Estimación de biomasa basada en visión artificial para plantas invasoras
Summary
Reportamos procedimientos detallados para un método de estimación de biomasa de plantas invasoras que utiliza datos obtenidos de la teledetección de vehículos aéreos no tripulados (UAV) para evaluar la biomasa y capturar la distribución espacial de las especies invasoras. Este enfoque resulta muy beneficioso para llevar a cabo la evaluación de riesgos y la alerta temprana de plantas invasoras.
Abstract
Informamos sobre los pasos detallados de un método para estimar la biomasa de plantas invasoras basado en la teledetección de UAV y la visión por computadora. Para recolectar muestras del área de estudio, preparamos un conjunto de cuadrados de muestra para aleatorizar los puntos de muestreo. Se construyó un sistema de cámaras aéreas no tripuladas utilizando un dron y una cámara para adquirir imágenes RGB continuas del área de estudio a través de la navegación automatizada. Después de completar el rodaje, se recolectó la biomasa aérea en el marco de la muestra y se etiquetó y empaquetó toda la correspondencia. Se procesaron los datos de muestra y las imágenes aéreas se segmentaron en imágenes pequeñas de 280 x 280 píxeles para crear un conjunto de datos de imágenes. Se utilizó una red neuronal convolucional profunda para mapear la distribución de Mikania micrantha en el área de estudio, y se obtuvo su índice de vegetación. Los organismos colectados se secaron y el peso seco se registró como la biomasa real del suelo. El modelo de regresión de biomasa vegetal invasora se construyó utilizando la regresión K-vecino más cercano (KNNR) extrayendo el índice de vegetación de las imágenes de muestra como variable independiente e integrándolo con la biomasa real del terreno como variable dependiente. Los resultados mostraron que era posible predecir con precisión la biomasa de las plantas invasoras. Se generó un mapa preciso de distribución espacial de la biomasa de plantas invasoras mediante el recorrido de imágenes, lo que permitió la identificación precisa de las áreas de alto riesgo afectadas por plantas invasoras. En resumen, este estudio demuestra el potencial de combinar la teledetección de vehículos aéreos no tripulados con técnicas de aprendizaje automático para estimar la biomasa vegetal invasora. Contribuye significativamente a la investigación de nuevas tecnologías y métodos para el monitoreo en tiempo real de plantas invasoras y proporciona apoyo técnico para el monitoreo inteligente y la evaluación de peligros a escala regional.
Introduction
En este protocolo, el método propuesto de estimación de biomasa invasiva basado en la teledetección de UAV y la visión por computador puede reflejar la distribución de los organismos invasores y predecir el grado de riesgo biológico invasivo. Las estimaciones de la distribución y la biomasa de los organismos invasores son fundamentales para la prevención y el control de estos organismos. Una vez que las plantas invasoras invaden, pueden dañar el ecosistema y causar enormes pérdidas económicas. La identificación rápida y precisa de las plantas invasoras y la estimación de la biomasa de plantas invasoras clave son los principales desafíos en el seguimiento y control de las plantas invasoras. En este protocolo, tomamos Mikania micrantha como ejemplo para explorar un método de estimación de biomasa de plantas invasoras basado en teledetección aérea no tripulada y visión por computadora, que proporciona un nuevo enfoque y método para la investigación ecológica de plantas invasoras y promueve la investigación ecológica y el manejo de plantas invasoras.
En la actualidad, la medición de la biomasa de Mikania micrantha se realiza principalmente mediante muestreo manual1. Los métodos tradicionales de medición de biomasa necesitan mucha mano de obra y recursos materiales, que son ineficientes y limitados por el terreno; es difícil satisfacer las necesidades de estimación de la biomasa regional de Mikania micrantha. La principal ventaja de utilizar este protocolo es que proporciona un método para cuantificar la biomasa regional de plantas invasoras y la distribución espacial de las plantas invasoras de una manera que no tiene en cuenta las limitaciones de muestreo de la zona y elimina la necesidad de encuestas manuales.
