УДОСКОНАЛЕННЯ МЕТОДІВ ДСТАНЦІЙНОГО РОЗПІЗНАВАННЯ ПОШРЕННЯ ІНВАЗІЙНХ ВДІВ РОСЛН В КОНТЕКСТІ ОЦІНЮВАННЯ ПОТЕНЦІЙНХ ЗБТКІВ НАВКОЛШНЬОМУ СЕРЕДОВЩУ ТА СІЛЬСЬКОМУ ГОСПОДАРСТВУ

Василь Васильович Файфура, Ірина Ярославівна Співак, Василь Васильович Файфура

Анотація


Файфура В.В., Співак І.Я., Файфура В.В. УДОСКОНАЛЕННЯ МЕТОДІВ ДСТАНЦІЙНОГО РОЗПІЗНАВАННЯ ПОШРЕННЯ ІНВАЗІЙНХ ВДІВ РОСЛН В КОНТЕКСТІ ОЦІНЮВАННЯ ПОТЕНЦІЙНХ ЗБТКІВ НАВКОЛШНЬОМУ СЕРЕДОВЩУ ТА СІЛЬСЬКОМУ ГОСПОДАРСТВУ 

Мета. Підвищення ефективності методів дистанційного розпізнавання поширення інвазійних видів рослин задля оцінювання потенційних економічних збитків навколишньому середовищу та сільському господарству на основі застосування інтелектуальних систем спостереження.

Методи дослідження. У дослідженні застосовані наступні методи: монографічний – для вивчення літературних джерел; метод машинного навчання – для тренування моделі; тристоронній метод оцінки точності моделі та статистичний аналіз – для порівняння результатів розпізнавання; базові (традиційні) методи для покращення зображень; градієнтна обробка зображень (пуассонівське змішування) – для об’єднання картинок.

Результати дослідження. Розроблено і запропоновано модель підвищення ефективності методів дистанційного розпізнавання поширення інвазійних видів рослин. Проведено порівняння результативності запропонованої моделі з моделлю, яка заснована на традиційних методах  аугментації зображень. Виявлено, що  метод CAIPIS, який лежить в основі моделі, досягає значно вищих результатів у виявленні інвазійних видів рослин, особливо за умов обмеженого набору даних. Крім того, метод допомагає підвищити надійність та узагальненість комп’ютерних моделей глибокого навчання для виявлення поширення інвазійних видів рослин. Метод CAIPIS дає змогу створює урізноманітнити та зробити реалістичнішими навчальні вибірки, що сприяє поліпшенню узагальнюючих здібностей моделі глибокого навчання при виявленні інвазійних рослин на аерофотознімках сільськогосподарських полів та екосистем, отриманих за допомогою безпілотних літальних апаратів.

Наукова новизна результатів дослідження. Представлено новий метод покращення (аугментації) надземних зображень полів сільськогосподарських культур, який має на меті покращити ефективність моделей виявлення інвазійних рослин шляхом створення різноманітних і реалістичних навчальних зразків та збільшення варіативності навчального набору даних для покращення продуктивності таких моделей.

Практична значимість результатів дослідження. Застосування методу покращення (аугментації) надземних зображень підвищить ефективність контролю за розповсюдженням інвазійних шкідників в екосистемах.

Ключові слова: інвазійні види, фітоінвазія, аугментація, розпізнавання, дистанційне зондування.

 

Faifura V.V., Spivak I.Ya., Faifura V.V. IMPROVEMENT OF REMOTE SENSING METHODS OF THE SPREAD OF INVASIVE PLANT SPECIES IN THE CONTEXT OF ASSESSING POTENTIAL DAMAGE TO THE ENVIRONMENT AND AGRICULTURE

Purpose. The aim of the article is to increase the efficiency of methods of spread of invasive plant species remote sensing to assess potential economic damage to the environment and agriculture through the use of intelligent surveillance systems.

Methodology of research. The following methods were used in the study: monographic – for studying literature sources; machine learning method – for model training; three-way data split method for assessing model accuracy and statistical analysis for comparing recognition results; basic (traditional) methods for image enhancement; gradient image processing (Poisson mixing) – for image fusion.

Findings. A model for improving the efficiency of methods for remote recognition of the spread of invasive plant species was developed and proposed. The performance of the proposed model was compared with the model based on traditional image augmentation methods. It was found that the CAIPIS method, which is the basis of the model, achieves significantly higher results in detecting invasive plant species, especially when the data set is limited. In addition, the method helps to increase the reliability and generalization of deep-learning models for detecting the spread of invasive plant species. The CAIPIS method provides means to create more diverse and realistic training samples, which helps to improve the generalization ability of the deep learning model in detecting invasive plants in aerial imagery of agricultural fields and ecosystems obtained using unmanned aerial vehicles.

Originality. A new method for enhancing (augmenting) aerial images of crop fields is presented, which aims to improve the performance of invasive plant detection models by creating diverse and realistic training samples and increasing the variability of the training dataset to improve the performance of such models.

Practical value. The application of the aerial images enhancement (augmentation) method will increase the effectiveness of controlling the spread of invasive pests in ecosystems.

Key words: invasive species, phytoinvasion, augmentation, recognition, remote sensing.

