Katika mashamba yenye msongamano mkubwa wa mikaratusi, kutenganisha miti mmoja mmoja kutoka kwenye wingu la pointi za LiDAR huwa vigumu kwa sababu mataji ya juu huingiliana. Mataji ya miti jirani yanaweza kufunikana, machipukizi mapya yanaweza kutoka kwenye mzizi mmoja, na mashina yanaweza kuwa karibu sana. Katika hali hii, algoriti zinazotegemea tu urefu wa taji au taarifa ya umbali wa pande tatu zinaweza kuunganisha miti kadhaa kama kitu kimoja au kukosa kabisa baadhi ya miti.

Utafiti huu unaendeleza mbinu inayotegemea muundo wa shina karibu na urefu wa kifua badala ya kupata eneo la mti mmoja moja kwa moja kutoka kwenye taji la juu. Katika hatua ya kwanza, modeli ya PointNet++ inaboreshwa kwa vipengele vya kijiometri vya ndani na utaratibu wa umakini wa chaneli wa SE-ECA ili kuunda IPN++. Modeli hutenganisha hasa pointi za shina katika wingu ghafi la pointi za UAV-LiDAR. Semantiki hii ya shina kisha hutumiwa kuunda anchor layer katika urefu wa 1,3–2,0 m, kubainisha seed point zinazotegemewa, na kukuza wingu la pointi kutoka chini kwenda juu kwa tabaka hadi kuwa miti tofauti.

Katika tathmini iliyofanywa kwa miti 993 ya shambani katika vitalu saba vya mikaratusi, mbinu ya TSG-ITS ilifikia recall ya 0,959, precision ya 0,995 na F-score ya 0,977. Kwa miti 812 ambayo segmentesheni yake ililinganishwa kwa mafanikio na vipimo vya shambani, makadirio ya kiotomatiki ya urefu wa mti yalifikia \(R^2=0,91\) na RMSE=1,39 m; makadirio ya DBH kwa least-squares circle fitting yalifikia \(R^2=0,95\) na RMSE=1,18 cm.

Matokeo yanaonyesha kuwa katika mashamba ya mikaratusi yenye msongamano mkubwa na mwingiliano mkubwa wa mataji, semantiki ya shina inaweza kutoa kizuizi cha awali chenye nguvu kwa segmentesheni ya mti mmoja. Hata hivyo, mafanikio ya mbinu yanategemea kupatikana kwa kweli kwa pointi za shina zenye msongamano mkubwa; katika utafiti huu, si safari ya juu pekee iliyotumika, bali skani za UAV-LiDAR za chini ya taji na juu ya taji ziliunganishwa.

Kwa nini kuanzia kwenye shina badala ya taji?

Katika segmentesheni ya kawaida ya mti mmoja kwa UAV-LiDAR, mojawapo ya mbinu zinazotumika sana ni kutambua kilele na mipaka ya taji kupitia Canopy Height Model. Mbinu hii inaweza kuwa bora katika misitu yenye mataji wazi au nafasi ya kutosha kati ya miti. Lakini katika mashamba yenye msongamano mkubwa, kuungana kwa mataji ya miti jirani kunaweza kuficha mpaka halisi wa mti mmoja.

Katika mashamba ya mikaratusi, hali hii inaweza kuongezewa na coppice regeneration, yaani tabia ya kutoa machipukizi mapya kutoka kwenye mzizi au kisiki. Mashina kadhaa yaliyo karibu sana yanaweza kuonekana juu kama kundi moja la taji.

Hoja ya kuanzia ya utafiti ni uchunguzi huu wa kimuundo: hata mipaka ya mataji ya juu inapokuwa isiyo wazi, mashina makuu karibu na urefu wa kifua mara nyingi hubeba taarifa ya moja kwa moja zaidi kuhusu maeneo halisi ya miti.

PointNet++ Iliyoboreshwa Hutenganishaje Pointi za Shina?

IPN++ huhifadhi utaratibu wa kujifunza ujirani wa ndani wa PointNet++ ya kawaida huku ikitumia aina mbili za ziada za taarifa: muundo wa kijiometri unaozunguka pointi na uzani wa chaneli uliojifunzwa.

Vipengele vya kijiometri vya ndani

Kwa pointi ya katikati \(p_i\) na pointi jirani \(p_j\), kipengele cha ndani hufafanuliwa kama:

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

.

