基于三維激光掃描技術提取農業信息的應用綜述

王歡歡

摘 要：三維激光掃描技術是測繪和遙感領域的前沿技術，其具有高精度、高速度、實時性和主動性強、全數字化以及任意物體均可進行掃描的特點。該技術是一種高效率、高精度的地理空間數據采集方式，針對掃描得到的點云數據進行后處理分析可以提取研究目標的空間結構信息和空間分布信息。該技術已經應用于城市建模、林業、文物保護、水利水電等方面，但該技術的農業應用研究極少。目前，農業和遙感領域專家已進行農作物三維建模，作物生長周期分析和比對以及農田場景三維可視化等方面的嘗試，作物估產研究還未完全成熟。本文主要介紹國內外學者對于小麥和甜菜等作物的生長高度監測、建立Crop Surface Models （CSM） 和 Crop VolumeModels （CVM）、表面粗糙度計算和生物量估算模型等研究。結果表明激光掃描技術在低矮自然植被監測和應用上有較大潛力。激光掃描技術在“精細農業”領域的應用可推動作物培育與生長檢測，有助于提高農業的產業效率。

關鍵詞：三維激光掃描技術;CVM;CSM;生長高度;生物量

中圖分類號：S-1 ? ? ? 文獻標識碼：A

DOI：10.19754/j.nyyjs.20201030018

引言

三維激光掃描技術作為20世紀90年代中期出現的一項新興測繪技術，在國民經濟各領域都已經發展應用，充分利用其大面積，高效率，高分辨率，高精度，連續、自動、快速獲取被測對象表面的優勢。通過采用激光測距的方式快速提取三維目標的形態結構并能與目標內在參數具備某種相關性進行分析預測。三維點云可以進行各種不同的應用，例如建筑物和城市的三維重建，建立文物模型，工程變形監測，地質災害探測等。

當前，國內外很少有研究該技術的農業應用。基于遙感圖像應用于農業和精細作物管理已有一些研究，航空相機和遙感衛星的多光譜掃描儀已證明是區域和全球范圍的作物管理的有力工具。隨著合成孔徑雷達工具的發展，已經進行SAR應用于農業研究。機載激光雷達已經廣泛應用于地形表面建模和測量森林參數如樹干材積和樹高。但是由于機載激光雷達的高成本和低精確度，其并不適用于農業應用。

在國內，2007年浙江大學作物科學研究所利用激光掃描儀在不同的生長階段對油菜植株進行激光雷達測量，基于獲取的點云圖形提取關鍵的生長信息，并研究出油菜的生長規律。2012年郭焱等利用FastSCANTM三維激光掃描系統測定田間生長煙株的葉片，通過采集得到的數據進行煙株形態結構表征，建立了研究分布模擬煙株冠層空間輻射和定量化評估煙草理想株的基礎。在國外，2008年，Ehlert等人表明TLS測量參數如植株高度，植株密度和干重量可以用于作物管理。

本文主要對國內外地基激光雷達掃描應用于精細農業管理的研究進行概述。2006年Lumme等通過實驗驗證了可以利用激光掃描得到農作物參數如生長高度和探測谷物麥穗[1]。2008年德國科隆大學Dirk Hoffmeister提出基于地基激光雷達建立Crop Surface Models （CSM）和Crop VolumeModels （CVM）[2]。結合德國科隆大學2009年的第2次進行冬麥實驗，檢測2008-2009作物生長空間變異，并比較。德國科隆大學為了提高方法性能，在2010年又在德國另一片試驗田展開實驗。德國科隆大學與中國農業大學用多回波技術掃描儀RIEGL VZ1000進行了一項很有創舉的科學實驗，皆在提供科學化水稻種植方面的遙感新技術支持[3，4]。

1 研究方法

1.1 三維激光掃描儀

采集相應小塊田的激光點云，需要在實驗田的不同位置設置測站并將掃描儀放在一定高度的架子，拖拉機的液壓平臺上或其它平臺上使得激光掃描儀的掃描測量范圍足以覆蓋研究區域。當前國內外對野外農作物掃描實驗所用的激光掃描儀主要有3種，分別為Faro laser scanner、Riegl LMS-Z420i 、Riegl VZ-1000等型號。它們的工作原理基本相同，只是具有的精確度和掃描范圍等參數不同。具體的掃描儀搭建方式各自在不同的移動車上。

