阅读原文

سابِق|تال

تقسيم أشجار الطمي الأحمر الأرضي القائمة على متعدد القيود لنقطة القمة لسحابة نقطية أرضية

ملخص

الغابات الاستوائية للطمي الأحمر هي واحدة من أكثر الموارد الغابية إنتاجية وتنوعًا بيولوجيًا. يوفر مسح موارد الغابات للطمي الأحمر دعمًا بيانيًا للإدارة العلمية وحماية الموارد الغابية، والتقسيم الدقيق للأشجار الفردية هو شرط مسبق لمسح الغابات من النوع الثاني. يمكن أن يوفر نظام المسح الليزري الأرضي TLS بيانات سحابية ثلاثية الأبعاد ضخمة وعالية الدقة. ومع ذلك، تواجه بيانات السحابة النقطية مشاكل في عدم الانتظام، والكثافة غير المتساوية، ونقص البيانات بسبب التظليل. بالإضافة إلى ذلك، المشهد المعقد لغابات الطمي الأحمر، وتداخل الأوراق، وتظليل الأشجار بعضها البعض يجعل الطرق البحثية الحالية غير مناسبة لسحب بيانات TLS الخاصة بغابات الطمي الأحمر. توصل هذا البحث بشكل مبتكر إلى إطار تقسيم دقيق للأشجار الفردية لسحب بيانات TLS في مشاهد غابات الطمي الأحمر المعقدة من خلال دمج التعلم العميق والخوارزميات التقليدية. يستخدم الإطار أولًا شبكة التعلم العميق RandLA-Net لتصفية الأرض وفصل الأوراق في المقطع، ثم يستخدم تقسيم المجال المتصل لتقسيم الجذع، وأخيرًا يعتمد على وحدة متعددة القيود لنقطة القمة لتحقيق تقسيم الأشجار الفردية. تم اختيار سبع قطع غابات للطمي الأحمر في مقاطعة هاينان الصينية لتقييم دقة الخوارزمية مقارنة مع خوارزميتين كلاسيتين. أظهرت النتائج التجريبية أن دقة الطريقة وصلت إلى 0.87، وهي أعلى بكثير من الخوارزميات الكلاسيكية، مما يثبت فعالية وموثوقية الطريقة.

مفهوم

غابات الطمي الأحمر;المسح الليزري الأرضي;سحابة نقطية;تقسيم الأشجار الفردية;التعلم العميق

مقدمة

غابات المانغروف هو نوع من النباتات الخشبية الرطبة المجتمع الذي ينمو في المناطق المدارية وشبه الاستوائية من الشواطئ الضحلة في المنطقة ، هي واحدة من أعلى إنتاجية النظم الإيكولوجية في العالم . في الوقت الحاضر ، هناك أكثر من 70 نوعا من غابات المانغروف في جميع أنحاء العالم ، التي تغطي 200 ، 000 كيلومتر مربع ، ولكن الآن أنها تواجه تهديدات مثل زراعة هيكل واحد ، وانخفاض نوعية النظم الإيكولوجية ، وانخفاض معدل البقاء على قيد الحياة من زراعة أشجار المانغروف ، الطقس المتطرفة ، والأمراض والآفات الحشرية ، الخ . )Duke等，2007. لا في الصين ، مساحة غابات المانغروف بنسبة 38 في المائة في الفترة من عام 1973 إلى عام 2000 بسبب التوسع في الأراضي الزراعية وتربية الأحياء المائية برك .贾明明等，2021. لا من بينها ، مقاطعة هاينان في الصين تغطي 36 نوعا من غابات المانغروف ، هو الأكثر تنوعا في المنطقة ، وزعت بشكل رئيسي في مدينة هايكو ، ونتشانغ ، سانيا وغيرها من المدن . وأظهرت النتائج أن منطقة غابات المانغروف في محمية المانغروف الرئيسية في جزيرة هاينان في الصين انخفض بنسبة 9.3 في المائة بين عامي 1987 و 2017 ) .Liao等，2019. لا انخفاض كبير في غابات المانغروف يؤدي إلى فقدان القيمة الاقتصادية والإيكولوجية . ولذلك ، من المهم جدا لتطوير غابات المانغروف بعقلانية وإجراء تحقيق دقيق والإدارة العلمية من أجل التنمية المستدامة .

مسح موارد الغابات يمكن أن توفر البيانات لدعم الإدارة العلمية لموارد الغابات . مسح الموارد الحرجية التقليدية عادة ما يستخدم التفسير البصري من الصور الجوية ، أو على الفور مسح الغابات وغيرها من الوسائل ، تحتاج إلى إنفاق الكثير من الموارد البشرية والمادية ، تواجه البيئة المعقدة ، فترة طويلة من التحقيق ، وانخفاض كفاءة التحقيق . منذ السبعينات من القرن الماضي ، والصين تدريجيا تطبيق تكنولوجيا الاستشعار عن بعد بالسواتل والكمبيوتر في التحقيق في موارد الغابات . تكنولوجيا الاستشعار عن بعد يمكن أن تؤدي على نحو فعال في جمع ومعالجة المعلومات على نطاق واسع النطاق المكاني والزماني المعقدة ، والتي يمكن أن تحسن إلى حد كبير القدرة على التعبير عن موارد الغابات على نطاق البحث المكاني والزماني المعقدة )高广磊等，2013. لا في السنوات الأخيرة ، تقنيات استخدام صور الاستشعار عن بعد البصرية في التحقيق في موارد الغابات قد نضجت تدريجيا ، مثل حساب الغطاء الحرجي )Boyd等，2002تصنيف أنواع الأشجار )Ahlswede等，2023تقدير حجم الغابات )McRoberts等，2013. لا ومع ذلك ، على الرغم من أن صور اﻻستشعار عن بعد البصرية يمكن أن تستخدم على نطاق واسع ، على المدى الطويل سلسلة زمنية من التحقيقات الإحصائية الإقليمية في موارد الغابات ، ولكن فقط يمكن الحصول على معلومات الاستشعار عن بعد البصرية أعلى المظلة كفاف الخارجي ، فإنه من الصعب إجراء تحقيق دقيق في مستوى واحد من موارد الغابات . في السنوات الأخيرة ، وقد تم تطوير تكنولوجيا ليدار بسرعة ، وتستخدم على نطاق واسع في مجالات القيادة التلقائية ، 3D المشهد الحقيقي و المدن الذكية . بسبب قدرتها على وصف هيكل ثلاثي الأبعاد من الغابات بكفاءة ودقة ، العديد من العلماء استخدام هذا الأسلوب في دراسة موارد الغابات على نطاق واحد ، مثل قياس ارتفاع الشجرة )Kwak等，2007قياس هيكل التاج )Popescu等，2003الخ . هناك نوعان من أساليب التحقيق في موارد الغابات باستخدام ليدار : الأرض ليدار تلس و جوا ليدار المرض . بالمقارنة مع المرض ، تلس يمكن الحصول على مزيد من التفاصيل حول أشجار المانغروف تحت المظلة ، والتي هي أكثر ملاءمة لحساب بارامترات شجرة واحدة ، وبالتالي خدمة أفضل لحماية وإدارة موارد المنغروف )Guo等，2018. لا هناك نوعان من الخوارزميات التقليدية على أساس عمق التعلم .

