面向森林环境ALS点云的地形注意力地面滤波网络研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A topography-attentional network for ground filtering from ALS point cloud in forest environments

本文推荐一项针对森林环境下机载激光扫描（ALS）点云地面滤波（GF）难题的研究。针对复杂地形突变与森林结构导致的滤波瓶颈，研究团队提出地形注意力地面滤波网络（TAGF-Net），通过地形感知表征、高程注意力聚合与全局特征同质化三大模块，实现高阶地形特征学习与长程上下文信息融合。在加州内华达山脉基准数据集上取得总误差1.16%的领先性能，并在跨数据集验证中展现优异泛化能力，为森林数字高程模型生成及生态监测提供高精度技术支撑。

　　

在茂密的森林中，准确获取地表高程信息如同在绿色海洋中绘制海底地形图一样充满挑战。机载激光扫描（ALS）技术虽能快速获取海量三维点云数据，但如何从包含树木、灌木等植被的混合点云中精准分离出代表真实地面的点，一直是林业遥感领域的核心难题。传统滤波方法依赖人工设定阈值，在复杂地形和植被结构下容易失效；而现有深度学习模型多针对城市或室内场景设计，对森林点云中地形突变、植被遮挡等特殊问题的适应性不足。这一技术瓶颈直接制约了森林数字高程模型（DEM）的精度，进而影响森林碳储量估算、水文模拟和生物多样性研究等关键应用。

为解决这一难题，中国地质大学（武汉）戴文霞团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表研究，提出了一种名为地形注意力地面滤波网络（TAGF-Net）的创新方法。该研究通过引入地形先验知识，构建了兼具局部地形感知能力和全局上下文理解能力的深度学习框架，显著提升了复杂森林环境下地面点分类的精度与鲁棒性。

研究团队通过三大核心技术模块实现突破：首先，地形感知表征模块（TAR）采用方向约束邻域图构建（DCNGC）策略，在二维平面进行八方向分区搜索，有效捕捉垂直方向地形细节；结合高程统计特征（如相对高程、垂直范围等）驱动高阶地形模式学习。其次，高程注意力聚合模块（EAA）通过距离加权的高程注意力机制，强化局部特征聚合中对高程信息的聚焦。最后，全局特征同质化模块（GFH）基于点空间变换器建模长程依赖关系，提升跨区域特征一致性。网络采用编码器-解码器架构，在加州内华达山脉ALS滤波基准数据集上进行训练与测试。

实验结果部分，通过系统验证展现了TAGF-Net的优异性能：

1. 1.
   定量结果分析：在6个测试样区上，TAGF-Net平均总误差（E_T）仅为1.16%，Kappa系数（KP）达96.48%，显著优于对比方法。其中Plot 5因陡峭地形出现较高II类误差（E_II=2.99%），而Plot 16因茂密植被导致I类误差（E_I=0.09%）偏高，但整体保持均衡性能。
   
2. 2.
   定性结果可视化：滤波结果与真实值对比显示，误分点主要集中于植被-地形交界处。网络在密集植被区和陡峭地形均保持稳定输出，大面积区域无明显分类差异。
   
3. 3.
   消融实验验证：方向约束邻域搜索（DCNGC）相比3D KNN策略将E_T从1.53%降至1.16%；移除TPR模块导致E_II上升至5.54%；EAA和GFH模块分别贡献了0.56%的KP提升与长程依赖建模能力。
4. 4.
   对比实验优势：与8种传统及深度学习方法相比，TAGF-Net在E_T和KP指标上全面领先。例如SCF-Net虽在E_I（0.04%）表现优异，但E_II（5.57%）较高；而传统方法SMRF的E_T达9.25%，凸显深度学习方法的突破性进展。
5. 5.
   泛化能力验证：在OpenGF和NEWFOR数据集上的跨区域测试中，未经过重新训练的TAGF-Net仍取得KP≥97.40%的优异表现，尤其在陡坡与密植被区域保持连续地形重建能力，证实其强泛化性。
   

该研究通过地形注意力机制与全局特征融合的创新设计，成功解决了森林ALS点云滤波中地形适应性差与上下文信息利用不足的痛点。TAGF-Net在保持97.45%跨数据集精度的同时，将总误差控制在1.22%以内，为大规模森林DEM生产提供了自动化程度高、适应性强的解决方案。这项技术不仅可提升森林垂直结构量化、冠层高程剖面分析的精度，还将支撑林火风险评估、碳储量监测等生态应用，推动林业遥感向智能化、精细化方向发展。