Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning

要約

詳細な森林目録は、森林資源を持続可能かつ柔軟に管理し、さまざまな生態系サービスを保護するために重要です。
最新の航空レーザー スキャナは、森林の詳細な目録や分析に大きな可能性を秘めた高密度の点群を提供しますが、それらの点群を個々の木や木の構成要素などの意味のあるエンティティに自動的に分割することは依然として課題です。
本研究はこのギャップを埋めることを目的としており、多様な森林タイプや地理的領域にわたってそのようなセグメンテーションを実行できる ForAINet と呼ばれる深層学習フレームワークを導入します。
次に、セグメント化されたデータから、個々の樹木および林分に関連する生物物理学的パラメーターを導き出します。
このシステムは、測量ドローンを使用して 5 つの異なる国で取得された点群のデータセットである FOR-Instance でテストされています。
セグメンテーション バックエンドは、個々の樹木で 85% 以上の F スコアを達成し、地面、低い植生、茎、生きた枝、枯れた枝の 5 つのセマンティック カテゴリにわたってそれぞれ 73% 以上の平均 IoU を達成します。
次に、私たちのパイプラインはセグメンテーションの結果に基づいて、個々の木の生物物理学的特徴 (高さ、樹冠直径、樹冠体積、胸高直径、位置) と林分ごとの特性 (数値地形モデルと林分密度) を緻密に計算します。
特に歯冠関連の特徴は、ほとんどの場合、高精度で取得されますが、DBH と位置の推定値は、航空機スキャン設定のため信頼性が低くなります。

要約(オリジナル)

Detailed forest inventories are critical for sustainable and flexible management of forest resources, to conserve various ecosystem services. Modern airborne laser scanners deliver high-density point clouds with great potential for fine-scale forest inventory and analysis, but automatically partitioning those point clouds into meaningful entities like individual trees or tree components remains a challenge. The present study aims to fill this gap and introduces a deep learning framework, termed ForAINet, that is able to perform such a segmentation across diverse forest types and geographic regions. From the segmented data, we then derive relevant biophysical parameters of individual trees as well as stands. The system has been tested on FOR-Instance, a dataset of point clouds that have been acquired in five different countries using surveying drones. The segmentation back-end achieves over 85% F-score for individual trees, respectively over 73% mean IoU across five semantic categories: ground, low vegetation, stems, live branches and dead branches. Building on the segmentation results our pipeline then densely calculates biophysical features of each individual tree (height, crown diameter, crown volume, DBH, and location) and properties per stand (digital terrain model and stand density). Especially crown-related features are in most cases retrieved with high accuracy, whereas the estimates for DBH and location are less reliable, due to the airborne scanning setup.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google