A Ground Point Fitting Method for Winter Wheat Height Estimation Using UAV-Based SfM Point Cloud Data
Notice bibliographique
Résumé
Height is a key factor in monitoring the growth status and rate of crops. Compared with large-scale satellite remote sensing images and high-cost LiDAR point cloud, the point cloud generated by the Structure from Motion (SfM) algorithm based on UAV images can quickly estimate crop height in the target area at a lower cost. However, crop leaves gradually start to cover the ground from the beginning of the stem elongation stage, making more and more ground points below the canopy disappear in the data. The terrain undulations and outliers will seriously affect the height estimation accuracy. This paper proposed a ground point fitting method to estimate the height of winter wheat based on the UAV SfM point cloud. A canopy slice filter was designed to reduce the interference of middle canopy points and outliers. Random Sample Consensus (RANSAC) was applied to obtain the ground points from the valid filtered point cloud. Then, the missing ground points were fitted according to the known ground points. Furthermore, we achieved crop height monitoring at the stem elongation stage with an R2 of 0.90. The relative root mean squared error (RRMSE) of height estimation was 5.9%, and the relative mean absolute error (RMAE) was 4.6% at the stem elongation stage. This paper proposed the canopy slice filter and fitting missing ground points. It was concluded that the canopy slice filter successfully optimized the extraction of ground points and removed outliers. Fitting the missing ground points simulated the terrain undulations effectively and improved the accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».