1 Introducción
El mangrove, una comunidad de plantas leñosas de humedales que crecen en zonas de bancos de playa tropicales y subtropicales, es uno de los ecosistemas más productivos del mundo, con exuberantes ramas y es un lugar de alimentación, Hábitat y reproducción para muchos animales costeros, proporcionando un gran valor económico y ecológico para la naturaleza y la sociedad humana. En la actualidad, hay más de 70 tipos de manglares en todo el mundo, que cubren 200.000 kilómetros cuadrados, pero actualmente se enfrentan a amenazas como una estructura de plantación única, una baja calidad de los ecosistemas, una baja tasa de supervivencia de los manglares plantados y el clima extremo y plagas y enfermedades.Duke等，2007). En el caso de china, la superficie de manglares de China disminuyó un 38% entre 1973 y 2000 debido a factores como la expansión de tierras agrícolas y estanques de cría.贾明明 等，2021). Entre ellos, la provincia china de Hainan cubre 36 categorías de manglares y es la región con más especies de manglares, distribuidos principalmente en haikou, wenchang, Sanya y otras ciudades. El estudio encontró que la superficie de manglares en la reserva clave de manglares de la isla china de Hainan disminuyó un 9,3% entre 1987 y 2017.Liao等，2019). La reducción sustancial de los manglares conduce a la pérdida de su valor ecológico y económico, por lo que el desarrollo racional de los manglares y la investigación precisa y la gestión científica son de gran importancia para los objetivos de desarrollo sostenible.
La encuesta de recursos forestales puede proporcionar apoyo de datos para la gestión científica de los recursos forestales. Las encuestas tradicionales de recursos forestales generalmente utilizan la interpretación visual de fotografías aéreas, o encuestas forestales sobre el terreno, lo que requiere una gran cantidad de recursos humanos y materiales, y se enfrentan a problemas como el entorno de investigación complejo, el largo ciclo de investigación y la baja eficiencia de la investigación. A partir de la década de 1970, China aplicó gradualmente la tecnología de teleobservación por computadora y satélite para la investigación de los recursos forestales. La tecnología de teleobservación puede completar eficazmente la recopilación y el procesamiento de información masiva a escala espacio - temporal compleja, y su intersección e integración con la investigación y el estudio de los recursos forestales puede mejorar en gran medida la capacidad de expresión de la investigación de los recursos forestales a escala espacio - temporal compleja.高广磊 等，2013). En los últimos años, la tecnología de investigación de recursos forestales utilizando imágenes ópticas de teleobservación ha madurado gradualmente, como el cálculo de la cobertura forestal.Boyd等，2002), clasificación de especies arbóreas..Ahlswede等，2023(estimación del volumen forestal)McRoberts等，2013). Sin embargo, aunque las imágenes de teleobservación óptica pueden realizar encuestas estadísticas regionales a gran escala y a largo plazo de los recursos forestales, es difícil realizar encuestas precisas de recursos forestales de un solo nivel de madera porque los datos de teleobservación óptica solo pueden obtener información bidimensional en la parte superior de la Corona y el contorno de la Corona periférica. En los últimos años, la tecnología de radar láser se ha desarrollado rápidamente y se ha utilizado ampliamente en conducción autónoma, 3D en vivo y ciudades inteligentes. Debido a su capacidad para representar la estructura tridimensional del bosque de manera eficiente y precisa, muchos estudiosos la utilizan para llevar a cabo investigaciones de recursos forestales a escala de madera única, como la medición de la altura del árbol.Kwak等，2007), medición de la estructura de la corona..Popescu等，2003) etc. El uso del radar láser para la investigación de recursos forestales incluye principalmente dos medios: el radar láser terrestre TLS (escaneo de láser terrestre) y el radar láser aerotransportado al (escaneo de láser aerotransportado). En comparación con el ela, el TLS puede obtener detalles más abundantes por debajo de la Corona de manglares y es más adecuado para el cálculo de parámetros de madera única, sirviendo así mejor a la protección y gestión de los recursos de manglares..Guo等，2018). Los algoritmos de División de una sola madera existentes se pueden dividir en dos categorías: algoritmos tradicionales y métodos de aprendizaje profundo.
