הערכת ביומסה מבוססת ראייה ממוחשבת לצמחים פולשים

בפרוטוקול זה, השיטה המוצעת להערכת ביומסה פולשנית המבוססת על חישה מרחוק של כטב”ם וראייה ממוחשבת יכולה לשקף את התפלגות האורגניזמים הפולשים ולחזות את מידת הסיכון הביולוגי הפולשני. הערכות של תפוצה וביומסה של אורגניזמים פולשים הן קריטיות למניעה ולבקרה של אורגניזמים אלה. ברגע שצמחים פולשים פולשים, הם יכולים לפגוע במערכת האקולוגית ולגרום להפסדים כלכליים עצומים. זיהוי מהיר ומדויק של צמחים פולשים והערכת ביומסה של צמחים פולשים מרכזיים הם אתגרים גדולים בניטור ובקרה פולשניים של צמחים. בפרוטוקול זה, ניקח את Mikania micrantha כדוגמה לחקור שיטת הערכת ביומסה פולשנית של צמחים המבוססת על חישה מרחוק אווירית בלתי מאוישת וראייה ממוחשבת, המספקת גישה ושיטה חדשה למחקר אקולוגי של צמחים פולשים ומקדמת את המחקר האקולוגי והניהול של צמחים פולשים.

כיום, מדידת הביומסה של Mikania micrantha נעשית בעיקר על ידי דגימה ידנית¹. השיטות המסורתיות למדידת ביומסה זקוקות לכוח עבודה רב ולמשאבים חומריים, שאינם יעילים ומוגבלים על ידי השטח; קשה לענות על הצרכים של הערכת ביומסה אזורית של Mikania micrantha. היתרון הגדול בשימוש בפרוטוקול זה הוא שהוא מספק שיטה לכימות ביומסה אזורית של צמחים פולשים ופיזור מרחבי של צמחים פולשים באופן שאינו לוקח בחשבון את מגבלות הדגימה של השטח ומייתר את הצורך בסקרים ידניים.

טכנולוגיית חישה מרחוק של כטב”מים השיגה תוצאות מסוימות בהערכת ביומסה של צמחים והייתה בשימוש נרחב בחקלאות 2,3,4,5,6,7, ייעור 8,9,10,11 ושטחי מרעה 12,13,14. לטכנולוגיית חישה מרחוק של כטב”ם יש את היתרונות של עלות נמוכה, יעילות גבוהה, דיוק גבוה והפעלה גמישה^15,16, אשר יכולה להשיג ביעילות נתוני תמונת חישה מרחוק באזור המחקר; לאחר מכן, תכונת המרקם ואינדקס הצמחייה של תמונת חישה מרחוק מופקים כדי לספק תמיכה בנתונים להערכת ביומסה של צמחים בשטח גדול. שיטות הערכת הביומסה הנוכחיות של צמחים מסווגות בעיקר למודלים פרמטריים ולא פרמטריים¹⁷. עם הפיתוח של אלגוריתמים של למידת מכונה, מודלים לא פרמטריים של למידת מכונה עם דיוק גבוה יותר היו בשימוש נרחב בהערכת חישה מרחוק של ביומסה של צמחים. Chen et ^al.18 השתמשו ברגרסיה לוגיסטית מעורבת (MLR), KNNR ורגרסיית יער אקראית (RFR) כדי להעריך את הביומסה מעל פני הקרקע של יערות במחוז יונאן. הם הגיעו למסקנה כי מודלים של למידת מכונה, במיוחד KNNR ו- RFR, הביאו לתוצאות טובות יותר בהשוואה ל- MLR. Yan et ^al.19 השתמשו במודלי רגרסיה של RFR ו-XGBR (extreme gradient boosting) כדי להעריך את הדיוק של הערכת ביומסה של יער סובטרופי באמצעות קבוצות שונות של משתנים. טיאן ועמיתיו ^{השתמשו באחד} עשר מודלים של למידת מכונה כדי להעריך את הביומסה מעל פני הקרקע של מיני יערות מנגרובים שונים במפרץ בייבואן. החוקרים גילו כי שיטת XGBR הייתה יעילה יותר בקביעת הביומסה העילית של יערות מנגרובים. הערכת ביומסה צמחית באמצעות חישה מרחוק בין אדם למכונה היא פרקטיקה מבוססת היטב, עם זאת, השימוש במל”ט להערכת ביומסה של הצמח הפולש Mikania micrantha טרם דווח הן ברמה המקומית והן ברמה הבינלאומית. גישה זו שונה באופן מהותי מכל השיטות הקודמות להערכת ביומסה עבור צמחים פולשים, במיוחד Mikania micrantha.

לסיכום, לחישה מרחוק של מל”ט יש את היתרונות של רזולוציה גבוהה, יעילות גבוהה ועלות נמוכה. בחילוץ משתנה התכונה של תמונות חישה מרחוק, תכונות מרקם בשילוב עם אינדקסי צמחייה יכולות להשיג ביצועי חיזוי רגרסיה טובים יותר. מודלים לא פרמטריים יכולים לקבל מודלים מדויקים יותר של רגרסיה מאשר מודלים פרמטריים בהערכת ביומסה של צמחים. לכן, כדי לחשב את התפלגות האפס של צמחים פולשים ואת הביומסה שלהם במדויק, אנו מציעים את ההליכים המתוארים הבאים לניסוי ביומסה של צמחים פולשים המסתמך על חישה מרחוק באמצעות כטב”מים וראייה ממוחשבת.