Computer Vision-basierte Biomasseschätzung für invasive Pflanzen
Summary
Wir berichten über detaillierte Verfahren für eine Methode zur Schätzung der invasiven Pflanzenbiomasse, die Daten aus der Fernerkundung von unbemannten Luftfahrzeugen (UAV) verwendet, um die Biomasse zu bewerten und die räumliche Verteilung invasiver Arten zu erfassen. Dieser Ansatz erweist sich als äußerst nützlich für die Durchführung von Gefahrenbewertungen und die Frühwarnung vor invasiven Pflanzen.
Abstract
Wir berichten über die detaillierten Schritte einer Methode zur Abschätzung der Biomasse invasiver Pflanzen auf Basis von UAV-Fernerkundung und Computer Vision. Um Proben aus dem Untersuchungsgebiet zu sammeln, haben wir eine quadratische Stichprobenanordnung vorbereitet, um die Probenahmepunkte zu randomisieren. Es wurde ein unbemanntes Luftbildkamerasystem mit einer Drohne und einer Kamera konstruiert, um durch automatisierte Navigation kontinuierliche RGB-Bilder des Untersuchungsgebiets zu erfassen. Nach Abschluss der Dreharbeiten wurde die oberirdische Biomasse im Probenrahmen gesammelt, und alle Korrespondenzen wurden beschriftet und verpackt. Die Beispieldaten wurden verarbeitet und die Luftbilder wurden in kleine Bilder von 280 x 280 Pixeln segmentiert, um einen Bilddatensatz zu erstellen. Ein tiefes neuronales Faltungsnetz wurde verwendet, um die Verbreitung von Mikania micrantha im Untersuchungsgebiet zu kartieren, und es wurde ihr Vegetationsindex erhalten. Die gesammelten Organismen wurden getrocknet und das Trockengewicht als Ground-Truth-Biomasse erfasst. Das Regressionsmodell für invasive pflanzliche Biomasse wurde unter Verwendung der K-Nearest-Neighbor-Regression (KNNR) konstruiert, indem der Vegetationsindex aus den Beispielbildern als unabhängige Variable extrahiert und mit der Ground-Truth-Biomasse als abhängige Variable integriert wurde. Die Ergebnisse zeigten, dass es möglich war, die Biomasse invasiver Pflanzen genau vorherzusagen. Durch Bildtraversierung wurde eine genaue räumliche Verteilungskarte der invasiven Pflanzenbiomasse erstellt, die eine genaue Identifizierung von Hochrisikogebieten ermöglicht, die von invasiven Pflanzen betroffen sind. Zusammenfassend zeigt diese Studie das Potenzial der Kombination von unbemannter Fernerkundung von Luftfahrzeugen mit Techniken des maschinellen Lernens zur Abschätzung invasiver pflanzlicher Biomasse. Es leistet einen wichtigen Beitrag zur Erforschung neuer Technologien und Methoden für das Echtzeit-Monitoring invasiver Pflanzen und bietet technische Unterstützung für ein intelligentes Monitoring und eine Gefährdungsbeurteilung auf regionaler Ebene.
Introduction
In diesem Protokoll kann die vorgeschlagene Methode zur Schätzung der invasiven Biomasse auf der Grundlage von UAV-Fernerkundung und Computer Vision die Verteilung invasiver Organismen widerspiegeln und den Grad der invasiven Biogefährdung vorhersagen. Schätzungen der Verbreitung und Biomasse invasiver Organismen sind entscheidend für die Prävention und Bekämpfung dieser Organismen. Sobald invasive Pflanzen eindringen, können sie das Ökosystem schädigen und enorme wirtschaftliche Verluste verursachen. Die schnelle und genaue Identifizierung invasiver Pflanzen und die Schätzung der wichtigsten invasiven Pflanzenbiomasse sind große Herausforderungen bei der Überwachung und Bekämpfung invasiver Pflanzen. In diesem Protokoll nehmen wir Mikania micrantha als Beispiel, um eine Methode zur Schätzung der Biomasse invasiver Pflanzen zu erforschen, die auf unbemannter Luftfernerkundung und Computer Vision basiert und einen neuen Ansatz und eine neue Methode für die ökologische Erforschung invasiver Pflanzen bietet und die ökologische Forschung und das Management invasiver Pflanzen fördert.
Derzeit erfolgt die Biomassemessung von Mikania micrantha hauptsächlich durch manuelle Probenahme1. Die traditionellen Methoden der Biomassemessung erfordern viel Personal und materielle Ressourcen, die ineffizient und durch das Gelände begrenzt sind. Es ist schwierig, die Anforderungen der regionalen Biomasseschätzung von Mikania micrantha zu erfüllen.Der große Vorteil der Verwendung dieses Protokolls besteht darin, dass es eine Methode zur Quantifizierung der regionalen invasiven Pflanzenbiomasse und der räumlichen Verteilung invasiver Pflanzen bietet, ohne die Einschränkungen der Probenahme des Gebiets zu berücksichtigen und manuelle Erhebungen überflüssig zu machen.
