침입 식물에 대한 컴퓨터 비전 기반 바이오매스 추정

이 프로토콜에서 제안된 UAV 원격 감지 및 컴퓨터 비전을 기반으로 한 침습적 바이오매스 추정 방법은 침입 유기체의 분포를 반영하고 침습적 생물학적 위험의 정도를 예측할 수 있습니다. 침입 유기체의 분포 및 생물량에 대한 추정치는 이러한 유기체의 예방 및 통제에 매우 중요합니다. 외래 식물이 침입하면 생태계를 손상시키고 막대한 경제적 손실을 초래할 수 있습니다. 침입 식물을 빠르고 정확하게 식별하고 주요 침입 식물 바이오매스를 추정하는 것은 침입 식물 모니터링 및 제어의 주요 과제입니다. 이 프로토콜에서는 Mikania micrantha 를 예로 들어 무인 항공 원격 감지 및 컴퓨터 비전을 기반으로 한 침입 식물 바이오매스 추정 방법을 탐색하여 침입 식물의 생태 연구를 위한 새로운 접근 방식과 방법을 제공하고 침입 식물의 생태 연구 및 관리를 촉진합니다.

현재 Mikania micrantha 의 바이오매스 측정은 주로 수동 샘플링으로 수행됩니다¹. 전통적인 바이오매스 측정 방법은 많은 인력과 물적 자원이 필요하며, 이는 비효율적이고 지형에 의해 제한됩니다. Mikania micrantha 의 지역 바이오매스 추정 요구를 충족시키는 것은 어렵습니다.이 프로토콜 사용의 주요 이점은 지역의 샘플링 제한을 고려하지 않고 수동 조사의 필요성을 제거하는 방식으로 지역 침입 식물 바이오매스 및 침입 식물의 공간 분포를 정량화하는 방법을 제공한다는 것입니다.

UAV 원격 감지 기술은 식물 바이오매스 추정에서 확실한 결과를 얻었으며 농업 ^2,3,4,5,6,7, 임업 ^8,9,10,11 및 초원 12,13,14에서 널리 사용되었습니다.. UAV 원격 감지 기술은 저비용, 고효율, 고정밀 및 유연한 작동(^15,16)의 장점이 있어 연구 영역에서 원격 감지 이미지 데이터를 효율적으로 얻을 수 있습니다. 그런 다음, 원격 탐사 이미지의 질감 특징과 식생 지수를 추출하여 넓은 지역의 식물 바이오매스를 추정하기 위한 데이터를 지원합니다. 현재의 식물 바이오매스 추정 방법은 주로 파라메트릭 모델과 비파라메트릭 모델로 분류된다¹⁷. 기계 학습 알고리즘의 개발로 더 높은 정확도의 비모수적 기계 학습 모델이 식물 바이오매스의 원격 감지 추정에 널리 사용되었습니다. Chen et ^al.18은 MLR(Mixed Logistic Regression), KNNR 및 RFR(Random Forest Regression)을 사용하여 윈난성 산림의 지상 바이오매스를 추정했습니다. 그들은 기계 학습 모델, 특히 KNNR 및 RFR이 MLR에 비해 우수한 결과를 가져왔다는 결론을 내렸습니다. Yan et ^al.19은 다양한 변수 세트를 사용하여 아열대림 바이오매스 추정의 정확성을 평가하기 위해 RFR 및 XGBR(Extreme Gradient Boosting) 회귀 모델을 사용했습니다. Tian et ^al.20은 11개의 기계 학습 모델을 활용하여 Beibuwan Bay의 다양한 맹그로브 숲 종의 지상 생물량을 추정했습니다. 연구진은 XGBR 방법이 맹그로브 숲의 지상 바이오매스를 결정하는 데 더 효과적이라는 것을 발견했다. 인간-기계 원격 탐사를 사용한 식물 바이오매스 추정은 잘 확립된 관행이지만, 침입 식물 Mikania micrantha의 바이오매스 추정을 위한 UAV 사용은 아직 국내외적으로 보고된 적이 없습니다. 이 접근법은 침입 식물, 특히 Mikania micrantha에 대한 이전의 모든 바이오매스 추정 방법과 근본적으로 다릅니다.

요약하자면, UAV 원격 감지는 고해상도, 고효율 및 저렴한 비용의 장점이 있습니다. 원격 탐사 이미지의 특징 변수 추출에서 식생 지수와 결합된 텍스처 특징은 더 나은 회귀 예측 성능을 얻을 수 있습니다. 비모수 모델은 식물 바이오매스 추정에서 모수적 모델보다 더 정확한 회귀 모델을 얻을 수 있습니다. 따라서 침입 식물과 그 바이오매스의 null 분포를 정확하게 계산하기 위해 UAV 및 컴퓨터 비전을 사용한 원격 감지에 의존하는 침입 식물 바이오매스 실험에 대해 다음과 같은 요약된 절차를 제안합니다.