کلید واژه ها:
ابرهای نقطه ای ; پوشش گیاهی ; فضای سبز باز ؛ آلومتریک ; زیست توده روی زمین
۱٫ مقدمه
۲٫ کارهای مرتبط
۳٫ داده ها و روش های بکار گرفته شده
۳٫۱٫ داده ها
۳٫۲٫ روش
۳٫۲٫۱٫ بهترین روش تناسب
سه روش برازش داده برای انجام مدلسازی سهبعدی درخت منفرد استفاده میشود: روش برازش کروی، روش برازش بیضی و روش برازش هارمونیکهای کروی. روش برازش کروی از اصل حداقل مربعات برای یافتن مقدار بهینه نقطه مرکزی ابرهای نقطه و شعاع کره استفاده می کند [ ۴۰ ]. معادله ریاضی دایره همانگونه است که در رابطه (۱) مشاهده می شود.
سپس معادله (۱) به شکل یک تابع همانطور که در رابطه (۲) نشان داده شده است نوشته می شود و به یک تابع در معادله (۳) تبدیل می شود.
را می توان به صورت α نمادین کرد، بنابراین معادله (۳) دارای چهار پارامتر است: x ، y ، z ، و α. معادله را می توان با استفاده از عملیات ماتریسی، همانطور که در رابطه (۴) نشان داده شده است، حل کرد.
مقدار شعاع کره را می توان با رابطه (۵) محاسبه کرد.
تفاوت چندانی با برازش کروی ندارد، روش برازش بیضی از اصل حداقل مربع برای یافتن مقدار بهینه نقطه مرکزی ابرهای نقطه و پارامتر مسطح شدن بیضی استفاده می کند. معادله کلی بیضی در رابطه (۶) نشان داده شده است.
معادله (۶) ده پارامتر دارد اما این ۹ پارامتر مستقل هستند. معادله (۶) را می توان به معادله (۷) تبدیل کرد تا فقط ۹ پارامتر داشته باشد. معادله (۷) یک معادله خطی است که با روش حداقل مربع قابل حل است.
روش سوم مورد استفاده، روش برازش هارمونیک های کروی است. هارمونیک های کروی یک انتخاب طبیعی از توابع پایه است که همه توابع کروی دو دیفرانسیل را نشان می دهد. هارمونیک های کروی را می توان به عنوان توابع پیچیده ای از مرتبه l و درجه m تعریف کرد که در رابطه (۸) مشاهده می شود.
که در آن l و m اعداد صحیح هستند به طوری که | m | ≤ l ، و چند جمله ای های Legendre مرتبط هستند [ ۳۰ ]. هر تابع کروی f (θ, φ) را می توان با ترکیب خطی هارمونیک های کروی نشان داد. (θ, φ) همانطور که در رابطه (۹) نشان داده شده است.
۳٫۲٫۲٫ ارزیابی دقت بهترین اتصال
سپس ابرهای نقطه تقسیم شده به صورت سه بعدی مدلسازی می شوند. مدل سه بعدی به دست آمده در قالب سطح ذخیره شده در جدول چهره ها و رئوس ذخیره می شود. سپس ارزش برازش (R2 ) برای مشاهده کیفیت نتایج مدلسازی محاسبه میشود. مقدار R ۲ با استفاده از فرمول در رابطه (۱۰) محاسبه می شود.
که در آن RSS مجموع مجذور باقیماندههای حاصل از تفریق فاصله از نقطه تا مرکز ابرهای نقطه با فاصله تا سطح مدلسازی است. TSS مخفف مجموع مجموع مربع است که مجموع مجذورات مقدار فاصله از نقطه مرکزی منهای میانگین فاصله داده از نقطه مرکزی است. به عبارت دیگر، TSS مقدار واریانس فاصله است. محاسبه مقدار R2 بر روی نتایج مدلسازی با استفاده از فتوگرامتری UAV و دادههای UAV LiDAR انجام میشود .
۳٫۲٫۳٫ قطر پستان قد و محاسبه زیست توده
قطر قد سینه (DBH) را می توان با یافتن معادله رابطه با شعاع تاج تاج درخت مدل کرد. برخی از معادلات مدل ریاضی ساخته شده در این تحقیق در رابطه (۱۱) تا معادله (۱۴) بیان شده است.
