RU2012130304A - Способ и система для оценки роста растительности относительно интересующего объекта - Google Patents

Способ и система для оценки роста растительности относительно интересующего объекта Download PDF

Info

Publication number
RU2012130304A
RU2012130304A RU2012130304/28A RU2012130304A RU2012130304A RU 2012130304 A RU2012130304 A RU 2012130304A RU 2012130304/28 A RU2012130304/28 A RU 2012130304/28A RU 2012130304 A RU2012130304 A RU 2012130304A RU 2012130304 A RU2012130304 A RU 2012130304A
Authority
RU
Russia
Prior art keywords
vegetation
interest
sensing data
data set
target vegetation
Prior art date
Application number
RU2012130304/28A
Other languages
English (en)
Inventor
Адам Роберт РОУССЕЛЛЕ
Веса Йоханнес ЛЕППАНЕН
Алан Джон ДЕЙОНГ
Хью Эндрю КЛИМЕР
Брайан Джеймс КОРМИКАН
Original Assignee
Ютилити Риск Менеджмент Корп., Ллк.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ютилити Риск Менеджмент Корп., Ллк. filed Critical Ютилити Риск Менеджмент Корп., Ллк.
Publication of RU2012130304A publication Critical patent/RU2012130304A/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Soil Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Abstract

1. Способ оценки роста растительности относительно интересующего объекта, предусматривающий:идентификацию целевой растительности (30) по второму набору данных зондирования;идентификацию соответствующей целевой растительности (34) в первом наборе данных зондирования, причем первый набор данных зондирования собран раньше по времени, чем второй набор данных зондирования;сопоставление первых статистических данных (38) с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта;сопоставление вторых статистических данных (40) с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта; иопределение скорости проникновения (42) из сравнения первых статистических данных и вторых статистических данных.2. Способ по п.1, отличающийся тем, что первый и второй наборы данных зондирования содержат трехмерный набор данных.3. Способ по п.1, отличающийся тем, что первый и второй наборы данных зондирования содержат данные, выбранные из группы, состоящей из данных лидар, данных лазерного сканирования, радарных данных, данных радара с синтезированной апертурой, данных из любого датчика, основанного на сканировании расстояния - измерении и создании трехмерных плотных множеств точек, цифровых видеоданных, данных видеоизображения или данных гиперспектрального отображения.4. Способ по п.1, отличающийся тем, что дополнительно предусматривает сбор первого набора данных зондирования (26)

Claims (69)

