Sıx evkalipt plantasiyalarında ayrı-ayrı ağacların LiDAR nöqtə buludundan ayrılması yuxarı tacların bir-birinə qarışması səbəbindən çətinləşir. Qonşu ağacların tacları üst-üstə düşə, eyni kökdən yeni pöhrələr inkişaf edə və gövdələr bir-birinə çox yaxınlaşa bilər. Bu halda yalnız tac hündürlüyünə və ya üçölçülü məsafə məlumatına əsaslanan alqoritmlər bir neçə ağacı tək obyekt kimi birləşdirə və ya bəzi ağacları tamamilə gözdən qaçıra bilər.

Bu tədqiqat fərdi ağacın mövqeyini birbaşa yuxarı tacdan çıxarmaq əvəzinə, döş hündürlüyü yaxınlığındakı gövdə quruluşunu əsas götürən bir üsul hazırlayır. İlk mərhələdə PointNet++ modeli yerli həndəsi xüsusiyyətlər və SE-ECA kanal diqqət mexanizmi ilə təkmilləşdirilərək IPN++ yaradılır. Model xam UAV-LiDAR nöqtə buludunda xüsusilə gövdə nöqtələrini ayırır. Bu gövdə semantikası daha sonra 1,3–2,0 m hündürlükdə bir anchor layer yaratmaq, etibarlı seed point-ləri müəyyənləşdirmək və nöqtə buludunu aşağıdan yuxarı qatlar şəklində ayrı-ayrı ağaclara böyütmək üçün istifadə olunur.

Yeddi evkalipt sahəsində 993 sahə ağacı üzrə aparılan qiymətləndirmədə TSG-ITS üsulu 0,959 recall, 0,995 precision və 0,977 F-score əldə edir. Seqmentasiyası sahə ölçmələri ilə uğurla uyğunlaşdırılan 812 ağacda avtomatik ağac hündürlüyü təxmini \(R^2=0,91\) və RMSE=1,39 m; least-squares circle fitting ilə DBH təxmini isə \(R^2=0,95\) və RMSE=1,18 cm nəticəsinə çatır.

Nəticələr göstərir ki, sıx və tac üst-üstə düşməsinin güclü olduğu evkalipt plantasiyalarında gövdə semantikası fərdi ağac seqmentasiyasına güclü ilkin məhdudiyyət verə bilər. Bununla belə, üsulun uğuru yüksək sıxlıqlı gövdə nöqtələrinin həqiqətən əldə edilməsindən asılıdır; tədqiqatda bunun üçün yalnız yuxarıdan uçuş deyil, alt-tac və üst-tac UAV-LiDAR skanlaması birlikdə istifadə olunmuşdur.

Niyə tacdan deyil, gövdədən başlamaq lazımdır?

Ənənəvi UAV-LiDAR fərdi ağac seqmentasiyasında ən geniş yayılmış yanaşmalardan biri Canopy Height Model üzərindən təpə nöqtələrini və tac sərhədlərini müəyyənləşdirməkdir. Bu yanaşma açıq taclı və ya ağaclararası məsafəsi kifayət qədər olan meşəliklərdə təsirli ola bilər. Lakin sıx plantasiyalarda qonşu tacların birləşməsi həqiqi fərdi ağac sərhədini gizlədə bilər.

Evkalipt plantasiyalarında buna coppice regeneration, yəni kökdən və ya kötükdən yenidən pöhrələnmə davranışı da əlavə oluna bilər. Bir-birinə çox yaxın bir neçə gövdə yuxarıda ortaq tac kütləsi kimi görünə bilər.

Tədqiqatın çıxış nöqtəsi bu struktur müşahidəsidir: yuxarı tac sərhədləri qeyri-müəyyənləşsə belə, döş hündürlüyünə yaxın əsas gövdələr əksər hallarda ağacların həqiqi mövqeləri haqqında daha birbaşa məlumat daşıyır.

Təkmilləşdirilmiş PointNet++ Gövdə Nöqtələrini Necə Ayırır?

IPN++ standart PointNet++-ın yerli qonşuluq öyrənmə mexanizmini qoruyarkən iki əlavə məlumat növündən istifadə edir: nöqtənin ətrafındakı həndəsi quruluş və öyrənilmiş kanal çəkiləri.

Yerli həndəsi xüsusiyyətlər

Mərkəzi nöqtə \(p_i\) və qonşu nöqtə \(p_j\) üçün yerli xüsusiyyət:

\[ F_{ij} = [ p_j,\; p_j-p_i,\; d_{ij},\; G_j ] \]

şəklində müəyyən edilir.

Burada \(p_j\) qonşu nöqtənin üçölçülü koordinatını, \(p_j-p_i\) mərkəzə nəzərən nisbi mövqeyi, \(d_{ij}\) iki nöqtə arasındakı Evklid məsafəsini və \(G_j\) isə normal vektor və linearity index kimi yerli həndəsi xüsusiyyətləri təmsil edir.

