[论文解读] 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 2

一句话总结

本文提出 ForAINet，一种用于利用高密度机载LiDAR点云进行自动森林清查的3D深度学习框架。该框架可对树木及其组成部分进行语义分割与实例分割，从而实现对树高、树冠直径、体积等生物物理参数的精确估计，个体树木分割的F-score达到85.1%，五类语义分割的mIoU为73.5%。

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.

研究动机与目标

• 为解决将高密度机载LiDAR点云自动分割为有意义森林实体（如个体树木及其组成部分）的挑战。
• 开发一种可迁移的、完全监督的深度学习框架，具备在不同森林类型和地理区域间泛化的能力。
• 实现在个体树木和林分水平上自动提取生物物理参数（如树高、树冠直径、体积、DBH和位置）。
• 在多国数据集（FOR-Instance）上评估该方法的性能，其森林结构和点云密度各不相同。
• 识别与低点云密度及复杂森林结构相关的局限性，并提出未来改进方向。

提出的方法

• 该框架名为 ForAINet，采用3D卷积神经网络架构，对LiDAR点云进行语义与实例分割。
• 通过 TreeMix 进行数据增强，以提升对稀有或复杂森林类型的泛化能力。
• 语义分割涵盖五种类别：地面、低矮植被、树干、活枝和枯枝。
• 实例分割通过在语义主干网络之上添加类似Mask R-CNN的头部来识别个体树木。
• 通过几何与空间分析，从分割后的树木组件中推导出生物物理参数，如树高、树冠直径和体积。
• 可使用回归头或生物量模型，直接从点云特征估计DBH和树木位置，避免几何拟合问题。

实验结果

研究问题

• RQ1 深度学习框架是否能在多种森林类型和地理区域间，实现对高密度机载LiDAR点云的鲁棒且可迁移的分割？
• RQ2 从分割后的点云中自动提取个体树木生物物理参数（如高度、树冠直径、体积）的准确性如何？
• RQ3 点云密度在多大程度上影响所提方法的分割性能？
• RQ4 为何DBH和树木位置估计的准确性较低？是否存在替代估计策略可提升可靠性？
• RQ5 该模型在复杂森林结构（如密集下层植被或树冠重叠）中的表现如何？

主要发现

• ForAINet在FOR-Instance数据集上实现了85.1%的个体树木实例分割F-score，表明其在五个国家和多种森林类型中均表现出色。
• 语义分割在五种类别（地面、低矮植被、树干、活枝、枯枝）上的平均交并比（mIoU）达到73.5%。
• 与树冠相关的参数（如高度、树冠直径和体积）估计精度较高，表明点云中结构恢复能力出色。
• 当点云密度降至约100 pts/m²以下时，性能显著下降，且误检率上升，表明存在可靠分割的密度阈值。
• 该方法在TUWIEN和RMIT等结构复杂的森林中表现不佳，可能同时受树冠复杂性和这些站点训练数据有限的影响。
• DBH和树木位置估计的可靠性较低，原因在于机载扫描几何下树干下部点云密度较低，提示需采用替代估计策略。