El algoritmo tradicional de División de una sola madera de nube de puntos se puede dividir en las siguientes dos ideas: el método de División basado en el modelo de altura de la Corona CHM (canopy HEIGHT model) y el método de División basado en la nube de puntos. La idea principal del método de segmentación basado en CHM es calcular el mapa de cuadrícula de altura de la Corona a partir de la nube de puntos normalizada. debido a que la altura de la Corona de la nube de puntos de madera única presenta las características de altura central y baja alrededor, se utilizan varios métodos de procesamiento de imágenes para extraer La cima del árbol y segmentar la Corona del árbol. Los métodos comunes de segmentación son el método de crecimiento regional.Hyyppa等，2001), Ley de cuencas hidrográficasPouliot和King，2005), método de División basado en la teoría de mapas..Strîmbu和Strîmbu，2015) etc. El método basado en CHM convierte la nube de puntos en imágenes y el problema de procesamiento de datos tridimensionales en el problema de procesamiento de datos bidimensionales, que puede simplificar eficazmente el problema y mejorar la velocidad de cálculo, pero también tiene deficiencias. La generación de CHM requiere establecer una red de nubes puntuales originales, pero los valores de los atributos de la red están determinados por las características de altura de la nube de puntos en la red, por lo que este método de compresión de datos de tres dimensiones a dos dimensiones inevitablemente conduce a la pérdida de información. Al mismo tiempo, debido a que este método necesita ser interpolado al generar chm, se introducen errores, lo que resulta en una menor precisión de segmentación. Sobre la base de las deficiencias anteriores, muchos estudiosos han diseñado diseños como K - means.Morsdorf等，2009), crecimiento regional de abajo hacia arriba..Lu等，2014), Corte normalizado..Reitberger等，2009) y otros métodos de segmentación de madera única basados en nubes puntuales. Tanto el método de segmentación basado en CHM como el método de segmentación basado en el procesamiento directo de la nube de puntos dependen de las características de diseño manual, por lo que algunas características implícitas y más complejas son difíciles de aplicar.
En los últimos años, con el rápido desarrollo del aprendizaje profundo, se ha utilizado ampliamente en muchos campos. Debido al rendimiento sobresaliente del aprendizaje profundo en la extracción de características, muchos estudiosos también lo utilizan para llevar a cabo investigaciones forestales.Wang等（2019）Proyección de la nube de puntos del tronco, utilizando faster R - cnn..Ren等，2015) la red realiza pruebas de tronco. Basado en la nube de puntos de tronco detectada para el crecimiento regional, se obtiene el tronco completo, y luego se utiliza el método de agrupación basado en la distancia para agregar la nube de puntos de hoja para lograr la División de una sola madera.Wang等，2019).Windrim等（2020）Después de filtrar la nube de puntos aerotransportados en tierra, la nube de puntos de vegetación se procesa en bloques y voxeliza, cada voxel se convierte en un mapa de cuadrícula Bev (bird 's Eye view) bidimensional, se utiliza faster R - CNN para la detección y, finalmente, se proyecta verticalmente a la nube de puntos para lograr una sola División de madera.Windrim和Bryson，2020). Los dos métodos similares anteriores, a través de la detección de proyección, pierden información geométrica de la altura de los árboles y afectan la precisión del algoritmo.Chen等（2021）La nubosidad puntual se divide en cuatro categorías: base de viveros, Jardín Forestal de templos, zona forestal mixta y bosque de hojas caídas, utilizando pointet..Qi等，2017) identificar la nube de puntos voxel, identificar como el voxel del árbol y reutilizar la información de gradiente de la Corona para detectar el límite de la corona..Chen等，2021).Luo等（2022）Se utiliza la red neuronal de convolución gráfica para el filtrado en tierra, en comparación con el algoritmo clásico de filtrado en tierra, el algoritmo no necesita ajustar los parámetros. Para extraer la información de la estructura vertical del árbol, el método utiliza un módulo de corte de arriba hacia abajo, luego utiliza canales multicaracterísticos para preservar las diferentes características de la nube de puntos, y finalmente utiliza redes multiramas para fusionar información multicanal para lograr una sola División de madera.Luo等，2022).
