A distinção eficaz entre a estrutura da madeira e a das folhas é uma base importante para estimar com precisão os parâmetros estruturais-chave das árvores e para a inversão precisa da biomassa. O LiDAR oferece um novo suporte técnico para a estimativa não destrutiva dos parâmetros estruturais das árvores e da biomassa aérea. No entanto, os algoritmos atuais de segmentação de componentes de árvores individuais têm capacidade limitada de generalização para diferentes espécies e possuem uma capacidade insuficiente para segmentar galhos pequenos. Portanto, este artigo construiu um conjunto de dados de segmentação de componentes de árvores individuais em grande escala que contém 713 árvores com grande diversidade de espécies, além de introduzir a rede de aprendizado profundo de alto desempenho Point Transformer-V3 para obter resultados confiáveis de segmentação. Além disso, este artigo otimizou o desempenho da segmentação da rede de aprendizado profundo nas nuvens de pontos das árvores individuais construindo características geométricas a priori (índices de diferenças salientes, índices de componentes principais e índices de verticalidade) e as comparou com vários algoritmos de aprendizado profundo atuais. Os resultados mostram que a rede Point Transformer-V3 que incorpora características geométricas a priori alcança OA, mAcc e mIoU de 0,946, 0,872 e 0,806, respectivamente, na segmentação de componentes de árvores individuais de múltiplas espécies; mesmo ramos finos em pequena escala dentro da copa podem ser extraídos até certo ponto, e a rede também demonstra alta aplicabilidade em árvores de diferentes espécies com grandes diferenças geométricas. Finalmente, experimentos de ablação mostram que a introdução de características geométricas a priori durante o treinamento promove eficazmente o efeito de segmentação da rede. Portanto, este estudo pode promover ainda mais a aplicação do aprendizado profundo na segmentação de componentes de árvores individuais e fornecer suporte técnico para a estimativa precisa dos parâmetros estruturais das árvores.

Componentes de árvores individuais; nuvem de pontos LiDAR; segmentação semântica; características a priori; aprendizado profundo; separação de madeira e folhas; extração de galhos; mecanismo sequencial de atenção