陡坡地中海式葡萄园冠层体积估算的多传感器点 cloud 分析：LiDAR 与 RGB 方法的比较

《Computers and Electronics in Agriculture》：Multi-sensor point cloud analysis for canopy volume estimation in a steep-slope Mediterranean vineyard: a comparison of LiDAR and RGB approaches

　　

基于多传感器点云在高复杂度场景下开展葡萄冠层体积(Canopy Volume)估算，对不同分析方法提取冠层体积进行比对分析，批判性地评析数字技术在边际丘陵地区的适用性。以地基激光扫描仪(Terrestrial Laser Scanner, TLS)即GeoSLAM配合Alpha Shape方法(α=0.5)获得最佳Pearson相关系数(~0.98)；低成本无人机(Unmanned Aerial Vehicle, UAV)搭载RGB相机配合摄影测量是兼顾成本与精度的合理方案(RMSE=0.35 m3)。

论文解读：陡坡地中海式葡萄园冠层体积估算的多传感器点云分析——LiDAR与RGB方法的比较

该论文发表于《Computers and Electronics in Agriculture》，研究针对陡坡梯田式地中海葡萄园这一高地形复杂度场景，探讨传统冠层体积测定方法（如TRV法、人工测量）存在主观性强、耗时费力且难以适用于坡地的问题，以及现有激光雷达(Light Detection and Ranging, LiDAR)与超声波传感器成本高、作业时间长，且缺乏在陡坡梯田葡萄园中验证的不足；同时指出基于无人机(Unmanned Aerial Vehicle, UAV)载RGB相机的低成本数字摄影测量在葡萄园冠层体积估算中研究尚少。鉴于欧洲植保产品(Plant Protection Products, PPP)新标签制度引入叶墙面积(Leaf Wall Area, LWA)和行冠层体积(Tree Row Volume, TRV)指数，农户亟需快速、精确获取冠层体积以计算PPP施药量，因此研究人员开展本研究，对比地基与机载LiDAR、高低成本RGB摄影测量所获点云结合不同三维建模方法（凸包Convex Hull、体素化Voxelization、Alpha Shape）在冠层体积估算中的精度，为农户提供兼顾成本与精度的技术方案。研究结论表明：TLS(GeoSLAM)配合Alpha Shape(α=0.5)精度最高(Pearson's r≈0.98)；低成本UAV-RGB配合Convex Hull可满足农田实际应用(RMSE=0.35 m³)；对低密度点云宜用Convex Hull以避免低估，高密度点云可用Alpha Shape(α=0.5)。该研究为坡地葡萄园精准管理提供了传感器—算法组合选择的依据。

主要关键技术方法

研究人员在意大利Massa Candia丘陵区(44.048035°N, 10.110953°E)选取0.514 ha、平均坡度35°、东西行向、Sangiovese品种、Guyot架式(株行距2×0.8 m)的陡坡梯田葡萄园为研究样地，于BBCH 81–85期开展实验。数据采集采用六种方案：(1)地基手持GeoSLAM ZEB HORIZON RT(LiDAR)；(2–4)机载DJI Zenmuse L2 LiDAR(UAV飞行高30 m，点密度分别约3157、6315、10254点/m²，记为L2 3k Triple、L2 6k Triple、L2 10k Single)；(5)机载DJI Zenmuse P1 RGB相机(高成本，地面分辨率0.38 cm/像素)；(6)DJI Mini 1 UAV RGB相机(低成本，地面分辨率1.07 cm/像素)，后者布设6个地面控制点(Ground Control Points, GCPs)用RTK-GNSS(Real Time Kinematic – Global Navigation Satellite System, Emlid Reach RS3)测坐标。原始数据分别用FARO Connect(DJI Terra处理LiDAR)和DJI Terra(摄影测量生成稠密点云)处理得.las格式点云，导入开源CloudCompare按GNSS标定的100个采样植株位置手动分割单株冠层点云。冠层体积(Ve)用R语言计算，方法含Convex Hull(library geometry::convhulln)、Voxelization(体素边长s=0.05 m与0.10 m，公式V=n_voxel×V_sv)、Alpha Shape(α=0.1与α=0.5，alphashape3d包)；实测参考体积(Vr)由9点平均冠层宽度×3点平均冠层高度×1 m行段计算。精度评价指标含平均相对误差(% relative error)、离散度(DV relative error)及均方根误差(Root Mean Squared Error, RMSE)，并做Pearson相关性分析、标准化后层次聚类(Hierarchical Clustering)及Student's t检验/Wilcoxon秩和检验(p<0.05)。

