Modeling the smoky troposphere of the southeast Atlantic: a comparison to ORACLES airborne observations from September of 2016
Y. ShinozukaPablo E. SaideGonzalo A. FerradaS. P. BurtonR. A. FerrareS. J. DohertyHamish GordonK. LongoMarc MalletYan FengQiaoqiao WangYafang ChengAmie DobrackiSteffen FreitagS. G. HowellSamuel LeBlancConnor FlynnMichal Segal‐RozenhaimerKristina PistoneJames R. PodolskeEric StithJoseph Ryan BennettGregory R. CarmichaelArlindo da SilvaRavi GovindarajuL. Ruby LeungYang ZhangLeonhard PfisterJu‐Mee RyooJ. RedemannRobert WoodPaquita Zuidema
93
Citation
137
Reference
10
Related Paper
Citation Trend
Abstract:
Abstract. In the southeast Atlantic, well-defined smoke plumes from Africa advect over marine boundary layer cloud decks; both are most extensive around September, when most of the smoke resides in the free troposphere. A framework is put forth for evaluating the performance of a range of global and regional atmospheric composition models against observations made during the NASA ORACLES (ObseRvations of Aerosols above CLouds and their intEractionS) airborne mission in September 2016. A strength of the comparison is a focus on the spatial distribution of a wider range of aerosol composition and optical properties than has been done previously. The sparse airborne observations are aggregated into approximately 2∘ grid boxes and into three vertical layers: 3–6 km, the layer from cloud top to 3 km, and the cloud-topped marine boundary layer. Simulated aerosol extensive properties suggest that the flight-day observations are reasonably representative of the regional monthly average, with systematic deviations of 30 % or less. Evaluation against observations indicates that all models have strengths and weaknesses, and there is no single model that is superior to all the others in all metrics evaluated. Whereas all six models typically place the top of the smoke layer within 0–500 m of the airborne lidar observations, the models tend to place the smoke layer bottom 300–1400 m lower than the observations. A spatial pattern emerges, in which most models underestimate the mean of most smoke quantities (black carbon, extinction, carbon monoxide) on the diagonal corridor between 16∘ S, 6∘ E, and 10∘ S, 0∘ E, in the 3–6 km layer, and overestimate them further south, closer to the coast, where less aerosol is present. Model representations of the above-cloud aerosol optical depth differ more widely. Most models overestimate the organic aerosol mass concentrations relative to those of black carbon, and with less skill, indicating model uncertainties in secondary organic aerosol processes. Regional-mean free-tropospheric model ambient single scattering albedos vary widely, between 0.83 and 0.93 compared with in situ dry measurements centered at 0.86, despite minimal impact of humidification on particulate scattering. The modeled ratios of the particulate extinction to the sum of the black carbon and organic aerosol mass concentrations (a mass extinction efficiency proxy) are typically too low and vary too little spatially, with significant inter-model differences. Most models overestimate the carbonaceous mass within the offshore boundary layer. Overall, the diversity in the model biases suggests that different model processes are responsible. The wide range of model optical properties requires further scrutiny because of their importance for radiative effect estimates.본 연구는 다양한 센서를 이용하여 건물의 실내외 데이터를 취득하고, 공간정보 구축에 활용함으로써 디지털 트윈을 위한 효과적인 데이터 구축 방안을 제시하고자 하였다. 신축 건물을 연구대상지로 선정하고, 드론 영상, 드론LiDAR 및 지상 LiDAR를 이용하여 데이터를 취득하였으며, 자료처리를 통해 포인트클라우드 형태의 성과물을 생성할 수 있었다. 지상 LiDAR 데이터의 각 스테이션 별로 취득된 포인트클라우드 데이터에 대한 최대 정합오차를 분석하고, 지상 LiDAR 데이터를 기준으로 드론 영상 및 드론 LiDAR 데이터의 정확도를 분석하였다. 정확도 분석 결과 지상 LiDAR 데이터를 기준으로 드론 영상은 수평방향 0.04m, 수직방향 0.066m, 드론 LiDAR는 수평방향 0.07m, 수직방향 0.06m 이내의 정확도를 나타내었다. 드론 영상의 경우 GSD (Ground Sample Distance)에 따라서 수평 방향에 대해 드론 LiDAR보다 높은 정확도를 나타냈지만 수직 방향은 드론 LiDAR가 더 높은 정확도를 나타냄을 알 수 있었다. 연구결과를 통해 드론 영상 또는 드론 LiDAR와 지상 LiDAR 데이터의 융합을 통해 효과적으로 건물 실내외에 대한 데이터를 구축할 수 있음을 제시할 수 있었다. 연구에 사용된 드론 영상, 드론 LiDAR 및 지상 LiDAR 데이터의 융합은 건물 또는 시설물에 대한 모델링과 도면의 생성을 위한 효과적인 데이터 구축 방안이 될 것이다.
Ranging
Cite
Citations (2)
A highly significant application for lidar sounding of the atmosphere is the retrieval of the height of the planetary boundary layer (PBL). The PBL height is an important factor in the transport of energy from the surface to the free troposphere and is directly related to the initiation and development of mesoscale events. Thus PBL height is a very useful input and validation parameter for Global Circulation Models. Currently there is no effective passive retrieval technique for PBL height. However the detection of PBL height from lidar aerosol scattering has been widely demonstrated. A primary consideration for lidar PBL height retrieval is the minimal detectability in terms of either atmospheric scattering structure or lidar system signal to noise sensitivity. Global measurements of PBL height from space borne lidar systems are envisioned. A primary consideration is how reliably PBL height may be detected for given lidar system parameters. The cost of a space borne system may be significantly reduced by minimizing telescope size and transmitted laser power.