En resumen, los métodos tradicionales, como la detección máxima local basada en chm, han logrado un buen desempeño en muestras de escenas simples, pero la Corona de escenas complejas de manglares está muy entrelazada y las características superiores de la Corona son débiles. en la actualidad, hay pocas investigaciones en el país y en el extranjero sobre algoritmos de segmentación de manglares de madera única basados en nubes puntuales tls. En respuesta a los desafíos anteriores, este estudio propone un algoritmo de marco de División de madera única basado en las características de los datos de nube de puntos TLS de manglares. El marco aprovecha al máximo la capacidad de aprendizaje profundo para extraer características potenciales y la ventaja de que la nube de puntos TLS puede representar mejor las características del tronco, y ha logrado un mejor rendimiento en escenarios de manglares. Hay dos innovaciones principales:
(1) se propone un nuevo marco de División de manglares de madera única que combina aprendizaje profundo con operadores tradicionales. El marco resuelve el problema de que las escenas complejas de manglares basadas en TLS son difíciles de extraer una sola madera a través del aprendizaje profundo de la agregación de características locales y las restricciones de doble umbral de los operadores tradicionales, y realiza una segmentación efectiva de una sola madera de manglares. Los experimentos suficientes muestran que la precisión mejora 0,72 y 0,29, respectivamente, en comparación con los dos algoritmos clásicos.
(2) se propone un nuevo método de segmentación de madera única basado en múltiples restricciones en los vértices de los árboles, que Escalona los árboles grandes y pequeños a través de múltiples restricciones y bloquea los datos de nube de puntos de manglares con datos incompletos.
2 Principios y métodos de investigación
Los escenarios de manglares son complejos y las coronas están entrelazadas, mientras que las nubes puntuales TLS pueden caracterizar mejor las características del tronco, y debido a la gran distancia entre los troncos, se puede realizar una sola División de madera sobre la base del uso del método de agrupación de distancia Europea para completar la División del tronco. Por lo tanto, de acuerdo con las características de los datos de nube de puntos de manglares, este trabajo propone un método de segmentación de madera única de nube de puntos TLS de escena compleja de alta precisión que combina aprendizaje profundo con algoritmos tradicionales. En primer lugar, la red de aprendizaje profundo randla - net..Hu等，2020) se aplica a la tarea de filtrado terrestre y la tarea de separación de ramas y hojas a escala de muestra de nubes de puntos forestales, respectivamente. En segundo lugar, de acuerdo con los resultados de la separación de ramas y hojas, se extrae el tronco del árbol, y el algoritmo de División de dominio conectado se utiliza primero para la División del tronco, y el vértice del árbol se detecta centrado en el tronco. Finalmente, de acuerdo con el método de restricción múltiple del vértice del árbol propuesto, se realiza la División de una sola madera, y el marco del algoritmo es comoFig. 2Se muestra.
2.1 filtro terrestre basado en randla - net
Con el desarrollo del aprendizaje profundo, muchos estudiosos utilizan el aprendizaje profundo para filtrar el suelo. por ejemploHu和Yuan（2016）Basado en la red neuronal de convolución (cnn), la nube de puntos se convierte en imagen, haciendo que el problema del filtrado de la nube de puntos se convierta en un problema de clasificación de imagen.Jahromi等（2011）Se propone un algoritmo de filtrado de nube de puntos basado en redes neuronales artificiales. En la actualidad, los algoritmos de filtrado terrestre de aprendizaje profundo que procesan directamente la nube de puntos generalmente utilizan el clásico puntet.Qi等，2017) y otras redes, estas redes pueden lograr una mejor precisión en escenarios regulares, pero para escenarios forestales complejos, hay problemas como la velocidad de procesamiento lenta, la gran ocupación de memoria y la falta de características globales. Por lo tanto, este artículo selecciona la red de procesamiento en la nube de puntos randla - Net adecuada para escenarios complejos para entrenar tareas de filtrado en tierra.
