DOI: https://doi.org/10.1007/s40725-024-00223-7
تاريخ النشر: 2024-06-21
المؤلف: Mattia Balestra وآخرون
الموضوع الرئيسي: الاستشعار عن بعد وتطبيقات LiDAR
نظرة عامة
تستعرض ورقة المراجعة التقدم في دمج بيانات LiDAR على مدار العقد الماضي، مع التركيز على إمكانيته في تعزيز الدقة، والدقة المكانية الزمنية، واستخراج المعلومات في ملاحظات الغابات. من خلال مراجعة أدبية منظمة، يقوم المؤلفون بتحليل دراسات متنوعة تبرز فوائد دمج LiDAR مع مجموعات بيانات أخرى، مثل البيانات متعددة الأطياف والبيانات فوق الطيفية، لتطبيقات تشمل تحديد أنواع الأشجار، وتقييمات الكتلة الحيوية، وقياسات ارتفاع المظلة. بينما تشير النتائج إلى تحسينات في الدقة والدقة، يثير المؤلفون مخاوف بشأن الجدوى الاقتصادية لهذه المكاسب الهامشية من منظور تشغيلي.
كما تؤكد المراجعة على الحاجة إلى تعريف واضح لـ “دمج البيانات” لتمييزه عن المفاهيم ذات الصلة مثل “دمج البيانات” و “تكامل البيانات”. على الرغم من النظرة الإيجابية للتطبيقات المستقبلية لدمج LiDAR، يشير المؤلفون إلى تحديات كبيرة، بما في ذلك التكاليف العالية، والمتطلبات الحسابية، وتباين جودة البيانات، وضرورة الخبرة المتخصصة. وبالتالي، يتم تشجيع الممارسين على تقييم التبادلات بعناية بين الفوائد المحتملة لدمج بيانات LiDAR والتكاليف والجهود المرتبطة المطلوبة للتنفيذ.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التقدم في فهم نظم الغابات البيئية من خلال تقنية الاستشعار عن بعد باستخدام الكشف عن الضوء والمسافة (LiDAR). لقد أحدثت LiDAR ثورة في قياس معلمات هيكل الغابة، مثل ارتفاع المظلة ومؤشر مساحة الأوراق، من خلال توفير بيانات ثلاثية الأبعاد (3D) مفصلة عبر مقاييس متنوعة. يمكن نشر هذه التقنية من منصات متعددة، بما في ذلك الأنظمة الأرضية، والهوائية، والفضائية، مما يسهل تطبيقات متنوعة مثل جرد الغابات، وتقديرات الكتلة الحيوية، وتقييمات التنوع البيولوجي. ومع ذلك، على الرغم من تطورها السريع، فإن بيانات LiDAR لها قيود جوهرية، مثل الحجب في القياسات الأرضية والتحديات في التقاط نباتات الطبقة السفلية من المنصات الهوائية والفضائية.
تناقش الورقة أيضًا الاهتمام المتزايد في أساليب دمج البيانات، التي تدمج مجموعات بيانات الاستشعار عن بعد المتعددة لتعزيز فائدة بيانات LiDAR. ومع ذلك، فإن تطبيق هذه الأساليب يمثل تحديات كبيرة، بما في ذلك زيادة التكاليف الناتجة عن الحصول على مجموعات بيانات متنوعة، وزيادة أوقات المعالجة، والحاجة إلى خبرة متخصصة. يمكن أن تعقد التباينات في جودة البيانات، والدقة، والتغطية جهود الدمج، مما قد يؤدي إلى عدم اليقين في النتائج. بالإضافة إلى ذلك، يمكن أن تعيق الفجوة الزمنية بين جمع البيانات وتسليمها قابلية تطبيق المعلومات، خاصة في الحالات الديناميكية مثل تفشي الآفات أو الكوارث الطبيعية. بشكل عام، بينما تحمل LiDAR ودمج البيانات وعدًا كبيرًا لتحليل نظم الغابات البيئية، فإن معالجة هذه التحديات أمر حاسم لتعظيم فعاليتها.
