כדי להכין את התוכנה, להוריד ולהתקין Anaconda מהאתר הרשמי שלה. הפעל את תוכנית PyCharm IDE. לאחר מכן פתח את שורת הפקודה של אנקונדה והקלד conda create n pytorch python=3.8 כדי ליצור סביבת Conda חדשה.
לאחר יצירת הסביבה, הזן conda info envs כדי לאשר שסביבת PyTorch קיימת. פתח את הפקודה Anaconda והפעל את סביבת PyTorch על ידי הזנת conda activate pytorch. הקלד nvidia-smi כדי לבדוק את ארכיטקטורת התקן המחשוב המאוחדת הנוכחית, או גרסת CUDA, ולאחר 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.
כדי להפעיל את זיהוי הדגם, עבד מראש את התמונות כדי להכין אותן לקלט מודל. באמצעות הקוד המוצג, שנה את גודל התמונות מ- 280 על 280 פיקסלים ל- 224 על 224 פיקסלים, ונמל אותן כדי להבטיח שהן עומדות בדרישות גודל הדגם. אמן מודל זיהוי רב-כיתתי עם מערך הנתונים שכבר נוצר על-ידי הגדרת מספר האיטרציות ל- 200 וקצב למידה ראשוני 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. לחץ באמצעות לחצן העכבר הימני ולחץ על הפעל קובץ Script.
לאחר מכן השתמש במודל זיהוי מיומן בקפידה וחצה באופן שיטתי את התמונה המקורית למטרות זיהוי. הגדר צעדים אופקיים ואנכיים בדיוק ב- 280 פיקסלים כדי ליצור מפת תפוצה מקיפה, המדגישה את נוכחותה של צמחייה פולשת בתוך גבולות אזור המחקר. הצג את התוצאות שנבחרו באופן חזותי.
בצע הגדלת נתונים פשוטה עם חיתוך אקראי שגודלו השתנה ופונקציות היפוך אופקיות אקראיות. כדי להרחיב את ערכת התמונות ולחלץ את ששת מדדי הצמחייה. כדי להבטיח הערכה מדויקת של הביומסה של צמחים פולשים, צרו מודל רגרסיה של השכן הקרוב ביותר K באמצעות התפוקה ומדדי הצמחייה שחולצו, כאשר ניתן היה לראות קלט Mikania micrantha מטפס על גבי הצמח המעוטר בפרחים לבנים, הצמחים האחרים, כמו גם הכביש, ואלמנטים נלווים תוארו באופן אחיד ברקע.
המודל זיהה את החלק האדום כמיקניה מיקרנתה, והפגין זיהוי חזק ברקעים מורכבים. ניתוח הרגרסיה הראה ביצועי ניבוי חזקים עם ערך R בריבוע של 0.62 ו-RMSE של 10.56 גרם למ"ר. המודל שיפר את הדיוק של הערכת ביומסה של קמומיל, ומפת ההתפלגות המרחבית לכדה ביעילות את התפלגות הביומסה של קמומיל.