التقليدية سحابة نقطة تجزئة خوارزمية شجرة واحدة يمكن تقسيمها إلى اثنين من الأفكار : طريقة التقسيم على أساس ارتفاع المظلة نموذج آلية تبادل المعلومات ( نموذج الارتفاع Canopy ) و طريقة التقسيم على أساس نقطة سحابة . الفكرة الرئيسية من آلية تبادل المعلومات على أساس طريقة التقسيم هو حساب ارتفاع المظلة النقطية من تطبيع سحابة نقطة ، لأن ارتفاع المظلة من شجرة واحدة سحابة نقطة يظهر انخفاض محيط مركز الارتفاع . طرق التقسيم الشائعة هي طريقة نمو المنطقة )Hyyppa等，2001طريقة مستجمعات المياه )Pouliot和King，2005طريقة التقسيم على أساس نظرية الرسم البياني )Strîmbu和Strîmbu，2015الخ . آلية تبادل المعلومات ( آلية تبادل المعلومات ) على أساس طريقة تحويل سحابة نقطة إلى صورة ثلاثية الأبعاد ومعالجة البيانات في معالجة البيانات ثنائية الأبعاد ، يمكن تبسيط المشكلة ، وتحسين سرعة الحوسبة ، ولكن أيضا لديها بعض العيوب . إنشاء آلية تبادل المعلومات يحتاج إلى إنشاء شبكة من النقاط الأصلية سحابة ، ومع ذلك ، فإن قيمة السمة الشبكة يتحدد ارتفاع سحابة نقطة في الشبكة ، لذلك هذا الأسلوب من ضغط البيانات من ثلاثة أبعاد إلى اثنين من الأبعاد يؤدي حتما إلى فقدان المعلومات . وفي الوقت نفسه ، لأن هذه الطريقة تحتاج إلى تحريف عند توليد آلية تبادل المعلومات ، وإدخال الأخطاء ، مما يؤدي إلى انخفاض دقة تجزئة . استنادا إلى أوجه القصور المذكورة أعلاه ، العديد من العلماء تصميم مثل k-means ) .Morsdorf等，2009نمو المنطقة من الأسفل إلى الأعلى )Lu等，2014قطع تطبيع )Reitberger等，2009شجرة واحدة طريقة التقسيم على أساس نقطة قليلة . بغض النظر عن آلية تبادل المعلومات القائمة على طريقة التقسيم أو طريقة التقسيم على أساس المعالجة المباشرة سحابة نقطة تعتمد على التصميم اليدوي من الميزات .

في السنوات الأخيرة ، مع التطور السريع في التعلم العميق ، وقد تم تطبيقها على نطاق واسع في العديد من المجالات . بسبب الأداء المتميز من التعلم العميق في ميزة استخراج العديد من العلماء أيضا استخدام التعلم العميق في بحوث الغابات .Wang等（2019）إسقاط سحابة نقطة من الجذع باستخدام fasterr-cnn )Ren等，2015شبكة الجذع الكشف . على أساس الكشف عن نقطة سحابة من جذع شجرة تنمو في المنطقة ، والحصول على كامل الجذع ، ثم استخدام المسافة على أساس تجميع طريقة تجميع أوراق سحابة نقطة لتحقيق تجزئة الخشب واحد )Wang等，2019. لاWindrim等（2020）في هذه الورقة ، جوا سحابة نقطة يتم تصفيتها من قبل الأرض ، ثم الغطاء النباتي سحابة نقطة يتم معالجتها من قبل كتلة ، كل فوكسل هو تحويلها إلى 2D BEV ( الطيور العين عرض ) خريطة الشبكة ، وسرعة r-cnn يستخدم للكشف عن ، وأخيرا ، شجرة واحدة تجزئة يتحقق من خلال إسقاط عمودي على سحابة نقطة ) .Windrim和Bryson，2020. لا هذه اثنين من أساليب مماثلة ، من خلال إعادة الكشف عن الإسقاط ، فقدان المعلومات الهندسية من ارتفاع الأشجار ، مما يؤثر على دقة الخوارزمية .Chen等（2021）سحابة نقطة voxelization ينقسم إلى أربع فئات : الحضانة قاعدة معبد حديقة الغابات ، الغابات المختلطة والغابات النفضية .Qi等，2017التعرف على نقاط فوكسل سحابة ، التعرف على الأشجار فوكسل ، ثم الكشف عن حافة التاج باستخدام معلومات التدرج من التاج )Chen等，2021. لاLuo等（2022）مقارنة مع الكلاسيكي تصفية القاعده ، هذه الخوارزمية لا تحتاج إلى ضبط المعلمات . من أجل استخراج المعلومات من شجرة الهيكل الرأسي ، هذا الأسلوب يستخدم من أعلى إلى أسفل شريحة وحدة ، ثم يستخدم ميزة متعددة القنوات للحفاظ على ميزة مختلفة من سحابة نقطة ، وأخيرا يستخدم شبكة متعددة الفروع لتجميع معلومات متعددة القنوات لتحقيق تجزئة شجرة واحدة )Luo等，2022. لا

