Summary

Estimation de la biomasse des plantes envahissantes par vision par ordinateur

Published: February 09, 2024
doi:

Summary

Nous présentons les procédures détaillées d’une méthode d’estimation de la biomasse végétale envahissante qui utilise les données obtenues par télédétection de véhicules aériens sans pilote (UAV) pour évaluer la biomasse et saisir la distribution spatiale des espèces envahissantes. Cette approche s’avère très bénéfique pour l’évaluation des risques et l’alerte précoce des plantes envahissantes.

Abstract

Nous rapportons les étapes détaillées d’une méthode d’estimation de la biomasse de plantes envahissantes basée sur la télédétection par drone et la vision par ordinateur. Pour prélever des échantillons dans la zone d’étude, nous avons préparé un assemblage de carrés d’échantillonnage afin de randomiser les points d’échantillonnage. Un système de caméra aérienne sans pilote a été construit à l’aide d’un drone et d’une caméra pour acquérir des images RVB continues de la zone d’étude grâce à la navigation automatisée. Une fois le tournage terminé, la biomasse aérienne dans le cadre de l’échantillon a été collectée, et toutes les correspondances ont été étiquetées et emballées. Les données d’échantillonnage ont été traitées et les images aériennes ont été segmentées en petites images de 280 x 280 pixels pour créer un jeu de données d’images. Un réseau de neurones convolutifs profonds a été utilisé pour cartographier la distribution de Mikania micrantha dans la zone d’étude, et son indice de végétation a été obtenu. Les organismes collectés ont été séchés et le poids sec a été enregistré comme biomasse de vérité sur le terrain. Le modèle de régression de la biomasse végétale envahissante a été construit à l’aide de la régression du voisin le plus proche (KNNR) en extrayant l’indice de végétation des images d’échantillon en tant que variable indépendante et en l’intégrant à la biomasse de vérité terrain en tant que variable dépendante. Les résultats ont montré qu’il était possible de prédire avec précision la biomasse des plantes envahissantes. Une carte précise de la distribution spatiale de la biomasse végétale envahissante a été générée par la traversée d’image, permettant une identification précise des zones à haut risque touchées par les plantes envahissantes. En résumé, cette étude démontre le potentiel de combiner la télédétection des véhicules aériens sans pilote avec des techniques d’apprentissage automatique pour estimer la biomasse végétale envahissante. Il contribue de manière significative à la recherche de nouvelles technologies et méthodes de suivi en temps réel des plantes envahissantes et fournit un appui technique pour une surveillance intelligente et une évaluation des dangers à l’échelle régionale.

Introduction

Dans ce protocole, la méthode proposée d’estimation de la biomasse invasive basée sur la télédétection par drone et la vision par ordinateur peut refléter la distribution des organismes envahissants et prédire le degré de risque biologique envahissant. Les estimations de la répartition et de la biomasse des organismes envahissants sont essentielles à la prévention et au contrôle de ces organismes. Une fois que les plantes envahissantes envahissent, elles peuvent endommager l’écosystème et causer d’énormes pertes économiques. L’identification rapide et précise des plantes envahissantes et l’estimation de la biomasse végétale envahissante sont des défis majeurs dans la surveillance et le contrôle des plantes envahissantes. Dans ce protocole, nous prenons l’exemple de Mikania micrantha pour explorer une méthode d’estimation de la biomasse végétale envahissante basée sur la télédétection aérienne sans pilote et la vision par ordinateur, qui fournit une nouvelle approche et méthode pour la recherche écologique des plantes envahissantes et promeut la recherche et la gestion écologiques des plantes envahissantes.

À l’heure actuelle, la mesure de la biomasse de Mikania micrantha se fait principalement par échantillonnage manuel1. Les méthodes traditionnelles de mesure de la biomasse nécessitent beaucoup de main-d’œuvre et de ressources matérielles, qui sont inefficaces et limitées par le terrain. il est difficile de répondre aux besoins d’estimation régionale de la biomasse de Mikania micrantha. Le principal avantage de l’utilisation de ce protocole est qu’il fournit une méthode pour quantifier la biomasse des plantes envahissantes régionales et la distribution spatiale des plantes envahissantes d’une manière qui ne tient pas compte des limites d’échantillonnage de la zone et élimine le besoin de relevés manuels.

