基于三维激光扫描技术提取农业信息的应用综述

王欢欢

摘 要：三维激光扫描技术是测绘和遥感领域的前沿技术，其具有高精度、高速度、实时性和主动性强、全数字化以及任意物体均可进行扫描的特点。该技术是一种高效率、高精度的地理空间数据采集方式，针对扫描得到的点云数据进行后处理分析可以提取研究目标的空间结构信息和空间分布信息。该技术已经应用于城市建模、林业、文物保护、水利水电等方面，但该技术的农业应用研究极少。目前，农业和遥感领域专家已进行农作物三维建模，作物生长周期分析和比对以及农田场景三维可视化等方面的尝试，作物估产研究还未完全成熟。本文主要介绍国内外学者对于小麦和甜菜等作物的生长高度监测、建立Crop Surface Models （CSM） 和 Crop VolumeModels （CVM）、表面粗糙度计算和生物量估算模型等研究。结果表明激光扫描技术在低矮自然植被监测和应用上有较大潜力。激光扫描技术在“精细农业”领域的应用可推动作物培育与生长检测，有助于提高农业的产业效率。

关键词：三维激光扫描技术;CVM;CSM;生长高度;生物量

中图分类号：S-1       文献标识码：A

DOI：10.19754/j.nyyjs.20201030018

引言

三维激光扫描技术作为20世纪90年代中期出现的一项新兴测绘技术，在国民经济各领域都已经发展应用，充分利用其大面积，高效率，高分辨率，高精度，连续、自动、快速获取被测对象表面的优势。通过采用激光测距的方式快速提取三维目标的形态结构并能与目标内在参数具备某种相关性进行分析预测。三维点云可以进行各种不同的应用，例如建筑物和城市的三维重建，建立文物模型，工程变形监测，地质灾害探测等。

当前，国内外很少有研究该技术的农业应用。基于遥感图像应用于农业和精细作物管理已有一些研究，航空相机和遥感卫星的多光谱扫描仪已证明是区域和全球范围的作物管理的有力工具。随着合成孔径雷达工具的发展，已经进行SAR应用于农业研究。机载激光雷达已经广泛应用于地形表面建模和测量森林参数如树干材积和树高。但是由于机载激光雷达的高成本和低精确度，其并不适用于农业应用。

在国内，2007年浙江大学作物科学研究所利用激光扫描仪在不同的生长阶段对油菜植株进行激光雷达测量，基于获取的点云图形提取关键的生长信息，并研究出油菜的生长规律。2012年郭焱等利用FastSCANTM三维激光扫描系统测定田间生长烟株的叶片，通过采集得到的数据进行烟株形态结构表征，建立了研究分布模拟烟株冠层空间辐射和定量化评估烟草理想株的基础。在国外，2008年，Ehlert等人表明TLS测量参数如植株高度，植株密度和干重量可以用于作物管理。

本文主要对国内外地基激光雷达扫描应用于精细农业管理的研究进行概述。2006年Lumme等通过实验验证了可以利用激光扫描得到农作物参数如生长高度和探测谷物麦穗[1]。2008年德国科隆大学Dirk Hoffmeister提出基于地基激光雷达建立Crop Surface Models （CSM）和Crop VolumeModels （CVM）[2]。结合德国科隆大学2009年的第2次进行冬麦实验，检测2008-2009作物生长空间变异，并比较。德国科隆大学为了提高方法性能，在2010年又在德国另一片试验田展开实验。德国科隆大学与中国农业大学用多回波技术扫描仪RIEGL VZ1000进行了一项很有创举的科学实验，皆在提供科学化水稻种植方面的遥感新技术支持[3，4]。

1 研究方法

1.1 三维激光扫描仪

采集相应小块田的激光点云，需要在实验田的不同位置设置测站并将扫描仪放在一定高度的架子，拖拉机的液压平台上或其它平台上使得激光扫描仪的扫描测量范围足以覆盖研究区域。当前国内外对野外农作物扫描实验所用的激光扫描仪主要有3种，分别为Faro laser scanner、Riegl LMS-Z420i 、Riegl VZ-1000等型号。它们的工作原理基本相同，只是具有的精确度和扫描范围等参数不同。具体的扫描仪搭建方式各自在不同的移动车上。