研究结果

3. Results

研究人员对六种传感器—算法组合的100株葡萄冠层体积估算结果与手工参考值对比显示：①Alpha Shape(α=0.1)在所有数据集上严重低估冠层体积，平均相对误差最高达96.72%(Mini 1)，RMSE最高0.65 m³；②Alpha Shape(α=0.5)显著降低误差，GeoSLAM下RMSE=0.10 m³、Pearson's r=0.978，机载LiDAR(L2系列)RMSE=0.10–0.12 m³、r=0.902–0.935，P1(RGB高成本)RMSE=0.23 m³、r=0.894，Mini 1表现较差(r=0.758)；③Convex Hull在机载LiDAR(L2 6k Triple)取得最低RMSE=0.08 m³、平均相对误差10.79%、r=0.946，在P1下RMSE=0.13 m³、r=0.902，但在Mini 1下误差升至46.01%(RMSE=0.35 m³)；④Voxelization(s=0.05 m)普遍高估或低估严重(RMSE 0.42–0.59 m³)，s=0.10 m有所改善但仍次于Alpha Shape(α=0.5)与Convex Hull(RMSE 0.11–0.34 m³)；⑤层次聚类将"UAV LiDAR+Alpha Shape(α=0.1)/Voxel(s=0.05 m)、高成本RGB+Alpha Shape(α=0.1)/Voxel各尺度、低成本RGB全算法"归为Cluster 1(低估严重)，将"UAV LiDAR/Terrestrial LiDAR+Convex Hull/Voxel(s=0.10 m)/Alpha Shape(α=0.5)、高成本RGB+Convex Hull/Alpha Shape(α=0.5)"归为Cluster 2(接近参考值)；⑥统计检验表明Convex Hull在LiDAR均值及P1组与参考值无显著差异(p>0.05)，Alpha Shape(α=0.1)与Voxel(s=0.05 m)在各组均显著差异(p<0.001)，Mini 1所有方法均显著差异。

讨论与结论部分总结（翻译结论）

研究人员讨论指出LiDAR为直接测距获点云，对光照不敏感但成本高且微受风扰；RGB摄影测量为间接重建，仅获冠层外表无法探测冠层内部，点云密度受GSD影响，陡坡且无地形跟踪飞行致GSD变异进而影响精度。地基GeoSLAM因近距离(~1 m)获极高密度点云，各类算法均能较准估算；机载传感器距冠层约30 m点云稀疏，须匹配合适算法——低密度点云用Convex Hull避免低估，高密度点云可用Alpha Shape(α=0.5)。UAV-LiDAR点密度在3157–10254点/m²间对Convex Hull与Alpha Shape(α=0.5)结果无显著影响，但对Alpha Shape(α=0.1)与Voxel(s=0.05 m)有影响。高成本RGB(P1)+Convex Hull与低成本RGB(Mini 1)+Convex Hull可分别满足科研与农户实操需求，后者RMSE=0.35 m³。

结论(Conclusion)翻译浓缩：

本研究在复杂地形下评估了地基与机载(UAV-LiDAR、高/低成本RGB相机)监测获取葡萄冠层体积数据的可行性。最佳精度组合为地基TLS(GeoSLAM)配合Alpha Shape(α=0.5)(Pearson's r≈0.98)，机载监测(LiDAR或RGB)配合Convex Hull法亦取得较优结果；对低密度点云建议使用低精度算法(如Convex Hull)以防冠层体积低估，对高密度点云可使用高精度算法(如Alpha Shape α=0.5)。对于边际坡地葡萄园旨在依冠层生物计量调配农用投入品之经营需求，低成本技术配合适宜分析方法是传统手工测量耗时费力的可行替代方案。传统TRV/LWA测量与新数字技术间衔接点尚待进一步研究，未来需在多物候期、其他陡坡梯田葡萄园及不利光照条件下验证。