Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • النتائج
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

نبلغ عن إجراءات مفصلة لطريقة تقدير الكتلة الحيوية النباتية الغازية التي تستخدم البيانات التي تم الحصول عليها من الاستشعار عن بعد للمركبات الجوية بدون طيار (UAV) لتقييم الكتلة الحيوية والتقاط التوزيع المكاني للأنواع الغازية. يثبت هذا النهج أنه مفيد للغاية لإجراء تقييم المخاطر والإنذار المبكر للنباتات الغازية.

Abstract

نقدم تقريرا عن الخطوات التفصيلية لطريقة تقدير الكتلة الحيوية للنباتات الغازية بناء على الاستشعار عن بعد للطائرات بدون طيار ورؤية الكمبيوتر. لجمع عينات من منطقة الدراسة ، قمنا بإعداد عينة مربعة تجميع لتوزيع نقاط أخذ العينات عشوائيا. تم بناء نظام كاميرا جوية بدون طيار باستخدام طائرة بدون طيار وكاميرا للحصول على صور RGB مستمرة لمنطقة الدراسة من خلال الملاحة الآلية. بعد الانتهاء من التصوير ، تم جمع الكتلة الحيوية فوق الأرض في إطار العينة ، وتم تسمية جميع المراسلات وتعبئتها. تمت معالجة بيانات العينة ، وتم تقسيم الصور الجوية إلى صور صغيرة بحجم 280 × 280 بكسل لإنشاء مجموعة بيانات صورة. تم استخدام شبكة عصبية تلافيفية عميقة لرسم خريطة لتوزيع ميكانيا ميكرانثا في منطقة الدراسة ، وتم الحصول على مؤشر الغطاء النباتي الخاص بها. تم تجفيف الكائنات الحية التي تم جمعها ، وتم تسجيل الوزن الجاف ككتلة حيوية للحقيقة الأرضية. تم بناء نموذج انحدار الكتلة الحيوية النباتية الغازية باستخدام الانحدار المجاور الأقرب K (KNNR) عن طريق استخراج مؤشر الغطاء النباتي من صور العينة كمتغير مستقل ودمجه مع الكتلة الحيوية للحقيقة الأرضية كمتغير تابع. أظهرت النتائج أنه كان من الممكن التنبؤ بالكتلة الحيوية للنباتات الغازية بدقة. تم إنشاء خريطة توزيع مكانية دقيقة للكتلة الحيوية النباتية الغازية عن طريق اجتياز الصورة ، مما يسمح بتحديد دقيق للمناطق عالية الخطورة المتأثرة بالنباتات الغازية. باختصار ، توضح هذه الدراسة إمكانية الجمع بين الاستشعار عن بعد للمركبات الجوية بدون طيار وتقنيات التعلم الآلي لتقدير الكتلة الحيوية النباتية الغازية. يساهم بشكل كبير في البحث عن تقنيات وطرق جديدة للمراقبة في الوقت الفعلي للنباتات الغازية ويوفر الدعم الفني للمراقبة الذكية وتقييم المخاطر على المستوى الإقليمي.

Introduction

في هذا البروتوكول ، يمكن للطريقة المقترحة لتقدير الكتلة الحيوية الغازية القائمة على الاستشعار عن بعد للطائرات بدون طيار ورؤية الكمبيوتر أن تعكس توزيع الكائنات الغازية وتتنبأ بدرجة الخطر البيولوجي الغازي. وتعتبر تقديرات توزيع الكائنات الغازية وكتلتها الحيوية أمرا بالغ الأهمية للوقاية من هذه الكائنات ومكافحتها. بمجرد غزو النباتات الغازية ، يمكن أن تلحق الضرر بالنظام البيئي وتسبب خسائر اقتصادية فادحة. يعد تحديد النباتات الغازية بسرعة ودقة وتقدير الكتلة الحيوية النباتية الغازية الرئيسية من التحديات الرئيسية في مراقبة النباتات الغازية ومكافحتها. في هذا البروتوكول ، نأخذ Mikania micrantha كمثال لاستكشاف طريقة تقدير الكتلة الحيوية النباتية الغازية بناء على الاستشعار الجوي عن بعد بدون طيار ورؤية الكمبيوتر ، والتي توفر نهجا وطريقة جديدة للبحث البيئي للنباتات الغازية وتعزز البحث البيئي وإدارة النباتات الغازية.

