介绍了一种用于处理森林点云的方法，通过用垂直平面对森林按层次分层，估算每个层次的点密度、训练出一个避免先验假设和复杂模型的树木分割模型，并采用分布式计算对大型森林进行高效处理。

Jul, 2017

本文研究利用激光雷达技术 (LiDAR) 建立森林树木分割模型，通过点密度实现森林资源的远程精确量化。同时，该方法也可以应用于其他远程感应技术以及高级成像技术，如地质亚表面建模或生物医学组织分析。

Feb, 2017

本文提出了一种基于无人机激光雷达数据的无参数分割决策树的方法，该方法可以准确地识别决策树的特征并不需要决策树先验信息。该方法适用于各种地形和植被条件，在测试中正确识别 94% 的优势树和共优势树，正确识别 62% 的中等、淹没和死树，总体分割准确度为 77%。

Jan, 2017

利用多层次结构的 LiDAR 对野生森林进行 3D 注释，提出了一个同时预测 3D 点云标签和高分辨率层占用栅格的深度网络结构，以此实现对每层厚度和相应的闭合网格的精确估计，并发布了相关数据集和模型。

Apr, 2022

通过介绍一种深度学习框架，本研究旨在自动地将高密度点云分割为有意义的树木实体，以及树组件，并从分割数据中获得相关的生物物理参数。通过测试，该系统在个体树木和五个语义类别的分割上取得了较高的准确性，在树冠相关特征方面表现尤其突出，而对于树直径和位置的估计相对不太可靠，这是由于航空扫描设置的原因。

Dec, 2023

使用 Pointnet ++ 模型及创新的采样策略和损失函数，该研究提出了一种基于光学遥感技术 LiDAR 和无人机采集的点云数据的神经网络模型，该模型可以有效地区分森林里木质和叶状物的点，以提高其应用场景中的精确性和可靠性。

May, 2023

该研究使用深度学习模型推进了激光雷达数据中的个体树冠分割，适用于不同的激光扫描类型：机载（ULS），地面（TLS）和移动（MLS）。它解决了 3D 森林场景分析中在不同数据特征之间的可转移性挑战。研究评估了模型在平台（ULS，MLS）和数据密度上的性能，测试了包括稀疏版本在内的五种输入数据情景，以评估其适应性和冠层功效。该基于 PointGroup 架构的模型是一个具有语义分割和实例分割两个独立头部的 3D CNN，在各种点云数据集上得到了验证。结果表明，点云稀疏化能提高性能，有助于稀疏数据处理，并改善对密集森林中的检测。该模型在每平方米大于 50 个点的密度下表现良好，但在每平方米 10 个点的情况下性能较差，由于漏掉的比例更高。它在检测率、漏掉率、错误率和 F1 分数方面优于现有方法（如 Point2Tree，TLS2trees），并在 LAUTx、Wytham Woods 和 TreeLearn 数据集上设立了新的基准。总之，该研究显示了一种对于不同激光雷达数据的无感知模型的可行性，超越了传感器特定方法，并在树木分割中树立了新的标准，特别是在复杂森林中。这对于未来的生态建模和森林管理的进步做出了贡献。

Jan, 2024

本研究采用高分辨率卫星影像，利用视觉变换技术和自我监督模型，同时生成了加利福尼亚和圣保罗地区的林冠高度图，可以有效观测森林生长和可持续农林业管理，是全球碳循环和应对气候变化的重要研究领域之一。

Apr, 2023

利用三维 LiDAR 测量和二维图像融合来实现准确统计树木数量，与其他算法比较，深度学习方法 FuseCountNet 能够提供更准确的结果。

Mar, 2024

通过使用图割方法和充分利用可用数据，开发了一种三维树木描绘方法，可以识别森林中的个体树木并获得精确的树冠特征数据。

Jan, 2017