Жыш эвкалипт плантацияларында жеке дарактарды LiDAR чекит булутунан ажыратуу үстүңкү таажылардын бири-бирине аралашуусунан улам татаалдайт. Коңшу дарактардын таажылары кабатталышы, бир эле тамырдан жаңы бүчүрлөр чыгышы жана сөңгөктөр бири-бирине өтө жакындашы мүмкүн. Мындай учурда таажынын бийиктигине же үч өлчөмдүү аралык маалыматына гана таянган алгоритмдер бир нече даракты бир объект катары бириктирип коюшу же айрым дарактарды таптакыр өткөрүп жибериши мүмкүн.

Бул изилдөө жеке дарактын ордун түздөн-түз үстүңкү таажыдан чыгаруунун ордуна көкүрөк бийиктигине жакын сөңгөк түзүлүшүнө негизделген ыкманы иштеп чыгат. Биринчи этапта PointNet++ модели жергиликтүү геометриялык өзгөчөлүктөр жана SE-ECA каналдык көңүл буруу механизми менен жакшыртылып, IPN++ түзүлөт. Модель чийки UAV-LiDAR чекит булутунан айрыкча сөңгөк чекиттерин бөлүп чыгарат. Бул сөңгөк семантикасы андан кийин 1,3–2,0 m бийиктикте anchor layer түзүү, ишенимдүү seed point-терди аныктоо жана чекит булутун төмөндөн жогору катмарлар боюнча өзүнчө дарактарга өстүрүү үчүн колдонулат.

Жети эвкалипт участогундагы 993 талаа дарагы боюнча жүргүзүлгөн баалоодо TSG-ITS ыкмасы 0,959 recall, 0,995 precision жана 0,977 F-score көрсөткүчүнө жетет. Сегментациясы талаа өлчөөлөрү менен ийгиликтүү дал келген 812 даракта автоматтык дарак бийиктигин баалоо \(R^2=0,91\) жана RMSE=1,39 m; least-squares circle fitting аркылуу DBH баалоо болсо \(R^2=0,95\) жана RMSE=1,18 cm натыйжасын берет.

Жыйынтыктар жыш жана таажылардын кабатталышы күчтүү эвкалипт плантацияларында сөңгөк семантикасы жеке дарак сегментациясына күчтүү алдын ала чектөө бере аларын көрсөтөт. Бирок ыкманын ийгилиги жогорку тыгыздыктагы сөңгөк чекиттеринин чындап алынышына көз каранды; изилдөөдө бул үчүн жогору жактан гана учуу эмес, таажы алдындагы жана таажы үстүндөгү UAV-LiDAR сканерлөөсү бирге колдонулган.

Эмне үчүн таажыдан эмес, сөңгөктөн баштоо керек?

Салттуу UAV-LiDAR жеке дарак сегментациясында кеңири колдонулган ыкмалардын бири Canopy Height Model аркылуу чоку чекиттерин жана таажы чек араларын аныктоо болуп саналат. Бул ыкма таажысы ачык же дарактар аралыгы жетиштүү болгон токойчолордо натыйжалуу болушу мүмкүн. Бирок жыш плантацияларда коңшу таажылардын биригиши чыныгы жеке дарак чек арасын жашырып коюшу мүмкүн.

Эвкалипт плантацияларында буга coppice regeneration, башкача айтканда тамырдан же дүмүрдөн кайра бүчүр чыгаруу мүнөзү да кошулушу мүмкүн. Бири-бирине өтө жакын бир нече сөңгөк жогору жакта бир жалпы таажы массасы сыяктуу көрүнүшү мүмкүн.

Изилдөөнүн баштапкы чекити төмөнкү структуралык байкоо болуп саналат: үстүңкү таажы чек аралары бүдөмүк болуп калса да, көкүрөк бийиктигине жакын негизги сөңгөктөр көп учурда дарактардын чыныгы жайгашуусу тууралуу түзүрөөк маалымат берет.

Жакшыртылган PointNet++ Сөңгөк Чекиттерин Кантип Ажыратат?

IPN++ стандарттык PointNet++ моделинин жергиликтүү коңшулукту үйрөнүү механизмин сактап, кошумча эки маалымат түрүн колдонот: чекиттин айланасындагы геометриялык түзүлүш жана үйрөнүлгөн канал салмактары.

Жергиликтүү геометриялык өзгөчөлүктөр

Борбордук чекит \(p_i\) жана коңшу чекит \(p_j\) үчүн жергиликтүү өзгөчөлүк:

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

түрүндө аныкталат.