في الوقت الحاضر ، يتم قياس الكتلة الحيوية لميكانيا ميكرانثا بشكل أساسي عن طريق أخذ العينات يدويا1. تحتاج الطرق التقليدية لقياس الكتلة الحيوية إلى الكثير من القوى العاملة والموارد المادية ، وهي غير فعالة ومحدودة بسبب التضاريس ؛ من الصعب تلبية احتياجات تقدير الكتلة الحيوية الإقليمية لميكانيا ميكرانثا. الميزة الرئيسية لاستخدام هذا البروتوكول هي أنه يوفر طريقة لتحديد الكتلة الحيوية النباتية الغازية الإقليمية والتوزيع المكاني للنباتات الغازية بطريقة لا تأخذ في الاعتبار قيود أخذ العينات في المنطقة وتلغي الحاجة إلى المسوحات اليدوية.

حققت تقنية الاستشعار عن بعد للطائرات بدون طيار نتائج معينة في تقدير الكتلة الحيوية النباتية واستخدمت على نطاق واسع في الزراعة2،3،4،5،6،7 ، والغابات8،9،10،11 ، والأراضي العشبية12،13،14. تتميز تقنية الاستشعار عن بعد للطائرات بدون طيار بمزايا التكلفة المنخفضة والكفاءة العالية والدقة العالية والتشغيل المرن15,16 ، والتي يمكنها الحصول بكفاءة على بيانات صور الاستشعار عن بعد في منطقة الدراسة ؛ بعد ذلك ، يتم استخراج ميزة النسيج ومؤشر الغطاء النباتي لصورة الاستشعار عن بعد لتوفير دعم البيانات لتقدير الكتلة الحيوية النباتية في مساحة كبيرة. يتم تصنيف طرق تقدير الكتلة الحيوية النباتية الحالية بشكل أساسي إلى نماذج بارامترية وغير معلمية17. مع تطور خوارزميات التعلم الآلي ، تم استخدام نماذج التعلم الآلي غير البارامترية بدقة أعلى على نطاق واسع في تقدير الاستشعار عن بعد للكتلة الحيوية النباتية. استخدم Chen et al.18 الانحدار اللوجستي المختلط (MLR) ، KNNR ، والانحدار العشوائي للغابات (RFR) لتقدير الكتلة الحيوية فوق الأرض للغابات في مقاطعة يوننان. وخلصوا إلى أن نماذج التعلم الآلي ، وتحديدا KNNR و RFR ، أسفرت عن نتائج متفوقة مقارنة ب MLR. استخدم Yan et al.19 نماذج RFR ونماذج الانحدار المعزز للتدرج الشديد (XGBR) لتقييم دقة تقدير الكتلة الحيوية للغابات شبه الاستوائية باستخدام مجموعات مختلفة من المتغيرات. استخدم Tian et al.20 أحد عشر نموذجا للتعلم الآلي لتقدير الكتلة الحيوية فوق الأرض لأنواع مختلفة من غابات المانغروف في خليج بيبوان. اكتشف الباحثون أن طريقة XGBR كانت أكثر فعالية في تحديد الكتلة الحيوية فوق الأرض لغابات المانغروف. يعد تقدير الكتلة الحيوية للنبات باستخدام الاستشعار عن بعد بين الإنسان والآلة ممارسة راسخة ، ومع ذلك ، فإن استخدام الطائرات بدون طيار لتقدير الكتلة الحيوية للنبات الغازي Mikania micrantha لم يتم الإبلاغ عنه بعد محليا ودوليا. يختلف هذا النهج اختلافا جوهريا عن جميع الطرق السابقة لتقدير الكتلة الحيوية للنباتات الغازية ، وخاصة Mikania micrantha.