1. Способ оценки роста растительности относительно интересующего объекта, предусматривающий:
идентификацию целевой растительности (30) по второму набору данных зондирования;
идентификацию соответствующей целевой растительности (34) в первом наборе данных зондирования, причем первый набор данных зондирования собран раньше по времени, чем второй набор данных зондирования;
сопоставление первых статистических данных (38) с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта;
сопоставление вторых статистических данных (40) с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта; и
определение скорости проникновения (42) из сравнения первых статистических данных и вторых статистических данных.
2. Способ по п.1, отличающийся тем, что первый и второй наборы данных зондирования содержат трехмерный набор данных.
3. Способ по п.1, отличающийся тем, что первый и второй наборы данных зондирования содержат данные, выбранные из группы, состоящей из данных лидар, данных лазерного сканирования, радарных данных, данных радара с синтезированной апертурой, данных из любого датчика, основанного на сканировании расстояния - измерении и создании трехмерных плотных множеств точек, цифровых видеоданных, данных видеоизображения или данных гиперспектрального отображения.
4. Способ по п.1, отличающийся тем, что дополнительно предусматривает сбор первого набора данных зондирования (26); и сбор второго набора данных зондирования (28).
5. Способ по п.4, отличающийся тем, что
сбор первого набора данных зондирования (26) дополнительно предусматривает сбор первого набора данных зондирования при помощи аэросъемки; и
сбор второго набора данных зондирования (28) дополнительно предусматривает сбор второго набора данных зондирования при помощи аэросъемки.
6. Способ по п.1, отличающийся тем, что дополнительно предусматривает классификацию первого набора данных зондирования и/или второго набора данных зондирования (29) для идентификации данных растительности.
7. Способ по п.1, отличающийся тем, что
идентификация целевой растительности (30) по второму набору данных зондирования предусматривает идентификацию многоугольника растительности (32) по второму набору данных зондирования, который содержит одну или несколько указанных точек целевой растительности во втором наборе данных зондирования; и
идентификация соответствующей целевой растительности (34) в первом наборе данных растительности предусматривает использование многоугольника растительности по второму набору данных зондирования (36) для выбора одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования.
8. Способ по п.1, отличающийся тем, что
идентификация целевой растительности (30) по второму набору данных растительности предусматривает идентификацию многоугольника растительности (32) по второму набору данных зондирования, который содержит одну или несколько указанных точек целевой растительности во втором наборе данных зондирования; и
идентификация соответствующей целевой растительности (34) в первом наборе данных растительности предусматривает идентификацию другого многоугольника растительности по первому набору данных зондирования, который содержит одну или несколько указанных точек соответствующей целевой растительности в первом наборе данных зондирования.
9. Способ по п.1, отличающийся тем, что
первые статистические данные, сопоставленные с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта, содержат минимальное удаление, выбранное из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта; и
вторые статистические данные, сопоставленные с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта, содержат минимальное удаление, выбранное из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта.
10. Способ по п.1, отличающийся тем, что
первые статистические данные, сопоставленные с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта, содержат среднее удаление от интересующего объекта, определенное из удаления совокупности из одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта; и
вторые статистические данные, сопоставленные с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта, содержат среднее удаление от интересующего объекта, определенное из удаления совокупности из одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта.
11. Способ по п.1, отличающийся тем, что первый набор данных зондирования собирают в указанное время перед вторым набором данных зондирования, причем указанное время содержит приблизительно один вегетационный период перед временем сбора второго набора данных зондирования.
12. Способ по п.11, отличающийся тем, что определение скорости проникновения (42) из сравнения первых статистических данных и вторых статистических данных предусматривает получение разницы между вторыми статистическими данными и первыми статистическими данными, а также деление этой разницы приблизительно на время одного вегетационного периода.
13. Способ по п.1, отличающийся тем, что определение скорости проникновения (42) из сравнения первых статистических данных и вторых статистических данных предусматривает:
получение разности между вторыми статистическими данными и первыми статистическими данными; и деление этой разности на величину, выраженную следующим образом:
(100%-P1)+100%·n+Р2,
где P1 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора первого набора данных зондирования;
Р2 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора второго набора данных зондирования; и
n является числом полных вегетационных периодов между сбором первого набора данных зондирования и второго набора данных зондирования;
14. Способ по п.1, отличающийся тем, что дополнительно предусматривает оценку будущего роста растительности относительно интересующего объекта (44) при помощи применения скорости проникновения за будущий период времени посредством:
определения величины промежутка между целевой растительностью и интересующим объектом в будущем времени; причем промежуток выражен следующим образом:
DT=D2+Ga·(100%-Р2+100%·m+РТ),
где DT является величиной промежутка между целевой растительностью и интересующим объектом в будущем времени;
D2 является вторыми статистическими данными;
Ga является скоростью проникновения;
Р2 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора второго набора данных зондирования;
m является числом полных вегетационных периодов между сбором второго набора данных зондирования и будущим временем; и
РT является процентным отношением градусодней вегетационного периода, прошедших в будущем времени.
15. Способ по п.1, отличающийся тем, что интересующий объект, выбирают из группы, состоящей из
линии (22) электропередач;
буферной зоны безопасности линии электропередач;
железнодорожных путей;
буферной зоны безопасности железнодорожных путей;
воздушных линий железной дороги;
буферной зоны безопасности воздушных линий железной дороги;
телефонной линии;
буферной зоны безопасности телефонной линии;
кабеля связи;
буферной зоны безопасности кабеля связи;
дороги;
скоростной магистрали; и
сектора видимости дорожного знака;
сектора видимости дорожной разметки;
сектора видимости светофора; и
сектора видимости доски объявлений или плаката с названием корпорации.
16. Способ по п.1, отличающийся тем, что дополнительно предусматривает повторение процесса (46) для одной или нескольких дополнительных целевых растительностей.
17. Способ по п.15, отличающийся тем, что дополнительно предусматривает оценку будущего роста растительности относительно интересующего объекта (44) при помощи применения скорости проникновения за будущий период времени.
18. Способ по п.17, отличающийся тем, что дополнительно предусматривает отображение (52) будущего роста растительности относительно интересующего объекта для целевой растительности и одной или нескольких дополнительных целевых растительностей в сочетании, по меньшей мере, с частью второго набора данных зондирования, который содержит целевую растительность и одну или несколько дополнительных целевых растительностей.
