Gepubliceerd op 27 juni 2023
Een essentiële hulpbron in gevaar
In het Middellandse Zeegebied en het Midden-Oosten worden dadelpalmen en kanariepalmen al sinds de oudheid geëxploiteerd voor de productie van vruchten en siroop, voor hun sierwaarde en voor vele andere toepassingen (schaduw, mandenmakerij, brandstof, bouw, enz.). Momenteel beslaan ze naar schatting 1,3 miljoen hectare. Helaas worden deze planten, ondanks hun grootte geen bomen in de botanische zin van het woord, ernstig bedreigd door een verwoestende plaag. Het is een kever, de rode palmkever (Rhynchophorus ferrugineus), die zich snel over de wereld verspreidt, vooral via de internationale handel in aangetaste planten.
De rode palmkever is een geduchte plaag van palmbomen. De economische en ecologische gevolgen van zijn aanvallen zijn aanzienlijk, met gevolgen voor de voedselzekerheid en het levensonderhoud van plattelandsgemeenschappen in dadelpalmoases.
Vroegtijdige opsporing en teledetectie
Gezien het belang van deze palmen voor de sociaaleconomische ontwikkeling van de genoemde regio's, is het essentieel om effectieve bestrijdingsstrategieën tegen deze 'palmmoordenaar' te definiëren om een crisissituatie te voorkomen. Deze strategieën zijn gebaseerd op monitoring en vroegtijdige detectie van aantastingen, die cruciaal zijn voor het overleven van de palmbomen. Uitwendig zichtbare tekenen van een aantasting door de palmkever verschijnen echter pas lang na de aantasting. Deze eigenschap, in combinatie met de grote ruimtelijke verspreiding van palmen, pleit voor het gebruik van teledetectie als instrument om de gezondheid van palmen op grote schaal te monitoren. Het STEREO III-project PALMWATCH heeft daarom onderzocht of teledetectietechnieken vanuit de lucht en vanuit de ruimte kunnen worden gebruikt om aantastingen door de rode palmkever in palmen te detecteren.
 |
 |
Een palmdetector die zelf leert
Informatie over het aantal en de verspreiding van aangetaste palmen is schaars. Daarom begon het team met het trainen van een palmdetector op basis van deep learning om individuele palmbomen te geolokaliseren op RGB-beelden (Rood-Groen-Blauw, d.w.z. ware kleur) vanuit de lucht die meer dan vijfduizend km² beslaan in de provincie Alicante, een iconische palmteeltregio in Spanje.
De eerste stap was het handmatig annoteren van de kronen van dadel- en Canarische palmen op sommige van deze beelden. Dit stelde het team in staat om de deep learning objectdetector te trainen, zodat deze de kronen van palmen kan classificeren en lokaliseren (en ook elke boom kan afbakenen). De detector is gebaseerd op Convolutionele Neurale Netwerken (CNN), die de laatste jaren veel gebruikt worden in teledetectie omdat ze ontworpen zijn om gegevens te verwerken in de vorm van meerdere netwerken (of arrays), zoals het geval is bij multi-band teledetectiegegevens. Aangezien CNN rechtstreeks van beelden leert, vervalt ook de expertkennis die nodig is om de kenmerken te extraheren die nodig zijn bij conventionele methoden voor machine learning.
Resultaten van de detectie van Phoenixpalmen uit een RGB orthofoto die in 2018 werd genomen op de onderzoekslocatie. De handmatige annotaties worden weergegeven als cirkels; de magenta, blauwe, groene en oranje vakken zijn de resultaten verkregen door verschillende modellen. De gemiddelde nauwkeurigheid (AP) verkregen door elk model wordt weergegeven in de hoek van elke afbeelding. De getallen binnen de voorspellingen komen overeen met de waarschijnlijkheidsscore dat het object inderdaad een palmboom is. Alleen voorspellingen met een score groter dan 0,5 worden getoond.
©c Institut Cartogràfic Valencià, Generalitat; OrtoPNOA 2018 CC BY 4.0 www.scne.es
Nauwkeurige inventarisatie op grote schaal
In een tweede stap pasten de onderzoekers de detector toe op de volledige beelddataset van Alicante om uiteindelijk een inventarisatie te maken van alle Phoenixpalmen (dadelpalmen en Canarische palmen) in de regio.
Experimentele resultaten toonden aan dat het getrainde palmdetectiemodel een snelle en eenvoudige methode biedt om geïsoleerde en dichtbegroeide palmen te geoloceren uit RGB-luchtfoto's met een hoge resolutie. Bovendien kunnen palmboominventarisaties op grote schaal en tegen lagere kosten worden uitgevoerd in vergelijking met boominventarisaties op basis van metingen in het veld. De prestaties van de detector toonden aan dat het mogelijk is om palmen in verschillende scènes met 86% nauwkeurigheid te lokaliseren. In totaal werden 1.505.605 palmbomen in kaart gebracht over een gebied van 5.816 km². De inventaris die als onderdeel van het project is geproduceerd, is vrij toegankelijk en kan worden geraadpleegd met de visualisatiesoftware Palmwatch Earth Engine. Het biedt een uitgangspunt voor de detectie van door ongedierte aangetaste palmen tijdens meer gedetailleerde inspecties.
Met dit doel werden regelmatig veld- en dronevluchten uitgevoerd in een experimenteel palmboomperceel om de meest geschikte methode te vinden voor detectie met behulp van droneapparatuur van palmen die zijn aangetast door de rode palmkever. De resultaten van deze campagnes toonden aan dat het continu monitoren van de evolutie van de palmboom informatiever is dan het monitoren van gezonde en aangetaste palmbomen op één enkele datum. Bovendien bleken thermische dronebeelden effectiever te zijn in de vroege detectie van ziektesymptomen dan RGB- of multispectrale beelden.
Vroegtijdige detectie van aanvallen van de rode palmkever blijft een grote uitdaging, maar deze studie heeft de weg vrijgemaakt voor toekomstig onderzoek dat gebruikers hulpmiddelen biedt voor vroegtijdige detectie van de ziekte met behulp van teledetectiegegevens.
Meer informatie
STEREO III-project PALMWATCH (Red Palm Weevil infection detection with Remote Sensing)