باختصار ، يتميز الاستشعار عن بعد للطائرات بدون طيار بمزايا الدقة العالية والكفاءة العالية والتكلفة المنخفضة. في ميزة الاستخراج المتغير لصور الاستشعار عن بعد ، يمكن أن تحصل ميزات النسيج جنبا إلى جنب مع فهارس الغطاء النباتي على أداء أفضل للتنبؤ بالانحدار. يمكن أن تحصل النماذج غير البارامترية على نماذج انحدار أكثر دقة من النماذج البارامترية في تقدير الكتلة الحيوية النباتية. لذلك ، لحساب التوزيع الصفري للنباتات الغازية وكتلتها الحيوية بدقة ، نقترح الإجراءات الموضحة التالية لتجربة الكتلة الحيوية النباتية الغازية التي تعتمد على الاستشعار عن بعد باستخدام الطائرات بدون طيار ورؤية الكمبيوتر.

Protocol

1. إعداد مجموعات البيانات

  1. اختيار كائن البحث
    1. حدد عينات الاختبار بناء على تركيز الدراسة التجريبية ، مع الأخذ في الاعتبار خيارات مثل Mikania micrantha أو غيرها من النباتات الغازية.
  2. جمع صور الطائرات بدون طيار
    1. تحضير إطارات بلاستيكية مربعة بحجم 0.5 م * 0.5 م وكمية 25-50 حسب حجم المنطقة المدروسة.
    2. استخدام نهج أخذ العينات العشوائية لتحديد مواقع أخذ عينات التربة في منطقة الدراسة باستخدام عدد كاف من عينات الكتلة الحيوية. ضع إطار العينة أفقيا فوق الغطاء النباتي ، بما في ذلك النباتات بالكامل بمسافة فاصلة لا تقل عن 2 متر بين كل نبات.
    3. استخدم طائرة بدون طيار وكاميرا لتشكيل نظام تصوير بالاستشعار عن بعد للطائرات بدون طيار ، كما هو موضح في الشكل 1.
    4. استخدم الطائرة بدون طيار لرسم المسار داخل منطقة الدراسة المحددة. يظهر إعداد تخطيط المسار في الشكل 2.
      1. حدد معدل تداخل العنوان والجانب بنسبة 70٪ ، والتقط صورا على فترات زمنية موحدة تبلغ 2 ثانية ، وحافظ على زاوية الكاميرا عموديا على الأرض عند 90 درجة ، وضع ارتفاع الكاميرا عند 30 مترا. نتج عن ذلك بيانات صورة مرئية مستمرة لمنطقة الدراسة بدقة صورة واحدة تبلغ 8256 × 5504 بكسل ، كما هو موضح في الشكل 3.
    5. قم بتخزين الصور الجوية للمعالجة اللاحقة باستخدام برنامج Python لتقدير الكتلة الحيوية.
  3. جمع الكتلة الحيوية فوق الأرض
    1. اجمع الكتلة الحيوية الموجودة فوق سطح الأرض لميكانيا ميكرانثا يدويا داخل كل قطعة عينة بعد الانتهاء من جمع بيانات الطائرات بدون طيار. قم بتعبئتها وتسمية كل كيس وفقا لذلك.
      1. عند جمع ميكانيا ميكرانثا ، امنع قطع العينات من التحرك. أولا ، قم بقص ميكانيا ميكرانثا على طول الحافة الداخلية لمؤامرة العينة.
      2. ثم ، قطع جذمور ميكانيا ميكرانثا من القاع. قم بإزالة أي أوساخ أو صخور أو نباتات أخرى مختلطة. أخيرا ، ضع الأكياس وتسمية العينات.
    2. أحضر العينات التي تم جمعها من النباتات الغازية من الخطوة 1.3.1 إلى المختبر. جفف جميع العينات التي تم جمعها في الهواء لتبخر معظم الرطوبة.
    3. لمزيد من إزالة الرطوبة من العينات المجففة بالهواء ، استخدم الفرن. اضبط درجة الحرارة على 55 درجة مئوية. جفف العينات لمدة 72 ساعة ، ثم وزن كل عينة على ميزان إلكتروني وسجل بيانات الكتلة الحيوية بالجرام (جم).
      1. ضع الميزان الإلكتروني في بيئة خالية من الإزعاج ، وقم بالوزن والمعايرة واستمر في الوزن. ضع أكياس ميكانيا ميكرانثا على الميزان الإلكتروني ، وانتظر حتى تستقر القراءات ، وسجل القراءات.
      2. قم بوزن ميكانيا ميكرانثا كل ساعة حتى لا تتغير الكتلة وسجل القراءة مطروحا منها وزن الكيس باعتباره الكتلة المقاسة لتلك العينة. احسب الكتلة الحيوية فوق سطح الأرض للنبات الغازي باستخدام الصيغة أدناه:
        figure-protocol-2702
        حيث يمثل B الكتلة الحيوية ل Mikania micrantha بالجرام لكل متر مربع (جم / م2) ، M هو وزن ميكانيا ميكرانثا المقاس ، ويقاس بالجرام (جم) ، و S يتوافق مع مساحة قطعة العينة بالمتر المربع (م2).
  4. إنشاء مجموعة بيانات
    1. استخرج صورة RGB المقابلة لعينة الصورة من صورة الطائرات بدون طيار الأصلية. قسمها إلى شبكة من 280 × 280 بكسل باستخدام برمجة Python (Supplementray الشكل 1).
    2. قسم بيانات الصورة الأولية إلى صور أصغر بنفس حجم عينة الصور باستخدام برمجة Python. استخدم طريقة النافذة المنزلقة للتجزئة ، واضبط الخطوات الأفقية والرأسية على 280 بكسل.
    3. من الصور الصغيرة المقسمة في الخطوة 1.4.2 ، حدد عشوائيا 880 صورة نباتية غازية و 1500 صورة خلفية لإنشاء مجموعة بيانات. بعد ذلك ، قسم مجموعة البيانات هذه إلى مجموعات تدريب وتحقق واختبار بنسبة 6: 2: 2 (الشكل الإضافي 2).