19. Способ по п.1, отличающийся тем, что дополнительно предусматривает оценку будущего роста растительности относительно интересующего объекта (44) при помощи применения скорости проникновения за будущий период времени.
20. Способ по п.19, отличающийся тем, что дополнительно предусматривает
в случае если оценивают, что будущий рост растительности целевой растительности относительно интересующего объекта в будущем времени приведет к пересечению целевой растительности с интересующим объектом, выполнение впоследствии действия, выбранного из группы, состоящей из:
уведомления пользователя об оцененном будущем пересечении с интересующим объектом в будущем времени;
сопоставления базы данных о растительности с записью в таблице взаимодействия, описывающей оцененное будущее взаимодействие между целевой растительностью и интересующим объектом;
отметки целевой растительности на карте как требующей обслуживания ввиду оцененного будущего пересечения с интересующим объектом; и
составления наряда на выполнение работ, направленных на уменьшение опасности, представленной целевой растительностью.
21. Способ по п.1, отличающийся тем, что дополнительно предусматривает тестирование направления проникновения целевой растительности для рекомендации типа мер по уменьшению опасности.
22. Способ по п.21, отличающийся тем, что тестирование направления проникновения целевой растительности для рекомендации типа мер по уменьшению опасности предусматривает:
определение вектора (110) роста, задающего направление проникновения;
определение угла β вектора для вектора роста, задающего направление проникновения;
определение локального порогового вектора (117);
определение локального порогового угла Ф для локального порогового вектора;
причем
в случае если определяют, что угол вектора больше локального порогового угла, то выдают рекомендацию о том, что целевая растительность нуждается в выкашивании или обрезке для уменьшения опасности; и
в случае если определяют, что угол вектора меньше локального порогового угла, то выдают рекомендацию о том, что целевая растительность нуждается в боковой подрезке или удалении дерева для уменьшения опасности.
23. Машиночитаемая запоминающая среда (92), содержащая хранимые в ней команды для оценки роста растительности относительно интересующего объекта, которые при их исполнении процессором обеспечивают, что процессор (90):
выдает первый набор данных зондирования;
выдает второй набор данных зондирования;
идентифицирует целевую растительность (30) по второму набору данных зондирования;
идентифицирует соответствующую целевую растительность (34) в первом наборе данных зондирования, причем первый набор данных зондирования собран раньше по времени, чем второй набор данных зондирования;
сопоставляет первые статистические данные (38) с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта;
сопоставляет вторые статистические данные (40) с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта; и
определяет скорость проникновения (42) из сравнения первых статистических данных и вторых статистических данных.
24. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что первый и второй наборы данных зондирования содержат трехмерный набор данных.
25. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что первый и второй наборы данных зондирования содержат данные, выбранные из группы, состоящей из данных лидар, данных лазерного сканирования, радарных данных, данных радара с синтезированной апертурой, данных из любого датчика, основанного на сканировании расстояния - измерении и создании плотных множеств точек, цифровых видеоданных, данных видеоизображения или данных гиперспектрального отображения.
26. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что дополнительно содержит команды для классификации первого набора данных зондирования и/или второго набора данных зондирования для идентификации данных растительности.
27. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что команды, которые при их исполнении процессором обеспечивают, что процессор идентифицирует целевую растительность по второму набору данных зондирования, дополнительно содержат команды для идентификации многоугольника растительности по второму набору данных зондирования, который содержит одну или несколько указанных точек целевой растительности во втором наборе данных зондирования; и
и команды, которые при их исполнении процессором обеспечивают, что процессор идентифицирует соответствующую целевую растительность в первом наборе данных зондирования, дополнительно содержат команды для идентификации с использованием многоугольника растительности по второму набору данных зондирования для выбора одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования.
28. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что команды, которые при их исполнении процессором обеспечивают, что процессор идентифицирует целевую растительность по второму набору данных зондирования, дополнительно содержат команды для идентификации многоугольника растительности по второму набору данных зондирования, который содержит одну или несколько указанных точек целевой растительности во втором наборе данных зондирования; и
команды, которые при их исполнении процессором обеспечивают, что процессор идентифицирует соответствующую целевую растительность в первом наборе данных зондирования, дополнительно содержат команды для идентификации другого многоугольника растительности по первому набору данных зондирования, который содержит одну или несколько указанных точек соответствующей целевой растительности в первом наборе данных зондирования.
29. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что первые статистические данные, сопоставленные с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта, содержат минимальное удаление, выбранное из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта; и
вторые статистические данные, сопоставленные с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта, содержат минимальное удаление, выбранное из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта.
30. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что первые статистические данные, сопоставленные с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта, содержат среднее удаление от интересующего объекта, определенное из удаления совокупности из одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта; и
вторые статистические данные, сопоставленные с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта, содержат среднее удаление от интересующего объекта, определенное из удаления совокупности из одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта.
31. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что второй набор зондирования собирают по прошествии некоторого времени с момента сбора первого набора данных зондирования, причем указанное время содержит приблизительно один вегетационный период.
32. Машиночитаемая запоминающая среда по п.31, отличающаяся тем, что команды, которые при их исполнении процессором обеспечивают, что процессор определяет скорость проникновения из сравнения первых статистических данных и вторых статистических данных, дополнительно содержат команды на получение разницы между вторыми статистическими данными и первыми статистическими данными, а также на деление этой разницы приблизительно на время одного вегетационного периода.
33. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что команды, которые при их исполнении процессором обеспечивают, что процессор определяет скорость проникновения из сравнения первых статистических данных и вторых статистических данных, дополнительно содержат команды на:
