Eine effektive Unterscheidung zwischen holzigen und blattartigen Strukturen von Bäumen ist die wichtige Grundlage für die genaue Schätzung ihrer Schlüsselstrukturparameter und die präzise Rückführung der Biomasse. LiDAR bietet eine neue technische Unterstützung für die zerstörungsfreie Schätzung von Strukturparametern der Bäume und der oberirdischen Biomasse. Allerdings haben aktuelle Einzelbaum-Komponentensegmentierungsalgorithmen eine begrenzte Generalisierungsfähigkeit für verschiedene Baumarten und eine unzureichende Fähigkeit zur Segmentierung kleiner Äste. Daher wurde in dieser Arbeit ein groß angelegter Datensatz zur Einzelbaum-Komponentensegmentierung mit 713 Bäumen und großer Artenvielfalt erstellt, und ein leistungsstarkes Deep-Learning-Netzwerk Point Transformer-V3 eingeführt, um zuverlässige Segmentierungsergebnisse zu erzielen. Darüber hinaus wurde die Segmentierungsleistung des tiefen Lernnetzwerks auf Einzelbaum-Punktwolken durch die Konstruktion von priori geometrischen Merkmalen (Signifikanz-Unterschiedsindikatoren, Hauptkomponentenindikatoren und Vertikalitätsindikatoren) optimiert und mit mehreren aktuellen Deep-Learning-Algorithmen verglichen. Die Forschungsergebnisse zeigen, dass das Point Transformer-V3-Netzwerk mit den eingeführten priori geometrischen Merkmalen bei der Mehrarten-Einzelbaum-Komponentensegmentierung OA, mAcc und mIoU von 0,946, 0,872 bzw. 0,806 erreichte; selbst feinste Äste im kleinmaßstäbigen Kronenbereich konnten bis zu einem gewissen Grad extrahiert werden, und es zeigte eine hohe Anwendbarkeit bei verschiedenen Baumarten mit großen Unterschieden in der geometrischen Struktur. Schließlich bestätigten die Ablationsversuche, dass das Einführen der priori geometrischen Merkmale der Einzelbäume während des Trainings die Segmentierung des Netzwerks gut fördert. Daher kann die in dieser Arbeit entwickelte Methode die Anwendung tiefen Lernens in der Einzelbaum-Komponentensegmentierung weiter vorantreiben und technische Unterstützung für die genaue Schätzung der Baumstrukturparameter bieten.

Einzelbaumkomponenten;LiDAR-Punktwolken;Semantische Segmentierung;Priori Merkmale;Tiefes Lernen;Holz-Blatt-Trennung;Astextraktion;Sequenzieller Aufmerksamkeitsmechanismus