Gövdə nöqtələrinin ətrafı çox vaxt uzununa və silindrik həndəsə göstərdiyi üçün bu əlavə məlumat yalnız xam XYZ koordinatları ilə müqayisədə gövdə ilə budaq-yarpaq quruluşunu ayırmaq üçün əlavə ipucu verir.

SE-ECA kanal diqqət mexanizmi

IPN++ həmçinin yerli xüsusiyyətlər birləşdirildikdən sonra SE-ECA channel-attention modulundan istifadə edir. Məqsəd bütün xüsusiyyət kanallarının çıxışa bərabər töhfə verməsini məcbur etmək əvəzinə, gövdə semantikası baxımından daha informativ kanalların çəkisini artırmaqdır.

Bu təkmilləşdirmə PointNet++-ın əsas qonşuluq arxitekturasını dəyişmir; daha çox hansı yerli xüsusiyyətlərin yekun semantik təsnifatda ön plana çıxarılacağını tənzimləyir.

Dörd semantik sinif

Sonrakı fərdi ağac seqmentasiyasının kritik girişi gövdə sinfidir.

IPN++ semantik nəticələri

IPN++ xüsusilə gövdə kateqoriyasındakı yaxşılaşma ilə sonrakı seed-point mərhələsi üçün daha etibarlı semantik giriş təmin etmişdir.

Tədqiqatın Metodu və Nəticələri

Sahə və UAV-LiDAR məlumatlarının toplanması

Tədqiqat Çinin Guangxi Zhuang Muxtar Bölgəsinin Nanning/Hengzhou ərazisindəki evkalipt plantasiyalarında aparılmışdır. Yeddi sahənin hər biri 25 m × 25 m ölçüdədir.

LiDAR məlumatları 2025-ci ilin iyununda Livox Mid-360 sensorunu ehtiva edən inteqrasiya olunmuş UAV-LiDAR sistemi ilə əldə edilmişdir.

Alt-tac skanı xüsusilə gövdə, döş hündürlüyü kəsiyi və alt təbəqə quruluşunu qeyd edərkən, üst-tac skanı ağacın yuxarı hissəsini və tac bütövlüyünü tamamlamışdır.

Semantik təlim nümunələri

Normallaşdırılmış hündürlükdə 1,0–1,5 m aralığı namizəd gövdə sahəsi kimi istifadə edilmişdir. DBSCAN üçün:

\[ \varepsilon_{\mathrm{DBSCAN}}=0.5\ \mathrm m \]

və minimum nöqtə sayı 100 seçilmişdir.

Namizəd gövdə mərkəzlərindən Voronoi bölmələri yaradılaraq ümumilikdə 1111 fərdi ağac miqyaslı semantik təlim nümunəsi əldə edilmişdir.

Modelin yoxlama strategiyası

Yeddi sahə üzərində plot-level leave-one-out cross-validation tətbiq edilmişdir. Hər dövrdə bir sahə test dəsti, digər altı sahə isə təlim və parametr tənzimləmə dəsti kimi istifadə edilmişdir.

Dərin öyrənmə modellərində:

Tam test sahələri 10 m × 10 m pəncərələrə bölünmüş və qonşu pəncərələr arasında %20 üst-üstə düşmə saxlanılmışdır. Üst-üstə düşən sahələrdə yekun etiket majority voting ilə müəyyən edilmişdir.

TSG-ITS necə işləyir?

TSG-ITS semantik olaraq gövdə kimi təsnif edilmiş nöqtələrlə başlayır.

Birinci mərhələdə döş hündürlüyü ətrafında:

\[ P_a= \{p\in P_t\mid1.3\leq h(p)\leq2.0\} \]

anchor layer yaradılır.

Bu nöqtə dəsti 0,05 m voxel ayırdetməsi ilə voxelize edilir. Səs-küylü və aşağı sıxlıqlı voxel-lər təmizləndikdən sonra üçölçülü 26-neighborhood connectivity analizi tətbiq edilir.

Hər etibarlı bağlı komponentin centroid-i başlanğıc seed point yaradır:

\[ s_i= \frac{1}{|C_i|} \sum_{p\in C_i}p. \]

Daha sonra bütün normallaşdırılmış nöqtə buludu şaquli qatlara bölünür. Əvvəlki qatda ağaca aid centroid-in ətrafında yerli axtarış sahəsi yaradılır və yeni qatda nöqtələr üfüqi məsafə, yerli bağlantı və şaquli davamlılıq istifadə edilərək TreeID-lərə təyin edilir.

Əgər ağacın ardıcıl qatlarda etibarlı nöqtəsi qalmazsa və ya centroid yerdəyişməsi müəyyən edilmiş həddi aşarsa, həmin ağacın yuxarı doğru böyüdülməsi dayandırılır.