1.2 點云數據預處理

激光雷達掃描儀采集得到的激光點云數據在進行分析處理前必須先進行預處理，來減少掃描測量誤差和分析錯誤。不同的激光雷達掃描儀通常有自帶的點云處理軟件，可以直接利用這些軟件進行相應的預處理操作。雖然處理的方法和精確程度可能不同，但處理流程基本一致。預處理過程通常包括：點云配準和校正（如迭代最近點）;提取感興趣區AOI;合并、噪聲過濾、去除噪音點和難以分辨為地面或作物的點;點云渲染顏色。

1.3 生長高度測量與麥穗檢測算法

2006年芬蘭學者通過野外實驗驗證了可以利用激光掃描進行谷物麥穗的探測，他們將點云數據劃分為更小的網格單元，從每個單元提取生長高度并測得的生長高度和作物產量具有強相關性[1]。麥穗檢測算法基于將點云轉化為每個體素有足夠的標記激光點的體素模型，幾個在垂直方向并排的幾個標記的體素與麥穗相關。使用麥穗檢測算法可以通過激光掃描數據自動識別麥穗和估算麥穗的尺寸大小。

計算麥穗大小也與小麥產量有一定關系，但很難找到算法參數用于表達該相關性，并且算法只能提供相對的產量結果而不是絕對的產量結果。重疊的麥穗體素含有不同數量的激光點和他們對麥穗提供更多的信息。基于此可以從麥穗的體素提取更多詳細特征，但目前還沒有詳細的參考數據去驗證。

1.4 Crop Surface Models （CSM） 和 Crop VolumeModels （CVM） ?2008年德國科隆大學Dirk Hoffmeister等采用Riegl LMS-Z420i掃描儀在德國西部研究甜菜作物生長，并提出基于地基激光雷達建立Crop Surface Models （CSM） 和 Crop VolumeModels （CVM） 來得到農作物生長高度值和分布情況。在生長周期進行3次測量， CSMs通過每次采集得到的激光點云數據進行三角剖分再得到柵格數據，所有不同時期的CSM互相比較得到作物生長高度差，對于CVM計算，估算由三角剖分后的三維表面和地表面的體積，2個體積差為作物體積。

1.5 表面粗糙度

表面粗糙度是1個非量綱參數，一定測量長度的粗糙度體現了對于1個理想表面的高度變量的度量。它表示地球表面粗糙程度并具有長度量綱的特征參數。地面粗糙度是1種對表面動量交換的參數化方式，通常表示地表的粗糙程度。表面粗糙度的參數之一根均方高度為常用的特征值，一般通過ArcGIS和數據表處理計算表面粗糙度。土壤表面粗糙度對于侵蝕作用的研究和基于SAR圖像進行土壤濕度估算有重大意義。

1.6 作物生長空間變異

針對同一塊試驗田進行多時相分析，依據采集得到的點云數據，按照插值和柵格運算的方法建立Crop Surface Models （CSM） 和 Crop VolumeModels （CVM）。同一試驗田比較某一年份不同月份之間不同植物生長高度CSM的生長空間分布變化和不同年份，同一月份差的植物生長高度的空間分布變異。在德國西部大概距離科隆的西部40km的實驗區，德國科隆大學Dirk Hoffmeister等人結合2008年和2009年的2次實驗，檢測和比較2008-2009作物生長空間變異。

1.7 生物量回歸模型

德國科隆大學與中國農業大學用多回波技術掃描儀RIEGL VZ1000，通過分析所獲得的包含X、Y、Z的點信息，R、G、B顏色信息等與農學參數，如株高、生物量等的關系，建立模型，以期可以通過掃描來估測水稻生長狀況。相比較于使用較多的近地面傳感器GreenSeeker等，其能快速獲取所需信息，并且多回波技術甚至比以往獲取更多水稻下部分的數據。通過插值和柵格計算建立CSM得到株高，依據計算干重（莖和葉）得到干生物量，再建立生物量回歸模型，實現用點云估算的株高最終預測模擬試驗田生物量。

