Comparison of Machine and Deep Learning Methods to Estimate Shrub Willow Biomass from UAS Imagery

Abstract

Shrub willow is considered an important dedicated energy crop in temperate climates for the production of bioenergy, biofuels, and bio-based products. A methodology to rapidly and accurately estimate above-ground biomass (AGB) is essential for understanding potential biomass supply, identifying potential growth limitations, and making management decisions. The main objective of this study was to investigate different statistical, machine learning, and deep learning models to estimate shrub willow AGB at a site in Camillus, NY using multi-spectral unmanned aerial system (UAS) imagery. The efficiency of the convolutional neural network (CNN) deep learning algorithm was compared to the well-known methods including linear regression, decision tree (DT), random forest (RF), and support vector regression (SVR). The RF model estimated the AGB with the root mean square error (RMSE) of 1.73 Mg/ha and R² of 0.95, and outperformed other methods. The next most effective method was CNN with the RMSE of 2.69 Mg/ha and R² of 0.89. Feature importance analysis indicated that normalized difference vegetation index (NDVI), ratio vegetation index (RVI), and difference vegetation index (DVI) had the greatest contribution to AGB estimation. This study compared shrub willow AGB estimation models using UAS imagery which will streamline bioenergy/biofuel development compared to the existing methods.

RÉSUMÉ

Le saule arbustif est considéré comme une importante culture énergétique dédiée dans les climats tempérés pour la production de bioénergie, de biocarburants et de produits d'origine biologique. Une méthodologie pour estimer rapidement et précisément la biomasse aérienne (AGB) est essentielle pour comprendre l'approvisionnement potentiel en biomasse, identifier les limitations de croissance potentielles sur un site et prendre des décisions de gestion. L'objectif principal de cette étude était d'étudier différents modèles statistiques, d'apprentissage automatique et d'apprentissage en profondeur pour estimer l'AGB du saule arbustif sur un site de Camillus, dans l'État de New York, en utilisant l'imagerie multispectrale d’un drone. L'efficacité de l'algorithme d'apprentissage en profondeur du réseau de neurones convolutifs appliqué (CNN) a été comparée aux méthodes bien connues, notamment la régression linéaire, l'arbre de décision (DT), la forêt aléatoire (RF) et la régression vectorielle de support (SVR) en utilisant des mesures sur le terrain de l'AGB. à partir de 48 parcelles à travers le site. Le modèle RF a estimé l'AGB avec l'erreur quadratique moyenne (RMSE) de 1.73 Mg/ha et R² de 0.95, et a surpassé les autres méthodes. La deuxième méthode la plus efficace était CNN avec un RMSE de 2.69 mg/ha et un R² de 0.89. L'analyze des résultats a montré que les indices de végétation, en particulier, l'indice de végétation normalisé (NDVI), l'indice de végétation ratio (RVI) et l'indice de végétation différentielle (DVI) ont la plus grande contribution à la méthode d'estimation de la biomasse. Cette étude a comparé et fourni des modèles d'estimation de l’AGB précis pour le saule arbustif à l'aide d'images d’un drone et de techniques d'apprentissage automatique qui rationaliseront le développement de la bioénergie/biocarburant par rapport aux méthodes d'estimation de la biomasse existantes.

Acknowledgements

Development, planting and management of the shrub willow evapotranspiration cover where data was collected was supported by Honeywell International.

Disclosure statement

No potential conflict of interest was reported by the author(s).

Additional information

Funding

Funding for UAS and field biomass data collection and processing was provided by USDA NIFA Grant #2018-68005-27925.