Применение LiDAR в сельском хозяйстве и будущие направления исследований

Сурабхи Дебнат, Маноранджан Пол и Танмой Дебнат *
Факультет вычислительной техники, математики и инженерии, Университет Чарльза Стерта, Батерст, Новый Южный Уэльс 2795, Австралия
*Переписка:tdebnath@csu.edu.au


Краткое содержание: Датчики обнаружения и определения дальности света (LiDAR) приобретают все большее распространение для решения задач сельского хозяйства, в том числе поскольку предполагают неразрушающий метод получения данных. Датчики LiDAR излучают импульсные световые волны, которые возвращаются к датчику после отражения от окружающих объектов. Расстояния, которые проходят импульсы, рассчитываются путем измерения времени, необходимого для возвращения всех импульсов к источнику. Существует множество сообщений о применении данных, полученных с помощью LiDAR, для сельскохозяйственных задач. Датчики LiDAR широко используются для изучения сельскохозяйственного ландшафта и топографии, а также структурных характеристик деревьев, таких как индекс площади листьев и объем полога; они также используются для оценки биомассы сельскохозяйственных культур, характеристики фенотипа, роста сельскохозяйственных культур и т. д. Система на основе LiDAR и данные LiDAR также могут использоваться для измерения сноса распыления и определения свойств почвы. В литературе также было предложено, что обнаружение повреждения сельскохозяйственных культур и прогнозирование урожайности также могут быть получены с помощью данных LiDAR. В этом обзоре основное внимание уделяется различным приложениям систем на основе LiDAR и данным, полученным с помощью LiDAR, для сельского хозяйства. Также приводятся сравнения особенностей применения данных LiDAR в различных сельскохозяйственных приложениях. Кроме того, в этом обзоре также представлены будущие направления исследований, основанные на этой новой технологии.

Ключевые слова:LiDAR; сельское хозяйство; объем полога; биомасса; фенотип

2.Введение
Датчики обнаружения света и определения дальности (LiDAR) считаются одной из самых важных технологий для сельскохозяйственных секторов, поскольку они являются формой неразрушающего дистанционного зондирования, которая не зависит от условий освещения. Они также предоставляют информацию с более высокой точностью по сравнению с другими технологиями цифрового зондирования. LiDAR основан на дистанционном зондировании и может вычислять расстояние между датчиком и целью, испуская электромагнитный сигнал в виде лазерного луча в заданном направлении. Прошедшее время между испусканием и получением лазерного луча используется для расчета расстояния до цели. Наборы данных LiDAR собираются с помощью специальных датчиков с воздуха или земли, в результате чего получается набор облаков точек, имеющих положения x, y и z относительно координаты [1]. Геометрические и структурные параметры дерева, такие как площадь и объем кроны, индекс листовой поверхности и т. д., также могут быть получены прямыми, полупрямыми и косвенными методами. В прямых методах характеристики получаются путем измерения высоты и ширины, подсчета и деструктивной выборки, такой как срывание листьев с растений [2]. Таким образом, процесс получения данных является длительным, трудоемким, дорогостоящим и может привести к человеческой ошибке. В полупрямом методе, таком как метод квадрата наклонной точки Вильсона [2], число контактов листьев подсчитывается с помощью зондов в растительном пологе. Косвенные методы используют пассивные оптические устройства, которые основаны на методе доли зазора. Однако эти методы имеют ограничения в пространственной явности и точности.
Существуют также технологии цифрового зондирования, такие как анализ спектра света, обработка изображений, методы анализа, инфракрасная термография, стереоскопическая фотография и оптическая локация для измерения и обнаружения структурных характеристик растений. Эти методы зависят от условий освещения [3]. Существуют топологические, батиметрические и наземные лидары.

Основной принцип работы всех устройств LiDAR одинаков. Топологический LiDAR обычно использует лазер ближнего инфракрасного диапазона для измерения расстояния до объектов на земле. Батиметрический LiDAR использует зеленую длину волны 532 нм, которая может проникать в воду для картирования морского дна и высот речного дна [4]. С другой стороны, наземный лидар обычно устанавливается на движущемся транспортном средстве или штативе для получения данных об окружающих поверхностях и объектах.
Существуют потенциальные области применения LiDAR в таких секторах, как сельское хозяйство, моделирование наводнений, управление береговой линией, археология, океанография, навигация и предотвращение столкновений в области автономных транспортных средств, физики и астрономии, для военных и правоохранительных органов и т. д. [5]. Исследователи обнаружили, что технологию на основе LiDAR можно также использовать для обнаружения CO2 в атмосфере Земли [6–8], что позволяет исследователям разрабатывать модели загрязнения для эффективного мониторинга и сокращения выбросов. Хотя существуют многопрофильные применения LiDAR, основная цель этой статьи — предоставить всесторонний обзор применений LiDAR в сельскохозяйственном секторе. Системы на основе LiDAR привлекли внимание исследователей для неразрушающего дистанционного зондирования в сельскохозяйственных секторах, на которые не влияют условия освещения [3]. Исследователи сосредоточены на разработке технологий на основе датчиков LiDAR. LiDAR широко используется в сельскохозяйственном ландшафтном дизайне для картирования и направления потока воды, а также деревьев. Сообщалось, что с помощью данных LiDAR можно визуализировать, измерять и наносить на карту такие изменения, как уклон, экспозиция, эрозия почвы и высота растений. Информация, полученная с помощью данных LiDAR, может использоваться для планирования эффективного управления сельскохозяйственными землями [10]. Измерение объема полога [11], индекса площади листа [12], индекса площади деревьев [13], биомассы [14] и т. д., также помогают в оценке дозы удобрений и пестицидов [11,15], накопление биомассы и хранение углерода и т. д. Понимание структурных характеристик фенологических стадий полога и характеристика фенотипа [16,17] также имеют решающее значение. Они влияют на фотосинтез, рост, развитие растений, здоровье, потенциал урожайности, секвестрацию CO2 и эвапотранспирацию. Следовательно, это понимание играет решающую роль в поддержании наземных и надземных агрономических систем [18,19]. С помощью такой информации можно определить различные характеристики и соответствующее управление для каждой зоны сельскохозяйственных зон.
Принцип работы LiDAR описан в разделе 2, информация о различных типах LiDAR представлена ​​в разделе 2.1, различные применения данных LiDAR рассматриваются в разделе 3, обработка данных подробно описана в разделе 4 и будущие направления исследований в области применения данных LiDAR обсуждаются в разделе 5.

Основные выводы данной статьи следующие:

• Обсуждаются применения данных LiDAR в сельском хозяйстве за последние 14 лет (с 2008 по 2022 год). Мы считаем, что это может помочь читателям, особенно новичкам в этой области, понять тенденцию применения LiDAR в сельскохозяйственном секторе;
• Также приводятся сравнения аспектов данных LiDAR в различных сельскохозяйственных применениях вместе с различными аспектами обработки данных;
• Также представлено обсуждение будущих направлений исследований систем на основе LiDAR.

3.Как работает лидар

Принцип работы системы на основе LiDAR представлен на рисунке.1. Рисунок1 показывает, что когда фотоны световой энергии от LiDAR (например, воздушного LiDAR) попадают на различные объекты (например, дороги, здания, ветви деревьев, мосты и т. д.), часть света отражается от этих объектов и возвращается к датчику. В зависимости от размера объектов и окружающей среды, часть света продолжает идти вниз к земле. Это явление приводит к многократным отражениям, и волновая форма создается распределением энергии, которая возвращается к датчику, который затем регистрируется. Распределение пиков энергии создается в областях, где количество световой энергии, возвращаемой к датчику, велико [20].
В зависимости от того, как регистрируются отраженные сигналы, различают дискретные и полнодиапазонные LiDAR-датчики.Waveform LiDAR. Как система LiDAR с дискретным возвратом, так и система LiDAR с полной формой волны могут регистрировать возвраты. Дискретные точки для пиков на кривой формы волны регистрируются в системе LiDAR с дискретным возвратом. С другой стороны, распределение энергии возвращаемого света записанная в полной форме волны система LiDAR, которая может получить расстояние между датчиком LiDAR и объектами. Это расстояние может быть измерено с помощью методов измерения времени пролета (TOF) или фазового сдвига (PMS). Время пролета (ToF) вычисляет расстояние между датчиком LiDAR и интересующими объектами, которые отражают исходный сигнал, исходящий от датчика путем записи разницы во времени между исходным и отраженным сигналами. Система LiDAR использует свет в форме импульсного лазера в TOF. Время начала испускаемого импульса и время отраженного импульса, попадающего на датчик, регистрируются для расчета времени, необходимого для возврата импульса к источнику LiDAR [21–23]. Таким образом, уравнение (1) можно использовать для измерения расстояния, которое прошёл отдельный фотон от объекта и до него.

где d = расстояние до объекта, c = скорость света и t = время между испущенным и обнаруженным светом.

Мощность света модулируется с постоянной частотой в PMS, где используется непрерывный источник света. Поэтому модулированный свет можно охарактеризовать как синусоидальный (время и мощность лазера по осям x и y соответственно) по своей природе. Разницу в радианах пиков волн и расстояние до объекта можно найти с помощью уравнения (2) [23].

где d = расстояние, c = скорость света, ∆Φ = разность фаз и f = частота модулированной мощности.

Расстояние, полученное с помощью TOF или PMS, затем преобразуется в высоту. Информация о высоте затем используется для представления наземных объектов.

3.1.Типы LiDAR

В основном существуют воздушные и наземные системы LiDAR, и они делятся по функциональности. Воздушный LiDAR может быть установлен на беспилотнике или вертолете и классифицируется как топологический LiDAR или батиметрический LiDAR. Топологический LiDAR использует ближний инфракрасный лазер для картирования земель, а батиметрический LiDAR использует проникающий в воду зеленый свет для измерения высот морского дна или русла реки [21,24].
Большинство бортовых систем LiDAR состоят из датчиков LiDAR, устройств хранения данных, бортового компьютера, глобальной системы позиционирования (GPS) и инерциального измерительного блока (IMU) [25]. GPS отвечает за определение местоположения самолета, а IMU регистрирует точную ориентацию датчика. Наземные системы LiDAR обычно устанавливаются на транспортных средствах или штативе на земле для получения необходимой информации. Наземный LiDAR использует зеркала для получения данных с нескольких направлений [26]. Наземный LiDAR также может использоваться для получения данных для таких областей, как под кронами деревьев, куда не может добраться воздушный LiDAR. Подобно воздушному LiDAR, различные объекты отражают импульсный лазер, и устройство используется для расчета их расстояния от объекта.
Рисунок 2 представляет собой диаграмму различных применений LiDAR в сельском хозяйстве. Системы LiDAR можно в целом разделить на наземные и воздушные категории. В сельскохозяйственном секторе наземный LiDAR в основном используется для определения ландшафта и топографии, индекса листовой поверхности и оценки объема полога; оценки биомассы сельскохозяйственных культур; фенологической стадии и характеристики фенотипа полога; обнаружения сорняков, сельскохозяйственных культур и почвы; оценки роста сельскохозяйственных культур; измерения сноса распылением; прогнозирования урожайности и т. д. Воздушный LiDAR можно классифицировать как батиметрический LiDAR и топологический LiDAR. Пока еще не так много сообщений об использовании батиметрического LiDAR в сельском хозяйстве. Топологический LiDAR в основном используется для определения ландшафта и топографии, оценки роста сельскохозяйственных культур, обнаружения свойств почвы, обнаружения повреждений сельскохозяйственных культур и т. д.

