Yazar, bu çalışmayı destekledikleri için Çin Tarım Bilimleri Akademisi ve Guangxi Üniversitesi'ne teşekkür eder. Çalışma, Çin Ulusal Anahtar Ar-Ge Programı (2022YFC2601500 ve 2022YFC2601504), Çin Ulusal Doğa Bilimleri Vakfı (32272633), Shenzhen Bilim ve Teknoloji Programı (KCXFZ20230731093259009) tarafından desteklenmiştir.

1. Veri setlerinin hazırlanması
<ol><li>Araştırma nesnesinin seçilmesi<ol><li>Mikania micrantha veya diğer istilacı bitkiler gibi seçenekleri göz önünde bulundurarak deneysel çalışmanın odağına göre test örneklerini seçin.</li>
	</ol></li>
	<li>İHA görüntülerinin toplanması<ol><li>İncelenen alanın boyutuna bağlı olarak 0,5 m*0,5 m boyutunda ve 25-50 adet kare plastik çerçeveler hazırlayın.</li>
		<li>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.</li>
		<li>Şekil 1'de gösterildiği gibi bir İHA uzaktan algılama çekim sistemi oluşturmak için bir drone ve bir kamera kullanın.</li>
		<li>Belirtilen çalışma alanı içindeki rotayı çizmek için İHA'yı kullanın. Rota planlama kurulumu Şekil 2'de gösterilmiştir.<ol><li>%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.</li>
		</ol></li>
		<li>Biyokütle tahmini için Python yazılımıyla sonraki işlemler için havadan görüntüleri saklayın.</li>
	</ol></li>
	<li>Yer üstü biyokütlenin toplanması<ol><li>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.<ol><li>Mikania micrantha'yı toplarken, örnek parsellerin hareket etmesini önleyin. İlk olarak, Mikania micrantha'yı örnek çizimin iç kenarı boyunca kesin.</li>
			<li>Ardından, Mikania micrantha'nın köksapını alttan kesin. Karışan kiri, kayaları veya diğer bitkileri çıkarın. Son olarak, numuneleri torbalayın ve etiketleyin.</li>
		</ol></li>
		<li>Adım 1.3.1'den toplanan istilacı bitki örneklerini laboratuvara getirin. Nemin çoğunu buharlaştırmak için toplanan tüm numuneleri havayla kurutun.</li>
		<li>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.<ol><li>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.</li>
			<li>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: <img alt="Equation 1" src="/files/ftp_upload/66067/66067eq01.jpg" style="margin: auto;"> 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.</li>
		</ol></li>
	</ol></li>
	<li>Veri kümesi oluşturma<ol><li>Orijinal İHA görüntüsünden örnek görüntüye karşılık gelen RGB görüntüsünü çıkarın. Python programlamayı kullanarak 280 × 280 piksellik bir ızgaraya bölün (Ek Şekil 1).</li>
		<li>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.</li>
		<li>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).</li>
	</ol></li>
</ol>2. Mikania micrantha'nın Tanımlanması
<ol><li>Yazılımın hazırlanması<ol><li>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.</li>
	</ol></li>
	<li>Bir Conda ortamı oluşturma.<ol><li>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.</li>
		<li>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.</li>
	</ol></li>
	<li>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.<ol><li>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])])</li>
		<li>Evrişimli bir sinir ağı kullanarak görüntü özelliği ayıklama gerçekleştirin ve boyutsallığı azaltın.<ol><li>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).</li>
			<li>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.</li>
			<li>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.</li>
			<li>Üç sınıflandırma gereksinimine dayalı olarak nihai çıktıyı elde etmek için Softmax işlevini kullanın.</li>
		</ol></li>
		<li>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).</li>
		<li>Titizlikle eğitilmiş bir tanıma modeli kullanın ve tanımlama amacıyla orijinal görüntüyü adım 1.2.2'den itibaren sistematik olarak geçin.<ol><li>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.</li>
		</ol></li>
	</ol></li>
</ol>3. İstilacı bitki biyokütlesinin tahmini
<ol><li>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.</li>
	<li>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.</li>
	<li>Modelin doğruluğunu değerlendirmek için R2 belirleme katsayısını ve Ortalama Karekök Hatası (RMSE)23'ü kullanın ve bu sayı aşağıdaki gibi hesaplanır: <img alt="Equation 2" src="/files/ftp_upload/66067/66067eq02.jpg" style="margin: auto;"> <img alt="Equation 3" src="/files/ftp_upload/66067/66067eq03.jpg" style="margin: auto;"> 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.</li>
	<li>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.</li>
</ol>