2. تحديد ميكانيا ميكرانثا

  1. إعداد البرنامج
    1. انتقل إلى موقع Anaconda الرسمي (https://www.anaconda.com/) وقم بتنزيل Anaconda وتثبيته. بعد ذلك ، توجه إلى موقع PyCharm على الويب (https://www.jetbrains.com/pycharm/) وقم بتنزيل PyCharm IDE.
  2. خلق بيئة كوندا.
    1. افتح سطر أوامر موجه Anaconda بعد تثبيت Anaconda ، ثم اكتب conda create -n pytorch python == 3.8 لإنشاء بيئة Conda جديدة. بعد إنشاء البيئة ، أدخل conda info --envs لتأكيد وجود بيئة pytorch .
    2. افتح موجه Anaconda وقم بتنشيط بيئة pytorch عن طريق إدخال conda activate pytorch. تحقق من إصدار CUDA الحالي (حساب بنية الجهاز الموحد) عن طريق كتابة nvidia-smi. بعد ذلك ، قم بتثبيت الإصدار 1.8.1 من PyTorch عن طريق تشغيل الأمر conda install pytorch == 1.8.1 torchvision == 0.9.1 torchaudio == 0.8.1 cudatoolkit = 11.0 -c pytorch.
  3. يعمل للتعرف على النموذج
    ملاحظة: استخدم PyTorch لبناء Mikania micrantha نموذج التعرف المستخدم في هذه الورقة. نموذج الشبكة المستخدم هو ResNet10121، والتي تظل متسقة مع الورقة الأصلية في بنيتها. يتم إجراء تعديلات على قسم إخراج الشبكة لتلبية متطلبات التعرف على البابونج.
    1. قم بمعالجة الصور مسبقا لإعدادها لإدخال النموذج. قم بتغيير حجم الصور من 280 × 280 بكسل إلى 224 × 224 بكسل وتطبيعها للتأكد من أنها تلبي متطلبات حجم النموذج باستخدام الكود التالي:
      تحويل = تحويلات. يؤلف([
      التحويلات. تغيير الحجم ((224 ، 224)) ،
      التحويلات. توتنسور () ،
      التحويلات. تطبيع ([0.485 ، 0.456 ، 0.406] ، [0.229 ، 0.224 ، 0.225])])
    2. قم بإجراء استخراج ميزة الصورة وتقليل الأبعاد باستخدام شبكة عصبية تلافيفية.
      1. أولا ، قم بتهيئة الطبقة التلافيفية لاستخراج الميزة الأولية من خلال self.conv1. باستخدام هذه الطبقة التلافيفية ، يتم دمج الصورة الأصلية في خريطة معالم مع قنوات self.in_channel لاستخراج الميزات الأولية (الشكل التكميلي 3A).
        ملاحظة: يتم استخراج الميزات المتقدمة في عملية الالتفاف على الممرات المتبقية. يتم إنتاج هذه الطبقات عن طريق استدعاء وظيفة _make_layer ، والتي تضم سلسلة من الكتل المتبقية. تتكون كل كتلة متبقية من وظائف الالتفاف وتطبيع الدفعات والتنشيط لاستخراج الميزات المتطورة تدريجيا (الشكل التكميلي 3B).