Бул жерде \(p_j\) коңшу чекиттин үч өлчөмдүү координатасын, \(p_j-p_i\) борборго салыштырмалуу ордун, \(d_{ij}\) эки чекиттин ортосундагы Евклид аралыгын, ал эми \(G_j\) нормалдык вектор жана linearity index сыяктуу жергиликтүү геометриялык өзгөчөлүктөрдү билдирет.

Сөңгөк чекиттеринин айланасы көп учурда узунунан жана цилиндр сымал геометрияны көрсөткөндүктөн, бул кошумча маалыматтар чийки XYZ координаттарына гана салыштырганда сөңгөктү бутак-жалбырак түзүлүшүнөн ажыратууга кошумча белги берет.

SE-ECA каналдык көңүл буруу механизми

IPN++ жергиликтүү өзгөчөлүктөр бириктирилгенден кийин SE-ECA channel-attention модулун да колдонот. Максат бардык өзгөчөлүк каналдарын чыгышка бирдей салым кошууга мажбурлоонун ордуна, сөңгөк семантикасы үчүн көбүрөөк маалымат берген каналдардын салмагын жогорулатуу.

Бул жакшыртуу PointNet++ моделинин негизги коңшулук архитектурасын өзгөртпөйт; тескерисинче, кайсы жергиликтүү өзгөчөлүктөр акыркы семантикалык классификацияда басымдуу болорун жөнгө салат.

Төрт семантикалык класс

Кийинки жеке дарак сегментациясынын негизги кириши — сөңгөк классы.

IPN++ семантикалык жыйынтыктары

IPN++ айрыкча сөңгөк категориясындагы жакшыруунун эсебинен кийинки seed-point этабы үчүн ишенимдүүрөөк семантикалык киришти камсыз кылган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Талаа жана UAV-LiDAR маалыматтарын чогултуу

Изилдөө Кытайдын Guangxi Zhuang автономдуу аймагындагы Nanning/Hengzhou аймагында жайгашкан эвкалипт плантацияларында жүргүзүлгөн. Жети участоктун ар бири 25 m × 25 m өлчөмүндө.

LiDAR маалыматтары 2025-жылдын июнунда Livox Mid-360 сенсорун камтыган интеграцияланган UAV-LiDAR системасы менен алынган.

Таажы алдындагы сканерлөө айрыкча сөңгөк, көкүрөк бийиктигиндеги кесим жана төмөнкү катмар түзүлүшүн каттаса, таажы үстүндөгү сканерлөө дарактын үстүңкү бөлүгүн жана таажынын бүтүндүгүн толуктаган.

Семантикалык окутуу үлгүлөрү

Нормалдаштырылган бийиктикте 1,0–1,5 m аралыгы талапкер сөңгөк аймагы катары колдонулган. DBSCAN үчүн:

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

жана минималдуу чекит саны 100 болуп тандалган.

Талапкер сөңгөк борборлорунан Voronoi бөлүктөрү түзүлүп, жалпысынан 1111 жеке дарак масштабындагы семантикалык окутуу үлгүсү алынган.

Моделди текшерүү стратегиясы

Жети участокто plot-level leave-one-out cross-validation колдонулган. Ар бир айлампада бир участок тест топтому, калган алты участок окутуу жана параметрлерди жөндөө топтому катары колдонулган.

Терең үйрөнүү моделдеринде:

Толук тест участоктору 10 m × 10 m терезелерге бөлүнүп, кошуна терезелердин ортосунда %20 кабатташуу калтырылган. Кабатташкан аймактарда акыркы белги majority voting аркылуу аныкталган.

TSG-ITS кантип иштейт?

TSG-ITS семантикалык жактан сөңгөк катары классификацияланган чекиттерден баштайт.

Биринчи этапта көкүрөк бийиктигинин айланасында:

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

anchor layer түзүлөт.

Бул чекит топтому 0,05 m voxel чечилишинде voxelize кылынат. Ызы-чуулуу жана төмөн тыгыздыктагы voxel-дер тазалангандан кийин үч өлчөмдүү 26-neighborhood connectivity анализи колдонулат.

Ар бир ишенимдүү байланышкан компоненттин centroid-и баштапкы seed point түзөт:

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

Андан кийин бүт нормалдаштырылган чекит булуту тик катмарларга бөлүнөт. Мурунку катмардагы даракка тиешелүү centroid айланасында жергиликтүү издөө аймагы түзүлүп, жаңы катмардагы чекиттер горизонталдык аралык, жергиликтүү байланыш жана тик уланмалуулук боюнча TreeID-лерге бекитилет.