İnsansız Hava Aracı Uzaktan Algılama Verileri ile İstilacı Bitki Biyokütlesi Değerlendirmesi

<ol>
	<li>Lian, J. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Influence+of+obligate+parasite+Cuscuta+campestris+on+the+community+of+its+host+Mikania+micrantha.">Influence of obligate parasite Cuscuta campestris on the community of its host Mikania micrantha.</a> Weed Research. 46, 441-443 (2006).</li><li>Yu, X., Bao, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Aboveground+biomass+estimation+of+potato+from+UAV+multispectral+imagery.">Aboveground biomass estimation of potato from UAV multispectral imagery.</a> Remote Sensing. 54 (4), 96-99 (2023).</li><li>Guo, T. C., Wang, Y. H., Feng, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Research+on+wheat+yield+estimation+based+on+multimodal+data+fusion+from+unmanned+aircraft+platforms.">Research on wheat yield estimation based on multimodal data fusion from unmanned aircraft platforms.</a> Acta Agronomica Sinica. 48 (7), 15 (2022).</li><li>Shao, G. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Estimation+of+transpiration+coefficient+and+aboveground+biomass+in+maize+using+time-series+UAV+multispectral+imagery.">Estimation of transpiration coefficient and aboveground biomass in maize using time-series UAV multispectral imagery.</a> The Crop Journal. 10 (5), 1376-1385 (2022).</li><li>Jiang, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=UAV-based+biomass+estimation+for+rice-combining+spectral,+TIN-based+structural+and+meteorological+features.">UAV-based biomass estimation for rice-combining spectral, TIN-based structural and meteorological features.</a> Remote Sensing. 11 (7), 890 (2019).</li><li>Fei, S. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=UAV-based+multi-sensor+data+fusion+and+machine+learning+algorithm+for+yield+prediction+in+wheat.">UAV-based multi-sensor data fusion and machine learning algorithm for yield prediction in wheat.</a> Precision Agriculture. 24, 187-212 (2023).</li><li>Shu, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Aboveground+biomass+estimation+of+rice+based+on+unmanned+aerial+vehicle+imagery.">Aboveground biomass estimation of rice based on unmanned aerial vehicle imagery.</a> Fujian Journal of Agricultural Sciences. 37 (7), 9 (2022).</li><li>Wu, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=UAV+LiDAR-based+biomass+estimation+of+individual+trees.">UAV LiDAR-based biomass estimation of individual trees.</a> Fujian Journal of Agricultural Sciences. 22 (34), 15028-15035 (2022).</li><li>Yang, X., Zan, M., Munire, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Estimation+of+above+ground+biomass+of+Populus+euphratica+forest+using+UAV+and+satellite+remote+sensing.">Estimation of above ground biomass of Populus euphratica forest using UAV and satellite remote sensing.</a> Transactions of the Chinese Society of Agricultural Engineering. 37 (1), 7 (2021).</li><li>Li, B., Liu, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Forest+biomass+estimation+based+on+UAV+optical+remote+sensing.">Forest biomass estimation based on UAV optical remote sensing.</a> Forest Engineering. 5, 38 (2022).</li><li>Li, Z., Zan, Q., Yang, Q., Zhu, D., Chen, Y., Yu, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Remote+estimation+of+mangrove+aboveground+carbon+stock+at+the+species+level+using+a+low-cost+unmanned+aerial+vehicle+system.">Remote estimation of mangrove aboveground carbon stock at the species level using a low-cost unmanned aerial vehicle system.</a> Remote Sensing. 11 (9), 1018 (2019).</li><li>Luo, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fusion+of+airborne+LiDAR+data+and+hyperspectral+imagery+for+aboveground+and+belowground+forest+biomass+estimation.">Fusion of airborne LiDAR data and hyperspectral imagery for aboveground and belowground forest biomass estimation.</a> Ecological Indicators. 73, 378-387 (2017).</li><li>Li, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Research+of+grassland+aboveground+biomass+inversion+based+on+UAV+and+satellite+remoting+sensing.">Research of grassland aboveground biomass inversion based on UAV and satellite remoting sensing.</a> Remote Sensing Technology and Application. 1, 037 (2022).</li><li>Wengert, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multisite+and+multitemporal+grassland+yield+estimation+using+UAV-borne+hyperspectral+data.">Multisite and multitemporal grassland yield estimation using UAV-borne hyperspectral data.</a> Remote Sensing. 14 (9), 2068 (2022).