Оценка биомассы инвазивных растений на основе компьютерного зрения
Summary
Мы подробно описываем процедуры для метода оценки биомассы инвазивных растений, который использует данные, полученные с помощью дистанционного зондирования беспилотных летательных аппаратов (БПЛА) для оценки биомассы и захвата пространственного распределения инвазивных видов. Этот подход оказывается очень полезным для проведения оценки опасности и раннего предупреждения об инвазивных растениях.
Abstract
Мы подробно рассказываем о шагах метода оценки биомассы инвазивных растений на основе дистанционного зондирования с помощью БПЛА и компьютерного зрения. Для сбора образцов из исследуемой области мы подготовили квадратную выборку для рандомизации точек выборки. Была создана система беспилотных аэрофотоаппаратов с использованием дрона и камеры для получения непрерывных RGB-изображений исследуемой территории с помощью автоматизированной навигации. После завершения съемки была собрана надземная биомасса в образце кадра, а все корреспонденции были промаркированы и упакованы. Образцы данных были обработаны, и аэрофотоснимки были сегментированы на небольшие изображения размером 280 x 280 пикселей для создания набора данных изображений. С помощью глубокой сверточной нейронной сети было составлено картографирование распространения Mikania micrantha на исследуемой территории, и получен ее вегетационный индекс. Собранные организмы были высушены, а сухой вес был зарегистрирован как наземная биомасса. Регрессионная модель инвазивной биомассы растений была построена с использованием регрессии K-ближайшего соседа (KNNR) путем извлечения вегетационного индекса из образцовых изображений в качестве независимой переменной и его интеграции с наземной биомассой в качестве зависимой переменной. Результаты показали, что можно точно предсказать биомассу инвазивных растений. Точная карта пространственного распределения биомассы инвазивных растений была создана путем обхода изображений, что позволило точно идентифицировать районы высокого риска, пораженные инвазивными растениями. Таким образом, это исследование демонстрирует потенциал сочетания дистанционного зондирования беспилотных летательных аппаратов с методами машинного обучения для оценки инвазивной биомассы растений. Она вносит значительный вклад в исследование новых технологий и методов мониторинга инвазивных растений в режиме реального времени и обеспечивает техническую поддержку интеллектуального мониторинга и оценки опасностей в региональном масштабе.
Introduction
В данном протоколе предложенный метод оценки инвазивной биомассы на основе дистанционного зондирования БПЛА и компьютерного зрения может отражать распределение инвазивных организмов и прогнозировать степень инвазивной биологической опасности. Оценки распределения и биомассы инвазивных организмов имеют решающее значение для профилактики и борьбы с этими организмами. Как только инвазивные растения вторгаются, они могут нанести ущерб экосистеме и нанести огромный экономический ущерб. Быстрая и точная идентификация инвазивных растений и оценка ключевой биомассы инвазивных растений являются основными проблемами в мониторинге и контроле инвазивных растений. В этом протоколе мы берем Mikania micrantha в качестве примера для изучения метода оценки биомассы инвазивных растений, основанного на беспилотном воздушном дистанционном зондировании и компьютерном зрении, который обеспечивает новый подход и метод для экологического исследования инвазивных растений и способствует экологическим исследованиям и управлению инвазивными растениями.
В настоящее время измерение биомассы Mikania micrantha в основном осуществляется путем ручного отбора проб1. Традиционные методы измерения биомассы требуют большого количества рабочей силы и материальных ресурсов, которые неэффективны и ограничены рельефом местности; трудно удовлетворить потребности региональной оценки биомассы Mikania micrantha. Основное преимущество использования этого протокола заключается в том, что он обеспечивает метод количественной оценки биомассы инвазивных растений региона и пространственного распределения инвазивных растений таким образом, чтобы не принимать во внимание ограничения выборки на территории и устраняет необходимость в ручных обследованиях.
Технология дистанционного зондирования с помощью БПЛА достигла определенных результатов в оценке биомассы растений и широко используется в сельском хозяйстве 2,3,4,5,6,7, лесном хозяйстве 8,9,10,11 и пастбищах 12,13,14. Технология дистанционного зондирования БПЛА обладает такими преимуществами, как низкая стоимость, высокая эффективность, высокая точность и гибкость эксплуатации15,16, что позволяет эффективно получать данные изображений дистанционного зондирования Земли в исследуемой области; Затем извлекаются текстурные характеристики и вегетационный индекс изображения дистанционного зондирования, чтобы обеспечить информационную поддержку для оценки биомассы растений на большой площади. Современные методы оценки биомассы растений в основном подразделяются на параметрические и непараметрические модели17. С развитием алгоритмов машинного обучения непараметрические модели машинного обучения с более высокой точностью стали широко использоваться для оценки биомассы растений с помощью дистанционного зондирования. Chen et al.18 использовали смешанную логистическую регрессию (MLR), KNNR и случайную лесную регрессию (RFR) для оценки надземной биомассы лесов в провинции Юньнань. Они пришли к выводу, что модели машинного обучения, в частности KNNR и RFR, привели к лучшим результатам по сравнению с MLR. Yan et al.19 использовали модели RFR и экстремального градиентного бустинга (XGBR) для оценки точности оценки биомассы субтропических лесов с использованием различных наборов переменных. Tian et al.20 использовали одиннадцать моделей машинного обучения для оценки надземной биомассы различных видов мангровых лесов в заливе Бейбуван. Исследователи обнаружили, что метод XGBR более эффективен в определении надземной биомассы мангровых лесов. Оценка биомассы растений с помощью человеко-машинного дистанционного зондирования является хорошо зарекомендовавшей себя практикой, однако использование БПЛА для оценки биомассы инвазивного растения Mikania micrantha еще не было зарегистрировано как внутри страны, так и за рубежом. Этот подход принципиально отличается от всех предыдущих методов оценки биомассы инвазивных растений, особенно Mikania micrantha.
Подводя итог, можно сказать, что дистанционное зондирование БПЛА обладает такими преимуществами, как высокое разрешение, высокая эффективность и низкая стоимость. При извлечении переменных объектов изображений дистанционного зондирования текстурные объекты в сочетании с индексами растительности могут обеспечить лучшую производительность регрессионного прогнозирования. Непараметрические модели позволяют получить более точные регрессионные модели, чем параметрические, при оценке биомассы растений. Таким образом, чтобы точно рассчитать нулевое распределение инвазивных растений и их биомассу, мы предлагаем следующие очерченные процедуры для эксперимента с инвазивной биомассой растений, который основан на дистанционном зондировании с использованием беспилотных летательных аппаратов и компьютерного зрения.
Protocol
Representative Results
Discussion
Мы подробно представляем этапы эксперимента по оценке биомассы инвазивных растений с помощью дистанционного зондирования с помощью БПЛА и компьютерного зрения. Основной процесс и этапы этого соглашения показаны на рисунке 7. Надлежащее качество образцов является одн?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Автор благодарит Китайскую академию сельскохозяйственных наук и Университет Гуанси за поддержку этой работы. Работа была поддержана Национальной ключевой программой исследований и разработок Китая (2022YFC2601500 и 2022YFC2601504), Национальным фондом естественных наук Китая (32272633), Шэньчжэньской научно-технической программой (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).
