Un estudio sobre el modelo de medición de volumen de dosel para la aplicación de árboles frutales basado en nube de puntos LiDAR
Autores: Guo, Na; Xu, Ning; Kang, Jianming; Zhang, Guohai; Meng, Qingshan; Niu, Mengmeng; Wu, Wenxuan; Zhang, Xingguo
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La medición precisa del volumen del dosel del huerto sirve como base crucial para la regulación del viento y ajustes de dosis en la gestión precisa de huertos. Sin embargo, los métodos existentes para medir el volumen del dosel no satisfacen los requisitos de alta precisión y tiempo real necesarios para aplicaciones de tasa variable precisas en huertos frutales. Para abordar estos desafíos, este estudio desarrolla un modelo de medición del volumen del dosel para la pulverización de huertos utilizando datos de nube de puntos LiDAR. En el ámbito de la extracción de características de la nube de puntos, se propone un algoritmo de Forma Alfa mejorado para extraer contornos de la nube de puntos. Este método mejora la evaluación de la validez de los segmentos de línea de contorno, reduciendo efectivamente los errores de longitud de contorno en cada plano de proyección de la nube de puntos 3D. Además, las mejoras al método de volumen integral de malla incorporan los efectos de lagunas en el dosel en los cálculos de diferencia de altura, mejorando significativamente la precisión de la estimación del volumen del dosel. Para la selección de características, se empleó un método de eliminación recursiva de características basado en bosques aleatorios con validación cruzada para filtrar 10 características. Finalmente, se retuvieron cinco características clave para el entrenamiento del modelo: el número de nubes de puntos, el contorno de nube de puntos 2D a lo largo de las direcciones de proyección X y Z, el ancho 2D en la dirección de proyección Y y la longitud 2D en la dirección de proyección Z. Durante la construcción del modelo, el estudio optimizó los hiperparámetros de regresión de mínimos cuadrados parciales (PLSR), redes neuronales de retropropagación (BP) y árboles de decisión de aumento de gradiente (GBDT) para construir modelos de medición del volumen del dosel adaptados al conjunto de datos. Los resultados experimentales indican que el modelo PLSR superó a otros enfoques, logrando un rendimiento óptimo con tres componentes principales. El modelo resultante de medición del volumen del dosel logró un R de 0.9742, un RMSE de 0.1879 y un MAE de 0.1161. Estos resultados demuestran que el modelo PLSR exhibe una fuerte capacidad de generalización, un mínimo sesgo de predicción y un bajo error de predicción promedio, ofreciendo una valiosa referencia para el control preciso de la pulverización del dosel en huertos.
Descripción
La medición precisa del volumen del dosel del huerto sirve como base crucial para la regulación del viento y ajustes de dosis en la gestión precisa de huertos. Sin embargo, los métodos existentes para medir el volumen del dosel no satisfacen los requisitos de alta precisión y tiempo real necesarios para aplicaciones de tasa variable precisas en huertos frutales. Para abordar estos desafíos, este estudio desarrolla un modelo de medición del volumen del dosel para la pulverización de huertos utilizando datos de nube de puntos LiDAR. En el ámbito de la extracción de características de la nube de puntos, se propone un algoritmo de Forma Alfa mejorado para extraer contornos de la nube de puntos. Este método mejora la evaluación de la validez de los segmentos de línea de contorno, reduciendo efectivamente los errores de longitud de contorno en cada plano de proyección de la nube de puntos 3D. Además, las mejoras al método de volumen integral de malla incorporan los efectos de lagunas en el dosel en los cálculos de diferencia de altura, mejorando significativamente la precisión de la estimación del volumen del dosel. Para la selección de características, se empleó un método de eliminación recursiva de características basado en bosques aleatorios con validación cruzada para filtrar 10 características. Finalmente, se retuvieron cinco características clave para el entrenamiento del modelo: el número de nubes de puntos, el contorno de nube de puntos 2D a lo largo de las direcciones de proyección X y Z, el ancho 2D en la dirección de proyección Y y la longitud 2D en la dirección de proyección Z. Durante la construcción del modelo, el estudio optimizó los hiperparámetros de regresión de mínimos cuadrados parciales (PLSR), redes neuronales de retropropagación (BP) y árboles de decisión de aumento de gradiente (GBDT) para construir modelos de medición del volumen del dosel adaptados al conjunto de datos. Los resultados experimentales indican que el modelo PLSR superó a otros enfoques, logrando un rendimiento óptimo con tres componentes principales. El modelo resultante de medición del volumen del dosel logró un R de 0.9742, un RMSE de 0.1879 y un MAE de 0.1161. Estos resultados demuestran que el modelo PLSR exhibe una fuerte capacidad de generalización, un mínimo sesgo de predicción y un bajo error de predicción promedio, ofreciendo una valiosa referencia para el control preciso de la pulverización del dosel en huertos.