Atmospheric models
Cite
Citations (0)
Lidar has been widely used in military and civilian applications. This passage mainly introduces a type of lidar used in autonomous vehicle: TOF lidar. The working principle of TOF lidar was introduced in detail. Then based on the TOF lidar, there are two types of lidar to be introduced: scanning lidar and non-scanning lidar. Scanning lidar includes single-line scanning lidar and multi-line scanning lidar. 3D-flash lidar was taken as example to introduce non-scanning lidar. The contents of each type of lidar are system structure, working principle, the development around the world and some problems existing currently. Introduction of lidar development direction is made, including MEMS technology and ZOL technology.
Cite
Citations (84)
With the advancement of light detection and ranging (LiDAR) technology in recent years, various new types of LiDAR have emerged, and the price of LiDAR equipment has gradually decreased. At present, low-cost solid-state LiDARs are gradually occupying the market. To evaluate the performance of two LIDARs for simultaneous localization and mapping. This study investigated the application of solid-state LiDAR and mechanical LiDAR in localization and mapping systems and comparatively analyzed their advantages and disadvantages. We selected some classic open-source algorithms [such as LiDAR odometry and mapping (A-LOAM)] to evaluate the performance of mechanical LiDAR and solid-state LiDAR in localization. The experimental data are adopted from some representative open-source data (such as KITTI data) and real data collected by Shenzhen University. The results showed that the localization accuracy of solid-state LiDAR was lower than that of mechanical LiDAR when the mobile robot moved to the corner and faced square to the wall at close range. Moreover, the localization accuracy of solid-state LiDAR was the same as or even higher than that of mechanical LiDAR when the mobile robots had small changes in the field of view (FOV) and the mobile robot moved along straight lines or other tracks.
Ranging
Odometry
Cite
Citations (18)
Advanced light detecting and ranging (LIDAR) sensors are the primary sensing modality for autonomous vehicles and are seeing increasing adoption in consumer and commercial vehicles for robust advanced driver assist systems. LIDAR returns from the environment are typically predicted using elastic LIDAR models, which can help emulate the performance of LIDAR sensors in environments with multiple returns or heavy obscurants. We derive the first elastic LIDAR model for a random modulated continuous wave LIDAR system using a homodyne receiver and show good agreement with experimental measurements.
Ranging
Continuous wave
Cite
Citations (2)
Τα αυτόνομα οχήματα είναι στο επίκεντρο τόσο της ερευνητικής κοινότητας, όσο και της αυτοκινητοβιομηχανίας καθώς η χρήση τους θα μειώσει τα ατυχήματα που προκαλούνται από τον ανθρώπινο παράγοντα και θα αυξήσει την αποδοτικότητά τους μέσω της βέλτιστης χρήσης από πολλαπλούς χρήστες. Όμως, προκειμένου να μπορεί να κινηθεί ένα αυτόνομο όχημα με ασφάλεια σε αστικό και περιαστικό περιβάλλον, θα πρέπει να μπορεί να αντιληφθεί με ακρίβεια την οδηγική σκηνή στην οποία καλείται να δράσει. Το σύστημα αντίληψης ενός αυτόνομου οχήματος έχει ως στόχο να επεξεργαστεί τα δεδομένα των αισθητήρων του αυτόνομου οχήματος, ώστε να εντοπίζει και να αναγνωρίζει με ακρίβεια τα τριδιάστατα (3Δ) αντικείμενα που περιέχονται σε μια οδηγική σκηνή. Ένα σύστημα αντίληψης αποτελείται από αισθητήρες όπως είναι η οπτική κάμερα και ο αισθητήρας Light Detection And Ranging (LiDAR).