{{{sourceTextContent.title}}}

Application du scanner Cygnus SLAM aux études forestières

{{{sourceTextContent.subTitle}}}

Grâce au scanner Cygnus SLAM dans la zone forestière, il est possible d'obtenir rapidement une structure verticale de la forêt de haute précision.

{{{sourceTextContent.description}}}

Contexte du projet

Les nuages de points reflètent la position d'objets cibles dans un espace tridimensionnel et constituent l'une des formes de données les plus importantes pour l'extraction d'informations sur les ressources forestières.

Avec l'approfondissement de l'étude des ressources forestières, la méthode d'acquisition des informations spatiales basée sur les lidardata à plate-forme unique présente les inconvénients d'une faible précision et d'une mauvaise intégrité des données, ce qui ne permet pas de répondre aux exigences de la sylviculture de précision en matière d'extraction d'informations forestières de haute précision.

Aperçu de la solution

Sur la base de l'étude préliminaire de la zone forestière, nous avons choisi un LiDAR UAV à faible coût et un système SLAM mobile comme solution pour collecter des informations plus complètes sur les arbres grâce à la fusion des données aériennes et terrestres.

Afin de fusionner les données, nous avons choisi le système SLAM mobile Cygnus avec RTK. En raison de la faiblesse du signal du réseau local, notre système SLAM RTK à dos partage la même station de base que le système LiDAR du drone, et la communication se fait par l'intermédiaire d'une station radio externe.

Les deux méthodes sont collectées en même temps. Le drone capture la zone en 11 minutes environ, et le balayage SLAM dorsal, qui comprend 2 balayages et un balayage, prend 30 minutes. La trajectoire de balayage du SLAM mobile adopte une trajectoire en forme de serpent autour de l'arbre, et l'écart de balayage ne dépasse pas 10 m en fonction des conditions du terrain. Pour le problème de l'impossibilité de fixer le RTK en raison de l'occlusion des arbres de temps en temps, nous essayons de répéter le balayage autant que possible dans le cas du RTK fixe afin d'augmenter les contraintes des observations RTK fixes sur la trajectoire SLAM.

Comparaison des systèmes LiDAR multiplateformes

En raison de la complexité de l'environnement forestier et de la densité des occultations, le fonctionnement d'une seule plateforme LiDAR est limité et le champ de balayage ne peut pas couvrir l'ensemble de la zone forestière, ce qui entraîne un trou de données dans l'acquisition d'informations spatiales et rend difficile l'application de ce système dans les zones forestières complexes. Pour obtenir des nuages de points forestiers plus détaillés, la combinaison de plateformes LiDAR est généralement utilisée.

Données LiDAR par drone

Pour le système UAV LiDAR, nous utilisons le SatLab S1 UAV LiDAR, qui peut collecter le nuage de points et les données d'image en même temps. Après avoir traité les données RINEX, nous importons les données GNSS, IMU, laser et images dans le logiciel SatLiDAR pour combiner les données en un seul clic et exporter le nuage de points final en couleur (fichier *.las).

Le drone a un temps de vol d'environ 11 minutes, la densité du nuage de points est de 508,79 pts/m2. Le nuage de points LiDAR du drone et la coupe transversale sont présentés comme suit. Les données manquantes sont visibles sous la canopée.

Données SLAM du sac à dos

Le système SLAM dorsal SatLab Cygnus est visible sur la figure 2. Les données SLAM de sortie peuvent être transformées en coordonnées locales pour le géoréférencement. Le nuage de points SLAM est illustré à la figure 10. La densité du nuage de points est d'environ 2539,59 pts/m2.

Fusion et traitement des données

Nous plaçons le nuage de points UAV LiDAR et le nuage de points SLAM dans le même système de coordonnées et nous segmentons la zone intéressante pour extraire les informations sur la forêt. La fusion du nuage de points UAV LiDAR et du nuage de points SLAM ainsi que la coupe transversale des données de fusion sont présentées dans la figure 11. La combinaison des deux méthodes montre la structure complète de l'arbre. La densité du nuage de points de fusion est de 4701,48 pts/m2.

Étant donné que le traitement massif des nuages de points consomme une grande quantité de ressources informatiques, nous avons divisé le nuage de points de fusion en blocs et procédé à un rééchantillonnage et à un débruitage pour obtenir des données relativement propres. Ensuite, nous utilisons le filtre de simulation de tissu (CSF) et la densification progressive de TIN (PTD) comme filtrage au sol pour classifier le nuage de points au sol. Sur la base des points au sol, nous générons un MNE. Après avoir calculé la normalisation du nuage de points, nous utilisons l'algorithme de segmentation d'arbre unique pour classer le nuage de points d'arbre. Certains arbres mal segmentés peuvent être modifiés manuellement

édité.

En fonction du résultat de la segmentation, nous pouvons extraire l'espèce d'arbre, la position, la hauteur de l'arbre, le diamètre à hauteur de poitrine (DBH), etc. d'un seul arbre. Le vecteur de la structure de l'arbre peut également être généré.

Conclusion

Grâce à la combinaison du LiDAR du drone et des diverses données obtenues par le scanner SLAM mobile dans la zone forestière, il est possible d'obtenir rapidement une structure verticale de la forêt de haute précision et d'extraire les paramètres de la structure de l'arbre unique de la parcelle d'échantillonnage avec plus de précision et d'efficacité

de manière plus précise et plus efficace.

Par rapport aux méthodes d'enquête traditionnelles, cette méthode réduit considérablement l'intensité et les coûts de la main-d'œuvre, enrichit les types de données et améliore la qualité de la surveillance. Dans le même temps, il est nécessaire de planifier raisonnablement la trajectoire de balayage lors de l'utilisation de plateformes telles que ULS (UAV Laser Scanning) et BLS (backpack Laser Scanning) afin d'améliorer l'efficacité et l'intégrité de la collecte de données et d'accroître la possibilité d'obtenir des informations forestières à grande échelle en moins de temps.

Cette nouvelle application de la fusion des données LiDAR sol-air a une grande importance pratique.