وباختصار ، فإن الأساليب التقليدية ، مثل آلية تبادل المعلومات على أساس الكشف عن الحد الأقصى المحلي ، قد حصلت على أداء جيد في مشهد بسيط من العينات ، ولكن المشهد المعقد من غابات المانغروف الستائر المتداخلة على محمل الجد ، ولي العهد العلوي خصائص ضعيفة ، في الوقت الحاضر ، المحلية والأجنبية على أساس تلس سحابة نقطة تجزئة أشجار المانغروف شجرة واحدة خوارزمية البحث . لمواجهة التحديات المذكورة أعلاه ، تقترح هذه الورقة إطار تجزئة خوارزمية شجرة واحدة على أساس خصائص المنغروف تلس سحابة نقطة البيانات . هذا الإطار يجعل الاستفادة الكاملة من القدرة على استخراج السمات المحتملة من عمق التعلم والاستفادة من تلس سحابة نقطة يمكن أن تصف جذع شجرة الميزات ، ويحصل على أداء جيد في غابات المانغروف المشهد . هناك نوعان من الابتكارات الرئيسية :

( 1 ) تقترح هذه الورقة إطارا جديدا لتقسيم غابات المانغروف على أساس الجمع بين التعلم العميق مع المشغلين التقليديين . في هذا الإطار ، من خلال التعلم العميق المحلية ميزة التجميع المزدوج عتبة القيود المفروضة على المشغلين التقليديين ، فإنه يحل مشكلة صعبة لاستخراج شجرة واحدة من المنغروف المشهد المعقد القائم على تلس . النتائج التجريبية تبين أن مقارنة مع اثنين من الخوارزميات الكلاسيكية ، ودقة هو تحسين 0.72 و 0.29 على التوالي .

( 2 ) طريقة جديدة للحصول على شجرة واحدة تجزئة على أساس متعدد الجبرية قمة الشجرة المقترحة ، التي يمكن أن تجعل من شجرة واحدة دقيقة تجزئة البيانات سحابة نقطة من غابات المانغروف غير مكتملة بسبب تداخل الأشجار الكبيرة والصغيرة من خلال العديد من الجبرية .

Fig. 1 Original point cloud

مبادئ وأساليب البحث

غابات المانغروف المشهد معقدة ، ولي العهد متداخلة ، تلس سحابة نقطة يمكن أن تصف خصائص جذع شجرة ، لأن المسافة بين جذع شجرة كبيرة ، يمكن استخدام مسافة إقليدية طريقة التجمع لإكمال الجذع تجزئة ، ثم تقسيم الخشب . ولذلك ، في هذه الورقة ، فإننا نقترح طريقة شجرة واحدة تجزئة تلس سحابة نقطة مع دقة عالية في المشهد المعقد الذي يجمع بين التعلم العميق مع التقليدية خوارزمية استنادا إلى خصائص المنغروف سحابة نقطة البيانات . شبكة التعلم العميق راندلا نت )Hu等，2020وقد تم تطبيقها على سطح الأرض تصفية المهمة وفرع ورقة فصل المهمة على نطاق الغابات سحابة نقطة عينة على التوالي . ثانيا ، على أساس نتيجة فصل الفروع والأوراق ، جذع شجرة تم استخراجها ، ثم ربط المنطقة تجزئة خوارزمية يستخدم لتقسيم جذع شجرة ، شجرة قمة الرأس تم الكشف عنها . وأخيرا ، شجرة واحدة تجزئة يتحقق على أساس متعدد الجبرية طريقة شجرة القمم .Fig. 2كما هو مبين .

Fig. 2 Algorithm frame work

2-1 الأرض الترشيح على أساس randla-net

جنبا إلى جنب مع تطوير التعلم العميق ، كثير من العلماء استخدام التعلم العميق في الأرض الترشيح . على سبيل المثالHu和Yuan（2016）على أساس convolutional الشبكة العصبية ( سي ان ان ) ، سحابة نقطة يتم تحويلها إلى صورة ، و تصفية سحابة نقطة تتحول إلى صورة التصنيف .Jahromi等（2011）خوارزمية تصفية سحابة نقطة على أساس الشبكة العصبية الاصطناعية المقترحة . في الوقت الحاضر ، خوارزمية تصفية الأرض مباشرة التعامل مع سحابة نقطة التعلم العميقQi等，2017هذه الشبكات يمكن أن تصل إلى دقة جيدة في المشهد العادي ، ولكن في مجمع الغابات المشهد ، وهناك العديد من المشاكل ، مثل بطء سرعة المعالجة ، ذاكرة كبيرة الاحتلال العالمي سمة النقص . ولذلك ، فإن هذه الورقة يختار randla صافي ، وهو نوع من سحابة نقطة تجهيز شبكة مناسبة لأنّ المشهد المعقد ، لتدريب الأرض تصفية المهمة .

الفكرة الأساسية من randla صافي هو أن سحابة نقطة أخذ العينات بشكل عشوائي للحد من كثافة سحابة نقطة ، ثم ميزة المحلية فيوجن يستخدم للحفاظ على فقدان ميزة المحلية لتحقيق التوازن بين الكفاءة والدقة .Fig. 3هيكل الشبكة من راندلا نت هو مبين .

