית של סין (2022YFC2601500 & 2022YFC2601504), הקרן הלאומית למדעי הטבע של סין (32272633), תוכנית המדע והטכנולוגיה של שנזן (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

  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).

Play Video

Citazione di questo articolo
Huang, Z., Xu, Z., Li, Y., Liu, B., Liu, C., Qiao, X., Qian, W., Qin, F., Li, P., Huang, Y. Computer Vision-Based Biomass Estimation for Invasive Plants. J. Vis. Exp. (204), e66067, doi:10.3791/66067 (2024).

View Video