La idea central de randla - Net es, en primer lugar, tomar muestras aleatorias de la nube puntual para reducir la densidad de la nube puntual, y en segundo lugar, utilizar la fusión de características locales para preservar las características locales perdidas para que logre un equilibrio de eficiencia y precisión.Fig. 3Muestra la estructura de red de randla - net.
El muestreo aleatorio puede causar la falta de características de la nube puntual, por lo que se necesita una compensación del módulo de agregación de características locales. El módulo de agregación de características locales incluye principalmente tres submódulos: codificación espacial local, pooling persistente y bloque residual expandido.
2.1.1 codificación espacial local
Para la colección de nubes de punto fijo < STRONG > i > P y las características de cada punto, el módulo de codificación espacial local puede codificar las coordenadas x, y Y Z de todos los puntos vecinos, lo que permite a la unidad locse aprender patrones geométricos locales, lo que finalmente permite a toda la red aprender eficazmente estructuras locales complejas. Incluye tres pasos: encontrar puntos vecinales, codificación de posición relativa y mejora de las características de los puntos.
2.1.2 asistir pooling
La agregación de características adyacentes a través de la agrupación máxima o media conduce a una gran pérdida de información, por lo que la red randla - Net utiliza un mecanismo de atención para agregar características de puntos adyacentes. El módulo primero diseña una función compartida para cada conjunto de características para calcular la puntuación única de atención de cada característica, y luego suma cada característica y su puntuación de atención por peso.
2.1.3 bloque residual expandido
Debido a que la nube de puntos se toma constantemente muestras aleatorias, es necesario aumentar el campo sensorial de cada punto para preservar los detalles geométricos generales de la nube de puntos de entrada. Por lo tanto, randla - Net combina múltiples códigos espaciales locales, pooling de atención y conexiones de salto para formar bloques residuales expansivos.
2.2 separación de ramas y hojas de muestras de manglares basadas en randla - net
En la actualidad, hay muchos métodos de separación de ramas y hojas basados en características físicas o geométricas de la nube de puntos, como la diferencia de intensidad entre los puntos secos de las ramas y los puntos de las hojas, la diferencia de valores propios, etc. sin embargo, debido a la complejidad de los escenarios de muestreo de nubes de puntos, la mayoría de los estudios existentes se basan en la escala de una sola madera para la separación de ramas y hojas, que requiere una sola madera primero. Randla - Net puede extraer características implícitas de la nube de puntos de escena complejos, por lo que este artículo se basa en la red randla - Net para separar las ramas y hojas de la escena de muestra.
2.3 División de una sola madera basada en múltiples restricciones en los vértices de los árboles
Las Coronas de los manglares están muy entrelazadas, pero la distancia entre los troncos es grande, y el método de agrupación de distancia euclidiana puede completar la segmentación. Este estudio primero utiliza la División de dominio conectado para dividir los troncos obtenidos por la separación de las ramas y hojas anteriores, luego detecta los vértices de los árboles basados es es en un solo tronco de madera, y finalmente realiza la División de una sola madera basada en la restricción de los vértices de los árboles. Los algoritmos detallados se describen de la siguiente manera:
(1) todos los troncos de árboles de la muestra se dividen sobre la base de la División de dominio conectado para obtener un solo tronco de madera.
(2) estratificar verticalmente el tronco principal de una sola madera a una cierta altura, y si se detecta que el número de nubes puntuales en una determinada capa es inferior a un cierto umbral, se determina que se alcanza el vértice del árbol.
