İstilacı Bitkiler için Bilgisayarlı Görü Tabanlı Biyokütle Tahmini

Özet

Biyokütleyi değerlendirmek ve istilacı türlerin mekansal dağılımını yakalamak için insansız hava aracı (İHA) uzaktan algılamasından elde edilen verileri kullanan istilacı bir bitki biyokütle tahmin yöntemi için ayrıntılı prosedürleri rapor ediyoruz. Bu yaklaşım, istilacı bitkilerin tehlike değerlendirmesi ve erken uyarısı için oldukça faydalı olduğunu kanıtlamaktadır.

Özet

İHA, uzaktan algılama ve bilgisayar görüşüne dayalı olarak istilacı bitkilerin biyokütlesini tahmin etmek için bir yöntemin ayrıntılı adımlarını rapor ediyoruz. Çalışma alanından numune toplamak için, numune alma noktalarını randomize etmek için bir numune kare düzeneği hazırladık. Otomatik navigasyon yoluyla çalışma alanının sürekli RGB görüntülerini elde etmek için bir drone ve kamera kullanılarak insansız hava kamera sistemi inşa edildi. Çekimler tamamlandıktan sonra numune karesindeki yer üstü biyokütle toplanmış ve tüm yazışmalar etiketlenerek paketlenmiştir. Örnek veriler işlendi ve hava görüntüleri, bir görüntü veri kümesi oluşturmak için 280 x 280 piksellik küçük görüntülere bölündü. Mikania micrantha'nın çalışma alanındaki dağılımını haritalamak için derin bir evrişimli sinir ağı kullanıldı ve bitki örtüsü indeksi elde edildi. Toplanan organizmalar kurutuldu ve kuru ağırlık, temel gerçek biyokütle olarak kaydedildi. İstilacı bitki biyokütle regresyon modeli, örnek görüntülerden bitki örtüsü indeksinin bağımsız bir değişken olarak çıkarılması ve bağımlı bir değişken olarak temel gerçek biyokütle ile entegre edilmesiyle K-en yakın komşu regresyonu (KNNR) kullanılarak oluşturulmuştur. Sonuçlar, istilacı bitkilerin biyokütlesini doğru bir şekilde tahmin etmenin mümkün olduğunu gösterdi. İstilacı bitki biyokütlesinin doğru bir mekansal dağılım haritası, istilacı bitkilerden etkilenen yüksek riskli alanların hassas bir şekilde tanımlanmasına olanak tanıyan görüntü geçişi ile oluşturuldu. Özetle, bu çalışma, istilacı bitki biyokütlesini tahmin etmek için insansız hava aracı uzaktan algılamasını makine öğrenimi teknikleriyle birleştirmenin potansiyelini göstermektedir. İstilacı bitkilerin gerçek zamanlı izlenmesi için yeni teknolojilerin ve yöntemlerin araştırılmasına önemli ölçüde katkıda bulunur ve bölgesel ölçekte akıllı izleme ve tehlike değerlendirmesi için teknik destek sağlar.

Giriş

Bu protokolde, İHA uzaktan algılama ve bilgisayar görüşüne dayalı önerilen istilacı biyokütle tahmini yöntemi, istilacı organizmaların dağılımını yansıtabilir ve istilacı biyolojik tehlikenin derecesini tahmin edebilir. İstilacı organizmaların dağılımı ve biyokütlesine ilişkin tahminler, bu organizmaların önlenmesi ve kontrolü için kritik öneme sahiptir. İstilacı bitkiler istila ettiğinde ekosisteme zarar verebilir ve büyük ekonomik kayıplara neden olabilir. İstilacı bitkilerin hızlı ve doğru bir şekilde tanımlanması ve temel istilacı bitki biyokütlesinin tahmin edilmesi, istilacı bitki izleme ve kontrolünde büyük zorluklardır. Bu protokolde, istilacı bitkilerin ekolojik araştırmaları için yeni bir yaklaşım ve yöntem sağlayan ve istilacı bitkilerin ekolojik araştırma ve yönetimini teşvik eden insansız havadan uzaktan algılama ve bilgisayar görüşüne dayalı istilacı bir bitki biyokütle tahmin yöntemini keşfetmek için Mikania micrantha'yı örnek alıyoruz.