1.2 点云数据预处理

激光雷达扫描仪采集得到的激光點云数据在进行分析处理前必须先进行预处理，来减少扫描测量误差和分析错误。不同的激光雷达扫描仪通常有自带的点云处理软件，可以直接利用这些软件进行相应的预处理操作。虽然处理的方法和精确程度可能不同，但处理流程基本一致。预处理过程通常包括：点云配准和校正（如迭代最近点）;提取感兴趣区AOI;合并、噪声过滤、去除噪音点和难以分辨为地面或作物的点;点云渲染颜色。

1.3 生长高度测量与麦穗检测算法

2006年芬兰学者通过野外实验验证了可以利用激光扫描进行谷物麦穗的探测，他们将点云数据划分为更小的网格单元，从每个单元提取生长高度并测得的生长高度和作物产量具有强相关性[1]。麦穗检测算法基于将点云转化为每个体素有足够的标记激光点的体素模型，几个在垂直方向并排的几个标记的体素与麦穗相关。使用麦穗检测算法可以通过激光扫描数据自动识别麦穗和估算麦穗的尺寸大小。

计算麦穗大小也与小麦产量有一定关系，但很难找到算法参数用于表达该相关性，并且算法只能提供相对的产量结果而不是绝对的产量结果。重叠的麦穗体素含有不同数量的激光点和他们对麦穗提供更多的信息。基于此可以从麦穗的体素提取更多详细特征，但目前还没有详细的参考数据去验证。

1.4 Crop Surface Models （CSM） 和 Crop VolumeModels （CVM）  2008年德国科隆大学Dirk Hoffmeister等采用Riegl LMS-Z420i扫描仪在德国西部研究甜菜作物生长，并提出基于地基激光雷达建立Crop Surface Models （CSM） 和 Crop VolumeModels （CVM） 来得到农作物生长高度值和分布情况。在生长周期进行3次测量， CSMs通过每次采集得到的激光点云数据进行三角剖分再得到栅格数据，所有不同时期的CSM互相比较得到作物生长高度差，对于CVM计算，估算由三角剖分后的三维表面和地表面的体积，2个体积差为作物体积。

1.5 表面粗糙度

表面粗糙度是1个非量纲参数，一定测量长度的粗糙度体现了对于1个理想表面的高度变量的度量。它表示地球表面粗糙程度并具有长度量纲的特征参数。地面粗糙度是1种对表面動量交换的参数化方式，通常表示地表的粗糙程度。表面粗糙度的参数之一根均方高度为常用的特征值，一般通过ArcGIS和数据表处理计算表面粗糙度。土壤表面粗糙度对于侵蚀作用的研究和基于SAR图像进行土壤湿度估算有重大意义。

1.6 作物生长空间变异

针对同一块试验田进行多时相分析，依据采集得到的点云数据，按照插值和栅格运算的方法建立Crop Surface Models （CSM） 和 Crop VolumeModels （CVM）。同一试验田比较某一年份不同月份之间不同植物生长高度CSM的生长空间分布变化和不同年份，同一月份差的植物生长高度的空间分布变异。在德国西部大概距离科隆的西部40km的实验区，德国科隆大学Dirk Hoffmeister等人结合2008年和2009年的2次实验，检测和比较2008-2009作物生长空间变异。

1.7 生物量回归模型

德国科隆大学与中国农业大学用多回波技术扫描仪RIEGL VZ1000，通过分析所获得的包含X、Y、Z的点信息，R、G、B颜色信息等与农学参数，如株高、生物量等的关系，建立模型，以期可以通过扫描来估测水稻生长状况。相比较于使用较多的近地面传感器GreenSeeker等，其能快速获取所需信息，并且多回波技术甚至比以往获取更多水稻下部分的数据。通过插值和栅格计算建立CSM得到株高，依据计算干重（茎和叶）得到干生物量，再建立生物量回归模型，实现用点云估算的株高最终预测模拟试验田生物量。