که در آن D مقدار تخمینی DBH، r مقدار شعاع تاج درخت اندازه گیری شده، و b ضریب معادله است.
۴٫ نتایج
۴٫۱٫ مدل قطر سینه (DBH).
۴٫۲٫ نتیجه برازش ابرهای نقطه
۴٫۳٫ نتیجه تبدیل CityGML
۴٫۴٫ تخمین زیست توده
محاسبه AGB در ناحیه مورد نظر انجام می شود که در قسمت قبل مدل سازی شد. تخمین AGB از داده های DBH به دست آمده از شعاع تاج درخت به دست آمد. مقدار شعاع تاج درخت از هر روش مدلسازی به دست میآید: برازش کره، برازش بیضی و برازش هارمونیکهای کروی. مقدار شعاع تاج برازش کره از شعاع کره مدل شده به دست می آید. در روش بیضی، مقدار شعاع تاج پوشش از میانگین شعاع مسطح شدن مدل بیضوی به دست می آید. در روش هارمونیک های کروی، مقدار شعاع از فاصله متوسط هر نقطه تا مرکز مدل تاج گرفته می شود. در این مطالعه، محاسبه آلومتریک AGB از معادله (۱۵) از [ ۳۷ ] استفاده می کند.
که در آن D DBH بر حسب سانتی متر و است زیست توده بالای زمین تخمین زده شده است. محاسبه زیست توده بر روی دو مجموعه داده، یعنی دادههای ابرهای نقطهای UAV LiDAR و دادههای ابرهای نقطه فتوگرامتری پهپاد انجام شد. محاسبه زیست توده بر اساس مقدار DBH به دست آمده از تاج ابرهای نقطه ای UAV LiDAR و فتوگرامتری پهپاد است. سپس محاسبات دو روش با استفاده از نتایج اندازهگیریهای DBH در این زمینه تأیید شد. محاسبه زیست توده با استفاده از دادههای UAV LiDAR با روش مدلسازی کره، نزدیکترین نتایج را به ارزش صحتسنجی میدانی با دقت ۷۸ درصد میدهد. در همین حال، روش با دورترین محاسبه، روش دادههای فتوگرامتری با استفاده از روش مدلسازی هارمونیکهای کروی با دقت ۴۴ درصد است. مقایسه نتایج محاسبات زیست توده با استفاده از روش UAV LiDAR، فتوگرامتری پهپاد،جدول ۴ .
۵٫ بحث
۵٫۱٫ تجزیه و تحلیل تخمین قد سینه (DBH).
۵٫۲٫ D بازسازی درختان تجزیه و تحلیل
۵٫۳٫ تبدیل CityGML و ذخیره سازی داده ها
۵٫۴٫ تجزیه و تحلیل تخمین زیست توده بالای زمین
چندین مطالعه از معادلات مختلف در محاسبه زیست توده در سطح زمین مانند تحقیقات انجام شده توسط [ ۵۳ ] استفاده می کنند. این مطالعه تنها از معیارهای ارتفاع درخت برای تعیین AGB با معادله زیر استفاده کرد.