 


Ключові слова


інвазійні види, фітоінвазія, аугментація, розпізнавання, дистанційне зондування.

Повний текст:

PDF

Посилання


Абдулоєва О. С., Карпенко Н. І. Обґрунтування критеріїв інвазійного потенціалу чужинних видів рослин в Україні. Чорноморський ботанічний журнал. 2012. Том 8. № 3. С. 252-256.

Абдулоєва О., Карпенко Н., Сенчило О. Обґрунтування “чорного списку” загрозливих для біорізноманіття інвазійних видів рослин України. Вісник Київського національного університету імені Тараса Шевченка. Серія: Біологія. 2008. № 52-53. С. 108-110.

Адамів С. С. Адвентивні види рослин на Тернопільщині. Альманах науки. 2021. № 2(47), квітень. С. 52-55.

Бурда Р. І. Фітоінвазії в агроекосистемах. // Синантропізація рослинного. покриву України: тези наук. доп. (Переяслав-Хмельницький, 27–28 квітня. 2006 р.). С. 34-37.

Бурда Р. І., Пашкевич Н. А., Бойко Г. В., Фіцайло Т. В. Чужорідні види охоронних флор Лісостепу України. Київ : Наукова думка, 2015. 116 с.

Зав’ялова Л. В. Види інвазійних рослин, небезпечні для природного фіторізноманіття об’єктів природно-заповідного фонду України. Біологічні системи. 2017. Т. 9. Вип. 1. С. 87-107.

Зав’ялова Л. Огляд методів дослідження адвентивних рослин. GEO&BIO. 2019. Vol. 18. Р. 64-76.

Мар’юшкіна В. Я., Гриценко В. В., Дідик Н. П. Порівняльна адаптивна стратегія інвазійних та індигенних видів. Український фітоценологічний збірник. 2006. Сер. С, вип. 24. С. 103-109.

Моніторинг шкідників сільськогосподарських культур : підручник / Покозій Й. Т., Писаренко В. М., Довгань С. В. та ін. ; за ред. Й. Т. Покозія. Київ : Аграрна освіта, 2010. 223 с.

Мосякін А. С. Сучасні методи біологічного контролю (біологічного регулювання) активності інвазійних рослин: приклади й перспективи застосування. Наукові основи збереження біотичної різноманітності. 2012. Том 3(10). № 1. С. 93-109.

Національна доповідь про стан навколишнього природного середовища в Україні у 2021 році. URL: https://mepr.gov.ua/wp-content/uploads/2023/01/Natsdopovid-2021-n.pdf (дата звернення: 30.01.2023).

Протопопова В. В., Шевера М. В. Фітоінвазії. ІІ. Аналіз основних класифікацій, схем і моделей. Промышленная ботаника. 2012. Вип. 12. С. 88-95.

Чорна Г. А. Репродуктивна біологія інвазійних видів вищої водної флори. URL: https://dspace.udpu.edu.ua/bitstream/6789/3012/1/chorna_%D0%A5%D0%B0%D1%80%D0%BA%D1%96%D0%B2.pdf (дата звернення: 30.01.2023).

Шувар І. А., Гудзь В. П., Шувар А. І. Особливо небезпечні рослини України : навч. посіб. / За ред. І. А. Шувара. Київ : «Центр учбової літератури», 2013. 192 с.

Hamida Ben A., Benoit A., Lambert P. 3-D Deep Learning Approach for Remote Sensing Image Classification. IEEE Transactions on Geoscience and Remote Sensing. 2018. №56(8). P. 4420-4434.

Buslaev A., Parinov A., Khvedchenya E. Albumentations: Fast and flexible image augmentations. Information. 2018. №11(2). P. 125.

Cao C., Zhou F., Dai Y. A Survey of Mix-based Data Augmentation: Taxonomy, Methods, Applications, and Explainability. ArXiv, 2022.

Dwibedi D., Misra I., Hebert M. Cut, Paste and Learn: Surprisingly Easy Synthesis for Instance Detection. ArXiv. 2017.

Hao X., Liu L., Yang R. A Review of Data Augmentation Methods of Remote Sensing Image Target Recognition. Remote Sensing. 2023. №15(3). P. 827.

Lameski P., Zdravevski E., Trajkovik V. Weed Detection Dataset with RGB Images Taken Under Variable Light Conditions. In Smart Innovations in Communication and Computational Sciences. 2017. №9. P. 112-119.

Sankaran S., Khot L. R., Espinoza C. Z. Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: A review. European Journal of Agronomy. 2015. № 70. P. 112-123.

Shorten C., Khoshgoftaar T. A survey on Image Data Augmentation for Deep Learning. Journal of Big Data. 2019. №6(1). P. 1-48.

Yang Z., Fan Z., Niu C. Development of Invasive Plant Recognition System Based on Deep Learning. Journal of Advances in Mathematics and Computer Science. 2023. №38(6). P. 39–53.

Zhu X. X., Tuia D., Mou L. Deep learning in remote sensing: A review. IEEE Geoscience and Remote Sensing Magazine. 2017. №5(4) P. 8-36.




DOI: https://doi.org/10.37332/2309-1533.2023.1.16

Посилання

  • Поки немає зовнішніх посилань.


Creative Commons License

Інноваційна економіка 2006 – 2024