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。
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!