La distinction efficace entre la structure du bois et celle des feuilles des arbres est une base importante pour estimer avec précision leurs paramètres structurels clés et inverser précisément la biomasse. Le lidar offre un nouveau support technique pour une estimation non destructive des paramètres structurels des arbres et de la biomasse aérienne. Cependant, les algorithmes actuels de segmentation des composants des arbres individuels ont une capacité de généralisation limitée pour différentes espèces d’arbres et une capacité insuffisante à segmenter les petites branches. Par conséquent, cet article a construit un grand jeu de données de segmentation des composants d’arbres individuels comprenant 713 arbres avec une grande diversité d’espèces, et a introduit le réseau d’apprentissage profond performant Point Transformer-V3 pour obtenir des résultats de segmentation fiables. En outre, en construisant des caractéristiques géométriques a priori des nuages de points des arbres individuels (indices de différenciation significative, indicateurs de composantes principales et indices de verticalité), la performance de segmentation du réseau d’apprentissage profond sur les nuages de points des arbres individuels a été optimisée, et comparée à plusieurs algorithmes d’apprentissage profond actuels. Les résultats montrent que le réseau Point Transformer-V3 intégrant les caractéristiques géométriques a priori a atteint une OA, mAcc et mIoU de 0.946, 0.872 et 0.806 respectivement pour la segmentation des composants d’arbres individuels multi-espèces ; même les branches fines à petite échelle à l’intérieur des couronnes ont été partiellement extraites, et le réseau a montré une grande applicabilité sur différentes espèces d’arbres avec de grandes différences de structure géométrique. Enfin, les expériences d’ablation ont confirmé que l’introduction des caractéristiques géométriques a priori des arbres individuels pendant l’entraînement améliore bien les performances de segmentation du réseau. Ainsi, la méthode proposée dans cet article peut promouvoir davantage l’utilisation de l’apprentissage profond dans la segmentation des composants d’arbres individuels et fournir un support technique pour l’estimation précise des paramètres structurels des arbres.

Composants d’arbres individuels;Nuages de points lidar;Segmentation sémantique;Caractéristiques géométriques a priori;Apprentissage profond;Séparation bois-feuilles;Extraction des branches;Mécanisme d’attention séquentielle