طرق
تُصنف طرق دمج بيانات LiDAR بشكل أساسي إلى نوعين: دمج على مستوى البيانات ودمج على مستوى الميزات. يتضمن دمج مستوى البيانات دمج مجموعات البيانات من أجهزة استشعار مختلفة خلال مرحلة المعالجة المسبقة، قبل أي تصنيف أو استخراج ميزات. في المقابل، يحدث دمج مستوى الميزات بعد التصنيف، حيث يتم دمج المخرجات والميزات المستخرجة من مجموعات بيانات مختلفة لإنشاء مجموعة بيانات جديدة. على الرغم من أن دمج مستوى القرار معترف به في الأدبيات كفئة ثالثة، إلا أنه لم يتم تمثيله في الأوراق التي تمت مراجعتها.
نتائج
أسفرت عملية البحث الأدبي التي أجريت عبر Web of Science عن إجمالي 664 ورقة. بعد تطبيق معايير الأهلية المحددة – مع التركيز على المنشورات من 2014 إلى 2023 باللغة الإنجليزية، بما في ذلك المقالات والمراجعات – تم تحديد 407 أوراق على أنها ذات صلة. تمت مراجعة ملخصات هذه الأوراق بشكل مستقل من قبل مقيمين اثنين، اللذين حددا الإدراج بناءً على معيارين رئيسيين: ضرورة أن تتناول الأبحاث جوانب تتعلق بالأشجار أو الغابات ذات الصلة بتطبيقات الغابات، والمتطلب بأن تتضمن الدراسات بيانات LiDAR. تم استبعاد الأوراق التي تناولت فقط المحاصيل أو البنية التحتية أو المباني من الاعتبار.
مناقشة
تركز قسم المناقشة في الورقة على أحدث ما توصلت إليه الأبحاث في دمج بيانات LiDAR متعددة المصادر أو متعددة المستشعرات، خاصة في سياق ملاحظات الغابات. يعرف دمج البيانات بأنه دمج البيانات من مصادر مختلفة، مع كون واحد على الأقل منها هو LiDAR، لتعزيز محتوى المعلومات وتحسين قدرات المراقبة. تصنف المراجعة أساليب الدمج إلى دمج على مستوى البيانات ودمج على مستوى الميزات. يجمع دمج مستوى البيانات مجموعات البيانات الخام، مثل دمج سحب النقاط من LiDAR الأرضي والهوائي، بينما يدمج دمج مستوى الميزات الميزات المستخرجة من مصادر بيانات متنوعة، مثل دمج المعلمات الهيكلية المستمدة من LiDAR مع البيانات فوق الطيفية لتصنيف الأنواع.
تظهر المراجعة الأدبية، التي أجريت باستخدام منهجية PRISMA، تحليل 151 ورقة نشرت من 2014 إلى مايو 2023، كاشفة عن اتجاهات في دمج بيانات LiDAR. تشير النتائج إلى زيادة طفيفة في المنشورات، خاصة من المنصات الهوائية، مع تركيز جغرافي ملحوظ في أمريكا الشمالية وأوروبا وآسيا. حددت المراجعة ثلاثة دوافع رئيسية لدمج البيانات: تعزيز الدقة المكانية أو الزمنية، تحسين كثافة البيانات للتغلب على الحجب، وإثراء مجموعات البيانات الحالية بمعلومات إضافية. تم تصنيف تطبيقات دمج بيانات LiDAR إلى أساليب قائمة على الأشجار الفردية وأخرى قائمة على المناطق، مع كون التصنيف، وتقدير الكتلة الحيوية، وتحليل هيكل الغابة هي التطبيقات الأكثر شيوعًا. تختتم المناقشة برؤى من لجنة خبراء حول تعريف ووجهات نظر مستقبلية لدمج البيانات في الغابات، مع التأكيد على الحاجة إلى مصطلحات موحدة ومعالجة التحديات التشغيلية.
DOI: https://doi.org/10.1007/s40725-024-00223-7
Publication Date: 2024-06-21
Author(s): Mattia Balestra et al.