Şu anda, Mikania micrantha'nın biyokütle ölçümü esas olarak manuel örnekleme¹ ile yapılmaktadır. Geleneksel biyokütle ölçüm yöntemleri, verimsiz ve arazi tarafından sınırlı olan çok sayıda iş gücü ve malzeme kaynağına ihtiyaç duyar; Mikania micrantha'nın bölgesel biyokütle tahmininin ihtiyaçlarını karşılamak zordur.Bu protokolün kullanılmasının en büyük avantajı, bölgesel istilacı bitki biyokütlesinin ve istilacı bitkilerin mekansal dağılımının, alanın örnekleme sınırlamalarını dikkate almayacak ve manuel araştırmalara olan ihtiyacı ortadan kaldıracak şekilde ölçülmesi için bir yöntem sağlamasıdır.

İHA uzaktan algılama teknolojisi, bitki biyokütle tahmininde belirli sonuçlar elde etmiş ve tarımda 2,3,4,5,6,7, ormancılıkta 8,9,10,11 ve otlaklarda 12,13,14 yaygın olarak kullanılmaktadır.. İHA uzaktan algılama teknolojisi, çalışma alanında uzaktan algılama görüntü verilerini verimli bir şekilde elde edebilen düşük maliyet, yüksek verimlilik, yüksek hassasiyet ve esnek çalışma^15,16 avantajlarına sahiptir; Daha sonra, geniş bir alanda bitki biyokütlesinin tahmini için veri desteği sağlamak üzere uzaktan algılama görüntüsünün doku özelliği ve bitki örtüsü indeksi çıkarılır. Mevcut bitki biyokütle tahmin yöntemleri temel olarak parametrik ve parametrik olmayan modeller olarak kategorize edilmektedir¹⁷. Makine öğrenmesi algoritmalarının gelişmesiyle birlikte, bitki biyokütlesinin uzaktan algılama tahmininde daha yüksek doğruluğa sahip parametrik olmayan makine öğrenmesi modelleri yaygın olarak kullanılmaktadır. Chen ve ^ark.18, Yunnan Eyaletindeki ormanların yer üstü biyokütlesini tahmin etmek için karışık lojistik regresyon (MLR), KNNR ve rastgele orman regresyonu (RFR) kullandı. Makine öğrenimi modellerinin, özellikle KNNR ve RFR'nin, MLR'ye kıyasla daha üstün sonuçlarla sonuçlandığı sonucuna vardılar. Yan ve ^ark.19, çeşitli değişken setleri kullanarak subtropikal orman biyokütlesini tahmin etmenin doğruluğunu değerlendirmek için RFR ve aşırı gradyan artırma (XGBR) regresyon modelleri kullandı. Tian ve ^ark.20, Beibuwan Körfezi'ndeki çeşitli mangrov orman türlerinin yer üstü biyokütlesini tahmin etmek için on bir makine öğrenimi modeli kullandı. Araştırmacılar, XGBR yönteminin mangrov ormanlarının yer üstü biyokütlesini belirlemede daha etkili olduğunu keşfettiler. İnsan-makine uzaktan algılama kullanarak bitki biyokütle tahmini iyi bilinen bir uygulamadır, ancak istilacı bitki Mikania micrantha'nın biyokütle tahmini için İHA kullanımı hem yurt içinde hem de yurt dışında henüz rapor edilmemiştir. Bu yaklaşım, istilacı bitkiler, özellikle de Mikania micrantha için önceki tüm biyokütle tahmin yöntemlerinden temel olarak farklıdır.

