摘要

激光雷达（LiDAR，Light Detection and Ranging）已成为生物圈监测中遥感技术工具箱中不可或缺的组成部分。特别是，LiDAR能够以前所未有的精度实现森林叶面积的制图，而叶面积长期以来一直是影响植被与大气之间气体交换模型准确性的关键不确定性来源。无人飞行器（UAV）具有部署便捷的优势，因而可实现高频次重访，有效追踪植被对气候变化的响应。然而，搭载于UAV上的小型传感器通常生成的点云密度较低，且由于树冠从上至下逐渐增强的遮挡效应，点云密度呈现显著递减趋势。在此背景下，如何从点云中准确区分叶片点与木质点成为一个重大挑战，尤其源于类别严重不平衡以及采样密度在空间上分布不均的问题。本文提出一种基于PointNet++架构的神经网络模型，该模型仅利用点云的几何信息（不依赖任何光谱数据）。为应对局部数据稀疏问题，我们设计了一种创新的采样策略，旨在最大限度保留局部关键的几何特征。同时，针对类别严重不平衡的问题，我们提出一种适配的损失函数。实验结果表明，该模型在UAV获取的点云数据上显著优于现有的先进方法。最后，我们讨论了未来可能的改进方向，特别是针对从树冠下方获取的高密度点云数据的处理潜力。