Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Produkttrends
{{{sourceTextContent.title}}}
Anwendung des Cygnus SLAM-Scanners bei forstwirtschaftlichen Erhebungen
{{{sourceTextContent.subTitle}}}
Durch den Cygnus SLAM-Scanner im Waldgebiet ist es möglich, schnell eine hochpräzise vertikale Struktur des Waldes zu erhalten.
{{{sourceTextContent.description}}}
Projekt-Hintergrund
Punktwolken spiegeln die Lagebeziehung von Zielobjekten im dreidimensionalen Raum wider und sind eine der wichtigsten Datenformen zur Gewinnung von Informationen über Waldressourcen.
Mit zunehmender Vertiefung der Waldressourcenerfassung hat die auf einer einzigen Plattform basierende Methode zur Erfassung räumlicher Informationen den Nachteil geringer Genauigkeit und schlechter Datenintegrität, was den Anforderungen der Präzisionsforstwirtschaft an eine hohe Genauigkeit der Extraktion von Waldinformationen nicht gerecht wird.
Überblick über die Lösung
Auf der Grundlage der Voruntersuchung des Waldgebiets haben wir uns für ein kostengünstiges UAV-LiDAR- und mobiles SLAM-System entschieden, um durch die Fusion von Luft- und Bodendaten umfassendere Bauminformationen zu erfassen.
Als mobiles SLAM-System für die Zusammenführung der Daten wählen wir das Cygnus-Rucksacksystem mit RTK. Aufgrund der schlechten lokalen Netzwerksignal, unser Rucksack SLAM RTK teilen sich die gleiche Basisstation mit Drohne LiDAR-System, die Kommunikation ist durch externe Funkstation Modus verbunden.
Die beiden Methoden werden zur gleichen Zeit erfasst. Die Drohne erfasst das Gebiet in ca. 11 Minuten, während das Scannen mit dem Rucksack SLAM, einschließlich 2 Scans und einem Scan, 30 Minuten dauert. Die Scantrajektorie des mobilen SLAM nimmt eine schlangenförmige Trajektorie um den Baum herum an, und die Scanlücke überschreitet je nach den Geländebedingungen nicht 10 m. Für das Problem, dass RTK nicht fixiert werden kann, weil der Baum von Zeit zu Zeit verdeckt wird, versuchen wir, den Scan so oft wie möglich zu wiederholen, um die Einschränkungen der festen RTK-Beobachtungen auf die SLAM-Trajektorie zu erhöhen.
Vergleich von Multiplattform-LiDAR-Systemen
Aufgrund der komplexen Waldumgebung und der dichten Verdeckung ist der Betrieb einer einzelnen LiDAR-Plattform begrenzt, und der Scanbereich kann nicht das gesamte Waldgebiet abdecken, was zu einer Datenlücke bei der Erfassung räumlicher Informationen führt und die Anwendung in komplexen Waldgebieten erschwert. Um detailliertere Waldpunktwolken zu erhalten, wird in der Regel eine Kombination von LiDAR-Plattformen verwendet.
UAV-LiDAR-Daten
Für das UAV-LiDAR-System verwenden wir das SatLab S1 UAV-LiDAR, das Punktwolken und Bilddaten gleichzeitig erfassen kann. Nach der Verarbeitung der RINEX-Daten importieren wir die GNSS-, IMU-, Laser- und Bilddaten in die SatLiDAR-Software, um die Daten mit einem Mausklick zu kombinieren und die endgültige Farbpunktwolke (*.las-Datei) zu exportieren.
Die Drohne hat eine Flugzeit von etwa 11 Minuten, die Punktwolkendichte beträgt 508,79 pts/m2. Die UAV-LiDAR-Punktwolke und der Querschnitt sind wie folgt dargestellt. Fehlende Daten sind unterhalb der Baumkronen zu sehen.
Rucksack-SLAM-Daten
Das SatLab Cygnus Rucksack-SLAM-System ist in Abbildung 2 zu sehen. Die ausgegebenen SLAM-Daten können für die Georeferenzierung in lokale Koordinaten umgewandelt werden. Die SLAM-Punktwolke ist in Abbildung 10 dargestellt. Die Punktwolkendichte beträgt etwa 2539,59 pts/m2.
Datenfusion und Verarbeitung
Wir legen die UAV-LiDAR-Punktwolke und die SLAM-Punktwolke in dasselbe Koordinatensystem und segmentieren den interessanten Bereich, um die Waldinformationen zu extrahieren. Die Fusion von UAV-LiDAR-Punktwolke und SLAM-Punktwolke sowie der Querschnitt der Fusionsdaten sind in Abbildung 11 dargestellt. Die Kombination der beiden Methoden zeigt die vollständige Struktur des Baumes. Die Dichte der fusionierten Punktwolke beträgt 4701,48 pts/m2.
In Anbetracht der Tatsache, dass die Verarbeitung massiver Punktwolken eine große Menge an Rechenressourcen verbraucht, haben wir die Fusionspunktwolke in Blöcke unterteilt und durch Resampling und Rauschunterdrückung relativ saubere Daten erhalten. Dann verwenden wir den Stoffsimulationsfilter (CSF) und die progressive TIN-Verdichtung (PTD) als Bodenfilterung, um die Bodenpunktwolke zu klassifizieren. Auf der Grundlage der Bodenpunkte erstellen wir ein DEM. Nach der Berechnung der Punktwolken-Normalisierung verwenden wir den Algorithmus der Einzelbaumsegmentierung, um die Baumpunktwolke zu klassifizieren. Und einige Bäume, die falsch segmentiert wurden, können manuell
bearbeitet werden.
Entsprechend dem Ergebnis der Segmentierung können wir die Baumart, die Position, die Baumhöhe, den Brusthöhendurchmesser (DBH) usw. eines einzelnen Baumes extrahieren. Auch der Vektor der Baumstruktur kann generiert werden.
Schlussfolgerung
Durch die Kombination von UAV-LiDAR und den verschiedenen Daten, die durch den mobilen SLAM-Scanner im Waldgebiet gewonnen wurden, ist es möglich, schnell eine hochpräzise vertikale Waldstruktur zu erhalten und die Parameter der Einzelbaumstruktur der Probefläche genauer und effizienter zu extrahieren
effizienter.
Im Vergleich zu herkömmlichen Erhebungsmethoden werden Arbeitsaufwand und Kosten erheblich reduziert, die Datenarten bereichert und die Überwachungsqualität verbessert. Gleichzeitig muss bei der Verwendung von Plattformen wie ULS (UAV Laser Scanning) und BLS (Backpack Laser Scanning) der Scanpfad vernünftig geplant werden, um die Effizienz und Integrität der Datenerfassung zu verbessern und die Möglichkeit zu erhöhen, in kürzerer Zeit großflächige Waldinformationen zu erhalten.
Diese neue Anwendung der Boden-Luft-LiDAR-Datenfusion ist von großer praktischer Bedeutung.