基于改进PointNet++网络的无人机LiDAR混交林单木分割方法

《Frontiers in Plant Science》：Individual tree segmentation from UAV LiDAR # based on PointNet++ network

　　

准确识别和提取单木是利用遥感技术进行森林调查的重要基础任务。本研究选取中国东北地区常见的针阔混交林作为研究区，利用基于无人机的光探测与测距（UAV LiDAR）系统获取点云数据。为了提高混交林单木分割精度，提出了一种基于PointNet++深度学习网络的单木分割方法。首先，构建了包含坐标、RGB、强度、回波数等多通道特征的训练数据集。在原始PointNet++网络模型中引入通道注意力机制和倒残差多层感知机（Inverted Residual Multilayer Perceptron, IRM）模块，以增强网络性能。然后，利用该网络对混交林中的针叶树、阔叶树和地面点进行语义分割。在语义分割结果的基础上，提出了一种结合局部最高点和密度极大值点的方法来定位单木，并最终通过层堆叠分割算法实现单木分割。与三种传统分割算法（基于标记的分水岭算法、基于距离的分割算法、均值漂移算法）以及PointNet的对比分析表明，改进的PointNet++在本研究的所有对比方法中取得了最高的精度（r=0.836，p=0.849，F₁=0.843）。在本研究的实验条件下，所提方法提高了针阔混交林中单木分割的精度，可为后续的树木结构参数提取、树种识别和生物量估算等研究提供基础数据。

森林是陆地生态系统的主体，单木是森林资源调查和生态建模的基本单元。传统的地面调查方法耗时费力，而光探测与测距（LiDAR）技术能够主动获取地物三维结构，为快速精确获取树木信息提供了新手段。无人机（UAV）平台的快速发展进一步提供了灵活高效的点云获取途径。现有的单木分割方法主要分为基于冠层高度模型（CHM）和基于离散点云两类。基于CHM的方法在插值和平滑过程中易引入误差；基于点云的方法直接处理三维数据，但数据量大、处理效率低，尤其在结构复杂的针阔混交林中分割精度仍待提高。深度学习方法如PointNet和PointNet++已在点云处理中展现潜力，但相关研究多针对结构单一的森林，在复杂森林中的应用仍需探索。为此，研究人员以黑龙江省尚志市帽儿山实验林场的针阔混交林为研究区，提出一种基于改进PointNet++的单木分割方法，以提高复杂林分条件下的单木分割精度。

研究人员利用UAV LiDAR获取了研究区点云数据，点云共包含1.14亿点，平均点密度为200点/m²，并基于航空影像赋予RGB信息。野外调查在2022年7月31日完成，随机抽取15个50 m×50 m样地，测量了落叶松、红松、榆树、水曲柳、核桃楸、白桦等6个树种的胸径、树高和冠幅。研究人员将15个样地按比例划分为10个训练样地和5个测试样地。构建了包含坐标（X,Y,Z）、RGB（R,G,B）、激光强度（I）和回波数（N）的多通道特征训练集。在原始PointNet++网络中引入通道注意力机制和倒残差多层感知机（IRM）模块，以增强特征表达能力。网络对针叶树、阔叶树和地面点进行语义分割；随后结合局部最高点和密度极大值点定位树位置，并通过层堆叠分割算法完成单木分割。对比算法包括基于标记的分水岭算法、基于距离的分割算法、均值漂移算法以及PointNet基线。

### 研究结果

#### 4.1.1 语义分割分析
训练过程中，多特征输入的PointNet++较仅坐标输入的原始网络精度提高约3%，但收敛速度变慢；加入通道注意力和IRM模块后，收敛速度加快且精度进一步提高。在测试集上，多特征输入使总体精度（OA）提高3.06%，平均交并比（mIoU）提高5.64%；进一步加入通道注意力和IRM后，OA和mIoU分别达到93.91%和90.49%。其中地面点分割精度最高，阔叶树次之，针叶树相对较低。

#### 4.1.2 单木提取结果分析
对比三种定位策略，仅用局部最高点的F₁为0.790，仅用密度极大值点为0.823，两者组合的F₁达0.843。局部最高点偏差较大，约1/3点偏差超过50%；组合后偏差多数在10%~30%之间。针叶树定位精度高于阔叶树。

#### 4.2 分割结果对比分析
在独立测试样地上，CA-IRM-PointNet++在所有树中取得最高精度（r=0.836，p=0.849，F₁=0.843），针叶树F₁=0.865，阔叶树F₁=0.828。传统算法中，基于标记的分水岭算法最差（F₁=0.671），阔叶树过分割严重（p=0.716）。改进的PointNet++明显降低了误分割风险。

#### 4.3 敏感性分析
匹配阈值在5~15 m变化时，F₁保持稳定；融合参数a在0.5~3.0范围内，针叶树在a=1时F₁最高，阔叶树在a=2时最高，总体变化较小，表明方法对参数选择不敏感。

#### 4.4 点云质量评估
采用完整性指标（NTP、NFN、NFP）评估单木点云质量。改进PointNet++方法的平均NTP为87.9%，NFN大多在10%左右，NFP在5%~10%之间，优于传统算法；针叶树点云质量高于阔叶树，约1/3阔叶树NTP低于50%，表明阔叶树分割更易受冠层重叠影响。

### 讨论与结论

讨论部分指出，多特征输入有效提升了语义分割精度，通道注意力机制能够增强关键通道特征，IRM模块在保持特征提取能力的同时控制计算开销。与传统算法相比，深度学习方法通过语义分割降低了混交林参数调整难度，但阔叶树冠层重叠问题仍未完全解决。局限性包括未单独量化IRM模块的贡献、缺少外部数据集验证、样地地形平坦等。

研究结论如下：本研究利用UAV LiDAR获取了带有RGB信息的混交林三维点云，提出了基于PointNet++的单木分割方法。与仅坐标信息相比，多特征输入使OA提高3.06%、mIoU提高5.64%；加入通道注意力和IRM后，OA和mIoU分别达到93.91%和90.49%。四种算法比较中，基于PointNet++的算法精度最高（r=0.836，p=0.849，F₁=0.843），针叶树正确分割率0.859，阔叶树0.821。完整性评估表明，该方法单木点云平均完整性超过85%，具有良好稳定性。研究结果为混交林单木分割提供了方法支持，并为提取森林结构参数、树种识别和生物量估算提供了基础数据。