4. Применение LiDAR

LiDAR обычно записывает время GPS; угол и направление сканирования; информацию о положении x, y и z; интенсивность; номер возврата; количество возвратов; и значения классификации точек [27]. Эти сохраненные наборы данных затем используются для получения информации о высоте, объеме и площади целевых объектов. Полученная информация затем используется для определения ландшафта и различных физических характеристик деревьев, оценки биомассы урожая, измерения сноса распыления, определения свойств почвы, прогнозирования урожайности, обнаружения повреждения урожая и т. д.
В следующих разделах обсуждаются различные варианты применения наборов данных LiDAR в сельскохозяйственных условиях.

4.1.Ландшафт иТопография

Датчики LiDAR широко используются для определения ландшафта и топографии сельскохозяйственных угодий для планирования и управления сельским хозяйством. Ниже представлены применения данных LiDAR в ландшафтном дизайне и определении топографии.

4.1.1. Обнаружение сети канав

JS Bailly и др. использовали бортовой LiDAR для получения данных о средиземноморских виноградниках с целью обнаружения сети канав [28]. В исследовании предлагаемые подходы основывались на гипотезе о том, что канавы располагались на границах полей. Следовательно, вогнутость в профиле высот будет направлена ​​поперек каноэ. В предлагаемом методе профили высот оценивались на наборе предварительно локализованных участков из необработанных данных. Вывод профиля для индикаторов вогнутости также применялся с помощью одномерных вейвлет-преобразований (DWT) и алгоритма водораздела. Кроме того, для дифференциации канав от не канав использовался метод сегментации дерева классификации и регрессии (CART). Сообщалось, что общая точность DWT и алгоритма водораздела составила 71,3% и 71,7% соответственно, со средним показателем пропуска канав около 50% и средним показателем комиссии за канавы около 15% как для DWT, так и для водораздела. Результаты показывают, что показатели пропуска канав были выше для участков с высокой растительностью, но показатели обнаружения составляли около 75%, когда растительности было мало.

4.1.2. Обнаружение группы террас

Марк Д. Маккой и др. предложили картографирование контрастности склонов для идентификации групп сельскохозяйственных террас с помощью набора данных LiDAR [29]. В их исследовании использовалась модель географической информационной системы (ГИС) для распознавания плоских и низких склонов между дренажами и сравнения результатов с картографированием контрастности склонов. Модель контрастности склонов (SCM) использовалась для оценки цифровых моделей рельефа верхней части полога и земли (DEM) на основе данных облака точек LiDAR. SCM считала, что вертикальный обратный склон 900 был создан путем вырезания естественного склона. Боковые склоны 900 были созданы путем вырезания и засыпки. Спуск состоял из засыпки, удерживаемой на месте поверхностью [29]. После получения цифровой модели рельефа (ЦМР) ЦМР была преобразована в растр уклона. Затем растр уклона был преобразован в классифицированный растр путем разделения ячеек на категории плоских, низких и высоких уклонов. Сообщалось, что хотя предлагаемая модель SCM могла картировать естественно ровные области, оценивая, где в прошлом расширялось орошаемое земледелие, она была менее эффективна, чем модель ГИС.

4.1.3. Обнаружение эрозии

Гидрогеоморфологический анализ для выявления террас и эрозии виноградников, вызванной дорогами, был предложен Таролли и др. [10]. Сначала относительный индекс воздействия пути (RPII) был получен из цифровой модели рельефа (DTM), полученной с помощью бортовых и наземных сканеров LiDAR для определения террас и эрозий, вызванных дорогами. Затем статистический порог индекса использовался для обозначения критических областей поверхностной эрозии в террасном винограднике.
Различные меры по сохранению почвы были смоделированы с использованием индекса и определенных пороговых значений для определения оптимального решения по снижению обрушения или эрозии виноградников, вызванных сельскохозяйственными дорогами и террасами. Рисунок 3 показывает, что хотя и с использованием RPII, дорога размер был правильно зафиксирован с использованием 1-метрового воздушного сканера LiDAR (ALS) DTM, но провалы террас T1 до T2 не могли быть точно идентифицированы, чтобы правильно охарактеризовать чередования потоков. С другой стороны, для 0,2-метрового наземного сканера LiDAR (TLS) DTM RPII дал более точные результаты и правильно изобразил все обследованные провалы (T1 до T5).

4.1.4. Обнаружение наземного потока

Джейк Галцки и др. предположили, что, применяя атрибуты рельефа на основе LiDAR, можно идентифицировать мелкомасштабные области, состоящие из наземного потока [30]. Их области исследования были гидрологически связаны с поверхностными водами либо через наземный путь потока, либо через подземный дренаж вдоль сельскохозяйственных канав. Эти целевые области имели более высокую вероятность внесения вклада в ухудшение качества поверхностных вод путем переноса загрязняющих веществ, питательных веществ и пестицидов в близлежащие водные источники. В этом предложенном методе использовались методы точной консервации для получения данных LiDAR с приемлемым разрешением. Данные LiDAR были преобразованы в гидрологически скорректированные ЦМР с разрешением ячейки сетки 1 м, а затем повторно отобраны в ЦМР 3 м. Затем из ЦМР были получены различные атрибуты рельефа, например, уклон, накопление потока и индекс мощности потока. Сообщалось, что из 32 наиболее заметных оврагов 3-метровый LiDAR правильно идентифицировал 31, тогда как 30-метровый LiDAR смог идентифицировать только 7 [30].

4.1.5. Обнаружение посылки

В другом приложении в сельскохозяйственном ландшафте Адам Дж. Мэтьюз и др. предложили метод извлечения и классификации участков землепользования виноградников и границ участков. Исследование проводилось на трех различных участках виноградников. DTM, цифровая модель поверхности (DSM) и нормализованная цифровая модель поверхности (nDSM) были получены из набора необработанных данных LiDAR. В этом предложенном методе nDSM была разработана с использованием данных LiDAR с борта самолета о междурядьях, особенностях полога и методе фокальной статистики [31]. Изучение показало, что хотя средняя точность правильно классифицированных площадей виноградников и разграничений участков составляла 97,55% и 88,79% соответственно, этот метод имел ограничения, когда дело доходило до различения отдельных, но смежных участков виноградников в непосредственной близости. В предлагаемом методе использовалось окно анализа 12 12. Размер окна сканирования был функцией геометрии рядов виноградников, расстояния и разрешения DSM.

4.1.6. Обнаружение открытия навеса

В другом типе применения данных LiDAR Коллин и др. предложили метод, в котором данные LiDAR с воздуха использовались для оценки открытости полога для моделирования солнечной радиации с точки зрения индекса проникновения света (LPI) [32]. Этот индекс определяет вероятность того, что прямой луч света пройдет через растения и коснется земли. Во-первых, облака точек LiDAR обусловили вероятность достижения светом земли; затем эта вероятность была определена с учетом LPI. Таким образом, лазер считался заменой солнечных лучей, охватывающих землю. В этой предлагаемой модели солнечная модель GRASS GIS r.sun использовалась для разработки модели солнечного излучения под пологом (SSR) из набора данных LiDAR. GRASS GIS r.sun была солнечной моделью ясного неба, которая учитывала топографические углы, затенение, ЦМР, юлианский день, временной шаг и индекс мутности Линке. Модель SSR использовала как прямые, так и косвенные полевые измерения для оценки излучения под пологом.
Пиранометры использовались для прямых измерений глобальной и диффузной радиации, тогда как полусферические фотографии и анализатор щелевого света (GLA) использовались для косвенных измерений. SSR мог предсказывать прямую радиацию лучше, чем диффузную. Простой линейный регрессионный анализ (SLR) показал, что SSR и GLA для прогнозов общей солнечной радиации соответствовали полевым измерениям с R2 = 0,92 и R2 = 0,692 соответственно. Однако прогнозы не были высокоточными для диффузной радиации как для SSR, так и для GLA. Открытость полога, полученная из GLA и LPI, коррелировала с R2 = 0,768. Таблица 1 представляет сравнения различных аспектов данных LiDAR при определении сельскохозяйственного ландшафта и топографии.

4.2.Индекс листовой поверхности и объем полога

Применение LiDAR также было сообщено для измерения индекса площади листа (LAI) и объема полога. Установленный на тракторе 2D LiDAR был предложен Розеллом и др. для того, чтобы сделатьзаписи 3D-структур рядов деревьев в грушевых и яблоневых садах, а также виноградниках [19]. В этом методе трехмерное облако точек визуализировалось с помощью компьютерного проектирования [18]. Данные сканера использовались для расчета объемов и площади листьев деревьев, чтобы исследовать пригодность лазерных датчиков для характеристики растительности. Площади листвы и объем растений также сравнивались с площадями листьев с использованием анализа SLR [19]. Данные были собраны с использованием датчика LiDAR относительно различных стадий роста сельскохозяйственных культур, а также до и после дефолиации обозначенные деревья по обе стороны рядов культур. Для определения площади листьев были запрошены два метода. В первом методе рассматривалась связь между объемом растения, измеренным с помощью LiDAR, и соответствующей ему вручную измеренной общей площадью листьев.Второй метод, сформулированный Walklate et al., использовал закон Бера и индекс площади дерева (TAI) [13]. Здесь TAI определялся как отношение площади обнаруженного урожая к площади земли. Анализ SLR показал, что коэффициент детерминации (R2) между объемом растений и LAI для грушевых садов, яблоневых садов и виноградников составляет R2 = 0,8422, R2 = 0,814 и R2 = 0,8058 соответственно. Однако для виноградников коэффициент детерминации между LAI и TAI составил R2 = 0,9194 [19].
С другой стороны, сравнивая результаты, полученные с помощью датчиков LiDAR, с ультразвуковыми и традиционными ручными процедурами измерения растительного покрова, Хорди Льоренс и др. обнаружили, что ширина и объем урожая, рассчитанные с помощью данных датчика LiDAR, показали более низкие значения R2, ​​чем полученные с помощью ультразвуковых и ручных процессов [11]. Корреляции между LAI и объемом полога с использованием ультразвуковых и лидарных датчиков были обнаружены с R2 = 0,51 и 0,21 соответственно. Однако корреляция между вычисленными объемами с помощью ультразвука и LiDAR была получена с R2 = 0,56. Было сообщено, что датчики LiDAR обладают лучшей способностью обнаруживать просветы в пологе, но требуют программного обеспечения для анализа данных LiDAR, чтобы получить точную информацию.

