identification and biomass estimation of mikania micrantha using data obtained from an unmanned aerial vehicle (uav)

Évaluation de la biomasse végétale envahissante à l’aide de données de télédétection de véhicules aériens sans pilote

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.

Pleins feux sur l’auteur : La télédétection par drone pour une estimation efficace de la biomasse végétale envahissante

Estimation de la biomasse des plantes envahissantes par vision par ordinateur

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.

Identification et estimation de la biomasse de Mikania micrantha à l’aide de données obtenues à partir d’un véhicule aérien sans pilote (UAV)

Pour préparer le logiciel, téléchargez et installez Anaconda depuis son site officiel. Lancez le programme IDE PyCharm. Ouvrez ensuite la ligne de commande de l’invite Anaconda et tapez conda create n pytorch python=3.8 pour créer un nouvel environnement Conda.Une fois l’environnement créé, entrez conda info envs pour confirmer que l’environnement PyTorch existe. Ouvrez l’invite Anaconda et activez l’environnement PyTorch en entrant conda activate pytorch. Tapez nvidia-smi pour vérifier la version actuelle de l’architecture CUDA (Compute Unified Device Architecture), puis installez la version 1.8.1 de PyTorch en exécutant la commande conda install pytorch=1.8.1 torchvision=0.9.1 torchaudio=0.8.1 cudatoolkit=11.0 c pytorch.Pour exécuter la reconnaissance du modèle, prétraitez les images afin de les préparer à l’entrée du modèle. À l’aide du code affiché, redimensionnez les images de 280 x 280 pixels à 224 x 224 pixels, puis normalisez-les pour vous assurer qu’elles répondent aux exigences de taille du modèle. Entraînez un modèle de reconnaissance multiclasse avec le jeu de données déjà créé en définissant le nombre d’itérations à 200 et un taux d’apprentissage initial de 0,0001.Réduisez le taux d’apprentissage d’un tiers toutes les 10 itérations avec une taille de lot de 64. Enregistrez automatiquement les paramètres optimaux du modèle après chaque itération. Cliquez avec le bouton droit de la souris et appuyez sur Exécuter le script.Ensuite, utilisez un modèle de reconnaissance méticuleusement entraîné et parcourez systématiquement l’image originale à des fins d’identification. Configurez des étapes horizontales et verticales avec une précision de 280 pixels pour obtenir la génération d’une carte de distribution complète, mettant en évidence la présence d’une flore envahissante dans les limites de la zone d’étude. Présentez visuellement les résultats sélectionnés.Effectuez une augmentation simple des données avec un recadrage redimensionné aléatoire et des fonctions de retournement horizontal aléatoires. Pour étendre l’ensemble d’images et extraire les six indices de végétation. Pour assurer une estimation précise de la biomasse des plantes envahissantes, créez un modèle de régression K-plus proche voisin en utilisant les indices de végétation de sortie et extraits comme intrants.Le modèle a reconnu la partie rouge comme étant Mikania micrantha, démontrant une détection robuste dans des arrière-plans complexes. L’analyse de régression a démontré de fortes performances prédictives avec une valeur R carré de 0,62 et une EQM de 10,56 grammes par mètre carré. Le modèle a amélioré la précision de l’estimation de la biomasse de camomille, et la carte de distribution spatiale a efficacement capturé la distribution de la biomasse de camomille.

Research

JoVE Journal

Engineering

Identification and Biomass Estimation of Mikania micrantha Using Data Obtained from an Unmanned Aerial Vehicle (UAV)

Invasive Plant Biomass Assessment by Unmanned Aerial Vehicle Remote Sensing Data

Computer Vision-Based Biomass Estimation for Invasive Plants

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

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 ...

Recherche

Ingénierie

Creating a UAV Image Dataset for the Estimation of Invasive Plant Biomass

Création d’un jeu de données d’images de drones pour l’estimation de la biomasse végétale envahissante

Collecting the Aboveground Biomass of Mikania micrantha Samples After UAV Data Collection

Collecte de la biomasse aérienne de Mikania micrantha après la collecte de données par drone