Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery

要約

森林の健全性を理解することは、森林生態系の完全性を保全するために非常に重要です。
この点において、枯れ木の量と質を評価することは、生物多様性の好ましい指標となるため、最も興味深いものです。
どうやら、リモート センシング ベースの機械学習技術は、森林目録において前例のない精度で、より効率的かつ持続可能であることが証明されています。
この研究では、航空機レーザースキャン (ALS) 点群とカラー赤外線 (CIR) を組み合わせて、個々の針葉樹 (ノルウェートウヒ) を初めて 5 つの劣化段階 (生きている、衰退している、枯れている、緩んだ樹皮、きれいな状態) に自動的に分類しました。
3 つの異なる機械学習手法、3D 点群ベースの深層学習 (KPConv)、畳み込みニューラル ネットワーク (CNN)、およびランダム フォレスト (RF) を使用した画像。
まず、ALS 点群とカラー赤外線画像を融合することにより、CIR カラー化点群が作成されます。
次に、個々のツリーのセグメンテーションが実行され、その後、結果がさらに 4 つの直交平面に投影されます。
最後に、3 つの機械学習アルゴリズムに基づいて 2 つのデータセット (3D マルチスペクトル点群と 2D 投影画像) に対して分類が実行されます。
すべてのモデルが有望な結果を達成し、KPConv、CNN、RF でそれぞれ最大 88.8%、88.4%、85.9% の総合精度 (OA) に達しました。
実験結果は、色情報、3D 座標、および点群の強度が有望な分類パフォーマンスに大きな影響を与えることを明らかにしました。
したがって、私たちのモデルのパフォーマンスは、最新の航空機リモートセンシング技術を使用した、個々の木の朽ち段階の分類と、枯れ木の量と品質の景観全体の評価における機械/深層学習の重要性を示しています。
提案された方法は、森林生態系の生物多様性を監視するための重要かつ信頼できるツールとして貢献できます。

要約(オリジナル)

Understanding forest health is of great importance for the conservation of the integrity of forest ecosystems. In this regard, evaluating the amount and quality of dead wood is of utmost interest as they are favorable indicators of biodiversity. Apparently, remote sensing-based machine learning techniques have proven to be more efficient and sustainable with unprecedented accuracy in forest inventory. This study, for the first time, automatically categorizing individual coniferous trees (Norway spruce) into five decay stages (live, declining, dead, loose bark, and clean) from combined airborne laser scanning (ALS) point clouds and color infrared (CIR) images using three different Machine Learning methods – 3D point cloud-based deep learning (KPConv), Convolutional Neural Network (CNN), and Random Forest (RF). First, CIR colorized point clouds are created by fusing the ALS point clouds and color infrared images. Then, individual tree segmentation is conducted, after which the results are further projected onto four orthogonal planes. Finally, the classification is conducted on the two datasets (3D multispectral point clouds and 2D projected images) based on the three Machine Learning algorithms. All models achieved promising results, reaching overall accuracy (OA) of up to 88.8%, 88.4% and 85.9% for KPConv, CNN and RF, respectively. The experimental results reveal that color information, 3D coordinates, and intensity of point clouds have significant impact on the promising classification performance. The performance of our models, therefore, shows the significance of machine/deep learning for individual tree decay stages classification and landscape-wide assessment of the dead wood amount and quality by using modern airborne remote sensing techniques. The proposed method can contribute as an important and reliable tool for monitoring biodiversity in forest ecosystems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google