Précédent|Prochain

Jeu de données de nuages de points LiDAR multi-plateformes des forêts subtropicales — cas des principales espèces de la forêt domaniale de Gaofeng dans le 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*

résumé

Le partage des données de nuages de points LiDAR multi-plateformes est d'une grande importance pour la recherche en écologie forestière et en algorithmes LiDAR. À cet effet, l'Institut de recherche sur l'information des ressources de l'Académie chinoise des sciences forestières a publié un ensemble de données de référence de nuages de points LiDAR et d'enquêtes au sol pour des sites forestiers en zone subtropicale, collectés à partir de plateformes habitées, de drones et de plateformes terrestres. Le jeu de données a été obtenu dans la forêt domaniale de Gaofeng, région autonome Zhuang du Guangxi en Chine, comprenant trois espèces principales : l'eucalyptus, le cèdre et le pin maritime, avec 25 placettes d'échantillonnage. Les données d'enquête au sol comprennent la position des placettes, la position des arbres, le diamètre à hauteur de poitrine, la hauteur de l'arbre, la hauteur sous branches et l'étendue du houppier. Cet ensemble de données peut être utilisé pour analyser les caractéristiques de la représentation en 3D des structures forestières à partir de différents plateformes LiDAR, pour évaluer les performances des algorithmes de traitement des nuages de points comme l'enregistrement et la segmentation des arbres individuels, pour analyser l'applicabilité de l'extraction des paramètres structurels forestiers, et pour fournir une référence importante pour les études forestières à l'échelle régionale, des placettes et des arbres individuels. En outre, cette étude a développé une méthode d'enquête au sol basée sur les nuages de points LiDAR terrestres, qui identifie la position des arbres à partir des points marqués du tronc et effectue les mesures pour chaque arbre en se basant sur la carte des positions, évitant ainsi les étapes de localisation et de marquage terrain des arbres individuels, améliorant l'efficacité opérationnelle et offrant une nouvelle approche pour les enquêtes forestières au sol.

mots-clés

forêts subtropicales;LiDAR;plateforme habitée;drone;plateforme terrestre;multi-plateforme;placette forestière;nuage de points;jeu de données de référence;enquête au sol

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

Lire l'article complet

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