{"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\/pt\/industries\/cygnus-slam-scanner-in-forestry-surveys\/","title":{"rendered":"Aplica\u00e7\u00e3o do Cygnus SLAM Scanner em Levantamentos Florestais"},"content":{"rendered":"

CLIQUE AQUI PARA BAIXAR ESTE ESTUDO DE CASO<\/a><\/p>\n

Hist\u00f3rico do Projeto<\/strong><\/em><\/span><\/p>\n

Nuvens de pontos refletem a rela\u00e7\u00e3o posicional de objetos alvo no espa\u00e7o tridimensional e s\u00e3o uma das formas de dados importantes para extrair informa\u00e7\u00f5es sobre recursos florestais.<\/p>\n

Com o aprofundamento do levantamento de recursos florestais, o m\u00e9todo de aquisi\u00e7\u00e3o de informa\u00e7\u00f5es espaciais baseado em dados lidar de plataforma \u00fanica apresenta defici\u00eancias de baixa precis\u00e3o e baixa integridade de dados, o que n\u00e3o consegue atender aos requisitos da silvicultura de precis\u00e3o para alta precis\u00e3o na extra\u00e7\u00e3o de informa\u00e7\u00f5es florestais.<\/p>\n

Vis\u00e3o geral da solu\u00e7\u00e3o<\/strong><\/em><\/span>
\nCom base no levantamento preliminar da \u00e1rea florestal, escolhemos um UAV LiDAR de baixo custo e um sistema SLAM m\u00f3vel como solu\u00e7\u00e3o para coletar informa\u00e7\u00f5es mais completas sobre as \u00e1rvores por meio da fus\u00e3o de dados a\u00e9reos e terrestres.
\nPara mesclar os dados, selecionamos o sistema SLAM m\u00f3vel Cygnus com RTK. Devido ao sinal fraco da rede local, nosso SLAM RTK com mochila compartilha a mesma esta\u00e7\u00e3o base com o sistema LiDAR do drone, e a comunica\u00e7\u00e3o \u00e9 feita por meio do modo de esta\u00e7\u00e3o de r\u00e1dio externa.<\/p>\n

Os dois m\u00e9todos s\u00e3o coletados simultaneamente. O drone captura a \u00e1rea em cerca de 11 minutos, e a varredura SLAM com mochila, incluindo duas varreduras e uma varredura, leva 30 minutos. A trajet\u00f3ria de varredura do SLAM m\u00f3vel adota uma trajet\u00f3ria em forma de cobra ao redor da \u00e1rvore, e a dist\u00e2ncia de varredura n\u00e3o excede 10 m, de acordo com as condi\u00e7\u00f5es do terreno. Para o problema de que o RTK n\u00e3o pode ser corrigido devido \u00e0 oclus\u00e3o da \u00e1rvore de tempos em tempos, tentamos repetir a varredura o m\u00e1ximo poss\u00edvel no caso de RTK fixo para aumentar as restri\u00e7\u00f5es das observa\u00e7\u00f5es de RTK fixo na trajet\u00f3ria do SLAM.<\/p>\n

Compara\u00e7\u00e3o de sistemas LiDAR multiplataforma<\/span><\/strong><\/em><\/p>\n

Devido ao ambiente florestal complexo e \u00e0 densa oclus\u00e3o, a opera\u00e7\u00e3o de uma \u00fanica plataforma LiDAR \u00e9 limitada, e o alcance de varredura n\u00e3o consegue cobrir toda a \u00e1rea florestal, resultando em uma lacuna de dados na aquisi\u00e7\u00e3o de informa\u00e7\u00f5es espaciais, dificultando sua aplica\u00e7\u00e3o em \u00e1reas florestais complexas. Para obter nuvens de pontos florestais mais detalhadas, geralmente \u00e9 utilizada a combina\u00e7\u00e3o de plataformas LiDAR.<\/p>\n

\"Mapeamento<\/p>\n

Quadro 1 Compara\u00e7\u00e3o de vantagens e desvantagens dos sistemas LiDAR 3D<\/i><\/p>\n