Hapa \(p_j\) inawakilisha kiratibu cha pande tatu cha pointi jirani, \(p_j-p_i\) nafasi yake ya jamaa dhidi ya katikati, \(d_{ij}\) umbali wa Euclidean kati ya pointi mbili, na \(G_j\) vipengele vya kijiometri vya ndani kama normal vector na linearity index.

Kwa kuwa mazingira ya pointi za shina mara nyingi yana jiometri ya mwelekeo wa urefu na umbo la silinda, taarifa hizi za ziada hutoa dalili zaidi za kutenganisha shina na muundo wa matawi na majani kuliko kutumia viwianishi ghafi vya XYZ pekee.

Utaratibu wa umakini wa chaneli wa SE-ECA

IPN++ pia hutumia moduli ya SE-ECA channel-attention baada ya vipengele vya ndani kuunganishwa. Lengo ni kuongeza uzani wa chaneli zenye taarifa zaidi kwa semantiki ya shina badala ya kulazimisha chaneli zote za vipengele kutoa mchango sawa katika matokeo.

Uboreshaji huu haubadilishi usanifu wa msingi wa ujirani wa PointNet++; badala yake, hudhibiti ni vipengele gani vya ndani vinavyopewa uzito mkubwa zaidi katika uainishaji wa mwisho wa kisemantiki.

Madarasa manne ya kisemantiki

Ingizo muhimu kwa segmentesheni inayofuata ya mti mmoja ni darasa la shina.

Matokeo ya kisemantiki ya IPN++

IPN++ ilitoa ingizo la kisemantiki linalotegemewa zaidi kwa hatua inayofuata ya seed-point, hasa kutokana na uboreshaji katika kategoria ya shina.

Mbinu na Matokeo ya Utafiti

Ukusanyaji wa data za shambani na UAV-LiDAR

Utafiti ulifanywa katika mashamba ya mikaratusi katika eneo la Nanning/Hengzhou, Mkoa unaojiendesha wa Guangxi Zhuang nchini China. Kila kitalu kati ya saba kina ukubwa wa 25 m × 25 m.

Data za LiDAR zilikusanywa Juni 2025 kwa mfumo jumuishi wa UAV-LiDAR wenye sensa ya Livox Mid-360.

Skani ya chini ya taji ilirekodi hasa shina, sehemu ya urefu wa kifua na muundo wa tabaka la chini, huku skani ya juu ya taji ikikamilisha sehemu ya juu ya mti na ukamilifu wa taji.

Sampuli za mafunzo ya kisemantiki

Katika urefu ulionormalishwa, masafa ya 1,0–1,5 m yalitumika kama eneo la mgombea wa shina. Kwa DBSCAN:

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

na idadi ya chini ya pointi 100 ilichaguliwa.

Mgawanyo wa Voronoi uliundwa kutoka kwenye vituo vya wagombea wa shina, na jumla ya sampuli 1111 za mafunzo ya kisemantiki katika kiwango cha mti mmoja zikapatikana.

Mkakati wa uthibitishaji wa modeli

Plot-level leave-one-out cross-validation ilitumika katika vitalu saba. Katika kila mzunguko, kitalu kimoja kilitumika kama seti ya majaribio, na vitalu vingine sita kama seti ya mafunzo na urekebishaji wa vigezo.

Katika modeli za ujifunzaji wa kina:

Vitalu kamili vya majaribio viligawanywa katika madirisha ya 10 m × 10 m na mwingiliano wa %20 ukaachwa kati ya madirisha jirani. Katika maeneo yanayoingiliana, lebo ya mwisho iliamuliwa kwa majority voting.

TSG-ITS inafanyaje kazi?

TSG-ITS huanza na pointi zilizoainishwa kisemantiki kama shina.

Katika hatua ya kwanza, karibu na urefu wa kifua:

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

anchor layer huundwa.

Seti hii ya pointi huwekwa katika voxel kwa azimio la 0,05 m. Baada ya voxel zenye kelele na msongamano mdogo kuondolewa, uchanganuzi wa pande tatu wa 26-neighborhood connectivity hutumika.

Centroid ya kila kijenzi kilichounganishwa kwa kutegemewa huunda seed point ya kuanzia:

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

Kisha wingu lote la pointi lililonormalishwa hugawanywa katika tabaka za wima. Eneo la utafutaji la ndani huundwa karibu na centroid ya mti katika tabaka iliyotangulia, na pointi katika tabaka mpya hugawiwa kwa TreeID kwa kutumia umbali wa mlalo, muunganisho wa ndani na mwendelezo wa wima.