Fərdi ağac seqmentasiyasının müqayisəsi

TSG-ITS-in ən böyük fərqi recall göstəricisində ortaya çıxmışdır. Bu, xüsusilə digər üsulların qaçırdığı və ya bir obyektə birləşdirdiyi ağacların daha böyük hissəsinin ayrı fərdlər kimi tapıla bildiyini göstərir.

Gövdə Semantikası Tacların Üst-üstə Düşməsi Problemini Necə Azaldır?

Tac əsaslı üsullar fərdi ağacları üst səthdəki təpə və çökəklik həndəsəsindən ayırmağa çalışır. İki qonşu ağacın tacları fiziki olaraq birləşdikdə bu sərhəd getdikcə qeyri-müəyyənləşir.

TSG-ITS isə fərdi ağacın başlanğıc mövqeyini daha aşağıdakı əsas gövdəyə bağlayır. Beləliklə, alqoritm yuxarıdakı qarışıq tac sahəsinə çatdıqda hansı nöqtələrin hansı gövdədən böyüdüyünə dair əvvəlcədən struktur identikliyə malik olur.

Bu üstünlük xüsusilə:

• bir-birinə çox yaxın gövdələrdə,
• coppice pöhrələrində,
• güclü tac üst-üstə düşməsində

aydın olmuşdur.

Bununla belə, gövdə semantikası qüsursuz deyil. Əgər gövdə təsnifatda gözdən qaçırılarsa, həqiqi ağac üçün seed yaradıla bilməz. Budaq, pöhrə və ya alt bitki örtüyü hissəsi səhvən gövdə kimi təsnif olunarsa, saxta bağlantılar və seed-lər yarana bilər.

Ağac Hündürlüyü və DBH Avtomatik Olarq Nə Qədər Dəqiq Çıxarıldı?

Fərdi ağac seqmentasiyası sahə ağacları ilə bir-bir uyğunlaşdırıldıqdan sonra 812 ağac üzrə struktur parametr çıxarılması həyata keçirilmişdir.

Ağac hündürlüyü

Ümumi qiymətləndirmə:

Reqressiya meylinin 1-ə yaxın olması təxmin edilən hündürlüklərin sahə ölçmələrindəki dəyişimi böyük ölçüdə izlədiyini göstərmişdir.

DBH

Tədqiqatda dörd DBH çıxarma üsulu müqayisə edilmişdir:

Least-Squares Circle Fitting döş hündürlüyü kəsiyindəki nöqtələrin ümumi həndəsəsindən birlikdə istifadə etdiyi üçün lokal boşluqlardan və ya bir neçə kənar nöqtədən range və convex-hull üsullarına nisbətən daha az təsirlənmişdir.

Bununla belə, bütün DBH üsullarında Bias müsbətdir; yəni bu məlumat şəraitində müəyyən səviyyədə sistematik artıq qiymətləndirmə müşahidə edilmişdir.

Nəticələr hansı şərtlərdən asılıdır?

Bu performansın yüksək sıxlıqlı, inteqrasiya olunmuş alt-tac və üst-tac LiDAR məlumatları üzərində əldə edildiyi xüsusilə yadda saxlanmalıdır.

Yalnız yuxarıdan həyata keçirilən standart UAV-LiDAR uçuşlarında tac örtüyü döş hündürlüyü ətrafını əhəmiyyətli dərəcədə gizlədə bilər. Belə halda:

• gövdə semantic point sayı azala bilər,
• anchor layer parçalan bilər,
• DBH kəsikləri natamam qala bilər,
• seed-point xətaları arta bilər.

Buna görə nəticələr aşağı nöqtə sıxlıqlı, çox güclü örtülü, qarışıq növlərdən ibarət və ya müxtəlif yaş siniflərində olan bütün meşələrə birbaşa ümumiləşdirilməməlidir.

Tədqiqatın dəstəklədiyi nəticələr

• IPN++ bu yeddi evkalipt sahəsində gövdə semantikasını PointNet++ və digər müqayisələrdən daha yaxşı təsnif etmişdir.
• Gövdə semantic point-lərini anchor kimi istifadə etmək sıx plantasiyalarda fərdi ağac seqmentasiyasını yaxşılaşdırmışdır.
• TSG-ITS, CHM-WS, EDC və MSCM ilə müqayisədə daha yüksək ümumi F-score əldə etmişdir.
• Seqmentasiyası uğurla uyğunlaşdırılmış ağacların hündürlük və DBH dəyərləri UAV-LiDAR nöqtə buludundan avtomatik çıxarıla bilmişdir.
• LSCF tədqiqatda qiymətləndirilən dörd DBH üsulu arasında ən aşağı ümumi xətanı vermişdir.