Dados LiDAR de UAV<\/span><\/strong><\/em><\/pre>\n
Para o sistema LiDAR do UAV, utilizamos o LiDAR SatLab S1 UAV, que coleta a nuvem de pontos e os dados de imagem simultaneamente. Ap\u00f3s o processamento dos dados RINEX, importamos os dados de GNSS, IMU, laser e imagem para o software SatLiDAR para a combina\u00e7\u00e3o de dados em um clique e exportamos a nuvem de pontos colorida final (arquivo *.las).<\/p>\n
\"uav-lidar\"<\/p>\n
Figura 1 Fluxo de trabalho do LiDAR do UAV SatLab S1<\/i><\/p>\n
O drone tem um tempo de voo de aproximadamente 11 minutos e a densidade da nuvem de pontos \u00e9 de 508,79 pts\/m\u00b2. A nuvem de pontos LiDAR e a se\u00e7\u00e3o transversal do drone s\u00e3o mostradas a seguir. Os dados ausentes podem ser vistos abaixo da cobertura.<\/p>\n
\"Mapeamento<\/p>\n
Figura 2 Nuvem de pontos LiDAR do UAV<\/i><\/div>\n
Dados do SLAM de mochila<\/span><\/strong><\/em><\/p>\n
O sistema SLAM de mochila Cygnus da SatLab pode ser visto na Figura 2. Os dados SLAM de sa\u00edda podem ser transformados em coordenadas locais para georreferenciamento. A nuvem de pontos SLAM \u00e9 mostrada na Figura 10. A densidade da nuvem de pontos \u00e9 de aproximadamente 2539,59 pts\/m\u00b2.
\n\"\"<\/p>\n
Figura 3 Nuvem de pontos SLAM<\/i><\/div>\n
Fus\u00e3o e processamento de dados<\/span><\/strong><\/em><\/p>\n
Colocamos a nuvem de pontos LiDAR do UAV e a nuvem de pontos SLAM no mesmo sistema de coordenadas e segmentamos a \u00e1rea de interesse para extrair as informa\u00e7\u00f5es da floresta. A fus\u00e3o da nuvem de pontos LiDAR do UAV e da nuvem de pontos SLAM, bem como a se\u00e7\u00e3o transversal dos dados de fus\u00e3o, s\u00e3o mostradas na Figura 11. A combina\u00e7\u00e3o dos dois m\u00e9todos mostra a estrutura completa da \u00e1rvore. A densidade da nuvem de pontos de fus\u00e3o \u00e9 de 4701,48 pts\/m\u00b2.<\/p>\n
\"\"
\n\"\"<\/p>\n
Figura 4 Nuvem de Pontos de Fus\u00e3o<\/i><\/div>\n
Considerando que o processamento massivo de nuvens de pontos consome uma grande quantidade de recursos computacionais, dividimos a nuvem de pontos de fus\u00e3o em blocos e, por meio de reamostragem e redu\u00e7\u00e3o de ru\u00eddo, obtivemos dados relativamente limpos. Em seguida, usamos o filtro de simula\u00e7\u00e3o de tecido (CSF) e a densifica\u00e7\u00e3o TIN progressiva (PTD) como filtragem de solo para classificar a nuvem de pontos de solo. Com base no ponto de solo, geramos o DEM. Ap\u00f3s calcular a normaliza\u00e7\u00e3o da nuvem de pontos, usamos o algoritmo de segmenta\u00e7\u00e3o de \u00e1rvore \u00fanica para classificar a nuvem de pontos de \u00e1rvore. Algumas \u00e1rvores que foram segmentadas incorretamente podem ser manualmente.
\neditado.<\/p>\n
Com base no resultado da segmenta\u00e7\u00e3o, podemos extrair as esp\u00e9cies, a posi\u00e7\u00e3o, a altura, o di\u00e2metro \u00e0 altura do peito (DAP), etc. de uma \u00fanica \u00e1rvore. Al\u00e9m disso, o vetor da estrutura da \u00e1rvore tamb\u00e9m pode ser gerado.<\/p>\n
\"\"<\/p>\n
Figura 5 Resultado da segmenta\u00e7\u00e3o da \u00e1rvore<\/i><\/div>\n
\"\"<\/p>\n
Figura 6 Resultado da vetoriza\u00e7\u00e3o da \u00e1rvore<\/i><\/div>\n
\"Nuvem<\/p>\n
Figura 7 Resultados da extra\u00e7\u00e3o de informa\u00e7\u00f5es da \u00e1rvore<\/i><\/div>\n
Conclus\u00e3o<\/span><\/strong><\/em><\/p>\n
Por meio da combina\u00e7\u00e3o do UAV LiDAR e dos v\u00e1rios dados obtidos pelo scanner SLAM m\u00f3vel na \u00e1rea florestal, \u00e9 poss\u00edvel obter rapidamente a estrutura vertical da floresta de alta precis\u00e3o e extrair os par\u00e2metros da estrutura de \u00e1rvore \u00fanica do gr\u00e1fico amostral com mais precis\u00e3o e
\neficientemente.<\/p>\n
Comparado aos m\u00e9todos tradicionais de levantamento, reduz significativamente a intensidade de trabalho e os custos, enriquece os tipos de dados e melhora a qualidade do monitoramento. Ao mesmo tempo, \u00e9 necess\u00e1rio planejar razoavelmente o caminho de varredura ao utilizar plataformas como ULS (Varredura a Laser de Ve\u00edculos A\u00e9reos N\u00e3o Tripulados) e BLS (Varredura a Laser de Mochila) para melhorar a efici\u00eancia e a integridade da coleta de dados e aumentar a possibilidade de obter informa\u00e7\u00f5es florestais em larga escala em menos tempo.<\/p>\n
Esta nova aplica\u00e7\u00e3o de fus\u00e3o de dados LiDAR solo-ar tem forte significado pr\u00e1tico.<\/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    
    Entre em contato conosco<\/b><\/h4><\/div>\n    
    \n        
    \n