Ikiwa mti hauna tena pointi halali katika tabaka zinazofuatana au uhamaji wa centroid unazidi kikomo kilichowekwa, ukuzaji wa mti huo kuelekea juu husimamishwa.

Ulinganisho wa segmentesheni ya mti mmoja

Tofauti kubwa zaidi ya TSG-ITS ilionekana katika recall. Hii inaonyesha kwamba sehemu kubwa zaidi ya miti ambayo mbinu nyingine zilikosa au kuunganisha kuwa kitu kimoja iliweza kutambuliwa kama miti tofauti.

Semantiki ya Shina Inapunguzaje Tatizo la Mwingiliano wa Mataji?

Mbinu zinazotegemea taji hujaribu kutenganisha miti mmoja mmoja kwa kutumia jiometri ya vilele na mabonde kwenye uso wa juu. Mataji ya miti miwili jirani yanapoungana kimwili, mpaka huu huwa hauko wazi zaidi.

TSG-ITS, kwa upande mwingine, huunganisha eneo la kuanzia la mti mmoja na shina kuu lililo chini zaidi. Hivyo, algoriti inapofikia eneo la taji lililochanganyika juu, tayari ina utambulisho wa kimuundo kuhusu pointi zipi zilikua kutoka shina lipi.

Faida hii ilionekana hasa katika:

• mashina yaliyo karibu sana,
• machipukizi ya coppice,
• mwingiliano mkubwa wa mataji

.

Hata hivyo, semantiki ya shina si kamilifu. Ikiwa shina litakosekana katika uainishaji, seed ya mti halisi inaweza isitengenezwe. Ikiwa tawi, chipukizi au sehemu ya uoto wa chini itaainishwa kimakosa kama shina, miunganisho na seed za uongo zinaweza kutokea.

Urefu wa Mti na DBH Vilitolewa Kiotomatiki kwa Usahihi Gani?

Baada ya segmentesheni ya mti mmoja kulinganishwa moja kwa moja na miti ya shambani, utoaji wa vigezo vya muundo ulifanywa kwa miti 812.

Urefu wa mti

Tathmini ya jumla:

Mteremko wa regresha ulio karibu na 1 ulionyesha kuwa urefu uliokadiriwa ulifuatilia kwa kiasi kikubwa mabadiliko katika vipimo vya shambani.

DBH

Mbinu nne za utoaji wa DBH zililinganishwa katika utafiti:

Least-Squares Circle Fitting, kwa kuwa hutumia pamoja jiometri ya jumla ya pointi katika sehemu ya urefu wa kifua, iliathiriwa kidogo na mapengo ya ndani au pointi chache za pembeni kuliko mbinu za range na convex-hull.

Hata hivyo, Bias ni chanya katika mbinu zote za DBH; yaani, katika hali hizi za data kulionekana kiwango fulani cha makadirio ya juu ya kimfumo.

Matokeo yanategemea hali gani?

Ni muhimu kutunza ukweli kwamba utendaji huu ulipatikana katika data za LiDAR zenye msongamano mkubwa, zilizounganisha skani za chini ya taji na juu ya taji.

Katika safari za kawaida za UAV-LiDAR zinazofanywa kutoka juu pekee, kifuniko cha taji kinaweza kuficha kwa kiasi kikubwa eneo la urefu wa kifua. Katika hali hiyo:

• idadi ya stem semantic point inaweza kupungua,
• anchor layer inaweza kuvunjika,
• sehemu za DBH zinaweza kubaki pungufu,
• makosa ya seed-point yanaweza kuongezeka.

Kwa hiyo, matokeo hayapaswi kujumlishwa moja kwa moja kwa misitu yote yenye msongamano mdogo wa pointi, kifuniko kikubwa sana, mchanganyiko wa spishi au madaraja tofauti ya umri.

Hitimisho zinazoungwa mkono na utafiti

• IPN++ iliainisha semantiki ya shina katika vitalu hivi saba vya mikaratusi vizuri zaidi kuliko PointNet++ na mbinu nyingine za kulinganisha.
• Kutumia stem semantic point kama anchor kuliboresha segmentesheni ya mti mmoja katika mashamba yenye msongamano mkubwa.
• TSG-ITS ilipata F-score ya jumla iliyo juu kuliko CHM-WS, EDC na MSCM.
• Urefu na DBH za miti ambayo segmentesheni yake ililinganishwa kwa mafanikio ziliweza kutolewa kiotomatiki kutoka kwenye wingu la pointi za UAV-LiDAR.
• LSCF ilitoa kosa la jumla lililo chini zaidi kati ya mbinu nne za DBH zilizotathminiwa katika utafiti.

