הערכת ביומסה מבוססת ראייה ממוחשבת לצמחים פולשים

Summary

אנו מדווחים על נהלים מפורטים לשיטת הערכת ביומסה של צמחים פולשים, המשתמשת בנתונים המתקבלים מחישה מרחוק של כלי טיס בלתי מאוישים (כטב"מים) כדי להעריך ביומסה וללכוד את ההתפלגות המרחבית של מינים פולשים. גישה זו הוכחה כמועילה ביותר לביצוע הערכת סיכונים והתרעה מוקדמת על צמחים פולשים.

Abstract

אנו מדווחים על השלבים המפורטים של שיטה להערכת הביומסה של צמחים פולשים בהתבסס על חישה מרחוק של מל"טים וראייה ממוחשבת. כדי לאסוף דגימות מאזור המחקר, הכנו מכלול ריבועי מדגם כדי לחלק את נקודות הדגימה באופן אקראי. מערכת מצלמות אוויריות בלתי מאוישות נבנתה באמצעות רחפן ומצלמה כדי לקבל תמונות RGB רציפות של אזור המחקר באמצעות ניווט אוטומטי. לאחר השלמת הצילום, נאספה הביומסה העילית במסגרת הדגימה, וכל ההתכתבויות סומנו ונארזו. נתוני הדגימה עובדו, ותצלומי האוויר חולקו לתמונות קטנות של 280 x 280 פיקסלים כדי ליצור מערך נתוני תמונה. רשת עצבית קונבולוציונית עמוקה שימשה למיפוי תפוצתו של Mikania micrantha באזור המחקר, והתקבל מדד הצמחייה שלו. האורגניזמים שנאספו יובשו, והמשקל היבש נרשם כביומסה של אמת הקרקע. מודל רגרסיה ביומסה של צמחים פולשים נבנה באמצעות רגרסיה של שכן קרוב K (KNNR) על ידי חילוץ אינדקס הצמחייה מתמונות הדגימה כמשתנה בלתי תלוי ושילובו עם ביומסת האמת הקרקעית כמשתנה תלוי. התוצאות הראו כי ניתן לחזות את הביומסה של צמחים פולשים במדויק. מפת פיזור מרחבית מדויקת של ביומסה של צמחים פולשים נוצרה על ידי חציית תמונה, המאפשרת זיהוי מדויק של אזורים בסיכון גבוה המושפעים מצמחים פולשים. לסיכום, מחקר זה מדגים את הפוטנציאל של שילוב חישה מרחוק של כלי טיס בלתי מאוישים עם טכניקות למידת מכונה כדי להעריך ביומסה פולשנית של צמחים. היא תורמת באופן משמעותי למחקר של טכנולוגיות ושיטות חדשות לניטור בזמן אמת של צמחים פולשים ומספקת תמיכה טכנית לניטור חכם והערכת סיכונים בקנה מידה אזורי.

Introduction

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.