      2. استخدم وظيفة الطبقة لتعديل رقم القناة لتقليل الأبعاد عبر التفاف 1x1. تقلل هذه العملية من الحمل الحسابي مع الحفاظ على الميزات المهمة (الشكل التكميلي 3C).
        ملاحظة: بشكل عام، يقوم ResNet101 باستخراج الميزات باستخدام طبقات تلافيفية مختلفة، ويتم تحقيق تقليل الأبعاد من خلال الطبقات التلافيفية 1x1 داخل الكتلة المتبقية. يسمح هذا النهج للشبكة بتعلم الميزات بشكل أعمق وتجنب مشكلة التلاشي المتدرج ، وبالتالي تمكين التعلم والتمثيل الأكثر كفاءة لميزات الصورة للمهام المعقدة.
      3. بعد التلافيف وعمليات التجميع ، أدخل الميزات عالية الجودة في طبقة متصلة بالكامل.
        ملاحظة: في بنية ResNet، يتم استخراج المعالم في الطبقة التلافيفية. يتم إرسال هذه الميزات لاحقا إلى طبقة (FC) المتصلة بالكامل للتصنيف (الشكل التكميلي 4). تقوم العملية self.avgpool(x) بإجراء تجميع متوسط تكيفي لإعادة تشكيل الموتر إلى حجم ثابت. تقوم عملية torch.flatten (x ، 1) بنشر الموتر إلى متجه أحادي البعد ، ويطبق self.fc (x) الطبقة المتصلة بالكامل على المتجه المسطح ، ويعمل في النهاية كخطوة أخيرة للتصنيف. تمرر هذه العملية بشكل فعال الميزات المستخرجة من خلال الطبقة التلافيفية ، وتحولها إلى تنسيق مناسب للتصنيف عبر الطبقة المتصلة بالكامل.
      4. استخدم الدالة Softmax للحصول على الإخراج النهائي بناء على متطلبات التصنيف الثلاثة.
    3. تدريب نموذج التعرف متعدد الفئات باستخدام مجموعة البيانات من الخطوة 1.4. اضبط عدد التكرارات على 200 ومعدل تعلم أولي 0.0001. قلل معدل التعلم بمقدار الثلث كل 10 تكرارات بحجم دفعة 64. احفظ معلمات النموذج المثلى تلقائيا بعد كل تكرار (الشكل التكميلي 5).
    4. استخدم نموذج التعرف المدرب بدقة واجتاز الصورة الأصلية بشكل منهجي من الخطوة 1.2.2 لأغراض التعريف.
      1. قم بتكوين الخطوات الأفقية والرأسية بدقة عند 280 بكسل ، مما أدى إلى إنشاء خريطة توزيع شاملة تسلط الضوء على وجود النباتات الغازية داخل حدود منطقة الدراسة. اعرض النتائج المحددة بصريا كما هو موضح في الشكل 4.
        ملاحظة: تتم معالجة الصورة الأولية مسبقا عن طريق تقسيمها إلى أجزاء أصغر ، وتصنيف كل قطعة باستخدام نموذج تعلم عميق مدرب ، ودمج النتائج في صورة مخرجات. إذا تم تصنيف قطعة على أنها نبات غازي ، تعيين الموقع المقابل في صورة الإخراج على 255. يتم حفظ الصورة الناتجة الناتجة كملف صورة بتدرج الرمادي. ويرد رمز التنفيذ المحدد في الشكل التكميلي 6.

