Sık okaliptüs plantasyonlarında tek tek ağaçların LiDAR nokta bulutundan ayrılması, üst taçların birbirine karışması nedeniyle zorlaşır. Komşu ağaçların taçları üst üste binebilir, aynı kökten yeni sürgünler gelişebilir ve gövdeler birbirine çok yaklaşabilir. Bu durumda yalnız taç yüksekliği veya üç boyutlu uzaklık bilgisine dayalı algoritmalar birden fazla ağacı tek nesne olarak birleştirebilir ya da bazı ağaçları tamamen kaçırabilir.

Bu çalışma, tek-ağaç konumunu doğrudan üst taçtan çıkarmak yerine göğüs yüksekliği yakınındaki gövde yapısını temel alan bir yöntem geliştiriyor. İlk aşamada PointNet++ modeli yerel geometrik özellikler ve SE-ECA kanal dikkat mekanizmasıyla geliştirilerek IPN++ oluşturuluyor. Model ham UAV-LiDAR nokta bulutunda özellikle gövde noktalarını ayırıyor. Bu gövde semantiği daha sonra 1,3–2,0 m yüksekliğinde bir anchor layer oluşturmak, güvenilir seed point'leri belirlemek ve nokta bulutunu aşağıdan yukarı katmanlar halinde ayrı ağaçlara büyütmek için kullanılıyor.

Yedi okaliptüs parselinde 993 saha ağacı üzerinden yapılan değerlendirmede TSG-ITS yöntemi 0,959 recall, 0,995 precision ve 0,977 F-score elde ediyor. Segmentasyonu başarılı biçimde saha ölçümleriyle eşleşen 812 ağaçta otomatik ağaç boyu tahmini \(R^2=0,91\) ve RMSE=1,39 m; least-squares circle fitting ile DBH tahmini ise \(R^2=0,95\) ve RMSE=1,18 cm sonucuna ulaşıyor.

Bulgular, sık ve taç örtüşmesinin güçlü olduğu okaliptüs plantasyonlarında gövde semantiğinin tek-ağaç segmentasyonuna güçlü bir ön kısıt sağlayabildiğini gösteriyor. Ancak yöntemin başarısı yüksek yoğunluklu gövde noktalarının gerçekten elde edilebilmesine bağlıdır; çalışmada bunun için yalnız üstten uçuş değil, alt-taç ve üst-taç UAV-LiDAR taraması birlikte kullanılmıştır.

Neden taçtan değil gövdeden başlamak gerekiyor?

Geleneksel UAV-LiDAR tek-ağaç segmentasyonunda en yaygın yaklaşımlardan biri Canopy Height Model üzerinden tepe noktalarını ve taç sınırlarını belirlemektir. Bu yaklaşım açık taçlı veya yeterli ağaç aralığı bulunan meşcerelerde etkili olabilir. Ancak sık plantasyonlarda komşu taçların birleşmesi gerçek bireysel ağaç sınırını gizleyebilir.

Okaliptüs plantasyonlarında buna bir de coppice regeneration, yani kökten veya kütükten yeniden sürgün verme davranışı eklenebilir. Birbirine çok yakın birden fazla gövde yukarıda ortak bir taç kütlesi gibi görünebilir.

Çalışmanın çıkış noktası şu yapısal gözlemdir: üst taç sınırları belirsizleşse bile göğüs yüksekliğine yakın ana gövdeler çoğu durumda ağaçların gerçek konumları hakkında daha doğrudan bilgi taşır.

Geliştirilmiş PointNet++ Gövde Noktalarını Nasıl Ayırıyor?

IPN++, standart PointNet++'ın yerel komşuluk öğrenme mekanizmasını korurken iki ek bilgi türü kullanır: noktanın çevresindeki geometrik yapı ve öğrenilmiş kanal ağırlıkları.

Yerel geometrik özellikler

Bir merkez nokta \(p_i\) ile komşu nokta \(p_j\) için yerel özellik:

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

biçiminde tanımlanır.

