Zich evkalipt plantatsiyalarida alohida daraxtlarni LiDAR nuqta bulutidan ajratish yuqori tojlarning bir-biriga aralashib ketishi sababli qiyinlashadi. Qo‘shni daraxtlarning tojlari ustma-ust tushishi, bir ildizdan yangi novdalar rivojlanishi va tanalar bir-biriga juda yaqinlashishi mumkin. Bunday holatda faqat toj balandligi yoki uch o‘lchamli masofa ma’lumotiga tayanuvchi algoritmlar bir nechta daraxtni bitta obyekt sifatida birlashtirishi yoki ayrim daraxtlarni butunlay o‘tkazib yuborishi mumkin.

Ushbu tadqiqot alohida daraxt joylashuvini bevosita yuqori tojdan chiqarib olish o‘rniga, ko‘krak balandligi yaqinidagi tana tuzilishiga asoslangan usulni ishlab chiqadi. Birinchi bosqichda PointNet++ modeli mahalliy geometrik xususiyatlar va SE-ECA kanal diqqat mexanizmi bilan takomillashtirilib, IPN++ yaratiladi. Model xom UAV-LiDAR nuqta bulutida ayniqsa tana nuqtalarini ajratadi. Ushbu tana semantikasi keyin 1,3–2,0 m balandlikda anchor layer yaratish, ishonchli seed point-larni aniqlash va nuqta bulutini pastdan yuqoriga qatlamlar bo‘ylab alohida daraxtlarga o‘stirish uchun qo‘llanadi.

Yetti evkalipt uchastkasida 993 ta dala daraxti asosida o‘tkazilgan baholashda TSG-ITS usuli 0,959 recall, 0,995 precision va 0,977 F-score natijasiga erishadi. Segmentatsiyasi dala o‘lchovlari bilan muvaffaqiyatli moslashtirilgan 812 daraxtda avtomatik daraxt bo‘yi bahosi \(R^2=0,91\) va RMSE=1,39 m; least-squares circle fitting bilan DBH bahosi esa \(R^2=0,95\) va RMSE=1,18 cm natijasini beradi.

Natijalar shuni ko‘rsatadiki, zich va tojlar kuchli ustma-ust tushadigan evkalipt plantatsiyalarida tana semantikasi alohida daraxt segmentatsiyasi uchun kuchli dastlabki cheklov bo‘la oladi. Biroq usul muvaffaqiyati yuqori zichlikdagi tana nuqtalarining haqiqatan olinishi bilan bog‘liq; tadqiqotda buning uchun faqat yuqoridan parvoz emas, balki toj osti va toj usti UAV-LiDAR skanerlari birgalikda ishlatilgan.

Nega tojdan emas, tanadan boshlash kerak?

An’anaviy UAV-LiDAR alohida daraxt segmentatsiyasida eng keng tarqalgan yondashuvlardan biri Canopy Height Model orqali cho‘qqi nuqtalari va toj chegaralarini aniqlashdir. Bu yondashuv ochiq tojli yoki daraxtlar orasidagi masofa yetarli bo‘lgan daraxtzorlarda samarali bo‘lishi mumkin. Ammo zich plantatsiyalarda qo‘shni tojlarning birlashishi haqiqiy alohida daraxt chegarasini yashirishi mumkin.

Evkalipt plantatsiyalarida bunga coppice regeneration, ya’ni ildiz yoki to‘nkadan qayta novdalash xususiyati ham qo‘shilishi mumkin. Bir-biriga juda yaqin bir nechta tana yuqorida umumiy toj massasi kabi ko‘rinishi mumkin.

Tadqiqotning boshlang‘ich nuqtasi quyidagi strukturaviy kuzatuvdir: yuqori toj chegaralari noaniqlashsa ham, ko‘krak balandligiga yaqin asosiy tanalar ko‘p hollarda daraxtlarning haqiqiy joylashuvi haqida to‘g‘ridan-to‘g‘riroq ma’lumot beradi.

Takomillashtirilgan PointNet++ Tana Nuqtalarini Qanday Ajratadi?

IPN++ standart PointNet++ning mahalliy qo‘shnichilikni o‘rganish mexanizmini saqlagan holda ikki qo‘shimcha axborot turidan foydalanadi: nuqta atrofidagi geometrik tuzilish va o‘rganilgan kanal og‘irliklari.

Mahalliy geometrik xususiyatlar

Markaziy nuqta \(p_i\) va qo‘shni nuqta \(p_j\) uchun mahalliy xususiyat:

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

ko‘rinishida aniqlanadi.