Таблица 1.Сравнение различных аспектов данных LiDAR при определении сельскохозяйственного ландшафта и топографии.

Кроме того, в экспериментальном исследовании Дж. Арно и др. LAI оценивался по данным LiDAR [33]. Измеренные LAI с зонами низкой, средней и высокой силы роста были получены с помощью кластерного анализа. LAI определялся с учетом проецируемой левой, правой и верхней поверхности и соотношения между площадью листа и проецируемой площадью оболочки. Здесь LiDAR переоценил LAI по сравнению с измерением LAI во всех трех зонах силы роста, с уменьшением различий с увеличением поверхности листа. Сообщалось, что если максимальное расстояние между сканированиями вдоль рядов не превышало 15 м, а сканируемая длина составляла 1 м, систему LiDAR можно было использовать с перерывами.
J. Arnoet al. также рассчитали LAI с учетом TAI, используя данные датчика LiDAR в другом исследовании. TAI был сформулирован с использованием распределения Пуассона. Помимо TAI, высота дерева, площадь поперечного сечения и объем полога также были рассчитаны с использованием данных датчика LiDAR [12]. Связь между измеренным LAI и параметрами, упомянутыми выше, была получена с помощью анализа SLR. Анализ SLR оценил LAI из высоты полога дерева, площади поперечного сечения и объема для секций длиной 1 м общей ширины ряда с R2 = 0,62, 0,72 и 0,81 соответственно. Кроме того, оценка LAI, полученная из TAI, была с R2 = 0,92 для той же длины. В этом предлагаемом методе неслучайное распределение листьев и неспособность LiDAR различать лиственные и древесные материалы повлияла на точность оценки LAI.
С другой стороны, используя прототип робота с дистанционным управлением, состоящий из сканера LiDAR, C. Poblete-Echeverría и др. получили данные для оценки LAI для изучения роста виноградников относительно сезонной прогрессии и прогрессии окружающей среды [34]. Площадь поверхности сетки (MSA) также оценивалась по данным LiDAR, чтобы продемонстрировать полезность LiDAR в оценке LAI. Анализы SLR применялись для получения корреляции между фактическими значениями LAI и MSA. Результаты демонстрируют корреляцию между MSA и LAI с R2 0,798 и RMSE 0,05 м. Таблица 2 представляет сравнения различных аспектов данных LiDAR при измерении индекса листовой поверхности и объема полога.

4.3.Оценка биомассы урожая

Применении датчиков LiDAR используется для оценки биомассы урожая. Объемное моделирование на основе LiDAR также было предложено Кейтли и др. для измерения объема биомассы виноградной лозы [35]. Данные LiDAR были получены со стволов и кордонов виноградной лозы (установленных на поворотном столе) и использованы для создания 3D-моделей многолетней древесной ткани этой лозы. Также было проведено аналоговое измерение, при котором стволы и кордоны виноградной лозы были погружены в воду, а затем вытесненная вода была собрана. Вес воды был преобразован в объем после записи. Лозы были высушены с помощью печи и взвешены. Данные об объеме, плотности и массе были получены для каждой лозы. Также был проведен анализ SLR для получения соотношения между объемами из данных LiDAR и аналоговых измерений. Сообщалось, что стандартная ошибка снизилась с увеличение числа добавленных сканирований к расчету объема. Объемы, рассчитанные по данным LiDAR, варьировались от 1,31 до 10,61 л, тогда как объемы, полученные по аналоговым измерениям, варьировались от 0,83 до 5,05 л. SLR аналогового объема на основе объема LiDAR обнаружил, что значения наклона варьировались от 0,43 до 0,54. Коэффициент корреляции продукта-момента Пирсона (PMCC) имел диапазон от 0,73 до 0,97. Оценки объема на основе LiDAR были более значимыми, чем рассчитанные с использованием аналогового метода, представленного y-пересечениями. Значения наклона регрессии со среднеквадратической погрешностью варьировались от 4,23 до 1,45. Эти результаты показывают, что объем, рассчитанный по данным LiDAR для более мелких лоз с меньшими диаметрами ствола и кордона, имел более значительное отклонение, чем для более крупных лоз по сравнению с объемами, полученными из аналоговых измерений. Было отмечено, что отклонение в объеме уменьшалось с увеличением размера виноградной лозы. Система LiDAR, использованная в исследовании, имела инструментальную неопределенность 4 мм и измеряла характеристики диаметром 10 мм [35]. Следовательно, измерение более мелких лоз требовало анализа, более близкого к пределу точности. Кроме того, сложная геометрия растений также была одним из факторов, которые влияли на точность результатов.
С другой стороны, Шичао Цзинь и др. оценили биомассу кукурузы на поле на уровне участка, т. е. сегментации участка; отдельного растения, т. е. индивидуальной сегментации кукурузы; группы листьев, т. е. сегментации стебля и листа; и отдельного органа, т. е. отдельного листа или стебля, как показано на рисунке.4[14]. Данные LiDAR получали на четырех разных уровнях. Данные использовались для извлечения различных фенотипических признаков, таких как 1D-признаки (например, высота), 2D-признаки (например, полог леса) и 3D-признаки (например, объем). Все фенотипические признаки использовались для построения SLR, логарифмически преобразованной простой регрессии (LSR), пошаговой множественной регрессии (SMR), искусственной нейронной сети (ANN) и случайной лесной регрессии (RFR) для определения подходящих методов и фенотипических признаков для оценки биомассы. Оцененная биомасса для всех четырех уровней, рассчитанная по данным LiDAR, сравнивалась с данными полевых измерений соответствующих уровней. Сообщалось, что на уровне участка наилучшая модель LSR и модель SLR были построены с переменной H84 (т. е. 80%-ная высота квантиля), которая имела R2 0,79 и 0,80 соответственно. R2 и RMSE SMR, ANN и RFR составили 0,80 и
179,77 г, 0,68 и 222,40 г и 0,79 и 150,14 г соответственно. Опять же, на уровне отдельных растений лучшие модели LSR и SLR имели R2 0,93 и 0,96 соответственно.

Рисунок 4.Рабочий процесс оценки биомассы и выбора лучшей модели и фенотипического признака на (a) уровне участка, (b) индивидуальной сегментации, (c) сегментации стебля и листа и (d) индивидуальной сегментации листа. Перепечатка из Ref. [14].

Между тем, R2 и RMSE SMR, ANN и RFR также были высокими и имели показатели
0,94 и 10,29 г, 0,93 и 10,75 г и 0,94 и 10,19 г соответственно. Лучшие модели LSR и SLR были построены с переменными высоты и 3DPI на уровне группы листьев и имели R2 0,95 и 0,92 соответственно. R2 и RMSE SMR, ANN и RFR были 0,97 и
2,41 г, 0,97 и 2,22 г, и 0,97 и 2,34 г соответственно. Кроме того, лучшие модели LSR и SLR были построены на уровне стебля с переменными высоты стебля и R2 0,93 и 0,94. R2 и RMSE SMR, ANN и RFR также были высокими и составляли 0,94 и 6,40 г, 0,95 и 5,68 г и 0,95 и 5,81 г соответственно. С другой стороны, на уровне отдельных листьев лучшие модели LSR и SLR имели переменные площади листьев с R2 0,84 и 0,84 соответственно. R2 и RMSE SMR, ANN и RFR были 0,86 и 0,62 г, 0,86 и 0,67 г и 0,78 и
0,84 г соответственно. Из приведенных выше данных было установлено, что значение R2 было больше 0,80 на всех уровнях для оценки биомассы кукурузы. Оценка биомассы на уровне группы листьев составила R2 = 0,97 с RMSE = 2,22 г на четырех уровнях [14].

Более того, для оценки биомассы и азота (N) в культуре Ян У. Х. Эйтель и др. использовали TLS с использованием импульсного зеленого (532 нм) лазера. Зеленый лазер использовался, поскольку интенсивность его отраженного излучения могла помочь определить атрибуты, связанные с хлорофиллом (например, статус N в культуре). В исследовании считалось, что концентрация хлорофилла в растении влияет на поглощенный зеленый свет. [36]. Увеличение зеленого лазерного света поглощается с увеличением концентрации хлорофилла растений, что снижает интенсивность возврата лазера. В этом исследовании зеленый лазерный свет, отраженный датчиком, регистрировался прибором TLS. Надземная масса урожая также оценивалась по данным TLS. Используя DSM и DTM, был рассчитан объем растительности, полученный с помощью лазера. С помощью компьютерного программирования концентрация азота оценивалась по данным LiDAR. Полученный с помощью лазера объем растительности и нормализованная интенсивность отраженного зеленого света затем использовались для расчета индекса азотного питания (NNI). Было обнаружено, что точность полученного с помощью лазера объема растительности уменьшалась с увеличением высоты и объема полога, поскольку возможность полного проникновения лазерного луча в полог уменьшалась с увеличением покрытия полога. Из анализа SLR, взаимосвязи между наблюдаемыми физическими прокси (например, высотой или объемом урожая) и объемом растительности, полученным с помощью TLS, для всех сезонов и стадий роста были с R2 >= 0,72 и RMSE 0,68 т га−1. Диапазон соотношений между фактической концентрацией азота и интенсивностью отраженного зеленого лазера составил R2 = 0,10–0,75 и RMSE = 0,31–0,63% [36]. Кроме того, Джеймс Д.К. Уолтер использовал данные LiDAR для оценки надземной биомассы (AGB) и высоты полога (CH) урожая пшеницы [37]. В исследовании измерения, полученные с помощью LiDAR, были сопоставлены с ручными измерениями AGB и CH для оценки пригодности применения в рамках программы разведения. Было сообщено, что корреляции между AGB и прогнозируемым объемом LiDAR(LPV) были до коэффициента корреляции Пирсона (r) 0,86, а корреляции между CH и высотой полога LiDAR (LCH) были до r = 0,94. Таблица 3 представляет сравнение нескольких аспектов данных LiDAR при оценке биомассы сельскохозяйственных культур.

4.4.Фенологические стадии полога и характеристика фенотипа

Данные LiDAR применялись для изучения фонологических стадий и характеристики фенотипа сельскохозяйственных культур. Ринальди М. и др. [16] реализован математический протокол для характеристики фенологических стадий, т.е. стадий BBCH виноградного полога. В исследовании были рассчитаны объем ряда деревьев (TRV), площадь листовой стенки (LWA) и LAI. Стадии BBCH были определены с использованием полученных вручную наборов данных и с помощью сканирования LiDAR на каждой фенологической стадии полога. Оценочные значения TRV, LWA и LAI, полученные из данных LiDAR, сравнивались с ручными измерениями. Корреляции между ручными и LiDAR-измерениями высоты и ширины составили R2 = 0,98 и R2 = 0,81 соответственно. Растение измерялось с каждой стороны, и наложение сканов приводило к ошибкам. Следовательно, измерение ширины было менее точным, чем высота. Кроме того, исследование показало, что коэффициенты детерминации между оценочными значениями TRV или LWA и стадией роста лозы составили R2 = 0,99 и R2 = 0,95 соответственно. Также было возможно отслеживать временную динамику фенотипа кукурузы в условиях стресса засухи [17]. Несколько параметров, например, высота растения, площадь проекции листьев (PLA) и индекс площади растения (PAI) можно получить из облаков точек наземного лидара на уровне отдельных растений.Ринальди М. и др. также учитывали размер вокселя при оценке PAI по данным LiDAR, поскольку метод, основанный на вокселях, недооценивал PAI, если размер вокселя был слишком мал.

