基于计算机视觉的入侵植物生物量估算
Summary
我们报告了一种入侵植物生物量估算方法的详细程序，该方法利用从无人机 （UAV） 遥感获得的数据来评估生物量并捕获入侵物种的空间分布。事实证明，这种方法对进行入侵植物的危害评估和早期预警非常有益。
Abstract
我们报告了一种基于无人机遥感和计算机视觉估计入侵植物生物量的方法的详细步骤。为了从研究区域收集样本，我们准备了一个样本方形组件来随机化采样点。使用无人机和相机构建了无人航空相机系统，通过自动导航获取研究区域的连续 RGB 图像。完成拍摄后，收集样本框内的地上生物量，并对所有对应物进行标记和包装。处理样本数据，并将航拍图像分割成 280 x 280 像素的小图像以创建图像数据集。采用深度卷积神经网络绘制研究区 薇甘菊 的分布图，得到其植被指数。将收集的生物体干燥，并将干重记录为真实生物量。使用 K 最近邻回归 （KNNR） 构建入侵植物生物量回归模型，方法是从样本图像中提取植被指数作为自变量，并将其与真实生物量作为因变量整合。结果表明，可以准确预测入侵植物的生物量。通过图像遍历生成入侵植物生物量的准确空间分布图，从而可以精确识别受入侵植物影响的高风险区域。总之，这项研究证明了将无人机遥感与机器学习技术相结合以估计入侵植物生物量的潜力。它为实时监测入侵植物的新技术和新方法的研究做出了重大贡献，并为区域范围内的智能监测和危害评估提供了技术支持。
Introduction
在该协议中，所提出的基于无人机遥感和计算机视觉的入侵生物量估计方法可以反映入侵生物的分布并预测入侵生物危害的程度。估计入侵生物的分布和生物量对于预防和控制这些生物至关重要。一旦入侵植物入侵，它们就会破坏生态系统并造成巨大的经济损失。快速准确地识别入侵植物并估计关键的入侵植物生物量是入侵植物监测和控制的主要挑战。本文以 薇甘菊 为例，探索一种基于无人机遥感和计算机视觉的入侵植物生物量估算方法，为入侵植物的生态学研究提供了新的途径和方法，促进了入侵植物的生态学研究与管理。
目前， 薇甘菊 的生物量测量主要通过人工采样1.传统的生物量测量方法需要大量的人力和物力资源，效率低下且受地形限制;难以满足 薇甘菊 区域生物量估算的需要。使用该协议的主要优点是它提供了一种量化区域入侵植物生物量和入侵植物空间分布的方法，该方法不考虑该地区的采样限制，并且无需人工调查。
无人机遥感技术在植物生物量估算方面取得了一定的成果，并已广泛应用于农业 2,3,4,5,6,7，林业 8,9,10,11 和草原 12,13,14.无人机遥感技术具有成本低、效率高、精度高、操作灵活等优点15,16，可以高效获取研究区遥感影像数据;然后，提取遥感影像的纹理特征和植被指数，为大面积植物生物量估算提供数据支持。目前的植物生物量估算方法主要分为参数模型和非参数模型17。随着机器学习算法的发展，具有更高准确性的非参数机器学习模型已广泛应用于植物生物量的遥感估计。Chen 等人 18 利用混合 logistic 回归 （MLR）、KNNR 和随机森林回归 （RFR） 来估计云南省森林的地上生物量。他们得出结论，与 MLR 相比，机器学习模型，特别是 KNNR 和 RFR，产生了更好的结果。Yan 等人19 采用 RFR 和极端梯度提升 （XGBR） 回归模型来评估使用各种变量集估计亚热带森林生物量的准确性。Tian 等人20 利用 11 个机器学习模型来估计北部湾不同红树林物种的地上生物量。研究人员发现，XGBR 方法在确定红树林的地上生物量方面更有效。使用人机遥感进行植物生物量估算是一种成熟的做法，然而，使用无人机对入侵植物 Mikania micrantha 进行生物量估算在国内外尚未报道。这种方法与以前所有入侵植物的生物量估算方法根本不同，尤其是 Mikania micrantha。
综上所述，无人机遥感具有分辨率高、效率高、成本低等优点。在遥感影像的特征变量提取中，纹理特征结合植被指数可以获得较好的回归预测性能。在植物生物量估计中，非参数模型可以获得比参数模型更准确的回归模型。因此，为了精确计算入侵植物的零分布及其生物量，我们建议以下概述的入侵植物生物量实验程序，该实验依赖于使用无人机和计算机视觉的遥感。
Protocol
Representative Results
Discussion
我们介绍了使用无人机遥感和计算机视觉估算入侵植物生物量的实验的详细步骤。该协议的主要流程和步骤如图 7 所示。适当的样本质量是该计划最关键和最具挑战性的方面之一。这种重要性适用于所有入侵植物以及任何其他植物生物量估计实验24。
为了确定研究区域内入侵植物的分布，我们必须首先使用无人机遥感获取研究区域的可…
Disclosures
The authors have nothing to disclose.
Acknowledgements
作者感谢中国农业科学院和广西大学对这项工作的支持。这项工作得到了中国国家重点研发计划（2022YFC2601500 & 2022YFC2601504）、中国国家自然科学基金（32272633）、深圳市科技计划（KCXFZ20230731093259009）的支持。
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).
