Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Datos LiDAR multiespectrales para la extracción de puntos de árboles en áreas urbanas y suburbanas

Created by
  • Haebom

Autor

Narges Takhtkeshha, Gabriele Mazzacca, Fabio Remondino, Juha Hyppä , Gottfried Mandlburger

Describir

Este artículo destaca la importancia de monitorear la dinámica del arbolado urbano para apoyar las políticas de ecologización urbana y reducir los riesgos para la infraestructura energética. Presentamos un estudio sobre la extracción de puntos de árboles utilizando LiDAR multiespectral (MS-LiDAR) y un modelo de aprendizaje profundo (DL). Para superar las limitaciones del LiDAR aéreo convencional debido al complejo entorno urbano y la diversidad arbórea, utilizamos MS-LiDAR, que captura datos espaciales y espectrales en 3D. Evaluamos tres modelos de vanguardia: Superpoint Transformer (SPT), Point Transformer V3 (PTv3) y Point Transformer V1 (PTv1). Los resultados muestran que el modelo SPT alcanza un 85,28% mIoU, demostrando una eficiencia y precisión de tiempo superiores. Además, agregar el índice de vegetación de diferencia pseudonormalizada (pNDVI) a la información espacial arrojó la mayor precisión de detección, reduciendo la tasa de error en 10,61 puntos porcentuales. Este estudio demuestra el potencial de MS-LiDAR y DL para mejorar la extracción e inventario de árboles.

Takeaways, Limitations

•
Takeaways:
◦
Demostramos que la combinación de MS-LiDAR y modelos de aprendizaje profundo puede mejorar la precisión y la eficiencia de la extracción de puntos de árboles urbanos.
◦
En particular, el modelo SPT muestra un rendimiento excelente.
◦
La precisión de detección de árboles se puede mejorar aún más utilizando pNDVI.
◦
Proporcionar una base tecnológica que pueda contribuir a la gestión de los espacios verdes urbanos y a la gestión de riesgos de la infraestructura energética.
•
Limitations:
◦
Falta de descripciones específicas de las características del conjunto de datos utilizados en el estudio (por ejemplo, diversidad de entornos urbanos, tipos de árboles).
◦
El análisis comparativo con otros modelos de aprendizaje profundo es limitado.
◦
Se necesita más investigación sobre la aplicabilidad y escalabilidad a entornos urbanos del mundo real.
◦
Se necesita más investigación sobre el uso de índices espectrales distintos del pNDVI.
👍
Made with Slashpage