La technologie de télédétection par drone a obtenu certains résultats dans l’estimation de la biomasse végétale et a été largement utilisée dans l’agriculture 2,3,4,5,6,7, la foresterie 8,9,10,11 et les prairies 12,13,14 . La technologie de télédétection par drone présente les avantages d’un faible coût, d’un rendement élevé, d’une haute précision et d’un fonctionnement flexible15,16, qui peut obtenir efficacement des données d’image de télédétection dans la zone d’étude ; Ensuite, la caractéristique de texture et l’indice de végétation de l’image de télédétection sont extraits pour fournir des données à l’appui de l’estimation de la biomasse végétale sur une grande surface. Les méthodes actuelles d’estimation de la biomasse végétale sont principalement classées en modèles paramétriques et non paramétriques17. Avec le développement d’algorithmes d’apprentissage automatique, des modèles d’apprentissage automatique non paramétriques avec une plus grande précision ont été largement utilisés dans l’estimation par télédétection de la biomasse végétale. Chen et al.18 ont utilisé la régression logistique mixte (MLR), la KNNR et la régression forestière aléatoire (RFR) pour estimer la biomasse aérienne des forêts de la province du Yunnan. Ils ont conclu que les modèles d’apprentissage automatique, en particulier KNNR et RFR, ont donné des résultats supérieurs à ceux de MLR. Yan et al.19 ont utilisé des modèles de régression RFR et XGBR (extreme gradient boosting) pour évaluer la précision de l’estimation de la biomasse forestière subtropicale à l’aide de divers ensembles de variables. Tian et al.20 ont utilisé onze modèles d’apprentissage automatique pour estimer la biomasse aérienne de diverses espèces de mangroves dans la baie de Beibuwan. Les chercheurs ont découvert que la méthode XGBR était plus efficace pour déterminer la biomasse aérienne des forêts de mangroves. L’estimation de la biomasse végétale à l’aide de la télédétection homme-machine est une pratique bien établie, mais l’utilisation des drones pour l’estimation de la biomasse de la plante envahissante Mikania micrantha n’a pas encore été signalée à l’échelle nationale et internationale. Cette approche est fondamentalement différente de toutes les méthodes précédentes d’estimation de la biomasse pour les plantes envahissantes, en particulier Mikania micrantha.

Pour résumer, la télédétection par drone présente les avantages d’une haute résolution, d’une efficacité élevée et d’un faible coût. Dans l’extraction de variables de caractéristiques d’images de télédétection, les caractéristiques de texture combinées aux indices de végétation peuvent obtenir de meilleures performances de prédiction de régression. Les modèles non paramétriques permettent d’obtenir des modèles de régression plus précis que les modèles paramétriques dans l’estimation de la biomasse végétale. Par conséquent, pour calculer avec précision la distribution nulle des plantes envahissantes et de leur biomasse, nous suggérons les procédures suivantes pour l’expérience sur la biomasse végétale envahissante qui repose sur la télédétection à l’aide d’UAV et de la vision par ordinateur.

Protocol

1. Préparation des jeux de données Sélection de l’objet de rechercheSélectionnez les échantillons d’essai en fonction de l’objectif de l’étude expérimentale, en tenant compte d’options telles que Mikania micrantha ou d’autres plantes envahissantes. Collecte d’images de dronesPréparez des cadres carrés en plastique de taille 0,5 m * 0,5 m et de quantité 25-50, en fonction de la taille de la zone étudiée. Utiliser…

Representative Results

Nous montrons les résultats représentatifs d’une méthode basée sur la vision par ordinateur pour l’estimation des plantes envahissantes, qui est mise en œuvre de manière programmatique sur un ordinateur. Dans cette expérience, nous avons évalué la distribution spatiale et estimé la biomasse des plantes envahissantes dans leur habitat naturel, en utilisant Mikania micrantha comme sujet de recherche. Nous avons utilisé un système de caméra de drone pour acquérir des images du site de recherche, d…

Discussion

Nous présentons les étapes détaillées d’une expérience d’estimation de la biomasse de plantes envahissantes à l’aide de la télédétection par drone et de la vision par ordinateur. Les principaux processus et étapes de cet accord sont illustrés à la figure 7. La bonne qualité des échantillons est l’un des aspects les plus cruciaux et les plus difficiles du programme. Cette importance est vraie pour toutes les plantes envahissantes ainsi que pour toutes les autres expérie…

Divulgations

The authors have nothing to disclose.

Acknowledgements

L’auteur remercie l’Académie chinoise des sciences agricoles et l’Université du Guangxi pour leur soutien à ce travail. Les travaux ont été soutenus par le Programme national de R&D clé de la Chine (2022YFC2601500 et 2022YFC2601504), la Fondation nationale des sciences naturelles de Chine (32272633), le Programme des sciences et technologies 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

  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

Citer Cet 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