Detecting Individual-Tree Crown Regions from Terrestrial Laser Scans with an Anchor-Free Deep Learning Model

Abstract

Detecting individual-tree crowns provides a fundamental analysis unit bridging macro ecological patterns and micro physiological functions. This study adapted an anchor-free deep learning model, CenterNet, to detect individual crown locations and regions from dense 3 D terrestrial laser scans. A total of 1181 crowns from twelve plots were manually delineated as reference, among which eight plots were used for training the CenterNet, and another four independent plots for testing model accuracies characterized as the F1-score of location detection and Intersection over Union (IoU) of bounding box area. The maximum training F1-score and IoU were 0.881 and 0.670 over 40k training iterations, respectively. The result testing F1-score and IoU were 0.754 and 0.583, respectively. Five morphological factors were quantified to investigate the causes of accuracy variation among different plots and species, including crown area, tree height, full-width-at-half-maximum, nearest neighbor crown distance, and overlapping ratio of neighboring crowns. Results show that tree height was most important trait for crown detection. A taller, larger, smoother, less crowded, and less overlapped tree was found easier to detect. Among six species, red pine, Scots pine, and silver birch were successfully detected, and Norway spruce, lodgepole pine, and trembling aspen were more difficult to detect.

RÉSUMÉ

La détection de la couronne propre des arbres fournit une unité d’analyse fondamentale qui fait le pont entre les modèles macro-écologiques et les fonctions micro- physiologiques. Cette étude a adapté un modèle d’apprentissage profond sans ancrage, CenterNet, pour détecter les emplacements et les régions d’une couronne donnée à partir de balayages laser terrestres 3 D denses. Un total de 1181 couronnes provenant de douze parcelles ont été délimitées manuellement comme référence, parmi lesquelles huit parcelles ont été utilisées pour l’entraînement du CenterNet, et quatre autres parcelles indépendantes pour tester les précisions du modèle caractérisées par le score-F1 de détection de la localisation et par l’intersection au-dessus de l’union (IoU) de la zone de la boîte de délimitation. Pour l’entraînement du modèle, le score F1 maximal et l’IoU étaient de 0.881 et 0.670 respectivement et ce pour 40 000 itérations. Les résultats du score-F1 et de l’IoU des essais étaient de 0.754 et 0.583, respectivement. Cinq facteurs morphologiques ont été quantifiés pour étudier les causes de la variation de l’exactitude entre les différentes parcelles et espèces, y compris la superficie de la couronne, la hauteur des arbres, la largeur à la moitié du maximum, la distance de la couronne voisine la plus proche et la proportion de chevauchement entre les couronnes voisines. Les résultats montrent que la hauteur des arbres était le trait le plus important pour la détection de la couronne. Un arbre plus grand, plus large, plus lisse, moins encombré et moins superposé est plus facile à détecter. Parmi six espèces, le pin rouge, le pin sylvestre et le bouleau argenté ont été détectés avec succès, tandis que l’épinette de Norvège, le pin tordu et le peuplier faux-tremble étaient plus difficiles à détecter.

Acknowledgments

The authors would like to thank the Finnish Geospatial Research Institute (FGI) for providing a part of TLS scan dataset.

Additional information

Funding

Funding was provided to Hopkinson by Alberta Environment and Parks (AEP) (agreement no. 19GRAEM26), the Natural Sciences and Engineering Council Discovery Grants program (grant no. 2017-04362) and laboratory equipment funding from the Canada Foundation for Innovation (grant no. 32436).