La diferenciación efectiva entre la estructura de la madera y la de las hojas es una base importante para estimar con precisión los parámetros clave de la estructura del árbol y para la inversión precisa de la biomasa. El LiDAR brinda un nuevo soporte técnico para la estimación no destructiva de los parámetros estructurales del árbol y la biomasa aérea. Sin embargo, los algoritmos actuales de segmentación de componentes de árboles individuales tienen una capacidad limitada de generalización entre diferentes especies y una capacidad insuficiente para segmentar ramas pequeñas. Por lo tanto, este artículo construyó un conjunto de datos a gran escala para la segmentación de componentes de árboles individuales que contiene 713 árboles con una rica diversidad de especies, y también introdujo una red de aprendizaje profundo de alto rendimiento Point Transformer-V3 para obtener resultados de segmentación confiables. Además, este estudio optimizó el rendimiento de segmentación de la red de aprendizaje profundo en nubes de puntos de árboles individuales mediante la construcción de características geométricas a priori (índices de diferencia de relevancia, índices de componentes principales e índices de verticalidad), y la comparó con varios algoritmos populares de aprendizaje profundo. Los resultados muestran que la red Point Transformer-V3 que incorpora las características geométricas a priori alcanza una precisión general (OA), precisión media (mAcc) e intersección sobre unión media (mIoU) de 0.946, 0.872 y 0.806 respectivamente para la segmentación de componentes de árboles individuales de múltiples especies, incluso ramas finas de menor escala dentro de la copa pueden extraerse en cierta medida, y la red también muestra una alta aplicabilidad en diferentes especies de árboles con grandes diferencias en la estructura geométrica. Finalmente, los experimentos de ablación demostraron que la introducción de características geométricas a priori durante el entrenamiento promueve el efecto de segmentación de la red de manera eficiente. Por lo tanto, este estudio puede promover aún más la aplicación del aprendizaje profundo en la segmentación de componentes de árboles individuales y proporcionar soporte técnico para la estimación precisa de los parámetros estructurales de los árboles.

Componentes de árboles individuales; nubes de puntos LiDAR; segmentación semántica; características a priori; aprendizaje profundo; separación de madera y hojas; extracción de ramas; mecanismo de atención secuencial