(3) la búsqueda de vecindad cilíndrica se realiza con el vértice del árbol como centro y el triple del radio mínimo de la Corona como Radio de búsqueda cilíndrica.
(4) procesar todos los puntos en la búsqueda de columnas ordenados de alto a bajo por elevación.
(5) si la distancia entre el punto y el vértice del árbol es menor que el radio mínimo de la Corona del árbol, se juzga como el punto del árbol actual, y si la distancia entre el punto y el vértice del árbol es mayor que el doble del radio mínimo de la Corona del árbol, se juzga como un punto no árbol.
(6) para los puntos cuya distancia al vértice del árbol es mayor que el radio mínimo de la Corona y menos del doble del radio mínimo de la corona, se calcula su distancia mínima del conjunto actual de puntos del árbol y el conjunto de puntos no del árbol, y si la distancia mínima del conjunto actual de puntos del árbol es pequeña, se juzga que el punto es el punto actual del árbol.
3 Áreas de investigación y datos
3.1 situación básica de la zona experimental
El área de investigación se encuentra en la isla china de hainan, en los trópicos, es el Centro de distribución de manglares chinos, incluyendo 36 manglares distribuidos naturalmente en china, alrededor del 96% del total de especies de manglares en china, de los cuales más de la mitad de las especies de árboles solo se distribuyen naturalmente en hainan. En hainan, la mayoría de las especies de manglares se distribuyen en la reserva de la Bahía de qinglan, que representa el 40% de las variedades de manglares del mundo. Las coordenadas centrales de la reserva son 19 ° 34 'n, 110 ° 45' e y tienen una superficie de 2.948 ha, que ahora es una reserva natural provincial.
3.2 adquisición de datos LIDAR
Los datos utilizados en este estudio se recopilan con Rigel VZ - 1000, cuyos principales parámetros son los siguientes:Table 1Se muestra. Rigel VZ - 1000 utiliza la tecnología TOF para realizar la medición de eco múltiple del objetivo, que pesa 10 kg y alcanza una distancia máxima de escaneo de 1.400 m, puede proporcionar 300.000 mediciones por segundo y una precisión de medición de 5 mm (a una distancia de 100 m, un escaneo de un solo punto).
Table 1 Specification for the TLS instrument
| 仪器名 | Rigel VZ-1000 |
|---|
| 测距方法 | 飞行时间 |
| 回波 | 多回波 |
| 波长 | 1550 nm |
| 最大天顶角 | 100° |
| 激光产品分类 | 一级安全激光制造 |
| 范围 | 1.5—1400 m |
| 重量 | 10 kg |
3.3 datos de entrenamiento del modelo y datos de verificación
Los datos de entrenamiento utilizados en el modelo de filtro terrestre de este artículo provienen del conjunto de datos opengf..Qin等，2021) Los datos son un conjunto de datos de filtro terrestre de radar láser aerotransportado a gran escala, que cubre 47 km 2 y abarca cuatro países, incluyendo cuatro grandes terrenos de ciudades, pequeñas ciudades, pueblos y montañas.
Los datos de entrenamiento del modelo de separación de ramas y hojas de este artículo provienen deXi等（2020）Los datos públicos, un total de 16 parcelas, incluyen varios tipos de lpline, npoplar, nspruce, rpine, sbirch, smaple, spine, taspen, wspruce.
En este trabajo se seleccionaron nueve muestras de manglares para la evaluación de precisión y el análisis de resultados. Entre ellos, las parcelas A1 y A2 provienen de la reserva de qinglanwan, y las parcelas son grandes para la visualización de los resultados de la División de una sola madera. El terreno de muestra S1 - S7 proviene de la aldea de boli, ciudad de tashi, cada terreno de muestra cubre un número diferente de árboles individuales, debido a las características del escaneo por radar láser de base, la densidad de puntos de cada terreno de muestra también es diferente.Table 2Se muestran las características de datos de S1 - S7 de la muestra. Este estudio utilizó cloudparare para marcar la ubicación de cada árbol S1 - S7 en la muestra y realizó varias rondas de verificación para la evaluación de precisión posterior.