Burada \(p_j\) komşu noktanın üç boyutlu koordinatını, \(p_j-p_i\) merkeze göre göreli konumu, \(d_{ij}\) iki nokta arasındaki Öklid uzaklığını ve \(G_j\) ise normal vektör ve linearity index gibi yerel geometrik özellikleri temsil eder.

Gövde noktalarının çevresi çoğu zaman uzunlamasına ve silindirik bir geometri sergilediği için bu ek bilgiler yalnız ham XYZ koordinatlarına göre gövde ile dal-yaprak yapısını ayırmada ek ipucu sağlar.

SE-ECA kanal dikkat mekanizması

IPN++ ayrıca yerel özelliklerin birleştirilmesinden sonra bir SE-ECA channel-attention modülü kullanır. Amaç bütün özellik kanallarının çıktıya eşit katkı vermesini zorunlu tutmak yerine, gövde semantiği açısından daha bilgilendirici kanalların ağırlığını artırmaktır.

Bu iyileştirme PointNet++'ın temel komşuluk mimarisini değiştirmez; daha çok hangi yerel özelliklerin nihai semantik sınıflandırmada öne çıkarılacağını düzenler.

Dört semantik sınıf

Sonraki tek-ağaç segmentasyonunun kritik girdisi gövde sınıfıdır.

IPN++ semantik sonuçları

IPN++ özellikle gövde kategorisindeki iyileşmeyle sonraki seed-point aşaması için daha güvenilir bir semantik giriş sağlamıştır.

Çalışmanın Yöntemi ve Bulguları

Saha ve UAV-LiDAR veri toplama

Çalışma Çin'in Guangxi Zhuang Özerk Bölgesi, Nanning/Hengzhou bölgesindeki okaliptüs plantasyonlarında gerçekleştirilmiştir. Yedi parselin her biri 25 m × 25 m büyüklüğündedir.

LiDAR verileri Haziran 2025'te Livox Mid-360 sensörü içeren bütünleşik UAV-LiDAR sistemiyle elde edilmiştir.

Alt-taç taraması özellikle gövde, göğüs yüksekliği kesiti ve alt tabaka yapısını kaydederken, üst-taç taraması ağacın üst bölümü ve taç bütünlüğünü tamamlamıştır.

Semantik eğitim örnekleri

Normalize edilmiş yükseklikte 1,0–1,5 m aralığı aday gövde bölgesi olarak kullanılmıştır. DBSCAN için:

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

ve minimum nokta sayısı 100 seçilmiştir.

Aday gövde merkezlerinden Voronoi bölümleri oluşturularak toplam 1111 tek-ağaç ölçekli semantik eğitim örneği elde edilmiştir.

Model doğrulama stratejisi

Yedi parsel üzerinde plot-level leave-one-out cross-validation uygulanmıştır. Her turda bir parsel test kümesi, diğer altı parsel eğitim ve parametre ayarlama kümesi olarak kullanılmıştır.

Derin öğrenme modellerinde:

Tam test parselleri 10 m × 10 m pencerelere bölünmüş ve komşu pencereler arasında %20 örtüşme bırakılmıştır. Örtüşen bölgelerde nihai etiket majority voting ile belirlenmiştir.

TSG-ITS nasıl çalışıyor?

TSG-ITS, semantik olarak gövde olarak sınıflandırılan noktalarla başlar.

Birinci aşamada göğüs yüksekliği civarında:

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

anchor layer oluşturulur.

Bu nokta kümesi 0,05 m voxel çözünürlüğüyle voxelize edilir. Gürültülü ve düşük yoğunluklu voxel'ler temizlendikten sonra üç boyutlu 26-neighborhood connectivity analizi uygulanır.

Her güvenilir bağlı bileşenin centroid'i bir başlangıç seed point'i oluşturur:

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

Daha sonra bütün normalize edilmiş nokta bulutu dikey katmanlara bölünür. Önceki katmanda ağaca ait centroid'in çevresinde yerel arama bölgesi oluşturulur ve yeni katmandaki noktalar yatay uzaklık, lokal bağlantı ve dikey süreklilik kullanılarak TreeID'lere atanır.

Bir ağacın art arda katmanlarda geçerli noktası kalmazsa veya centroid kayması belirlenen sınırı aşarsa o ağacın yukarı doğru büyütülmesi durdurulur.

