柑橘果园中树木高度估算的精确性与准确性：对人工测量、机载激光雷达（LiDAR）、SLAM激光雷达以及人工智能驱动的光谱测量技术的系统研究

《Precision Agriculture》：Precision and accuracy of tree height estimation in citrus orchards: a systematic investigation of manual, airborne LiDAR, SLAM LiDAR, AI-driven photogrammetry

　　

摘要

目的

精确的树木高度估算是果园表型分析和管理的重要基础，然而在重复的实地测量中，手动方法和新兴的遥感方法的精度、准确性和参考可靠性尚未得到充分评估。本研究系统地比较了五种树木高度估算方法在柑橘园中的表现，以确定它们的重复性，识别最合适的实际参考方法，并评估它们的相对准确性。

方法

评估了五种树木高度估算方法：手动杆测量（MP）、机载激光雷达（AL）、机载SLAM激光雷达（ASL）、地面移动SLAM激光雷达（GMSL）以及基于人工智能的光谱测量平台（Agroview）。通过在四个不同日期进行重复测量来评估精度和一致性，并在所有方法进行准确性评估之前，对MP和GMSL进行了交叉验证，以确定最合适的参考方法。

结果

GMSL表现出最高的重复性，其变异系数最低（0.44%），类内相关系数最高（ICC = 0.999），而Agroview的稳定性最低（CV = 11.07%，ICC = 0.854）。与卷尺和水平仪的基准测试相比，MP和GMSL的平均误差相似，但GMSL具有更高的重复性和更一致的树顶识别能力，这支持将其作为实际参考方法。相对于GMSL，MP和ASL的误差最小，平均偏差分别为-0.079米和-0.097米；而AL的估测值最低（-0.250米），Agroview的变异性较大且存在轻微的高估（+0.104米）。

结论

总体而言，GMSL是参考测量中最可靠的方法，而ASL在飞行效率和准确性之间取得了最佳平衡。AL能够快速获取大面积数据，但系统性地低估了树木高度；Agroview的工作流程最快，但其重复性和一致性低于基于激光雷达的方法。这些发现明确了手动方法、激光雷达方法和光谱测量方法之间的权衡，并为栽培果园中更精确的树木高度估算提供了依据。