Früher|Nächster

Subtropischer Wald Multi-Plattform LiDAR-Punktwolkendatensatz – Fallstudie der Hauptbaumarten im Gaofeng-Waldgebiet in Guangxi

  • role： First author第一作者
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

    Key Laboratory of Forestry Remote Sensing and Information System, National Forestry and Grassland Administration, Beijing 100091, China

  • Email：caishangshu@ifrit.ac.cn
  • Introduction：蔡尚书，研究方向为激光雷达林业应用。E-mail： caishangshu@ifrit.ac.cn
CAI Shangshu12,  
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

    Key Laboratory of Forestry Remote Sensing and Information System, National Forestry and Grassland Administration, Beijing 100091, China

KONG Dan12,  
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

    Key Laboratory of Forestry Remote Sensing and Information System, National Forestry and Grassland Administration, Beijing 100091, China

SI Lin12,  
  • Affiliation：

    SureStar Technology Co. Ltd. Hefei 230051, China

ZHANG Keshu3,  
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

    Key Laboratory of Forestry Remote Sensing and Information System, National Forestry and Grassland Administration, Beijing 100091, China

LIU Qingwang12,  
  • Affiliation：

    State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430070, China

ZHANG Qingjun4,  
  • Affiliation：

    Guangxi Forest Inventory & Planning Institute, Nanning 530011, China

LI Zhen5,  
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

    Key Laboratory of Forestry Remote Sensing and Information System, National Forestry and Grassland Administration, Beijing 100091, China

QI Zhiyong12,  
  • Affiliation：

    Research Center of Forestry Remote Sensing & Information Engineering, Central South University of Forestry and Technology, Changsha 410004, China

SUN Hua6,  
  • role： Corresponding author通信作者
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

    Key Laboratory of Forestry Remote Sensing and Information System, National Forestry and Grassland Administration, Beijing 100091, China

  • Email：pangy@ifrit.ac.cn
  • Introduction：庞勇，研究方向为激光雷达遥感。E-mail： pangy@ifrit.ac.cn
PANG Yong12*

Resümee

Die gemeinsame Nutzung von LiDAR-Punktwolkendaten mehrerer Plattformen ist für die Forschung in der Waldekologie und LiDAR-Algorithmen von großer Bedeutung. Daher hat das Institut für Ressourceninformation der Chinesischen Akademie der Forstwissenschaften einen Referenzdatensatz von LiDAR-Punktwolken und terrestrischen Untersuchungen von subtropischen Waldprobenflächen veröffentlicht, die mittels bemannter Flugzeuge, Drohnen und bodengestützter Plattformen erhoben wurden. Der Datensatz wurde im staatlichen Gaofeng-Waldgebiet in der Autonomen Region Guangxi der Zhuang in China erfasst und umfasst drei Baumarten: Eukalyptus, Zeder und Seekiefer mit insgesamt 25 Probenflächen. Die Bodenerhebungsdaten umfassen die Position der Probenflächen, Baumpositionen, Brusthöhendurchmesser, Baumhöhe, Kronenunterstandshöhe sowie Kronendurchmesser. Der Datensatz kann verwendet werden, um die Eigenschaften der dreidimensionalen Darstellung der Waldstruktur durch LiDAR von verschiedenen Plattformen zu analysieren, die Leistung von Punktwolkenverarbeitungsalgorithmen wie Registrierung und Einzelbaumentsegmentierung zu bewerten, die Anwendbarkeit der Extraktion von Waldstrukturparametern zu analysieren und eine wichtige Referenz für forstwissenschaftliche Untersuchungen auf Regional-, Probenflächen- und Einzelbauebene zu bieten. Darüber hinaus wurde in dieser Studie eine Methode für terrestrische Untersuchungen basierend auf bodengestützten LiDAR-Punktwolken entwickelt, welche die Baumpositionen anhand markierter Stamm-Punktwolken bestimmt und jedes einzelne Baummaß auf Grundlage der Positionskarte durchführt, wodurch das vor Ort Lokalisieren und Markieren von Einzelbäumen entfällt, die Arbeitseffizienz verbessert und ein neuer Ansatz für forstliche Bodenerhebungen geboten wird.

Schlüsselwort

subtropischer Wald;LiDAR;bemannte Flugzeuge;Drohne;bodenbasiert;Multi-Plattform;Waldprobe;Punktwolke;Referenzdatensatz;Bodenerhebung