Tek-ağaç segmentasyon karşılaştırması

TSG-ITS'in en büyük farkı recall tarafında ortaya çıkmıştır. Bu, özellikle diğer yöntemlerin kaçırdığı veya tek nesnede birleştirdiği ağaçların daha büyük bölümünün ayrı bireyler olarak bulunabildiğini gösterir.

Gövde Semantiği Taç Örtüşmesi Sorununu Nasıl Azaltıyor?

Taç tabanlı yöntemler bireysel ağaçları üst yüzeydeki tepe ve çukur geometrisinden ayırmaya çalışır. İki komşu ağacın taçları fiziksel olarak birleştiğinde bu sınır giderek belirsizleşir.

TSG-ITS ise bireysel ağacın başlangıç konumunu daha aşağıdaki ana gövdeye bağlar. Böylece algoritma yukarıdaki karışık taç bölgesine ulaştığında hangi noktaların hangi gövdeden büyüdüğüne ilişkin önceki bir yapısal kimliğe sahiptir.

Bu avantaj özellikle:

• birbirine çok yakın gövdelerde,
• coppice sürgünlerinde,
• yoğun taç örtüşmesinde

belirginleşmiştir.

Bununla birlikte gövde semantiği kusursuz değildir. Bir gövde sınıflandırmada kaçırılırsa gerçek ağaca seed oluşturulamayabilir. Bir dal, sürgün veya alt vejetasyon parçası yanlışlıkla gövde olarak sınıflandırılırsa sahte bağlantılar ve seed'ler ortaya çıkabilir.

Ağaç Boyu ve DBH Otomatik Olarak Ne Kadar Doğru Çıkarıldı?

Tek-ağaç segmentasyonu saha ağaçlarıyla bire bir eşleştirildikten sonra 812 ağaç üzerinde yapısal parametre çıkarımı gerçekleştirilmiştir.

Ağaç boyu

Genel değerlendirme:

Regresyon eğiminin 1'e yakın olması tahmin edilen yüksekliklerin saha ölçümlerindeki değişimi büyük ölçüde takip ettiğini göstermiştir.

DBH

Çalışmada dört DBH çıkarım yöntemi karşılaştırılmıştır:

Least-Squares Circle Fitting, göğüs yüksekliği kesitindeki noktaların genel geometrisini birlikte kullandığı için lokal boşluklar veya birkaç uç noktadan range ve convex-hull yöntemlerine göre daha az etkilenmiştir.

Bununla birlikte bütün DBH yöntemlerinde Bias pozitiftir; yani bu veri koşullarında belirli düzeyde sistematik aşırı tahmin görülmüştür.

Sonuçlar hangi koşullara bağlı?

Bu performansın yüksek yoğunluklu, entegre alt-taç ve üst-taç LiDAR verisi üzerinde elde edildiği özellikle korunmalıdır.

Yalnız yukarıdan gerçekleştirilen standart UAV-LiDAR uçuşlarında taç örtüsü göğüs yüksekliği çevresini önemli ölçüde gizleyebilir. Böyle bir durumda:

• gövde semantic point sayısı azalabilir,
• anchor layer parçalanabilir,
• DBH kesitleri eksik kalabilir,
• seed-point hataları artabilir.

Bu nedenle sonuçlar düşük nokta yoğunluklu, çok güçlü örtülü, karışık türlerden oluşan veya farklı yaş sınıflarındaki bütün ormanlara doğrudan genellenmemelidir.

Çalışmanın desteklediği sonuçlar

• IPN++, bu yedi okaliptüs parselinde gövde semantiğini PointNet++ ve diğer karşılaştırmalardan daha iyi sınıflandırmıştır.
• Gövde semantic point'lerini anchor olarak kullanmak yoğun plantasyonlarda tek-ağaç segmentasyonunu iyileştirmiştir.
• TSG-ITS, CHM-WS, EDC ve MSCM'ye göre daha yüksek genel F-score elde etmiştir.
• Segmentasyonu başarıyla eşlenen ağaçların boy ve DBH değerleri UAV-LiDAR nokta bulutundan otomatik çıkarılabilmiştir.
• LSCF, çalışmada değerlendirilen dört DBH yöntemi arasında en düşük genel hatayı üretmiştir.