Ο κάθε τύπος αισθητήρα έχει τα πλεονεκτήματα του αλλά και τους περιορισμούς του. Η χρήση συμπληρωματικών και διαφορετικών τύπων αισθητήρων περιορίζει σημαντικά τα επιμέρους μειονεκτήματα του κάθε αισθητήρα και αυξάνει συνολικά την αξιοπιστία του συστήματος αντίληψης. Όμως, προκειμένου να συσχετιστούν τα δεδομένα μεταξύ των διαφορετικών τύπων αισθητήρων, αυτά θα πρέπει να ενοποιηθούν σε ένα κοινό σύστημα συντεταγμένων. Κρίσιμο σημείο αυτής της διαδικασίας αποτελεί η βαθμονόμηση των αισθητήρων ως προς τα εξωγενή τους χαρακτηριστικά, δηλαδή ως προς τον προσανατολισμό και την θέση που έχουν τοποθετηθεί πάνω στο αυτόνομο όχημα. Έπειτα, τα δεδομένα των αισθητήρων μπορούν να χρησιμοποιηθούν από το αυτόνομο όχημα για τον εντοπισμό αντικειμένων. Τα 3Δ αντικείμενα που περιέχονται σε μια οδηγική σκηνή ορίζονται με την μορφή 3Δ κουτιών οριοθέτησης. Το κάθε 3Δ κουτί οριοθέτησης επισημαίνεται με συγκεκριμένα χαρακτηριστικά όπως είναι η θέση του, ο προσανατολισμός του και η κλάση του, π.χ. αυτοκίνητο, πεζός ή ποδηλάτης. Όμως, για την πλήρη αντίληψη της οδηγικής σκηνής μπορεί να απαιτηθεί να επισημανθεί επιπλέον σημασιολογική πληροφορία σε κάθε δομικό στοιχείο των δεδομένων των αισθητήρων, όπως είναι το νέφος σημείων από τον αισθητήρα LiDAR ή ακόμη και να αναγνωριστούν αλλαγές που έχουν συμβεί σε μια οδηγική σκηνή μεταξύ δύο διακριτών χρονικών στιγμών. Για τους σκοπούς αυτούς, οι σύγχρονες μεθοδολογίες που έχουν αναπτυχθεί βασίζονται σε δίκτυα βαθιάς μάθησης, κρίσιμο σημείο των οποίων αποτελεί η εκάστοτε αρχιτεκτονική που θα χρησιμοποιηθεί για την εξαγωγή χαρακτηριστικών. Στην πλειονότητά τους, οι μεθοδολογίες βασίζονται αποκλειστικά σε δεδομένα αισθητήρων LiDAR κυρίως λόγω της αυξημένης απόδοσης που επιδεικνύουν αλλά και της εκτέλεσής τους σε πραγματικό χρόνο σε ενσωματωμένα υπολογιστικά συστήματα. Η παρούσα διδακτορική διατριβή στοχεύει στην ανάπτυξη καινοτόμων και αποτελεσματικών μεθοδολογιών για την τριδιάστατη αντίληψη για αυτόνομα οχήματα. Συγκεκριμένα, μετά από εκτενή βιβλιογραφική ανασκόπηση και ανάλυση των διαθέσιμων μεθοδολογιών της τρέχουσας τεχνολογικής στάθμης, παρουσιάζονταιτέσσερις καινοτόμες προτάσεις. Η πρώτη σχετίζεται με την εγκατάσταση αισθητήρων κάμερας και LiDAR, οι οποίοι χρησιμοποιούνται για την καταγραφή μιας σκηνής οδήγησης, έτσι ώστε να καταστεί δυνατή η βέλτιστη συσχέτιση δεδομένων μεταξύ των δύο τύπων αισθητήρων. Προτείνεται μια μέθοδος για την βαθμονόμηση, ως προς τα εξωγενή χαρακτηριστικά, της κάμερας και του LiDAR από πολλαπλές στατικές σκηνές, χρησιμοποιώντας έναν απλό σχέδιο ως στόχο βαθμονόμησης το οποίο βασίζεται σε δείκτες ArUco. Προς το σκοπό αυτό, χρησιμοποιείται ένα νέο συνεργατικό σχήμα LiDAR-κάμερας. Αρχικά, η ανίχνευση του δείκτη που βασίζεται στην κάμερα καθοδηγεί την επεξεργασία του νέφους σημείων από τον αισθητήρα LiDAR ώστε να εντοπιστεί ο τριδιάστατος δείκτης σε αυτό. Μόλις εντοπιστεί με ακρίβεια ο δείκτης στο νέφος σημείων, πραγματοποιείται περαιτέρω διόρθωση σχετικά με την εκτίμηση πόζας του δείκτη από τον αισθητήρα της κάμερας. Με αυτόν τον τρόπο, τα πλεονεκτήματα του κάθε αισθητήρα χρησιμοποιούνται για τη βελτίωση του εντοπισμού των δεικτών. Η βελτιωμένη ακρίβεια που επιτυγχάνεται στον υπολογισμό των εξωγενών παραμέτρων βαθμονόμησης έχει αποδειχθεί πειραματικά τόσο με ποσοτικούς όσο και με ποιοτικούς όρους. Στην δεύτερη καινοτόμο πρόταση αντιμετωπίζεται το αντικείμενο του τριδιάστατου εντοπισμού αντικειμένων, το οποίο αποτελεί βασικό στοιχείο για την τριδιάστατη αντίληψη των αυτόνομων οχημάτων. Οι αισθητήρες LiDAR χρησιμοποιούνται για την αντίληψη περιβάλλοντος, παράγοντας μια αραιή αναπαράσταση της σκηνής