Um die Software vorzubereiten, laden Sie Anaconda von der offiziellen Website herunter und installieren Sie es. Starten Sie das PyCharm IDE-Programm. Öffnen Sie dann die Befehlszeile der Anaconda-Eingabeaufforderung und geben Sie conda create n pytorch python=3.8 ein, um eine neue Conda-Umgebung zu erstellen.
Nachdem die Umgebung erstellt wurde, geben Sie conda info envs ein, um zu bestätigen, dass die PyTorch-Umgebung vorhanden ist. Öffnen Sie die Anaconda-Eingabeaufforderung und aktivieren Sie die PyTorch-Umgebung, indem Sie conda activate pytorch eingeben. Geben Sie nvidia-smi ein, um die aktuelle CUDA-Version (Compute Unified Device Architecture) zu überprüfen, und installieren Sie dann PyTorch Version 1.8.1, indem Sie den Befehl ausführen conda install pytorch=1.8.1 torchvision=0.9.1 torchaudio=0.8.1 cudatoolkit=11.0 c pytorch.
Um die Modellerkennung auszuführen, verarbeiten Sie die Bilder vor, um sie für die Modelleingabe vorzubereiten. Ändern Sie mithilfe des angezeigten Codes die Größe der Bilder von 280 x 280 Pixel auf 224 x 224 Pixel, und normalisieren Sie sie, um sicherzustellen, dass sie den Anforderungen an die Modellgröße entsprechen. Trainieren Sie ein Erkennungsmodell mit mehreren Klassen mit dem bereits erstellten Datensatz, indem Sie die Anzahl der Iterationen auf 200 und eine anfängliche Lernrate von 0,0001 festlegen.
Reduzieren Sie die Lernrate alle 10 Iterationen um ein Drittel mit einer Batchgröße von 64. Speichern Sie die optimalen Modellparameter automatisch nach jeder Iteration. Klicken Sie mit der rechten Maustaste, und drücken Sie Skript ausführen.
Verwenden Sie dann ein akribisch trainiertes Erkennungsmodell und durchlaufen Sie systematisch das Originalbild zu Identifikationszwecken. Konfigurieren Sie horizontale und vertikale Schritte präzise bei 280 Pixeln, um eine umfassende Verbreitungskarte zu erstellen, die das Vorhandensein invasiver Flora innerhalb der Grenzen des Untersuchungsgebiets hervorhebt. Präsentieren Sie die ausgewählten Ergebnisse visuell.
Führen Sie eine einfache Datenerweiterung mit einem zufällig verkleinerten Zuschnitt und zufälligen horizontalen Spiegelfunktionen durch. Um den Bildsatz zu erweitern, extrahieren Sie die sechs Vegetationsindizes. Um eine genaue Abschätzung der Biomasse invasiver Pflanzen zu gewährleisten, erstellen Sie ein K-Nearest-Neighbor-Regressionsmodell unter Verwendung der Ausgabe und der extrahierten Vegetationsindizes als Eingaben. Mikania micrantha konnte dabei beobachtet werden, wie sie auf die mit weißen Blüten geschmückte Pflanze kletterte, die anderen Pflanzen sowie die Straße und die begleitenden Elemente wurden einheitlich im Hintergrund dargestellt.
Das Modell erkannte den roten Teil als Mikania micrantha, was eine robuste Detektion in komplexen Hintergründen zeigt. Die Regressionsanalyse zeigte eine starke Vorhersageleistung mit einem R-Quadrat-Wert von 0,62 und einem RMSE von 10,56 Gramm pro Quadratmeter. Das Modell verbesserte die Genauigkeit der Schätzung der Kamillenbiomasse, und die räumliche Verteilungskarte erfasste effektiv die Verteilung der Kamillenbiomasse.