References

  1. 1.
    Cai S S and Pang Y. 2024. Multi-resolution hierarchical cloth simulation filtering for airborne LiDAR data in forested areas. Remote Sensing Information, 39(1): 26-34
  2. 2.
    Cai S S, Zhang W M, Zhang S H, Yu S S and Liang X L. 2024. Branch architecture quantification of large-scale coniferous forest plots using UAV-LiDAR data. Remote Sensing of Environment, 306: 114121
  3. 3.
    Cao L, Coops N C, Innes J L, Dai J S, Ruan H H and She G H. 2016. Tree species classification in subtropical forests using small-footprint full-waveform LiDAR data. International Journal of Applied Earth Observation and Geoinformation, 49: 39-51
  4. 4.
    Chen J H, Zhao D, Zheng Z J, Xu C, Pang Y and Zeng Y. 2024. A clustering-based automatic registration of UAV and terrestrial LiDAR forest point clouds. Computers and Electronics in Agriculture, 217: 108648
  5. 5.
    Chen Y C, Hollaus M, Bronne G and Pfeifer N. 2023. Characterization of SilviLaser 2021 Benchmark Data Set
  6. 6.
    Du L M, Pang Y, Wang Q, Huang C Q, Bai Y, Chen D S, Lu W and Kong D. 2023. A LiDAR biomass index-based approach for tree-and plot-level biomass mapping over forest farms using 3D point clouds. Remote Sensing of Environment, 290: 113543
  7. 7.
    Fan G P, Nan L L, Dong Y Q, Su X H and Chen F X. 2020. AdQSM: a new method for estimating above-ground biomass from TLS point clouds. Remote Sensing, 12(18): 3089
  8. 8.
    Han X, Liu C, Zhou Y Z, Tan K, Dong Z and Yang B S. 2024. WHU-Urban3D: an urban scene LiDAR point cloud dataset for semantic instance segmentation. ISPRS Journal of Photogrammetry and Remote Sensing, 209: 500-513
  9. 9.
    Kölle M, Laupheimer D, Schmohl S, Haala N, Rottensteiner F, Wegner J D and Ledoux H. 2021. The Hessigheim 3D (H3D) benchmark on semantic segmentation of high-resolution 3D point clouds and textured meshes from UAV LiDAR and Multi-View-Stereo. ISPRS Open Journal of Photogrammetry and Remote Sensing, 1: 100001
  10. 10.
    Li Z Y, Pang Y, Liu Q W, et al. 2015. Inversion Techniques and Methods of Forest Parameters with LiDAR. Beijing: Science Press
  11. 11.
    Liang X L, Kukko A, Balenović I, Saarinen N, Junttila S, Kankare V, Holopainen M, Mokroš M, Surový P, Kaartinen H, Jurjević L, Honkavaara E, Näsi R, Liu J B, Hollaus M, Tian J J, Yu, X W, Pan J, Cai S S, Virtanen J P, Wang Y S and Hyyppä J. 2022. Close-range remote sensing of forests: the state of the art, challenges, and opportunities for systems and data acquisitions. IEEE Geoscience and Remote Sensing Magazine, 10(3): 32-71
  12. 12.
    Lin Y C, Shao J Y, Shin S Y, Saka Z, Joseph M, Manish R, Fei S L and Habib A. 2022. Comparative analysis of multi-platform, multi-resolution, multi-temporal LiDAR data for forest inventory. Remote Sensing, 14(3): 649
  13. 13.
    Ma Q, Su Y J and Guo Q H. 2017. Comparison of canopy cover estimations from airborne LiDAR, aerial imagery, and satellite imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(9): 4225-4236
  14. 14.
    Pang Y, Li Z Y, Chen E X and Sun G Q. 2005. Lidar remote sensing technology and its application in forestry. Scientia Silvae Sinicae, 41(3): 129-136
  15. 15.
    Pang Y, Li Z Y, Ju H B, Lu H, Jia W, Si L, Guo Y, Liu Q W, Li S M, Liu L X, Xie B B, Tan B X and Dian Y Y. 2016. LiCHy: the CAF’s LiDAR, CCD and hyperspectral integrated airborne observation system. Remote Sensing, 8(5): 398
  16. 16.
    Pang Y, Liang X J, Jia W, Si L, Yan G J and Shi J C. 2021. The comprehensive airborne remote sensing experiment in Saihanba forest farm. National Remote Sensing Bulletin, 25(4): 904-917
  17. 17.
    Pfeifer N, Gorte B and Winterhalder D. 2004. Automatic reconstruction of single trees from terrestrial laser scanner data. Proceedings of 20th ISPRS Congress. 35: 114-119
  18. 18.
    Wang D, Brunner J, Ma Z Y, Lu H, Hollaus M, Pang Y and Pfeifer N. 2018. Separating tree photosynthetic and non-photosynthetic components from point cloud data using dynamic segment merging. Forests, 9(5): 252
  19. 19.
    Weiser H, Schäfer J, Winiwarter L, Krašovec N, Fassnacht F E and Höfle B. 2022. Individual tree point clouds and tree measurements from multi-platform laser scanning in German forests. Earth System Science Data, 14(7): 2989-3012
  20. 20.
    Xi Z X and Hopkinson C. 2022. 3D Graph-based individual-tree isolation (Treeiso) from terrestrial laser scanning point clouds. Remote Sensing, 14(23): 6116
  21. 21.
    Yu Y H, Zhu B, Lin J Y, Zhou Q F and Wang H. 2024. Floristic characteristics and plant compositions of Guangxi State-owned Gaofeng forest farm. Guangxi Forestry Science, 53 (4): 481-487
  22. 22.
    Zhang W M, Qi J B, Wan P, Wang H T, Xie D H, Wang X Y and Yan G J. 2016. An easy-to-use airborne LiDAR data filtering method based on cloth simulation. Remote Sensing, 8(6): 501

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website