يُعد التمييز الفعّال بين هيكل الخشب والأوراق أساسًا مهمًا لتقدير دقيق لمتغيرات هيكل الشجرة الرئيسية والانعكاس الدقيق للكتلة الحيوية. يوفر الليدار دعمًا تقنيًا جديدًا لتقدير غير مدمر لمتغيرات هيكل الشجرة والكتلة الحيوية الأرضية. ومع ذلك، يعاني خوارزمية تقسيم مكونات الأشجار الأحادية الحالية من قدرة تعميم محدودة على أنواع الأشجار المختلفة، وضعف في قدرة تقسيم الفروع الدقيقة. لذلك، قامت هذه الدراسة ببناء مجموعة بيانات واسعة النطاق لتقسيم مكونات الأشجار الأحادية تحتوي على 713 شجرة وأنواع متنوعة، بالإضافة إلى تقديم شبكة تعلم عميق عالية الأداء Point Transformer-V3 للحصول على نتائج تقسيم موثوقة. علاوة على ذلك، قامت هذه الدراسة بتحسين أداء التقسيم على نقاط الأشجار الأحادية من خلال بناء ميزات هندسية مسبقة (مؤشر التمييز البارز، مؤشر المكونات الرئيسية، ومؤشر العمودية) لشبكة التعلم العميق، وتمت مقارنتها مع عدة خوارزميات تعلم عميق شائعة. أظهرت النتائج أن شبكة Point Transformer-V3 التي تستخدم الميزات الهندسية المسبقة تحقق دقة شاملة (OA) بنسبة 0.946، ودقة متوسطة (mAcc) بنسبة 0.872، ومؤشر تقاطع أوفرل القاعدة (mIoU) بنسبة 0.806 عند تقسيم مكونات الأشجار الأحادية متعددة الأنواع، حتى الفروع الدقيقة داخل أغطية الأشجار الصغيرة يمكن استخراجها بدرجة ما، كما أنها تظهر قابلية تطبيق عالية على أنواع أشجار مختلفة ذات أشكال هندسية مختلفة. وأخيرًا، أظهرت التجارب الاستئصالية أن إدخال الميزات الهندسية المسبقة أثناء التدريب يعزز أداء التقسيم. لذا، يمكن أن تساهم هذه الدراسة في دعم تطبيقات التعلم العميق في تقسيم مكونات الأشجار الأحادية، وتوفير دعم تقني للتقدير الدقيق لمتغيرات هيكل الشجرة.

مكونات الأشجار الأحادية; نقاط الليدار; التقسيم الدلالي; الميزات المسبقة; التعلم العميق; فصل الخشب والأوراق; استخراج الفروع; آلية الانتباه التسلسلية