İstilacı Bitkiler için Bilgisayarlı Görü Tabanlı Biyokütle Tahmini
Summary
Biyokütleyi değerlendirmek ve istilacı türlerin mekansal dağılımını yakalamak için insansız hava aracı (İHA) uzaktan algılamasından elde edilen verileri kullanan istilacı bir bitki biyokütle tahmin yöntemi için ayrıntılı prosedürleri rapor ediyoruz. Bu yaklaşım, istilacı bitkilerin tehlike değerlendirmesi ve erken uyarısı için oldukça faydalı olduğunu kanıtlamaktadır.
Abstract
İHA, uzaktan algılama ve bilgisayar görüşüne dayalı olarak istilacı bitkilerin biyokütlesini tahmin etmek için bir yöntemin ayrıntılı adımlarını rapor ediyoruz. Çalışma alanından numune toplamak için, numune alma noktalarını randomize etmek için bir numune kare düzeneği hazırladık. Otomatik navigasyon yoluyla çalışma alanının sürekli RGB görüntülerini elde etmek için bir drone ve kamera kullanılarak insansız hava kamera sistemi inşa edildi. Çekimler tamamlandıktan sonra numune karesindeki yer üstü biyokütle toplanmış ve tüm yazışmalar etiketlenerek paketlenmiştir. Örnek veriler işlendi ve hava görüntüleri, bir görüntü veri kümesi oluşturmak için 280 x 280 piksellik küçük görüntülere bölündü. Mikania micrantha’nın çalışma alanındaki dağılımını haritalamak için derin bir evrişimli sinir ağı kullanıldı ve bitki örtüsü indeksi elde edildi. Toplanan organizmalar kurutuldu ve kuru ağırlık, temel gerçek biyokütle olarak kaydedildi. İstilacı bitki biyokütle regresyon modeli, örnek görüntülerden bitki örtüsü indeksinin bağımsız bir değişken olarak çıkarılması ve bağımlı bir değişken olarak temel gerçek biyokütle ile entegre edilmesiyle K-en yakın komşu regresyonu (KNNR) kullanılarak oluşturulmuştur. Sonuçlar, istilacı bitkilerin biyokütlesini doğru bir şekilde tahmin etmenin mümkün olduğunu gösterdi. İstilacı bitki biyokütlesinin doğru bir mekansal dağılım haritası, istilacı bitkilerden etkilenen yüksek riskli alanların hassas bir şekilde tanımlanmasına olanak tanıyan görüntü geçişi ile oluşturuldu. Özetle, bu çalışma, istilacı bitki biyokütlesini tahmin etmek için insansız hava aracı uzaktan algılamasını makine öğrenimi teknikleriyle birleştirmenin potansiyelini göstermektedir. İstilacı bitkilerin gerçek zamanlı izlenmesi için yeni teknolojilerin ve yöntemlerin araştırılmasına önemli ölçüde katkıda bulunur ve bölgesel ölçekte akıllı izleme ve tehlike değerlendirmesi için teknik destek sağlar.
Introduction
Bu protokolde, İHA uzaktan algılama ve bilgisayar görüşüne dayalı önerilen istilacı biyokütle tahmini yöntemi, istilacı organizmaların dağılımını yansıtabilir ve istilacı biyolojik tehlikenin derecesini tahmin edebilir. İstilacı organizmaların dağılımı ve biyokütlesine ilişkin tahminler, bu organizmaların önlenmesi ve kontrolü için kritik öneme sahiptir. İstilacı bitkiler istila ettiğinde ekosisteme zarar verebilir ve büyük ekonomik kayıplara neden olabilir. İstilacı bitkilerin hızlı ve doğru bir şekilde tanımlanması ve temel istilacı bitki biyokütlesinin tahmin edilmesi, istilacı bitki izleme ve kontrolünde büyük zorluklardır. Bu protokolde, istilacı bitkilerin ekolojik araştırmaları için yeni bir yaklaşım ve yöntem sağlayan ve istilacı bitkilerin ekolojik araştırma ve yönetimini teşvik eden insansız havadan uzaktan algılama ve bilgisayar görüşüne dayalı istilacı bir bitki biyokütle tahmin yöntemini keşfetmek için Mikania micrantha’yı örnek alıyoruz.
Şu anda, Mikania micrantha’nın biyokütle ölçümü esas olarak manuel örnekleme1 ile yapılmaktadır. Geleneksel biyokütle ölçüm yöntemleri, verimsiz ve arazi tarafından sınırlı olan çok sayıda iş gücü ve malzeme kaynağına ihtiyaç duyar; Mikania micrantha’nın bölgesel biyokütle tahmininin ihtiyaçlarını karşılamak zordur.Bu protokolün kullanılmasının en büyük avantajı, bölgesel istilacı bitki biyokütlesinin ve istilacı bitkilerin mekansal dağılımının, alanın örnekleme sınırlamalarını dikkate almayacak ve manuel araştırmalara olan ihtiyacı ortadan kaldıracak şekilde ölçülmesi için bir yöntem sağlamasıdır.