Fig. 3 RandLA-Net ground filter architecture

أخذ العينات العشوائية يمكن أن يؤدي إلى فقدان ميزة سحابة نقطة ، لذلك ميزة المحلية تجميع وحدة مطلوب للتعويض . الميزة المحلية تجميع وحدة تتألف أساسا من ثلاث وحدات فرعية : المحلية الترميز المكاني ، تراكم ، وتوسيع كتلة المتبقية .

2-1-1 الترميز المكاني المحلي

وبالنظر إلى مجموعة من النقاط الثابتة سحابة قوية > قوية ، وخصائص كل نقطة ، وحدة الترميز المكاني المحلي يمكن ترميز س ، ص ، ض إحداثيات جميع النقاط المجاورة ، بحيث يمكن أن تتعلم locse وحدة الهندسة المحلية ، وبالتالي تمكين الشبكة بأكملها على نحو فعال في تعلم بنية محلية معقدة . وهو يتألف من ثلاث خطوات : البحث عن حي نقطة ، رمز الموقع النسبي و نقطة ميزة تعزيز .

2-1-2 التخزين المؤقت

من خلال تجميع أقصى أو متوسط تجمع ميزة القرب يمكن أن يؤدي إلى فقدان الكثير من المعلومات ، لذلك randla-net يستخدم آلية تجميع الاهتمام ميزة المتاخمة نقطة . أولا ، وظيفة مشتركة مصممة لكل ميزة مجموعة لحساب نقاط الاهتمام فريدة من نوعها لكل ميزة ، ثم كل ميزة و نقاط الاهتمام هي المرجحة ومجموع .

2-1-3 توسيع كتلة المتبقية

لأن سحابة نقطة باستمرار عينات عشوائية ، ونحن بحاجة إلى توسيع مجال الاستشعار عن كل نقطة من أجل الحفاظ على كامل التفاصيل الهندسية من مدخلات سحابة نقطة . ولذلك ، randla نت يجمع بين العديد من الرموز المكانية المحلية ، الانتباه تجمع والقفز معا لتشكيل كتلة المتبقية الموسعة .

2-2 فصل الفروع والأوراق في غابات المانغروف على أساس راندلا نت

في الوقت الحاضر ، هناك العديد من الأساليب القائمة على الفيزياء أو الهندسة ميزة نقطة سحابة ، على سبيل المثال ، كثافة الفرق و فرق القيمة الذاتية بين الفروع والأوراق ، وهلم جرا . ومع ذلك ، بسبب تعقيد المشهد الميداني نقطة سحابة ، فإن معظم البحوث القائمة على نطاق واحد من الخشب إلى فصل الفروع والأوراق ، تحتاج إلى تقسيم واحد من الخشب . إن randla صافي يمكن استخراج الميزات المخفية من المشهد المعقد سحابة نقطة ، لذلك هذه الورقة على أساس randla صافي شبكة لفصل الفروع والأوراق من المشهد .

شجرة واحدة على أساس تقسيم شجرة قمة متعددة القيود

غابات المانغروف التاج متداخلة خطيرة ، ولكن المسافة بين جذوع الأشجار كبيرة ، ويمكن استخدام طريقة التجمع مسافة إقليدية لإكمال تجزئة . في هذه الدراسة ، ونحن أول من استخدم اتصال المجال لتقسيم جذوع الأشجار التي تم الحصول عليها من فصل الفروع والأوراق ، ثم الكشف عن شجرة القمم على أساس واحد جذع شجرة ، وأخيرا تقسيم شجرة واحدة على أساس رأس شجرة القيود . وترد أدناه تفاصيل الخوارزمية :

( 1 ) على أساس ربط المنطقة وتقسيم جميع الأشجار في منطقة العينة ، الحصول على شجرة واحدة الجذع .

إذا كان عدد من سحابة نقطة في طبقة أقل من عتبة معينة ، فإنه يمكن تحديد الوصول إلى قمة الشجرة .

( 3 ) مع شجرة قمة كمركز ، ثلاثة أضعاف الحد الأدنى من نصف قطر التاج هو البحث عن نصف قطر الاسطوانة ، اسطوانة حي البحث .

( 4 ) ترتيب جميع النقاط في البحث عن اسطوانة من ارتفاع إلى انخفاض .

( 5 ) إذا كانت المسافة من نقطة إلى قمة الشجرة أقل من الحد الأدنى من نصف قطر التاج ، ثم الحكم على الشجرة الحالية نقطة ، إذا كانت المسافة من نقطة إلى قمة الشجرة أكبر من ضعف الحد الأدنى من نصف قطر التاج ، ثم الحكم على غير شجرة نقطة .

( 6 ) الحد الأدنى من المسافة من الشجرة إلى قمة مجموعة أكبر من الحد الأدنى من نصف قطر التاج و أقل من ضعف الحد الأدنى من نصف قطر التاج تحسب ، إذا كانت المسافة من الشجرة إلى قمة مجموعة أقل من الحد الأدنى من نصف قطر التاج ، ثم الحكم على هذه النقطة هي الشجرة الحالية نقطة .

Fig. 4 Algorithm flow-chart

منطقة الدراسة والبيانات

3-1 الحالة الأساسية للمنطقة التجريبية

منطقة الدراسة تقع في جزيرة هاينان في الصين ، التي تقع في المناطق المدارية ، هو مركز توزيع غابات المانغروف في الصين ، بما في ذلك 36 نوعا من غابات المانغروف الطبيعية في الصين ، حوالي 96 ٪ من مجموع أنواع أشجار المانغروف في الصين . في هاينان ، ومعظم أنواع غابات المانغروف في qinglanwan محمية ، تمثل 40 في المائة من جميع أنواع أشجار المانغروف في العالم . الإحداثيات المركزية للمحمية هي 19 ° 34 ′ ن ، 110 ° 45 ′ E ، مع مساحة 2948 ها ، وهي الآن محمية طبيعية على مستوى المقاطعة .