Özetlemek gerekirse, İHA uzaktan algılama, yüksek çözünürlük, yüksek verimlilik ve düşük maliyet avantajlarına sahiptir. Uzaktan algılama görüntülerinin özellik değişkeni çıkarımında, bitki örtüsü indeksleri ile birleştirilen doku özellikleri daha iyi regresyon tahmin performansı elde edebilir. Parametrik olmayan modeller, bitki biyokütle tahmininde parametrik modellere göre daha doğru regresyon modelleri elde edebilir. Bu nedenle, istilacı bitkilerin ve biyokütlelerinin boş dağılımını tam olarak hesaplamak için, İHA'lar ve bilgisayarla görme kullanarak uzaktan algılamaya dayanan istilacı bitki biyokütle deneyi için aşağıda belirtilen prosedürleri öneriyoruz.

Protokol

1. Veri setlerinin hazırlanması

1. Araştırma nesnesinin seçilmesi
   1. Mikania micrantha veya diğer istilacı bitkiler gibi seçenekleri göz önünde bulundurarak deneysel çalışmanın odağına göre test örneklerini seçin.
2. İHA görüntülerinin toplanması
   1. İncelenen alanın boyutuna bağlı olarak 0,5 m*0,5 m boyutunda ve 25-50 adet kare plastik çerçeveler hazırlayın.
   2. Yeterli sayıda biyokütle örneği kullanarak çalışma alanındaki toprak örnekleme konumlarını belirlemek için rastgele bir örnekleme yaklaşımı kullanın. Numune çerçevesini, her bitki arasında en az 2 m'lik bir ayırma mesafesi olacak şekilde bitkileri tam olarak kapsayacak şekilde bitki örtüsü üzerine yatay olarak yerleştirin.
   3. Şekil 1'de gösterildiği gibi bir İHA uzaktan algılama çekim sistemi oluşturmak için bir drone ve bir kamera kullanın.
   4. Belirtilen çalışma alanı içindeki rotayı çizmek için İHA'yı kullanın. Rota planlama kurulumu Şekil 2'de gösterilmiştir.
      1. %70'lik bir yön ve yan örtüşme oranı belirleyin, 2 s'lik tek tip zaman aralıklarında fotoğraf çekin, kamera açısını yere dik olarak 90°'de tutun ve kamera yüksekliğini 30 m'ye yerleştirin. Bu, Şekil 3'te gösterildiği gibi, 8256 x 5504 piksel ölçen tek bir görüntü çözünürlüğü ile çalışma alanının sürekli görünür görüntü verileri ile sonuçlandı.
   5. Biyokütle tahmini için Python yazılımıyla sonraki işlemler için havadan görüntüleri saklayın.
3. Yer üstü biyokütlenin toplanması
   1. Drone veri toplamayı tamamladıktan sonra Mikania micrantha'nın yer üstü biyokütlesini her bir numune grafiğinde manuel olarak toplayın. Onları torbalayın ve her torbayı buna göre etiketleyin.
      1. Mikania micrantha'yı toplarken, örnek parsellerin hareket etmesini önleyin. İlk olarak, Mikania micrantha'yı örnek çizimin iç kenarı boyunca kesin.
      2. Ardından, Mikania micrantha'nın köksapını alttan kesin. Karışan kiri, kayaları veya diğer bitkileri çıkarın. Son olarak, numuneleri torbalayın ve etiketleyin.
   2. Adım 1.3.1'den toplanan istilacı bitki örneklerini laboratuvara getirin. Nemin çoğunu buharlaştırmak için toplanan tüm numuneleri havayla kurutun.
   3. Havayla kurutulmuş numunelerdeki nemi daha fazla gidermek için bir fırın kullanın. Sıcaklığı 55 °C'ye ayarlayın. Numuneleri 72 saat kurutun, ardından her bir numuneyi elektronik terazide tartın ve biyokütle verilerini gram (g) cinsinden kaydedin.
      1. Elektronik teraziyi rahatsız edilmeyen bir ortama yerleştirin, tartın, kalibre edin ve tartmaya devam edin. Mikania micrantha torbalarını elektronik teraziye yerleştirin, okumaların stabilize olmasını bekleyin ve okumaları kaydedin.
      2. Mikania micrantha'yı kütle artık değişmeyene kadar her saat tartın ve okumayı eksi torbanın ağırlığını o numunenin ölçülen kütlesi olarak kaydedin. Aşağıdaki formülü kullanarak istilacı bitkinin yer üstü biyokütlesini hesaplayın:
         
