Identificación de especies de árboles en un bosque caducifolio de clima templado cálido mediante la combinación de vehículos aéreos no tripulados de ala rotativa y de ala fija
Autores: Shi, Weibo; Wang, Shaoqiang; Yue, Huanyin; Wang, Dongliang; Ye, Huping; Sun, Leigang; Sun, Jia; Liu, Jianli; Deng, Zhuoying; Rao, Yuanyi; Hu, Zuoran; Sun, Xiyong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Identificación de especies de árboles en un bosque caducifolio de clima templado cálido mediante la combinación de vehículos aéreos no tripulados de ala rotativa y de ala fija
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Vehículos aéreos no tripulados
Monitoreo ambiental
Encuestas de vegetación
Teledetección con UAV
Modelo de segmentación semántica
Especies de árboles
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los vehículos aéreos no tripulados (VANT) de ala fija y los VANT multirrotor se utilizan ampliamente en el monitoreo ambiental de grandes áreas (>1 km2) y en encuestas de vegetación fina de pequeñas áreas (<1 km2), respectivamente, teniendo diferentes características en términos de costo de vuelo, eficiencia operativa y métodos de aterrizaje y despegue. Sin embargo, la cartografía fina de grandes áreas en entornos forestales complejos sigue siendo un desafío en la teledetección con VANT. Aquí, desarrollamos un método que combina un VANT multirrotor y un VANT de ala fija para resolver este desafío a bajo costo. En primer lugar, adquirimos imágenes de alta resolución en ultra alta definición en escala pequeña y en múltiples estaciones en RGB (rojo-verde-azul) y grandes imágenes en RGB mediante un VANT multirrotor y un VANT de ala fija, respectivamente. En segundo lugar, combinamos los datos de referencia de interpretación visual con las imágenes del VANT multirrotor para construir un modelo de segmentación semántica y utilizamos el modelo para expandir los datos de referencia. Finalmente, clasificamos las imágenes del VANT de ala fija utilizando los datos de referencia de gran área combinados con el modelo de segmentación semántica y discutimos los efectos de diferentes tamaños. Nuestros resultados muestran que combinar imágenes de VANT multirrotor y de ala fija proporciona una predicción precisa de las especies de árboles. El modelo para imágenes de ala fija tuvo un promedio de F1 del 92.93%, con un 92.00% para Quercus wutaishanica y un 93.86% para Juglans mandshurica. La precisión del modelo de segmentación semántica que utiliza un tamaño mayor muestra una ligera mejora, y el modelo tiene un mayor impacto en la precisión de Quercus liaotungensis. El nuevo método explota las características complementarias de los VANT multirrotor y de ala fija para lograr una cartografía fina de grandes áreas en entornos complejos. Estos resultados también destacan el potencial de aprovechar esta sinergia entre los VANT multirrotor y los VANT de ala fija.
Descripción
Los vehículos aéreos no tripulados (VANT) de ala fija y los VANT multirrotor se utilizan ampliamente en el monitoreo ambiental de grandes áreas (>1 km2) y en encuestas de vegetación fina de pequeñas áreas (<1 km2), respectivamente, teniendo diferentes características en términos de costo de vuelo, eficiencia operativa y métodos de aterrizaje y despegue. Sin embargo, la cartografía fina de grandes áreas en entornos forestales complejos sigue siendo un desafío en la teledetección con VANT. Aquí, desarrollamos un método que combina un VANT multirrotor y un VANT de ala fija para resolver este desafío a bajo costo. En primer lugar, adquirimos imágenes de alta resolución en ultra alta definición en escala pequeña y en múltiples estaciones en RGB (rojo-verde-azul) y grandes imágenes en RGB mediante un VANT multirrotor y un VANT de ala fija, respectivamente. En segundo lugar, combinamos los datos de referencia de interpretación visual con las imágenes del VANT multirrotor para construir un modelo de segmentación semántica y utilizamos el modelo para expandir los datos de referencia. Finalmente, clasificamos las imágenes del VANT de ala fija utilizando los datos de referencia de gran área combinados con el modelo de segmentación semántica y discutimos los efectos de diferentes tamaños. Nuestros resultados muestran que combinar imágenes de VANT multirrotor y de ala fija proporciona una predicción precisa de las especies de árboles. El modelo para imágenes de ala fija tuvo un promedio de F1 del 92.93%, con un 92.00% para Quercus wutaishanica y un 93.86% para Juglans mandshurica. La precisión del modelo de segmentación semántica que utiliza un tamaño mayor muestra una ligera mejora, y el modelo tiene un mayor impacto en la precisión de Quercus liaotungensis. El nuevo método explota las características complementarias de los VANT multirrotor y de ala fija para lograr una cartografía fina de grandes áreas en entornos complejos. Estos resultados también destacan el potencial de aprovechar esta sinergia entre los VANT multirrotor y los VANT de ala fija.