يُعتبر التمييز الفعّال بين البنية الخشبية وأجزاء الأوراق للأشجار أساسًا هامًا لتقدير دقيق لمعاملاتها الهيكلية الرئيسية والانعكاس الدقيق للكتلة الحيوية. يوفر الليدار دعمًا تقنيًا جديدًا للتقدير غير التدميري لمعاملات هيكل الأشجار والكتلة الحيوية فوق الأرض. ومع ذلك، تعاني خوارزميات تقسيم مكونات الشجرة الفردية الحالية من قدرة تعميم محدودة لأنواع الأشجار المختلفة وضعف في تقسيم الفروع الصغيرة. لذلك، قامت هذه الورقة ببناء مجموعة بيانات واسعة النطاق تشمل 713 شجرة فردية بأنواع غنية، كما تم إدخال شبكة تعلم عميق عالية الأداء Point Transformer-V3 للحصول على نتائج تقسيم موثوقة. بالإضافة إلى ذلك، تم تحسين أداء تقسيم الشبكة العميقة على سحابة نقاط الشجرة الفردية من خلال بناء خصائص هندسية أسبقية (مؤشرات التباين البارز، مؤشرات المكونات الرئيسية، ومؤشرات التعامد)، وتمت مقارنة الأداء مع عدة خوارزميات تعلم عميق رائدة حالية. أظهرت النتائج البحثية أن شبكة Point Transformer-V3 التي تم إدخال الخصائص الهندسية الأسبقية بها حققت دقة شاملة (OA)، ودقة متوسطة (mAcc)، ومتوسط تداخل الاتحاد (mIoU) بلغوا 0.946 و0.872 و0.806 على التوالي في تقسيم مكونات الشجرة الفردية المتعددة الأنواع؛ حتى الفروع الدقيقة ضمن الأغطية الشجرية الصغيرة قُدرت إلى حد معين، وأظهرت الشبكة تكيّفًا عاليًا عبر أنواع أشجار مختلفة ذات اختلافات هيكلية هندسية كبيرة. أخيرًا، أظهرت تجارب الإزالة أن إدخال الخصائص الهندسية الأسبقية للشجرة الفردية أثناء التدريب يُعزز فعالية التقسيم الشبكي بشكل جيد. لذلك، يمكن أن تُعزز الطريقة المبنية في هذه الورقة استخدام التعلم العميق في تقسيم مكونات الشجرة الفردية، وتوفر دعمًا تقنيًا لتقدير دقيق لمعاملات هيكل الشجرة.

مكونات الشجرة الفردية;سحابة نقاط الليدار;التقسيم الدلالي;الخصائص الهندسية الأسبقية;التعلم العميق;فصل الخشب والأوراق;استخراج الفروع;آلية الاهتمام التسلسلي