Эгер дарактын удаалаш катмарларда жарактуу чекити калбаса же centroid жылышы белгиленген чектен ашса, ошол дарактын жогору карай өстүрүлүшү токтотулат.

Жеке дарак сегментациясын салыштыруу

TSG-ITSтин эң чоң айырмасы recall көрсөткүчүндө чыккан. Бул, айрыкча, башка ыкмалар өткөрүп жиберген же бир объектке бириктирген дарактардын көбүрөөк бөлүгү өзүнчө индивид катары табылганын көрсөтөт.

Сөңгөк Семантикасы Таажылардын Кабатташуу Маселесин Кантип Азайтат?

Таажыга негизделген ыкмалар жеке дарактарды үстүңкү беттеги чоку жана ойдуң геометриясынан ажыратууга аракет кылат. Эки коңшу дарактын таажылары физикалык жактан бириккенде бул чек барган сайын бүдөмүк болуп калат.

TSG-ITS болсо жеке дарактын баштапкы ордун төмөнүрөөк жайгашкан негизги сөңгөккө байланыштырат. Ошентип, алгоритм жогорудагы аралаш таажы аймагына жеткенде кайсы чекит кайсы сөңгөктөн өскөнү тууралуу алдын ала структуралык идентификацияга ээ болот.

Бул артыкчылык айрыкча:

• бири-бирине өтө жакын сөңгөктөрдө,
• coppice бүчүрлөрүндө,
• таажылар катуу кабатташканда

ачык байкалган.

Ошентсе да сөңгөк семантикасы кемчиликсиз эмес. Эгер сөңгөк классификацияда өткөрүп жиберилсе, чыныгы дарак үчүн seed түзүлбөшү мүмкүн. Бутак, бүчүр же төмөнкү өсүмдүк бөлүгү жаңылыштык менен сөңгөк деп классификацияланса, жалган байланыштар жана seed-дер пайда болушу мүмкүн.

Дарак Бийиктиги жана DBH Автоматтык Түрдө Канчалык Так Чыгарылды?

Жеке дарак сегментациясы талаадагы дарактар менен бирден-бир дал келтирилгенден кийин 812 даракта структуралык параметрлер чыгарылган.

Дарак бийиктиги

Жалпы баалоо:

Регрессия ылдыйынын 1 ге жакын болушу болжолдонгон бийиктиктер талаа өлчөөлөрүндөгү өзгөрүүнү негизинен ээрчигенин көрсөткөн.

DBH

Изилдөөдө DBH чыгаруунун төрт ыкмасы салыштырылган:

Least-Squares Circle Fitting көкүрөк бийиктигиндеги кесимдин чекиттеринин жалпы геометриясын чогуу колдонгондуктан, жергиликтүү боштуктардан же бир нече четки чекиттен range жана convex-hull ыкмаларына салыштырмалуу азыраак таасирленген.

Ошол эле учурда бардык DBH ыкмаларында Bias оң; башкача айтканда, бул маалымат шарттарында белгилүү деңгээлде системалуу ашыкча баалоо байкалган.

Натыйжалар кайсы шарттарга көз каранды?

Бул көрсөткүч жогорку тыгыздыктагы, интеграцияланган таажы алдындагы жана таажы үстүндөгү LiDAR маалыматтарында алынганы өзгөчө белгилениши керек.

Жогору жактан гана жүргүзүлгөн стандарттык UAV-LiDAR учууларында таажы каптамы көкүрөк бийиктигинин айланасын олуттуу жашырышы мүмкүн. Мындай учурда:

• сөңгөк semantic point саны азайышы мүмкүн,
• anchor layer бөлүнүп кетиши мүмкүн,
• DBH кесимдери толук эмес калышы мүмкүн,
• seed-point каталары көбөйүшү мүмкүн.

Ошондуктан натыйжаларды чекит тыгыздыгы төмөн, каптамы өтө күчтүү, аралаш түрлөрдөн турган же ар башка жаш класстарындагы бардык токойлорго түздөн-түз жалпылоого болбойт.

Изилдөө колдогон жыйынтыктар

• IPN++ ушул жети эвкалипт участогунда сөңгөк семантикасын PointNet++ жана башка салыштыруу ыкмаларына караганда жакшыраак классификациялаган.
• Сөңгөк semantic point-терин anchor катары колдонуу жыш плантацияларда жеке дарак сегментациясын жакшырткан.
• TSG-ITS CHM-WS, EDC жана MSCMге караганда жогорку жалпы F-score алган.
• Сегментациясы ийгиликтүү дал келген дарактардын бийиктиги жана DBH маанилери UAV-LiDAR чекит булутунан автоматтык чыгарылган.
• LSCF изилдөөдө бааланган төрт DBH ыкмасынын ичинен эң төмөн жалпы катаны берген.

