Les mangroves tropicales sont l'une des ressources forestières les plus productives et les plus riches en biodiversité. L'enquête sur les ressources forestières des mangroves fournit un soutien de données pour la gestion scientifique et la protection des ressources forestières. Une segmentation précise des arbres individuels est une condition préalable à l'enquête forestière de deuxième type. Le laser terrestre TLS (Terrestrial Laser Scanning) peut fournir des données massives et précises de nuage de points 3D. Cependant, les données de nuage de points présentent des problèmes d'irrégularité, de densité variable avec des zones denses proches et éparpillées loin, ainsi que des lacunes dues aux occultations. De plus, le scénario de la mangrove est complexe, les canopées s'entrecroisent, les arbres se masquent mutuellement, ce qui rend les méthodes existantes inadaptées aux nuages de points TLS de mangrove. Cette étude combine de manière innovante l'apprentissage profond et les algorithmes traditionnels pour proposer un cadre précis de segmentation des arbres individuels dans les nuages de points TLS de mangroves complexes. Ce cadre utilise d'abord le réseau de deep learning RandLA-Net pour le filtrage du sol et la séparation des feuilles sur le terrain, puis la segmentation par domaine connecté pour la segmentation du tronc, et enfin la segmentation individuelle des arbres est réalisée grâce au module multi-contraintes basé sur les sommets des arbres proposé. L'étude a sélectionné sept parcelles de mangrove à Hainan, Chine, pour évaluer la précision de l'algorithme en comparaison avec deux méthodes classiques. Les résultats expérimentaux montrent que la précision globale de la méthode atteint 0,87, largement supérieure aux deux méthodes classiques, démontrant l'efficacité et la fiabilité de la méthode.

mangroves tropicales;laser terrestre;nuage de points;segmentation individuelle;apprentissage profond