基于多光谱航空激光扫描数据的 individual tree 分割基准测试：FGI-EMIT 数据集
摘要
从 LiDAR 点云进行 individual tree 分割 (ITS) 是 forest inventory、碳监测和生物多样性评估等应用的基本任务。传统上，ITS 采用无监督几何基于算法实现，而近期进展转向监督式深度学习 (DL)。过去，方法开发受限于缺乏大规模基准数据集，以及 novel data format（特别是多光谱 (MS) LiDAR）的可得性仍受限于此，尽管 MS reflectance 可提高 ITS 准确性。本 study 引入 FGI-EMIT，首个大规模 MS 航空激光扫描基准数据集，用于 ITS。数据集在 532、905 和 1,550 nm 波长处捕获，包含 1,561 棵手动标注的树木，特别关注 small understory 树木。使用 FGI-EMIT，我们对四种传统无监督算法和四种监督 DL 方法进行了全面基准测试。无监督方法的超参数采用贝叶斯方法优化，DL 模型则从头训练。在无监督方法中，Treeiso 在测试集上取得最高的 F1 分数 52.7%。DL 方法整体表现显著更好，最佳模型 ForestFormer3D 达到 F1 分数 73.3%。最大差异出现在 understory 树木上，ForestFormer3D 超出 Treeiso 高出 25.9 个百分点。消融研究表明，当前 DL-based 方法在提供 MS reflectance 作为额外输入特征时通常未能充分利用 MS reflectance 信息，尽管单通道 reflectance 可对准确性产生微小提升，尤其对 small understory 树木。进一步的性能分析显示，DL 方法在点密度甚至低至 10 points/m 时仍持续优于无监督算法。
引用
@article{arxiv.2511.00653,
title = {Benchmarking individual tree segmentation using multispectral airborne laser scanning data: the FGI-EMIT dataset},
author = {Lassi Ruoppa and Tarmo Hietala and Verneri Seppänen and Josef Taher and Teemu Hakala and Xiaowei Yu and Antero Kukko and Harri Kaartinen and Juha Hyyppä},
journal= {arXiv preprint arXiv:2511.00653},
year = {2025}
}
备注
39 pages, 9 figures