         burada B , Mikania micrantha'nın biyokütlesini metrekare başına gram (g/^m2) cinsinden temsil eder, M, ölçülen Mikania micrantha'nın gram (g) cinsinden ağırlığıdır, S, örnek arsanın metrekare (^m2) cinsinden alanına karşılık gelir.
4. Veri kümesi oluşturma
   1. Orijinal İHA görüntüsünden örnek görüntüye karşılık gelen RGB görüntüsünü çıkarın. Python programlamayı kullanarak 280 × 280 piksellik bir ızgaraya bölün (Ek Şekil 1).
   2. Python programlamayı kullanarak ham görüntü verilerini örnek görüntülerle aynı boyutta daha küçük görüntülere segmentlere ayırın. Yatay ve dikey adımları 280 piksele ayarlayarak segmentasyon için kayan pencere yöntemini kullanın.
   3. Adım 1.4.2'de bölümlere ayrılmış küçük görüntülerden, bir veri kümesi oluşturmak için rastgele 880 istilacı bitki görüntüsü ve 1500 arka plan görüntüsü seçin. Ardından, bu veri kümesini 6:2:2 oranında eğitim, doğrulama ve test kümelerine bölün (Ek Şekil 2).

2. Mikania micrantha'nın Tanımlanması

1. Yazılımın hazırlanması
   1. Anaconda'nın resmi web sitesine (https://www.anaconda.com/) gidin ve Anaconda'yı indirin ve yükleyin. Ardından, PyCharm'ın web sitesine (https://www.jetbrains.com/pycharm/) gidin ve PyCharm IDE'yi indirin.
2. Bir Conda ortamı oluşturma.
   1. Anaconda'yı kurduktan sonra Anaconda Prompt komut satırını açın, ardından yeni bir Conda ortamı oluşturmak için conda create -n pytorch python==3.8 yazın. Ortam oluşturulduktan sonra, pytorch ortamının var olduğunu onaylamak için conda info --envs girin.
   2. Anaconda Komut İstemi'ni açın ve conda activate pytorch yazarak pytorch ortamını etkinleştirin. nvidia-smi yazarak geçerli (Compute Unified Device Architecture)CUDA sürümünü kontrol edin. Ardından, conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.0 -c pytorch komutunu çalıştırarak PyTorch 1.8.1 sürümünü yükleyin.
3. Model tanıma için çalışır
   NOT: PyTorch'u oluşturmak için Mikania micrantha Bu çalışmada tanıma modeli kullanılmıştır. Kullanılan ağ modeli ResNet101'dir²¹, mimarisinde orijinal kağıt ile tutarlı kalır. Papatya tanıma gereksinimlerini karşılamak için ağın çıkış bölümünde değişiklikler yapılır.
   1. Görüntüleri model girişine hazırlamak için önceden işleyin. Görüntüleri 280 x 280 pikselden 224 x 224 piksele yeniden boyutlandırın ve aşağıdaki kodu kullanarak modelin boyut gereksinimlerini karşıladıklarından emin olmak için normalleştirin:
      transform = dönüşümler. Oluştur([
      Dönüştüren. Yeniden boyutlandır((224, 224)),
      Dönüştüren. içinTensör(),
      Dönüştüren. Normalleştir([0,485, 0,456, 0,406], [0,229, 0,224, 0,225])])
   2. Evrişimli bir sinir ağı kullanarak görüntü özelliği ayıklama gerçekleştirin ve boyutsallığı azaltın.
      1. İlk olarak, self.conv1 aracılığıyla ilk özellik ayıklama için evrişimli katmanı başlatın. Bu evrişimli katmanla, orijinal görüntü, ilk özellikleri çıkarmak için self.in_channel kanala sahip bir özellik haritasına dönüştürülür (Ek Şekil 3A).