Primary Topic: Remote Sensing and LiDAR Applications
Overview
The review paper examines the advancements in LiDAR data fusion over the past decade, focusing on its potential to enhance accuracy, spatial-temporal resolution, and information extraction in forest observations. Through a structured literature review, the authors analyze various studies that highlight the benefits of integrating LiDAR with other datasets, such as multispectral and hyperspectral data, for applications including tree species identification, biomass assessments, and canopy height measurements. While the findings indicate improvements in accuracy and resolution, the authors raise concerns about the cost-effectiveness of these marginal gains from an operational perspective.
The review also emphasizes the need for a clear definition of “data fusion” to differentiate it from related concepts like “data combination” and “data integration.” Despite the positive outlook for future applications of LiDAR fusion, the authors note significant challenges, including high costs, computational demands, variability in data quality, and the necessity for specialized expertise. Consequently, practitioners are encouraged to carefully evaluate the trade-offs between the potential benefits of LiDAR data fusion and the associated costs and efforts required for implementation.
Introduction
The introduction of the research paper highlights the advancements in understanding forest ecosystems through Light Detection and Ranging (LiDAR) remote sensing technology. LiDAR has revolutionized the measurement of forest structure parameters, such as canopy height and leaf area index, by providing detailed three-dimensional (3D) data across various scales. This technology can be deployed from multiple platforms, including ground-based, airborne, and spaceborne systems, facilitating diverse applications like forest inventories, biomass estimates, and biodiversity assessments. However, despite its rapid development, LiDAR data has inherent limitations, such as occlusion in ground-based measurements and challenges in capturing understory vegetation from airborne and spaceborne platforms.
The paper also addresses the growing interest in data fusion approaches, which integrate multiple remote sensing datasets to enhance the utility of LiDAR data. However, operationalizing these approaches presents significant challenges, including increased costs from acquiring diverse datasets, extended processing times, and the need for specialized expertise. Variations in data quality, resolution, and coverage can complicate fusion efforts, potentially leading to uncertainties in the results. Additionally, the time lag between data collection and delivery can hinder the applicability of the information, particularly in dynamic situations like pest outbreaks or natural disasters. Overall, while LiDAR and data fusion hold great promise for forest ecosystem analysis, addressing these challenges is crucial for maximizing their effectiveness.
Methods
The methods for LiDAR data fusion are primarily categorized into two types: data-level fusion and feature-level fusion. Data-level fusion involves the integration of datasets from various sensors during the pre-processing phase, prior to any classification or feature extraction. In contrast, feature-level fusion occurs after classification, where outputs and extracted features from different datasets are combined to create a new dataset. Although decision-level fusion is recognized in the literature as a third category, it was not represented in the reviewed papers.
Results
The literature search conducted via the Web of Science yielded a total of 664 papers. After applying the specified eligibility criteria—focusing on publications from 2014 to 2023 in English, including both articles and reviews—407 papers were identified as relevant. The abstracts of these papers were independently reviewed by two assessors, who determined inclusion based on two main criteria: the necessity for the research to address aspects related to trees or forests pertinent to forestry applications, and the requirement that the studies incorporate LiDAR data. Papers that exclusively examined crops, infrastructure, or buildings were excluded from consideration.
Discussion
The discussion section of the paper focuses on the state-of-the-art in multi-source or multi-sensor LiDAR data fusion, particularly in the context of forest observations. It defines data fusion as the merging of data from different sources, with at least one being LiDAR, to enhance information content and improve observational capabilities. The review categorizes fusion approaches into data-level and feature-level fusion. Data-level fusion combines raw datasets, such as merging point clouds from ground-based and airborne LiDAR, while feature-level fusion merges extracted features from various data sources, such as integrating LiDAR-derived structural parameters with hyperspectral data for species classification.
The literature review, conducted using the PRISMA methodology, analyzed 151 papers published from 2014 to May 2023, revealing trends in LiDAR data fusion. The findings indicate a slight increase in publications, particularly from airborne platforms, with a notable geographical concentration in North America, Europe, and Asia. The review identified three main motivations for data fusion: enhancing spatial or temporal resolution, improving data density to overcome occlusion, and enriching existing datasets with additional information. Applications of LiDAR data fusion were categorized into individual tree and area-based approaches, with classification, biomass estimation, and forest structure analysis being the most common applications. The discussion concludes with insights from an expert panel on the definition and future directions of data fusion in forestry, emphasizing the need for standardized terminology and addressing operational challenges.