Summary

تقدير الكتلة الحيوية القائم على رؤية الكمبيوتر للنباتات الغازية

Published: February 09, 2024
doi:

Summary

نبلغ عن إجراءات مفصلة لطريقة تقدير الكتلة الحيوية النباتية الغازية التي تستخدم البيانات التي تم الحصول عليها من الاستشعار عن بعد للمركبات الجوية بدون طيار (UAV) لتقييم الكتلة الحيوية والتقاط التوزيع المكاني للأنواع الغازية. يثبت هذا النهج أنه مفيد للغاية لإجراء تقييم المخاطر والإنذار المبكر للنباتات الغازية.

Abstract

نقدم تقريرا عن الخطوات التفصيلية لطريقة تقدير الكتلة الحيوية للنباتات الغازية بناء على الاستشعار عن بعد للطائرات بدون طيار ورؤية الكمبيوتر. لجمع عينات من منطقة الدراسة ، قمنا بإعداد عينة مربعة تجميع لتوزيع نقاط أخذ العينات عشوائيا. تم بناء نظام كاميرا جوية بدون طيار باستخدام طائرة بدون طيار وكاميرا للحصول على صور RGB مستمرة لمنطقة الدراسة من خلال الملاحة الآلية. بعد الانتهاء من التصوير ، تم جمع الكتلة الحيوية فوق الأرض في إطار العينة ، وتم تسمية جميع المراسلات وتعبئتها. تمت معالجة بيانات العينة ، وتم تقسيم الصور الجوية إلى صور صغيرة بحجم 280 × 280 بكسل لإنشاء مجموعة بيانات صورة. تم استخدام شبكة عصبية تلافيفية عميقة لرسم خريطة لتوزيع ميكانيا ميكرانثا في منطقة الدراسة ، وتم الحصول على مؤشر الغطاء النباتي الخاص بها. تم تجفيف الكائنات الحية التي تم جمعها ، وتم تسجيل الوزن الجاف ككتلة حيوية للحقيقة الأرضية. تم بناء نموذج انحدار الكتلة الحيوية النباتية الغازية باستخدام الانحدار المجاور الأقرب K (KNNR) عن طريق استخراج مؤشر الغطاء النباتي من صور العينة كمتغير مستقل ودمجه مع الكتلة الحيوية للحقيقة الأرضية كمتغير تابع. أظهرت النتائج أنه كان من الممكن التنبؤ بالكتلة الحيوية للنباتات الغازية بدقة. تم إنشاء خريطة توزيع مكانية دقيقة للكتلة الحيوية النباتية الغازية عن طريق اجتياز الصورة ، مما يسمح بتحديد دقيق للمناطق عالية الخطورة المتأثرة بالنباتات الغازية. باختصار ، توضح هذه الدراسة إمكانية الجمع بين الاستشعار عن بعد للمركبات الجوية بدون طيار وتقنيات التعلم الآلي لتقدير الكتلة الحيوية النباتية الغازية. يساهم بشكل كبير في البحث عن تقنيات وطرق جديدة للمراقبة في الوقت الفعلي للنباتات الغازية ويوفر الدعم الفني للمراقبة الذكية وتقييم المخاطر على المستوى الإقليمي.

Introduction

في هذا البروتوكول ، يمكن للطريقة المقترحة لتقدير الكتلة الحيوية الغازية القائمة على الاستشعار عن بعد للطائرات بدون طيار ورؤية الكمبيوتر أن تعكس توزيع الكائنات الغازية وتتنبأ بدرجة الخطر البيولوجي الغازي. وتعتبر تقديرات توزيع الكائنات الغازية وكتلتها الحيوية أمرا بالغ الأهمية للوقاية من هذه الكائنات ومكافحتها. بمجرد غزو النباتات الغازية ، يمكن أن تلحق الضرر بالنظام البيئي وتسبب خسائر اقتصادية فادحة. يعد تحديد النباتات الغازية بسرعة ودقة وتقدير الكتلة الحيوية النباتية الغازية الرئيسية من التحديات الرئيسية في مراقبة النباتات الغازية ومكافحتها. في هذا البروتوكول ، نأخذ Mikania micrantha كمثال لاستكشاف طريقة تقدير الكتلة الحيوية النباتية الغازية بناء على الاستشعار الجوي عن بعد بدون طيار ورؤية الكمبيوتر ، والتي توفر نهجا وطريقة جديدة للبحث البيئي للنباتات الغازية وتعزز البحث البيئي وإدارة النباتات الغازية.

في الوقت الحاضر ، يتم قياس الكتلة الحيوية لميكانيا ميكرانثا بشكل أساسي عن طريق أخذ العينات يدويا1. تحتاج الطرق التقليدية لقياس الكتلة الحيوية إلى الكثير من القوى العاملة والموارد المادية ، وهي غير فعالة ومحدودة بسبب التضاريس ؛ من الصعب تلبية احتياجات تقدير الكتلة الحيوية الإقليمية لميكانيا ميكرانثا. الميزة الرئيسية لاستخدام هذا البروتوكول هي أنه يوفر طريقة لتحديد الكتلة الحيوية النباتية الغازية الإقليمية والتوزيع المكاني للنباتات الغازية بطريقة لا تأخذ في الاعتبار قيود أخذ العينات في المنطقة وتلغي الحاجة إلى المسوحات اليدوية.

