La distinction efficace entre la structure du bois et celle du feuillage est une base importante pour estimer avec précision les paramètres clés de la structure des arbres et pour une inversion précise de la biomasse. La technologie LiDAR apporte un nouveau support technique pour une estimation non destructive des paramètres structuraux des arbres et de la biomasse aérienne. Cependant, les algorithmes actuels de segmentation des composants des arbres individuels ont une capacité limitée de généralisation aux différentes espèces et une capacité insuffisante à segmenter les branches fines. Par conséquent, cet article a construit un ensemble de données à grande échelle de segmentation des composants des arbres individuels comprenant 713 arbres avec une riche diversité d'espèces, et a introduit un réseau de deep learning performant Point Transformer-V3 pour obtenir des résultats de segmentation fiables. En outre, cet article optimise les performances de segmentation du réseau de deep learning sur les nuages de points des arbres individuels en construisant des caractéristiques géométriques a priori (indices de différence de saillance, indices des composantes principales et indices de verticalité), et compare avec plusieurs algorithmes de deep learning courants. Les résultats montrent que le réseau Point Transformer-V3 intégrant ces caractéristiques géométriques a priori atteint une précision globale (OA), une précision moyenne (mAcc) et un indice d'intersection sur union moyen (mIoU) de 0,946, 0,872 et 0,806 respectivement pour la segmentation des composants des arbres individuels multi-espèces. Même les branches fines à petite échelle dans la canopée peuvent être partiellement extraites, et le réseau montre une grande applicabilité aux arbres à structures géométriques très différentes. Enfin, des expériences d'ablation montrent que l'introduction des caractéristiques géométriques a priori améliore efficacement la segmentation lors de l'entraînement. Par conséquent, cette étude peut favoriser davantage l'application du deep learning à la segmentation des composants des arbres individuels et offrir un support technique pour l'estimation précise des paramètres structurels des arbres.

Composants des arbres individuels; nuage de points LiDAR; segmentation sémantique; caractéristiques a priori; deep learning; séparation bois-feuilles; extraction des branches; mécanisme d'attention séquentielle