Tafsiri ambazo utafiti hauungi mkono

• Haijaonyeshwa kuwa mbinu hii hufanya kazi kwa usahihi sawa katika aina zote za misitu.
• Haijaonyeshwa kuwa matokeo yaleyale yangepatikana kwa UAV-LiDAR ya kawaida ya juu pekee.
• Taarifa ya semantiki ya shina haiondoi kutokuwa na uhakika wote wa mipaka.
• IPN++ si modeli kamili ya end-to-end ya instance segmentation ya mti mmoja; uainishaji wa kisemantiki na TSG-ITS inayotegemea kanuni/muundo hutumiwa kwa mfuatano.
• Makadirio ya DBH si kamilifu; bias chanya iliripotiwa katika mbinu zote.

Dokezo la Chanzo na Mbinu

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

Waandishi katika PDF iliyopakiwa: Jianxin Tang; Hua Sun.

Taasisi katika PDF: 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.

Aina ya chanzo: Utafiti unaounganisha UAV-LiDAR, uhisi wa mbali wa misitu na ujifunzaji wa kina.

Toleo lililopakiwa: SSRN preprint.

SSRN Abstract ID: 6829950.

SSRN DOI: 10.2139/ssrn.6829950.

Tarehe ya kurekodi SSRN: 26 Mei 2026.

Hali ya mapitio ya preprint: PDF iliyopakiwa inaeleza wazi kuwa haijapitia mapitio ya rika.

Hali ya sasa ya uchapishaji: Kufikia Septemba 2026, utafiti wenye kichwa hicho hicho unaonekana kuchapishwa katika Science of Remote Sensing kwa DOI 10.1016/j.srs.2026.100496. Rekodi za sasa za faharasa zinaonyesha orodha ya waandishi Binbin Wang, Jianxin Tang na Hua Sun kwa toleo hili. Maudhui ya kisayansi ya maandishi haya ya Verianla yanategemea toleo la preprint lenye waandishi wawili lililotolewa na mtumiaji; halijaunganishwa kimya kimya na toleo lililochapishwa baadaye.

Ukusanyaji wa data: Juni 2025; vitalu saba vya mikaratusi vya 25 × 25 m; UAV-LiDAR jumuishi ya under-canopy na above-canopy; Livox Mid-360.

Uthibitishaji wa shambani: Uthibitishaji wa segmentesheni ya miti 993; uthibitishaji wa vigezo vya muundo wa miti 812.

Uthibitishaji wa modeli: Mizunguko saba ya leave-one-out cross-validation katika kiwango cha kitalu.

Mlolongo mkuu wa mbinu: Uwekaji lebo wa kisemantiki → IPN++ stem extraction → breast-height anchor layer → voxel/connectivity seed identification → bottom-up layered growing → individual-tree reconstruction → tree height na DBH extraction.

Michango ya waandishi: Kulingana na PDF, J.T. alifanya uundaji wa dhana na kubuni mbinu, akakusanya data na picha za shambani, na kufanya ukokotoaji/uchanganuzi pamoja na rasimu ya kwanza. H.S. alitoa ufadhili na usimamizi, na kuchangia katika uandishi na marekebisho ya makala.

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

Upatikanaji wa data: Chanzo kinasema data zinaweza kupatikana kutoka kwa corresponding author kwa ombi.

Mgongano wa maslahi: Waandishi wameripoti kuwa hakuna mgongano wa maslahi.

Kikomo muhimu zaidi cha kimetodolojia: Mbinu ilitathminiwa chini ya hali za data zenye msongamano mkubwa ambazo ziliunganisha skani za chini ya taji na juu ya taji. Uthibitishaji wa ziada unahitajika kwa point cloud zenye msongamano mdogo, kifuniko kizito, misitu mchanganyiko au madaraja tofauti ya umri.

Uundaji upya wa taswira: Inafaa sana. Katika taswira asili ya Verianla, wingu la pointi, semantiki ya shina ya IPN++, anchor layer, seed point, layered growing, utenganishaji wa TreeID na kipimo cha urefu/DBH vinaweza kuonyeshwa katika mtiririko mmoja wa kazi wa mlalo.

Verianla Live / Live Figure: Inafaa. Uhuishaji wenye vigezo vilivyowekwa unaweza kuandaliwa kuonyesha utenganishaji wa pointi za shina kutoka kwa madarasa ya kisemantiki na uundaji wa miti mmoja mmoja tabaka kwa tabaka.