Рисунок 1.Иллюстрация выходных и обратных сигналов лазерного луча (дискретных и полноволновых) LiDAR. Перепечатано с разрешения Ref. [9]. Авторские права 2009 Ферраз, А.
Рисунок 2.Схема применения LiDAR в сельскохозяйственном секторе.
Рисунок 3.Карты RPII, полученные из 1 м ALS DTM (a) и 0,2 м TLS (b), подчеркивающие изменения потока T1 (c) и T5 (d). Перепечатано с разрешения Ref. [10]. Авторские права 2015 Wiley.
Тип LiDAR | Алгоритм | Модель | Метод классификации | Характеристики | Результаты |
---|---|---|---|---|---|
Воздушный | DWT, алгоритм водораздела | Классификация и регрессия деревьев | Профили высот, показатели вогнутости | Для DWT и водораздела общая точность: ~71%. Средний уровень пропуска канав: ~50%. Средний уровень комиссии за канавы: ~15 % [28]. | |
Воздушный | SCM | DEM, GIS | Квантильная классификация | Высота верхней части полога, высота земли, плоская или низкая уклонная область | Данные LiDAR на основе SCM оценили меньше, чем модель GIS [29]. |
Воздушный | DEM | Уклон, накопление потока,индекс мощности потока | 3-метровый LiDAR выявил большее количество наиболее заметных оврагов по сравнению с 30-метровым LiDAR [30]. | ||
Воздушный | Алгоритм фильтрации земли Fusion | DTM, DSM, nDSM | Функция фокусной статистики, итеративный самоорганизующийся метод анализа данных | Высота рядов виноградной лозы, относительная высота поверхностных элементов от уровня земли | Средняя точность правильно классифицированной площади виноградника: 97,55%. Средняя точность разграничения участков: 88,79% [31]. |
Воздушно-наземный | DTM | Относительный индекс воздействия пути (RPII) | RPII, полученный из 0,2-метровой TLS DTM, показал более точные результаты по сравнению с RPII, полученным из 1-метровой ALS DTM [10]. | ||
Воздушный | DEM, SSR, GRASS, GIS r.sun, SLR | индекс мутности Линке, юлианский день, временной шаг, LPI | R2 между SSR и полевым измерением для общей солнечной радиации:0,92. R2 между GLA и полевым измерением для общей солнечной радиации: 0,692. R2 между LPI и открытостью полога, полученной из GLA: 0,768 [32]. |
Таблица 2.Сравнение различных аспектов данных LiDAR при измерении индекса листовой поверхности и объема полога.
Тип LiDAR | Аналитический метод | Алгоритм классификации | Характеристики | Результаты |
---|---|---|---|---|
Наземный | SLR | TAI, LAI | R2 между объемом растения и LAI: 0,8422 (груша), 0,814 (яблоня) и 0,8058 (виноградники). R2 между TAI и LAI: 0,9194 (виноградники). TAI можно использовать в качестве параметра для определения LAI для некоторых конкретных культур в винограднике [19]. | |
Наземный | Тесты Лиллефорса, Тест Бокса-Кокса, Коэффициент корреляции Пирсона по продукту и моменту | Высота полога, ширина урожая, объем полога, LAI | R2 между LAI и объемом полога с использованием ультразвука: 0,51, между LAI и объемом полога с использованием LiDAR: 0,21. R2 объема полога, полученного с помощью LiDAR и ультразвуковых датчиков: 0,56 [11]. | |
Наземный | Векторная карта, растерная карта | Нечеткие c-средние | LAI | Система LiDAR может использоваться с перерывами, если максимальное расстояние между сканированиями вдоль рядов не превышает 15 м при длине сканирования 1 м [33]. |
Наземный | Распределение Пуассона, SLR | LAI,TAI,высота дерева, площадь поперечного сечения, объем полога | R2 между TAI и LAI: 0,92. между объемом полога и LAI: 0,81. между площадью поперечного сечения и LAI: 0,72. между высотой дерева и LAI: 0,62 [12]. | |
Наземный | SLR | MSA, LAI | R2 между MSA и LAI: 0,798 [34]. |
Таблица 3.Сравнение различных аспектов данных LiDAR при оценке биомассы сельскохозяйственных культур.
