几何驱动的地面激光雷达平台无关的木质—叶状语义分割与三维森林可燃物表征框架

《Remote Sensing》：From Wood–Foliar Semantics to 3D Fuel Characterization: Transferable Deep Learning for Terrestrial LiDAR Across Global Forest Ecosystems

　　地面激光雷达（LiDAR）能够提供详细的森林结构三维（3D）观测数据，然而由于森林结构的异质性、遮挡以及不同森林生态系统和地面激光雷达平台之间的变异性，可迁移的木质—叶状语义分割仍然是一项挑战。现有的深度学习（DL）方法通常针对局部森林条件或复杂的多类别语义分类体系开发，往往限制了其在结构迥异的森林中的可迁移性。本文提出了一种名为points2SBL的几何驱动、地面激光雷达平台无关的深度学习框架，该框架将异质性森林植被简化为可迁移的木质—叶状表示，并以这些语义为基础进行三维森林可燃物表征。该框架使用跨多个地面激光雷达系统获取的全球标准化基准数据集开发，涵盖阔叶林、针叶林、混交林、更新林以及结构复杂的森林。在相同的训练和评估方案下，对三种基于点的架构（PointNet++、PointNeXt和Point Transformer）进行了基准测试。Point Transformer在跨数据集表现上最为一致，在五个独立基准数据集上实现了92%–94%的总体准确率（OA）、0.78–0.87的平均交并比（mIoU）、0.87–0.93的宏F1分数以及0.74–0.86的马修斯相关系数（MCC）。物种级别、垂直剖面以及跨生态系统的定性评估进一步证明，在整个三维森林可燃物连续体中——包括此前未见过的森林点云——木质—叶状语义始终保持一致，同时揭示了部分表观语义分歧源于基准数据的目视标注。最后，利用一种名为"Points2woodyseg"的几何算法，对points2SBL的木质—叶状语义进行了几何分解，得到与可燃物相关的组份：树干、枝条、叶片、表层木质和表层植被。综上所述，这些结果表明，简化的木质—叶状抽象可以为表征结构异质性的地面激光雷达点云提供可迁移的语义基础，并可在多种森林生态系统中推导出关键的三维森林可燃物信息。