получение разности между вторыми статистическими данными и первыми статистическими данными, а также на деление этой разности на величину, выраженную следующим образом:
(100%-P1)+100%·n+P2,
где P1 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора первого набора данных зондирования;
Р2 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора второго набора данных зондирования; и
n является числом полных вегетационных периодов между сбором первого набора данных зондирования и второго набора данных зондирования.
34. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что команды, которые при их исполнении процессором обеспечивают, что процессор оценивает будущий рост растительности относительно интересующего объекта при помощи применения скорости проникновения за будущий период времени, дополнительно содержат команды на:
определение величины промежутка между целевой растительностью и интересующим объектом в будущем времени; причем промежуток выражен следующим образом:
DT=D2+Ga·(100%-Р2+100%·m+РТ),
где DT является величиной промежутка между целевой растительностью и интересующим объектом в будущем времени;
D2 является вторыми статистическими данными;
Ga является скоростью проникновения;
Р2 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора второго набора данных зондирования;
m является числом полных вегетационных периодов между сбором второго набора данных зондирования и будущим временем; и
Рт является процентным отношением градусодней вегетационного периода, прошедших в будущем времени.
35. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что интересующий объект выбран из группы, состоящей из:
линии электропередач;
буферной зоны безопасности линии электропередач;
железнодорожных путей;
буферной зоны безопасности железнодорожных путей;
воздушных линий железной дороги;
буферной зоны безопасности воздушных линий железной дороги;
телефонной линии;
буферной зоны безопасности телефонной линии;
кабеля связи;
буферной зоны безопасности кабеля связи;
дороги;
скоростной магистрали;
сектора видимости дорожного знака;
сектора видимости дорожной разметки;
сектора видимости светофора; и
сектора видимости доски объявлений или плаката с названием корпорации.
36. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что дополнительно содержит команды на повторение (46) команд идентификации, сопоставления и определения для одного или нескольких дополнительных целевых деревьев.
37. Машиночитаемая запоминающая среда по п.36, отличающаяся тем, что дополнительно содержит команды, которые при их исполнении процессором обеспечивают, что процессор оценивает будущий рост растительности (44) относительно интересующего объекта при помощи применения скорости проникновения за будущий период времени.
38. Машиночитаемая запоминающая среда по п.37, отличающаяся тем, что дополнительно содержит команды на отображение (52) будущего роста растительности относительно интересующего объекта для целевого дерева и одного или нескольких дополнительных целевых деревьев в сочетании, по меньшей мере, с частью второго набора данных зондирования, который содержит целевое дерево и одно или несколько дополнительных целевых деревьев.
39. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что дополнительно содержит команды, которые при их исполнении процессором обеспечивают, что процессор оценивает будущий рост растительности (44) относительно интересующего объекта при помощи применения скорости проникновения за будущий период времени.
40. Машиночитаемая запоминающая среда по п.39, отличающаяся тем, что дополнительно содержит
команды, в случае если оценено, что будущий рост растительности целевой растительности относительно интересующего объекта в будущем времени приведет к пересечению целевой растительности с интересующим объектом, на выполнение действия, выбранного из группы, состоящей из:
уведомления пользователя об оцененном будущем пересечении с интересующим объектом в будущем времени;
сопоставления базы данных о деревьях с записью в таблице взаимодействия, описывающей оцененное будущее взаимодействие между целевым деревом и интересующим объектом;
отметки целевого дерева на карте как требующего обслуживания ввиду оцененного будущего пересечения с интересующим объектом; и
составления наряда на выполнение работ, направленных на уменьшение опасности от целевого дерева.
41. Машиночитаемая запоминающая среда по п.23, отличающаяся тем, что дополнительно содержит команды, которые при их исполнении процессором обеспечивают, что процессор
тестирует направление проникновения целевой растительности для рекомендации типа мер по уменьшению опасности.
42. Машиночитаемая запоминающая среда по п.41, отличающаяся тем, что команды на тестирование направления проникновения целевой растительности для рекомендации типа мер по уменьшению опасности содержат команды на
определение вектора (110) роста, задающего направление проникновения;
определение угла β вектора для вектора роста, задающего направление проникновения;
определение локального порогового вектора (117);
определение локального порогового угла Ф для локального порогового вектора;
причем
в случае если определяют, что угол вектора больше локального порогового угла, то выдают рекомендацию о том, что целевая растительность нуждается в выкашивании или обрезке, или другой деятельности по борьбе с подлеском для уменьшения опасности; и
в случае если определяют, что угол вектора меньше локального порогового угла, то выдают рекомендацию о том, что целевая растительность нуждается в боковой подрезке или удалении дерева, или другой деятельности по борьбе с боковым ростом для уменьшения опасности.
43. Система (88) оценки роста растительности относительно интересующего объекта, содержащая:
а. процессор (90), сконфигурированный для
1) идентификации целевой растительности (30) по второму набору данных зондирования;
2) идентификации соответствующей целевой растительности (34) в первом наборе данных зондирования, причем первый набор данных зондирования собран раньше по времени, чем второй набор данных зондирования;
3) сопоставления первых статистических данных (38) с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта;
4) сопоставления вторых статистических данных (40) с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта; и
5) определения скорости проникновения (42) из сравнения первых статистических данных и вторых статистических данных;
b. устройство (94) ввода данных, подключенное к процессору и сконфигурированное для ввода в процессор первого и второго наборов данных зондирования; и
c. пользовательский интерфейс (106), подключенный либо к процессору, либо к устройству ввода данных.
44. Система по п.43, отличающаяся тем, что дополнительно содержит базу (98) данных, подключенную к процессору (90).
45. Система по п.43, отличающаяся тем, что дополнительно содержит базу (98) данных, подключенную к устройству (94) ввода данных.
46. Система по п.43, отличающаяся тем, что дополнительно содержит устройство (96) сбора данных зондирования, подключенное к устройству (94) ввода данных.
47. Система по п.46, отличающаяся тем, что устройство (96) сбора данных зондирования выбрано из группы, состоящей из системы лидар, системы лазерного сканирования, радарной системы, системы радара с синтезированной апертурой, системы, использующей датчик, основанный на сканировании расстояния-измерении и создании трехмерных плотных множеств точек, системы формирования цифровых изображений и системы гиперспектрального отображения.
48. Система по п.46, отличающаяся тем, что устройство (96) сбора данных зондирования подключено к устройству (94) ввода данных беспроводным соединением.
49. Система по п.43, отличающаяся тем, что процессор (90) и устройство (94) ввода данных соединены через сеть (104).