2 研究結果

2006年芬蘭Lumme學者通過野外實驗掃描采集得到的激光點云和渲染后的彩色植被點云，能夠清楚的表征實驗區域的小片大麥植物的三維結構形態和空間分布情況。在試驗田，使用白色塑料磁盤和視距儀在6個不同的掃描時期的定位位置測量，卷尺測量小麥植株高度，用于實驗精確度檢驗，3種不同物種作物的激光點云估算株高最值和卷尺測量株高最值的相關關系，可以驗證點云測得的植物生長高度具有較高可靠性，此外可以發現估算得到的植株生長高度和作物產量具有較強的相關性。

2008年德國Dirk Hoffmeister學者在德國西部實驗區進行實驗得到甜菜的點云數據。對某塊實驗區的植被三角形格網化的結果。通過柵格插值和計算得到的2008年5月的裸土DTM和不同月份之間的生長高度變化的CSM。其中5月14日裸露的地面的絕對高度的DTM、5月與6月的生長高度CSM、5月與7月的生長高度CSM和6月與7月的生長高度CSM。結果表面總體增長速率大概為60cm，符合實際，對應一個夏天月增長速率大概為20～30cm，實驗田的部分區域增長速率更低，一些區域幾乎沒有增長。CVMs 作物體積平均值為0.18m3·m-2。

2009年再次在該實驗田進行對冬麥作物建立生長模型CSM。這2a的可量化的變化是不同的。結果表明在2008年甜菜生長比2009年大麥作物生長的差異更大。

3 研究展望

三維激光掃描技術的不足之處在于海量數據存儲和光譜信息不足。探測陸地植被變化時掃描獲取的點云數據數據量非常大，通常會有幾百萬個點構成小片實驗田的點云，數據量過大會導致計算效率降低。點云數據是植被表面的三維形態的表征，不具備光譜信息，可以用點云數據提取三維結構信息如株高等。點云數據本身就能體現三維空間分布狀況，對于信息的空間表達有一點優勢。但如果想根據提取的結構參數反演生物量，葉綠素含量等，需要結合光譜信息分析，才能使得結果更準確合理。

對于進一步的應用三維激光掃描于精細農業應用，有以下幾點展望：提高點云數據的分辨率和更多時期的掃描數據用于分析十分必要;激光雷達點云數據應結合光譜或高光譜測量計算植被指數，用于估算植物參數，如葉綠素和氮含量;激光雷達掃描技術可以對單株植物進行研究，如植株或葉片的三維重建，單株植株結構參數的提取，研究虛擬植物動態結構模型的生成，探尋植物形態結構與生長機理、產量等之間的關系;通過無人機機載激光雷達檢測作物生長可以更快速、高效率地從冠層到區域尺度獲取點云數據進行分析覆蓋度、作物高度、產量等表型參數;由于激光掃描儀成本較高，研究低成本激光掃描儀是關鍵。

參考文獻

[1] Lumme J，Karjalainen M， etal. Terrestrial laser scanning of agricultural crops[J].International Journal of Remote Sensing. Vol. XXXVII. Part B5， 2008， 26（07）： 563–566.

[2]Hoffmeister D ， Bolten A ， Curdt C ， et al. High-resolution Crop Surface Models （CSM） and Crop Volume Models （CVM） on field level by terrestrial laser scanning[C]. Proc Spie.2010：7840.

[3] Hoffmeister D， Waldhoff G， etal. Spatial variabilitydetection of crop height in a single field by terrestrial laser scanning[J].Precision Agriculture，2013（13）：267–274.

[4] Tilly N， Hoffmeister D， et al. Multitemporal crop surface models： Accurate plant height measurement and biomass estimationwith terrestrial laser scanning in paddy rice[J]. Journal of Applied Remote Sensing， 2014， 8（01）： 083671.

（責任編輯 李媛媛）