με τη μορφή ενός νέφους σημείων. Η τρέχουσα τάση είναι η χρήση αρχιτεκτονικών που βασίζονται σε νευρωνικά δίκτυα βαθιάς μάθησης, τα οποία προβλέπουν τριδιάστατα κουτιά οριοθέτησης. Η συντριπτική πλειονότητα των αρχιτεκτονικών επεξεργάζεται απευθείας το νέφος σημείων LiDAR, αλλά, λόγω περιορισμών ως προς τους υπολογιστικούς πόρους και της μνήμης, σε κάποιο σημείο συμπιέζουν την είσοδο σε μια διδιάστατη (2Δ) αναπαράσταση τύπου Bird’s Eye View (BEV). Η προτεινόμενη αρχιτεκτονική 2Δ νευρωνικού δικτύου, συγκεκριμένα το Feature Aware Re-weighting Network, χρησιμοποιείται για την εξαγωγή χαρακτηριστικών στο επίπεδο BEV χρησιμοποιώντας το τοπικό περιεχόμενο της σκηνής μέσω ενός μηχανισμού προσοχής, για τη βελτίωση της απόδοσης των τριδιάστατων εντοπιστών αντικειμένων που βασίζονται στο LiDAR. Εκτεταμένα πειράματα σε πέντε εντοπιστές 3Δ αντικειμένων της τελευταίας τεχνολογικής στάθμης και σε τρία σύνολα δεδομένων συγκριτικής αξιολόγησης, συγκεκριμένα τα KITTI, Waymo και nuScenes, καταδεικνύουν την αποτελεσματικότητα της προτεινόμενης μεθόδου όσον αφορά τόσο την απόδοση ανίχνευσης όσο και την ελάχιστη πρόσθετη υπολογιστική επιβάρυνση. Η τρίτη και η τέταρτη συνεισφορά σχετίζονται με την ενσωμάτωση μηχανισμών προσοχής σε αρχιτεκτονικές βαθιάς μάθησης για τις εργασίες της τριδιάστατης σημασιολογικής τμηματοποίησης και της ανίχνευσης αλλαγής νέφους σημείων, αντίστοιχα, που διευκολύνουν την τριδιάστατη αναγνώριση μιας σκηνής οδήγησης. Η τριδιάστατη σημασιολογική τμηματοποίηση είναι βασικό στοιχείο στα αυτόνομα οχήματα. Για αυτές τις εφαρμογές, τα τριδιάστατα δεδομένα λαμβάνονται συνήθως από αισθητήρες LiDAR με την μορφή ενός νέφους σημείων. Για το έργο της τριδιάστατης σημασιολογικής τμηματοποίησης όπου τα αντίστοιχα νέφη σημείων θα πρέπει να επισημαίνονται με σημασιολογική πληροφορία, η τρέχουσα τάση είναι η χρήση αρχιτεκτονικών νευρωνικών δικτύων βαθιάς μάθησης για την αποτελεσματική εκμάθηση της αναπαράστασης. Από την άλλη πλευρά, διάφορες εργασίες σε 2Δ και 3Δ εφαρμογές όρασης υπολογιστών έχουν χρησιμοποιήσει μηχανισμούς προσοχής που έχουν ως αποτέλεσμα την αποτελεσματική επαναστάθμιση των διανυσμάτων χαρακτηριστικών. Σε αυτή τη διατριβή, διερευνάται ο ρόλος των μηχανισμών προσοχής για το αντικείμενο της τριδιάστατης σημασιολογικής τμηματοποίησης για εφαρμογές αυτόνομης οδήγησης, εντοπίζοντας τη σημαντικότητα των διαφορετικών μηχανισμών προσοχής όταν υιοθετούνται σε υπάρχοντα δίκτυα βαθιάς μάθησης. Πραγματοποιήθηκαν εκτενή πειράματα σε δύο σύνολα δεδομένων για αυτόνομη οδήγηση, συγκεκριμένα στο Street3D και στο SemanticKITTI, που επιτρέπουν την εξαγωγή συμπερασμάτων τόσο σε ποσοτικό όσο και σε ποιοτικό επίπεδο. Τα πειραματικά αποτελέσματα δείχνουν ότι υπάρχει σαφές πλεονέκτημα όταν υιοθετούνται μηχανισμοί προσοχής, με αποτέλεσμα την ανώτερη απόδοση του δικτύου. Συγκεκριμένα, αποδεικνύεται ότι η υιοθέτηση ενός Μετασχηματιστή Σημείου (Point Transformer) στο δίκτυο βαθιάς μάθησης SPVCNN, έχει ως αποτέλεσμα μια αρχιτεκτονική που ξεπερνά την απόδοση του δικτύου της τρέχουσας τεχνολογικής στάθμης στο σύνολο δεδομένων Street3D. Η ανίχνευση αλλαγής νέφους σημείων χρησιμοποιείται για τον εντοπισμό και την ταξινόμηση χωρικών αλλαγών μεταξύ δύο νεφών σημείων LiDAR, που καταγράφονται στην ίδια σκηνή οδήγησης σε διαφορετικές χρονικές στιγμές. Η τρέχουσα τάση είναι η χρήση δικτύων βαθιάς μάθησης, με σιαμαία δομή, για την επεξεργασία των δύο νεφών σημείων. Σε αυτή τη διατριβή, εξετάζονται δύο διακριτές προσεγγίσεις για το έργο της ανίχνευσης αλλαγής νέφους σημείων. Στην πρώτη προσέγγιση, προτείνεται μια νέα αρχιτεκτονική, συγκεκριμένα η SiamGCN-GCA, η οποία προκύπτει από