50. Система по п.43, отличающаяся тем, что первый и второй наборы данных зондирования содержат трехмерный набор данных.
51. Система по п.43, отличающаяся тем, что первый и второй наборы данных зондирования содержат данные, выбранные из группы, состоящей из данных лидар, данных лазерного сканирования, радарных данных, данных радара с синтезированной апертурой, данных из любого датчика, основанного на сканировании расстояния - измерении и создании трехмерных плотных множеств точек, цифровых видеоданных, данных видеоизображения или данных гиперспектрального отображения.
52. Система по п.43, отличающаяся тем, что процессор (90) дополнительно сконфигурирован для классификации (29) первого набора данных зондирования и второго набора данных зондирования для идентификации данных растительности.
53. Система по п.43, отличающаяся тем, что
конфигурация процессора для идентификации целевой растительности (30) по второму набору данных зондирования содержит команды для идентификации многоугольника (32) растительности по второму набору данных зондирования, который содержит одну или несколько указанных точек целевой растительности во втором наборе данных зондирования; и
конфигурация процессора для идентификации соответствующей целевой растительности (34) в первом наборе данных зондирования содержит команды для использования многоугольника растительности (36) по второму набору данных зондирования для выбора одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования.
54. Система по п.43, отличающаяся тем, что
конфигурация процессора для идентификации целевой растительности (30) по второму набору данных зондирования содержит команды для идентификации многоугольника (32) растительности по второму набору данных зондирования, который содержит одну или несколько указанных точек целевой растительности во втором наборе данных зондирования; и
конфигурация процессора для идентификации соответствующей целевой растительности (34) в первом наборе данных зондирования содержит команды для идентификации другого многоугольника растительности по первому набору данных зондирования, который содержит одну или несколько точек соответствующей целевой растительности в первом наборе данных зондирования.
55. Система по п.43, отличающаяся тем, что первые статистические данные, сопоставленные с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта, содержат минимальное удаление, выбранное из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта; и
вторые статистические данные, сопоставленные с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта, содержат минимальное удаление, выбранное из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта.
56. Система по п.43, отличающаяся тем, что первые статистические данные, сопоставленные с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта, содержат среднее удаление от интересующего объекта, определенное из удаления совокупности из одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта; и
вторые статистические данные, сопоставленные с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта, содержат среднее удаление от интересующего объекта, определенное из удаления совокупности из одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта.
57. Система по п.43, отличающаяся тем, что второй набор зондирования собран по прошествии некоторого времени с момента сбора первого набора данных зондирования, причем указанное время содержит приблизительно один вегетационный период.
58. Система по п.57, отличающаяся тем, что конфигурация процессора для определения скорости проникновения из сравнения первых статистических данных и вторых статистических данных содержит команды для получения разницы между вторыми статистическими данными и первыми статистическими данными, а также для деления этой разницы приблизительно на время одного вегетационного периода.
59. Система по п.43, отличающаяся тем, что процессор, сконфигурированный для определения скорости проникновения из сравнения первых статистических данных и вторых статистических данных, содержит команды для:
получения разности между вторыми статистическими данными и первыми статистическими данными, а также деления этой разности на величину, выраженную следующим образом:
(100%-P1)+100%·n+P2,
где P1 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора первого набора данных зондирования;
Р2 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора второго набора данных зондирования; и
n является числом полных вегетационных периодов между сбором первого набора данных зондирования и второго набора данных зондирования.
60. Система по п.43, отличающаяся тем, что процессор сконфигурирован для оценки будущего роста растительности относительно интересующего объекта при помощи применения скорости проникновения за будущий период времени согласно командам для
определения величины промежутка между целевой растительностью и интересующим объектом в будущем времени; причем промежуток выражен следующим образом:
DT=D2+Ga·(100%-Р2+100%·m+РТ),
где DT является величиной промежутка между целевой растительностью и интересующим объектом в будущем времени;
D2 является вторыми статистическими данными;
Ga является скоростью проникновения;
Р2 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора второго набора данных зондирования;
m является числом полных вегетационных периодов между сбором второго набора данных зондирования и будущим временем; и
РT является процентным отношением градусодней вегетационного периода, прошедших в будущем времени.
61. Система по п.43, отличающаяся тем, что интересующий объект, выбран из группы, состоящей из
линии электропередач;
буферной зоны безопасности линии электропередач;
железнодорожных путей;
буферной зоны безопасности железнодорожных путей;
воздушных линий железной дороги;
буферной зоны безопасности воздушных линий железной дороги;
телефонной линии;
буферной зоны безопасности телефонной линии;
кабеля связи;
буферной зоны безопасности кабеля связи;
дороги;
скоростной магистрали; и
сектора видимости дорожного знака;
сектора видимости дорожной разметки;
сектора видимости светофора; и
сектора видимости доски объявлений или плаката с названием корпорации.
62. Система по п.43, отличающаяся тем, что процессор дополнительно сконфигурирован для повторения (46) действий идентификации, сопоставления и определения в его конфигурации по п.43 для одного или нескольких дополнительных целевых деревьев.
63. Система по п.62, отличающаяся тем, что процессор дополнительно сконфигурирован для оценки будущего роста растительности (44) относительно интересующего объекта при помощи применения скорости проникновения за будущий период времени.
64. Система по п.63, отличающаяся тем, что процессор дополнительно сконфигурирован для отображения (52) будущего роста растительности относительно интересующего объекта для целевого дерева и одного или нескольких дополнительных целевых деревьев в сочетании, по меньшей мере, с частью второго набора данных зондирования, который содержит целевое дерево и одно или несколько дополнительных целевых деревьев.
65. Система по п.43, отличающаяся тем, что процессор дополнительно сконфигурирован для оценки (44) будущего роста растительности относительно интересующего объекта при помощи применения скорости проникновения за будущий период времени.
66. Система по п.65, отличающаяся тем, что процессор дополнительно сконфигурирован, в случае если оценено, что будущий рост растительности целевой растительности относительно интересующего объекта в будущем времени приведет к пересечению целевой растительности с интересующим объектом, для выполнения действия, выбранного из группы, состоящей из:
уведомления пользователя об оцененном будущем пересечении с интересующим объектом в будущем времени;
сопоставления базы данных о деревьях с записью в таблице взаимодействия, описывающей оцененное будущее взаимодействие между целевым деревом и интересующим объектом;