Tabel 2 Characteristics of tested samples
| 样地号 | 面积/m2 | 单木数 | 点云密度（pts/m2） |
|---|
| S1 | 90.4 | 18 | 35165.0 |
| S2 | 153.0 | 41 | 20067.0 |
| S3 | 133.8 | 54 | 4645.9 |
| S4 | 110.4 | 39 | 16437.0 |
| S5 | 120.4 | 15 | 7042.3 |
| S6 | 193.7 | 23 | 6506.2 |
| S7 | 147.9 | 28 | 6885.9 |
4 resultados y análisis del procesamiento de datos
En este trabajo, el marco de División de una sola madera propuesto se aplica a nueve parcelas de muestra para experimentos.
4.1 filtro terrestre basado en randla - net
El Instituto utiliza una tarjeta gráfica de servidor configurada como gtx4090, 128 G de memoria. para el entrenamiento del modelo de filtro terrestre, se establece un tamaño de lote de 4, 65.536 nubes por punto de entrada, un tamaño de voxel de 0,06 m, un método de descenso de gradiente aleatorio como optimizador, una tasa de aprendizaje de 0,01, un número de pasos de 50.000 y una entropía cruzada como función de pérdida.
Pérdidas y precisión durante el entrenamiento comoFig. 5,Fig. 6Se muestra que la precisión del modelo mejoró rápidamente en los primeros 10.000 pasos, cuando el modelo encontró la dirección óptima de descenso, después de lo cual la precisión del modelo convergió gradualmente, y durante el entrenamiento hubo un gran temblor tanto de pérdida como de precisión, debido a la complejidad variable de la muestra al procesar el mismo lote de muestras. Finalmente, la pérdida y la precisión convergen a 0,30 y 0,92, respectivamente, lo que indica que randla - Net tiene una fuerte capacidad de ajuste. Los datos de manglares se clasifican en puntos terrestres basados en el modelo anterior, y los resultados de visualización obtenidos son los siguientes:Fig. 9,Fig. 10Se muestra.
4.2 separación de ramas y hojas en escenarios de muestra basados en randla - net
Los hiperparámetros del entrenamiento del modelo de separación de ramas y hojas de la escena de la muestra son los mismos que la configuración del entrenamiento del modelo de filtro terrestre. La precisión y la pérdida del modelo durante el entrenamiento son comoFig. 7,Fig. 8Se muestra que el modelo obtuvo una buena precisión en los primeros 10.000 pasos, después de lo cual, la precisión del modelo convergió, durante el entrenamiento, la precisión y la pérdida del modelo también aumentaron y disminuyeron significativamente, y finalmente la pérdida convergió a alrededor de 0,1, y la precisión convergió a alrededor de 0,98, lo que indica que el modelo tiene una mejor alineación de la muestra.
4.3 División de madera única
La División de una sola madera se basa en los resultados de la separación de ramas y hojas anteriores, y los resultados obtenidos se muestran en la figura.Fig. 13- -Fig. 18Se muestra. Se puede ver que la forma de una sola madera obtenida por la División algorítmica de este artículo es más razonable.
Fig. 19Muestra los resultados de la extracción de la posición de una sola madera del método de este artículo en el sitio de muestra S1 - s7, en el que el círculo rojo representa la posición de una sola madera correctamente detectada, el tenedor representa la posición de una sola madera extraída y el asterisco representa la posición de una sola madera de referencia. DeFig. 19Se puede ver que el método propuesto en este artículo puede extraer mejor una sola madera, y hay menos fenómenos de subdegmentación y sobredivisión.
El método de evaluación de la precisión de este artículo es el siguiente:Liang等，2018).
