近日，地球科学领域国际高水平期刊《Geo-Spatial Information Science》（IF=6.0），在线发表我室梁欣廉教授课题组（多源支持感知与认知课题组）研究成果。论文题为“ForestSemantic: a dataset for semantic learning of forest from close-range sensing”。

森林生态系统是陆地上最大的碳库，科学、合理地进行森林经营管理对碳达峰、碳中和意义深远。树木结构特征对于维持生态平衡、提供生态系统服务、调节气候、实现林业可持续发展至关重要。例如，树冠投影面积和树冠体积等属性可以反映森林光照、水循环和气体交换，影响生态系统稳定性；树枝数量是木材生产的重要影响因素。准确了解这些树木特征对提高森林管理和生态系统保护有效性至关重要。

梁欣廉教授课题组构建了迄今为止最大、最详细、最全面的森林地基点云数据集ForestSemantic，在树木模型的细节等级(Level of Details, LoD)中，ForestSemantic是唯一一个在样地级别达到LoD 4的数据集，即二级枝详细程度。ForestSemantic数据集基于不同森林条件下的地面激光扫描数据生成，在样地和单棵树两个尺度上提供点云数据的语义和实例信息，可在这两个尺度进行语义和实例分割研究，如对象检测、分割和分类。

图1. ForestSemantic森林地基点云数据集语义信息

图2. ForestSemantic森林地基点云数据集实例信息

图3. 一级枝信息（a）松树，（b）杉树，（c）桦树

此外，ForestSemantic森林地基点云数据集还提供了每棵树的结构特征参考值，如树冠投影面积、体积、表面积以及每一个一级枝长度等，这些指标在以往工作中很少涉及，相关研究缺乏，可以作为树木结构化信息为创新性研究提供参考。

图4. 树木属性参考（a）树冠投影面积，（b）枝下高，（c）树冠体积，（c）枝长

为展示ForestSemantic在不同场景中的应用潜力，本研究在ForestSemantic数据集上进行了系列实验，如利用传统机器学习算法、point transformer、DGCNN和 PointNet++等进行地面滤波、单木语义分割实验。实验结果如下图所示。

图5. 地面滤波基准实验。(a–e) 非地面点，(f–j) 地面点，(a, f) 人工标注，(b, g) point transformer， (c, h) DGCNN，(d, i) PointNet++，(e, j) morphological filtering.

图6. 单木语义分割实验。分割结果 (a, e, i) 人工， (b, f, j) point transformer，(c, g, k) DGCNN， (d, h, l) PointNet++， (a–d) 桦树，(e–h) 杉树， (i–l) 松树。

图7. 单木语义分割精度评价

近年来，深度学习(Deep Learning，DL)作为算法发展的一个里程碑，在挖掘森林三维生态信息方面显示出巨大潜力。由于深度学习需要大量训练和验证数据，高质量三维森林场景标注数据具有十分重要作用。但是，由于树木具有不规则结构和细小组成部分，即使人工标识树木各组成部分也充满挑战。当前，高质量三维森林场景标注数据还十分匮乏，该数据集弥补业内空白，为基于传统机器学习、深度学习的森林调查方法开发提供数据支持；同时，该数据集也可作为不同系统、不同解决方案的基准，用于定量评价方法准确性，解决不同方法缺乏可比性、可信度和可靠性缺乏定量评价的难题。

相关论文链接：

ForestSemantic: a dataset for semantic learning of forest from close-range sensing：https://www.tandfonline.com/doi/10.1080/10095020.2024.2313325

多源支持感知与认知团队简介：

http://jszy.whu.edu.cn/liangxinlian/zh_CN/index.htm