Protocol

1. הכנת מערכי נתונים

1. בחירת אובייקט המחקר
   1. בחר דגימות בדיקה בהתבסס על מוקד המחקר הניסויי, תוך התחשבות באפשרויות כמו Mikania micrantha או צמחים פולשים אחרים.
2. איסוף תמונות מכלי טיס בלתי מאוישים
   1. הכינו מסגרות פלסטיק מרובעות בגודל 0.5 מ' * 0.5 מ' ובכמות 25-50, בהתאם לגודל השטח הנלמד.
   2. השתמש בגישת דגימה אקראית כדי לקבוע את מיקומי דגימת הקרקע באזור המחקר באמצעות מספר מספיק של דגימות ביומסה. מקמו את מסגרת הדגימה אופקית מעל הצמחייה, והקיפו את הצמחים במלואם עם מרחק הפרדה מינימלי של 2 מ' בין כל צמח.
   3. השתמשו ברחפן ובמצלמה כדי ליצור מערכת צילום לחישה מרחוק של כטב"מים, כפי שמוצג באיור 1.
   4. השתמש במל"ט כדי להתוות את המסלול בתוך אזור המחקר שצוין. מערך תכנון המסלול מוצג באיור 2.
      1. קבע שיעור חפיפה של 70 ראש וצד, צלם תמונות במרווחי זמן אחידים של 2 שניות, שמור על זווית המצלמה בניצב לקרקע ב- 90° ומקם את גובה המצלמה על 30 מ'. התוצאה הייתה נתוני תמונה גלויים רציפים של אזור המחקר ברזולוציית תמונה אחת בגודל 8256 x 5504 פיקסלים, כפי שמתואר באיור 3.
   5. אחסן תצלומי אוויר לעיבוד עוקב באמצעות תוכנת Python להערכת ביומסה.
3. איסוף הביומסה מעל פני הקרקע
   1. אסוף את הביומסה העילית של Mikania micrantha באופן ידני בתוך כל חלקת דגימה לאחר השלמת איסוף נתוני המזל"ט. שקית אותם ותייגו כל שקית בהתאם.
      1. בעת איסוף Mikania micrantha, למנוע חלקות מדגם לזוז. ראשית, חתכו את Mikania micrantha לאורך הקצה הפנימי של חלקת הדגימה.
      2. לאחר מכן, לחתוך את קנה השורש של Mikania micrantha מלמטה. הסירו לכלוך, סלעים או צמחים אחרים שמעורבבים בהם. לבסוף, שקית ותייגו את הדגימות.
   2. הביאו את הדגימות שנאספו של צמחים פולשים משלב 1.3.1 למעבדה. ייבשו באוויר את כל הדגימות שנאספו כדי לאדות את רוב הלחות.
   3. כדי להסיר לחות נוספת מדגימות מיובשות באוויר, השתמשו בתנור. הגדר את הטמפרטורה ל 55 °C. יבש את הדגימות במשך 72 שעות, ולאחר מכן שקול כל דגימה על איזון אלקטרוני ורשום את נתוני הביומסה בגרמים (g).
      1. הניחו את האיזון האלקטרוני בסביבה ללא הפרעה, שקלו, כיילו והמשיכו לשקול. הניחו שקיות של Mikania micrantha על האיזון האלקטרוני, המתינו שהקריאות יתייצבו ותיעדו את הקריאות.
      2. שקלו את המיקניה מיקרנטה כל שעה עד שהמסה כבר לא תשתנה ותיעדו את הקריאה פחות משקל השקית כמסה הנמדדת של אותה דגימה. חשב את הביומסה מעל פני הקרקע של הצמח הפולש באמצעות הנוסחה הבאה:
         
         כאשר B מייצג את הביומסה של Mikania micrantha בגרמים למטר רבוע (g/m²), M הוא המשקל של Mikania micrantha הנמדד, הנמדד בגרמים (g), S מתאים לשטח חלקת המדגם במטרים רבועים (m²).
4. יצירת ערכת נתונים
   1. חלצו את תמונת RGB המתאימה לתמונת הדגימה מתמונת הכטב"ם המקורית. חלקו אותו לרשת של 280 × 280 פיקסלים באמצעות תכנות Python (Supplementray איור 1).
   2. פלחו את נתוני התמונה הגולמית לתמונות קטנות יותר באותו גודל כמו התמונות לדוגמה באמצעות תכנות Python. השתמש בשיטת חלון ההזזה לסגמנטציה, והגדר את השלבים האופקיים והאנכיים ל- 280 פיקסלים.
   3. מתוך התמונות הקטנות המחולקות לשלב 1.4.2, בחר באופן אקראי 880 תמונות צמחים פולשים ו- 1500 תמונות רקע כדי ליצור ערכת נתונים. לאחר מכן, פצלו את מערך הנתונים הזה לערכות אימון, אימות ובדיקות ביחס של 6:2:2 (Supplementray איור 2).

