Los manglares tropicales son uno de los recursos forestales con mayor productividad y diversidad biológica. La investigación de recursos forestales en manglares proporciona apoyo de datos para la gestión científica y conservación de recursos forestales, y la segmentación precisa de árboles individuales es un requisito previo para la investigación forestal de segundo tipo. El escaneo láser terrestre TLS (Terrestrial Laser Scanning) puede proporcionar grandes cantidades de datos de nubes de puntos 3D con alta precisión. Sin embargo, los datos de nubes de puntos presentan problemas como irregularidad, densidad variable con áreas densas cercanas y dispersas lejanas, y pérdida de datos debido a obstrucciones. Además, el entorno de manglar es complejo, con copas entrelazadas y árboles que se bloquean entre sí, por lo que los métodos existentes no son adecuados para las nubes de puntos TLS de manglares. Este estudio combina de manera innovadora el aprendizaje profundo y algoritmos tradicionales para proponer un marco de segmentación de árboles individuales de alta precisión para nubes de puntos TLS en entornos de manglares complejos. El marco primero utiliza la red de aprendizaje profundo RandLA-Net para filtrado del suelo y separación de hojas en parcelas, luego mediante segmentación de dominio conectado para segmentar el tronco, y finalmente realiza la segmentación individual de árboles a través del módulo de múltiples restricciones basado en el vértice del árbol propuesto. Se seleccionaron siete parcelas de manglares en Hainan, China, para evaluar la precisión del algoritmo y compararlo con dos algoritmos clásicos. Los resultados experimentales muestran que la precisión total del método es de 0.87, mucho mayor que los dos algoritmos clásicos, demostrando la eficacia y confiabilidad del método.

manglares tropicales;escaneo láser terrestre;nube de puntos;segmentación individual;aprendizaje profundo