En la fórmula, " n Match indica el número de árboles individuales extraídos con precisión," n REF indica el número de árboles individuales de referencia, " n Extract indica el número de árboles individuales extraídos. Completeness indica la tasa completa de extracción de una sola madera, mide cuántas proporciones de la madera de referencia se extraen correctamente, correctness indica la tasa correcta de extracción de una sola madera y mide cuántas proporciones de la madera extraída se extraen correctamente. precisión indica la precisión de la extracción de una sola madera, que es un juicio integral de la tasa de integridad y la tasa de corrección.
Table 3Muestra cuantitativamente la precisión, integridad y precisión de la madera extraída por este método. DeTable 3Se puede ver que la integridad de los árboles individuales extraídos por el método de este artículo es superior a 0,85 y el promedio es de 0,90, lo que indica que el método de este artículo puede extraer la mayoría de los árboles. Finalmente, la precisión media general obtenida por el método de este artículo es de 0,87, lo que demuestra que el método de este artículo tiene una mejor efectividad y fiabilidad.
Tabel 3 Accuracy assessment of the proposed method in plot S1—S7
| 样地号 | 完整率 | 正确率 | 精度 |
|---|
| S1 | 0.89 | 0.72 | 0.80 |
| S2 | 0.85 | 0.95 | 0.90 |
| S3 | 0.93 | 0.93 | 0.93 |
| S4 | 0.92 | 0.88 | 0.90 |
| S5 | 0.87 | 0.72 | 0.79 |
| S6 | 0.91 | 0.75 | 0.82 |
| S7均值 | 0.960.90 | 0.870.83 | 0.920.87 |
Para las nubes de diferentes puntos de densidad, los algoritmos de este artículo han logrado buenos resultados. Esto se debe a que la precisión de cálculo de este artículo es la precisión de la posición de una sola madera, que está determinada por la posición del tronco, por lo que el impacto de la densidad en la precisión experimental se encuentra principalmente en la parte de separación de ramas y hojas basada en randla - net. Randla - Net realizará el tratamiento voxel de la nube puntual, con un tamaño voxel de 0,06 m, y el análisis de los datos de este estudio encontró que incluso en la parte con una densidad de nube puntual más baja, la distancia entre las nubes puntuales de la parte del tronco es de aproximadamente 0,02 m, menos de 0,06 m, por lo que El impacto de la densidad de nube puntual en los resultados experimentales es insignificante. Para explicar mejor la situación, se seleccionan los resultados del cálculo de la densidad de la muestra S6 y los resultados de la División troncal comoFig. 20,Fig. 21Se puede ver que el algoritmo de este artículo puede dividir mejor una sola madera en diferentes áreas de densidad.
Este artículo también se compara con la precisión de otros dos algoritmos clásicos de División de una sola madera, a saber, el algoritmo de cuenca de control de marca.Chen等，2006), y algoritmos de segmentación basados es es en la nube de puntos..Li等，2012). Los resultados obtenidos son los siguientes:Table 4Se muestra.
Tabel 4 Average accuracy comparison of three methods
| 算法 | 完整率 | 正确率 | 精度 |
|---|
| Chen等（2006） | 0.10 | 0.55 | 0.15 |
| Li等（2012） | 0.49 | 0.77 | 0.58 |
| 本文方法 | 0.90 | 0.83 | 0.87 |
DeTable 4Se puede ver que en términos de tasa de integridad, además del método propuesto en este artículo, los otros dos algoritmos son inferiores a 0,5 en términos de tasa de integridad, lo que indica que hay una grave subdegmentación, lo que también conduce a una precisión general significativamente menor de los otros dos métodos que el método de este artículo. En términos de tasa de corrección, el método de segmentación basado en la nube de puntos es similar al método de este artículo. La tasa completa obtenida por el método de este artículo es de 0,90 y la tasa correcta es de 0,83, lo que demuestra que el método de este artículo puede garantizar la corrección de la posición de extracción mientras se extraen más árboles individuales. La precisión general del método de este artículo es de 0,87, que es mucho más alta que los otros dos algoritmos.