۵٫۵٫ اعتبار سنجی تجسمی
۶٫ نتیجه گیری و پیشنهادات
منابع
- Vitousek، PM فراتر از گرمایش جهانی: اکولوژی و تغییرات جهانی. اکولوژی ۱۹۹۴ ، ۷۵ ، ۱۸۶۱-۱۸۷۶٫ [ Google Scholar ] [ CrossRef ]
- ریبیرو، HV; ریبسکی، دی. Kropp، JP اثرات تغییر جمعیت یا تراکم بر انتشار دی اکسید کربن شهری. نات. اشتراک. ۲۰۱۹ ، ۱۰ ، ۳۲۰۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- Jayawardena، AW تغییر آب و هوا – علت یا معلول است؟ KSCE J. Civ. مهندس ۲۰۱۵ ، ۱۹ ، ۳۵۹-۳۶۵٫ [ Google Scholar ] [ CrossRef ]
- Shi، A. رشد جمعیت و انتشار جهانی دی اکسید کربن. در کنفرانس IUSSP در برزیل/Session-s09 ; بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۰۱٫ [ Google Scholar ]
- کامپا، م. کاستاناس، E. اثرات آلودگی هوا بر سلامت انسان. محیط زیست آلودگی ۲۰۰۸ ، ۱۵۱ ، ۳۶۲-۳۶۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- هیدت، وی. Neef, M. مزایای فضای سبز شهری برای بهبود اقلیم شهری. در اکولوژی، برنامه ریزی و مدیریت جنگل های شهری ؛ Springer: New York, NY, USA, 2008; صص ۸۴-۹۶٫ [ Google Scholar ]
- لوبیس، SH; آریفین، اچ اس. Samsoedin, I. Analisis cadangan karbon pohon pada lanskap hutan kota di DKI Jakarta. جی. پنلیت. سوس Ekon. کیهوتان. ۲۰۱۳ ، ۱۰ ، ۱-۲۰٫ [ Google Scholar ] [ CrossRef ]
- لسی، O.-C. مدلسازی پوشش گیاهی شهری سطوح سه بعدی جزئیات. پایان نامه کارشناسی ارشد، دانشگاه صنعتی دلفت، دلفت، هلند، ۲۰۱۸٫ [ Google Scholar ]
- یائو، ز. ناگل، سی. کونده، اف. هدرا، جی. ویلکوم، پی. دوناوبائر، آ. آدولفی، تی. Kolbe، TH 3DCityDB – یک راهحل پایگاه داده سه بعدی برای مدیریت، تجزیه و تحلیل و تجسم مدلهای شهر سه بعدی معنایی بر اساس CityGML. Geospat را باز کنید. نرم افزار داده ایستادن. ۲۰۱۸ ، ۳ ، ۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- بیلجکی، اف. استوتر، جی. لدوکس، اچ. زلاتانوا، اس. Çöltekin، A. کاربردهای مدل های سه بعدی شهر: بررسی وضعیت هنر. ISPRS Int. J. Geo-Inf. ۲۰۱۵ ، ۴ ، ۲۸۴۲-۲۸۸۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کونده، ا. ساران، اس. وب تحلیل معنایی مکانی-زمانی نویز ترافیک را با استفاده از CityGML فعال کرد. جی. ژئومات. ۲۰۱۷ ، ۱۱ ، ۲۴۸-۲۵۹٫ [ Google Scholar ]
- کاویشا، ک. لدوکس، اچ. فرمانده، TJF; استوتر، جی. Kavisha، K. مدلسازی نویز شهری در CityGML ADE: مورد هلند. در مجموعه مقالات دوازدهمین کنفرانس ۳D Geoinfo، ملبورن، استرالیا، ۲۶-۲۷ اکتبر ۲۰۱۷؛ پ. ۴٫ [ Google Scholar ]
- حاجی، ر. یعقوبی، ر. ملیانا، آی. لاافو، آی. غلابزوری، AE توسعه یک رویکرد یکپارچه BIM-3D GIS برای کاداستر سه بعدی در مراکش. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۳۵۱٫ [ Google Scholar ] [ CrossRef ]
- استویانوویچ، وی. تراپ، ام. ریشتر، آر. هاگدورن، بی. Döllner, J. به سمت تولید دوقلوهای دیجیتال برای مدیریت تسهیلات بر اساس ابرهای نقطه سه بعدی. در جریان سی و چهارمین کنفرانس سالانه ARCOM، بلفاست، بریتانیا، ۳ تا ۵ سپتامبر ۲۰۱۸؛ ص ۲۷۰-۲۷۹٫ [ Google Scholar ]
- سینگ، اس. شریواستاوا، وی. Sharma, V. CityGML مبتنی بر مدلسازی سه بعدی منطقه شهری با استفاده از مجموعه دادههای پهپاد برای تخمین پتانسیل خورشیدی. در مجموعه مقالات کنفرانس بین المللی سیستم هوایی بدون سرنشین در ژئوماتیک، روکی، هند، ۶ تا ۷ آوریل ۲۰۱۹؛ صص ۳۵۵-۳۶۷٫ [ Google Scholar ]