3. تقدير الكتلة الحيوية النباتية الغازية

  1. قم بإجراء زيادة بسيطة للبيانات باستخدام وظائف RandomResizedCrop و RandomHorizontalFlip (الشكل التكميلي 7) لتوسيع مجموعة الصور التي تم إنشاؤها في الخطوة 1.2 واستخراج مؤشرات الغطاء النباتي الستة المستخدمة بشكل شائع لتقدير الكتلة الحيوية ، وهي RBRI و GPRI و GRRI و RGRI و NGBDI و NGRDI. راجع الجدول 1 للاطلاع على صيغ الحساب لهذه المؤشرات.
  2. قم بإنشاء نموذج انحدار الجار الأقرب K (KNNR) 22 باستخدام إخراج النموذج لضمان التقدير الدقيق للكتلة الحيوية للنباتات الغازية. استخدم مؤشرات الغطاء النباتي المستخرجة كمدخلات لنموذج التقدير.
  3. استخدم معامل التحديد R2 وجذر متوسط مربع الخطأ (RMSE)23 لتقييم دقة النموذج، والذي يتم حسابه على النحو التالي:
    figure-protocol-9263
    figure-protocol-9355
    ملاحظة: خوارزمية انحدار الجار K-Nearest (KNNR) هي تقنية تعلم آلي غير معلمية تستخدم لحل مشاكل الانحدار. مفهومها الأساسي هو التنبؤ بالنتائج من خلال تحديد أقرب جيران K في مساحة الميزة بناء على مسافات عينة الإدخال. تشمل الفوائد الرئيسية لاستخدام KNNR بساطته وسهولة فهمه ، ولا يتطلب أي مرحلة تدريب. بالإضافة إلى ذلك ، لا تضع KNNR افتراضات مفرطة حول توزيع البيانات. يمكن تطبيق KNNR في قضايا الانحدار لتوقع المتغيرات الموضوعية المستمرة وتقييم الكتلة الحيوية للنباتات الغازية بدقة.
  4. استخدم نموذج تقدير الكتلة الحيوية فوق الأرض المختار في الخطوة 3.2 وقم بمسح خريطة توزيع النباتات الغازية من الخطوة 2.3.4 بخطوات أفقية ورأسية تبلغ 280 بكسل.

النتائج

نعرض نتائج تمثيلية لطريقة قائمة على رؤية الكمبيوتر لتقدير النباتات الغازية ، والتي يتم تنفيذها بطريقة برمجية على الكمبيوتر. في هذه التجربة ، قمنا بتقييم التوزيع المكاني وتقدير الكتلة الحيوية للنباتات الغازية في موائلها الطبيعية ، باستخدام Mikania micrantha كموضوع بحثي. استخدمنا نظام كامير...

Discussion

نقدم الخطوات التفصيلية لتجربة حول تقدير الكتلة الحيوية للنباتات الغازية باستخدام الاستشعار عن بعد للطائرات بدون طيار ورؤية الكمبيوتر. العملية والخطوات الرئيسية لهذه الاتفاقية موضحة في الشكل 7. تعد جودة العينة المناسبة أحد أكثر جوانب البرنامج أهمية وتحديا. تنطبق هذه الأه...

Disclosures

ليس لدى المؤلفين ما يكشفون عنه.

Acknowledgements

يشكر المؤلف الأكاديمية الصينية للعلوم الزراعية وجامعة قوانغشي على دعم هذا العمل. تم دعم العمل من قبل البرنامج الوطني للبحث والتطوير الرئيسي في الصين (2022YFC2601500 و 2022YFC2601504) ، والمؤسسة الوطنية للعلوم الطبيعية في الصين (32272633) ، وبرنامج شنتشن للعلوم والتكنولوجيا (KCXFZ20230731093259009)

Materials

NameCompanyCatalog NumberComments
DSLR cameraNikonD850Sensor type: CMOS; Maximum number of pixels: 46.89 million; Effective number of pixels: 45.75 million; Maximum resolution 8256 x 5504.
GPU - Graphics Processing UnitNVIDIA RTX3090
HexacopterDJI M600PROHorizontal flight: 65 km/h (no wind environment); Maximum flight load: 6000 g
PyCharmPython IDE2023.1
PythonPython3.8.0
PytorchPytorch1.8.1

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).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

204 K

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved