{"id":1119,"date":"2023-09-05T07:46:21","date_gmt":"2023-09-05T07:46:21","guid":{"rendered":"https:\/\/www.satlabgeo.com\/?post_type=industries&p=1119"},"modified":"2025-03-28T02:25:27","modified_gmt":"2025-03-28T02:25:27","slug":"cygnus-slam-scanner-in-forestry-surveys","status":"publish","type":"industries","link":"https:\/\/www.satlabgeo.com\/es\/industries\/cygnus-slam-scanner-in-forestry-surveys\/","title":{"rendered":"Aplicaci\u00f3n del esc\u00e1ner Cygnus SLAM en estudios forestales"},"content":{"rendered":"

HAGA CLIC AQU\u00cd PARA DESCARGAR ESTE ESTUDIO DE CASO<\/a><\/p>\n

Antecedentes del proyecto<\/strong><\/em><\/span><\/p>\n

Las nubes de puntos reflejan la relaci\u00f3n posicional de los objetos objetivo en el espacio tridimensional y son una de las formas de datos importantes para extraer informaci\u00f3n sobre los recursos forestales.<\/p>\n

Con la profundizaci\u00f3n del estudio de los recursos forestales, el m\u00e9todo de adquisici\u00f3n de informaci\u00f3n espacial basado en lidardata de plataforma \u00fanica tiene las deficiencias de baja precisi\u00f3n e integridad de los datos, lo que no puede satisfacer los requisitos de la silvicultura de precisi\u00f3n en cuanto a alta precisi\u00f3n en la extracci\u00f3n de informaci\u00f3n forestal.<\/p>\n

Descripci\u00f3n general de la soluci\u00f3n<\/strong><\/em><\/span>
\nCon base en el estudio preliminar del \u00e1rea forestal, elegimos un sistema LiDAR UAV de bajo costo y un sistema SLAM m\u00f3vil como soluci\u00f3n para recopilar informaci\u00f3n m\u00e1s completa sobre los \u00e1rboles a trav\u00e9s de la fusi\u00f3n de datos a\u00e9reos y terrestres.
\nPara fusionar los datos del sistema SLAM m\u00f3vil, seleccionamos el sistema de mochila Cygnus con RTK. Debido a la baja se\u00f1al de la red local, nuestro sistema SLAM RTK de mochila comparte la misma estaci\u00f3n base con el sistema LiDAR del dron, y la comunicaci\u00f3n se realiza mediante una estaci\u00f3n de radio externa.<\/p>\n

Los dos m\u00e9todos se recopilan simult\u00e1neamente. El dron captura el \u00e1rea durante aproximadamente 11 minutos, mientras que el escaneo SLAM con mochila, que incluye dos escaneos y uno, tarda 30 minutos. La trayectoria de escaneo del SLAM m\u00f3vil sigue una trayectoria serpenteante alrededor del \u00e1rbol, y la distancia de escaneo no supera los 10 m, seg\u00fan las condiciones del terreno. Ante la imposibilidad de fijar el RTK debido a la oclusi\u00f3n ocasional de los \u00e1rboles, intentamos repetir el escaneo con la mayor frecuencia posible en el caso del RTK fijo para limitar las observaciones RTK fijas en la trayectoria del SLAM.<\/p>\n

Comparaci\u00f3n de sistemas LiDAR multiplataforma<\/span><\/strong><\/em><\/p>\n

Debido a la complejidad del entorno forestal y a la densa oclusi\u00f3n, el funcionamiento de una sola plataforma LiDAR es limitado y el alcance de escaneo no puede cubrir toda la superficie forestal, lo que genera una brecha de datos en la adquisici\u00f3n de informaci\u00f3n espacial, lo que dificulta su aplicaci\u00f3n en \u00e1reas forestales complejas. Para obtener nubes de puntos forestales m\u00e1s detalladas, se suele utilizar la combinaci\u00f3n de plataformas LiDAR.<\/p>\n

\"Mapeo<\/p>\n

Gr\u00e1fico 1 Comparaci\u00f3n de ventajas y desventajas de los sistemas LiDAR 3D<\/i><\/p>\n