         NOT: Gelişmiş özellikler, artık geçişler üzerinde bir evrişim işleminde çıkarılır. Bu katmanlar, bir dizi artık bloktan oluşan _make_layer fonksiyonunun çağrılmasıyla üretilir. Her artık blok, karmaşık özellikleri kademeli olarak çıkarmak için evrişim, toplu normalleştirme ve aktivasyon işlevlerinden oluşur (Ek Şekil 3B).
      2. 1x1 evrişim yoluyla boyutsallığı azaltmak için kanal numarasını değiştirmek için katmanın işlevini kullanın. Bu işlem, önemli özellikleri korurken hesaplama yükünü azaltır (Ek Şekil 3C).
         NOT: Genel olarak, ResNet101, çeşitli evrişimli katmanlar kullanarak özellik çıkarımı gerçekleştirir ve artık blok içindeki 1x1 evrişimli katmanlar aracılığıyla boyutsallık azalması sağlanır. Bu yaklaşım, ağın özellikleri daha derinlemesine öğrenmesine ve gradyanın kaybolması sorununu önlemesine olanak tanır, böylece karmaşık görevler için görüntü özelliklerinin daha verimli bir şekilde öğrenilmesini ve temsil edilmesini sağlar.
      3. Evrişimler ve havuzlama işlemlerinden sonra, yüksek kaliteli özellikleri tamamen bağlı bir katmana girin.
         NOT: ResNet mimarisinde, özellik ayıklama evrişimli katmanda gerçekleşir. Bu özellikler daha sonra sınıflandırma için tam bağlı (FC) katmana gönderilir (Ek Şekil 4). self.avgpool(x) işlemi, tensörü sabit bir boyuta yeniden şekillendirmek için uyarlanabilir ortalama havuzlama gerçekleştirir. torch.flatten(x, 1) işlemi, tensörü tek boyutlu bir vektöre yayar ve self.fc(x) tam bağlı katmanı düzleştirilmiş vektöre uygular ve sonuçta sınıflandırma için son adım olarak hizmet eder. Bu işlem, çıkarılan unsurları evrişimli katmandan etkili bir şekilde geçirerek, bunları tam bağlı katman aracılığıyla sınıflandırmaya uygun bir formata dönüştürür.
      4. Üç sınıflandırma gereksinimine dayalı olarak nihai çıktıyı elde etmek için Softmax işlevini kullanın.
   3. Adım 1.4'teki veri kümesiyle çok sınıflı bir tanıma modeli eğitin. Yineleme sayısını 200 ve ilk öğrenme oranını 0,0001 olarak ayarlayın. Toplu iş boyutu 64 olan öğrenme oranını her 10 yinelemede bir üçte bir oranında azaltın. Her yinelemeden sonra en uygun model parametrelerini otomatik olarak kaydedin (Ek Şekil 5).
   4. Titizlikle eğitilmiş bir tanıma modeli kullanın ve tanımlama amacıyla orijinal görüntüyü adım 1.2.2'den itibaren sistematik olarak geçin.
      1. Yatay ve dikey adımları tam olarak 280 pikselde yapılandırın, bu da çalışma alanının sınırları içinde istilacı floranın varlığını vurgulayan kapsamlı bir dağılım haritasının oluşturulmasına neden olur. Seçilen sonuçları Şekil 4'te gösterildiği gibi görsel olarak sunun.
         NOT: İlk görüntü, daha küçük parçalara bölünerek, eğitilmiş bir derin öğrenme modeli kullanılarak her bir parça sınıflandırılarak ve sonuçlar bir çıktı görüntüsünde birleştirilerek önceden işlenir. Bir yığın istilacı bir bitki olarak sınıflandırılırsa, çıktı görüntüsündeki karşılık gelen konum 255 olarak ayarlanır. Elde edilen çıktı görüntüsü, gri tonlamalı bir görüntü dosyası olarak kaydedilir. Spesifik uygulama kodu Ek Şekil 6'da gösterilmiştir.

