Baumartenklassifikation basierend auf PointNet++ Deep Learning und True-Colour-Punktwolke

Die genaue Identifizierung von Baumarten ist die Grundlage für Forstressourcenerhebungen und ein wichtiges Forschungsfeld in der forstlichen Fernerkundung. Die Einführung des PointNet++ Deep Learning Netzwerks zur Verarbeitung von Punktwolken bietet einen neuen Ansatz zur Identifizierung von Baumarten. Dieses Netzwerk kann ungeordnete Punktwolken direkt berechnen und trainieren, wodurch der manuelle Auswahl- und Extraktionsprozess von Merkmalsdaten erheblich reduziert wird. Allerdings ist die Frage, wie ein qualitativ hochwertiges Punktwolkendatensatz von Einzelbäumen etabliert werden kann, ein zentrales Problem, das gelöst werden muss. In dieser Studie wurde ein 2,5-ha großer gemäßigter Nadel-Laub-Mischwald in der Mao'er Mountain Experimental Forest Farm in der Provinz Heilongjiang, China, untersucht. Das RGB-Bild der unbemannten Luftfahrt (UAV) und das LiDAR-synchrone Beobachtungssystem wurden verwendet, um die True-Colour-Punktwolken des Waldes zu erhalten. Durch die Kombination von Upsampling- und Downsampling-Methoden wurde ein Datensatz erstellt, der Koordinaten, Normalenvektoren, RGB und Intensitätsinformationen aus der ursprünglichen Punktwolke enthält. Vergleichsexperimente wurden basierend auf ReSampling-Algorithmen, Anzahl der Stichprobenpunkte, Merkmalinformationen und Zeitkosten entworfen, um die optimalen Merkmalsinformationen und Verarbeitungsmethoden zur Baumartenklassifikation zu finden. Die Ergebnisse zeigten, dass die Genauigkeit der Baumartenklassifikation mit PointNet++ erheblich verbessert wurde, nachdem RGB- und Punktwolkensichtbarkeitsinformationen hinzugefügt wurden. Die Klassifikationsgenauigkeit war etwa 5% höher als bei der Verwendung nur von Koordinatendatensätzen. Darüber hinaus erzielte die Kombination des PU-Net Downsampling-Netzwerks basierend auf der Punktwolkenvollständigung und der geometrischen Upsampling-Methode die höchste Klassifikationsgenauigkeit (OA = 0,944), als die Anzahl der Einzelbaum-Punktwolken 3072 betrug. Der Algorithmus benötigte auch eine relativ kürzere Laufzeit. Diese Studie zeigte, dass die Einführung von Mehrfachmerkmalsinformationen und die Optimierung der ReSampling-Methode neue Lösungen für die Baumartenklassifikation basierend auf dem PointNet++ Deep Learning Netzwerk bieten können.