Напротив, метод переоценивал PAI, если размер вокселя был большим. В исследовании размер вокселя в 1,5 раза превышал среднее расстояние между точками, что было эффективным для полученияотносительно высокая точность оценки PAI. Результаты показывают, что точность оценки высоты растений, PLA и PAI, полученной из данных LiDAR, имела R2 0,96 и RMSE
0,15 м2/м2, R2 0,92 и RMSE 0,05 м2/м2 и R2 0,70 и RMSE 0,15 м2/м2,
соответственно, по сравнению с ручными измерениями [17]. В период роста растения height, PAI и PLA продемонстрировали тенденцию сначала к увеличению, а затем к уменьшению. Также был использован анализ кластеризации на основе расстояния. Девять, пять и три из семнадцати сортов кукурузы были сгруппированы как низкоустойчивые к засухе, среднеустойчивые к засухе и высокоустойчивые к засухе соответственно.
Кроме того, для разработки высокопроизводительной системы фенотипирования и анализа роста растений хлопчатника Шанпенг Сан и др. [38] использовали наземный 2D LiDAR. Они реконструировали 3D-модель сканированных культур. Затем 3D-модель использовалась для расчета морфологических характеристик, таких как высота полога, проектируемая площадь полога (PCA) и объем растения. В этом исследовании эксперименты проводились на четырех сортах хлопка. Во-первых, был проведен дисперсионный анализ (ANOVA) для понимания влияния сорта на признак высоты. Во-вторых, были выполнены 3D-реконструкции растений для выявления закономерностей роста растений хлопка разных сортов с течением времени. Эксперименты по проверке показали корреляцию между измерениями LiDAR и ручными измерениями максимальной высоты полога, PCA и объема растения со значениями R2 и RMSE 0,97 и 0,03 м,
0,97 и 0,007 м2 и 0,98 и 0,011 м3 соответственно. Самые высокие значения R2 между PCA и конечным урожаем для сортов 1, 2, 3 и 4, между 88 и 109 днями после посадки (DAP), были 0,65, 0,83, 0,87 и 0,88, соответственно. С другой стороны, максимальные значения R2между объемом растения и конечной урожайностью были 0,77, 0,85, 0,84 и 0,83 на 95, 67, 74 и 74 DAP для сортов 1, 2, 3 и 4 соответственно [38]. Это исследование предполагает, что PCA и объем растения могут быть использованы в качестве высокопроизводительных инструментов фенотипирования для выявления различий в производительности, отличных от высоты полога.
Более того, для высокопроизводительной оценки посевов кукурузы и сорго Суреш Тапа и др. разработали сканер LiDAR с прецизионным вращающимся столиком для создания трехмерных облаков точек растений с обзором на 360 градусов [39]. Полученные данные затем обрабатывались для удаления шума, вокселизации, триангуляции и реконструкции поверхности листьев растений. Морфологические характеристики растений, такие как индивидуальная и общая площадь листьев, угол наклона листьев и угловое распределение листьев, были получены после реконструкции цифровых поверхностей листьев. Угол, измеренный между листьями растения и его стеблем, считался углом наклона листьев в эталонном методе. Все листья на растении были срезаны после получения изображений, и площадь листьев была получена с помощью измерителя площади листьев. Наконец, для реконструкции поверхности листьев было применено локально взвешенное сглаживание диаграммы рассеяния (LOWESS). R2 между моделью-полученная площадь листьев и контрольное измерение составили 0,92 для кукурузы, а средняя абсолютная ошибка (MAE) составила 43,2 см2.
С другой стороны, для сорго R2 между двумя наборами измерений составил 0,94, а MAE составил 16,0 см2. Эти результаты показывают, что корреляция между площадью листьев, измеренной с помощью прибора на основе LiDAR, и эталонными методами составила R2 > 0,91 для индивидуальной площади листьев и R2 > 0,95 для общей площади листьев каждого растения. 3D-модели недооценили индивидуальную площадь листьев в отличие от измерения с помощью измерителя площади из-за морщинистых структур кукурузы по краям листьев. Система на основе LiDAR не обнаружила их. Напротив, поскольку листья сорго более гладкие, чем у кукурузы, это внесло меньшее количество систематической ошибки в моделирование площади листьев. Корреляция между углами наклона листьев, измеренными с помощью 2D-изображений и полученными с помощью 3D-модели для растений кукурузы, составила R2 = 0,904 [39]. Между тем, для сорго коэффициент детерминации составил R2 = 0,723. Были отмечены некоторые ограничения этого предлагаемого метода, которые следует отметить. В этом предлагаемом методе исследованные кукуруза и сорго имели простую структуру растений и большие листья. Следовательно, структура листьев и растений могла повлиять на экспериментальные результаты. При использовании этого метода может быть сложно получить полное облако точек полога с более плотной структурой листьев из-за окклюзии. С другой стороны, более мелкие листья могут снизить эффективность реконструкции поверхности, и если стебель растения не вертикальный, может быть сложно удалить стебель из необработанных облаков точек [39]. Результаты также могут различаться, поскольку такие параметры, как высота LiDAR для генерации облака точек, начальный и конечный углы, порог для удаления шума облака точек и номер листа для кластеризации k-средних при обработке облака точек, вставлялись вручную. Это может быть нежелательным в практической обстановке. Таблица 4 представляет собой сравнение различных аспектов данных LiDAR в фенологических стадиях полога и характеристике фенотипа.

4.5.Обнаружение сорняков, сельскохозяйственных культур и почвы, а также оценка роста сельскохозяйственных культур

Данные LiDAR могут быть использованы для обнаружения сорняков, сельскохозяйственных культур и почвы. Их также можно применять для оценки роста сельскохозяйственных культур и свежего надземного веса.

4.5.1. Дискриминация сорняков, культур и почв

Дионисио Андухар и др. [40] предложил метод, в котором значения высоты и отражения, полученные с помощью наземного LiDAR, использовались для обнаружения почвы, сельскохозяйственных культур и сорняков. Сообщалось, что корреляция между фактической высотой растений и измеренной LiDAR высотой составила R2 = 0,75. В исследовании использовалась стратегия для отделения областей с растительностью от почвы и проведения дискриминации однодольных, двудольных, сельскохозяйственных культур и почвенных случаев [40]. Было обнаружено, что присутствие растительности соответствовало более высоким значениям отражения. Поэтому, наряду с измерениями высоты LiDAR, данные отражения использовались для дифференциации почвы и растительности. Прогнозируемые значения из бинарной логистической регрессии составили 95,3% для растительности и 82,2% для почвы и общая точность составила 92,7%. Используя канонический дискриминантный анализ (CDA), общий успех в различении этих четырех случаев составил 72,2%. Почва и двудольные были классифицированы с точностью 92,4% и 64,5% соответственно. Точность дискриминации сорняков для однодольных была низкой, поскольку они были похожи на кукурузу. Однако прогнозы для урожая были получены с точностью 74,3%. Разрешение изображений было одним из важных факторов в этом исследовании дискриминации, и оно ниже, если размер следа лазерного луча больше. В результате поле зрения уменьшается с более высокой точностью, тем самым ограничивая эффективность предлагаемого метода [40]. Таким образом, выбор оптимального размера пятна лазерного луча для точного различения сорняков и лабиринтов стал сложной задачей в исследовании.

Однако Реджи Джаякумари и др. применили глубокую сверточную нейронную сеть (CNN)Модель CropPointNet для семантической сегментации культур с трехмерной точки зрения. Эта модель использовалась на данных облака точек LiDAR для объектной классификации капусты, томатов и баклажанов. Классификация культур была проверена и сравнена с PointNet и динамической сверточной нейронной сетью на основе графа (DGCNN). Было сообщено, что объекты культур в трехмерном облаке точек были классифицированы с общей точностью 81,5% с использованием модели CropPointNet. PointNet и DGCNN имели общую точность 55% и 66,5% соответственно. Однако модели CropPointNet, DGCNN и PointNet дискриминировали капусту с точностью 91%, 82% и 72% соответственно, а баклажаны с точностью 88%, 83% и 69% соответственно. Напротив, точность дискриминации культуры томатов составила 65%, 61% и 60% для CropPointNet, DGCNN и PointNet соответственно. Было отмечено, что большинство различий в урожайности томатов были недооценены из-за очевидной путаницы с остаточными гребнями почвы [41].

4.5.2. Оценка роста урожая

С другой стороны, для измерения высоты пшеницы Вэньань Юань и др. разработали наземную многосенсорную систему, содержащую лидар и ультразвуковые датчики. [41].В исследовании также была определена эффективность данных LiDAR, ультразвуковых датчиков и беспилотных авиационных систем (БАС) и сравнены результаты с ручными измерениями [41]. Данные LiDAR были предварительно обработаны для исправления эффекта наклона с целью повышения точности оценки высоты пшеницы. LiDAR имел RMSE 0,05 м, а корреляция между ручным и LiDAR имела R2 0,97; UAS имел RMSE 0,09 м, а корреляция между ручным и UAS имела R2 0,91 для определения высоты полога. RMSE, полученная от ультразвуковых датчиков для оценки высоты, составила 0,3 м, а корреляция между ручным и ультразвуковым датчиками имела R2 0,05. Сообщалось, что когда земля полностью покрыта растительностью, предварительная обработка облака точек может быть невозможна в случае LiDAR из-за вероятности недостаточного захвата данных о точках на земле [42].
Кроме того, для изучения влияния азотного внесения на рост сахарного тростника, Джереми Софония и др. использовали LiDAR с наведением, используя одновременную локализацию и картографирование (SLAM). Результаты, полученные с помощью LiDAR и фотограмметрии, также сравнивались для определения эффективности этих двух систем [43]. Для получения набора данных о высоте сахарного тростника использовались мультиспектральная камера (для фотограмметрии) и система LiDAR, установленные на одной платформе беспилотного летательного аппарата (БПЛА). Возвраты от земли были обнаружены по всей исследуемой территории в ходе всех шести обследований. Первое обследование началось через 58 дней после сбора урожая. Интервал между обследованиями составил 42 дня.
С другой стороны, количество наземных возвратов уменьшалось с каждым обследованием и отсутствовало в третьем обследовании с фотограмметрией. Однако, используя степенную регрессию, отношение наземных и неназемных возвратов, полученных для LiDAR и фотограмметрии, имело R2 0,971 и R2 0,993 соответственно. Рисунок 5 показывает, что LiDAR смог получать больше данных из Survey6, чем фотограмметрия. Коэффициент детерминации SLR между максимальной высотой, измеренной LiDAR, и максимальной высотой, измеренной фотограмметрией, составил R2 0,885. Коэффициент детерминации между средней высотой урожая, полученный с помощью LiDAR и полученный с помощью фотограмметрии, имели R2 0,929. Также сообщалось, что хотя и LiDAR, и фотограмметрия могли обнаружить разницу между нулевым азотом и внесенными обработками азотом во втором и третьем обследованиях, способность обнаруживать разницу в высоте сахарного тростника снижалась с увеличением количества дней после сбора урожая.

