Layer Stacking: A Novel Algorithm for Individual Forest Tree Segmentation from LiDAR Point Clouds

Abstract

As light detection and ranging (LiDAR) technology advances, it has become common for datasets to be acquired at a point density high enough to capture structural information from individual trees. To process these data, an automatic method of isolating individual trees from a LiDAR point cloud is required. Traditional methods for segmenting trees attempt to isolate prominent tree crowns from a canopy height model. We here introduce a novel segmentation method, layer stacking, which slices the entire forest point cloud at 1-m height intervals and isolates trees in each layer. Merging the results from all layers produces representative tree profiles. When compared to watershed delineation (a widely used segmentation algorithm), layer stacking correctly identified 15% more trees in uneven-aged conifer stands, 7%–17% more in even-aged conifer stands, 26% more in mixedwood stands, and 26%–30% more (with 75% of trees correctly detected) in pure deciduous stands. Overall, layer stacking's commission error was mostly similar to or better than that of watershed delineation. Layer stacking performed particularly well in deciduous, leaf-off conditions, even those where tree crowns were less prominent. We conclude that in the tested forest types, layer stacking represents an improvement in segmentation when compared to existing algorithms.

Résumé. Avec les progrès de la technologie lidar «LiDAR», il est devenu courant pour les ensembles de données d’être obtenus à une densité de points suffisamment élevée pour capturer des informations structurelles d'arbres individuels. Pour traiter ces données, une méthode automatique d'isolement des arbres individuels à partir d'un nuage de points LiDAR est nécessaire. Les méthodes traditionnelles de segmentation d'arbres tentent d'isoler les cimes proéminentes des arbres à partir d'un modèle de la hauteur de la canopée. Nous présentons ici une nouvelle méthode de segmentation, à savoir l'empilage des couches (layer stacking), qui tranche tout le nuage de points de la forêt à des intervalles de hauteur de 1 m et isole les arbres dans chaque couche. La fusion des résultats de toutes les couches produit des profils d'arbres représentatifs. Par rapport à la délimitation des bassins versants (un algorithme de segmentation largement utilisé), l'empilage des couches a correctement identifié 15% plus d'arbres dans des peuplements de conifères d'âges inégaux; 7%–17% de plus dans les peuplements de conifères de même âge; 26% de plus dans les peuplements mixtes; et 26%–30% de plus (avec 75% des arbres correctement détectés) dans les peuplements de feuillus purs. Dans l'ensemble, l'erreur de commission de l'empilage des couches est généralement similaire ou meilleure que celle de la délimitation des bassins versants. L'empilage des couches a particulièrement bien performé dans des conditions de feuillus sans feuilles, même celles où les cimes des arbres étaient moins importantes. Nous concluons que, dans les types de forêts testés, l'empilage des couches représente une amélioration de la segmentation par rapport aux algorithmes existants.

ACKNOWLEDGMENTS

We thank the U.S. Forest Service, Northern Research Station for providing LiDAR and field data used in this study, and we thank Nicole Rogers in particular for assistance with data access and interpretation. We thank the University of Maine's Cooperative Forestry Research Unit for providing field and LiDAR data for the Austin Pond study site. We thank Bruce Cook and NASA Goddard's G-LiHT team for use of their LiDAR data for the Penobscot Experimental Forest. We thank the Leading Edge Geomatics for use of their LiDAR at the Noonan site. We thank the University of Moncton's Northern Hardwood Research Institute for the use of their TIFFS segmentation software.

FUNDING

Field measurements were supported by the National Science and Engineering Research Council, Discovery Grant program, and the New Brunswick Innovation Fund, Research Assistants Initiative.