</li><li>Li, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+effect+of+season+on+Spartina+alterniflora+identification+and+monitoring.">The effect of season on Spartina alterniflora identification and monitoring.</a> Frontiers in Environmental Science. 10, 1044839 (2022).</li><li>Wang, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Estimation+of+above-ground+biomass+of+winter+wheat+based+on+consumer-grade+multi-spectral+UAV.">Estimation of above-ground biomass of winter wheat based on consumer-grade multi-spectral UAV.</a> Remote Sensing. 14 (5), 1251 (2022).</li><li>Lu, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Improved+estimation+of+aboveground+biomass+in+wheat+from+RGB+imagery+and+point+cloud+data+acquired+with+a+low-cost+unmanned+aerial+vehicle+system.">Improved estimation of aboveground biomass in wheat from RGB imagery and point cloud data acquired with a low-cost unmanned aerial vehicle system.</a> Plant Methods. 15 (1), 17 (2019).</li><li>Chen, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mapping+forest+aboveground+biomass+with+MODIS+and+Fengyun-3C+VIRR+imageries+in+Yunnan+Province,+Southwest+China+using+linear+regression,+K-nearest+neighbor+and+random.">Mapping forest aboveground biomass with MODIS and Fengyun-3C VIRR imageries in Yunnan Province, Southwest China using linear regression, K-nearest neighbor and random.</a> Remote Sensing. 14 (21), 5456 (2022).</li><li>Yan, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biomass+estimation+of+subtropical+arboreal+forest+at+single+tree+scale+based+on+feature+fusion+of+airborne+LiDAR+data+and+aerial+images.">Biomass estimation of subtropical arboreal forest at single tree scale based on feature fusion of airborne LiDAR data and aerial images.</a> Sustainability. 15 (2), 1676 (2023).</li><li>Tian, Y. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Aboveground+mangrove+biomass+estimation+in+Beibu+Gulf+using+machine+learning+and+UAV+remote+sensing.">Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing.</a> Science of the Total Environment. 781, 146816 (2021).</li><li>Shrivastava, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Beyond+skip+connections:+Top-down+modulation+for+object+detection.">Beyond skip connections: Top-down modulation for object detection.</a> arXiv. , (2016).</li><li>Belkasim, S. O., Shridhar, M., Ahmadi, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pattern+classification+using+an+efficient+KNNR.">Pattern classification using an efficient KNNR.</a> Pattern Recognition. 25 (10), 1269-1274 (1992).</li><li>Joel, S., Jose Luis, A., Shawn, C. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Farming+and+earth+observation:+Sentinel-2+data+to+estimate+within-field+wheat+grain+yield.">Farming and earth observation: Sentinel-2 data to estimate within-field wheat grain yield.</a> International Journal of Applied Earth Observation and Geoinformation. 107, 102697 (2022).</li><li>Tian, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Review+of+remote+sensing-based+methods+for+forest+aboveground+biomass+estimation:+Progress,+challenges,+and+prospects.">Review of remote sensing-based methods for forest aboveground biomass estimation: Progress, challenges, and prospects.</a> Forests. 14 (6), 1086 (2023).</li><li>Wei, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biomass+estimation:+A+remote+sensing+approach.">Biomass estimation: A remote sensing approach.</a> Geography Compass. 4 (11), 1635-1647 (2010).</li><li>D&#233;bora, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=New+methodology+for+intertidal+seaweed+biomass+estimation+using+multispectral+data+obtained+with+unoccupied+aerial+vehicles.">New methodology for intertidal seaweed biomass estimation using multispectral data obtained with unoccupied aerial vehicles.</a> Remote Sensing. 15 (13), 3359 (2023).</li><li>Zhang, J. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Unmanned+aerial+system-based+wheat+biomass+estimation+using+multispectral,+structural+and+meteorological+data.">Unmanned aerial system-based wheat biomass estimation using multispectral, structural and meteorological data.</a> Agriculture. 13 (8), 1621 (2023).</li><li>Shen, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Influence+of+the+obligate+parasite+Cuscuta+campestris+on+growth+and+biomass+allocation+of+its+host+Mikania+micrantha.">Influence of the obligate parasite Cuscuta campestris on growth and biomass allocation of its host Mikania micrantha.</a> Journal of Experimental Botany. 56 (415), 1277-1284 (2005).</li></ol>

Yazarların ifşa edecek hiçbir şeyi yok.

