基于LiDAR的温室番茄冠层几何参数提取

【目的】准确获取温室番茄作物行中单株冠层数据,为分析作物生长状态和为对靶喷药提供冠层数据支持。【方法】采用三维激光雷达(LiDAR)搭建番茄植株冠层检测平台,使用导轨以0.05 m/s的速度移动三维激光雷达,利用雷达上位机软件Ctrlview保存双侧扫描的A、B 2组共40株番茄植株点云。双侧点云使用ICP(迭代最近点)算法进行配准,利用基于特征值的平面拟合法去除地面,使用均值漂移算法(Meanshift)分割番茄行中的单株点云,获取冠层参数,与人工测量值比较验证精度,将单株点云在MATLAB中使用alpha shape算法进行重建并进行体积的获取,使用凸包算法作物参考值对比。【结果】该检测平台在激光雷达前进方向与垂直前进方向的测量误差分别为-2.65%、-3.95%;获取到的单株番茄植株高度与人工测量值相比,平均绝对误差分别为0.025和0.031 m;重建后求取的体积与凸包算法相比平均误差下降了约15.3%,与人工获取相比相差不大,各指标良好。【结论】番茄行点云分割结果与人工测量相比A、B 2组的均方根误差RMSE分别为0.039和0.043,冠层体积获取与参考值对比V_RMSE为0.011 3,激光雷达在获取作物外形轮廓信息中具有一定的准确性和可靠性,该方法用于温室环境下单株作物冠层数据的获取。     

基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型构建

森林是全球重要的陆地生态系统,各国普遍采用地面样地调查的方法评估其资源量和生物量。随着激光雷达技术的发展,采用星载大光斑激光雷达估算大区域森林地上生物量将成为另一种选择。为探索利用大光斑激光雷达估算森林地上生物量的方法,提出了一种基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型。比较仿真大光斑激光雷达波形参数13种组合拟合森林地上生物量的效果后,认为多层感知器的估测精度高于多元线性回归。与样地实测地上生物量相比,多元线性回归估测结果的偏差范围为-34.96~23.28t/hm²,多层感知器估测结果的偏差范围更小,为-19.09~20.19t/hm²。因此,多层感知器估测森林地上生物量的效果优于多元线性回归。     

基于多传感器融合的水稻行识别与跟踪导航研究

水稻生产田间管理机械自动跟踪水稻行是提高水稻生产田间管理自动化程度的关键。为避免田间管理机械碾压水稻行,本文融合机器视觉和2D激光雷达信息识别水稻行,并进行水稻行跟踪导航控制。首先分别利用机器视觉和激光雷达提取水稻行中心点,并统一空间坐标和目标区域,再采用稳健回归算法拟合水稻行中心线,获取导航基准线并计算出导航参数。然后设计了预瞄追踪PID控制器,最后搭建了水稻行跟踪导航试验平台并进行试验研究。试验结果表明,跟踪模拟水稻行的曲线导航试验标准差为27.51 mm;跟踪机械移载的水稻行导航试验横向偏差标准差为43.03 mm,航向偏差标准差为3.38°。     

国产星载激光雷达森林回波波形模拟仿真

为探究拟发射国产星载激光雷达卫星波形数据在森林结构参数估测方面应用潜力,首先需对其回波波形进行模拟仿真。针对地形无规律起伏和林层结构复杂这一问题,本文采用有限元原理实现了随机地形与林分三维信息的模拟仿真;针对激光脉冲传输过程中能量衰减的问题,引入了激光雷达辐射传输模型;为验证本文所建回波仿真系统有效性,利用与国产星载激光雷达回波波形相近的ICESat-GLAS实测波形数据对GLAS仿真波形数据进行验证。研究结果为：发射波仿真波形与实测波形相关系数为0.96;地形坡度分别为0°～10°、10°～20°、20°～30°和30°以上时回波仿真波形与实测波形相关系数均值分别为0.90、0.88、0.85和0.81;郁闭度分别为0～0.2、0.2～0.4、0.4～0.6、0.6～0.8和0.8～1.0时回波仿真波形与实测波形相关系数均值分别为0.81、0.80、0.84、0.88和0.90;针叶林、阔叶林和混交林回波仿真波形与实测波形相关系数均值分别为0.85、0.86和0.89。研究结果表明：本文所建回波仿真系统可用于国产星载激光雷达回波仿真。回波仿真所得国产星载激光雷达仿真波形,可为森林结构...     

基于激光点云的三维虚拟果园构建方法

针对果园管理数字化程度低、构建方法较为单一等问题,本研究提出了一种基于激光点云的三维虚拟果园构建方法。首先采用手持式三维点云采集设备（3D-BOX）结合即时定位与地图构建-激光测距与测绘（Simultaneous Localization and Mapping-Lidar Odometry and Mapping,SLAM-LOAM）算法获取果园点云数据集;然后通过统计滤波算法完成点云数据离群点与噪声点的去除,并结合布料模拟算法（Cloth Simulation Filtering,CSF）与DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法,实现地面去除与果树聚类分割,进而使用VoxelGrid滤波器降采样;最后利用Unity3D引擎,构建虚拟果园漫游场景,将作业机械的实时GPS（Global Positioning System）数据从WGS-84坐标系转换为高斯投影平面坐标系,并通过LineRenderer显示实时轨迹,实现作业机械运动轨迹控制与作业轨迹的可视化展示。为验证虚拟果园构建方法的有效性,在海棠果园与芒果园开展果园构建方法测试。结果表明,所提出的点云数据处理方法对海棠果树与芒果树聚类分割的准确率分别达到了95.3%与98.2%;通过与实际芒果园的果树行距、株距对比,虚拟芒果园的平均行间误差约为3.5%,平均株间误差约为6.6%。并且将Unity3D构建出的虚拟果园与实际果园相比,该方法能够有效复现果园三维实际情况,得到了较好的可视化效果,为果园的数字化建模与管理提供了一种技术方案。     

