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

纯森林数据集是迄今为止最大最全面的用于树种识别的激光雷达数据集和 / 或航空图像数据集，可支持深度学习方法的开发，并提供具有挑战性的基准数据集。

Apr, 2024

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

利用遥感图像和基于 Mask R-CNN 的实例分割模型，个别划定高山和高纬度生态系统中杜松灌木树线上的位置，以监测气候变化对其产生的长期影响。通过新型的数据构建设计和基于多重交叉的地面真实区域度量，有效地克服了传统实地调查方法存在的局限，并实现了对复杂生长模式物种的准确划定。

Jan, 2024

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

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

本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别，并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木，正确地对超过 80% 的 40 种不同类型的树木物种进行分类，以及正确地检测并识别超过 90% 的变化操作。

Oct, 2019

无人机在树木检测中的应用方法进行了回顾和分析，包括利用点云数据的 LiDAR 和数字航空摄影 (DAP) 方法以及直接使用图像的深度学习 (DL) 方法，并统计了近年来使用不同方法进行树木检测的研究数量，指出基于图像的 DL 方法在树木检测研究中已成为主流趋势。该回顾可为希望在特定森林进行树木检测研究的科研人员提供帮助和指导，同时也可帮助农民利用无人机管理农业生产。

Sep, 2023

利用深度学习的方法对森林点云进行语义和实例分割，通过已标注的数据和引入全新的参考数据集，该方法在提高树木分割性能方面表现出良好的成绩。

Sep, 2023