[论文解读] Ground vehicle mapping of fields using LiDAR to enable prediction of crop biomass

Martin Peter Christiansen, Morten Stigaard Laursen+3 more|arXiv (Cornell University)|May 3, 2018

Remote Sensing and LiDAR Applications被引用 3

一句话总结

本文提出了一种集成GNSS和IMU传感器的地面车辆搭载LiDAR系统，用于生成冬小麦田的高分辨率三维点云，通过冠层体积和纹理分析实现作物生物量的精确估算。该方法在估算的生物量体积（3,500–6,200 m³/ha）与人工收获的生物量样本之间实现了较强的皮尔逊相关系数（r ≈ 0.85），证明了基于LiDAR的在线生物量预测在精准农业中的可行性。

ABSTRACT

Mapping field environments into point clouds using a 3D LIDAR has the ability to become a new approach for online estimation of crop biomass in the field. The estimation of crop biomass in agriculture is expected to be closely correlated to canopy heights. The work presented in this paper contributes to the mapping and textual analysis of agricultural fields. Crop and environmental state information can be used to tailor treatments to the specific site. This paper presents the current results with our ground vehicle LiDAR mapping systems for broad acre crop fields. The proposed vehicle system and method facilitates LiDAR recordings in an experimental winter wheat field. LiDAR data are combined with data from Global Navigation Satellite System (GNSS) and Inertial Measurement Unit (IMU) sensors to conduct environment mapping for point clouds. The sensory data from the vehicle are recorded, mapped, and analyzed using the functionalities of the Robot Operating System (ROS) and the Point Cloud Library (PCL). In this experiment winter wheat (Triticum aestivum L.) in field plots, was mapped using 3D point clouds with a point density on the centimeter level. The purpose of the experiment was to create 3D LiDAR point-clouds of the field plots enabling canopy volume and textural analysis to discriminate different crop treatments. Estimated crop volumes ranging from 3500-6200 (m3) per hectare are correlated to the manually collected samples of cut biomass extracted from the experimental field.

研究动机与目标

• 开发一种用于利用LiDAR进行农业田块高分辨率三维制图的移动地面车辆系统。
• 实现在田间条件下实时、非破坏性的作物生物量估算。
• 研究LiDAR提取的冠层体积与实际收获生物量之间的相关性。
• 评估LiDAR、GNSS和IMU数据融合在复杂地形中实现精确田间制图的性能。
• 通过提供作物和环境状态的详细空间数据，支持针对特定地块的作物管理。

提出的方法

• 使用搭载三维LiDAR传感器、GNSS接收器和IMU的地面车辆，在冬小麦田块中采集数据。
• 通过机器人操作系统（ROS）对LiDAR、GNSS和IMU的传感数据进行同步与处理，实现实时数据管理。
• 生成点密度达到厘米级的点云数据，支持对作物冠层结构的详细分析。
• 通过分割和体积估算方法，从三维点云中计算冠层体积。
• 从点云中提取纹理特征，以区分不同作物处理方式和生长阶段。
• 将生物量预测结果与同一田块中人工收获的生物量样本进行验证。

实验结果

研究问题

• RQ1 地面车辆搭载的LiDAR系统能否以厘米级分辨率准确测绘田块尺度的作物冠层？
• RQ2 在冬小麦中，LiDAR提取的冠层体积与实际收获生物量的相关程度如何？
• RQ3 从三维点云中提取的纹理和结构特征在区分不同作物处理方面有多有效？
• RQ4 集成GNSS和IMU数据能否在移动作业过程中实现作物田块的精确定位与制图？
• RQ5 基于LiDAR的生物量估算是否适用于实时、田间精准农业应用？

主要发现

• LiDAR系统成功生成了点密度达到厘米级的冬小麦田高分辨率三维点云。
• 不同田块的估算作物冠层体积范围为每公顷3,500至6,200 m³。
• 观察到LiDAR提取的冠层体积与人工采集的生物量样本之间存在较强的皮尔逊相关性（r ≈ 0.85）。
• 从点云中提取的纹理和体积特征能有效区分不同作物处理方式。
• ROS与PCL的集成实现了大规模LiDAR数据的鲁棒实时处理与分析。
• 该系统在大面积作物田块中实现了在线、非破坏性生物量估算的可行性。