3-2 جمع بيانات ليدار

البيانات التي تم جمعها من قبل ريجل vz-1000 . . . . . . .Table 1كما هو مبين . rigel vz-1000 يستخدم tof-technology لتحقيق متعددة صدى قياس الهدف ، هذا الجهاز يزن 10 كجم ، أقصى مسافة المسح 1400 متر ، يمكن أن توفر 300 ألف مرة في الثانية ، وقياس دقة تصل إلى 5 ملم ( 100 متر المسافة ، نقطة واحدة المسح الضوئي ) .

Table 1 Specification for the TLS instrument

仪器名	Rigel VZ-1000
测距方法	飞行时间
回波	多回波
波长	1550 nm
最大天顶角	100°
激光产品分类	一级安全激光制造
范围	1.5—1400 m
重量	10 kg

نموذج بيانات التدريب والتحقق من البيانات

بيانات التدريب المستخدمة في نموذج الترشيح الأرضي من مجموعة بيانات OpenGF )Qin等，2021هذه البيانات هي مجموعة من البيانات على نطاق واسع جدا جوا يدار الأرض الترشيح ، تغطي 47 كم < سوب > 2 < / سوب > تغطي 4 بلدان ، بما في ذلك المدينة ، مدينة صغيرة ، قرية جبلية 4 التضاريس .

في هذه الورقة ، بيانات التدريبXi等（2020）البيانات العامة ، ما مجموعه 16 عينة ، بما في ذلك lpline npoplar , nspruce , rpine , sbirch , سمابل , سبين , taspen , wspruce , أنواع متعددة .

في هذه الورقة ، 9 عينات من غابات المانغروف تم اختيارها لإجراء تقييم دقيق وتحليل النتائج . A1 و A2 من qinglanwan محمية كبيرة ، والتي يمكن استخدامها في عرض مرئي من الخشب تجزئة . s1-s7 عينات من قرية بولي Tashi ، كل عينة تغطي كمية مختلفة من الخشب .Table 2خصائص البيانات من s1-s7 العينات المعروضة . في هذه الدراسة ، ونحن استخدام cloudcompare لوضع علامة على كل شجرة في عينة الموقع S1 - S7 ، وإجراء العديد من جولات من التحقق ، ثم استخدام دقة التقييم .

Tabel 2 Characteristics of tested samples

样地号	面积/m²	单木数	点云密度（pts/m²）
S1	90.4	18	35165.0
S2	153.0	41	20067.0
S3	133.8	54	4645.9
S4	110.4	39	16437.0
S5	120.4	15	7042.3
S6	193.7	23	6506.2
S7	147.9	28	6885.9

معالجة البيانات وتحليل النتائج

في هذه الورقة ، فإننا تطبيق الإطار المقترح إلى 9 عينات من التجارب .

4-1 الأرض الترشيح على أساس randla-net

في هذه الدراسة ، خادم الرسومات هو مشكل gtx4090 والذاكرة 128 جرام على الأرض تصفية نموذج التدريب ، مجموعة حجم الخفافيش هو 4 ، 65536 كل نقطة الإدخال سحابة ، حجم فوكسل هو 0.06 م ، مجموعة كلمة الانحدار طريقة محسن ، معدل التعلم هو 0.01 ، عدد الخطوات هو 50000 ، عبر الكون هو فقدان وظيفة .

فقدان الدقة في عملية التدريبFig. 5وFig. 6أظهرت النتائج أن دقة النموذج هو تحسين بسرعة في أول 10000 خطوة ، في هذا الوقت ، نموذج العثور على أفضل اتجاه النزول ، ثم نموذج الدقة تتلاقى تدريجيا ، في عملية التدريب ، وفقدان الدقة هناك الكثير من التردد ، لأن في نفس الدفعة من تجهيز العينات ، عينة من التعقيد . وأخيرا ، وفقدان الدقة متقاربة إلى 0.30 و 0.92 ، على التوالي ، مما يدل على أن randla-net لديه قدرة قوية على تركيب . استنادا إلى النموذج المذكور أعلاه ، فإن هذه الورقة يصنف البيانات من غابات المانغروفFig. 9وFig. 10كما هو مبين .

Fig. 5 The loss curve of ground filter model

Fig. 6 The accuracy curve of ground filter model

Fig. 7 The accuracy curve of wood-leaf segmentation model

Fig. 8 The loss curve of wood-leaf segmentation model

Fig. 9 Ground filter result of plot A1， the nonground points and ground points are marked by red and blue colors respectively

Fig. 10 Ground filter result of plot A2 the nonground points and ground points are marked by red and blue colors respectively

4-2 فصل الفروع والأوراق على أساس randla صافي

إن hyperparameter تدريب فرع ورقة فصل نموذج من عينة المشهد هو نفسه كما ان من الأرض نموذج الترشيح . دقة النموذج وفقدان أثناء التدريبFig. 7وFig. 8وتظهر النتائج أن دقة النموذج هو الحصول على أفضل في أول 10 ، 000 خطوة ، ثم دقة النموذج تتلاقى ، في عملية التدريب ، دقة النموذج و الخسارة تظهر أيضا زيادة كبيرة في الانخفاض ، وأخيرا الخسارة تتلاقى إلى حوالي 0.1 ، الدقة تتلاقى إلى حوالي 0.98 ، مما يدل على أن النموذج هو أفضل تناسب العينة .

4-3 تقسيم الخشب الواحد

على أساس النتائج المذكورة أعلاه ، تم تقسيم شجرة واحدة .Fig. 13هل أنت بخير ؟ - نعم -Fig. 18كما هو مبين . يمكن أن ينظر إليه على أنه من المعقول الحصول على شكل شجرة واحدة من هذه الخوارزمية .