την ενσωμάτωση ενός καινοτόμου μηχανισμού προσοχής στο δίκτυο βαθιάς μάθησης SiamGCN, για την εξαγωγή χρήσιμων γεωμετρικών και συναφών πληροφοριών (Geometry Context Aware). Στη δεύτερη προσέγγιση προτείνεται μια αρχιτεκτονική βαθιάς μάθησης, συγκεκριμένα το SiamVFE, η οποία βασίζεται για την εξαγωγή των χαρακτηριστικών σε ένα υπολογιστικά αποδοτικό δίκτυο κορμού από έναν εντοπιστή 3Δ αντικειμένων LiDAR. Τα πειραματικά αποτελέσματα τόσο από τα πραγματικά όσο και από τα συνθετικά σύνολα δεδομένων, καταδεικνύουν ότι η υιοθέτηση του προτεινόμενου μηχανισμού προσοχής GCA, βελτιώνει την απόδοση της προτεινόμενης μεθοδολογίας SiamGCN-GCA, σε σύγκριση με τη βασική μεθοδολογία SiamGCN. Επίσης, η προτεινόμενη μεθοδολογία SiamVFE επιτυγχάνει μια αποδεκτή απόδοση και είναι προτιμότερη για εφαρμογές αυτόνομης οδήγησης σε πραγματικό χρόνο. Η παρούσα διατριβή δομείται ως εξής: Στο πρώτο κεφάλαιο παρατίθενται εισαγωγικές πληροφορίες. Το δεύτερο κεφάλαιο αφορά στην βαθμονόμηση ως προς τα εξωγενή χαρακτηριστικά ενός ζεύγους αισθητήρων LiDAR-κάμερας, όπου η προτεινόμενη μεθοδολογία βασίζεται στην συνεργατικότητα, ώστε να αντιμετωπιστούν οι επιμέρους περιορισμοί των δύο τύπων αισθητήρων. Στο τρίτο κεφάλαιο γίνεται μια λεπτομερής ανάλυση της τρέχουσας βιβλιογραφικής στάθμης για τον εντοπισμό 3Δ αντικειμένων, όπου οι μεθοδολογίες που χρησιμοποιούν τα δεδομένα του αισθητήρα LiDAR και βασίζονται στην βαθιά μάθηση, κατηγοριοποιούνται σύμφωνα με την αναπαράσταση των δεδομένων του αισθητήρα, την αρχιτεκτονική για την εξαγωγή των χαρακτηριστικών και τον πυρήνα εντοπισμού για την ανίχνευση των αντικειμένων. Επίσης, παρατίθενται τα διαθέσιμα σύνολα δεδομένων καθώς και οι μετρικές αξιολόγησης αυτών. Στο τέταρτο κεφάλαιο αναλύεται εκτενώς και αξιολογείται πειραματικά η προτεινόμενη μεθοδολογία για την εξαγωγή χαρακτηριστικών στο επίπεδο BEV. Το πέμπτο κεφάλαιο αφορά την 3Δ σημασιολογική τμηματοποίηση μιας οδηγικής σκηνής ενώ στο έκτο κεφάλαιο παρουσιάζεται η ανίχνευση αλλαγής νέφους σημείων, όπου οι δύο προτεινόμενες μεθοδολογίες βασίζονται σε μηχανισμούς προσοχής για την ενίσχυση της απόδοσης και σε ένα υπολογιστικά αποδοτικό δίκτυο κορμού, αντίστοιχα. Τέλος, το έβδομο κεφάλαιο αποτελεί τον επίλογο της διατριβής, όπου συνοψίζεται η συνεισφορά της και προτείνονται μελλοντικές ερευνητικές κατευθύνσεις.
Ranging
Cite
Citations (0)
Τα δομικά χαρακτηριστικά των δέντρων αποκτούν ολοένα και μεγαλύτερη σημασία στην καλλιέργεια των οπωροφόρων δέντρων, ιδίως κατά την εφαρμογή των τεχνικών της δενδροκομίας ακριβείας. Κρίσιμα στοιχεία για την πληρέστερη εφαρμογή της αποτελούν η ακριβής εξαγωγή και επεξεργασία της δομής των δέντρων καθώς και η χωρική και χρονική παρακολούθηση των καλλιεργειών, μέσω της οποίας επιτυγχάνεται η βελτιστοποίηση των πρακτικών διαχείρισης, όπως το κλάδεμα, το αραίωμα, η επιλεκτική συγκομιδή, ο ψεκασμός με φυτοφάρμακα και λιπάσματα, του οπωρώνα. Παραδοσιακά, η συλλογή των παραπάνω πληροφοριών γινόταν μέσω χειρωνακτικής δειγματοληψίας, η οποία χαρακτηριζόταν από υψηλό κόστος εργασίας, χρόνο διεκπεραίωσης και μεγάλη πιθανότητα σφάλματος. Προς επίλυση των εν λόγω προβλημάτων, αναπτύχθηκε η τρισδιάστατη (3D) ανίχνευση, προσφέροντας νέες δυνατότητες στις γεωργικές πρακτικές και αυξάνοντας την απόδοση τους μέσω της χρήσης κατάλληλων αισθητήρων. Υπό το πλαίσιο αυτό, οι κύριοι παράγοντες που συμβάλλουν σε αυτή τη δυνατότητα είναι η συνεχιζόμενη αύξηση της επεξεργαστικής ισχύος των υπολογιστών, η μείωση κόστους και μεγέθους των ηλεκτρονικών συσκευών, η ενίσχυση της απόδοσης των διόδων εκπομπής λέιζερ. Συνεπώς, η ανάγκη για κατανόηση και φροντίδα των επιμέρους καλλιεργειών απαιτεί ακριβείς και αξιόπιστες τεχνικές επεξεργασίας δεδομένων για την εξαγωγή πληροφοριών υψηλής ευκρίνειας που χρειάζεται ο καλλιεργητής για την υποστήριξη της δενδροκομίας ακριβείας.