社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

RSE最新成果|Sim2Real+数字孪生驱动!面向深度学习激光雷达森林结构分析的合成数据生成框架

GEE遥感训练营 • 5 月前 • 187 次点击  

论文摘要



精准刻画森林三维(3D)结构是森林资源清查、生态监测、生物多样性保护及资源可持续管理的基础。近年来,深度学习在林业领域的应用日益广泛,为实现自动化特征提取与结构分析展现出变革性潜力。然而,大规模、高质量标注的森林点云数据集稀缺,制约了方法创新与数据驱动模型的可靠落地。为突破这一瓶颈,本文基于数字孪生体(Digital Cousins)与仿真到现实(Sim2Real)理念,提出一套全自动合成数据生成框架,可适配多尺度、多激光扫描平台。依托该框架,构建了北方森林三维数据集(Boreal3D),包含 1000 个结构多样的森林样地,分别模拟机载激光扫描(ALS)、无人机激光扫描(ULS)、移动激光扫描(MLS)与地面激光扫描(TLS)数据。该数据集共包含 48403 棵树木、超 353 亿个点云,每个点均标注语义标签与实例标签,并附带采集元数据及详细结构参数(如胸径、冠幅、叶面积、木材蓄积量等)。据我们所知,从点云总量来看,Boreal3D 是目前全球规模最大的全标注森林样地合成点云数据集。大量实验表明,基于 Boreal3D 预训练的模型能够提升真实场景下森林精细三维结构分析精度。值得注意的是,仅使用 20% 真实数据微调即可达到与全量真实数据训练相当的效果,充分体现了合成预训练的高效性与可迁移性。该研究提供了可拓展的生成框架与大规模数据集,为推进大尺度森林三维结构解析相关研究奠定了重要基础。

关键图表



图 1.数据集生成技术流程总览。

图 2.各激光扫描平台的扫描布设方案,从左至右依次为:地面激光扫描(TLS)、移动激光扫描(MLS)、无人机激光扫描(ULS)、机载激光扫描(ALS)。黑色圆点代表样地内单木位置;地面激光扫描(TLS)中的红色菱形为 5 个扫描站点;移动激光扫描(MLS)的虚线为自动规划的移动轨迹;蓝色线条为无人机激光扫描(ULS)的井字形航线;绿色线条为机载激光扫描(ALS)的飞行航线。
图 3.多平台模拟点云俯视图,从左至右依次为:地面激光扫描(TLS)、移动激光扫描(MLS)、无人机激光扫描(ULS)、机载激光扫描(ALS)。TLS 中的红点为扫描站点,MLS 中的红点为移动轨迹。
图 4.样地点云的语义标签与实例标签可视化。(a) 为语义标注结果,(b) 为实例标注结果,标签采用随机配色。

图 5.不同扫描平台下各语义类别的点云数量。

图 6.不同复杂程度森林样地六项核心属性的小提琴图。单位:树木密度(株 / 公顷)、胸径(m)、叶面积(m²)、树高(m)、冠幅面积(m²)、木材蓄积量(m³)。

图 7.不同复杂程度样地的地面激光扫描(TLS)点云可视化示例,从左至右依次为:简单样地、中等复杂样地、复杂样地。

图 8.语义分割结果可视化。上行为真实标签,下行为微调后模型的预测结果。

图 9.实例分割结果可视化。从左至右:(1) 真实标签;(2) 仅使用真实数据训练模型的分割结果;(3) 预训练模型微调后的优化结果。黑色矩形框标注了微调模型相比纯真实数据训练模型性能更优的局部区域。

图 10.OpenGF 数据集中两块测试样地的地面点滤波定性结果。上行为真实标签;红色点为被误分为地面点的非地面点,蓝色点为被误分为非地面点的地面点。

图 11.TreeISO 方法与微调后 TreeLearn 方法在移动激光扫描(MLS)测试集上的实例分割结果。从左至右:(1) 真实标签;(2) TreeISO 分割结果;(3) 微调后 TreeLearn 分割结果。

图 12.枝干‑叶片分离结果可视化。从左至右:(1) 真实标签;(2) 微调模型分割结果;(3) 错分点;其中红色点为被误分为叶片的枝干点,蓝色点为被误分为枝干的叶片点。

图 13.基于个体森林动态模型 SORTIE‑ND 模拟的北方林分。从该林分中随机选取 10 块 20 m×20 m 样地,用于构建生态约束型合成场景。

图 14.由森林生长模型 SORTIE‑ND 模拟得到的 10 块样地点云。

版权声明

声明:本推文仅用于学习交流,不做其他任何目的。若有侵权,请联系微信号:GeeStudy_2020删除或修改!论文doi链接:https://doi.org/10.1016/j.rse.2026.115436,点赞、收藏、关注!

更多阅读



RSE最新成果|基于物候去趋势指数的火烧烈度分析框架,优化卫星野火遥感监测

2026-05-24

RSE最新成果|北京师范大学刘绍民团队面向遥感蒸散发估算的物理约束机器学习模型构建与验证

2026-05-23

ISPRS最新成果|武汉大学钟燕飞团队提出IAPVec:由粗到精多任务学习的高精度农业地块自动矢量化框架(代码开源)

2026-05-21

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/196964