南方松树的语义细分和定量结构建模的综合影响,使用陆地激光扫描扫描
Jinyi Xia1, Timothy A Martin2, Gary F Peter2
1School of Forest, Fisheries, and Geomatics Sciences, University of Florida, Gainesville, FL, 32611, USA. jinyixia@ufl.edu.
Scientific reports
|July 8, 2025
概括
这项研究使用陆地激光扫描 (TLS) 数据评估了南方松树的细分算法. 在分离木材和叶子组件方面,KPConv取得了最高的准确性,从而实现了可靠的森林结构建模.
科学领域:
- 林业和生态监测 林业和生态监测
- 远程传感和摄影仪表技术
- 计算机生物学和建模
背景情况:
- 南方松树林是美国东南部的重要生态系统,需要精确的监测.
- 高分辨率的地面激光扫描 (TLS) 对树木结构研究至关重要.
- 现有的叶木细分方法往往不适合南方松树等针叶树种.
研究的目的:
- 为了评估和比较不同细分算法的性能,南方松树的TLS数据.
- 确定最准确和最有效的方法来分离针叶树中的叶子和木材组成部分.
- 提高南方松树林分析量化结构模型 (QSM) 的可靠性.
主要方法:
- 从长叶松 (Pinus palustris Mill.) 收集的TLS数据 和佛罗里达州的松 (Pinus taeda L.). 在佛罗里达州.
- 我们比较了四种细分算法:TLSep,Graph,DBSCAN和KPConv.
- 评估算法性能基于准确度指标,如整体准确度 (OA) 和F1评分.
主要成果:
- KPConv显示了最高的准确性 (OA 98%,F1 98%的松;OA 95%,F1 94%的长叶松).
- 在不需要训练数据的情况下,DBSCAN提供了良好的性能和效率平衡 (92%的OA用于松,90%的OA用于长叶松).
- 精确的细分导致了高度可靠的QSM用于体积估计.
结论:
- 尽管初始培训成本很高,但KPConv是大规模,高精度应用的强大候选者.
- 当培训数据不可用或优先考虑计算效率时,DBSCAN提供了一个实用的替代方案.
- 选择算法应该与特定的研究目标保持一致,在森林结构建模中平衡准确性和可行性.