Στην παρούσα μελέτη εφαρμόστηκαν τεχνικές δενδροκομίας ακριβείας σε μηλεώνες. Στόχος της μελέτης ήταν η εξαγωγή και ανάλυση τρισδιάστατων (3D) δομικών πληροφοριών των δέντρων σε συνάρτηση με τη φυσιολογία τους, τις ιδιότητες του εδάφους, του μικροκλίματος, την απόδοση και την ποιότητα των καρπών. Για την εκπλήρωση αυτού του στόχου, τοποθετήθηκε ένα σύστημα light detection and range (LiDAR) πάνω σε ένα τρακτέρ για τη σάρωση των σειρών του οπωρώνα.Η πρώτη συνεισφορά της παρούσας διατριβής είναι η ανάπτυξη μεθοδολογίας κατάτμησης των δέντρων με σκοπό τον εντοπισμό του εκάστοτε δέντρου σε 3D απεικόνιση, με βάση τη θέση του κορμού του σε οπωρώνες πυκνής φύτευσης. Η προσέγγιση εστιάζει σε μηλιές συστήματος παλμέτας, τα οποία χαρακτηρίζονται ως ιδιαίτερααπαιτητικά στην ανάπτυξη αλγορίθμων κατάτμησης εξαιτίας των διακλαδώσεων μεταξύ των φυτών. Αρχικά, η ακρίβεια του συστήματος LiDAR αξιολογήθηκε στον οπωρώνα χρησιμοποιώντας ένα μεταλλικό κουτί συγκεκριμένων διαστάσεων. Εν συνεχεία, ένα ιστόγραμμα πυκνότητας σημείων χρησιμοποιήθηκε για τον εντοπισμό των δέντρων με βάση τη θέση του κορμού τους, ενώ ένας κύλινδρος τοποθετήθηκε γύρω από το κορμό για την κατάτμηση του εκάστοτε δέντρου. Κατά συνέπεια, για των εξαγωγή των συμπερασμάτων της παρούσας, εκτιμήθηκαν δομικές πληροφορίες των δέντρων, όπως το ύψος, ο όγκος και η διάμετρος του κορμού. Κρίσιμο στοιχείο για την εξαγωγή των εν λόγω συμπερασμάτων αποτέλεσε ο σημαντικός συντελεστής συσχέτισης μεταξύ των χειρωνακτικών μετρήσεων επί των στοιχειών αυτών και των 3D δεδομένων που ελήφθησαν με τη χρήση του συστήματος LiDAR. Ωστόσο, αξιομνημόνευτο καθίσταται το γεγονός ότι μέσω της χρήσης του συστήματος LiDAR με το προαναφερόμενο μεταλλικό κουτί, παρουσιάστηκε αυξημένη πιθανότητα σφάλματος επί των σημείων που βρίσκονταν σε μεγαλύτερη απόσταση μεταξύ του ανοίγματος λέιζερ και του αντικειμένου.Η δεύτερη συνεισφορά σχετίζεται με την εφαρμογή των δομικών παραμέτρων εντός ενός μοντέλου υδατικού ισοζυγίου, αποσκοπώντας στην παρατήρηση της αλληλεπίδρασής τους με το μικρόκλιμα και τις ιδιότητες του εδάφους κατά τη διάρκεια της καλλιεργητικής περιόδου. Συγκεκριμένα, η φυλλική επιφάνεια (LA) και το ύψος των δέντρων, όπως αυτά υπολογίστηκαν μέσω του συστήματος LiDAR, συνδυάστηκαν με τα μετεωρολογικά δεδομένα και τις εδαφικές μεταβλητές για την εκτίμηση των ημερήσιων αναγκών των δέντρων σε νερό σε διαφορετικές περιοχές ηλεκτρικής αγωγιμότητας του εδάφους (ECa). Τα αποτελέσματα έδειξαν ότι η γεωμετρία των δέντρων αλληλοεπιδρά με την ECa, καθώς και ότι η αξιοποίηση 3D δεδομένων των φυτών και του μικροκλίματος αύξησε τη χωρική ευκρίνεια του μοντέλου υδατικού ισοζυγίου, παρέχοντας μεγαλύτερη ακρίβεια σε αντίθεση με τις παραδοσιακές μεθόδους. Επιπλέον, η εκτιμώμενη LA με το LiDAR παρουσίασε υψηλούς συσχετισμούς με το ECa σε διαφορετικές περιοχές. Παράλληλα, παρατηρήθηκε συσχέτιση μεταξύ του ECa και της συνολικής διαθέσιμης περιεκτικότητας σε νερό επί του ριζικού συστήματος, ενώ ο συνδυασμός του ECa και του LA ανέδειξε την έννοια της χωρικής επίλυσης του ισοζυγίου νερού, επιτρέποντας την πληρέστερη εκτίμηση των ημερήσιων αναγκών των δένδρων σε νερό.