отметки целевого дерева на карте как требующего обслуживания ввиду оцененного будущего пересечения с интересующим объектом; и
составления наряда на выполнение работ, направленных на уменьшение опасности от целевого дерева.
67. Система по п.43, отличающаяся тем, что процессор дополнительно сконфигурирован для тестирования направления проникновения целевой растительности для рекомендации типа мер по уменьшению опасности.
68. Система по п.67, отличающаяся тем, что конфигурация процессора для тестирования направления проникновения целевой растительности для рекомендации типа мер по уменьшению опасности содержит команды для
определения вектора роста, задающего направление проникновения;
определения угла вектора для вектора роста, задающего направление проникновения;
определения локального порогового вектора;
определения локального порогового угла для локального порогового вектора;
причем в случае если определяют, что угол вектора больше локального порогового угла, то выдают рекомендацию о том, что целевая растительность нуждается в выкашивании или обрезке для уменьшения опасности; и
в случае если определяют, что угол вектора меньше локального порогового угла, то выдают рекомендацию о том, что целевая растительность нуждается в боковой подрезке или удалении дерева для уменьшения опасности.
69. Способ оценки роста растительности относительно интересующего объекта по п.1, предусматривающий:
а. идентификацию целевой растительности (30) по собранному аэросъемкой трехмерному второму набору данных зондирования, выбранному из группы, состоящей из
1) данных лидар;
2) данных лазерного сканирования;
3) радарных данных;
4) данных радара с синтезированной апертурой; и
5) данных из датчика, основанного на сканировании расстояния - измерении и создании трехмерных плотных множеств точек;
b. идентификацию соответствующей целевой растительности (34) по собранному аэросъемкой трехмерному первому набору данных зондирования, выбранному из группы, состоящей из
1) данных лидар;
2) данных лазерного сканирования;
3) радарных данных;
4) данных радара с синтезированной апертурой; и
5) данных из датчика, основанного на сканировании расстояния - измерении и создании трехмерных плотных множеств точек;
c. причем
1) первый набор данных зондирования собирают (26) раньше по времени, чем второй набор данных зондирования;
2) идентификация целевой растительности (30) по второму набору данных зондирования предусматривает идентификацию многоугольника растительности (32) по второму набору данных зондирования, который содержит одну или несколько указанных точек целевой растительности во втором наборе данных зондирования; и
3) идентификация соответствующей целевой растительности (34) в первом наборе данных зондирования предусматривает использование многоугольника растительности (36) по второму набору данных зондирования для выбора одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования;
d. сопоставление первых статистических данных (38) с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта, причем первые статистические данные, сопоставленные с соответствующей целевой растительностью исходя из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта, содержат минимальное удаление, определенное из удаления одной или нескольких точек соответствующей целевой растительности в первом наборе данных зондирования относительно интересующего объекта;
e. сопоставление вторых статистических данных (40) с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта, причем вторые статистические данные, сопоставленные с целевой растительностью исходя из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта, содержат минимальное удаление, определенное из удаления одной или нескольких точек целевой растительности во втором наборе данных зондирования относительно интересующего объекта;
f. определение скорости проникновения (42) посредством
1) получения разности между вторыми статистическими данными и первыми статистическими данными, а также деления этой разности на величину, выраженную следующим образом:
(100%-P1)+100%·n+Р2,
где 2) P1 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора первого набора данных зондирования;
3) Р2 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора второго набора данных зондирования; и
4) n является числом полных вегетационных периодов между сбором первого набора данных зондирования и второго набора данных зондирования;
g. оценку будущего роста растительности (44) относительно интересующего объекта при помощи применения скорости проникновения за будущий период времени посредством определения величины промежутка между целевой растительностью и интересующим объектом в будущем времени, причем промежуток выражен следующим образом:
1) DT=D2+Ga·(100%-P2+100%·m+PT),
где 2) DT является величиной промежутка между целевой растительностью и интересующим объектом в будущем времени;
3) D2 является вторыми статистическими данными;
4) Ga является скоростью проникновения;
5) Р2 является процентным отношением градусодней вегетационного периода, прошедших со времени сбора второго набора данных зондирования;
6) m является числом полных вегетационных периодов между сбором второго набора данных зондирования и будущим временем; и
7) РТ является процентным отношением градусодней вегетационного периода, прошедших в будущем времени;
h. повторение (46) указанных выше действий для одной или нескольких дополнительных целевых растительностей;
i. отображение (52) будущего роста растительности относительно интересующего объекта для целевой растительности и одной или нескольких дополнительных целевых растительностей в сочетании, по меньшей мере, с частью второго набора данных зондирования, который содержит целевую растительность и одну или несколько дополнительных целевых растительностей;
j. в случае если оценивают, что будущий рост растительности целевой растительности относительно интересующего объекта в будущем времени приведет к пересечению целевого дерева с интересующим объектом, выполнение действия, выбранного из группы, состоящей из:
1) уведомления пользователя об оцененном будущем пересечении с интересующим объектом в будущем времени;
2) сопоставления базы данных о деревьях с записью в таблице взаимодействия, описывающей оцененное будущее взаимодействие между целевым деревом и интересующим объектом;
3) отметки целевого дерева на карте как требующего обслуживания ввиду оцененного будущего пересечения с интересующим объектом; и
4) составления наряда на выполнение работ, направленных на уменьшение опасности от целевого дерева, и
k. причем интересующий объект выбирают из группы, состоящей из:
1) линии электропередач;
2) буферной зоны безопасности линии электропередач;
3) железнодорожных путей;
4) буферной зоны безопасности железнодорожных путей;
5) воздушных линий железной дороги;
6) буферной зоны безопасности воздушных линий железной дороги;
7) телефонной линии;
8) буферной зоны безопасности телефонной линии;
9) кабеля связи;
10) буферной зоны безопасности кабеля связи;
11) дороги;
12) скоростной магистрали; и
13) сектора видимости дорожного знака;
14) сектора видимости дорожной разметки;
15) сектора видимости светофора; и
16) сектора видимости доски объявлений или плаката с названием корпорации.
RU2012130304/28A 2009-12-17 2010-12-15 Способ и система для оценки роста растительности относительно интересующего объекта RU2012130304A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US12/640,951 2009-12-17
US12/640,951 US8352410B2 (en) 2009-12-17 2009-12-17 Method and system for estimating vegetation growth relative to an object of interest
PCT/US2010/060486 WO2011084471A1 (en) 2009-12-17 2010-12-15 Method and system for estimating vegetation growth relative to an object of interest