- راسر، جی اف. لانگ، جی. زاخاری، س. بوید، دی اس؛ مائو، ی. رابینسون، دی. مدل سازی سهام مسکن شهری برای شبیه سازی انرژی ساختمان با استفاده از CityGML EnergyADE. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۱۶۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- بائو، ک. پادسالا، ر. تران، دی. شروتر، ب. شبیهسازی تقاضای آب شهری در ساختمانهای مسکونی و غیرمسکونی بر اساس مدل دادههای CityGML. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۶۴۲٫ [ Google Scholar ] [ CrossRef ]
- توشی، آی. راموس، ام.ام. نوچرینو، ای. منا، اف. رموندینو، اف. مو، ک. فاسی، ف. فتوگرامتری مورب از بازسازی شهری سه بعدی سناریوهای پیچیده پشتیبانی می کند. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۷ ، XLII-1/W1 ، ۵۱۹–۵۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- جایارج، ص. Ramiya، AM 3D Citygml Building Modeling از Lidar Point Cloud Data. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۸ ، XLII-5 ، ۱۷۵–۱۸۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- پوپوویچ، دی. گووداریکا، م. یووانوویچ، دی. رادولوویچ، آ. Simeunovic، V. تجسم سه بعدی منطقه شهری با استفاده از فناوری Lidar و CityGML. در سری کنفرانس های IOP: علوم زمین و محیط زیست ; انتشارات IOP: بریستول، انگلستان، ۲۰۱۷; پ. ۹۵٫ [ Google Scholar ]
- اورتگا، اس. سانتانا، جی.ام. وندل، جی. تروخیلو، آ. Murshed، SM تولید مدل های سه بعدی شهر از ابرهای نقطه باز LiDAR: پیشرفت به سمت برنامه های کاربردی شهر هوشمند. در علوم زمین فضایی متن باز برای مطالعات شهری ; اسپرینگر: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۲۱؛ صص ۹۷-۱۱۶٫ [ Google Scholar ]
- لدوکس، اچ. بیلجکی، اف. دوکای، بی. کومار، ک. پیترز، آر. استوتر، جی. Commandeur, T. 3dfier: بازسازی خودکار مدل های سه بعدی شهر. J. نرم افزار منبع باز. ۲۰۲۱ ، ۶ ، ۲۸۶۶٫ [ Google Scholar ] [ CrossRef ]
- گوا، ز. لیو، اچ. پانگ، ال. نیش، ال. استخراج ابر نقطه ای مبتنی بر W. DBSCAN برای رادار دیافراگم مصنوعی توموگرافی (TomoSAR) سه بعدی (۳D) ساختمان. بین المللی J. Remote Sens. ۲۰۲۱ , ۴۲ , ۲۳۲۷–۲۳۴۹٫ [ Google Scholar ] [ CrossRef ]
- شرف زاده، ع. اسماعیلی، ع. دهقانی، م. مدلسازی سه بعدی محدوده شهری با استفاده از رادار دیافراگم مصنوعی (SAR). J. شرکت هندی Remote Sens. ۲۰۱۸ , ۴۶ , ۱۷۸۵–۱۷۹۳٫ [ Google Scholar ] [ CrossRef ]
- Kolbe، TH ارائه و مبادله مدل های سه بعدی شهر با CityGML. در علوم ژئو اطلاعات سه بعدی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۹; صص ۱۵-۳۱٫ [ Google Scholar ]
- بیلجکی، اف. لدوکس، اچ. Stoter, J. مشخصات LOD بهبود یافته برای مدل های ساختمان سه بعدی. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۶ ، ۵۹ ، ۲۵-۳۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- آرویو اوهوری، ک. بیلجکی، اف. کومار، ک. لدوکس، اچ. Stoter، J. مدلسازی شهرها و مناظر به صورت سه بعدی با CityGML. در مدل سازی اطلاعات ساختمان ; Springer: Cham, Switzerland, 2018; صص ۱۹۹-۲۱۵٫ [ Google Scholar ]
- Trisyanti، SW; سووردحی، د. Harto, AB 3D Landscape Recording and Modeling of Individual Trees. حیاتی جی بیوسی. ۲۰۱۹ ، ۲۶ ، ۱۸۵-۱۹۵٫ [ Google Scholar ] [ CrossRef ]
