Paper题目：A Deep Learning-Based Method for Extracting Standing Wood Feature Parameters from Terrestrial Laser Scanning Point Clouds of Artificially Planted Forest

Abstract

利用基于三维点云的技术量化立木和立木参数，可以在林业生态效益评估和立木培育和利用中发挥关键作用。随着光探测与测距（LiDAR）扫描等三维信息获取技术的进步，可以更高效地获取大面积、复杂地形的树木林分信息。然而，由于森林地面的多样性、树木形态的多样性，以及林业经常种植为大规模人工林的事实，有效地分割人工种植的森林点云并提取立木特征参数仍然是一个相当大的问题。挑战。在这项工作中提出了一种基于能量分割和 PointCNN 的有效方法来解决这个问题。该网络通过几何特征平衡模型 (GFBM) 增强了学习点云特征的能力，从而能够从户外环境中地面激光扫描 (TLS) 收集的林业点云数据中有效地分割树木点云。然后利用3D Forest软件得到语义分割后的单木点云，最后利用提取的单木点云利用TreeQSM提取立木特征参数。点云语义分割方法是我们研究中最重要的部分。根据我们的发现，该方法可以分割两个不同人工种植的林地点云的数据集，整体精度为 0.95，树木分割精度为 0.93。与人工测量相比，两个数据集中树高的均方根误差 (RMSE) 分别为 0.30272 和 0.21015 m，胸径的 RMSE 分别为 0.01436 和 0.01222 m。我们的方法是一个基于深度学习的稳健框架，适用于林业，用于提取人工种植树木的特征参数。解决了人工种植树木中树木点云的分割问题，为树木信息提取、树干形状分析等提供了可靠的数据处理方法。

Keywords࿱