This study explores the use of stru

This study explores the use of structure from motion (SfM), a computer vision
technique, to model vine canopy structure at a study vineyard in the Texas Hill Country.
Using an unmanned aerial vehicle (UAV) and a digital camera, 201 aerial images (nadir
and oblique) were collected and used to create a SfM point cloud. All points were
classified as ground or non-ground points. Non-ground points, presumably representing
vegetation and other above ground objects, were used to create visualizations of the study
vineyard blocks. Further, the relationship between non-ground points in close proximity to
67 sample vines and collected leaf area index (LAI) measurements for those same vines
was also explored. Points near sampled vines were extracted from which several metrics
were calculated and input into a stepwise regression model to attempt to predict LAI. This
analysis resulted in a moderate R2 value of 0.567, accounting for 57 percent of the
variation of LAISQRT using six predictor variables. These results provide further
justification for SfM datasets to provide three-dimensional datasets necessary for
vegetation structure visualization and biophysical modeling over areas of smaller extent.
Additionally, SfM datasets can provide an increased temporal resolution compared to
traditional three-dimensional datasets like those captured by light detection and
ranging (lidar).

ผลลัพธ์ (ไทย) 1:

ศึกษาสำรวจการใช้โครงสร้างจากการเคลื่อนไหว (SfM), คอมพิวเตอร์วิทัศน์เทคนิค รูปแบบโครงสร้างฝาครอบเถาวัลย์ที่องุ่นศึกษาประเทศเขาเท็กซัสใช้เป็นอากาศยานไร้คนขับ (uav ในที่สุด) และกล้องดิจิตอล ภาพทางอากาศ 201 (จุดจอมดินและ oblique) ได้รวบรวม และใช้ในการสร้างก้อนเมฆ SfM จุด มีคะแนนทั้งหมดแบ่งเป็นพื้นดินหรือจุดไม่ใช่พื้นดิน พื้นดินไม่ใช่จุด ทับแทนพืชและอื่น ๆ ข้างล่างวัตถุ ใช้ในการสร้างการแสดงภาพของการศึกษาบล็อกขององุ่น เพิ่มเติม ความสัมพันธ์ระหว่างจุดไม่ใช่พื้นดินใกล้นำตัวอย่างและรวบรวมใบตั้ง 67 ดัชนีวัด (ไล) สำหรับผู้นำเดียวกันยังอุดมด้วย จุดใกล้นำตัวอย่างที่สกัดจากวัดหลายที่คำนวณ และป้อนข้อมูลลงในแบบจำลองถดถอย stepwise พยายามทำนายลาย นี้การวิเคราะห์ให้ค่า R2 ปานกลาง 0.567 บัญชีร้อยละ 57 ของการการปรับเปลี่ยนโดยใช้ตัวแปร predictor หก LAISQRT ผลลัพธ์เหล่านี้ให้เพิ่มเติมเหตุผลสำหรับ datasets SfM ให้ datasets แบบสามมิติที่จำเป็นสำหรับแสดงภาพประกอบเพลงโครงสร้างของพืชและสร้างโมเดล biophysical ผ่านพื้นที่ขนาดเล็กนอกจากนี้ SfM datasets สามารถให้แก้ไขชั่วคราวเพิ่มขึ้นเมื่อเทียบกับdatasets แบบสามมิติต้องจับ โดยตรวจจับแสง และตั้งแต่ (lidar)

ผลลัพธ์ (ไทย) 2:

การศึกษานี้เป็นการศึกษาการใช้งานของโครงสร้างจากการเคลื่อนไหว (SFM)
วิสัยทัศน์คอมพิวเตอร์เทคนิคการจำลองโครงสร้างหลังคาเถาที่ไร่องุ่นศึกษาในเท็กซัสฮิลล์คัน.
การใช้อากาศยานไร้คนขับ (UAV) และกล้องดิจิตอล 201 ภาพทางอากาศ (
จุดต่ำสุดและเอียง) ถูกเก็บรวบรวมและนำมาใช้เพื่อสร้างจุดเมฆ SFM
คะแนนทั้งหมดถูกจัดเป็นพื้นดินหรือจุดที่ไม่ใช่พื้นดิน จุดที่ไม่ใช่พื้นดินน่าจะเป็นตัวแทนของพืชผักและวัตถุอื่น ๆ บนพื้นดินถูกนำมาใช้ในการสร้างการสร้างภาพของการศึกษาบล็อกไร่องุ่น นอกจากนี้ความสัมพันธ์ระหว่างจุดที่ไม่ใช่พื้นดินในบริเวณใกล้เคียงกับ67 เถาตัวอย่างที่เก็บรวบรวมและดัชนีพื้นที่ใบ (LAI) วัดสำหรับเถาเดียวกันนั้นยังมีการสำรวจ จุดที่ใกล้ตัวอย่างองุ่นสกัดจากการที่หลายตัวชี้วัดนี้จะถูกคำนวณและใส่ในรูปแบบการถดถอยแบบขั้นตอนที่จะพยายามที่จะคาดการณ์ LAI นี้การวิเคราะห์ผลในค่า R2 ปานกลาง 0.567 คิดเป็นร้อยละ 57 ของการเปลี่ยนแปลงของLAISQRT ใช้หกตัวแปร ผลการเหล่านี้ให้อีกเหตุผลสำหรับชุดข้อมูล SFM เพื่อให้ชุดข้อมูลสามมิติที่จำเป็นสำหรับการสร้างภาพโครงสร้างของพืชและการสร้างแบบจำลองทางชีวกายภาพมากกว่าพื้นที่ขอบเขตขนาดเล็ก. นอกจากนี้ชุดข้อมูล SFM สามารถให้ความละเอียดชั่วคราวเพิ่มขึ้นเมื่อเทียบกับชุดข้อมูลสามมิติแบบดั้งเดิมเช่นเดียวกับที่จับโดยแสงตรวจสอบและตั้งแต่ (LIDAR)

ผลลัพธ์ (ไทย) 3:

การศึกษานี้เป็นการศึกษาการใช้โครงสร้างจากการเคลื่อนไหว ( sfm ) เทคนิควิสัยทัศน์
คอมพิวเตอร์ โครงสร้างหลังคาที่การศึกษารูปแบบเถาไร่องุ่นในเท็กซัสฮิลล์ประเทศ โดยใช้ยานพาหนะทางอากาศหมดกำลังใจ
( UAV ) และกล้องดิจิตอล , 201 ภาพทางอากาศ ( นาดีร์
แล้วเฉียง ) มีจำนวนการสร้าง sfm เมฆจุด ทุกจุดอยู่ตามพื้นดินหรือจุด
บนพื้นดิน จุดบนพื้นดินน่าจะแทน
พืชและอื่น ๆข้างต้นวัตถุดินที่ใช้ในการสร้างการแสดงภาพประกอบการศึกษา
ไร่องุ่นบล็อก ต่อไปความสัมพันธ์ระหว่างจุดบนพื้นดินใกล้กับ
67 ตัวอย่างไวน์และเก็บดัชนีพื้นที่ใบ ( ลาย ) มาตรการเดียวกันเถา
ยังสำรวจ จุดใกล้ตัวอย่างองุ่นสกัดจากหลายวัด
ซึ่งคำนวณและการป้อนข้อมูลในรูปแบบขั้นตอนที่จะพยายามที่จะคาดการณ์ ไล การวิเคราะห์ค่า R2
มีผลในระดับปานกลางของ 0.567 , การบัญชีสำหรับร้อยละ 57 ของการใช้ตัว laisqrt
6 ตัวแปร ผลลัพธ์เหล่านี้ให้เหตุผลเพิ่มเติมสำหรับข้อมูล
sfm เพื่อให้ข้อมูลที่จำเป็นสำหรับ
แบบสามมิติพรรณไม้โครงสร้างการแสดงและการสร้างแบบจำลองทางชีวกายภาพบริเวณขอบเขตเล็ก
นอกจากนี้ sfm ข้อมูลสามารถให้ความละเอียดที่เพิ่มขึ้นชั่วคราวเมื่อเทียบกับแบบสามมิติข้อมูลแบบนั้น

ตั้งแต่และจับตรวจจับแสง ( lidar )