Çalışmanın desteklemediği yorumlar

• Yöntemin bütün orman tiplerinde aynı doğrulukla çalıştığı gösterilmemiştir.
• Yalnız standart üstten UAV-LiDAR ile aynı sonuçların elde edileceği gösterilmemiştir.
• Semantik gövde bilgisi bütün sınır belirsizliğini ortadan kaldırmamaktadır.
• IPN++ tamamen end-to-end bir tek-ağaç instance segmentation modeli değildir; semantik sınıflandırma ile kural/yapı tabanlı TSG-ITS ardışık olarak kullanılmaktadır.
• DBH tahmini kusursuz değildir; bütün yöntemlerde pozitif bias raporlanmıştır.

Kaynak ve Yöntem Notu

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

Yüklenen PDF'deki yazarlar: Jianxin Tang; Hua Sun.

PDF kurumları: 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.

Kaynak türü: UAV-LiDAR, ormancılık uzaktan algılama ve derin öğrenmeyi birleştiren araştırma çalışması.

Yüklenen sürüm: SSRN preprint.

SSRN Abstract ID: 6829950.

SSRN DOI: 10.2139/ssrn.6829950.

SSRN kayıt tarihi: 26 Mayıs 2026.

Preprint hakemlik durumu: Yüklenen PDF açıkça hakem değerlendirmesinden geçmemiş olduğunu belirtmektedir.

Güncel yayın durumu: Eylül 2026 itibarıyla aynı başlıklı çalışma Science of Remote Sensing'de DOI 10.1016/j.srs.2026.100496 ile yayımlanmış görünmektedir. Güncel indeks kayıtları bu sürüm için Binbin Wang, Jianxin Tang ve Hua Sun yazar listesini göstermektedir. Bu Verianla metninin bilimsel içeriği kullanıcının sağladığı iki yazarlı preprint sürümüne dayanmaktadır; sonradan yayımlanan sürümle sessizce birleştirilmemiştir.

Veri toplama: Haziran 2025; yedi adet 25 × 25 m okaliptüs parseli; entegre under-canopy ve above-canopy UAV-LiDAR; Livox Mid-360.

Saha doğrulaması: 993 tekil ağaç segmentasyon doğrulaması; 812 ağaç yapısal parametre doğrulaması.

Model doğrulaması: Parsel düzeyinde yedi tur leave-one-out cross-validation.

Temel yöntem zinciri: Semantik etiketleme → IPN++ stem extraction → breast-height anchor layer → voxel/connectivity seed identification → bottom-up layered growing → individual-tree reconstruction → tree height ve DBH extraction.

Yazar katkıları: PDF'ye göre J.T. kavramsallaştırma ve yöntemi tasarlamış, saha verileri ve görüntüleri toplamış, hesaplama/analiz ve ilk taslağı yürütmüştür. H.S. finansman ve gözetimi sağlamış, makalenin yazımı ve revizyonuna katkı vermiştir.

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

Veri erişilebilirliği: Kaynak, verilerin corresponding author'dan talep üzerine alınabileceğini belirtmektedir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

En önemli metodolojik sınır: Yöntem yüksek yoğunluklu, alt- ve üst-taç taramalarının birleştirildiği veri koşullarında değerlendirilmiştir. Düşük yoğunluklu point cloud, yoğun örtü, karma ormanlar veya farklı yaş sınıflarında ek doğrulama gereklidir.

Görsel yeniden inşa: Çok uygundur. Özgün bir Verianla görselinde nokta bulutu, IPN++ gövde semantiği, anchor layer, seed noktaları, layered growing, TreeID ayrımı ve boy/DBH ölçümü tek bir yatay iş akışında gösterilebilir.

Verianla Live / Live Figure: Uygundur. Semantik sınıflardan gövde noktalarının ayrılması ve tekil ağaçların katman katman oluşmasını gösteren sabit-parametreli animasyon hazırlanabilir.