Тип LiDAR | Аналитический метод | Модель | Характеристики | Результаты |
---|---|---|---|---|
Наземный | SLR, PMCC | 3D объемная модель | Объем древесной ткани виноградных лоз | Объемы, рассчитанные по данным LiDAR, находятся в диапазоне от 1,31 до 10,61 л. Объемы, полученные по аналоговым измерениям, находятся в диапазоне от 0,83 до 5,05 л. SLR аналогового объема на основе объема LiDAR указывает, что значения наклона находятся в диапазоне от 0,43 до 0,54. Кроме того, PMCC находится в диапазоне от 0,73 до 0,97 [35]. |
Наземный | SLR, LSR, SMR, ANN, RFR | Высота, покрытие полога, объем полога | На уровне участка: LSR и SLR имели R2 0,79 и 0,80 соответственно. R2 SMR, ANN и RF были 0,80, 0,68 и 0,79 соответственно.На уровне отдельного растения: LSR и SLR имели R2 0,93 и 0,96 соответственно. R2 SMR, ANN и RF были 0,94, 0,93 и 0,94 соответственно. На уровне группы листьев: LSR и SLR имели R2 0,95 и 0,92 соответственно. R2 SMR, ANN и RF были 0,97, 0,97 и 0,97 соответственно. На уровне стебля: LSR и SLR имели R2 0,93 и 0,94 соответственно. R2 и RMSE SMR, ANN и RF были 0,94, 0,95 и 0,95 соответственно [14]. | |
Наземный | SLR | DSM, DTM | Объем растительности, NNI, высота полога, объем полога | Связи между наблюдаемыми физическими прокси и объемом растительности, полученным с помощью LiDAR, для всех сезонов и стадий роста были с R2 >= 0,72. Диапазон связей между фактической концентрацией азота и интенсивностью возврата зеленого лазера был R2 = 0,10–0,75 [36]. |
Наземный | Процентильный алгоритм, Коэффициент корреляции Пирсона (r), SLR | AGB, CH, LPV, LCH | Корреляции между AGB и LPV были до r = 0,86. Корреляции между CH и LCH были до r = 0,94 [37]. |
Таблица 4.Сравнение различных аспектов данных LiDAR в фенологических стадиях полога и характеристика фенотипа.
Тип LiDAR | Аналитический метод | Модель | Характеристики | Результаты |
---|---|---|---|---|
Наземный | SLR | GRASS-GIS | Высота полога, ширина полога, LAI, TRV, LWA | R2 между ручным и LiDAR-сканированием высоты полога, между ручным и LiDAR-сканированием ширины полога, между TRV и стадией роста и между LWA и стадией роста составили 0,98, 0,81, 0,99 и 0,95 соответственно [16]. |
Наземный | SLR, кластеризация на основе расстояния | DTM | Высота растения, PAI, PLA, плотность площади растения (PAD) | R2 между высотой растения и ручным измерением, между PLA и ручным измерением и между PAI и ручным измерением составили 0,96, 0,92 и 0,70 соответственно [17]. |
Наземный | SLR, Анализ теста, ANOVA | Объем растения, высота полога, PCA | R2 между ручными и LiDAR-измерениями высоты полога, между ручными и LiDAR-измерениями PCA, между ручными и LiDAR-измерениями объема полога составили 0,97, 0,97 и 0,98 соответственно [38]. | |
Наземный | SLR | Алгоритм триангуляции Делоне, Кластеризация методом k-средних, LOWESS | Площадь листа,площадь растения,угол наклона отдельных листьев, угловое распределение листьев всего растения | R2 между полученной с помощью модели площадью листьев и эталонным измерением для кукурузы составили 0,92. Для сорго R2 между полученной с помощью модели площадью листьев и эталонным измерением составили 0,94. Для кукурузы R2 между углами наклона листьев, измеренными с помощью 2D-изображений и полученными с помощью 3D-модели, составил 0,904. Для сорго R2 между углами наклона листьев, измеренными с помощью 2D-изображений и полученными с помощью 3D-модели, составил 0,723 [37]. |
Рисунок 5.Пример (A) LiDAR и (B) данные временного ряда облаков точек фотограмметрии, окрашенные в соответствии с результатами съемки (от темно-синего до красного). Перепечатка из Ref. [43].
Тип LiDAR | Аналитический метод | Модель | Характеристики | Результаты |
---|---|---|---|---|
Наземный | SLR, бинарная логистическая регрессия, CDA | Высота растения, значение отражения | R2 между измеренной LiDAR высотой и фактической высотой растений составил 0,75. Прогнозируемые значения из бинарной логистической регрессии показывают точность 95,3% для растительности и 82,2% для нерастительности/почвы, с общей точностью 92,7%. Используя канонический дискриминантный анализ (CDA), общий успех в различении составил 72,2%. Почва и двудольные были классифицированы с точностью 92,4% и 64,5% соответственно [40]. | |
Наземный | CropPointNet, PointNet, DGCNN | Высота урожая | Модель CropPointNet имела общую точность 81,5%. PointNet и DGCNN имели общую точность 55% и 66,5% соответственно. Модели CropPointNet, DGCNN и PointNet различали капусту с точностью 91%, 82% и 72% соответственно, баклажаны с точностью 88%, 83% и 69% соответственно, а томаты с точностью 65%, 61% и 60% соответственно [41]. | |
Наземный | SLR | Высота полога | R2 между высотой, измеренной LiDAR, и ручным измерением, между высотой, измеренной UAS, и ручным измерением и между высотой, измеренной ультразвуковым датчиком, и ручным измерением составили 0,97, 0,91 и 0,05 соответственно [42]. | |
Воздушный | Регрессия мощности,SLR | DTM | Высота сахарного тростника | Соотношение наземных и неземных отражений с LiDAR составило R2 = 0,971. Соотношение наземных и неземных отражений с фотограмметрией составило R2 = 0,993. R2 между максимальной высотой урожая, полученной с помощью LiDAR, и полученной с помощью фотограмметрии, составило 0,885. R2 между средней высотой урожая, полученной с помощью LiDAR, и полученной с помощью фотограмметрии, составил 0,929 [43]. |
Воздушный | MLR, SMR,GLM, GBM,KRLS, RFR | DEM, DSM | AFW | R2 между наблюдаемым AFW и подобранным AFW с помощью RFR составил 0,96, самое высокое значение для R2 среди шести моделей [44]. |
Таблица 6.Сравнение различных аспектов данных LiDAR при измерении сноса распыления.