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...

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 çalışma15,16 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.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>DSLR camera</td>
			<td>Nikon</td>
			<td>D850</td>
			<td>Sensor type: CMOS; Maximum number of pixels: 46.89 million; Effective number of pixels: 45.75 million; Maximum resolution 8256 x 5504.</td>
		</tr>
		<tr>
			<td>GPU - Graphics Processing Unit</td>
			<td>NVIDIA&#160;</td>
			<td>RTX3090</td>
			<td></td>
		</tr>
		<tr>
			<td>Hexacopter</td>
			<td>DJI&#160;</td>
			<td>M600PRO</td>
			<td>Horizontal flight: 65 km/h (no wind environment); Maximum flight load: 6000 g</td>
		</tr>
		<tr>
			<td>PyCharm</td>
			<td>Python IDE</td>
			<td>2023.1</td>
			<td></td>
		</tr>
		<tr>
			<td>Python</td>
			<td>Python</td>
			<td>3.8.0</td>
			<td></td>
		</tr>
		<tr>
			<td>Pytorch</td>
			<td>Pytorch</td>
			<td>1.8.1</td>
			<td></td>
		</tr>
	</tbody>
</table>

computer vision-based biomass estimation for invasive plants

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.

In this protocol, the proposed method of invasive biomass estimation based on UAV remote sensing and computer vision can reflect the distribution of invasive organisms and predict the degree of invasive biohazard. Estimates of the distribution and biomass of invasive organisms are critical to the prevention and control of these organisms. Once invasive plants invade, they can damage the ecosystem and cause huge economic losses. Quickly and accurately identifying invasive plants and estimating key invasive plant biomass are major challenges in invasive plant monitoring and control. In this protocol, we take Mikania micrantha as an example to explore an invasive plant biomass estimation method based on unmanned aerial remote sensing and computer vision, which provides a new approach and method for the ecological research of invasive plants and promotes the ecological research and management of invasive plants.
At present, the biomass measurement of Mikania micrantha is mainly done by manual sampling1. The traditional methods of biomass measurement need a lot of workforce and material resources, which are inefficient and limited by the terrain; it is difficult to meet the needs of regional biomass estimation of Mikania micrantha. The major advantage of using this protocol is that it provides a method for quantifying regional invasive plant biomass and spatial distribution of invasive plants in a way that does not take into account the sampling limitations of the area and eliminates the need for manual surveys.
UAV remote sensing technology has achieved certain results in plant biomass estimation and has been widely used in agriculture2,3,4,5,6,7, forestry8,9,10,11, and grassland12,13,14. UAV remote sensing technology has the advantages of low cost, high efficiency, high precision, and flexible operation15,16, which can efficiently obtain remote sensing image data in the study area; then, the texture feature and vegetation index of remote sensing image are extracted to provide data support for the estimation of plant biomass in large area. Current plant biomass estimation methods are mainly categorized into parametric and nonparametric models17. With the development of machine learning algorithms, nonparametric machine learning models with higher accuracy have been widely used in remote sensing estimation of plant biomass. Chen et al.18 utilized mixed logistic regression (MLR), KNNR, and random forest regression (RFR) to estimate the aboveground biomass of forests in Yunnan Province. They concluded that the machine learning models, specifically KNNR and RFR, resulted in superior outcomes compared to MLR. Yan et al.19 employed RFR and extreme gradient boosting (XGBR) regression models to assess the accuracy of estimating subtropical forest biomass using various sets of variables. Tian et al.20 utilized eleven machine-learning models to estimate the aboveground biomass of varying mangrove forest species in Beibuwan Bay. The researchers discovered that the XGBR method was more effective in determining the aboveground biomass of mangrove forests. Plant biomass estimation using man-machine remote sensing is a well-established practice, however, the use of UAV for biomass estimation of the invasive plant Mikania micrantha has yet to be reported both domestically and internationally. This approach is fundamentally different from all previous methods of biomass estimation for invasive plants, especially Mikania micrantha.
To sum up, UAV remote sensing has the advantages of high resolution, high efficiency, and low cost. In the feature variable extraction of remote sensing images, texture features combined with vegetation indexes can obtain better regression prediction performance. Nonparametric models can obtain more accurate regression models than parametric ones in plant biomass estimation. Therefore, to calculate the null distribution of invasive plants and their biomass precisely, we suggest the following outlined procedures for the invasive plant biomass experiment that relies on remote sensing using UAVs and computer vision.

