Key points are not available for this paper at this time.
Com o avanço rápido da silvicultura inteligente, a reconstrução 3D e a extração de parâmetros estruturais tornaram-se ferramentas indispensáveis no monitoramento florestal moderno. Embora os métodos tradicionais envolvendo LiDAR e levantamentos manuais continuem eficazes, eles geralmente implicam considerável complexidade operacional e custos flutuantes. Para fornecer uma alternativa econômica e escalável, este estudo apresenta o FS-MVSNet—uma estrutura de reconstrução 3D baseada em imagens de múltiplas visões que incorpora estruturas de pirâmide de características e mecanismos de atenção. Experimentos de campo foram realizados em três parques florestais representativos em Pequim, caracterizados por copas abertas e sub-bosque mínimo, criando as condições ideais para a reconstrução fotogramétrica. O fluxo de trabalho proposto abrange captura de imagens próximas ao solo, pré-processamento de imagens, reconstrução 3D e estimativa de parâmetros. O FS-MVSNet resultou em um aumento médio de densidade de nuvem de pontos de 149,8% e 22,6% em relação aos métodos de referência, e facilitou uma estimativa robusta do diâmetro à altura do peito (DAP) através de uma estratégia iterativa de ajuste de círculo. Em quatro parcelas amostrais, a precisão da estimativa de DAP superou 91%, com melhorias médias de 3,14% em AE, 1,005 cm em RMSE e 3,64% em rRMSE. Avaliações adicionais no conjunto de dados DTU validaram a qualidade da reconstrução, resultando em pontuações de 0,317 mm para precisão, 0,392 mm para completude e 0,372 mm para desempenho geral. O método proposto demonstra forte potencial para aplicações de levantamento florestal de baixo custo e escaláveis. Pesquisas futuras investigarão sua aplicabilidade em ambientes florestais mais estruturalmente complexos e heterogêneos, e compararão seu desempenho com fluxos de trabalho baseados em LiDAR de última geração.
Zhao et al. (Sáb,) estudaram essa questão.