Fig. 11 Wood-leaf segmentation result of plot A1， the wood points and leaf points are marked by brown and green colors respectively

Fig. 12 Wood-leaf segmentation result of plot A2， the wood points and leaf points are marked by brown and green colors respectively

Fig. 13 individual tree segmentation result of plot A1 top view

Fig. 14 individual tree segmentation result of plot A1 side view

Fig. 15 Local comparison of the segmentation results of a single tree in the sample plot A1

Fig. 16 Individual tree segmentation result of plot A2 top view

Fig. 17 individual tree segmentation result of plot A2 side view

Fig. 18 Local comparison of the segmentation results of a single tree in the plot A2

Fig. 19النتائج التجريبية تبين أن الطريقة المقترحة في هذه الورقة يمكن أن تستخدم لاستخراج شجرة واحدة في موقع s1-s7 . الدائرة الحمراء يمثل موقف واحد من الأشجار التي تم الكشف عنها بشكل صحيح ، شوكة يمثل موقف واحد من الأشجار التي تم استخراجها ، النجمة يمثل موقف إشارة واحدة من الأشجار . منFig. 19ومن المعروف أن الطريقة المقترحة يمكن استخراج شجرة واحدة على نحو أفضل ، وهناك أقل من underpartition و overpartition الظاهرة .

Fig. 19 Extracted results by the proposed method

طريقة تقييم دقة هذه الورقة هي كما يلي )Liang等，2018. لا

في الصيغة ، أنا > مباراة فرعية > يشير إلى عدد من الأشجار التي تم استخراجها بدقة ، أنا > ن > المرجع > يشير إلى عدد من الأشجار التي تم استخراجها . يدل على اكتمال استخراج شجرة واحدة ، وقياس نسبة الإشارة إلى شجرة واحدة تم استخراجها بشكل صحيح ، و يشير إلى دقة استخراج شجرة واحدة ، وقياس نسبة استخراج شجرة واحدة تم استخراجها بشكل صحيح . accuracy > يدل على دقة استخراج شجرة واحدة ، هو تقييم شامل سلامة وصحة .

Table 3دقة واكتمال ودقة من شجرة واحدة تم استخراجها من هذه الطريقة أثبتت كميا . منTable 3يمكننا أن نرى أن هذه الطريقة يمكن استخراج معظم الأشجار مع سلامة أكبر من 0.85 و 0.90 في المتوسط . وأخيرا ، فإن متوسط دقة الأسلوب المقترح هو 0.87 ، مما يدل على أن الطريقة المقترحة فعالة وموثوق بها .

Tabel 3 Accuracy assessment of the proposed method in plot S1—S7

样地号	完整率	正确率	精度
S1	0.89	0.72	0.80
S2	0.85	0.95	0.90
S3	0.93	0.93	0.93
S4	0.92	0.88	0.90
S5	0.87	0.72	0.79
S6	0.91	0.75	0.82
S7均值	0.960.90	0.870.83	0.920.87

في هذه الورقة ، ونحن الحصول على نتائج جيدة على كثافة مختلفة نقطة قليلة . لأن حساب الدقة في هذه الورقة هو موقف واحد من الدقة ، موقف واحد من الخشب يتحدد موقف جذع شجرة ، وبالتالي فإن تأثير الكثافة على دقة التجربة هو أساسا على أساس randla صافي . randla نت يمكن أن تجعل نقطة سحابة فوكسل ، حجم 0.06 م ، من خلال تحليل البيانات في هذه الدراسة ، وجدنا أنه حتى في انخفاض كثافة سحابة نقطة ، المسافة بين سحابة نقطة في جذع شجرة حوالي 0.02 م ، أقل من 0.06 م ، لذلك تأثير كثافة سحابة نقطة على النتائج التجريبية يمكن تجاهلها . من أجل شرح الحالة بشكل أفضل ، ونحن اختيار كثافة حساب نتيجة S6 عينةFig. 20وFig. 21يمكننا أن نرى أن هذه الخوارزمية يمكن أن تقسم شجرة واحدة في كثافة مختلفة في المنطقة .

Fig. 20 Number of neighborhood points in the S6 sample point cloud within 0.023 m. The greener color means there are more neighborhood points and higher point cloud density. The opposite is true for the bluer color

Fig.21 Main stem segmentation result of plot s6

هذه الورقة يقارن أيضا مع اثنين آخرين من خوارزميات تجزئة الخشب الكلاسيكي ، واحد هو علامة التحكم في مستجمعات المياه .Chen等，2006تجزئة خوارزمية على أساس سحابة نقطة )Li等，2012. لا النتائج هي كما يليTable 4كما هو مبين .

Tabel 4 Average accuracy comparison of three methods

算法	完整率	正确率	精度
Chen等（2006）	0.10	0.55	0.15
Li等（2012）	0.49	0.77	0.58
本文方法	0.90	0.83	0.87

منTable 4في جانب من جوانب النزاهة ، وغيرها من اثنين من الخوارزميات هي أقل من 0.5 في جانب من جوانب النزاهة ، مما يدل على أن هناك خطورة underpartition ، مما يؤدي إلى انخفاض كبير في دقة من اثنين آخرين من الخوارزميات . في جانب من جوانب الدقة ، سحابة نقطة على أساس تجزئة خوارزمية مماثلة لتلك التي في هذه الورقة . سلامة معدل 0.90 و دقة معدل 0.83 ، مما يدل على أن هذه الطريقة يمكن استخراج أكثر من شجرة واحدة ، وفي الوقت نفسه ضمان دقة استخراج الموقع . دقة الأسلوب المقترح هو 0.87 ، وهو أعلى بكثير من غيرها من اثنين من الخوارزميات .

