Individual Tree Delineation in Deciduous Forest Areas with LiDAR Point Clouds

Abstract

Detection and delineation of individual trees is important for the estimation of forest information using Light Detection and Ranging (LiDAR) point clouds. However, over-segmentation of canopy height models (CHMs) is frequently caused by subcrowns and branches, whereas under-segmentation is caused by adjacent crowns, especially in deciduous forests. To eliminate such problems, an approach for delineating individual trees based on curvature attributes derived from LiDAR data is proposed. To detect accurate treetops for reducing over-segmentation, the dominant sizes of tree crowns are first determined and used to fit the dome-shaped tree crowns in CHMs, and then the minimum curvature values of fitted CHMs at different scales are calculated for treetop detection. For delineation of individual trees, tree features such as height variation and curvature are chosen to form a feature vector as a pixel-level logistic regression classifier. Then an ensemble classifier combining multiple logistic regression classifiers is trained to analyze the similarity between neighboring points to reduce under-segmentation. Finally, segment maps at different scales are integrated to generate the final segment map. Our experimental results on 2 test areas demonstrate that the proposed method has promising applications for eliminating over-segmentation and under-segmentation in deciduous forests.

Résumé

La détection et la délinéation de l’arbre individuel sont importantes pour l’estimation de l’information de la forêt en utilisant LiDAR (« Light Detection and Ranging ») de nuage de points. Cependant, la segmentation excessive de CHMs (« canopy height models ») est fréquemment causée par les sous-couronnes et les branches; la segmentation insuffisante est entraînée par les couronnes adjacentes, notamment dans la forêt de feuillus. Pour éliminer ces problèmes, l’ approche de délinéer l’arbre individuel basée sur l’attribut de courbure dérivé des données de LiDAR est proposée. Afin de détecter les cimes des arbres précises à réduire la segmentation excessive, ces tailles dominantes de la couronne de l’arbre sont d’abord déterminées et utilisées pour se conformer à la couronne en forme de dôme en CHMs. Puis, les valeurs de la courbure minimale de CHMs approprié de différentes échelles sont calculées à la détection de la cime. Quant à la délinéation de l’arbre individuel, les caractéristiques de l’arbre telles que la variation de hauteur et la courbure sont choisies à former un vecteur de caractéristique d’un classificateur de régression logistique du niveau de pixel. Ensuite, un ensemble de classificateur combinant plusieurs classificateurs de la régression logistique est employé à analyser la similitude des points voisins pour réduire la segmentation insuffisante. Enfin, des cartes de segment avec différentes échelles sont intégrées à générer la carte de segment finale. Le résultat expérimental dans deux zones d’essai démontre que l’approche proposée dans ce papier dispose des applications prometteuse pour l’élimination des segmentations excessive et insuffisante dans la forêt du feuillus.