Tədqiqatın dəstəkləmədiyi şərhlər

• Üsulun bütün meşə tiplərində eyni dəqiqliklə işlədiyi göstərilməmişdir.
• Yalnız standart yuxarıdan UAV-LiDAR ilə eyni nəticələrin əldə ediləcəyi göstərilməmişdir.
• Semantik gövdə məlumatı bütün sərhəd qeyri-müəyyənliyini aradan qaldırmır.
• IPN++ tamamilə end-to-end fərdi ağac instance segmentation modeli deyil; semantik təsnifat və qayda/struktur əsaslı TSG-ITS ardıcıl şəkildə istifadə olunur.
• DBH təxmini qüsursuz deyil; bütün üsullarda müsbət bias bildirilmişdir.

Mənbə və Metod Qeydi

Orijinal başlıq: Improved PointNet++ Stem Semantics for Individual Tree Segmentation and Structural Parameter Extraction in Eucalyptus Plantations Using UAV-LiDAR

Yüklənmiş PDF-dəki müəlliflər: Jianxin Tang; Hua Sun.

PDF qurumları: Hunan Provincial Key Laboratory of Forestry Remote Sensing Based Big Data & Ecological Security, Central South University of Forestry and Technology; Yuelu Mountain Laboratory; Hunan Engineering Research Center for Monitoring of Natural Ecosystem Carbon Sinks.

Mənbə növü: UAV-LiDAR, meşəçilik uzaqdan zondlama və dərin öyrənməni birləşdirən tədqiqat işi.

Yüklənmiş versiya: SSRN preprint.

SSRN Abstract ID: 6829950.

SSRN DOI: 10.2139/ssrn.6829950.

SSRN qeydiyyat tarixi: 26 may 2026.

Preprint-in rəyçilik statusu: Yüklənmiş PDF açıq şəkildə rəy prosesindən keçmədiyini bildirir.

Aktual nəşr statusu: 2026-cı ilin sentyabrına görə eyni başlıqlı tədqiqat Science of Remote Sensing jurnalında DOI 10.1016/j.srs.2026.100496 ilə dərc olunmuş görünür. Cari indeks qeydlərində bu versiya üçün Binbin Wang, Jianxin Tang və Hua Sun müəllif siyahısı göstərilir. Bu Verianla mətninin elmi məzmunu istifadəçinin təqdim etdiyi iki müəllifli preprint versiyasına əsaslanır; sonradan dərc olunan versiya ilə səssiz şəkildə birləşdirilməmişdir.

Məlumat toplanması: İyun 2025; yeddi 25 × 25 m evkalipt sahəsi; inteqrasiya olunmuş under-canopy və above-canopy UAV-LiDAR; Livox Mid-360.

Sahə yoxlaması: 993 fərdi ağac seqmentasiya yoxlaması; 812 ağac struktur parametr yoxlaması.

Model yoxlaması: Sahə səviyyəsində yeddi dövr leave-one-out cross-validation.

Əsas metod zənciri: Semantik etiketləmə → IPN++ stem extraction → breast-height anchor layer → voxel/connectivity seed identification → bottom-up layered growing → individual-tree reconstruction → tree height və DBH extraction.

Müəllif töhfələri: PDF-ə görə J.T. konseptuallaşdırma və metodu layihələndirmiş, sahə məlumatları və görüntüləri toplamış, hesablama/analiz və ilk qaralamanı aparmışdır. H.S. maliyyələşmə və nəzarəti təmin etmiş, məqalənin yazılması və redaktəsinə töhfə vermişdir.

Maliyyələşmə: National Key Research and Development Program of China (2023YFD2201703), National Natural Science Foundation of China (32471861, 31971578) və Hunan Province Science and Technology Innovation Program (2023RC1065).

Məlumatların əlçatanlığı: Mənbə məlumatların corresponding author-dan sorğu əsasında əldə edilə biləcəyini bildirir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bildiriblər.

Ən mühüm metodoloji məhdudiyyət: Üsul yüksək sıxlıqlı, alt- və üst-tac skanlarının birləşdirildiyi məlumat şəraitində qiymətləndirilmişdir. Aşağı sıxlıqlı point cloud, sıx örtük, qarışıq meşələr və ya müxtəlif yaş siniflərində əlavə yoxlama tələb olunur.

Vizual yenidənqurma: Çox uyğundur. Orijinal Verianla vizualında nöqtə buludu, IPN++ gövdə semantikası, anchor layer, seed nöqtələri, layered growing, TreeID ayrımı və hündürlük/DBH ölçümü bir üfüqi iş axınında göstərilə bilər.

Verianla Live / Live Figure: Uyğundur. Semantik siniflərdən gövdə nöqtələrinin ayrılmasını və fərdi ağacların qat-qat formalaşmasını göstərən sabit parametrli animasiya hazırlana bilər.