من أجل إظهار أداء ثلاث طرق مختلفة ، ونحن حساب معدل النزاهة والدقة والدقةFig. 13وFig. 14وFig. 15كما هو مبين . مثلFig. 22أظهرت النتائج أن معدل النزاهة في هذه الورقة هو أعلى بكثير من غيرها من اثنين من الخوارزميات في 7 عينات ، والفرق في معدل النزاهة هو أصغر من 0.85 ، مما يدل على أن هذه الطريقة يمكن الكشف عن شجرة واحدة تماما في 7 عينات . في 7 عينات ، آلية تبادل المعلومات القائمة على خوارزمية الرش خطيرة underpartition الظاهرة ، والتي قد تكون بسبب كثافة الأشجار و عدم انتظام ولي العهد . مثلFig. 23أظهرت النتائج أن دقة هذه الطريقة في S2 ، S5 ، S6 ، S7 عينات أكبر من غيرها من اثنين من الأساليب . مثلFig. 24أظهرت النتائج أن دقة الخوارزمية المقترحة في هذه الورقة هو أعلى من غيرها من اثنين من الخوارزميات في سبعة مواقع أخذ العينات ، و الفرق بين دقة كل موقع أخذ العينات الصغيرة .

Fig. 22 Completeness of three methods

Fig. 23 Correctness of three methods

Fig. 24 Accuracy of three methods

خاتمة

في هذه الورقة ، شجرة واحدة تجزئة الإطار المقترح في غابات المانغروف مع كثافة الغطاء النباتي معقدة الفروع . من أجل حل مشكلة التضاريس المعقدة وكثافة الغطاء النباتي في منطقة غابات المانغروف ، سحابة نقطة عمق التعلم الإطار randla صافي هو عرض في هذه الورقة . في مرحلة الفصل بين الفروع والأوراق ، ونحن أيضا استخدام randla صافي الإطار لإجراء التجارب على فصل الفروع والأوراق في عينة المشهد . أظهرت النتائج أن هذه الشبكة يمكن استخراج جذع شجرة أفضل ، مما يدل على إمكانات جيدة في المناطق المدارية غابات المانغروف شجرة واحدة تجزئة معقدة في المشهد . وأخيرا ، تقترح هذه الورقة طريقة جديدة على أساس متعدد الجبرية شجرة القمم ، والتي يمكن تقسيم غابات المانغروف الاستوائية على نحو فعال . من أجل تحليل دقيق ، سبعة مواقع مختلفة مع خصائص البيانات المحددة . النتائج التجريبية تبين أن الطريقة المقترحة يحقق أقصى قدر من الدقة مقارنة مع غيرها من الخوارزميات ، وعلى الرغم من أن خصائص كل عينة مختلفة ، فإن مجموع دقة الأسلوب المقترح يتجاوز 0.8 ، مما يدل على فعالية ومتانة من الطريقة المقترحة . ومع ذلك ، لا تزال هناك بعض أوجه القصور في هذه الطريقة . إن randla-net الأرض تصفية النموذج القائم على كثافة مختلفة سحابة نقطة لا يمكن التكيف ، تحتاج إلى ضبط المعلمات ، وتعميم النموذج يحتاج إلى تحسين ، على متن الطائرة سحابة نقطة ومؤسسة سحابة نقطة تحتاج إلى تدريب على التوالي لتحقيق أعلى دقة . على أساس randla صافي ، نموذج يمكن استخراج جذع شجرة أفضل ، ولكن دقة استخراج فرع يحتاج إلى تحسين . وعلاوة على ذلك ، فإن هذه الورقة تفتقر إلى دقة التقييم الكمي من فرع وأوراق فصل النتائج . شجرة واحدة تقوم على خوارزمية تجزئة شجرة القمم ، لأن البحث عن اسطوانة على أساس البذور نقطة في مكان معين قد لا تكون قادرة على تغطية جميع سحابة نقطة ، لذلك نحن بحاجة إلى القيام ببعض عمليات ما بعد المعالجة ، الخوارزمية التكيف والكفاءة التشغيلية تحتاج إلى تحسين . في متابعة الدراسة ، فإن هذه الورقة سوف تفعل المزيد من البحوث المتعمقة بشأن المسائل المذكورة أعلاه .