Publications (1)

Publication Number Publication Date
RU2012130304A true RU2012130304A (ru) 2014-01-27

Family

ID=42398518

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2012130304/28A RU2012130304A (ru) 2009-12-17 2010-12-15 Способ и система для оценки роста растительности относительно интересующего объекта

Country Status (11)

Country Link
US (1) US8352410B2 (ru)
EP (1) EP2513598A1 (ru)
JP (1) JP2013514596A (ru)
KR (1) KR20120107112A (ru)
CN (1) CN102725605A (ru)
AU (1) AU2010340073A1 (ru)
BR (1) BR112012015032A2 (ru)
CA (1) CA2784676A1 (ru)
MX (1) MX2012006717A (ru)
RU (1) RU2012130304A (ru)
WO (1) WO2011084471A1 (ru)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8374821B2 (en) * 2010-12-22 2013-02-12 Utility Risk Management Corporation, Llc Thermal powerline rating and clearance analysis using thermal imaging technology
US8680994B2 (en) * 2010-12-30 2014-03-25 Utility Risk Management Corporation, Llc Method for locating vegetation having a potential to impact a structure
US8275570B2 (en) * 2011-03-02 2012-09-25 Utility Risk Management Corporation, Llc Thermal powerline rating and clearance analysis using local thermal sensor
US8811748B2 (en) 2011-05-20 2014-08-19 Autodesk, Inc. Collaborative feature extraction system for three dimensional datasets
WO2013033576A1 (en) * 2011-09-01 2013-03-07 Utility Risk Management Corporation, Llc Method and apparatus for real-time line rating of a transmission line
WO2013049597A1 (en) 2011-09-29 2013-04-04 Allpoint Systems, Llc Method and system for three dimensional mapping of an environment
US20140132723A1 (en) * 2012-11-13 2014-05-15 Osmose Utilities Services, Inc. Methods for calibrating a digital photographic image of utility structures
US9069104B2 (en) 2012-12-12 2015-06-30 International Business Machines Corporation Pathway management using model analysis and forecasting
US9405015B2 (en) * 2012-12-18 2016-08-02 Subcarrier Systems Corporation Method and apparatus for modeling of GNSS pseudorange measurements for interpolation, extrapolation, reduction of measurement errors, and data compression
US20150134384A1 (en) * 2013-11-08 2015-05-14 Sharper Shape Ltd. System and method for allocating resources
US9562771B2 (en) 2013-12-18 2017-02-07 Sharper Shape Ltd Analysis of sensor data
CA2946283C (en) * 2014-04-18 2019-01-15 The Davey Tree Expert Company Phenology-based plant care system
CN104298245A (zh) * 2014-08-06 2015-01-21 江苏恒创软件有限公司 基于无人机的监控林木生长状态的方法
GB2530104A (en) * 2014-09-15 2016-03-16 Point4Uk Ltd Vegetation catergorisation
JP6635649B2 (ja) * 2014-09-26 2020-01-29 国立大学法人千葉大学 データ重ね合わせプログラム及びデータ重ね合わせ方法
CN107835997B (zh) * 2015-08-06 2021-07-30 埃森哲环球服务有限公司 使用计算机视觉的用于电力线走廊监测的植被管理
US10628802B2 (en) 2016-05-19 2020-04-21 Lockheed Martin Corporation Systems and methods for assessing damage to infrastructure assets
US10032267B2 (en) 2016-06-09 2018-07-24 Lockheed Martin Corporation Automating the assessment of damage to infrastructure assets
US10664750B2 (en) * 2016-08-10 2020-05-26 Google Llc Deep machine learning to predict and prevent adverse conditions at structural assets
US10078890B1 (en) * 2016-09-29 2018-09-18 CHS North LLC Anomaly detection
EP3609766A1 (en) 2017-04-14 2020-02-19 Bayer CropScience LP Vegetation detection and alert method and system for a railway vehicle
US10600037B2 (en) * 2017-09-29 2020-03-24 International Business Machines Corporation Efficient scheduling of maintenance for power distribution systems
CN108037770B (zh) * 2017-11-22 2021-05-28 国网山东省电力公司济宁供电公司 基于人工智能的无人机输电线路巡检系统和方法
US10705204B2 (en) * 2017-12-08 2020-07-07 International Business Machines Corporation Crop classification and growth tracking with synthetic aperture radar
AU2019211451A1 (en) * 2018-01-26 2020-08-06 LineVision, Inc. System and method for power transmission line monitoring
AU2019275041B2 (en) 2018-05-25 2022-03-24 Discovery Purchaser Corporation System and method for vegetation management risk assessment and resolution
US10807623B2 (en) 2018-06-01 2020-10-20 Tetra Tech, Inc. Apparatus and method for gathering data from sensors oriented at an oblique angle relative to a railway track
CN108986165A (zh) * 2018-07-11 2018-12-11 云南电网有限责任公司电力科学研究院 一种高压线对树放电安全间距的监控方法及装置
CN109409429B (zh) * 2018-10-28 2021-08-20 南京林业大学 一种基于激光雷达点云数据的树种分类方法
CN109341667B (zh) * 2018-11-29 2020-12-18 武汉汇卓航科技有限公司 一种基于区域判断选择的三维电力线测量方法
WO2020141257A1 (en) 2018-12-31 2020-07-09 Oy Arbonaut Ltd A method to measure visibility from point cloud data
US11979014B2 (en) * 2019-01-18 2024-05-07 Honeywell International Inc. Automated vegetation management system
CA3130198C (en) 2019-05-16 2022-05-17 Darel Mesher System and method for generating and interpreting point clouds of a rail corridor along a survey path
CN110376140B (zh) * 2019-08-14 2020-06-30 西南交通大学 一种用于检测不同电场环境下全波段高光谱的实验装置
TWI740224B (zh) * 2019-10-01 2021-09-21 台灣海博特股份有限公司 光資訊三維空間量測方法
US11869192B2 (en) 2019-11-08 2024-01-09 General Electric Company System and method for vegetation modeling using satellite imagery and/or aerial imagery
US11527025B2 (en) 2019-11-08 2022-12-13 General Electric Company Multi source geographic information system (GIS) web based data visualization and interaction for vegetation management
KR20210076440A (ko) 2019-12-16 2021-06-24 삼성전자주식회사 나무 맵의 재성성 및 예측을 위한 방법 및 장치
US11495016B2 (en) 2020-03-11 2022-11-08 Aerobotics (Pty) Ltd Systems and methods for predicting crop size and yield
US11100641B1 (en) * 2020-06-11 2021-08-24 Aerobotics (Pty) Ltd Systems and methods for estimating plant age
WO2021263010A2 (en) 2020-06-26 2021-12-30 X Development Llc Electrical power grid modeling
US11233591B1 (en) 2020-08-19 2022-01-25 FPL Smart Services, LLC Vegetation growth detection via radio propagation
CN112132840B (zh) * 2020-09-01 2023-11-07 济南市房产测绘研究院(济南市房屋安全检测鉴定中心) 一种车载行道树点云分类与特征信息提取方法
FI129569B (fi) 2020-09-03 2022-04-29 Eltel Networks Oy Menetelmä ja laitteisto puiden katkaisemiseksi sähkölinjan läheisyydessä
CN112097679B (zh) * 2020-09-10 2022-04-19 厦门海铂特生物科技有限公司 一种基于光信息三维空间测量方法
US11295147B1 (en) 2020-11-27 2022-04-05 HCL Technologies Italy S.p.A. Method and system for detecting and managing obfuscation of a road sign
CN112950469B (zh) * 2021-02-01 2022-11-01 上海电气风电集团股份有限公司 高程地图的边界识别方法、拼接方法及系统、设备及介质