İHA uzaktan algılama teknolojisi, bitki biyokütle tahmininde belirli sonuçlar elde etmiş ve tarımda 2,3,4,5,6,7, ormancılıkta 8,9,10,11 ve otlaklarda 12,13,14 yaygın olarak kullanılmaktadır.. İHA uzaktan algılama teknolojisi, çalışma alanında uzaktan algılama görüntü verilerini verimli bir şekilde elde edebilen düşük maliyet, yüksek verimlilik, yüksek hassasiyet ve esnek çalışma15,16 avantajlarına sahiptir; Daha sonra, geniş bir alanda bitki biyokütlesinin tahmini için veri desteği sağlamak üzere uzaktan algılama görüntüsünün doku özelliği ve bitki örtüsü indeksi çıkarılır. Mevcut bitki biyokütle tahmin yöntemleri temel olarak parametrik ve parametrik olmayan modeller olarak kategorize edilmektedir17. Makine öğrenmesi algoritmalarının gelişmesiyle birlikte, bitki biyokütlesinin uzaktan algılama tahmininde daha yüksek doğruluğa sahip parametrik olmayan makine öğrenmesi modelleri yaygın olarak kullanılmaktadır. Chen ve ark.18, Yunnan Eyaletindeki ormanların yer üstü biyokütlesini tahmin etmek için karışık lojistik regresyon (MLR), KNNR ve rastgele orman regresyonu (RFR) kullandı. Makine öğrenimi modellerinin, özellikle KNNR ve RFR’nin, MLR’ye kıyasla daha üstün sonuçlarla sonuçlandığı sonucuna vardılar. Yan ve ark.19, çeşitli değişken setleri kullanarak subtropikal orman biyokütlesini tahmin etmenin doğruluğunu değerlendirmek için RFR ve aşırı gradyan artırma (XGBR) regresyon modelleri kullandı. Tian ve ark.20, Beibuwan Körfezi’ndeki çeşitli mangrov orman türlerinin yer üstü biyokütlesini tahmin etmek için on bir makine öğrenimi modeli kullandı. Araştırmacılar, XGBR yönteminin mangrov ormanlarının yer üstü biyokütlesini belirlemede daha etkili olduğunu keşfettiler. İnsan-makine uzaktan algılama kullanarak bitki biyokütle tahmini iyi bilinen bir uygulamadır, ancak istilacı bitki Mikania micrantha’nın biyokütle tahmini için İHA kullanımı hem yurt içinde hem de yurt dışında henüz rapor edilmemiştir. Bu yaklaşım, istilacı bitkiler, özellikle de Mikania micrantha için önceki tüm biyokütle tahmin yöntemlerinden temel olarak farklıdır.
Özetlemek gerekirse, İHA uzaktan algılama, yüksek çözünürlük, yüksek verimlilik ve düşük maliyet avantajlarına sahiptir. Uzaktan algılama görüntülerinin özellik değişkeni çıkarımında, bitki örtüsü indeksleri ile birleştirilen doku özellikleri daha iyi regresyon tahmin performansı elde edebilir. Parametrik olmayan modeller, bitki biyokütle tahmininde parametrik modellere göre daha doğru regresyon modelleri elde edebilir. Bu nedenle, istilacı bitkilerin ve biyokütlelerinin boş dağılımını tam olarak hesaplamak için, İHA’lar ve bilgisayarla görme kullanarak uzaktan algılamaya dayanan istilacı bitki biyokütle deneyi için aşağıda belirtilen prosedürleri öneriyoruz.
Protocol
Representative Results
Discussion
İHA, uzaktan algılama ve bilgisayarla görme kullanarak istilacı bitkilerin biyokütlesini tahmin etmeye yönelik bir deneyin ayrıntılı adımlarını sunuyoruz. Bu anlaşmanın ana süreci ve adımları Şekil 7’de gösterilmiştir. Uygun numune kalitesi, programın en önemli ve zorlu yönlerinden biridir. Bu önem, tüm istilacı bitkiler için olduğu kadar diğer bitki biyokütle tahmin deneyleri için de geçerlidir24.
Çalışma…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Yazar, bu çalışmayı destekledikleri için Çin Tarım Bilimleri Akademisi ve Guangxi Üniversitesi’ne teşekkür eder. Çalışma, Çin Ulusal Anahtar Ar-Ge Programı (2022YFC2601500 ve 2022YFC2601504), Çin Ulusal Doğa Bilimleri Vakfı (32272633), Shenzhen Bilim ve Teknoloji Programı (KCXFZ20230731093259009) tarafından desteklenmiştir.
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).
