针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干...针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干,去除非树干目标,提高树干检测精度。首先,设置环形感兴趣区域(Region of interest,ROI),采用地面拟合算法移除地面点云,消除果园目标点云之间的连通性;其次,设置矩形ROI,采用基于密度的带噪声空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)算法对非地面点云进行x Oy平面聚类,根据Li DAR测量分辨率和果园目标参数设置DBSCAN算法超参数,将非地面点云分割为若干目标簇;然后,从全局和局部2个尺度提取目标簇的几何和强度特征,用这些特征描述树干与其他果园目标间的差异;最后,采用训练好的树干检测器融合特征,将目标簇划分为树干与非树干2个类别,输出树干簇。树干检测步骤采用随机森林(Random forest,RF)算法进行离线特征选择与融合,使用树干和非树干训练样本,基于基尼指数(Gini index,GI)改变量评价特征重要性,从初始特征中选择22个鉴别力较强的特征,再融合这些特征生成树干检测器。实验场景为标准化种植核桃园,共采集1317帧点云数据,从中分割12213个目标簇,其中,树冠、杂草、支撑杆、围栏、土坡、农具、行人等非树干目标占比58.04%。按照帧比例1∶4将目标簇随机划分为训练集和测试集,测试集树干检测精确率为99.16%、召回率为99.21%、F1分数为99.19%,树干层级检测平均帧耗时85.25 ms。本文方法能对复杂果园场景快速、精准地检测出树干,满足果园行间导航对树干检测的准确性和实时性要求。展开更多
全球气候变化情景下干旱事件频率和强度持续增加,识别和理解干旱胁迫下植被光合过程的突变是生态监测与气候适应管理的关键,当前对植被光合变化点的识别方法多样,但缺乏对不同方法性能差异及其干旱响应解析能力的系统评估。该文聚焦中...全球气候变化情景下干旱事件频率和强度持续增加,识别和理解干旱胁迫下植被光合过程的突变是生态监测与气候适应管理的关键,当前对植被光合变化点的识别方法多样,但缺乏对不同方法性能差异及其干旱响应解析能力的系统评估。该文聚焦中国亚热带地区,基于太阳诱导叶绿素荧光(SIF)数据、标准化降水蒸散指数(SPEI)数据,综合运用BFAST(Breaks For Additive Season and Trend)、DBEST(Detecting Breakpoints and Estimating Segments in Trend)、PELT(Pruned Exact Linear Time)和Pettitt 4种变化点检测方法,从多维度协同解析区域植被光合动态的变化点特性,并刻画SIF与干旱指数SPEI的时空关系。结果表明:(1)2003—2022年中国亚热带地区SIF整体呈上升态势,区域植被光合作用总体增强。(2)不同方法在变化点识别上各具优势:BFAST适用于识别长期趋势性变化(单调递增类占比达82.25%);DBEST能捕捉云贵高原等复杂地形的渐进式变化;PELT对多断点和频繁扰动敏感;Pettitt主要识别突发性变化引起的结构性转折。(3)SIF与SPEI相关关系呈现显著空间异质性,四川盆地、闽粤沿海等水热条件较优区域以正相关为主,滇南及藏东则以负相关为主。(4)多方法协同分析显示,变化点后SIF与SPEI相关性整体增幅达112.07%,而PELT方法增幅仅为62.94%,反映该方法易受噪声干扰;BFAST与PELT的变化点解析具有互补性,二者组合可有效提升变化点识别的空间完整性与结果可靠性。研究结果可为亚热带地区生态系统韧性评估与气候适应性管理提供理论支撑。展开更多
文摘针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干,去除非树干目标,提高树干检测精度。首先,设置环形感兴趣区域(Region of interest,ROI),采用地面拟合算法移除地面点云,消除果园目标点云之间的连通性;其次,设置矩形ROI,采用基于密度的带噪声空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)算法对非地面点云进行x Oy平面聚类,根据Li DAR测量分辨率和果园目标参数设置DBSCAN算法超参数,将非地面点云分割为若干目标簇;然后,从全局和局部2个尺度提取目标簇的几何和强度特征,用这些特征描述树干与其他果园目标间的差异;最后,采用训练好的树干检测器融合特征,将目标簇划分为树干与非树干2个类别,输出树干簇。树干检测步骤采用随机森林(Random forest,RF)算法进行离线特征选择与融合,使用树干和非树干训练样本,基于基尼指数(Gini index,GI)改变量评价特征重要性,从初始特征中选择22个鉴别力较强的特征,再融合这些特征生成树干检测器。实验场景为标准化种植核桃园,共采集1317帧点云数据,从中分割12213个目标簇,其中,树冠、杂草、支撑杆、围栏、土坡、农具、行人等非树干目标占比58.04%。按照帧比例1∶4将目标簇随机划分为训练集和测试集,测试集树干检测精确率为99.16%、召回率为99.21%、F1分数为99.19%,树干层级检测平均帧耗时85.25 ms。本文方法能对复杂果园场景快速、精准地检测出树干,满足果园行间导航对树干检测的准确性和实时性要求。
文摘全球气候变化情景下干旱事件频率和强度持续增加,识别和理解干旱胁迫下植被光合过程的突变是生态监测与气候适应管理的关键,当前对植被光合变化点的识别方法多样,但缺乏对不同方法性能差异及其干旱响应解析能力的系统评估。该文聚焦中国亚热带地区,基于太阳诱导叶绿素荧光(SIF)数据、标准化降水蒸散指数(SPEI)数据,综合运用BFAST(Breaks For Additive Season and Trend)、DBEST(Detecting Breakpoints and Estimating Segments in Trend)、PELT(Pruned Exact Linear Time)和Pettitt 4种变化点检测方法,从多维度协同解析区域植被光合动态的变化点特性,并刻画SIF与干旱指数SPEI的时空关系。结果表明:(1)2003—2022年中国亚热带地区SIF整体呈上升态势,区域植被光合作用总体增强。(2)不同方法在变化点识别上各具优势:BFAST适用于识别长期趋势性变化(单调递增类占比达82.25%);DBEST能捕捉云贵高原等复杂地形的渐进式变化;PELT对多断点和频繁扰动敏感;Pettitt主要识别突发性变化引起的结构性转折。(3)SIF与SPEI相关关系呈现显著空间异质性,四川盆地、闽粤沿海等水热条件较优区域以正相关为主,滇南及藏东则以负相关为主。(4)多方法协同分析显示,变化点后SIF与SPEI相关性整体增幅达112.07%,而PELT方法增幅仅为62.94%,反映该方法易受噪声干扰;BFAST与PELT的变化点解析具有互补性,二者组合可有效提升变化点识别的空间完整性与结果可靠性。研究结果可为亚热带地区生态系统韧性评估与气候适应性管理提供理论支撑。