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI112402B (fi) 1999-10-28 2003-11-28 Diware Oy Menetelmä puustotunnusten määrittämiseksi sekä tietokoneohjelma menetelmän suorittamiseksi
AU2001251539A1 (en) 2000-04-11 2001-10-23 Cornell Research Foundation Inc. System and method for three-dimensional image rendering and analysis
AUPR301401A0 (en) 2001-02-09 2001-03-08 Commonwealth Scientific And Industrial Research Organisation Lidar system and method
US7212670B1 (en) 2002-05-03 2007-05-01 Imagetree Corp. Method of feature identification and analysis
US7639842B2 (en) 2002-05-03 2009-12-29 Imagetree Corp. Remote sensing and probabilistic sampling based forest inventory method
JPWO2004046986A1 (ja) 2002-11-18 2006-03-16 住友林業株式会社 植林事業計画システム及び植林事業計画プログラム
FI117309B (fi) 2003-03-31 2006-08-31 Geodeettinen Laitos Menetelmä, laitteisto ja ohjelma puiden kasvun määrittämiseksi
US7046841B1 (en) 2003-08-29 2006-05-16 Aerotec, Llc Method and system for direct classification from three dimensional digital imaging
FI117490B (fi) 2004-03-15 2006-10-31 Geodeettinen Laitos Menetelmä puustotunnusten määrittämiseksi laserkeilaimen, kuvainformaation ja yksittäisten puiden tulkinnan avulla
US20050279069A1 (en) 2004-06-16 2005-12-22 Cn Utility Consulting, Llc Systems, device, and methods for efficient vegetation maintenance at multiple infrastructure sites
IL165556A (en) 2004-12-05 2013-08-29 Yair Shimoni A system and method for automatically detecting object inconsistencies in a sequence of images
US20080046184A1 (en) 2006-08-16 2008-02-21 Zachary Bortolot Method for estimating forest inventory
WO2008133922A1 (en) 2007-04-24 2008-11-06 University Of South Florida Electric power distribution interruption risk assessment calculator
US7474964B1 (en) 2007-06-22 2009-01-06 Weyerhaeuser Company Identifying vegetation attributes from LiDAR data
US7720605B2 (en) 2007-06-22 2010-05-18 Weyerhaeuser Nr Company Identifying vegetation attributes from LiDAR data

Also Published As

Publication number Publication date
EP2513598A1 (en) 2012-10-24
AU2010340073A1 (en) 2012-07-05
JP2013514596A (ja) 2013-04-25
CA2784676A1 (en) 2011-07-14
US20100198775A1 (en) 2010-08-05
BR112012015032A2 (pt) 2017-09-19
MX2012006717A (es) 2012-11-30
KR20120107112A (ko) 2012-09-28
CN102725605A (zh) 2012-10-10
US8352410B2 (en) 2013-01-08
WO2011084471A1 (en) 2011-07-14

Similar Documents

Publication Publication Date Title
RU2012130304A (ru) Способ и система для оценки роста растительности относительно интересующего объекта
Navarro et al. The application of Unmanned Aerial Vehicles (UAVs) to estimate above-ground biomass of mangrove ecosystems
US10168141B2 (en) Method for identifying air pollution sources based on aerosol retrieval and glowworm swarm algorithm
Malambo et al. Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data
Morsdorf et al. Assessment of the influence of flying altitude and scan angle on biophysical vegetation products derived from airborne laser scanning
Ackers et al. The evolution of mapping habitat for northern spotted owls (Strix occidentalis caurina): A comparison of photo-interpreted, Landsat-based, and lidar-based habitat maps
US8599365B2 (en) System and method for identifying individual trees in LiDAR data using local view
Richardson et al. Uncertainty in urban forest canopy assessment: Lessons from Seattle, WA, USA
KR20120104529A (ko) 목표 나무의 줄기를 찾기 위한 방법 및 시스템
Unger et al. Estimating number of trees, tree height and crown width using Lidar data
Yancho et al. Fine-scale spatial and spectral clustering of UAV-acquired digital aerial photogrammetric (DAP) point clouds for individual tree crown detection and segmentation
Saliu et al. An accuracy analysis of mangrove tree height mensuration using forestry techniques, hypsometers and UAVs
Beyene et al. Forest inventory and aboveground biomass estimation with terrestrial LiDAR in the tropical forest of Malaysia
Rinnamang et al. Estimation of aboveground biomass using aerial photogrammetry from unmanned aerial vehicle in teak (Tectona grandis) plantation in Thailand
Thiessen Horn River Basin moose inventory January/February 2010
Jensen et al. Broaden your horizon: The use of remotely sensed data for modeling populations of forest species at landscape scales
Escolà et al. A mobile terrestrial laser scanner for tree crops: point cloud generation, information extraction and validation in an intensive olive orchard
Guerra-Hernández et al. Cartografía de variables dasométricas en bosques Mediterráneos mediante análisis de los umbrales de altura e inventario a nivel de masa con datos LiDAR de baja resolución
Simonetti et al. Gap geometry, seasonality and associated losses of biomass–combining UAV imagery and field data from a Central Amazon forest
Saliola Object-based image analysis for the delineation of canopy gaps and individual tree crowns using multi-source data: A case study in Haliburton Forest, Ontario
Parent et al. Assessing species-level biases in tree heights estimated from terrain-optimized leaf-off airborne laser scanner (ALS) data
Simonetti et al. Canopy gaps and associated losses of biomass–combining UAV imagery and field data in a central Amazon forest
Mustafić et al. Deep Learning for Improved Individual Tree Detection from Lidar Data
Siqueira et al. Tracking and short-term forecasting of mesoscale convective cloud clusters over southeast Brazil using satellite infrared imagery
Ferraz et al. Large scale road network extraction in forested moutainous areas using airborne laser scanning data