La tecnología de teledetección UAV ha logrado ciertos resultados en la estimación de la biomasa vegetal y ha sido ampliamente utilizada en la agricultura 2,3,4,5,6,7, la silvicultura 8,9,10,11 y los pastizales 12,13,14. La tecnología de teledetección de UAV tiene las ventajas de bajo costo, alta eficiencia, alta precisión y operación flexible15,16, que puede obtener de manera eficiente datos de imágenes de teledetección en el área de estudio; Luego, se extrae la característica de textura y el índice de vegetación de la imagen de teledetección para proporcionar datos de apoyo para la estimación de la biomasa vegetal en un área grande. Los métodos actuales de estimación de la biomasa vegetal se clasifican principalmente en modelos paramétricos y no paramétricos17. Con el desarrollo de algoritmos de aprendizaje automático, los modelos de aprendizaje automático no paramétricos con mayor precisión se han utilizado ampliamente en la estimación de la biomasa vegetal mediante teledetección. Chen et al.18 utilizaron regresión logística mixta (MLR), KNNR y regresión forestal aleatoria (RFR) para estimar la biomasa aérea de los bosques de la provincia de Yunnan. Llegaron a la conclusión de que los modelos de aprendizaje automático, específicamente KNNR y RFR, dieron como resultado resultados superiores en comparación con MLR. Yan et al.19 emplearon modelos de regresión RFR y de aumento de gradiente extremo (XGBR) para evaluar la precisión de la estimación de la biomasa de los bosques subtropicales utilizando varios conjuntos de variables. Tian et al.20 utilizaron once modelos de aprendizaje automático para estimar la biomasa aérea de diversas especies de manglares en la bahía de Beibuwan. Los investigadores descubrieron que el método XGBR era más eficaz para determinar la biomasa aérea de los bosques de manglares. La estimación de la biomasa vegetal mediante teledetección hombre-máquina es una práctica bien establecida, sin embargo, el uso de UAV para la estimación de la biomasa de la planta invasora Mikania micrantha aún no se ha informado tanto a nivel nacional como internacional. Este enfoque es fundamentalmente diferente de todos los métodos anteriores de estimación de biomasa para plantas invasoras, especialmente Mikania micrantha.
En resumen, la teledetección de UAV tiene las ventajas de alta resolución, alta eficiencia y bajo costo. En la extracción de variables de características de imágenes de teledetección, las características de textura combinadas con índices de vegetación pueden obtener un mejor rendimiento de predicción de regresión. Los modelos no paramétricos pueden obtener modelos de regresión más precisos que los paramétricos en la estimación de la biomasa vegetal. Por lo tanto, para calcular con precisión la distribución nula de plantas invasoras y su biomasa, sugerimos los siguientes procedimientos descritos para el experimento de biomasa de plantas invasoras que se basa en la teledetección mediante UAV y visión artificial.
Protocol
Representative Results
Discussion
Presentamos los pasos detallados de un experimento sobre la estimación de la biomasa de plantas invasoras utilizando UAV teledetección y visión por computadora. El proceso y los pasos principales de este acuerdo se muestran en la Figura 7. La calidad adecuada de la muestra es uno de los aspectos más cruciales y desafiantes del programa. Esta importancia es válida para todas las plantas invasoras, así como para cualquier otro experimento de estimación de la biomasa vegetal<sup class="x…
Disclosures
The authors have nothing to disclose.
Acknowledgements
El autor agradece a la Academia China de Ciencias Agrícolas y a la Universidad de Guangxi por apoyar este trabajo. El trabajo contó con el apoyo del Programa Nacional de Investigación y Desarrollo Clave de China (2022YFC2601500 y 2022YFC2601504), la Fundación Nacional de Ciencias Naturales de China (32272633), el Programa de Ciencia y Tecnología de Shenzhen (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).
