Die effektive Unterscheidung zwischen Holz- und Blattstruktur ist eine wichtige Grundlage für die genaue Schätzung der wichtigsten Strukturparameter von Bäumen und die präzise Inversion der Biomasse. LiDAR bietet eine neue technische Unterstützung für die zerstörungsfreie Schätzung der Strukturparameter von Bäumen und der oberirdischen Biomasse. Die derzeitigen Algorithmen zur Segmentierung von Einzelbaumkomponenten weisen jedoch eine begrenzte Generalisierungsfähigkeit für verschiedene Baumarten auf und haben eine unzureichende Fähigkeit zur Segmentierung feiner Zweige. Daher wurde in dieser Arbeit ein umfangreicher Datensatz zur Segmentierung von Einzelbaumkomponenten mit 713 Bäumen und einer großen Artenvielfalt erstellt und gleichzeitig ein leistungsfähiges Deep-Learning-Netzwerk Point Transformer-V3 eingeführt, um zuverlässige Segmentierungsergebnisse zu erzielen. Darüber hinaus wurde die Segmentierungsleistung des Deep-Learning-Netzwerks auf Einzelbaumpunktwolken durch die Konstruktion von a priori geometrischen Merkmalen (Signifikanzunterschiedsindikator, Hauptkomponentenindikator und Vertikalitätsindikator) optimiert und mit mehreren aktuellen Deep-Learning-Algorithmen verglichen. Die Forschungsergebnisse zeigen, dass das Point Transformer-V3-Netzwerk mit den eingeführten a priori geometrischen Merkmalen eine OA, mAcc und mIoU von 0,946, 0,872 bzw. 0,806 bei der Segmentierung von Einzelbaumkomponenten verschiedener Baumarten erreicht – selbst feine Äste in kleinerem Kronenmaßstab können teilweise extrahiert werden, und es zeigt eine hohe Anwendbarkeit bei verschiedenen Baumarten mit stark unterschiedlichen geometrischen Strukturen. Abschließend zeigen Ablationsstudien, dass die Einführung der a priori geometrischen Merkmale während des Trainings die Segmentierungsergebnisse des Netzwerks deutlich verbessert. Somit kann diese Arbeit die Anwendung von Deep Learning in der Einzelbaumkomponentensegmentierung weiter fördern und technische Unterstützung für die genaue Schätzung von Baumstrukturparametern bieten.

Einzelbaumkomponenten; LiDAR-Punktwolken; semantische Segmentierung; a priori Merkmale; Deep Learning; Holz-Blatt-Trennung; Astextraktion; sequenzieller Aufmerksamkeitsmechanismus