- گوبیوان، ال. لین، ES؛ تاندون، ا. بله، ATK; خو، VHS; تئو، اس.ان. درختان مدلسازی پوتو، MT برای سنگاپور مجازی: از اکتساب داده تا مدلهای Citygml. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۸ ، XLII-4/W10 ، ۴۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- آگوس، م. Veloz Castillo، M. گارنیکا مولینا، جی اف. گوبتی، ای. Lehväslaiho، H. مورالس تاپیا، آ. کالی، سی. تجزیه و تحلیل شکل بازسازیهای سه بعدی در مقیاس نانو پوششهای هستهای سلول مغز با نمایشهای پارامتری ضمنی و صریح. محاسبه کنید. نمودار. X ۲۰۱۹ , ۱ , ۱۰۰۰۰۴٫ [ Google Scholar ] [ CrossRef ]
- فن، جی. نان، ال. دونگ، ی. سو، ایکس. Chen, F. AdQSM: روشی جدید برای تخمین زیست توده بالای زمین از ابرهای نقطه TLS. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۰۸۹٫ [ Google Scholar ] [ CrossRef ]
- واگرز، اس. کاستیا، جی. Filiatrault، M. Sanchez-Azofeifa، GA با استفاده از ویژگیهای درخت اندازهگیری شده با TLS برای تخمین زیست توده بالای زمین در درختان صنوبر سیاه کوچک. Forests ۲۰۲۱ , ۱۲ , ۱۵۲۱٫ [ Google Scholar ] [ CrossRef ]
- تن هارکل، جی. بارتولومئوس، اچ. Kooistra, L. تخمین بیوماس و ارتفاع محصول محصولات مختلف با استفاده از LiDAR مبتنی بر پهپاد. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- گونزالس دی تاناگو، جی. لاو، ا. بارتولومئوس، اچ. هرولد، ام. آویتابیل، وی. راومونن، پی. Calders، K. برآورد زیست توده بالای زمین درختان استوایی بزرگ با LiDAR زمینی. روش ها Ecol. تکامل. ۲۰۱۸ ، ۹ ، ۲۲۳-۲۳۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- والتر، جی. ادواردز، جی. مک دونالد، جی. Kuchel, H. فتوگرامتری برای تخمین زیست توده گندم و شاخص برداشت. Field Crops Res. ۲۰۱۸ ، ۲۱۶ ، ۱۶۵-۱۷۴٫ [ Google Scholar ] [ CrossRef ]
- گیل-دوکامپو، MDLL؛ آرزا-گارسیا، م. Ortiz-Sánz، J.; مارتینز-رودریگز، اس. مارکوس-روبلز، جی ال. Sánchez-Sastre، LF تخمین بیومس بالای زمینی محصولات زراعی با استفاده از فتوگرامتری SfM مبتنی بر پهپاد. Geocarto Int. ۲۰۲۰ ، ۳۵ ، ۶۸۷-۶۹۹٫ [ Google Scholar ] [ CrossRef ]
- Ketterings، QM; کو، آر. ون نوردویک، م. پالم، کالیفرنیا کاهش عدم قطعیت در استفاده از معادلات زیست توده آلومتریک برای پیشبینی زیست توده درختان بالای زمین در جنگلهای ثانویه مختلط. برای. Ecol. مدیریت ۲۰۰۱ ، ۱۴۶ ، ۱۹۹-۲۰۹٫ [ Google Scholar ] [ CrossRef ]
- یان، ز. لیو، آر. چنگ، ال. ژو، ایکس. روان، ایکس. Xiao, Y. یک روش بدنه مقعر برای محاسبه حجم تاج درختان منفرد بر اساس دادههای LiDAR توسط وسیله نقلیه. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۶۲۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- تروشتا، ج. کریچک، ام. ورشکا، تی. Král, K. 3D Forest: برنامه ای برای توصیف ساختارهای جنگلی سه بعدی با استفاده از LiDAR زمینی. PLoS ONE ۲۰۱۷ , ۱۲ , e0176871. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- راچاکوندا، پی. مورالیکریشنان، بی. کورنویر، ال. چوک، جی. لی، وی. شیلینگ، م. Sawyer, D. روش ها و ملاحظات برای تعیین مرکز کره از داده های ابرهای نقطه اسکنر لیزری زمینی. Meas. علمی تکنولوژی ۲۰۱۷ ، ۲۸ ، ۱۰۵۰۰۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- براون، اس. برآورد تغییر زیست توده و زیست توده در جنگل های استوایی: یک آغازگر . سازمان غذا و کشاورزی: رم، ایتالیا، ۱۹۹۷; جلد ۱۳۴٫ [ Google Scholar ]