Datos LiDAR de UAV<\/span><\/strong><\/em><\/pre>\n
Para el sistema LiDAR UAV, utilizamos el SatLab S1, que recopila simult\u00e1neamente la nube de puntos y los datos de imagen. Tras procesar los datos RINEX, importamos los datos GNSS, IMU, l\u00e1ser e imagen al software SatLiDAR para su an\u00e1lisis en un solo clic y exportamos la nube de puntos a color final (archivo *.las).<\/p>\n
\"UAV-Lidar\"<\/p>\n
Figura 1 Flujo de trabajo del LiDAR del UAV SatLab S1<\/i><\/p>\n
El dron tiene un tiempo de vuelo de aproximadamente 11 minutos y la densidad de la nube de puntos es de 508,79 pts\/m\u00b2. La nube de puntos y la secci\u00f3n transversal del LiDAR del UAV se muestran a continuaci\u00f3n. Los datos faltantes se pueden ver debajo del dosel.<\/p>\n
\"Mapeo<\/p>\n
Figura 2 Nube de puntos LiDAR de UAV<\/i><\/div>\n
Datos de Backpack SLAM<\/span><\/strong><\/em><\/p>\n
El sistema SLAM tipo mochila SatLab Cygnus se puede ver en la Figura 2. Los datos SLAM resultantes se pueden transformar a coordenadas locales para su georreferenciaci\u00f3n. La nube de puntos SLAM se muestra en la Figura 10. La densidad de la nube de puntos es de aproximadamente 2539,59 pts\/m\u00b2.
\n\"\"<\/p>\n
Figura 3 Nube de puntos SLAM<\/i><\/div>\n
Fusi\u00f3n y procesamiento de datos<\/span><\/strong><\/em><\/p>\n
Colocamos la nube de puntos LiDAR UAV y la nube de puntos SLAM en el mismo sistema de coordenadas y segmentamos el \u00e1rea de inter\u00e9s para extraer la informaci\u00f3n forestal. La fusi\u00f3n de las nubes de puntos LiDAR UAV y SLAM, as\u00ed como la secci\u00f3n transversal de los datos de fusi\u00f3n, se muestran en la figura 11. La combinaci\u00f3n de ambos m\u00e9todos muestra la estructura completa del \u00e1rbol. La densidad de la nube de puntos de fusi\u00f3n es de 4701,48 pts\/m\u00b2.<\/p>\n
\"\"
\n\"\"<\/p>\n
Figura 4 Nube de puntos de fusi\u00f3n<\/i><\/div>\n
Considerando que el procesamiento masivo de nubes de puntos consume una gran cantidad de recursos computacionales, dividimos la nube de puntos de fusi\u00f3n en bloques y, mediante remuestreo y eliminaci\u00f3n de ruido, obtuvimos datos relativamente limpios. Posteriormente, utilizamos el filtro de simulaci\u00f3n de tela (CSF) y la densificaci\u00f3n progresiva de TIN (PTD) como filtro de base para clasificar la nube de puntos de base. A partir del punto de base, generamos el DEM. Tras calcular la normalizaci\u00f3n de la nube de puntos, utilizamos el algoritmo de segmentaci\u00f3n de \u00e1rbol \u00fanico para clasificar la nube de puntos de \u00e1rbol. Algunos \u00e1rboles con una segmentaci\u00f3n incorrecta pueden ser segmentados manualmente.
\neditado.<\/p>\n
Seg\u00fan el resultado de la segmentaci\u00f3n, podemos extraer la especie, la posici\u00f3n, la altura, el di\u00e1metro a la altura del pecho (DAP), etc. de un solo \u00e1rbol. Tambi\u00e9n se puede generar el vector de la estructura del \u00e1rbol.<\/p>\n
\"\"<\/p>\n
Figura 5 Resultado de la segmentaci\u00f3n del \u00e1rbol<\/i><\/div>\n
\"\"<\/p>\n
Figura 6 Resultado de la vectorizaci\u00f3n del \u00e1rbol<\/i><\/div>\n
\"Nube<\/p>\n
Figura 7 Resultados de la extracci\u00f3n de informaci\u00f3n del \u00e1rbol<\/i><\/div>\n
Conclusi\u00f3n<\/span><\/strong><\/em><\/p>\n
A trav\u00e9s de la combinaci\u00f3n del LiDAR UAV y los diversos datos obtenidos por el esc\u00e1ner SLAM m\u00f3vil en el \u00e1rea forestal, es posible obtener r\u00e1pidamente la estructura vertical del bosque de alta precisi\u00f3n y extraer los par\u00e1metros de la estructura de un solo \u00e1rbol de la parcela de muestra con mayor precisi\u00f3n y precisi\u00f3n.
\neficientemente.<\/p>\n
En comparaci\u00f3n con los m\u00e9todos de levantamiento tradicionales, reduce significativamente la intensidad de trabajo y los costos, enriquece los tipos de datos y mejora la calidad del monitoreo. Al mismo tiempo, es necesario planificar razonablemente la ruta de escaneo al utilizar plataformas como ULS (escaneo l\u00e1ser con drones) y BLS (escaneo l\u00e1ser de mochila) para mejorar la eficiencia e integridad de la recopilaci\u00f3n de datos y aumentar la posibilidad de obtener informaci\u00f3n forestal a gran escala en menos tiempo.<\/p>\n
Esta nueva aplicaci\u00f3n de la fusi\u00f3n de datos LiDAR tierra-aire tiene una gran importancia pr\u00e1ctica.<\/p>\n
\n
<\/p> 
    <\/ul><\/div>\n
    \n
    \n\n\n\n\n\n\n\n\n\n\n\n\n\n<\/div>\n
    \n    
    Cont\u00e1ctanos<\/b><\/h4><\/div>\n    
    \n        
    \n