2 研究结果

2006年芬兰Lumme学者通过野外实验扫描采集得到的激光点云和渲染后的彩色植被点云，能够清楚的表征实验区域的小片大麦植物的三维结构形态和空间分布情况。在试验田，使用白色塑料磁盘和视距仪在6个不同的扫描时期的定位位置测量，卷尺测量小麦植株高度，用于实验精确度检验，3种不同物种作物的激光点云估算株高最值和卷尺测量株高最值的相关关系，可以验证点云测得的植物生长高度具有较高可靠性，此外可以发现估算得到的植株生长高度和作物产量具有较强的相关性。

2008年德国Dirk Hoffmeister学者在德国西部实验区进行实验得到甜菜的点云数据。对某块实验区的植被三角形格网化的结果。通过栅格插值和计算得到的2008年5月的裸土DTM和不同月份之间的生长高度变化的CSM。其中5月14日裸露的地面的绝对高度的DTM、5月与6月的生长高度CSM、5月与7月的生长高度CSM和6月与7月的生长高度CSM。结果表面总体增长速率大概为60cm，符合实际，对应一个夏天月增长速率大概为20～30cm，实验田的部分区域增长速率更低，一些区域几乎没有增长。CVMs 作物体积平均值为0.18m3·m-2。

2009年再次在该实验田进行对冬麦作物建立生长模型CSM。这2a的可量化的变化是不同的。结果表明在2008年甜菜生长比2009年大麦作物生长的差异更大。

3 研究展望

三维激光扫描技术的不足之处在于海量数据存储和光谱信息不足。探测陆地植被变化时扫描获取的点云数据数据量非常大，通常会有几百万个点构成小片实验田的点云，数据量过大会导致计算效率降低。点云数据是植被表面的三维形态的表征，不具备光谱信息，可以用点云数据提取三维结构信息如株高等。点云数据本身就能体现三维空间分布状况，对于信息的空间表达有一点优势。但如果想根据提取的结构参数反演生物量，叶绿素含量等，需要结合光谱信息分析，才能使得结果更准确合理。

对于进一步的应用三维激光扫描于精细农业应用，有以下几点展望：提高点云数据的分辨率和更多时期的扫描数据用于分析十分必要;激光雷达点云数据应结合光谱或高光谱测量计算植被指数，用于估算植物参数，如叶绿素和氮含量;激光雷达扫描技术可以对单株植物进行研究，如植株或叶片的三维重建，单株植株结构参数的提取，研究虚拟植物动态结构模型的生成，探寻植物形态结构与生长机理、产量等之间的关系;通过无人机机载激光雷达检测作物生长可以更快速、高效率地从冠层到区域尺度获取点云数据进行分析覆盖度、作物高度、产量等表型参数;由于激光扫描仪成本较高，研究低成本激光扫描仪是关键。

参考文献

[1] Lumme J，Karjalainen M， etal. Terrestrial laser scanning of agricultural crops[J].International Journal of Remote Sensing. Vol. XXXVII. Part B5， 2008， 26（07）： 563–566.

[2]Hoffmeister D ， Bolten A ， Curdt C ， et al. High-resolution Crop Surface Models （CSM） and Crop Volume Models （CVM） on field level by terrestrial laser scanning[C]. Proc Spie.2010：7840.

[3] Hoffmeister D， Waldhoff G， etal. Spatial variabilitydetection of crop height in a single field by terrestrial laser scanning[J].Precision Agriculture，2013（13）：267–274.

[4] Tilly N， Hoffmeister D， et al. Multitemporal crop surface models： Accurate plant height measurement and biomass estimationwith terrestrial laser scanning in paddy rice[J]. Journal of Applied Remote Sensing， 2014， 8（01）： 083671.

（责任编辑 李媛媛）