Die UAV-Fernerkundungstechnologie hat bestimmte Ergebnisse bei der Schätzung der pflanzlichen Biomasse erzielt und ist in der Landwirtschaftweit verbreitet 2,3,4,5,6,7, Forstwirtschaft 8,9,10,11 und Grünland 12,13,14 . Die UAV-Fernerkundungstechnologie hat die Vorteile niedriger Kosten, hoher Effizienz, hoher Präzision und flexibler Betrieb15,16, wodurch Fernerkundungsbilddaten im Untersuchungsgebiet effizient erhalten werden können; Anschließend werden das Texturmerkmal und der Vegetationsindex des Fernerkundungsbildes extrahiert, um die Schätzung der pflanzlichen Biomasse in großen Gebieten zu unterstützen. Die derzeitigen Methoden zur Schätzung der pflanzlichen Biomasse werden hauptsächlich in parametrische und nichtparametrische Modelle eingeteilt17. Mit der Entwicklung von Algorithmen für maschinelles Lernen wurden nichtparametrische Modelle des maschinellen Lernens mit höherer Genauigkeit in großem Umfang bei der Fernerkundung der Schätzung von pflanzlicher Biomasse eingesetzt. Chen et al.18 nutzten gemischte logistische Regression (MLR), KNNR und Random Forest Regression (RFR), um die oberirdische Biomasse von Wäldern in der Provinz Yunnan zu schätzen. Sie kamen zu dem Schluss, dass die Modelle des maschinellen Lernens, insbesondere KNNR und RFR, im Vergleich zu MLR zu besseren Ergebnissen führten. Yan et al.19 verwendeten RFR- und Extremgradienten-Boosting-Regressionsmodelle (XGBR), um die Genauigkeit der Schätzung der subtropischen Waldbiomasse anhand verschiedener Variablensätze zu bewerten. Tian et al.20 verwendeten elf Modelle des maschinellen Lernens, um die oberirdische Biomasse verschiedener Mangrovenwaldarten in der Beibuwan Bay abzuschätzen. Die Forscher fanden heraus, dass die XGBR-Methode bei der Bestimmung der oberirdischen Biomasse von Mangrovenwäldern effektiver ist. Die Schätzung der pflanzlichen Biomasse mittels Mensch-Maschine-Fernerkundung ist eine etablierte Praxis, jedoch wurde der Einsatz von UAV zur Biomasseschätzung der invasiven Pflanze Mikania micrantha sowohl im In- als auch im Ausland noch nicht berichtet. Dieser Ansatz unterscheidet sich grundlegend von allen bisherigen Methoden der Biomasseschätzung für invasive Pflanzen, insbesondere Mikania micrantha.
Zusammenfassend lässt sich sagen, dass die UAV-Fernerkundung die Vorteile einer hohen Auflösung, eines hohen Wirkungsgrads und niedriger Kosten bietet. Bei der Extraktion von Merkmalsvariablen aus Fernerkundungsbildern können Textur-Features in Kombination mit Vegetationsindizes eine bessere Leistung bei der Regressionsvorhersage erzielen. Nichtparametrische Modelle können bei der Schätzung der Pflanzenbiomasse genauere Regressionsmodelle erhalten als parametrische. Um die Nullverteilung invasiver Pflanzen und ihrer Biomasse genau zu berechnen, schlagen wir daher die folgenden skizzierten Verfahren für das Experiment zur invasiven Pflanzenbiomasse vor, das auf Fernerkundung mit UAVs und Computer Vision basiert.
Protocol
Representative Results
Discussion
Wir stellen die detaillierten Schritte eines Experiments zur Schätzung der Biomasse invasiver Pflanzen mit Hilfe von UAV-Fernerkundung und Computer Vision vor. Der Hauptprozess und die Schritte dieser Vereinbarung sind in Abbildung 7 dargestellt. Die richtige Probenqualität ist einer der wichtigsten und herausforderndsten Aspekte des Programms. Diese Bedeutung gilt sowohl für alle invasiven Pflanzen als auch für alle anderen Experimente zur Schätzung der Pflanzenbiomasse<sup class="xref…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Der Autor dankt der Chinesischen Akademie der Agrarwissenschaften und der Universität Guangxi für die Unterstützung dieser Arbeit. Die Arbeit wurde unterstützt durch das National Key R&D Program of China (2022YFC2601500 & 2022YFC2601504), die National Natural Science Foundation of China (32272633) und das Shenzhen Science and Technology Program (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 |
Riferimenti
- 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).