4.5.3. Надземный способ оценки веса

Помимо измерения высоты сахарного тростника, Цзин-Сянь Сюй и др. также оценили его надземную сырую массу (AFW) на основе корреляции между высотой и массой.44], где система на основе LiDAR была установлена ​​на БПЛА. В исследовании AFW измерялась вручную; высота сахарного тростника была получена вручную и с помощью данных LiDAR. После создания DEM и DSM из набора данных LiDAR высота сахарного тростника была рассчитана путем вычитания растровых данных DSM и DEM. Значение коэффициента детерминации между высотой и весом сахарного тростника, измеренного в полевых условиях на отдельных растениях составило 0,51. Вес сахарного тростника положительно коррелировал с его высотой. Для разработки моделей AWF использовались множественная линейная регрессия (MLR), SMR, обобщенная линейная модель (GLM), обобщенная усиленная модель (GBM), регуляризованные наименьшие квадраты на основе ядра (KRLS) и алгоритмы RFR. Также применялся подход машинного обучения на основе данных LiDAR. Для точности модели использовался индекс оценки на основе R2 и RMSE между подобранными и наблюдаемыми данными. В машинном обучении в качестве предиктивных моделей использовались KRLS, GBM, RFR и GLM. Было обнаружено, что RMSE постепенно уменьшалось, а R2 постепенно увеличивалось в методах машинного обучения. Результаты показывают, что связь между наблюдаемым AFW и подобранным AFW через RFR была получена с R2 0,96 и RMSE
1,27 кг м−2, что является самым высоким значением для R2 и самым низким значением для RMSE среди
шести моделей, как показано на рисунке6[44]. Здесь черная пунктирная линия представляет линию 1:1, а сплошные синие линии представляют линейную аппроксимацию. Таблица 5 сравнивает различные аспекты данных LiDAR при обнаружении сорняков, сельскохозяйственных культур и почвы, а также при оценке роста сельскохозяйственных культур.

Рисунок 6.Связь между наблюдаемым надземным свежим весом (AFW) и подобранным AFW сахарного тростника с помощью различных аналитических методов. Форма перепечатки Ссылка. [44].

Таблица 5.Сравнение данных LiDAR при обнаружении сорняков, сельскохозяйственных культур и почвы, а также при оценке роста сельскохозяйственных культур.

4.6. Измерение сноса распыления

В литературе также сообщалось об использовании системы LiDAR для характеристики дрейфа при внесении пестицидов.

4.6.1. Прогноз напыления

Эдуард Грегорио и др. продемонстрировали систему на основе лидара, в которой лазеры с длиной волны 1,5 мкм использовались для разработки безопасной для глаз системы мониторинга облаков пестицидов [45]. Параметры, включая длину волны, частоту излучения, энергию импульса и зону приема, были рассчитаны с использованием моделирования отношения сигнал/шум для измерения сноса распыления пестицидов. Сообщалось, что разработанная система LiDAR может измерять снос распыления на среднем расстоянии с расстоянием 2,4 м и временным разрешением (100 мс при максимальной частоте повторения импульсов) [45].
С другой стороны, Эмилио Джил и др. использовали модель, основанную на измерениях LiDAR, для прогнозирования отложений брызг [46]. Прогнозируемое отложение брызг, полученное с помощью данных LiDAR, сравнивалось с отложениями, измеренными на специальном испытательном стенде [46]. Обычный распылитель с обычными и воздушными насадками и многорядный распылитель использовались при двух скоростях воздушного потока. Результаты показывают, что наибольшая фракция дрейфа была обнаружена в пределах ближайших 5 м от зоны измерения для всех случаев, близко к проходу распыления и пологу. Однако после 5,0 м наблюдалось постоянное снижение осаждения, и снижение было более заметным в измерениях LiDAR. В их эксперименте облако дрейфа распыления, превышающее полог, сканировалось с помощью системы на основе LiDAR. Когда лазерный луч пересекал дрейфующее облако, датчик определял угловое положение и радиальное расстояние всех ударов от отраженного сигнала. Результаты показывают, что для 34,959 м3.ч−1 расход воздуха с обычными и впрыскивающими типами форсунок, коэффициент корреляции между числом точек обнаружения LiDAR и осаждением в искусственном коллекторе, помещенном в испытательный стенд, варьировалось от 0,87 до 0,91 и от 0,88 до 0,40 соответственно с числом повторений. Коэффициент корреляции (r) варьировался от 0,85 до 0,94 и от 0,07 до 0,88 для расхода воздуха 27 507 м3.ч−1 с обычными и впрыскивающими типами форсунок соответственно после нескольких повторений. Кроме того, для расхода воздуха 6423 м3.ч−1 с обычными типами форсунок коэффициент корреляции (r) варьировался от 0,93 до 0,98 с числом повторений. В этом исследовании сообщалось, что размер капель может оказывать влияние на измерения дрейфа с использованием LiDAR.

4.6.2. Обнаружение разных аэрозолей

Более того, Эдуард Грегорио и др. использовали поляризационный лидар для обнаружения различных выбросов сельскохозяйственных аэрозолей [47]. В их исследовании использовалась система поляризации Lidar 355 нм для определения выбросов, образующихся во время распыления пестицидов. Коэффициенты деполяризации, вызванные дорожной пылью, полевой пылью, дизельными выхлопами и распылением дрейфа пестицидов, составили 0,385, 0,220–0,268, 0,099 и 0,028–0,043 соответственно. Таблица 6 представляет сравнение различных аспектов данных LiDAR при измерении сноса распыления.

4.7.Определение свойств почвы

Система LiDAR может использоваться для прогнозирования таких свойств почвы, как влажность и шероховатость, как сообщается в литературе.

4.7.1. Прогноз влажности почвы

Применение данных LiDAR для определения свойств почвы. Флоренция Маргарет Саути и др. изучили три поверхности рельефа, полученные с помощью LiDAR и сгенерированные с разным пространственным разрешением, чтобы определить разрешение, которое наилучшим образом характеризует измеренные характеристики влажности почвы [48]. В своем исследовании они использовали топографический индекс влажности (TWI), процентный индекс возвышения (PEI) и модель высоты полога (CHM)) при пространственном разрешении 2 м, 5 м, 10 м и 20 м были применены для определения разрешения, которое наилучшим образом характеризует влажность почвы [48]. Также использовались алгоритмы удаления углублений. Коэффициенты детерминации между влажностью почвы и TWI для глубин 0–15 см и 0–40 см составили R2 0,346 и R2 0,292 соответственно. Представленные результаты показывают, что 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). С другой стороны, более грубое разрешение (10 м, 20 м) может быть более подходящим на больших глубинах (от 0 до 40 см).
С другой стороны, Джулия Кемпинен и др. изучали значение свойств почвы и поверхности земли в изменении влажности почвы в масштабе ландшафта, используя данные LiDAR и полевые исследования [49]. В их исследовании для моделирования влажности почвы и ее временных изменений применялись GLM, обобщенные аддитивные модели (GAM), усиленные деревья регрессии (BRT) и RFR. Рисунок 7 представляет собой график предсказательных характеристик четырех методов моделирования влажности почвы. Горизонтальные и вертикальные сегменты представляют диапазоны каждого метода моделирования. Результаты показывают, что среднее соответствие модели имело R2 = 0,60 и RMSE
8,04 VWC% и прогностические характеристики были R2 = 0,47 и RMSE 9,34 VWC%. Модели временных вариаций продемонстрировали соответствие R2 = 0,25 и RMSE 13,11 CV% и прогностические характеристики составили R2 = 0,01 и RMSE 15,29 CV%. Таким образом, был сделан вывод, что в ландшафтах высоких широт свойства почвы и поверхности земли заслуживают внимания.

Рисунок 7.Сравнение четырех методов моделирования влажности почвы. Перепечатано с разрешения Ref. [49] Авторские права 2017, Wiley.

4.7.2. Прогноз шероховатости почвы

В дополнение к моделированию влажности почвы, шероховатость поверхности почвы также может быть определена с помощью данных LiDAR. Рассел Тернер и др. использовали бортовой LiDAR [50] для определения шероховатости поверхности (SR) сельскохозяйственных почв и оценки точности данных LiDAR. В их исследовании рассматривались высоты поверхности, среднеквадратичное значение (RMS) и длина корреляции (CL) для почв с различными условиями обработки. Результаты демонстрируют корреляцию между оцененными LiDAR и измеренными на земле RMS с R2 > 0,68 и до 0,88. Таблица 7 представляет сравнение различных аспектов данных LiDAR при определении свойств почвы.

4.8.Прогноз урожайности

Также сообщалось о применении данных LiDAR для оценки урожайности. Джеймс П. Андервуд и др. использовали мобильный наземный сканер LiDAR (MTLS) для миндальных садов [51]. Объем полога был рассчитан с помощью 3D-моделей, и процедура классификации была использована для оценки плотности цветков и плодов. Эти схемы сравнивались с весом каждого собранного дерева при оценке урожайности. Объем полога LiDAR имел отношение для 39 образцов деревьев к урожайности с R2 = 0,77. В то же время были использованы ручная фотография и анализ изображений, и плотность плодов показала R2 0,71 [51].
С другой стороны, многолучевой датчик LiDAR с принудительным потоком воздуха и распылителем с воздушной поддержкой использовался для обнаружения плодов яблок и прогнозирования их урожайности Хорди Джене-Молой и др. [52]. Пороговое значение отражения (RT) и метод опорных векторов (SVM) были использованы для разработки алгоритма обнаружения фруктов в их исследовании. Эксперимент был основан напредположение, что использование многоракурсного датчика и перемещение листвы дерева повысит обнаружение фруктов и уменьшит загораживания ими. Рисунок 8 представляет эффект принудительного воздушного потока при обнаружении фруктов. Анализ между количеством яблок, обнаруженных с помощью LiDAR с системой принудительного воздушного потока, и фактическим количеством яблок на дереве имел среднеквадратичное отклонение 19,0% и
12,4% и R2 0,58 и 0,54 при сканировании с восточной и западной сторон,
соответственно. Однако, когда были рассмотрены обе стороны дерева, полученный R2 составил 0,87 с RMSE 5,7% [52]. Рисунок 8 представляет сравнение различных аспектов данных LiDAR при прогнозировании урожайности.