Yazar Spotlight: Verimli İstilacı Bitki Biyokütle Tahmini için İHA Uzaktan Algılama

İstilacı Bitkiler için Bilgisayarlı Görü Tabanlı Biyokütle Tahmini

Our method utilizes UAV remote sensing and computer vision to efficiently estimate invasive plant biomass, overcoming the inefficiencies and subjectivity of traditional manual surveys and data collection in complex environments. Recent advancement in UAV remote sensing for plant biomass estimation include high-resolution imaging and multimodal data integration. These developments enhance scientific research, environmental monitoring, and agricultural management by offering more precise data support.Advancements in UAV remote sensing for plant biomass estimation encompass high-resolution sensors, multispectral hyperspectral imaging, GPS, INS, specialized data processing software, AI and deep learning, improved batteries, enhanced data storage, and cloud computing. Relating to a traditional plant biomass is traditional methods. Our proposed method doesn't require service and data combing and for other multispectral hyperspectral estimation methods, we don't need a special requirement.Our method can accurately estimate a plant's biomass without experience requirement, which is our advantage. Our laboratory will continue to study UAV remote sensors plant biomass estimation. In the future we'll focus on firmware of amazing deep learning algorithms, applying in remotely stored data filtering.Continuing deep research on thrive preference and the sensor technology innovations.

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...

Read this Scientific Article Protocol about Computer Vision-Based Biomass Estimation for Invasive Plants at JoVE.com

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.

We report on the detailed steps of a method to estimate the biomass of invasive plants based on UAV remote sensing and computer vision. To collect samples ...

Yöntemimiz, istilacı bitki biyokütlesini verimli bir şekilde tahmin etmek, karmaşık ortamlarda geleneksel manuel araştırmaların ve veri toplamanın verimsizliklerinin ve öznelliğinin üstesinden gelmek için İHA uzaktan algılama ve bilgisayar görüşü kullanır. Bitki biyokütle tahmini için İHA uzaktan algılamadaki son gelişmeler, yüksek çözünürlüklü görüntüleme ve çok modlu veri entegrasyonunu içerir. Bu gelişmeler, daha kesin veri desteği sunarak bilimsel araştırmaları, çevresel izlemeyi ve tarımsal yönetimi geliştirmektedir.Bitki biyokütle tahmini için İHA uzaktan algılamadaki gelişmeler, yüksek çözünürlüklü sensörler, multispektral hiperspektral görüntüleme, GPS, INS, özel veri işleme yazılımı, yapay zeka ve derin öğrenme, geliştirilmiş piller, gelişmiş veri depolama ve bulut bilişimi kapsar. Geleneksel bir bitki biyokütlesi ile ilgili geleneksel yöntemler vardır. Önerilen yöntemimiz servis ve veri tarama gerektirmez ve diğer multispektral hiperspektral tahmin yöntemleri için özel bir gereksinime ihtiyacımız yoktur.Yöntemimiz, deneyim gereksinimi olmadan bir bitkinin biyokütlesini doğru bir şekilde tahmin edebilir, bu da bizim avantajımızdır. Laboratuvarımız, İHA uzaktan sensörleri tesis biyokütle tahmini üzerinde çalışmaya devam edecektir. Gelecekte, uzaktan depolanan veri filtrelemede uygulanan harika derin öğrenme algoritmalarının ürün yazılımına odaklanacağız.Gelişen tercih ve sensör teknolojisi yenilikleri üzerine derin araştırmalara devam ediyoruz.

computer-vision-based-biomass-estimation-for-invasive-plants

Research

JoVE Journal

Engineering

Computer Vision-Based Biomass Estimation for Invasive Plants

652 Görüntüleme.  Guangxi University. Yöntemimiz, istilacı bitki biyokütlesini verimli bir şekilde tahmin etmek, karmaşık ortamlarda geleneksel manuel araştırmaların ve veri toplamanın verimsizliklerinin ve öznelliğinin üstesinden gelmek için İHA uzaktan algılama ve bilgisayar görüşü kullanır. Bitki biyokütle tahmini için İHA uzaktan algılamadaki son gelişmeler, yüksek çözünürlüklü görüntüleme ve çok modlu veri entegrasyonunu içerir. Bu gelişmeler, daha kesin veri desteği sunarak bilimsel a...