Εν συνεχεία, ιδιαίτερη έμφαση δόθηκε στη χωρική και χρονική εκτίμηση της γεωμετρίας των δέντρων σε 3D με τη χρήση του συστήματος LiDAR κατά τα στάδια ανάπτυξης τους. Αρχικά αναλύθηκε η χωρική επίδραση της ECa και μορφολογίας του οπωρώνα στην ανάπτυξη του όγκου των δέντρων, παρουσιάζοντας υψηλή διακύμανσηκατά τη διάρκεια της καλλιεργητικής περιόδου και σημαντική εξάρτησή της από τις ιδιότητες του εδάφους. Το σύστημα LiDAR χρησιμοποιήθηκε για τους σκοπούς της επίβλεψης της καλλιέργειας ολόκληρου του οπωρώνα κατά τη διάρκεια της περιόδου ανάπτυξης. Ο εκτιμώμενος όγκος των δένδρων συσχετίστηκε αρνητικά με την ECa σε όλες τις περιοχές του οπωρώνα (χαμηλές, μεσαίες και υψηλές), εμφανίζοντας ότι η ανάπτυξη των δέντρων σε χαμηλά επίπεδα ECa αυξήθηκε κατά περίπου 30% σε σύγκριση με τις μεσαίες και υψηλές περιοχές ECa. Αυτά τα αποτελέσματα υποδηλώνουν ότι η ανάπτυξη του δένδρου κυμαίνεται χωρικά, καθιστώντας έτσι την επίγεια σάρωση με λέιζερ μια χρήσιμη μέθοδο για τη λήψη αποφάσεων στην δενδροκομία ακριβείας.Στη συνέχεια, πραγματοποιήθηκε η εκτίμηση της LA με βάση το LiDAR συσχετίζοντας την LA των αποφυλλωμένων δέντρων με τα αντίστοιχα σημεία ανά δέντρο (PPT). Παράλληλα, η γραμμικότητα και η βαθμονομημένη ανάκλαση του LiDAR, χρησιμοποιήθηκαν για την κατάτμηση των ξυλώδων τμημάτων από τα PPT στα διαφορετικά στάδια ανάπτυξης, βελτιώνοντας τη σχέση με την χειρωνακτική LA. Οι χωρικές συσχετίσεις της LA διερευνήθηκαν με την ECa και την απόδοση κατά τη διάρκεια της περιόδου, ενώ κατασκευάστηκε ένα μοντέλο k-nearest neighbour για την πρόβλεψη της νωπής μάζας των καρπών, της διαμέτρου και ης περιεκτικότητας σε διαλυτά στερεά, μέσω της ECa και LA. Τα αποτελέσματα αυτά επιβεβαιώνουν τη χωρική και χρονική διακύμανση της ανάπτυξης του φυλλώματος, υποδηλώνοντας παράλληλα την αξία των δεδομένων της LA σε συστήματα υποστήριξης αποφάσεων που στοχεύουν στη βελτιστοποίηση της διαχείρισης των οπωρώνων.Η εκτίμηση του LA βελτιώθηκε όταν εντοπίστηκαν και αφαιρέθηκαν τα σημεία των ξυλωδών μερών, παρέχοντας υψηλότερο προσαρμοσμένο συντελεστή συσχέτισης στις 55 ημέρες μετά το σπάσιμο των οφθαλμών. Επιπρόσθετα, παρατηρήθηκε ότι η ECa και η LA συσχετίστηκαν θετικά με το μέγεθος των φρούτων. Με κίνητρο αυτούς τους συσχετισμούς, δημιουργήθηκαν μοντέλα k- nearest neighbour για να προβλέψουν την ποιότητα των φρούτων κατά τη συγκομιδή, εφαρμόζοντας το μοντέλο πρώτου έτους της μελέτης στα δεδομένα του επόμενου έτους. Με βάση τη γεωγραφική θέση και τη ECa, η ακρίβεια ταξινόμησης στην επαλήθευση του συνόλου των δεδομένων ήταν 39.7%, ενώ η ταξινόμηση με βάση τη γεωγραφική θέση και το LA οδήγησε στο 63.3%. Τα αποτελέσματα επιβεβαιώνουν τη χωρική και χρονική μεταβολή της ανάπτυξης του δένδρου.Στο τελικό τμήμα της παρούσας μελέτης, παρατηρήθηκε ότι οι δομικές παράμετροι των δέντρων μπορούν να επηρεάσουν το μέγεθος, τον αριθμό και τις ποιοτικές παραμέτρους των καρπών. Ως εκ τούτου, προτάθηκαν αλγόριθμοι ανίχνευσης των καρπών με τη χρήση του συστήματος LiDAR για την εκτίμηση της διαμέτρου τουςκατά τα στάδια ανάπτυξης του δένδρου. Σε κάθε μέτρηση, τα δέντρα σαρώθηκαν πριν και μετά την αποφύλλωση. Ο διαχωρισμός των καρπών βασίστηκε στις οριακές τιμές της βαθμονομημένης ανάκλασης του LiDAR και στα γεωμετρικά χαρακτηριστικά της γραμμικότητας και της καμπυλότητας . Η υψηλή πολυπλοκότητα της δομής των δέντρων επιβάλλει την ανάγκη δημιουργίας μιας μεθόδου αξιολόγησης που θα λαμβάνει υπόψη τους καρπούς από τα αποφυλλωμένα δέντρα ως σημείο αναφοράς. Συνεπώς η αξιολόγηση του αριθμού και της θέσης των καρπών που εντοπίζονται σε δέντρα με φύλλα πραγματοποιείται. Συγκρίνονται αυτά με τα σημεία αναφοράς που βρέθηκαν στα αποφυλλωμένα δένδρα. Τα αποτελέσματα έδειξαν την υψηλή ικανότητα του LiDAR να εντοπίζει και να υπολογίζει το μέγεθος των καρπών σε 3D, ξεπερνώντας τους περιορισμούς των συστημάτων εικόνας, τα οποία είναι ευαίσθητα στους μεταβλητούς εξωτερικούς παράγοντες που οδηγούν σε σημαντικές διακυμάνσεις στα δεδομένα.