Тип LiDAR | Аналитический метод | Характеристики | Результаты |
---|---|---|---|
Наземный | Моделирование отношения сигнал/шум | Сигнал LiDAR обратно рассеивает отношение сигнал/шум | Система LiDAR измерила среднее смещение распыления с расстояния 2,4 м и временным (100 мс при максимальной частоте повторения импульсов) разрешением [45]. |
Наземный | Линейная функция | Количество дрейфовых капель | Для расхода воздуха 34 959 м3.ч−1: Коэффициент корреляции составил от 0,87 до 0,91 с обычными типами форсунок. Коэффициент корреляции составил от 0,88 до 0,40 с типами форсунок с впрыском воздуха. Для расхода воздуха 27 507 м3.ч−1: Коэффициент корреляции составил от 0,85 до 0,94 с обычными типами форсунок. Коэффициент корреляции составил от 0,07 до 0,88 с типами форсунок с впрыском воздуха. Для расхода воздуха 6423 м3.ч−1: Коэффициент корреляции составил от 0,93 до 0,98 с обычными типами форсунок [46]. |
Наземный (поляризация) | Методология поляризационного LiDAR | Коэффициент объемной деполяризации, коэффициент деполяризации частиц | Результаты показывают, что коэффициенты деполяризации частиц, вызванные полевой пылью (0,220–0,268) и дорожной пылью (0,385), были выше, чем коэффициенты, вызванные сносом распыляемых пестицидов (0,028–0,043) или выхлопными газами дизельного топлива (0,099) [47]. |
Таблица 7.Сравнение различных аспектов данных LiDAR при определении свойств почвы.
Тип LiDAR | Аналитический метод | Модель/Алгоритм | Характеристики | Результаты |
---|---|---|---|---|
Воздушный | Тест Шапиро–Уилка, Тест Брауна–Форсайта, Дисперсионный анализ с повторными измерениями, SLR | Алгоритмы удаления углублений, DSM, DEM, алгоритм подхода к снижению воздействия | TW, PEI CHM | R2 между влажностью почвы и TWI для глубины 0–15 см составил 0,346. R2 между влажностью почвы и TWI для глубины 0–40 см составил 0,292. Переменные с высоким пространственным разрешением (2 м и 5 м) могут быть более эффективными при моделировании тенденций влажности почвы на небольших глубинах (от 0 до 15 см). Более грубое разрешение (10 м и 20 м) может быть более подходящим на больших глубинах (от 0 до 40 см) [48]. |
Воздушный | SLR | Высоты поверхности, среднеквадратичное значение (RMS) | Корреляция между оценкой LiDAR и оценкой наземных измерений (RMS) имела R2 > 0,68, вплоть до 0,88 [50]. | |
Воздушный | GLM, GAM, BRT, RFR | Модель влажности почвы, модель временных колебаний, DTM | TWI, система автоматизированного геонаучного анализа,индекс влажности почвы, индекс топографического положения | Среднее соответствие модели влажности почвы составило R2 = 0,60. Модель временных вариаций имела соответствие R2 = 0,25 [49]. |
Рисунок 8.Иллюстрация эффекта принудительного воздушного потока в обнаружении фруктов. Перепечатано с разрешения Ref. [52] Авторские права 2019 Elsevier.
Таблица 8.Сравнение различных аспектов данных LiDAR при прогнозировании урожайности.
Тип LiDAR | Аналитический метод | Модель/Алгоритм | Характеристики | Результаты |
---|---|---|---|---|
Наземный | SLR | Сегментация и вокселизация 3D-облака точек | объем полога, плотность цветка, плотность плода | Объем полога LiDAR имел отношение к доходности с 3D точкой R 0,77. Ручная фотография и обработка изображений до R 0,77. измерение плотности плодов показало R2 0,71 [51]. |
Наземный | SLR | SVM,RF, алгоритм сканирования на основе плотности | Средняя высота полога, ширина полога, площадь поперечного сечения контура | LiDAR с системой принудительного обдува и фактическое количество яблок на дереве показали RMSE 19,0% и 12,4% и R2 0,58 и 0,54 при сканировании с восточной и западной сторон соответственно. LiDAR с системой принудительного обдува и фактическое количество яблок на дереве показали R2 0,87 при использовании данных с обеих сторон дерева [52]. |
Таблица 9.Диапазон высоты полога, оцененный с помощью LiDAR.
Нет Размещения | Наклон штока | Складной стебель с посадкой | Размещение |
---|---|---|---|
2.01~2.28м | 1.21~1.47 м | 0,06~0,17м | 0,08~0,18 м |