Bu yerda \(p_j\) qo‘shni nuqtaning uch o‘lchamli koordinatasini, \(p_j-p_i\) markazga nisbatan nisbiy joylashuvni, \(d_{ij}\) ikki nuqta orasidagi Yevklid masofasini, \(G_j\) esa normal vektor va linearity index kabi mahalliy geometrik xususiyatlarni ifodalaydi.

Tana nuqtalari atrofi ko‘pincha bo‘ylama va silindrsimon geometriyani namoyon qilgani uchun bu qo‘shimcha ma’lumot faqat xom XYZ koordinatalariga qaraganda tana bilan shox-barg tuzilishini ajratishda qo‘shimcha ishora beradi.

SE-ECA kanal diqqat mexanizmi

IPN++ shuningdek mahalliy xususiyatlar birlashtirilgandan keyin SE-ECA channel-attention modulidan foydalanadi. Maqsad barcha xususiyat kanallarini chiqishga teng hissa qo‘shishga majburlash o‘rniga, tana semantikasi nuqtai nazaridan ko‘proq axborot beruvchi kanallarning og‘irligini oshirishdir.

Bu takomillashtirish PointNet++ning asosiy qo‘shnichilik arxitekturasini o‘zgartirmaydi; ko‘proq qaysi mahalliy xususiyatlar yakuniy semantik tasnifda ajratib ko‘rsatilishini boshqaradi.

To‘rt semantik sinf

Keyingi alohida daraxt segmentatsiyasining muhim kirish ma’lumoti tana sinfidir.

IPN++ semantik natijalari

IPN++ ayniqsa tana kategoriyasidagi yaxshilanish tufayli keyingi seed-point bosqichi uchun yanada ishonchli semantik kirishni ta’minlagan.

Tadqiqot Usuli va Natijalari

Dala va UAV-LiDAR ma’lumotlarini yig‘ish

Tadqiqot Xitoyning Guangxi Zhuang Avtonom Hududi, Nanning/Hengzhou mintaqasidagi evkalipt plantatsiyalarida o‘tkazilgan. Yetti uchastkaning har biri 25 m × 25 m o‘lchamda.

LiDAR ma’lumotlari 2025-yil iyun oyida Livox Mid-360 sensorini o‘z ichiga olgan integratsiyalashgan UAV-LiDAR tizimi bilan olingan.

Toj osti skaneri ayniqsa tana, ko‘krak balandligidagi kesim va quyi qatlam tuzilishini qayd etgan, toj usti skaneri esa daraxtning yuqori qismi va toj yaxlitligini to‘ldirgan.

Semantik o‘qitish namunalari

Normallashtirilgan balandlikda 1,0–1,5 m oralig‘i nomzod tana hududi sifatida ishlatilgan. DBSCAN uchun:

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

va minimal nuqtalar soni 100 etib tanlangan.

Nomzod tana markazlaridan Voronoi bo‘linmalari hosil qilinib, jami 1111 ta alohida daraxt miqyosidagi semantik o‘qitish namunasi olingan.

Modelni tekshirish strategiyasi

Yetti uchastkada plot-level leave-one-out cross-validation qo‘llangan. Har bir aylanishda bitta uchastka test to‘plami, qolgan olti uchastka esa o‘qitish va parametrlarni sozlash to‘plami sifatida ishlatilgan.

Chuqur o‘rganish modellarida:

To‘liq test uchastkalari 10 m × 10 m oynalarga bo‘lingan va qo‘shni oynalar orasida %20 qoplash qoldirilgan. Qoplashgan hududlarda yakuniy yorliq majority voting bilan aniqlangan.

TSG-ITS qanday ishlaydi?

TSG-ITS semantik jihatdan tana deb tasniflangan nuqtalardan boshlaydi.

Birinchi bosqichda ko‘krak balandligi atrofida:

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

anchor layer yaratiladi.

Bu nuqtalar to‘plami 0,05 m voxel aniqligi bilan voxelize qilinadi. Shovqinli va past zichlikdagi voxel-lar tozalangach, uch o‘lchamli 26-neighborhood connectivity tahlili qo‘llanadi.

Har bir ishonchli bog‘langan komponentning centroid-i boshlang‘ich seed point hosil qiladi:

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

Keyin butun normallashtirilgan nuqta buluti vertikal qatlamlarga bo‘linadi. Oldingi qatlamda daraxtga tegishli centroid atrofida mahalliy qidiruv hududi hosil qilinadi va yangi qatlamdagi nuqtalar gorizontal masofa, mahalliy bog‘lanish va vertikal uzluksizlik asosida TreeID-larga biriktiriladi.