Συγκεκριμένα, πραγματοποιήθηκε ανάλυση της βαθμονομημένης ανάκλασης του LiDAR επί των στοιχείων του δέντρου, δείχνοντας διακριτές τιμές για φύλλα, ξυλώδη μέρη και καρπούς. Η διάμετρος των μήλων που υπολογίστηκε από τα φυλλωμένα δέντρα συσχετίστηκε σημαντικά με τα σημεία αναφοράς των αποφυλλωμένων δένδρων κατά τη συγκομιδή. Παράλληλα, στη σύγκριση των αποτελεσμάτων που προέκυψαν από τα δεδομένα του φυλλώματος και του αποφυλλωμένου δέντρου, ο εκτιμώμενος αριθμός των φρούτων στα φυλλωμένα δέντρα στις 120 ημέρες μετά την πλήρη άνθηση, αποτέλεσε το 94.8% των πραγματικών τιμών αναφοράς. Ο αλγόριθμος είχε ως αποτέλεσμα μέγιστες τιμές ακρίβειας 88.2%, ανάκλησης 91.0% και 89.5 F1 score σε 120 ημέρες μετά την πλήρη άνθηση.Τα μέρη αυτής της διατριβής έχουν σχεδιαστεί για την αντιμετώπιση του μελλοντικού μηχανικού οράματος υπό το πρίσμα των δύσκολων περιβαλλοντικών συνθήκων που παρατηρούνται σε οπωρώνες υψηλής πυκνότητας. Όσον αφορά την κατάτμηση των δέντρων, η ακρίβεια της προτεινόμενης μεθοδολογίας θα πρέπει να αξιολογηθεί σε διάφορα πολυετή δέντρα και συστήματα φύτευσης για την παροχή πληρέστερων αποτελεσμάτων. Η μελλοντική έρευνα θα πρέπει να διερευνήσει περαιτέρω την εφαρμογή τρισδιάστατων χωρικών και χρονικών πληροφοριών επί φυτών (π.χ. LA, όγκος) από οπωρώνες υψηλής πυκνότητας σε συστήματα εφαρμογής μεταβλητής δόσης όπως η άρδευση και η λίπανση. Σε κάθε περίπτωση, η σχέση της ποιότητας των φρούτων και του LA θα πρέπει να παρατηρηθεί σε διαφορετικές ποικιλίες και κλίματα, στοχεύοντας στη βελτίωση λήψης αποφάσεων σε οπωρώνες. Εν κατακλείδι, η εκτίμηση του αριθμού των φρούτων κατά τη διάρκεια της καλλιεργητικής περιόδου μπορεί νασυνεισφέρει στο αραίωμα των καρπών και την επιλεκτική συγκομιδή. Για την ορθότερη και πληρέστερη αξιολόγηση της προτεινόμενης μεθοδολογίας, θα πρέπει αυτή να κριθεί μελλοντικά με διαφορετικές ποικιλίες μήλων και αισθητήρες LiDAR.
Cite
Citations (0)
We need to be able to quantitatively measure the performance of a LiDAR. This will be more difficult than measuring the performance of a traditional 2D sensor because we have more dimensions to measure. The most common LiDAR is a 3D LiDAR, which involves measuring range response as well as angle/angle response. This chapter first discusses LiDAR figures of merit, which are the characteristics we need to measure to determine LiDAR performance (the discussion may not describe how to measure all of the figures of merit). Simple direct-detection LiDAR will not have as many relevant figures of merit as a coherent LiDAR. Next, the chapter discusses LiDAR testing, focusing primarily on 3D direct-detection LiDAR. Finally, to obtain optimum performance, we need to calibrate the LiDAR. The chapter concludes by providing methods to remove intensity and range measurement nonuniformities. Again, this discussion on calibration will focus on 3D directdetection LiDAR.
Figure of Merit
Cite
Citations (0)
항공 LiDAR(Light Detection And Ranging)는 지형에 대한 3차원 공간정보 구축에 효과적인 기술이며, 최근 UAV(Unmanned Aerial Vehicle)에 탑재가 가능한 장비가 개발됨에 따라 3차원 공간정보 구축 분야에서 관심이 증대되고 있다. 항공 LiDAR 데이터의 점밀도는 효율적인 공간정보 구축의 중요한 고려사항이지만 UAV LiDAR의 경우 이러한 기준이 아직 마련되지 않은 상황이다. 본 연구에서는 UAV LiDAR의 데이터 취득 조건별 점밀도를 분석하고자 하였다. 연구대상지에 대해 비행고도, 비행속도 별 데이터가 취득되었으며, 자료처리 및 분석을 통해 26 pts/㎡ ~ 1,267 pts/㎡의 점밀도가 산출되었다. UAV LiDAR는 현재 “항공 LiDAR 작업규정”의 기준인 2 pts/㎡보다 매우 정밀한 데이터를 얻을 수 있었으며, 이러한 결과는 공간정보 구축에 UAV LiDAR의 활용 가능성이 충분함을 나타내는 것이다. 한편, 식생이 있는 지역에서 취득한 성과물에서 식생 하부 지면에 대한 점밀도는 138 pts/㎡ ~ 355 pts/㎡을 나타내었으며, 이는 UAV LiDAR가 식생이 있는 지역에서도 DEM 구축이 가능함을 나타낸다. UAV LiDAR는 기존의 유인 항공 LiDAR에 비해 정밀한 데이터 취득이 가능하기 때문에 효율적인 3차원 공간정보 구축에 활용이 기대된다.
Ranging
Cite
Citations (0)