حققت تقنية الاستشعار عن بعد للطائرات بدون طيار نتائج معينة في تقدير الكتلة الحيوية النباتية واستخدمت على نطاق واسع في الزراعة2،3،4،5،6،7 ، والغابات8،9،10،11 ، والأراضي العشبية12،13،14. تتميز تقنية الاستشعار عن بعد للطائرات بدون طيار بمزايا التكلفة المنخفضة والكفاءة العالية والدقة العالية والتشغيل المرن15,16 ، والتي يمكنها الحصول بكفاءة على بيانات صور الاستشعار عن بعد في منطقة الدراسة ؛ بعد ذلك ، يتم استخراج ميزة النسيج ومؤشر الغطاء النباتي لصورة الاستشعار عن بعد لتوفير دعم البيانات لتقدير الكتلة الحيوية النباتية في مساحة كبيرة. يتم تصنيف طرق تقدير الكتلة الحيوية النباتية الحالية بشكل أساسي إلى نماذج بارامترية وغير معلمية17. مع تطور خوارزميات التعلم الآلي ، تم استخدام نماذج التعلم الآلي غير البارامترية بدقة أعلى على نطاق واسع في تقدير الاستشعار عن بعد للكتلة الحيوية النباتية. استخدم Chen et al.18 الانحدار اللوجستي المختلط (MLR) ، KNNR ، والانحدار العشوائي للغابات (RFR) لتقدير الكتلة الحيوية فوق الأرض للغابات في مقاطعة يوننان. وخلصوا إلى أن نماذج التعلم الآلي ، وتحديدا KNNR و RFR ، أسفرت عن نتائج متفوقة مقارنة ب MLR. استخدم Yan et al.19 نماذج RFR ونماذج الانحدار المعزز للتدرج الشديد (XGBR) لتقييم دقة تقدير الكتلة الحيوية للغابات شبه الاستوائية باستخدام مجموعات مختلفة من المتغيرات. استخدم Tian et al.20 أحد عشر نموذجا للتعلم الآلي لتقدير الكتلة الحيوية فوق الأرض لأنواع مختلفة من غابات المانغروف في خليج بيبوان. اكتشف الباحثون أن طريقة XGBR كانت أكثر فعالية في تحديد الكتلة الحيوية فوق الأرض لغابات المانغروف. يعد تقدير الكتلة الحيوية للنبات باستخدام الاستشعار عن بعد بين الإنسان والآلة ممارسة راسخة ، ومع ذلك ، فإن استخدام الطائرات بدون طيار لتقدير الكتلة الحيوية للنبات الغازي Mikania micrantha لم يتم الإبلاغ عنه بعد محليا ودوليا. يختلف هذا النهج اختلافا جوهريا عن جميع الطرق السابقة لتقدير الكتلة الحيوية للنباتات الغازية ، وخاصة Mikania micrantha.

باختصار ، يتميز الاستشعار عن بعد للطائرات بدون طيار بمزايا الدقة العالية والكفاءة العالية والتكلفة المنخفضة. في ميزة الاستخراج المتغير لصور الاستشعار عن بعد ، يمكن أن تحصل ميزات النسيج جنبا إلى جنب مع فهارس الغطاء النباتي على أداء أفضل للتنبؤ بالانحدار. يمكن أن تحصل النماذج غير البارامترية على نماذج انحدار أكثر دقة من النماذج البارامترية في تقدير الكتلة الحيوية النباتية. لذلك ، لحساب التوزيع الصفري للنباتات الغازية وكتلتها الحيوية بدقة ، نقترح الإجراءات الموضحة التالية لتجربة الكتلة الحيوية النباتية الغازية التي تعتمد على الاستشعار عن بعد باستخدام الطائرات بدون طيار ورؤية الكمبيوتر.

Protocol

1. إعداد مجموعات البيانات اختيار كائن البحثحدد عينات الاختبار بناء على تركيز الدراسة التجريبية ، مع الأخذ في الاعتبار خيارات مثل Mikania micrantha أو غيرها من النباتات الغازية. جمع صور الطائرات بدون طيارتحضير إطارات بلاستيكية مربعة بحجم 0.5 م * 0.5 م وكمية 25-50 ?…

Representative Results

نعرض نتائج تمثيلية لطريقة قائمة على رؤية الكمبيوتر لتقدير النباتات الغازية ، والتي يتم تنفيذها بطريقة برمجية على الكمبيوتر. في هذه التجربة ، قمنا بتقييم التوزيع المكاني وتقدير الكتلة الحيوية للنباتات الغازية في موائلها الطبيعية ، باستخدام Mikania micrantha كموضوع بحثي. استخدمنا نظام كامير…

Discussion

نقدم الخطوات التفصيلية لتجربة حول تقدير الكتلة الحيوية للنباتات الغازية باستخدام الاستشعار عن بعد للطائرات بدون طيار ورؤية الكمبيوتر. العملية والخطوات الرئيسية لهذه الاتفاقية موضحة في الشكل 7. تعد جودة العينة المناسبة أحد أكثر جوانب البرنامج أهمية وتحديا. تنطبق هذه الأه…

Disclosures

The authors have nothing to disclose.

Acknowledgements

يشكر المؤلف الأكاديمية الصينية للعلوم الزراعية وجامعة قوانغشي على دعم هذا العمل. تم دعم العمل من قبل البرنامج الوطني للبحث والتطوير الرئيسي في الصين (2022YFC2601500 و 2022YFC2601504) ، والمؤسسة الوطنية للعلوم الطبيعية في الصين (32272633) ، وبرنامج شنتشن للعلوم والتكنولوجيا (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

  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

Cite This Article
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