Изилдөө колдобогон түшүндүрмөлөр

• Ыкманын бардык токой типтеринде бирдей тактык менен иштей турганы көрсөтүлгөн эмес.
• Стандарттык жогору жактан UAV-LiDAR менен гана ошол эле натыйжа алынары көрсөтүлгөн эмес.
• Семантикалык сөңгөк маалыматы бардык чек ара бүдөмүктүгүн жок кылбайт.
• IPN++ толугу менен end-to-end жеке дарак instance segmentation модели эмес; семантикалык классификация жана эреже/структурага негизделген TSG-ITS удаалаш колдонулат.
• DBH баалоо кемчиликсиз эмес; бардык ыкмаларда оң bias кабарланган.

Булак жана Ыкма Эскертмеси

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

Жүктөлгөн PDFдеги авторлор: Jianxin Tang; Hua Sun.

PDF мекемелери: 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.

Булак түрү: UAV-LiDAR, токой чарбасындагы аралыктан зонддоо жана терең үйрөнүүнү айкалыштырган изилдөө.

Жүктөлгөн версия: SSRN preprint.

SSRN Abstract ID: 6829950.

SSRN DOI: 10.2139/ssrn.6829950.

SSRN каттоо күнү: 26-май 2026.

Preprint рецензия статусу: Жүктөлгөн PDF анда рецензиядан өтпөгөнү ачык көрсөтүлгөнүн билдирет.

Учурдагы жарыялоо статусу: 2026-жылдын сентябрына карата ушул эле аталыштагы эмгек Science of Remote Sensing журналында DOI 10.1016/j.srs.2026.100496 менен жарыялангандай көрүнөт. Учурдагы индекс жазуулары бул версия үчүн Binbin Wang, Jianxin Tang жана Hua Sun авторлор тизмесин көрсөтөт. Бул Verianla текстинин илимий мазмуну колдонуучу берген эки авторлуу preprint версиясына негизделген; кийин жарыяланган версия менен унчукпай бириктирилген эмес.

Маалымат чогултуу: Июнь 2025; жети 25 × 25 m эвкалипт участогу; интеграцияланган under-canopy жана above-canopy UAV-LiDAR; Livox Mid-360.

Талаа текшерүүсү: 993 жеке дарак сегментациясын текшерүү; 812 дарактын структуралык параметрин текшерүү.

Модель текшерүүсү: Участок деңгээлинде жети айлампа leave-one-out cross-validation.

Негизги ыкма чынжыры: Семантикалык белгилөө → IPN++ stem extraction → breast-height anchor layer → voxel/connectivity seed identification → bottom-up layered growing → individual-tree reconstruction → tree height жана DBH extraction.

Авторлордун салымы: PDF боюнча J.T. концепцияны түзүп, ыкманы долбоорлогон, талаа маалыматтарын жана сүрөттөрдү чогулткан, эсептөө/талдоо жана алгачкы долбоорду жүргүзгөн. H.S. каржылоону жана көзөмөлдү камсыздап, макаланы жазууга жана түзөтүүгө салым кошкон.

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

Маалымат жеткиликтүүлүгү: Булак маалыматтарды corresponding author-дан суроо боюнча алууга болорун билдирет.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Эң маанилүү методологиялык чектөө: Ыкма жогорку тыгыздыктагы, таажы алдындагы жана таажы үстүндөгү сканерлер бириктирилген маалымат шарттарында бааланган. Төмөн тыгыздыктагы point cloud, жыш каптама, аралаш токойлор же ар түрдүү жаш класстарында кошумча текшерүү керек.

Визуалдык кайра түзүү: Абдан ылайыктуу. Түпнуска Verianla визуалында чекит булуту, IPN++ сөңгөк семантикасы, anchor layer, seed чекиттери, layered growing, TreeID бөлүштүрүү жана бийиктик/DBH өлчөөсү бир горизонталдык иш агымында көрсөтүлүшү мүмкүн.

Verianla Live / Live Figure: Ылайыктуу. Семантикалык класстардан сөңгөк чекиттерин ажыратууну жана жеке дарактардын катмар-катмар түзүлүшүн көрсөткөн туруктуу параметрлүү анимация даярдалса болот.