Filtrado de datos de detección y rango de luz multicanal de drones en marismas salinas costeras utilizando un modelo de aumento extremo de gradiente
Autores: Wu, Xixiu; Tan, Kai; Liu, Shuai; Wang, Feng; Tao, Pengjie; Wang, Yanjun; Cheng, Xiaolong
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Filtrado de datos de detección y rango de luz multicanal de drones en marismas salinas costeras utilizando un modelo de aumento extremo de gradiente
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Terrenos de marismas salinas costeras
Cambios espaciotemporales
LiDAR
Medición del terreno
Filtrado de nubes de puntos de vegetación
Modelo XGBoost
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Caracterizar cuantitativamente los terrenos de marismas salinas costeras y los cambios espaciotemporales correspondientes es crucial para formular planes de gestión integrales y aclarar la evolución dinámica del carbono. La detección y medición de luz en múltiples líneas (LiDAR) exhibe una gran capacidad para medir terrenos de marismas salinas con un fuerte rendimiento de penetración y un nuevo modo de escaneo. El requisito previo para obtener un terreno de alta precisión requiere un filtrado preciso de los puntos de vegetación de la marisma salina de los puntos de suelo/planicie de barro en los datos de LiDAR de múltiples líneas. En este estudio, se propone un nuevo método alternativo de filtrado de nubes de puntos de vegetación de marismas salinas para LiDAR de múltiples líneas basado en el modelo de aumento de gradiente extremo (es decir, XGBoost). De acuerdo con el principio básico de que la vegetación y el suelo exhiben diferentes características geométricas y radiométricas, se construye el XGBoost para modelar las relaciones de las categorías de puntos con una serie de métricas geométricas y radiométricas básicas seleccionadas (es decir, distancia, ángulo de escaneo, elevación, vectores normales e intensidad), donde la geometría de escaneo instantáneo ausente (es decir, distancia y ángulo de escaneo) para cada punto se estima con precisión de acuerdo con los principios de escaneo y las características de distribución espacial de nubes de puntos de LiDAR de múltiples líneas de drones. Basado en el modelo construido, la combinación de las características seleccionadas puede predecir de manera precisa e inteligente la categoría de cada punto. El método propuesto se prueba en una marisma salina costera en Shanghái, China, mediante un sistema LiDAR de 16 líneas en un dron. Los resultados demuestran que los valores promedios de AUC y G-mean del método propuesto son 0.9111 y 0.9063, respectivamente. El método propuesto exhibe una aplicabilidad y versatilidad mejoradas y supera a los métodos tradicionales y otros métodos de aprendizaje automático en diferentes áreas con topografía y estado de crecimiento de vegetación variables, lo que muestra un potencial prometedor para el filtrado y clasificación de nubes de puntos, particularmente en entornos extremos donde los terrenos, coberturas terrestres y distribuciones de nubes de puntos son altamente complicados.
Descripción
Caracterizar cuantitativamente los terrenos de marismas salinas costeras y los cambios espaciotemporales correspondientes es crucial para formular planes de gestión integrales y aclarar la evolución dinámica del carbono. La detección y medición de luz en múltiples líneas (LiDAR) exhibe una gran capacidad para medir terrenos de marismas salinas con un fuerte rendimiento de penetración y un nuevo modo de escaneo. El requisito previo para obtener un terreno de alta precisión requiere un filtrado preciso de los puntos de vegetación de la marisma salina de los puntos de suelo/planicie de barro en los datos de LiDAR de múltiples líneas. En este estudio, se propone un nuevo método alternativo de filtrado de nubes de puntos de vegetación de marismas salinas para LiDAR de múltiples líneas basado en el modelo de aumento de gradiente extremo (es decir, XGBoost). De acuerdo con el principio básico de que la vegetación y el suelo exhiben diferentes características geométricas y radiométricas, se construye el XGBoost para modelar las relaciones de las categorías de puntos con una serie de métricas geométricas y radiométricas básicas seleccionadas (es decir, distancia, ángulo de escaneo, elevación, vectores normales e intensidad), donde la geometría de escaneo instantáneo ausente (es decir, distancia y ángulo de escaneo) para cada punto se estima con precisión de acuerdo con los principios de escaneo y las características de distribución espacial de nubes de puntos de LiDAR de múltiples líneas de drones. Basado en el modelo construido, la combinación de las características seleccionadas puede predecir de manera precisa e inteligente la categoría de cada punto. El método propuesto se prueba en una marisma salina costera en Shanghái, China, mediante un sistema LiDAR de 16 líneas en un dron. Los resultados demuestran que los valores promedios de AUC y G-mean del método propuesto son 0.9111 y 0.9063, respectivamente. El método propuesto exhibe una aplicabilidad y versatilidad mejoradas y supera a los métodos tradicionales y otros métodos de aprendizaje automático en diferentes áreas con topografía y estado de crecimiento de vegetación variables, lo que muestra un potencial prometedor para el filtrado y clasificación de nubes de puntos, particularmente en entornos extremos donde los terrenos, coberturas terrestres y distribuciones de nubes de puntos son altamente complicados.