Item request has been placed! ×
Item request cannot be made. ×
loading  Processing Request

Simulation of LiDAR, Unmanned Ground Vehicles, and Neural Networks for Leaf Area Estimation in Orchards ; Simulación de LiDAR, Vehículos Terrestres Autónomos y Redes Neuronales para la Estimación de Área Foliar en Huertos ; Simulation du LiDAR, des Véhicules Terrestres Autonomes et des Réseaux Neuronaux pour L'estimation de la Surface Foliaire dans les Vergers

Item request has been placed! ×
Item request cannot be made. ×
loading   Processing Request
  • Additional Information
    • Contributors:
      Équipe Robotique et InteractionS (LAAS-RIS); Laboratoire d'analyse et d'architecture des systèmes (LAAS); Université Toulouse Capitole (UT Capitole); Université de Toulouse (UT)-Université de Toulouse (UT)-Institut National des Sciences Appliquées - Toulouse (INSA Toulouse); Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT)-Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J); Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3); Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP); Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole); Université de Toulouse (UT); Facultad de Ingeniería, Universidad de Ibagué, Colombia
    • Publication Information:
      CCSD
    • Publication Date:
      2025
    • Collection:
      Université Toulouse 2 - Jean Jaurès: HAL
    • Subject Terms:
    • Subject Terms:
      Barcelona, Spain
    • Abstract:
      International audience ; The leaf area index (LAI) is vital for assessing plant photosynthetic activity, crucial for optimising orchard management. This study presents a method to estimate leaf area density (LAD) variations and tree LAI using LiDAR data from unmanned ground vehicles (UGVs). Combining 3D tree reconstruction with neural network-based analysis of LiDAR penetration descriptors, the approach effectively estimates canopy parameters. The method was validated through simulation using diverse 3D canopy models, achieving performance metrics: RMSE: 0.2 m²/m³, R²: 0.95 for LAD and RMSE: 0.17 m²/m², R²: 0.84 for LAI. Results confirm the potential of LiDAR-based systems for precise orchard canopy monitoring. ; El índice de área foliar (LAI) es fundamental para evaluar la actividad fotosintética de las plantas, un parámetro clave para la optimización de la gestión de huertos. Este estudio presenta un método para estimar las variaciones de la densidad de área foliar (LAD) y el LAI de los árboles a partir de datos LiDAR adquiridos por vehículos terrestres autónomos (UGV). Al combinar la reconstrucción 3D de los árboles con un análisis de descriptores de penetración LiDAR mediante redes neuronales, el enfoque permite una estimación eficaz de los parámetros del dosel. La metodología fue validada mediante simulaciones con diversos modelos 3D de copas, obteniendo métricas de rendimiento: RMSE: 0,2 m²/m³, R²: 0,95 para LAD y RMSE: 0,17 m²/m², R²: 0,84 para LAI. Los resultados confirman el potencial de los sistemas basados en LiDAR para el monitoreo preciso del dosel en huertos. ; L'indice de surface foliaire (LAI) est essentiel pour évaluer l'activité photosynthétique des plantes, un paramètre clé pour l'optimisation de la gestion des vergers. Cette étude propose une méthode d'estimation des variations de la densité de surface foliaire (LAD) et du LAI des arbres à partir de données LiDAR acquises par des véhicules terrestres autonomes (UGV). En combinant la reconstruction 3D des arbres avec une analyse des ...
    • Online Access:
      https://laas.hal.science/hal-04935478
      https://laas.hal.science/hal-04935478v1/document
      https://laas.hal.science/hal-04935478v1/file/Simulation%20of%20LiDAR,%20Unmanned%20Ground%20Vehicles,%20and%20Neural%20Networks%20for%20Leaf%20Area%20Estimation%20in%20Orchards.pdf
    • Rights:
      info:eu-repo/semantics/OpenAccess
    • Accession Number:
      edsbas.F3C1AE5