Para mostrar el desempeño de los tres métodos en diferentes lugares, este artículo calcula la tasa de integridad, la tasa de corrección y la precisión en siete parcelas de muestra, comoFig. 13,Fig. 14,Fig. 15Se muestra. comoFig. 22Como se muestra, la tasa de integridad del método de este artículo es significativamente mayor en siete parcelas de muestra que en los otros dos algoritmos, y la diferencia de la tasa de integridad obtenida es pequeña, ambas mayores de 0,85, lo que demuestra que el método de este artículo puede detectar madera única de manera más completa en siete parcelas de muestra, lo que es de gran importancia para la investigación como el cálculo de la biomasa. En siete muestras, los algoritmos de salpicaduras de agua basados en CHM tienen un grave fenómeno de subdegmentación, que puede ser causado por árboles más densos y coronas irregulares. comoFig. 23Se muestra que de las siete muestras, la tasa correcta de este método en s2, s5, S6 y S7 es mayor que la de los otros dos métodos. comoFig. 24Como se muestra, la precisión del algoritmo de este artículo es superior a la de los otros dos algoritmos en siete parcelas de muestra, y la diferencia de precisión entre cada parcela de muestra es pequeña, lo que demuestra que el método de este artículo no solo puede detectar eficazmente una sola madera, sino que también tiene una buena estabilidad en diferentes subterráneos.
5 Conclusiones
Este trabajo propone un marco de División de madera única adecuado para áreas de manglares densamente vegetativas e intrincadas ramas, que consta de tres etapas. En la etapa de filtrado terrestre, para resolver el problema de que los algoritmos tradicionales son difíciles de adaptar a la topografía compleja y la vegetación densa de la superficie en las zonas de manglares, este artículo introduce el marco de aprendizaje profundo de la nube puntual randla - Net para aprender en profundidad las complejas características de la superficie impulsadas por una gran cantidad de datos. En la etapa de separación de ramas y hojas, este trabajo también utilizó el marco randla - Net para realizar experimentos de separación de ramas y hojas en escenarios de muestra. los resultados muestran que esta red puede extraer mejor el tronco del árbol y reflejar un mejor potencial en la División de árboles individuales de manglares tropicales en escenarios complejos. Finalmente, este trabajo propone un nuevo método de segmentación basado en múltiples restricciones en los vértices de los árboles, que puede segmentar eficazmente los manglares tropicales en una sola madera. Para el análisis de precisión, este estudio marcó siete parcelas con diferentes características de datos. Los resultados experimentales muestran que el método de este artículo ha logrado la mayor precisión en comparación con otros algoritmos, y aunque las características de cada muestra son diferentes, la precisión general del método de este artículo supera el 0,8, lo que demuestra la efectividad y robustez del método de este artículo. Sin embargo, todavía hay algunas deficiencias en el método de este artículo. El modelo de filtro terrestre basado en randla - Net no puede adaptarse a diferentes nubes de puntos de densidad, necesita ajustar los parámetros, y la generalización del modelo debe mejorarse, para que la nube de puntos aerotransportados y la nube de puntos terrestres necesiten entrenamiento separado para lograr una alta precisión. Basado en la separación de ramas y hojas en la escena de muestra de randla - net, el modelo puede extraer mejor el tronco del árbol, pero el grado de refinamiento de la extracción de ramas debe mejorarse, y este artículo carece de una evaluación cuantitativa de la precisión de los resultados de la separación de ramas y hojas, y se esfuerza por mejorar El modelo en estudios posteriores, realizar experimentos bajo diferentes fuentes de datos y evaluar cuantitativamente la precisión. El algoritmo de División de madera única basado en los vértices del árbol, debido a que la búsqueda cilíndrica basada en puntos semilla en un cierto radio puede no cubrir todas las nubes de puntos, necesita una cierta operación de postprocesamiento, y la adaptabilidad y eficiencia operativa del algoritmo deben mejorarse. En la investigación de seguimiento, este artículo hará una investigación más detallada y profunda sobre los problemas anteriores.
