木質部と葉部構造の効果的な区別は、樹木の重要な構造パラメータの正確な推定とバイオマスの精密な逆推定の重要な基盤です。レーザー測距（LiDAR）は、樹木構造パラメータおよび地上バイオマスの非破壊的推定に新たな技術的支援を提供します。しかし、現在の単木コンポーネント分割アルゴリズムは、異なる樹種に対する汎用性が限定的であり、細かい枝の分割能力が不足しています。したがって、本論文では、713本の単木と多様な樹種を含む大規模単木コンポーネント分割データセットを構築し、信頼性の高い分割結果を得るために高性能なPoint Transformer-V3深層学習ネットワークを導入しました。さらに、本論文では単木点群の先験的な幾何学的特徴（有意差指標、主成分指標、垂直度指標）を構築し、深層学習ネットワークの単木点群における分割性能を最適化し、現在の主要な深層学習アルゴリズムと比較しました。研究結果は、先験的幾何学的特徴を導入したPoint Transformer-V3ネットワークが多樹種単木コンポーネント分割においてOA、mAcc、mIoUがそれぞれ0.946、0.872、0.806に達し、小規模な樹冠内の精緻な枝も一定程度抽出可能であり、形態構造が大きく異なる複数の樹種に対しても高い適用性を示すことを示しました。最後に、消失実験により学習時に単木先験幾何学的特徴を導入することでネットワークの分割性能が促進されることを示しました。以上より、本研究は単木コンポーネント分割における深層学習の応用をさらに促進し、樹木構造パラメータの正確な推定に技術的支援を提供します。

単木コンポーネント;レーザーポイントクラウド;セマンティックセグメンテーション;先験特徴;深層学習;木部と葉の分離;枝抽出;シーケンシャルアテンションメカニズム