Agar daraxtda ketma-ket qatlamlarda yaroqli nuqta qolmasa yoki centroid siljishi belgilangan chegaradan oshsa, o‘sha daraxtning yuqoriga o‘stirilishi to‘xtatiladi.

Alohida daraxt segmentatsiyasini taqqoslash

TSG-ITSning eng katta farqi recall ko‘rsatkichida namoyon bo‘lgan. Bu, ayniqsa, boshqa usullar o‘tkazib yuborgan yoki bitta obyektga birlashtirgan daraxtlarning kattaroq qismi alohida individlar sifatida topila olganini ko‘rsatadi.

Tana Semantikasi Tojlarning Ustma-ust Tushishi Muammosini Qanday Kamaytiradi?

Tojga asoslangan usullar alohida daraxtlarni yuqori yuzadagi cho‘qqi va botiq geometriyasidan ajratishga harakat qiladi. Ikki qo‘shni daraxt tojlari jismonan birlashganda bu chegara tobora noaniqlashadi.

TSG-ITS esa alohida daraxtning boshlang‘ich joylashuvini pastroqda joylashgan asosiy tanaga bog‘laydi. Shunday qilib, algoritm yuqoridagi aralash toj hududiga yetganda qaysi nuqtalar qaysi tanadan o‘sganiga oid avvalgi strukturaviy identifikatsiyaga ega bo‘ladi.

Bu afzallik ayniqsa:

• bir-biriga juda yaqin tanalarda,
• coppice novdalarida,
• zich toj qoplashuvida

yaqqol ko‘ringan.

Shunga qaramay, tana semantikasi mukammal emas. Agar tana tasniflashda o‘tkazib yuborilsa, haqiqiy daraxt uchun seed hosil qilib bo‘lmasligi mumkin. Shox, novda yoki quyi o‘simlik qismi xato tarzda tana deb tasniflansa, soxta bog‘lanishlar va seed-lar paydo bo‘lishi mumkin.

Daraxt Bo‘yi va DBH Avtomatik Ravishda Qanchalik Aniq Ajratib Olindi?

Alohida daraxt segmentatsiyasi dala daraxtlari bilan bir-biriga moslashtirilgach, 812 daraxtda strukturaviy parametrlarni ajratib olish amalga oshirilgan.

Daraxt bo‘yi

Umumiy baholash:

Regressiya qiyaligining 1 ga yaqinligi baholangan balandliklar dala o‘lchovlaridagi o‘zgarishni katta darajada kuzatganini ko‘rsatgan.

DBH

Tadqiqotda to‘rtta DBH ajratib olish usuli taqqoslangan:

Least-Squares Circle Fitting ko‘krak balandligi kesimidagi nuqtalarning umumiy geometriyasini birgalikda ishlatgani sababli mahalliy bo‘shliqlar yoki bir nechta chekka nuqtalardan range va convex-hull usullariga qaraganda kamroq ta’sirlangan.

Biroq barcha DBH usullarida Bias musbat; ya’ni ushbu ma’lumot sharoitida ma’lum darajada tizimli ortiqcha baholash kuzatilgan.

Natijalar qaysi shartlarga bog‘liq?

Bu samaradorlik yuqori zichlikdagi, integratsiyalashgan toj osti va toj usti LiDAR ma’lumotlarida olingani alohida qayd etilishi kerak.

Faqat yuqoridan bajariladigan standart UAV-LiDAR parvozlarida toj qoplami ko‘krak balandligi atrofini sezilarli darajada yashirishi mumkin. Bunday holatda:

• tana semantic point soni kamayishi mumkin,
• anchor layer parchalanishi mumkin,
• DBH kesimlari to‘liq bo‘lmasligi mumkin,
• seed-point xatolari ko‘payishi mumkin.

Shuning uchun natijalarni nuqta zichligi past, qoplami juda kuchli, aralash turlardan iborat yoki turli yosh sinflaridagi barcha o‘rmonlarga to‘g‘ridan-to‘g‘ri umumlashtirmaslik kerak.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• IPN++ ushbu yetti evkalipt uchastkasida tana semantikasini PointNet++ va boshqa taqqoslash usullariga qaraganda yaxshiroq tasniflagan.
• Tana semantic point-larini anchor sifatida ishlatish zich plantatsiyalarda alohida daraxt segmentatsiyasini yaxshilagan.
• TSG-ITS CHM-WS, EDC va MSCMga qaraganda yuqoriroq umumiy F-score olgan.
• Segmentatsiyasi muvaffaqiyatli moslashtirilgan daraxtlarning bo‘yi va DBH qiymatlari UAV-LiDAR nuqta bulutidan avtomatik ajratib olingan.
• LSCF tadqiqotda baholangan to‘rtta DBH usuli ichida eng past umumiy xatoni bergan.