2. זיהוי של Mikania micrantha

1. הכנת התוכנה
   1. עבור אל האתר הרשמי של אנקונדה (https://www.anaconda.com/) והורד והתקן את אנקונדה. לאחר מכן, עבור אל אתר האינטרנט של PyCharm (https://www.jetbrains.com/pycharm/) והורד את PyCharm IDE.
2. יצירת סביבת Conda.
   1. פתח את שורת הפקודה של Anaconda Prompt לאחר התקנת Anaconda, ולאחר מכן הקלד conda create -n pytorch python==3.8 כדי ליצור סביבת Conda חדשה. לאחר יצירת הסביבה, הזן מידע קונדה --envs כדי לאשר שסביבת pytorch קיימת.
   2. פתח את בקשת אנקונדה והפעל את סביבת pytorch על ידי הזנת conda activate pytorch. בדוק את גירסת CUDA הנוכחית (Compute Unified Device Architecture) על-ידי הקלדת nvidia-smi. לאחר מכן, התקן את PyTorch גרסה 1.8.1 על ידי הפעלת הפקודה conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.0 -c pytorch.
3. פועל לזיהוי דגמים
   הערה: השתמש ב- PyTorch כדי לבנות את Mikania micrantha מודל הזיהוי המשמש במאמר זה. מודל הרשת בו נעשה שימוש הוא ResNet101²¹אשר נשאר עקבי עם המאמר המקורי בארכיטקטורה שלו., שינויים מתבצעים בסעיף הפלט של הרשת כדי לעמוד בדרישות לזיהוי קמומיל.
   1. עיבדו מראש את התמונות כדי להכין אותן לקלט הדגם. שנה את גודל התמונות מ- 280 x 280 פיקסלים ל- 224 x 224 פיקסלים ונמל אותן כדי להבטיח שהן עומדות בדרישות הגודל של הדגם באמצעות הקוד הבא:
      שינוי צורה = שינוי צורה. קומפוז([
      המרות. שינוי גודל((224, 224)),
      המרות. ToTensor(),
      המרות. לנרמל ([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
   2. בצע חילוץ תכונות תמונה והפחת ממדיות באמצעות רשת עצבית קונבולוציונית.
      1. ראשית, אתחל את שכבת הקונבולוציה לחילוץ התכונות הראשוני באמצעות self.conv1. עם שכבת הפיתול הזו, התמונה המקורית מפותלת למפת תכונות עם self.in_channel ערוצים לחילוץ תכונות ראשוניות (איור משלים 3A).
         הערה: תכונות מתקדמות מחולצות בפעולת פיתול במעברים השיוריים. שכבות אלה מיוצרות על ידי הפעלת פונקציית _make_layer , הכוללת רצף של בלוקים שיורית. כל בלוק שיורי מורכב מפונקציות פיתול, נורמליזציה של אצווה והפעלה כדי לחלץ בהדרגה תכונות מתוחכמות (איור משלים 3B).
      2. השתמש בפונקציית השכבה כדי לשנות את מספר הערוץ להפחתת ממדיות באמצעות פיתול 1x1. פעולה זו מפחיתה את העומס החישובי תוך שמירה על תכונות משמעותיות (איור משלים 3C).
         הערה: בסך הכל, ResNet101 מבצע חילוץ תכונות באמצעות שכבות קונבולוציה שונות, והפחתת ממדיות מושגת באמצעות שכבות קונבולוציה 1x1 בתוך הבלוק השיורי. גישה זו מאפשרת לרשת ללמוד תכונות באופן מעמיק יותר ולהימנע מבעיית היעלמות הדרגתית, ובכך מאפשרת למידה יעילה יותר וייצוג של תכונות תמונה למשימות מורכבות.
      3. לאחר פיתולים ופעולות איגום, הזן את התכונות האיכותיות לשכבה מחוברת במלואה.
         הערה: בארכיטקטורת ResNet, חילוץ התכונות מתבצע בשכבת הפיתול. תכונות אלה נשלחות לאחר מכן לשכבת החיבור המלא (FC) לצורך סיווג (איור משלים 4). הפעולה self.avgpool(x) מבצעת איגום ממוצע אדפטיבי כדי לעצב מחדש את הטנזור לגודל קבוע. הפעולה torch.flatten(x, 1) מפזרת את הטנזור לווקטור חד-ממדי, ו-self.fc(x) מיישמת את השכבה המחוברת במלואה לווקטור השטוח, ובסופו של דבר משמשת כשלב האחרון לסיווג. תהליך זה מעביר ביעילות את התכונות שחולצו דרך שכבת הפיתול, והופך אותן לפורמט המתאים לסיווג באמצעות השכבה המחוברת במלואה.
      4. השתמש בפונקציה Softmax כדי לקבל את הפלט הסופי בהתבסס על שלוש דרישות הסיווג.
   3. תרגל מודל זיהוי רב-שכבתי עם ערכת הנתונים משלב 1.4. הגדר את מספר האיטרציות ל- 200 וקצב למידה התחלתי של 0.0001. הפחיתו את קצב הלמידה בשליש כל 10 חזרות עם גודל אצווה של 64. שמור את פרמטרי המודל האופטימליים באופן אוטומטי לאחר כל איטרציה (איור משלים 5).
   4. השתמש במודל זיהוי מיומן בקפידה וחצה באופן שיטתי את התמונה המקורית משלב 1.2.2 למטרות זיהוי.
      1. הגדר צעדים אופקיים ואנכיים בדיוק ב 280 פיקסלים, וכתוצאה מכך יצירת מפת הפצה מקיפה המדגישה את נוכחותה של צמחייה פולשת בתוך גבולות אזור המחקר. הצג את התוצאות שנבחרו באופן חזותי כפי שמוצג באיור 4.
         הערה: התמונה הראשונית מעובדת מראש על ידי פילוח שלה לגושים קטנים יותר, סיווג כל גוש באמצעות מודל למידה עמוקה מאומן, ושילוב התוצאות לתמונת פלט. אם גוש מסווג כצמח פולש, המיקום המתאים בתמונת הפלט מוגדר ל- 255. תמונת הפלט המתקבלת נשמרת כקובץ תמונה בגווני אפור. קוד היישום הספציפי מוצג באיור משלים 6.