4.9.Обнаружение ущерба урожаю

LiDAR можно использовать для обнаружения повреждений урожая. Longfei Zhou et al. использовали данные LiDAR по полегшей кукурузе с помощью БПЛА для анализа взаимосвязи высоты растения и степени полегания [53]. Влияние различных степеней полегания на способность растений кукурузы восстанавливать высоту также было представлено в их исследовании. В анализе использовались CHM, DEM и DSM. Высота растений кукурузы, оцененная с помощью LiDAR, и измеренная высота растений, полученная с помощью телескопической нивелирной линейки, использовались для проверки высоты растений, оцененной с помощью UAV-LiDAR. Неточность полученной высоты растений из данных LiDAR расширилась с увеличением фактической высоты растений. Результаты показали R2 0,964, RMSE 0,127 и нормализованную среднеквадратичную ошибку (nRMSE) 7,449%. Исследование также показало, что высота растений восстановилась в различной степени во всех зонах полегания. Таблица 9 ниже представляет различные оценки LiDAR относительно высоты полога. Было сообщено, что текстуры и высота растений различались из-за непостоянной способности к восстановлению каждого типа полегания кукурузы [53].

5. Обработка данных

Ни один обзор научных работ по LiDAR не будет полным без упоминания способов предварительной обработки существенно зашумленных данных LiDAR, которые имеют решающее значение для удаления нежелательной информации и нахождения рекомендуемого значения пространственного разрешения данных (точек/м2).

51.Предварительная обработка данных LiDAR

Ци и др. опубликовали [54] стратегия предварительной обработки данных 3D LiDAR, основанная на удалении выбросов путем нормализации расстояния для компенсации эффекта изменения пространственного разрешения с расстоянием и фильтрацией следа. Облако точек было сжато с помощью вертикальных атрибутов волнового следа и поверхности препятствия, а оценка плоскости следа и удаление точек следа были выполнены с помощью метода консенсуса случайной выборки (RANSAC) [55]. Это было экспериментально установлено, что их алгоритм поддерживал требуемые значения, эффективно удаляя точки, не являющиеся препятствиями, хотя и с увеличенным средним потреблением времени на 23,3 мс. Их показатель отзыва составил 95,4%, а оценка F1, которая является балансом фильтрации точек, не являющихся препятствиями, и сохранения точек, являющихся препятствиями, составила 93,7%.
Сибель Каназ Севджен использовала предварительную обработку данных LiDAR для очистки от шума и дублирующихся значений перед созданием 12 признаков и последующей классификацией случайного леса (RF) [56]. Данные наземной проверки были впоследствии получены из аэрофотоснимков сложной городской территории для классификации зданий, деревьев, асфальтовых дорог и земли с соответствующими точностью 77,90%, 58,37%, 72,90% и 71,53%. Автоматизированный алгоритм извлечения точек на земле, основанный на разнице высот точек на земле и не на земле для каждой точки в трех наборах данных LiDAR, был предложен и оценен количественно и качественно Севгеном и др. [57]. Общая точность была рассчитана как 95%, 97% и 98% для трех наборов данных LiDAR. Наборы данных имели различную плотность точек, плотность растительности и значения данных о зданиях. Оздемир и др. [58] использовали метод предварительной обработки данных для извлечения деревьев из облака точек LiDAR, включая алгоритм пространственной кластеризации приложений с шумом на основе плотности (DBSCAN) [59] и метод фильтрации с имитацией ткани (CSF) [60] для кластеризации и фильтрации соответственно. DBSCAN также использовался в [61] вместе с алгоритмом сдвига среднего для автоматического обнаружения отдельных уличных деревьев, где данные о наземной истине были получены в ходе полевых исследований. Они достигли высоких значений полноты и правильности для двух тестовых зон и методов кластеризации. Существуют и другие доступные методы фильтрации данных, основанные на уклоне [62] на математической морфологии [63], поверхностный [64] и т. д. Производительность широко используемых алгоритмов фильтрации сравнивалась в [65–67].

5.2.Рекомендуемое значение пространственного разрешения (точек/м2)

Санчес-Диас и др. развили [68] модель высоты полога для теневых деревьев в агросистемах какао по данным LiDAR с разрешением 0,47 точек/м2 и измеренными значениями в полевых условиях. Она была проверена с использованием коэффициента детерминации (R2), средней абсолютной ошибки (MAE) и среднеквадратической ошибки (RMSE). Однако, [68–70] рекомендуют использовать облако точек LiDAR с минимальным пространственным разрешением 0,50 точек/м2 для извлечения лучшей информации посредством анализа. Лучшие результаты относительно другой растительности, например, диаметр полога и идентификация видов деревьев в дополнение к высоте полога, могли быть получены с помощью [68] если бы они использовали данные LiDAR с пространственным разрешением
≥0,50 баллов/м2.

6. Будущие направления исследований

В этом обзоре представлены различные применения данных LiDAR. Из изучения литературы следует, что в этой обширной области LiDAR также есть место для гораздо большего количества исследований. Важно разработать систему на основе LiDAR, которая может представлять информацию, наиболее близкую кфактические значения. Также существует потребность в разработке программного обеспечения и моделей для точного анализа данных LiDAR [11], эффективно и экономично.
Одним из важнейших факторов является разрешение изображений, полученных с помощью данных LiDAR [40]. Угловое разрешение, след лазерного луча и окно сканирования играют важную роль в разрешении разрешения. Более плотные точки и меньшая ширина лазерного луча приобретают большое угловое разрешение. Кроме того, если размер пятна лазерного луча меньше, разрешение изображений будет выше. При увеличении окна сканирования ширина луча увеличивается, а плотность точек уменьшается. Это приводит к снижению фактического углового разрешения [31,71]. Таким образом, исследование может определить оптимальное угловое разрешение, след лазерного луча, окно сканирования и другие методы для получения изображений из данных LiDAR с высоким разрешением. Таким образом, точная информация относительно сельскохозяйственного ландшафта может быть получена из изображений с высоким разрешением.
Сообщалось, что плотность точек LiDAR повлияла на точность оценки биофизических параметров растительности, которая оказалась не очень точной [72]. Таким образом, исследователи могли бы также начать изучать оптимальную плотность точек LiDAR для прогнозирования оптимальной оценки результатов. Также необходимо увеличить горизонтальное разрешение сканирования LiDAR, чтобы избежать переоценки, например, при определении LAI [33].
Также было обнаружено, что получение точной топографической информации является сложной задачей [28]. Кроме того, для участков с высокой растительностью существует вероятность того, что LiDAR не сможет получить достаточно данных о точках на земле для расчета высоты, что является признаком, позволяющим различать сорняки и сельскохозяйственные культуры [42]. Таким образом, существуют также возможности для исследований по разработке методов, с помощью которых можно получить точную информацию на участках с высокой растительностью.
Геометрия растений также имеет решающее значение для получения информации о фенотипе и биомассе растений [35,39] из данных LiDAR. Однако сложная геометрия растений может вызывать ошибки и влиять на точность систем на основе LiDAR. Поэтому исследования могут быть сосредоточены на разработке методов, где информация о фенотипе и биомассе растений со сложными геометриями может быть получена точно. Более того, окно сканирования также является критическим фактором в получении точной информации, например, относительно ландшафтного дизайна [10]. Размер окна сканирования LiDAR будет меняться в зависимости от геометрии растений, расстояния между ними и разрешения DSM. Следовательно, определение оптимального окна сканирования для изучения растений и ландшафта может привести к другой теме исследования.
Будущие исследования также могут быть сосредоточены на разработке системы на основе LiDAR, где система менее затратна, получение данных занимает меньше времени, метод анализа данных обеспечивает точную информацию, а вся система удобна для пользователя. SiLC разрабатывает чипы с частотно-модулированным непрерывным волновым (FMCW) LiDAR, способным измерять скоростьобнаружения [73]. Sony разрабатывает инновационный однокристальный чип стоимостью 120 долларов США для LiDar, в котором размещены датчики глубины на основе однофотонных лавинных диодов (SPAD) [74]. Стэнфордский университет планирует создать коммерческую систему LiDAR на основе пьезоэлектрического эффекта, которая может захватывать трехмерные карты глубины с мегапиксельным разрешением с помощью стандартных цифровых камер [75].

7. Выводы

В этой статье подробно рассматривается ряд методов, основанных на LiDAR, в сельскохозяйственных применениях. Были оценены и представлены высококачественные исследовательские работы и статьи, опубликованные за последние полтора десятилетия (т. е. с 2008 по 2022 год) в академических кругах и промышленности. Перед началом обсуждения реальных реализаций был представлен обзор технологии LiDAR. Было представлено в общей сложности девять областей применения и их подобластей: ландшафт и топография; индекс площади листьев и объем полога; оценка биомассы сельскохозяйственных культур; фенологические стадии полога и характеристика фенотипа; обнаружение сорняков, сельскохозяйственных культур и почвы и оценка роста сельскохозяйственных культур; измерение сноса распыления; обнаружение свойств почвы; прогнозирование урожайности; и обнаружение повреждения сельскохозяйственных культур. Девять таблиц, по одной в конце каждого раздела, В этих таблицах были представлены основные характеристики статей, например, тип LiDAR, алгоритмы, модели, классификация, аналитические методы и т. д. Затем обсуждалась обработка данных, поскольку это существенный аспект шумных и значительных по размеру данных LiDAR. В конце были представлены будущие направления исследований, касающиеся данных LIDAR в сельскохозяйственном контексте.

