Tropische Mangrovenwälder gehören zu den produktivsten und biologisch vielfältigsten Waldressourcen. Die Untersuchung der Mangrovenwaldressourcen kann wissenschaftliche Daten zur Verwaltung und zum Schutz von Waldressourcen liefern. Eine genaue Einzelsegmentierung von Bäumen ist die Grundlage für die zweiter Art der Waldbestandsaufnahme. Das terrestrische Laserscanning TLS (Terrestrial Laser Scanning) kann umfangreiche, hochpräzise 3D-Punktwolken-Daten bereitstellen. Allerdings weisen die Punktwolken-Daten Probleme wie Unregelmäßigkeiten, unterschiedlich dichte Bereiche (nahe dichtere, ferne lockerere Punkte) und Datenlücken durch Abschattungen auf. Außerdem ist die Mangrovenumgebung komplex, Kronen überlappen sich, Bäume verdecken sich gegenseitig, weshalb vorhandene Methoden für Mangroven-TLS-Punktwolken nicht geeignet sind. Diese Studie kombiniert innovativ Deep Learning und traditionelle Algorithmen und schlägt einen hochpräzisen Einzelsegmentierungsrahmen für komplexe TLS-Punktwolken von Mangroven vor. Der Rahmen nutzt zunächst das Deep-Learning-Netzwerk RandLA-Net zum Bodenausfiltern und zum Trennen von Zweigen und Blättern der Versuchsparzellen, danach eine zusammenhängende Bereichssegmentierung zur Stammscheidung und schließlich die Einzelsegmentierung über ein vorgeschlagenes Baumspitzen-Multi-Beschränkungs-Modul. Es wurden sieben Mangrovenstückflächen in Hainan, China, zur Genauigkeitsbewertung des Algorithmus ausgewählt und mit zwei klassischen Algorithmen verglichen. Die Experimentergebnisse zeigen, dass die Gesamtgenauigkeit der Methode 0,87 erreicht, deutlich höher als bei den zwei klassischen Algorithmen, was die Wirksamkeit und Zuverlässigkeit der Methode bestätigt.

tropische Mangroven;terrestrisches Laserscanning;Punktwolke;Einzelsegmentierung;Deep Learning