近红外激光云高仪与微脉冲激光雷达比对分析

云在气象领域扮演着重要的角色,因此准确测量云高有助于分析天气系统未来的变化,为气象等领域提供依据。为了比较CL51激光云高仪和微脉冲激光雷达(MPL)这2个云高仪的性能,对位于南京信息工程大学的2台仪器2012年9—11月这3个月的数据进行分析,得出如下结论:CL51和MPL第一层云底高度的相关性很高,相关系数为0.89;CL51的所有数据平均高度为3.879 km,MPL的所有数据平均高度为3.587 km,说明这2台仪器的一致性很高。     

基于机载激光雷达数据的天山云杉林蓄积量反演模型构建

构建多变量的天山云杉林Schumacher蓄积收获模型,提高林分蓄积量反演精度,获得便捷、快速提取森林蓄积信息的技术方法,为探索山地天然林精准监测与评价提供技术途径。以2020年激光雷达影像与样地实测数据为研究材料,在激光雷达影像图中提取遥感因子,代入Schumacher蓄积收获模型中,通过再参数化来构建适用于天山云杉林的可变密度收获预估模型,并进行精度检验。结果表明,激光雷达影像分辨率较高,进行点云数据处理后,树高提取精度为89.64%,每公顷株数提取精度为85.13%,坡度提取精度为84.26%,坡向提取精度为84.26%,海拔提取精度为97.25%。结合Schumacher蓄积收获模型构建天山云杉蓄积量反演模型,R²=0.80,将检验数据代入模型中,估测蓄积量与实测蓄积量平均精度为90.22%,模型的拟合度较好。研究将立地因子、林分密度、林龄等变量引入Schumacher蓄积收获模型,对于天山云杉的蓄积估测精度有较大提高,优于以往经验模型,满足新疆山地天然林数字经营管理的标准。     

基于局域最大值法单木位置探测的适宜模型研究

以凉水自然保护区为研究区域,基于机载激光雷达数据,采用动态窗口局部最大值法对郁闭度较高的针叶林进行单木位置自动提取。采用树冠高度模型(CHM)和树冠最大模型(CMM)配合两种动态窗口,即树高--树冠大小回归方程和该方程的95%预测下限来探测树冠顶点,用探测百分比、1∶1对应关系的单木个数、生产者精度和用户精度进行了精度评价。结果表明:利用CMM能够抑制树冠内部枝杈产生的错判现象;利用树高--树冠大小回归方程95%的预测下限做动态窗口,能够有效防止在局部最大值方法中产生的小树漏测现象。因此,利用CMM和95%的预测下限做动态窗口的局域最大值法有利于提高单木位置探测的精度,为密林中自动地探测单木位置提供依据。      

基于机载LiDAR落叶松树冠几何形状三维重建关键技术研究

森林冠层的三维重建研究能够更加直观反映森林空间结构,提高森林参数的测量精度。目前小光斑激光雷达已经广泛应用于林业研究中。为建立落叶松树冠三维形状模型,以长春净月潭实验区落叶松机载LiDAR(LiDAR,Light Detection And Ranging)数据为基础,采用K-means算法提取建模参数。该算法以单木树冠顶点作为初始聚类中心,经过4次迭代估测出单木树高和单木树冠直径,通过与试验区的单木实测数据对比,进行相关性分析,得到估测树高和估测树冠与实测数据相关系数分别为0.892 4和0.769 0,经过验证,估测树高和估测树冠的精度为94.06%和82.21%。利用激光雷达提取出的单木坐标、树高、树冠和冠基高采用旋转抛物线方法重建森林尺度三维模型呈现森林结构。     

Forest Road Detection Using LiDAR Data

We developed a three-step classification approach for forest road extraction utilizing LiDAR data. The first step employed the IDW method to interpolate LiDAR point data （first and last pulses） to achieve DSM, DTM and DNTM layers （at 1 m resolution）. For this interpolation RMSE was 0.19 m. In the second step, the Support Vector Machine （SVM） was employed to classify the LiDAR data into two classes, road and non-road. For this classification, SVM indicated the merged distance layer with intensity data and yielded better identification of the road position. Assessments of the obtained results showed 63% correctness, 75% completeness and 52% quality of classification. In the next step, road edges were defined in the LiDAR-extracted layers, enabling accu- rate digitizing of the centerline location. More than 95% of the Li- DAR-derived road was digitized within 1.3 m to the field surveyed nor- rnal. The proposed approach can provide thorough and accurate road inventory data to support forest management.