Para preparar o software, baixe e instale o Anaconda em seu site oficial. Inicie o programa PyCharm IDE. Em seguida, abra a linha de comando do prompt do Anaconda e digite conda create n pytorch python=3.8 para criar um novo ambiente Conda.
Depois que o ambiente for criado, insira conda info envs para confirmar se o ambiente PyTorch existe. Abra o prompt do Anaconda e ative o ambiente PyTorch digitando conda activate pytorch. digite nvidia-smi para verificar a versão atual da arquitetura de dispositivo unificado de computação ou CUDA e, em seguida, instale o PyTorch versão 1.8.1 executando o comando conda install pytorch=1.8.1 torchvision=0.9.1 torchaudio=0.8.1 cudatoolkit=11.0 c pytorch.
Para executar o reconhecimento do modelo, pré-processe as imagens para prepará-las para a entrada do modelo. Usando o código exibido, redimensione as imagens de 280 por 280 pixels para 224 por 224 pixels e normalize-as para garantir que atendam aos requisitos de tamanho do modelo. Treine um modelo de reconhecimento multiclasse com o conjunto de dados já criado definindo o número de iterações como 200 e uma taxa de aprendizado inicial de 0,0001.
Reduza a taxa de aprendizado em um terço a cada 10 iterações com um tamanho de lote de 64. Salve os parâmetros ideais do modelo automaticamente após cada iteração. Clique com o botão direito do mouse e pressione executar script.
Em seguida, empregue um modelo de reconhecimento meticulosamente treinado e percorra sistematicamente a imagem original para fins de identificação. Configure etapas horizontais e verticais com precisão de 280 pixels para resultar na geração de um mapa de distribuição abrangente, destacando a presença de flora invasora dentro dos limites da área de estudo. Apresente os resultados selecionados visualmente.
Execute um aumento de dados simples com um corte redimensionado aleatório e funções de inversão horizontal aleatórias. Para estender o conjunto de imagens e extrair os seis índices de vegetação. Para garantir uma estimativa precisa da biomassa de plantas invasoras, crie um modelo de regressão do vizinho mais próximo K usando a saída e os índices de vegetação extraídos como entradas. Mikania micrantha pode ser observada subindo no topo da planta adornada com flores brancas, as outras plantas, bem como a estrada, e os elementos que a acompanham foram representados uniformemente ao fundo.
O modelo reconheceu a parte vermelha como Mikania micrantha, demonstrando detecção robusta em fundos complexos. A análise de regressão demonstrou forte desempenho preditivo com um valor de R ao quadrado de 0,62 e um RMSE de 10,56 gramas por metro quadrado. O modelo aumentou a precisão da estimativa da biomassa de camomila, e o mapa de distribuição espacial capturou efetivamente a distribuição da biomassa de camomila.