Tadqiqot qo‘llab-quvvatlamaydigan talqinlar

• Usul barcha o‘rmon turlarida bir xil aniqlik bilan ishlashi ko‘rsatilmagan.
• Faqat standart yuqoridan UAV-LiDAR yordamida xuddi shu natijalar olinishi ko‘rsatilmagan.
• Semantik tana ma’lumoti barcha chegara noaniqligini bartaraf etmaydi.
• IPN++ to‘liq end-to-end alohida daraxt instance segmentation modeli emas; semantik tasniflash va qoida/struktura asosidagi TSG-ITS ketma-ket qo‘llanadi.
• DBH bahosi mukammal emas; barcha usullarda musbat bias qayd etilgan.

Manba va Usul Izohi

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

Yuklangan PDFdagi mualliflar: Jianxin Tang; Hua Sun.

PDF muassasalari: 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.

Manba turi: UAV-LiDAR, o‘rmonchilik masofadan zondlash va chuqur o‘rganishni birlashtiruvchi tadqiqot.

Yuklangan versiya: SSRN preprint.

SSRN Abstract ID: 6829950.

SSRN DOI: 10.2139/ssrn.6829950.

SSRN ro‘yxatga olish sanasi: 26 may 2026.

Preprint taqriz holati: Yuklangan PDF unda ekspert taqrizidan o‘tmaganini aniq qayd etadi.

Joriy nashr holati: 2026-yil sentabr holatiga ko‘ra ayni sarlavhali tadqiqot Science of Remote Sensing jurnalida DOI 10.1016/j.srs.2026.100496 bilan nashr etilgan ko‘rinadi. Joriy indeks yozuvlari ushbu versiya uchun Binbin Wang, Jianxin Tang va Hua Sun mualliflar ro‘yxatini ko‘rsatadi. Ushbu Verianla matnining ilmiy mazmuni foydalanuvchi taqdim etgan ikki muallifli preprint versiyasiga asoslanadi; keyinchalik nashr etilgan versiya bilan yashirincha birlashtirilmagan.

Ma’lumot yig‘ish: Iyun 2025; yettita 25 × 25 m evkalipt uchastkasi; integratsiyalashgan under-canopy va above-canopy UAV-LiDAR; Livox Mid-360.

Dala tekshiruvi: 993 ta alohida daraxt segmentatsiyasi tekshiruvi; 812 daraxtda strukturaviy parametr tekshiruvi.

Model tekshiruvi: Uchastka darajasida yetti aylanishli leave-one-out cross-validation.

Asosiy usul zanjiri: Semantik yorliqlash → IPN++ stem extraction → breast-height anchor layer → voxel/connectivity seed identification → bottom-up layered growing → individual-tree reconstruction → tree height va DBH extraction.

Muallif hissalari: PDFga ko‘ra J.T. konseptuallashtirish va usulni loyihalagan, dala ma’lumotlari va tasvirlarni to‘plagan, hisoblash/tahlil hamda dastlabki qoralamani amalga oshirgan. H.S. moliyalashtirish va nazoratni ta’minlagan, maqola yozilishi va tahririga hissa qo‘shgan.

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

Ma’lumotlarning mavjudligi: Manba ma’lumotlarni corresponding author-dan so‘rov asosida olish mumkinligini bildiradi.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Eng muhim metodologik cheklov: Usul yuqori zichlikdagi, toj osti va toj usti skanerlari birlashtirilgan ma’lumot sharoitida baholangan. Past zichlikdagi point cloud, zich qoplama, aralash o‘rmonlar yoki turli yosh sinflarida qo‘shimcha tekshiruv talab etiladi.

Vizual qayta qurish: Juda mos. Original Verianla vizualida nuqta buluti, IPN++ tana semantikasi, anchor layer, seed nuqtalari, layered growing, TreeID ajratilishi hamda bo‘y/DBH o‘lchovi bitta gorizontal ish oqimida ko‘rsatilishi mumkin.

Verianla Live / Live Figure: Mos. Semantik sinflardan tana nuqtalarini ajratish va alohida daraxtlarning qatlamma-qatlam shakllanishini ko‘rsatadigan sobit parametrli animatsiya tayyorlanishi mumkin.