[論文レビュー] Automated forest inventory: Analysis of high-density airborne LiDAR point clouds with 3D deep learning

Binbin Xiang, Maciej Wielgosz+5 more|arXiv (Cornell University)|Dec 22, 2023

Remote Sensing and LiDAR Applications被引用数 2

ひとこと要約

本稿では、高密度な航空LiDAR点群を用いた自動的森林在庫のための3次元ディープラーニングフレームワークであるForAINetを提案する。本手法は木およびその部品の意味的・インスタンスセグメンテーションを実行し、木の高さ、冠径、体積などの生物物理的パラメータを正確に推定可能であり、個々の木のセグメンテーションで85.1%のFスコア、5クラスで73.5%のmIoUを達成した。

ABSTRACT

Detailed forest inventories are critical for sustainable and flexible management of forest resources, to conserve various ecosystem services. Modern airborne laser scanners deliver high-density point clouds with great potential for fine-scale forest inventory and analysis, but automatically partitioning those point clouds into meaningful entities like individual trees or tree components remains a challenge. The present study aims to fill this gap and introduces a deep learning framework, termed ForAINet, that is able to perform such a segmentation across diverse forest types and geographic regions. From the segmented data, we then derive relevant biophysical parameters of individual trees as well as stands. The system has been tested on FOR-Instance, a dataset of point clouds that have been acquired in five different countries using surveying drones. The segmentation back-end achieves over 85% F-score for individual trees, respectively over 73% mean IoU across five semantic categories: ground, low vegetation, stems, live branches and dead branches. Building on the segmentation results our pipeline then densely calculates biophysical features of each individual tree (height, crown diameter, crown volume, DBH, and location) and properties per stand (digital terrain model and stand density). Especially crown-related features are in most cases retrieved with high accuracy, whereas the estimates for DBH and location are less reliable, due to the airborne scanning setup.

研究の動機と目的

• 高密度な航空LiDAR点群を、個々の木や部品といった意味のある森林実体に自動的にセグメンテーションする課題に対処すること。
• 多様な森林タイプや地理的地域に一般化可能な、移譲性があり、完全に教師ありのディープラーニングフレームワークを構築すること。
• 個々の木および森林群立レベルでの生物物理的パラメータ（木の高さ、冠径、体積、DBH、位置）の自動抽出を可能にすること。
• 点群密度や森林構造が異なる多カ国にまたがるデータセット（FOR-Instance）を用いて、本手法の性能を評価すること。
• 低点群密度や複雑な森林構造に起因する制限を特定し、今後の改善のための方向性を提示すること。

提案手法

• 本フレームワークであるForAINetは、LiDAR点群の意味的・インスタンスセグメンテーションに向けた3次元畳み込みニューラルネットワークアーキテクチャを採用している。
• 特に希少または複雑な森林タイプの一般化を向上させるために、TreeMixを用いたデータ拡張を実施している。
• 意味的セグメンテーションは、地面、低木植生、幹、活着枝、死幹の5クラスで実行されている。
• インスタンスセグメンテーションは、意味的バックボーンの上にマスクRCNN風のヘッドを設け、個々の木を同定している。
• 幾何学的・空間的解析を用いて、セグメンテーションされた木の部品から木の高さ、冠径、体積などの生物物理的パラメータを導出している。
• 幾何学的フィッティングの問題を回避するため、DBHおよび木の位置を直接点群特徴から推定する回帰ヘッドや同相モデルを用いることも可能である。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングフレームワークは、多様な森林タイプや地理的地域にわたり、高密度な航空LiDAR点群を強固かつ移譲可能にセグメンテーションできるか？
• RQ2 セグメンテーションされた点群から、個々の木の生物物理的パラメータ（例：高さ、冠径、体積）をどれほど正確に自動抽出できるか？
• RQ3 点群密度が本手法のセグメンテーション性能にどの程度影響を及えるか？
• RQ4 なぜDBHおよび木の位置推定が不正確となりやすいのか、および代替の推定戦略により信頼性を向上させられるか？
• RQ5 密な下層植生や重なった冠を有する複雑な森林構造において、モデルの性能はいかがなものか？

主な発見

• ForAINetは、FOR-Instanceデータセットにおいて、5カ国にまたがる多様な森林タイプをカバーする中で、個々の木のインスタンスセグメンテーションで85.1%のFスコアを達成し、優れた性能を示した。
• 意味的セグメンテーションでは、地面、低木植生、幹、活着枝、死幹の5クラスで平均交差率（mIoU）が73.5%を達成した。
• 冠関連パラメータ（高さ、冠径、体積）は高い精度で推定されており、点群からの構造的回復が良好であることが示された。
• 点群密度が約100 pts/m²未満に低下すると、性能が著しく低下し、欠落誤差が増加した。これは、信頼できるセグメンテーションの閾値が存在することを示唆している。
• TUWIENおよびRMITの構造的に複雑な森林では、本手法の性能が低かったが、これは主に冠の複雑さと、これらの地域の訓練データの限界に起因すると考えられる。
• DBHおよび木の位置推定が信頼性に欠けるのは、航空スキャンの幾何学的特徴により下部幹部の点群密度が低いためであり、代替の推定戦略の導入が求められる。