UFNet:基于移动激光扫描(MLS)点云的景观森林高大乔木林下干扰物滤除方法OA

【目的】高大乔木的结构稳定性是景观森林可持续管理的核心,其精准监测与信息提取已成为城市绿地管理的关键任务。然而,林下支撑物与灌木等干扰物常遮挡或混淆主干点云,制约林分信息获取精度。针对这一问题,本研究提出一种林下干扰物自动滤除方法,以获取清晰、准确的高大乔木主干结构信息,支撑城市森林数字化监测与精细化管理。【方法】本文提出一种基于移动激光扫描(MLS)点云的智能滤除方法UFNet。为准确提取体素内的局部几何特征,该方法首先通过体素特征编码模块实现原始点云的特征增强;随后,利用子流形稀疏卷积模块在保持数据稀疏性的同时高效提取深层语义信息,避免特征在复杂林区场景下的无效扩散;最后,通过层次化的编码器-解码器结构实现多尺度特征融合,以增强对细小干扰物与乔木主干边界的感知能力,实现干扰物的精准自动滤除。【结果】UFNet在复杂林下环境中展现出稳定的语义分割性能,能够有效区分干扰物与树干。在上海植物园林木样地的实验中,UFNet整体表现为精度88.72%、召回率88.65%、F_(1)88.69%、交并比79.67%。与5种深度学习方法相比,UFNet的精度、召回率、F_(1)、交并比分别提升3.48~10.21、5.04~11.37、4.27~10.80和6.63~15.88个百分点。干扰物滤除后,点云结构显著清晰,单株分割的F_(1)分数提升至94.64%,交并比提升至89.83%。【结论】UFNet具备出色的林下干扰物滤除能力,可有效提升高大乔木结构信息的获取精度,可为以乔木为主体的城市景观森林开展三维建模与精细化管理提供关键技术支撑。