Вклад автора: SD выполнил обзор литературы и написание рукописи. TD пересмотрел и отредактировал оригинальную рукопись и внес изменения в соответствии с отзывами всех рецензентов. MP руководил проектом и пересмотрел рукопись. Все авторы прочитали и согласились с опубликованной версией рукописи.
Финансирование:Проект финансировался стипендией Университета Чарльза Стерта (CSU), Австралия.
Заявление Институционального наблюдательного совета:Непригодный.
Заявление об информированном согласии:Непригодный.
Заявление о доступности данных:В этом исследовании не было создано или проанализировано никаких новых данных. Обмен данными не применим к этой статье.
Конфликты интересов:Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1.Наземное лазерное сканирование. GIM International. Доступно онлайн:https://www.gim-international.com/content/article/terrestrial- лазерное-сканирование-2(дата обращения: 5 января 2023 г.).
2.Ли, С.; Дай, Л.; Ван, Х.; Ван, И.; Хэ, З.; Линь, С. Оценка плотности листовой поверхности отдельных деревьев с использованием сегментации облака точек данных наземного лидара и модели на основе вокселей. Remote Sens. 2017, 9, 1202. [CrossRef]
3.Линь, И. Лидар: Важный инструмент для технологии фенотипирования следующего поколения с высоким потенциалом для феномики растений Comput. Electron. Agric. 2015, 119, 61–73. [CrossRef]
4.Батиметрический лидар. Доступно онлайн:https://www.гидро-international.com/themes/bathymetric-lidar(дата обращения: 5 января 2023 г.).
5.Томпсон, Дж. 100 реальных применений технологии LiDAR. Level Five Supplies. Доступно онлайн:https://levelfivesupplies. com/100-реальных-приложений-технологии-лидара(дата обращения: 5 января 2023 г.).
6.EPA. Ручной датчик углекислого газа.Bridger Photonics. Доступно онлайн:https://www.epa.gov/sites/production/files/ 2015-06/documents/bridgerphotonics.pdf.(дата обращения: 5 января 2023 г.).
7.NASA Science. Первые полеты лидара для обнаружения CO2. Доступно онлайн:https://science.nasa.gov/technology/technology- highlights/first-flights-co2-detecting-lidar(дата обращения: 5 января 2023 г.).
8.Фиорани, Л.; Санторо, С.; Паррачино, С.; Майо, Г.; Нуволи, М.; Айуппа, А. Раннее обнаружение вулканической опасности с помощью лидарного измерения углекислого газа. Nat. Hazards. 2016, 83, 21–29. [CrossRef]
9.Ферраз, А.; Бретар, Ф.; Жакмуд, С.; Гонсалвес, Г.Р. Роль лидарных систем в картировании топлива; INESC: Коимбра, Португалия, 2009 г.;
ISSN 16452631.
10.Таролли, П.; София, Г.; Каллигаро, С.; Просдочими, М.; Прети, Ф.; Фонтана, Г.Д. Виноградники в террасных ландшафтах: новые возможности с помощью данных лидара. Land Degradation. Dev. 2015, 26, 92–102. [CrossRef]
11.Кальверас, Дж. Л.; Джил, Э.; Касамада, Дж. Л.; Эскола, А. Ультразвуковые и лидарные датчики для электронной характеристики полога виноградников: достижения в улучшении методов применения пестицидов. Датчики 2011, 11, 2177–2194.
12.Арно, Дж.; Эскола, А.; Валлес, Ж.М.; Льоренс, Дж.; Санс, Р.; Масип, Дж.; Паласин, Дж.; Розелл-Поло, Дж. Р. Оценка индекса площади листьев на виноградниках с использованием наземного сканера LiDAR. Точность. Сельское хозяйство. 2013, 14, 290–306. [CrossRef]
13.Walklate, PJ; Cross, JV; Richardson, GM; Murray, RA; Baker, DE IT — Информационные технологии и интерфейс с человеком: Сравнение различных моделей распределения объема распыления с использованием измерений LIDAR в яблоневых садах. Biosyst. Eng. 2002, 82, 253–267. [CrossRef]
14.Jin, S.; Su, Y.; Song, S.; Xu, K.; Hu, T.; Yang, Q.; Wu, F.; Xu, G.; Ma, Q.; Guan, H.; и др. Неразрушающая оценка биомассы полевой кукурузы с использованием наземного лидара: оценка от уровня участка до уровня отдельного листа. Plant Methods 2020, 16, 69–88. [CrossRef]
15.Коласо, А.Ф.; Молин, Х.П.; Росель-Поло, Х.Р.; Эскола, А. Применение датчиков обнаружения света и измерения дальности, а также ультразвуковых датчиков для высокопроизводительного фенотипирования и точного садоводства: Текущее состояние и проблемы. Hortic.Res. 2018, 5, 763–784. [CrossRef]
16.Ринальди, М.; Кальверас, Дж. Л.; Джил, Э. Электронная характеристика фенологических стадий виноградной лозы с использованием датчика LIDAR. В трудах 9-й Европейской конференции по точному земледелию (ECPA 2013), Лерида, Испания, 7–11 июля 2013 г.
17.Su, Y.; Wu, F.; Ao, Z.; Jin, S.; Qin, F.; Liu, B.; Pang, S.; Liu, L.; Guo, Q. Оценка динамики фенотипа кукурузы в условиях засухи с использованием наземного лидара. Plant Methods. 2019, 15, 11. [CrossRef]
18.Роселл, Дж.; Кальверас, JL; Санс, Р.; Арно, Дж.; Рибес-Даси, М.; Масип, Дж.; Эскола, А.; Кэмп, Ф.; Соланельес, Ф.; Грасиа, Ф.; и др. Получение трехмерной структуры древесных садов с помощью удаленного наземного 2D-сканирования LIDAR. Сельское хозяйство. Для. Метеорол. 2009, 149, 1505–1515. [CrossRef]
19. Роселл-Поло, Дж.; Санс, Р.; Кальверас, JL; Арно, Дж.; Эскола, А.; Рибес-Даси, М.; Масип, Дж.; Кэмп, Ф.; Грасиа, Ф.; Соланельес, Ф.; и др. Сканирующий лидар, устанавливаемый на трактор, для неразрушающего измерения растительного объема и площади древесно-рядных насаждений: сравнение с традиционными деструктивными измерениями. Биосист. англ. 2009, 102, 128–134. [CrossRef]
20. Neon Science. Основы LiDAR — Обнаружение света и определение дальности — Дистанционное зондирование. Доступно онлайн:https://www.neonscience. org/resources/learning-hub/tutorials/lidar-basics(дата обращения: 5 января 2023 г.).
21.Национальное управление океанических и атмосферных исследований. Что такое лидар? Национальная служба океанических исследований. Доступно онлайн:https:// Oceanservice.noaa.gov/facts/lidar.html(дата обращения: 5 января 2023 г.).
22.Что такое технология LiDAR и как она работает? Geospatial World. Доступно онлайн:https://www.geospatialworld.net/ блоги/что-такое-технология-лидара-и-как-она-работает/(дата обращения: 2 августа 2022 г.).
23. Корпорация SemiNex. ЛИДАР. Доступно онлайн:https://seminex.com/lidar/(дата обращения: 5 января 2023 г.).
24.Geo.Matching. Батиметрические лидарные датчики и беспилотные летательные аппараты. Доступно онлайн:https://geo-matching.com/content/bathymetric-lidar- датчики-и-беспилотники(дата обращения: 5 января 2023 г.).
25.Лохани, Б.; Гош, С. Технология бортового лидара: обзор систем получения и обработки данных. Phys. Sci. 2017, 87,
567–579. [CrossRef]
26.Объяснение 4 типов дистанционного зондирования LiDAR. Доступно онлайн:https://blog.topodot.com/4-types-of-lidar-remote-sensing- объяснил/(дата обращения: 5 января 2023 г.).
27.Что такое данные лидара? ArcGIS. Доступно онлайн:https://desktop.arcgis.com/en/arcmap/10.3/manage-data/las-dataset/what-is- лидар-данные-.htm(дата обращения: 5 января 2023 г.).
28.Bailly, JS; Lagacherie, P.; Millier, C.; Puech, C.; Kosuth, P. Обнаружение линейных особенностей аграрных ландшафтов с помощью LiDAR: применение в сетях искусственного дренажа. Int. J. Remote Sens. 2008, 29, 3489–3508. [CrossRef]
29.Маккой, М.; Аснер, Г.; Грейвс, М. Воздушная лидарная съемка орошаемых сельскохозяйственных ландшафтов: применение метода контраста склонов. J. Archaeol. Sci. 2011, 38, 2141–2154. [CrossRef]
30.Галцки, Дж.; Бирр, А.; Мулла, Д. Определение критических сельскохозяйственных районов с использованием данных трехметровой высоты LiDAR для точного сохранения. J. Soil Water Conservation. 2011, 66, 423–430. [CrossRef]
31.Мэтьюз, А.; Дженсен, Дж. Методология обнаружения и разграничения участков виноградников на основе бортового лазерного локатора (LIDAR). Int. J. Remote Sens.
2012, 33, 5251–5267. [CrossRef]
32.Боде, К.; Лимм, М.; Пауэр, М.; Финлей, Дж. Модель солнечной радиации под пологом леса: прогнозирование солнечной радиации в условиях сильной растительности с использованием моделей солнечной радиации LiDAR и ГИС. Remote Sens. Environ. 2014, 154, 387–397. [CrossRef]
33.Арно, Дж.; Дель-Мораль-Мартинес, И.; Эскола, А.; Компания, Дж.; Масип, Дж.; Санс, Р.; Роселл, Дж.; Касасновас, JAM Картирование листа
Индекс площади виноградника с использованием наземного лидарного сканера. В трудах 11-й Международной конференции по точному земледелию (ICPA 2012), Индианаполис, Индиана, США, 15–18 июля 2012 г.
34.Поблете-Эчеверрия, К.; Стревер, А.Е.; Барнард, И.; Вивье, М. Проксимальное обнаружение с использованием робототехники для мониторинга виноградников: концепция.
Акта Хортик.2020, 1279, 231–238. [CrossRef]
35.Кейтли, К.Э.; Боуден, Г.В. 3D-объемное моделирование биомассы виноградной лозы с использованием Tripod LiDAR. Comput. Electron. Agric. 2010,
74, 305–312. [CrossRef]
36.Эйтель, Дж.; Мэгни, Т.; Виерлинг, Л.; Браун, Т.; Хаггинс, Д. Оценки биомассы и азота в культурах на основе LiDAR для быстрой, неразрушающей оценки азотного статуса пшеницы. Field Crops Res. 2014, 159, 21–32. [CrossRef]
37.Уолтер, Дж.; Эдвардс, Дж.; Макдональд, Г.; Кучель, Х. Оценка биомассы и высоты полога с помощью лидара для селекции полевых культур.
Фронт. Растениеводство.2019, 10, 1145–1161. [CrossRef] [PubMed]
38.Сан, С.; Ли, К.; Патерсон, А. Высокопроизводительное фенотипирование высоты растений хлопчатника в полевых условиях с использованием LiDAR. Remote Sens. 2017, 9, 377. [CrossRef]