- Sutaryo, D. Penghitungan Biomassa Sebuah Pengantar untuk Studi Karbon and Perdagangan Karbon ; برنامه بین المللی تالاب اندونزی: بوگور، اندونزی، ۲۰۰۹٫ [ Google Scholar ]
- کویه، س. موثری، سی. جامناداس، ر. موانگی، پ. نوفلدت، اچ. دیتز، جی. آلومتری ناحیه تاج برای تخمین زیست توده درختان بالای زمین در مناظر کشاورزی غرب کنیا. آگروفور. سیستم ۲۰۱۲ ، ۸۶ ، ۲۶۷-۲۷۷٫ [ Google Scholar ] [ CrossRef ]
- باسوکی، TM; Van Laake، PE; اسکیدمور، AK; معادلات آلومتریک Hussin، YA برای تخمین زیست توده روی زمین در جنگل های دشت گرمسیری Dipterocarp. برای. Ecol. مدیریت ۲۰۰۹ ، ۲۵۷ ، ۱۶۸۴-۱۶۹۴٫ [ Google Scholar ] [ CrossRef ]
- لیو، ک. شن، ایکس. کائو، ال. وانگ، جی. Cao, F. برآورد ویژگی های ساختاری جنگل با استفاده از داده های UAV-LiDAR در مزارع جینکو. ISPRS J. Photogramm. Remote Sens. ۲۰۱۸ , ۱۴۶ , ۴۶۵–۴۸۲٫ [ Google Scholar ] [ CrossRef ]
- ایزوکا، ک. یونهارا، ت. ایتو، م. Kosugi، Y. برآورد ارتفاع و قطر درخت در ارتفاع سینه (DBH) از مدلهای سطح دیجیتال و عکسهای ارتوفتو بهدستآمده با یک سیستم هوایی بدون سرنشین برای جنگل سرو ژاپنی ( Chamaecyparis obtusa ). Remote Sens. ۲۰۱۸ ، ۱۰ ، ۱۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- کوژلکا، ک. اسلاویک، م. Surový, P. ابرهای با چگالی بسیار بالا از اسکن لیزری پهپاد برای تشخیص خودکار ساقه درخت و اندازهگیری مستقیم قطر. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۲۳۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- موکروش، م. لیانگ، ایکس. سورووی، پ. والنت، پ. چروآوا، ج. چودی، اف. توناک، دی. سالون، ش. Merganič, J. ارزیابی روش های جمع آوری تصویر فتوگرامتری با برد نزدیک برای تخمین قطر درخت. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۹۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- Yu, Y. بازسازی سطح از نقاط سازمان نیافته با استفاده از شبکه های عصبی خودسازمانده. IEEE Vis. ۱۹۹۹ ، ۹۹ ، ۶۱-۶۴٫ [ Google Scholar ]
- Fryskowska، A. بهبود استخراج خط برق سه بعدی از تصاویر چندگانه پهپاد ارزان قیمت با استفاده از تحلیل موجک. Sensors ۲۰۱۹ , ۱۹ , ۷۰۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- هاراپان، تی اس; حسنا، ع. Febriamansyah, TA; معتشم، م. ساپوترا، ا. توفیق، ع. مختار، ای. تخمین بیومس بالای زمین Syzygium aromaticum با استفاده از ساختار حاصل از حرکت (SfM) مشتق شده از وسیله نقلیه هوایی بدون سرنشین در منطقه جنگلی پانینگگاهان، سوماترای غربی. جی. بیول. UNAND ۲۰۲۱ ، ۹ ، ۳۹-۴۶٫ [ Google Scholar ] [ CrossRef ]
- اوتا، تی. اوگاوا، م. شیمیزو، ک. کاجیسا، تی. میزو، ن. یوشیدا، اس. Ket، N. تخمین زیست توده در بالای زمین با استفاده از ساختار از رویکرد حرکت با عکسهای هوایی در یک جنگل استوایی فصلی. Forests ۲۰۱۵ ، ۶ ، ۳۸۸۲-۳۸۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- مائسانو، م. خوری، س. نخله، ف. فیرینسیلی، ا. گی، ا. تائورو، اف. Harfouche، A. LiDAR مبتنی بر پهپاد برای تعیین توان عملیاتی بالا ارتفاع گیاه و زیست توده بالای زمین از بیوانرژی Grass Arundo donax . Remote Sens. ۲۰۲۰ , ۱۲ , ۳۴۶۴٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه