XST-LiDARNet Ökologisches In-situ-LiDAR

Etwa 55% der Landoberfläche der Erde sind von Wäldern (30%) und Grünland (25%) bedeckt, die eine wichtige Rolle im globalen Kohlenstoffkreislauf und bei der Klimaregulierung spielen, und es ist besonders wichtig, die Veränderungen im Vegetationswachstum von Wäldern und Grünland zu erfassen. Da LIDAR die Technologie der aktiven Optik nutzt, um sofort energiereiche Impulssignale mit einer großen Eindringtiefe auszusenden, ist es in der Lage, Informationen unterhalb der Oberfläche des Vegetationsdaches zu erfassen. Lidar kann nicht nur die ökologischen Parameter des Vegetationsdaches extrahieren, sondern auch die dreidimensionale Szene der Vegetation aus den Punktwolkendaten rekonstruieren, und die Überwachung von Veränderungen des Vegetationswachstums durch die Lidar-Technologie kann die Versorgungskapazität des Vegetationsökosystems in verschiedenen Zeiträumen besser charakterisieren.

Die herkömmliche LiDAR-Technologie ist mit vielen Problemen behaftet, wie z. B. hohen Kosten, ineffizienter Datenerfassung, der Unfähigkeit, eine hohe räumliche und zeitliche Auflösung zu berücksichtigen, der Unfähigkeit, kurzfristige dynamische Veränderungen der Vegetation effektiv zu erfassen, und der Tatsache, dass diskrete Daten mit mehreren Zeitpunkten nicht effektiv abgeglichen werden können.

Auf der Grundlage der oben genannten praktischen Anforderungen kann das von unserem Unternehmen entwickelte ökologische In-situ-LiDAR-System XST-LiDARNet die oben genannten Probleme bei der Vegetationsüberwachung perfekt lösen. Es kann das Zielgebiet kontinuierlich scannen, die Dynamik der Vegetation genauer wiedergeben, die Kontinuität der Beobachtung aufrechterhalten, mit einer zeitlichen Auflösung von bis zu einer Stunde, In-situ-Beobachtung der Daten, ohne die geometrische Lage der Punktwolke zu berücksichtigen, Ausrichtungsprobleme, effektive Nutzung der Zeitreiheninformationen und genaue Erfassung der Veränderungen im Vegetationswachstum. Genaue Erfassung von Veränderungen im Vegetationswachstum.

Rohdaten:Binär strukturierte Daten sind eine 3D-Punktwolkenkarte, die aus einer Reihe von XYZ-Koordinateninformationen besteht;

Verarbeitung von Punktwolkendaten:Prozesse wie 3D-Koordinatentransformation, Rauschpunktentfernung, Intraday-Punktwolkendaten-Synthese, Punktwolken-Bodenfilterung, Windgeschwindigkeitsfilterung usw., kombiniert mit der Filterung nach menschlichem Ermessen (z. B. Turm, Auslegerfuß usw. können während der Installation auf einmal manuell geschnitten werden);

Optimierung von Algorithmen zur Extraktion von Strukturparametern:Optimales gerastertes Modell zur Extraktion der Baumkronenhöhe; Schätzung der täglichen Veränderungen des Vegetationsvolumens auf der Grundlage der volumetrischen Oberflächendifferenzierung zur Ermittlung der Merkmale der zeitlichen Veränderungen der Vegetation.

Laser-Wellenlänge905nm
EchodetektionsmodusEinzelnes und erstes Echo
Sicherheitsstufe für das menschliche AugeKlasse 1 (IEC60825-1:2014)
Empfohlene Scanfrequenz einmal pro Tag
Reichweite (@100klx)150m @10% Reflexionsgrad; Mindestreichweite 3 Meter
Zufälliger Fehler bei der Entfernungsmessung (1σ)<2cm@20m (80% Reflexionsvermögen)
Fehler im Entfernungsmesssystem<±3cm@20m
Sichtfeld120° horizontal, 25° vertikal
zufälliger Winkelfehler<0.1°
Ausgabe der Punktwolke452.000 Punkte/Sekunde
Temperatur der Arbeitsumgebung-40℃~85℃
Schutzniveau des RadarsIP66
Laufende LeistungsaufnahmeNennleistung 12 W; Startleistung 26 W; maximale Heizleistung bei niedrigen Temperaturen 40 W; Versorgungsspannung: 9~18 V
Software für die DatenverarbeitungIntegrierter Online-Datenprozessor im System
Messbare Parameter3D-Punktwolkendaten, mittlere Baumkronenhöhe, Bewuchs, Blattflächenkörperdichte, Visionspflanzenfläche und Pflanzenvolumen
BetriebsartVollautomatisch, allwettertauglich

Überwachung von Grünland

Pilotgebiet: im Grasland der Inneren Mongolei

Typisches Grünland: Schwingel, Kochia, Zwiebel, usw.

Versuchsdaten: 2021,05,21-2021,09,15


Überwachung der Wälder

Versuchsgebiet: im Qingyuan Forest Ecosystem Observatory

Typische Sekundärwälder: Eberesche, Esche, Buntahorn, usw.

Experimentelle Daten: 2021,08,01-2021,12,11

Deutsch