Andrzej Borkowski, Edyta Hadaś, Grzegorz Jóźków, Agata Walicka
Uniwersytet Przyrodniczy we Wrocławiu
Zdalne pozyskiwanie informacji o obszarach leśnych jest przedmiotem licznych badań od wielu już lat. Pierwotnie wykorzystywano pasywne metody pozyskiwania danych, aktualnie dominującą techniką jest lotniczy skaning laserowy (ang. Airborne Laser Scanning, ALS). W odniesieniu do drzew rolniczych potencjał danych ALS jest wciąż niezbadany. Dla powierzchni sadu, klasyczny skaning laserowy wykonywany z pokładu samolotu może być ekonomicznie nieuzasadniony. W takiej sytuacji pozyskanie danych może być wykonane przy pomocy bezzałogowego statku powietrznego (ang. Unmanned Aerial Vehicle, UAV) wyposażonego w skaner laserowy. Pozyskana w ten sposób chmura punktów umożliwia określenie różnych charakterystyk sadu oraz cech biometrycznych pojedynczych drzew, takich jak wysokość drzewa, kształt i objętość korony. Znajomość tych parametrów pozwala na przewidywanie zbiorów oraz lepsze planowanie zabiegów pielęgnacyjnych, np. przycinania gałęzi i nawożenia.
W naszych badaniach wykorzystaliśmy UAV wyposażony w skaner laserowy Velodyne HDL32-E w celu identyfikacji poszczególnych drzew w sadzie oraz wyznaczenia ich wysokości, wysokości podstawy korony oraz powierzchni korony. Otrzymaliśmy chmurę punktów o gęstości 3200 punktów/m2. Obszar testowy zawierał ponad 600 drzew, z czego dla 50 wykonaliśmy bezpośrednie pomiary terenowe lokalizacji pnia oraz wybranych parametrów biometrycznych, w tym wysokości drzewa i konturu korony. Zaproponowaliśmy oryginalną strategię automatycznego opracowania danych ALS, która łączy algorytm alpha-shape, analizę głównych składowych (ang. Pricipal Component Analysis, PCA) oraz zawarunkowane wykrywanie lokalnych minimów na przekroju profilu rzędu drzew. Udało nam się poprawnie zidentyfikować 99% drzew. Błąd średniokwadratowy RMSE wyznaczenia wysokości drzew oraz wysokości podstawy korony z chmury punktów w porównaniu z pomiarami terenowymi wynosi 9 cm, a współczynnik korelacji odpowiednio 0,96 i 0,70. Uzyskane wyniki zostały w dedykowanej bazie danych GIS w celu utworzenia systemu zarządzania produkcją sadowniczą. Potwierdzają także słuszność wykorzystania danych ALS pozyskanych przy pomocy UAV na potrzeby inwentaryzacji sadów.