3. İstilacı bitki biyokütlesinin tahmini

1. Adım 1.2'de oluşturulan görüntü kümesini genişletmek ve biyokütleyi tahmin etmek için yaygın olarak kullanılan RBRI, GBRI, GRRI, RGRI, NGBDI ve NGRDI olmak üzere altı bitki örtüsü indeksini çıkarmak için RandomResizedCrop ve RandomHorizontalFlip işlevleriyle (Ek Şekil 7) basit veri büyütme gerçekleştirin. Bu endekslerin hesaplama formülleri için Tablo 1'e bakın.
2. İstilacı bitkilerin biyokütlesinin kesin tahminini sağlamak için modelin çıktısını kullanarak bir K-en yakın komşu regresyonu (KNNR)²² modeli oluşturun. Çıkarılan bitki örtüsü indekslerini tahmin modeli için girdi olarak kullanın.
3. Modelin doğruluğunu değerlendirmek için R² belirleme katsayısını ve Ortalama Karekök Hatası (RMSE)^23'ü kullanın ve bu sayı aşağıdaki gibi hesaplanır:
   
   
   NOT: K-En Yakın Komşu Regresyon (KNNR) algoritması, regresyon problemlerini çözmek için kullanılan parametrik olmayan bir makine öğrenmesi tekniğidir. Temel konsepti, girdi örnek mesafelerine dayalı olarak özellik uzayındaki en yakın K komşularını belirleyerek sonuçları tahmin etmektir. KNNR kullanmanın temel faydaları arasında basitliği ve anlaşılma kolaylığı yer alır ve eğitim aşaması gerektirmez. Ek olarak, KNNR verilerin dağılımı hakkında aşırı varsayımlarda bulunmaz. KNNR, sürekli objektif değişkenleri tahmin etmek ve istilacı bitkilerin biyokütlesini hassas bir şekilde değerlendirmek için regresyon konularında uygulanabilir.
4. Adım 3.2'de seçilen yer üstü biyokütle tahmin modelini kullanın ve 2.3.4 adımındaki istilacı bitki dağılım haritasını 280 piksellik yatay ve dikey adımlarla tarayın.

Sonuçlar

Bir bilgisayarda programlı bir şekilde uygulanan istilacı bitkilerin tahmini için bilgisayarla görme tabanlı bir yöntemin temsili sonuçlarını gösteriyoruz. Bu deneyde, Mikania micrantha'yı araştırma konusu olarak kullanarak, istilacı bitkilerin mekansal dağılımını değerlendirdik ve doğal ortamlarında biyokütlesini tahmin ettik. Bir kısmı Şekil 3'te sergilenen araştırma alanının görüntülerini elde etmek için bir drone kamera sistemi kullandık. Çal...

Tartışmalar

İHA, uzaktan algılama ve bilgisayarla görme kullanarak istilacı bitkilerin biyokütlesini tahmin etmeye yönelik bir deneyin ayrıntılı adımlarını sunuyoruz. Bu anlaşmanın ana süreci ve adımları Şekil 7'de gösterilmiştir. Uygun numune kalitesi, programın en önemli ve zorlu yönlerinden biridir. Bu önem, tüm istilacı bitkiler için olduğu kadar diğer bitki biyokütle tahmin deneyleri için de geçerlidir²⁴.

Çalışma...

Malzemeler

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