3. הערכת ביומסה פולשת של צמחים

1. בצע הגדלת נתונים פשוטה באמצעות הפונקציות RandomResizedCrop ו - RandomHorizontalFlip (איור משלים 7) כדי להרחיב את ערכת התמונות שנוצרה בשלב 1.2 ולחלץ את ששת מדדי הצמחייה המשמשים בדרך כלל להערכת ביומסה, שהם RBRI, GBRI, GRRI, RGRI, NGBDI ו- NGRDI. עיין בלוח 1 לקבלת נוסחאות החישוב של מדדים אלה.
2. צור מודל K-nearest neighbor regression (KNNR)²² באמצעות פלט המודל כדי להבטיח הערכה מדויקת של הביומסה של צמחים פולשים. השתמש במדדי הצמחייה שחולצו כתשומות למודל האומדן.
3. השתמש במקדם הקביעה R² וב- Root Mean Square Error (RMSE)²³ כדי להעריך את דיוק המודל, המחושב באופן הבא:
   
   
   הערה: אלגוריתם K-Nearest Neighbor Regression (KNNR) הוא טכניקת למידת מכונה לא פרמטרית המשמשת לפתרון בעיות רגרסיה. הרעיון הבסיסי שלה הוא לחזות תוצאות על ידי קביעת שכני K הקרובים ביותר במרחב התכונות בהתבסס על מרחקי דגימת קלט. היתרונות העיקריים של השימוש ב- KNNR כוללים את הפשטות וקלות ההבנה שלו, והוא אינו דורש שלב הכשרה. בנוסף, KNNR אינה מניחה הנחות מוגזמות לגבי התפלגות הנתונים. KNNR יכול להיות מיושם בבעיות רגרסיה כדי לצפות משתנים אובייקטיביים מתמשכים ולהעריך במדויק את הביומסה של צמחים פולשים.
4. השתמש במודל הערכת הביומסה מעל פני הקרקע שנבחר בשלב 3.2 וסרוק את מפת התפלגות הצמחים הפולשים משלב 2.3.4 בצעדים אופקיים ואנכיים של 280 פיקסלים.

תוצאות

אנו מציגים תוצאות מייצגות של שיטה מבוססת ראייה ממוחשבת להערכת צמחים פולשים, המיושמת באופן תכנותי במחשב. בניסוי זה הערכנו את ההתפלגות המרחבית והערכנו את הביומסה של צמחים פולשים בסביבתם הטבעית, תוך שימוש במיקניה מיקרנטה כנושא מחקר. השתמשנו במערכת מצלמות רחפן כדי להשיג תמונות של אתר המ...

Discussion

אנו מציגים את השלבים המפורטים של ניסוי להערכת הביומסה של צמחים פולשים באמצעות חישה מרחוק של מל"טים וראייה ממוחשבת. התהליך והשלבים העיקריים של הסכם זה מוצגים באיור 7. איכות מדגם נכונה היא אחד ההיבטים המכריעים והמאתגרים ביותר של התוכנית. חשיבות זו נכונה לכל הצמחים הפולשים כמ...

Materials

Name	Company	Catalog Number	Comments
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