论文部分内容阅读
农业的可持续发展需要依赖于精准的农业技术,实现精准农业的前提和关键是田间农作物属性信息的探测。本研究基于激光雷达(LiDAR)探测技术,针对田间大面积成熟水稻属性探测需求,构建了机载LiDAR农作物信息测量系统。探索K-D树构建、离群点去除、地面点和作物点分类等数据预处理算法,对水稻点云数据进行了处理,根据分类后的地面点和作物点的高程差计算株高。同时,针对水稻茎叶交叉严重、穗头不宜分割的难点,提出了基于点云强度和高程组合的水稻穗层点云数据分类方法,开发了基于LiDAR数据的水稻密度计算方法,能够实现田间成熟水稻株高、密度、产量和生物量等属性参数的反演计算。主要研究内容包括:(1)构建了适用于大面积田间作物属性信息探测的机载LiDAR农作物信息测量系统。分析了LiDAR系统的原理和组成,确定了激光扫描仪、GNSS系统和INS系统硬件的选型,将VLP-16型激光扫描仪和SPAN-IGM-A1型惯性测量装置集成搭载在大疆M600型号无人机上,一次作业时间约为16分钟,成功采集田间激光数据、GNSS和IMU数据。进行了田间数据采集,当作业参数设置为飞行高度25m、飞行速度5m/s和航带重叠率为40%时,每次飞行可实现115平方公里田间作物的点云数据获取。(2)对点云数据预处理算法、基于LiDAR数据的水稻株高、密度、产量和生物量估算算法进行了研究。针对点云数据空间散乱分布、存在极值点的特点,构建K-D树索引结构建立点云数据的空间拓扑关系,对比了基于统计学滤波(SOR)和基于临近点数量滤波(ROR)的方法在不同参数设置下的离群点去除效果,在点云去除率相近的情况下,SOR离群点去除效果更好,其中SOR算法在半径r=5,阈值m=2的情况下离群点去除效果最佳。通过网格划分的方法,根据每个网格区域内的作物点和地面点的高程差计算水稻株高。密度计算通过对基于点云强度和高程组合分类出的水稻穗层点云数据进行聚类,根据聚类得到的点云簇数量计算水稻密度。并基于LiDAR数据计算出的水稻株高和密度提出了产量和生物量估算模型。(3)进行了水稻不同密度田间分布试验,评估了基于LiDAR数据的水稻株高、密度、产量和生物量估算算法的准确性。水稻株高计算值与田间实测值间平均的均方根误差(RMSE)为6.771,株高计算值与田间实测值间平均的平均绝对百分比误差(MAPE)为7.57%,准确性较高。密度计算方面对比了两种聚类算法,确定了基于分类后的穗层点云数量的聚类参数确定方法,根据此方法进行了田间密度试验,超体素聚类算法计算值与田间实测值的RMSE为9.968,MAPE为5.67%,均值漂移聚类算法计算值与田间实测值的RMSE为5.877,MAPE为3.37%,两种算法都适合田间成熟水稻密度的计算,其中均值漂移算法时准确率更高。产量估算值与田间实测值的RMSE为0.014,MAPE为3.83%,生物量估算值与田间实测值的RMSE为0.069,MAPE为5.06%,基于此方法进行水稻产量和生物量估算准确性较高,可以代替人工测量结果。