使用无人机 （UAV） 获得的数据鉴定和生物量估计 Mikania micrantha

要准备软件，请从其官方网站下载并安装 Anaconda。启动 PyCharm IDE 程序。然后打开 Anaconda 提示符命令行并键入 conda create n pytorch python=3.8 以创建新的 Conda 环境。

创建环境后，输入 conda info envs 以确认 PyTorch 环境存在。打开 Anaconda 提示符，然后输入 conda activate pytorch 激活 PyTorch 环境。键入 nvidia-smi 以检查当前的计算统一设备架构或 CUDA 版本，然后通过运行命令 conda install pytorch=1.8.1 torchvision=0.9.1 torchaudio=0.8.1 cudatoolkit=11.0 c pytorch 安装 PyTorch 版本 1.8.1。

要运行模型识别，请对图像进行预处理，以便为模型输入做好准备。使用显示的代码，将图像的大小从 280 x 280 像素调整为 224 x 224 像素，并对其进行标准化以确保它们满足模型大小要求。通过将迭代次数设置为 200 并将初始学习率设置为 0.0001，使用已创建的数据集训练多类识别模型。

每 10 次迭代将学习率降低 1/3，批处理大小为 64。每次迭代后自动保存最佳模型参数。右键单击并按 run script。

然后采用经过精心训练的识别模型，并系统地遍历原始图像以进行识别。在 280 像素处精确配置水平和垂直步长，以生成综合分布图，突出显示研究区域边界内入侵植物群的存在。直观地显示所选结果。

使用随机调整大小的裁剪和随机水平翻转函数执行简单的数据增强。扩展图像集并提取 6 个植被指数。为了确保精确估计入侵植物的生物量，使用输出和提取的植被指数作为输入创建一个 K 最近邻回归模型可以观察到 Mikania micrantha 爬在装饰着白色花朵的植物、其他植物以及道路上，伴随元素在背景中统一描绘。

该模型将红色部分识别为 Mikania micrantha，展示了在复杂背景下的稳健检测。回归分析显示具有很强的预测性能，R 平方值为 0.62，RMSE 为 10.56 克/平方米。该模型提高了洋甘菊生物量估算的准确性，空间分布图有效地捕捉了洋甘菊生物量的分布。