自动化森林清查：利用三维深度学习分析高密度机载LiDAR点云
计算机视觉与模式识别
2024-02-26 v2
摘要
详细的森林清查对于森林资源的可持续和灵活管理、保护各种生态系统服务至关重要。现代机载激光扫描仪提供高密度点云，具有进行精细尺度森林清查和分析的巨大潜力，但自动将这些点云分割成有意义的实体（如单棵树或树木组成部分）仍然是一个挑战。本研究旨在填补这一空白，并引入一个名为ForAINet的深度学习框架，该框架能够在不同森林类型和地理区域中执行此类分割。然后，我们从分割数据中推导出单棵树以及林分的相关生物物理参数。该系统已在FOR-Instance数据集上进行了测试，该数据集包含使用测量无人机在五个不同国家获取的点云。分割后端对单棵树的F-score超过85%，对五个语义类别（地面、低矮植被、树干、活枝和枯枝）的平均IoU超过73%。基于分割结果，我们的流程随后密集计算每棵树的生物物理特征（高度、冠幅、冠体积、胸径和位置）以及每个林分的属性（数字地形模型和林分密度）。特别是与树冠相关的特征在大多数情况下都能高精度地获取，而胸径和位置的估计由于机载扫描设置而可靠性较低。
引用
@article{arxiv.2312.15084,
title = {Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning},
author = {Binbin Xiang and Maciej Wielgosz and Theodora Kontogianni and Torben Peters and Stefano Puliti and Rasmus Astrup and Konrad Schindler},
journal= {arXiv preprint arXiv:2312.15084},
year = {2024}
}