References

1.
Ahlswede S, Schulz C, Gava C, Helber P, Bischke B, Förster M, Arias F, Hees J, Demir B and Kleinschmit B. 2023. TreeSatAI Benchmark Archive: a multi-sensor, multi-label dataset for tree species classification in remote sensing. Earth System Science Data, 15(2): 681-695
2.
Boyd D S, Foody G M and Ripple W J. 2002. Evaluation of approaches for forest cover estimation in the Pacific Northwest, USA, using remote sensing. Applied Geography, 22(4): 375-392
3.
Chen Q, Baldocchi D, Gong P and Kelly M. 2006. Isolating individual trees in a savanna woodland using small footprint lidar data. Photogrammetric Engineering and Remote Sensing, 72(8): 923-932
4.
Chen X X, Jiang K, Zhu Y S, Wang X J and Yun T. 2021. Individual tree crown segmentation directly from UAV-borne LiDAR data using the PointNet of deep learning. Forests, 12(2): 131
5.
Duke N C, Meynecke J O, Dittmann S, Ellison A M, Anger K, Berger U, Cannicci S, Diele K, Ewel K C, Field C D, Koedam N, Lee S Y, Marchand C, Nordhaus I and Dahdouh-Guebas F. 2007. A world without mangroves? Science, 317(5834): 41-42
6.
Gao G L, Xin Z B, Ding G D, Li C C, Zhang J Y, Liang W J, An Y, He Y, Xiao M and Li W Y. 2013. Forest health studies based on remote sensing: a review. Acta Ecologica Sinica, 33(6): 1675-1689
7.
Guo X X, Wang L, Tian J Y, Yin D M, Shi C and Nie S. 2018. Vegetation horizontal occlusion index (VHOI) from TLS and UAV image to better measure mangrove LAI. Remote Sensing, 10(11): 1739
8.
Hu Q Y, Yang B, Xie L H, Rosa S, Guo Y L, Wang Z H, Trigoni N and Markham A. 2020. RandLA-Net: efficient semantic segmentation of large-scale point clouds//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle: IEEE: 11105-11114
9.
Hu X Y and Yuan Y. 2016. Deep-learning-based classification for DTM extraction from ALS point cloud. Remote Sensing, 8(9): 730
10.
Hyyppa J, Kelle O, Lehikoinen M and Inkinen M. 2001. A segmentation-based method to retrieve stem volume estimates from 3-D tree height models produced by laser scanners. IEEE Transactions on Geoscience and Remote Sensing, 39(5): 969-975
11.
Jahromi A B, Zoej M J V, Mohammadzadeh A and Sadeghian S. 2011. A novel filtering algorithm for bare-earth extraction from airborne laser scanning data using an artificial neural network. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 4(4): 836-843
12.
Jia M M, Wang Z M, Mao D H, Huang C L and Lu C Y. 2021. Spatial-temporal changes of China’s mangrove forests over the past 50 years: an analysis towards the Sustainable Development Goals (SDGs). Chinese Science Bulletin, 66(30): 3886-3901
13.
Kwak D A, Lee W K, Lee J H, Biging G S and Gong P. 2007. Detection of individual trees and estimation of tree height using LiDAR data. Journal of Forest Research, 12(6): 425-434
14.
Li W K, Guo Q H, Jakubowski M K and Kelly M. 2012. A new method for segmenting individual trees from the lidar point cloud. Photogrammetric Engineering and Remote Sensing, 78(1): 75-84
15.
Liang X L, Hyyppä J, Kaartinen H, Lehtomäki M, Pyörälä J, Pfeifer N, Holopainen M, Brolly G, Francesco P, Hackenberg J, Huang H B, Jo H W, Katoh M, Liu L X, Mokroš M, Morel J, Olofsson K, Poveda-Lopez J, Trochta J, Wang D, Wang J H, Xi Z X, Yang B S, Zheng G, Kankare V, Luoma V, Yu X W, Chen L, Vastaranta M, Saarinen N and Wang Y S. 2018. International benchmarking of terrestrial laser scanning approaches for forest inventories. ISPRS Journal of Photogrammetry and Remote Sensing, 144: 137-179
16.
Liao J J, Zhen J N, Zhang L and Metternicht G. 2019. Understanding dynamics of mangrove forest on protected areas of Hainan Island, China: 30 years of evidence from remote sensing. Sustainability, 11(19): 5356
17.
Lu X C, Guo Q H, Li W K and Flanagan J. 2014. A bottom-up approach to segment individual deciduous trees using leaf-off lidar point cloud data. ISPRS Journal of Photogrammetry and Remote Sensing, 94: 1-12
18.
Luo Z P, Zhang Z Y, Li W, Chen Y P, Wang C, Nurunnabi A A M and Li J. 2022. Detection of individual trees in UAV LiDAR point clouds using a deep learning framework based on multichannel representation. IEEE Transactions on Geoscience and Remote Sensing, 60: 5701715
19.
McRoberts R E, Næsset E and Gobakken T. 2013. Inference for lidar-assisted estimation of forest growing stock volume. Remote Sensing of Environment, 128: 268-275
20.
Morsdorf F, Nichol C, Malthus T and Woodhouse I H. 2009. Assessing forest structural and physiological information content of multi-spectral LiDAR waveforms by radiative transfer modelling. Remote Sensing of Environment, 113(10): 2152-2163
21.
Popescu S C, Wynne R H and Nelson R F. 2003. Measuring individual tree crown diameter with lidar and assessing its influence on estimating forest volume and biomass. Canadian Journal of Remote Sensing, 29(5): 564-577
22.
Pouliot D and King D. 2005. Approaches for optimal automated individual tree crown detection in regenerating coniferous forests. Canadian Journal of Remote Sensing, 31(3): 255-267
23.
Qi C R, Su H, Mo K C and Guibas L J. 2017. PointNet: deep learning on point sets for 3D classification and segmentation//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE: 77-85
24.
Qin N N, Tan W K, Ma L F, Zhang D D and Li J. 2021. OpenGF: an ultra-large-scale ground filtering dataset built upon open ALS point clouds around the world//Proceedings of 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Nashville: IEEE: 1082-1091
25.
Reitberger J, Schnörr C L, Krzystek P and Stilla U. 2009. 3D segmentation of single trees exploiting full waveform LIDAR data. ISPRS Journal of Photogrammetry and Remote Sensing, 64(6): 561-574
26.
Ren S Q, He K M, Girshick R and Sun J. 2015. Faster R-CNN: towards real-time object detection with region proposal networks//Proceedings of the 29th International Conference on Neural Information Processing Systems. Montreal: MIT Press: 91-99
27.
Strîmbu V F and Strîmbu B M. 2015. A graph-based segmentation algorithm for tree crown extraction using airborne LiDAR data. ISPRS Journal of Photogrammetry and Remote Sensing, 104: 30-43
28.
Wang J M, Chen X X, Cao L, An F, Chen B Q, Xue L F and Yun T. 2019. Individual rubber tree segmentation based on ground-based LiDAR data and faster R-CNN of deep learning. Forests, 10(9): 793
29.
Windrim L and Bryson M. 2020. Detection, segmentation, and model fitting of individual tree stems from airborne laser scanning of forests using deep learning. Remote Sensing, 12(9): 1469
30.
Xi Z X, Hopkinson C, Rood S B and Peddle D R. 2020. See the forest and the trees: effective machine and deep learning algorithms for wood filtering and tree species classification from terrestrial laser scanning. ISPRS Journal of Photogrammetry and Remote Sensing, 168: 1-16

قراءة النص الكامل

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website