39.Thapa, S.; Zhu, F.; Walia, H.; Yu, H.; Ge, Y. Новый инструмент на основе LiDAR для высокопроизводительного трехмерного измерения морфологических признаков кукурузы и сорго. Датчики 2018, 18, 1187. [CrossRef]
40.Андухар, Д.; Руэда-Аяла, В.; Морено, Х.; Роселл-Поло, Дж.; Эскола, А.; Валеро, К.; Герхардс, Р.; Фернандес-Кинтанилья, К.; Дорадо,J.; Griepentrog, WH Различение сельскохозяйственных культур, сорняков и поверхности почвы с помощью наземного датчика LIDAR. Датчики 2013, 13, 14662–14675. [CrossRef]
41.Рама, Н.; Реджи, Дж.; Рамия, А. Классификация овощных культур на уровне объектов в облаке точек 3D LiDAR с использованием сверточных нейронных сетей глубокого обучения. Precis. Agric. 2021, 22, 1617–1633.
42.Юань, В.; Ли, Дж.; Бхатта, М.; Ши, И.; Баензигер, П.; Ге, И. Оценка высоты пшеницы с использованием LiDAR в сравнении с ультразвуковым датчиком и БПЛА. Датчики 2018, 18, 3731. [CrossRef]
43.Sofonia, J.; Shendryk, Y.; Phinn, S.; Roelfsema, C.; Kendoul, F.; Skocaj, D. Мониторинг реакции роста сахарного тростника на различные нормы внесения азота: сравнение данных UAV SLAM LiDAR и фотограмметрии. Int. J. Appl. Earth Obs. Geoinf. 2019, 82, 101878–101893. [CrossRef]
44.Xu, JX; Ma, J.; Tang, YN; Wu, WX; Shao, JH; Wanben, W.; Wei, SY; Liu, Y.; Wang, YC; Guo, H. Оценка урожайности сахарного тростника с использованием подхода машинного обучения на основе данных БПЛА-LiDAR. Remote Sens. 2020, 12, 2823. [CrossRef]
45.Лопес, Э.Г.; Рокаденбош, Ф.; Санс, Р.; Розель-Поло, Дж. Безопасная для глаз система лидара для измерения сноса распыляемых пестицидов. Датчики 2015,
15, 3650–3670.
46.Гил, Э.; Кальверас, JL; Касамада, JL; Фабрегас, X.; Галларт, М. Использование наземного датчика LIDAR для обнаружения сноса при опрыскивании виноградников. Датчики 2013, 13, 516–534. [CrossRef]
47.Лопес, Е.Г.; Жене-Мола, Ж.; Санс, Р.; Рокаденбош, Ф.; Чуэка, П.; Арно, Дж.; Соланельес, Ф.; Розелл-Поло, Дж. Поляризационный лидар для обнаружения выбросов сельскохозяйственных аэрозолей. Дж. Сенс. 2018, 2018, 1864106.
48.Southee, M.; Treitz, P.; Scott, N. Применение Lidar данных о поверхности рельефа для моделирования влажности почвы. Photogramm. Eng. Rem. S. 2012,
78, 1241–1251.[CrossRef]
49.Кемпинен, Дж.; Нииттинен, П.; Риихимяки, Х.; Луото, М. Моделирование влажности почвы в высокоширотном ландшафте с использованием LiDAR и данных о почве. Земной прибой. Учеб. Земля. 2017, 43, 1019–1103. [CrossRef]
50.Тернер, Р.; Пансиера, Р.; Танасе, М.; Лоуэлл, К.; Хакер, Дж. Оценка шероховатости поверхности почвы в сельскохозяйственных почвах Австралии с использованием бортового лидара. Remote Sens. Environ. 2014, 140, 107–117. [CrossRef]
51.Андервуд, Дж.; Хунг, К.; Уилан, Б.; Суккари, С. Картографирование объема полога миндального сада, цветов, плодов и урожайности с использованием лидара и датчиков зрения. Comput. Electron. Agric. 2016, 130, 83–96. [CrossRef]
52.Джене-Мола, Дж.; Лопес, Э.Г.; Чейн, ФА; Дарио, Дж.Г.; Кальверас, Дж.Л.; Санс, Р.; Эскола, А.; Росель-Поло, Дж. Обнаружение фруктов, прогнозирование урожайности и геометрическая характеристика полога с использованием лидара с принудительным потоком воздуха. Comput. Electron. Agric. 2019, 168, 105121–105134. [CrossRef]
53.Чжоу, Л.; Гу, С.; Чэн, С.; Гуйцзюнь, И.; Шу, М.; Сан, Ц. Анализ изменений высоты растений полегшей кукурузы с использованием данных БПЛА-LiDAR.
Сельское хозяйство2020, 10, 146. [CrossRef]
54.Qi, X.; Fu, W.; An, P.; Wu, B.; Ma, J. Предварительная обработка облака точек на основе данных 3D LiDAR для беспилотных наземных транспортных средств в морской среде. В материалах Международной конференции IEEE 2020 года по информационным технологиям, большим данным и искусственному интеллекту (ICIBA 2020), Чунцин, Китай, 6–8 ноября 2020 г.; стр. 983–990.
55.Бай, Дж.; Цинь, Д.; Ма, Л.; Теклу, М. Улучшенный алгоритм RANSAC на основе адаптивного порога для позиционирования внутри помещений. Mobile Inf. Syst. 2021, 2021, 2952977. [CrossRef]
56. Каназ Севген, С. Классификация данных бортового ЛИДАРа в сложной городской местности с использованием случайного леса: пример Бергамы, Турция. Int. J. Eng. Geosci. 2019, 4, 45–51. [CrossRef]
57.Каназ Севген, С.; Карсли, Ф. Автоматическое извлечение наземных данных для городских территорий из данных бортового лидара. Турецкий журнал энджина. 2020, 4, 113–122.
[CrossRef]
58.Özdemir, S.; Akbulut, Z.; Karslı, F.; Acar, H. Автоматическое извлечение деревьев с использованием множественных возвратных свойств облака точек лидара. Int. J. Eng. Geosci. 2021, 6, 20–26. [CrossRef]
59.Эстер, М.; Кригель, Х. П.; Сандер, Дж.; Сюй, Х. Алгоритм на основе плотности для обнаружения кластеров в больших пространственных базах данных с шумом. В трудах Второй международной конференции по обнаружению знаний и добыче данных (KDD 1996), Портленд, штат Орегон, США, 2–4 августа 1996 г.; стр. 226–231.
60.Чжан, В.; Ци, Дж.; Ван, П.; Ван, Х.; Се, Д.; Ван, Х.; Янь, Г. Простой в использовании метод фильтрации данных бортового лидара на основе моделирования ткани. Remote Sens. 2016, 8, 501. [CrossRef]
61.Четин, З.; Ястыклы, Н. Автоматическое обнаружение отдельных уличных деревьев с помощью данных бортового лидара на основе методов точечной сегментации. Int. J. Eng. Geosci. 2022, 8, 129–137. [CrossRef]
62.Сусаки, Дж. Адаптивная фильтрация наклонов данных бортового LiDAR в городских районах для генерации цифровой модели рельефа (DTM). Remote Sens.
2012, 4, 1804–1819. [CrossRef]
63.Ли, И.; Йонг, Б.; Ву, Х.; Ан, Р.; Сюй, Х. Улучшенный фильтр-цилиндр с наклонным краем для извлечения точек земли из облаков точек воздушного лидара. Remote Sens. 2014, 6, 12885–12908. [CrossRef]
64.Su, W.; Sun, Z.; Zhong, R.; Huang, J.; Li, M.; Zhu, J.; Zhang, K.; Wu, H.; Zhu, D. Новый иерархический алгоритм подгонки движущейся кривой для фильтрации данных лидара для автоматического создания DTM. Int. J. Remote Sens. 2015, 36, 3616–3635. [CrossRef]
65.Шерифоглу Йылмаз, Ч.; Йылмаз, В.; Гюнгор, О. Исследование производительности коммерческого и некоммерческого программного обеспечения для наземной фильтрации облаков точек на основе БПЛА. Int. J. Remote Sens. 2018, 39, 5016–5042. [CrossRef]
66.ВтАллас, Л.; Люсьер, А.; Маленовский, З.;ТУрнер, Д.;Вопенка,П. Оценка Структуры С использованиемБПЛА методы: Сравнение воздушного лазерного сканирования и структуры из движения (SfM) облаков точек. Леса 2016, 7, 62. [CrossRef]
67.Хан, С.-Ф.; Цзинь, Дж.С.; Ван, М.-Дж.; Цзян, В.; Гао, Л.; Сяо, Л. Обзор алгоритмов фильтрации трехмерного облака точек. Обработка сигналов. Image Commun. 2017, 57, 103–112. [CrossRef]
68. Санчес-Диас, Б.; Мата-Заяс, Э.Э.; Гама-Кампильо, LM; Ринкон-Рамирес, Дж.А.; Видаль-Гарсия, Ф.; Руллан-Сильва, CD; Санчес-Гутьеррес, Ф. Моделирование LiDAR для определения высоты теневого полога деревьев в агросистемах какао как доступной среды обитания для диких животных. Int. J. Eng. Geosci. 2022, 7, 283–293. [CrossRef]
69.Гонсалес-Феррейро, Э.; Дьегес-Аранда, У.; Баррейро-Фернандес, Л.; Бухан, С.; Барбоза, М.; Суарес, Х.К.; Пока, Эй Джей; Миранда, Д.А.
Смешанный подход на основе пикселей и областей для использования данных воздушного лазерного сканирования для определения границ крон отдельных деревьев в насаждениях Pinus Radiata D. Don. Int. J. Remote Sens. 2013, 34, 7671–7690. [CrossRef]
70.Бухан, С.; Гонсалес-Феррейро, Э.; Баррейро-Фернандес, Л.; Санте, И.; Корбель, Э.; Миранда, Д. Классификация сельских ландшафтов по данным лидара низкой плотности: возможно ли это теоретически? Межд. J. Remote Sens. 2013, 34, 5666–5689. [CrossRef]
71.Чжу, Л.; Му, И.; Ши, Р. Исследование разрешения облака точек лазерного сканирования. В трудах Международного симпозиума IEEE по геонаукам и дистанционному зондированию 2008 г., Бостон, Массачусетс, США, 7–11 июля 2008 г.
72.Luo, S.; Chen, J.; Wang, C.; Xiaohuan, X.; Zeng, H.; Peng, D.; Li, D. Влияние плотности точек LiDAR, размера выборки и высоты порогового значения точности оценки биофизических параметров сельскохозяйственных культур. Opt. Express. 2016, 24, 11578–11594. [CrossRef] [PubMed]
73.FMCW LiDAR на чипе. SiLC. Доступно онлайн:https://www.silc.com/technology/(дата обращения: 5 января 2023 г.).
74.Sony выпустит стекированный датчик глубины SPAD для автомобильных LiDAR-приложений, первый в отрасли, способствующий безопасности будущих транспортных средств с улучшенными возможностями обнаружения и распознавания для автомобильных LiDAR-приложений. Доступно онлайн:https://www.sony-semicon.com/en/news/2021/2021090601.html(дата обращения: 5 января 2023 г.).
75.Аталар, О.; Ван Лаер, Р.; Сафави-Наеини, А.Х.; Арбабян, А. Продольный пьезоэлектрический резонансный фотоупругий модулятор для эффективной модуляции интенсивности на частотах мегагерца. Nat. Commun. 2022, 13, 1526. [CrossRef]

Отказ от ответственности/Примечание издателя: Заявления, мнения и данные, содержащиеся во всех публикациях, принадлежат исключительно отдельным авторам и соавторам, а не MDPI и/или редакторам. MDPI и/или редакторы отказываются от ответственности за любой вред, причиненный людям или имуществу в результате использования любых идей, методов, инструкций или продуктов, упомянутых в содержании.