基于多光谱激光雷达和深度学习的 3D 土地利用/土地覆盖分类：当前与前景方案
计算机视觉与模式识别
2026-05-22 v1
摘要
土地利用/土地覆盖（LULC）分类是国家 3D 制图、地理空间分析和可持续规划的必不可少的任务。多光谱（MS）激光雷达提供同步的时空光谱信息，深度学习（DL）实现 3D 点云语义分割；然而，其采用受限于缺乏面向国家制图和地籍管理局（NMCA）分类方案对齐的城市和郊区 MS 激光雷达数据集。本研究通过引入 L1 和 L2 NMCA 对齐的 LULC 分类方案以及一个新的基准 MS 激光雷达数据集来填补这些差距。我们评估了七种最先进的 DL 模型并对 MS 信息进行了光谱消除研究，分别在两个细节层级上进行。结果表明，Point Transformer V3 在最佳性能上实现了 79.4% 的 mIoU（L1，8 类）和 58.9% 的 mIoU（L2，20 类），使用双波长激光雷达系统（532 nm 和 1064 nm）。消除结果表明，MS 信息相对于仅几何输入的性能提升，在 L1 上提升 1.1 个百分点，在 L2 上提升 7.8 个百分点。这些结果凸显了激光雷达反射率在精细材料鉴别中的价值，支持 NMCA LULC 方案向更高语义细节演进的趋势。Loosdorf-MSL 数据集为持续的国家和国际 LULC 制图提供了新的基准。
引用
@article{arxiv.2605.22328,
title = {3D LULC classification using multispectral LiDAR and deep learning: current and prospective schemes},
author = {Narges Takhtkeshha and Aldino Rizaldy and Markus Hollaus and Juha Hyyppä and Fabio Remondino and Gottfried Mandlburger},
journal= {arXiv preprint arXiv:2605.22328},
year = {2026}
}