Лорис Боко, Наргес Тахткешла, Чжэньюй Ма, Фабио РемондиноГруппа 3D оптической метрологии (3DOM), Фонд Бруно Кесслера (FBK), Тренто, Италия Эл. почта: (lbocaux, naktkheshla, zma, remondino)@fbk.eu Департамент информационной инженерии и компьютерных наук, Университет Тренто, Тренто, Италия Эл. почта: lauris.bocaux@unitn.it Департамент геодезии и геоинформации, Венский технический университет, Вена, Австрия Эл. почта: Narges.Takhtkeshla@geo.tuwien.ac.at

Ключевые слова: 3D-лесоводство, инвентаризация деревьев, LiDAR, семантическая сегментация, обнаружение отдельных деревьев, бенчмаркинг.

Точная оценка структурных и таксономических параметров леса жизненно важна для мониторинга биоразнообразия, учёта углерода и устойчивого управления. Большинство современных методов оценки этих параметров по-прежнему разрабатываются и тестируются на локальных примерах, что ограничивает воспроизводимость и обобщение на другие участки. В данной статье представлен набор данных 3D3 — мультисенсорный и мультиразрешающий эталонный набор, предназначенный для оценки алгоритмов 3D-лесоводства в различных европейских типах лесов. 3D3 включает данные, собранные с помощью авиационных, вертолётных, БПЛА и наземных (стационарных и мобильных) лазерных сканеров, а также RGB- и гиперспектральные снимки, охватывая различные типы лесов (бореальные, альпийские и средиземноморские). Включая как одно-, так и многоволновые лазерные данные, 3D3 представляет собой уникальный ресурс для разработки новых алгоритмов и их оценки на различных наборах данных. Для каждого участка предоставлены эталонные данные как минимум для одной из задач: сегментация отдельных деревьев (ITS), семантическая сегментация леса (FSS), оценка параметров деревьев и классификация видов.

Технология LiDAR (обнаружение света и определение дальности) открыла новые возможности для мониторинга лесов на уровне отдельных деревьев, позволяя оценивать такие ключевые экологические параметры, как высота дерева, площадь кроны и видовой состав. Принятие решений в лесном хозяйстве всё чаще опирается на детальные данные на уровне древостоев, а не на грубые инвентаризации. Такая информация критически важна для оценки биоразнообразия, учёта углерода и устойчивого управления лесами. Появление авиационного и БПЛА-базированного LiDAR, а также мультиспектральной и гиперспектральной съёмки и методов слияния данных существенно расширило возможности анализа лесов в трёх измерениях и в спектральной области (Balestra et al., 2024; Ma et al., 2025). В этом направлении разработаны различные эвристические и обучаемые алгоритмы для 2D и 3D сегментации отдельных деревьев (ITS) и семантической сегментации леса (FSS). Большинство 2D-методов ITS основаны на модели высоты полога (CHM). В этом контексте активно используется алгоритм обратного водораздела (Dalponte and Coomes, 2016; Douss & Farah, 2022), в том числе в сочетании с мультиспектральной информацией (Deschene et al., 2017). 3D-методы ITS привлекли внимание в последних исследованиях и переходят от традиционных подходов, таких как Li et al. (2012) и Treeiso (Xi & Hopkinson, 2022), к передовым архитектурам глубокого обучения, таким как ForAINet (Xiang et al., 2024), TreeisoNet (Xi & Degenhardt, 2025) или неконтролируемым методам (Ruoppa et al., 2025). Хотя исследования, основанные на сегментации объектов деревьев с помощью количественного структурного моделирования (QSM), дают удовлетворительные результаты (Shen et al., 2022), FSS в последнее время использует модели глубокого обучения (DL), применяемые в таких методах, как ForAINet, что выглядит многообещающим. Но, несмотря на недавние успехи, остаётся серьёзная проблема: большинство методов оцениваются на наборах данных, специфичных для конкретного участка, что ограничивает воспроизводимость и затрудняет кросс-сравнение. Поэтому оценка способности к обобщению и ограничений разработанных методов для разных типов лесов и наборов LiDAR-данных остаётся актуальной задачей. Проблема усугубляется различиями в плотности импульсов LiDAR и их проникающей способности (Jakubowski et al., 2013; Ferraz et al., 2015), геометрии съёмки и доступности дополнительных данных, таких как гиперспектральные снимки (Dalponte et al., 2012; Heinzel & Koch, 2012). В результате даже хорошо зарекомендовавшие себя методы часто показывают нестабильные результаты на разных типах лесов или при разных условиях съёмки.

Недавние инициативы начали решать эту проблему, предоставляя мультисенсорные эталонные наборы данных для лесных приложений (Taher et al., 2025). Например, набор NeonTreeEvaluation (Weinstein et al., 2021) объединяет LiDAR, гиперспектральные и RGB-данные по 22 участкам NEON для согласованной оценки методов обнаружения деревьев, а эталонный набор FOR-instance (Puliti et al., 2023) предоставляет аннотированные облака точек LiDAR с БПЛА для семантической и инстанс-сегментации. Более общие усилия, такие как FoMo-Bench (Bountos et al., 2023), расширяют концепцию бенчмаркинга на задачи мониторинга лесов с использованием нескольких источников данных, включая LiDAR, РСА и мультиспектральные снимки. Однако до сих пор нет широко принятого бенчмарка, который объединял бы 2D и 3D ITS, FSS и оценку параметров в гетерогенных лесных средах, наборах данных и параметрах съёмки.

Чтобы контекстуализировать эти ограничения, в Таблице 1 обобщены основные общедоступные эталонные наборы данных для 3D-дистанционного зондирования лесов высокого разрешения, с указанием их модальностей, платформ, поддерживаемых задач и оставшихся пробелов. Это сравнение подчёркивает растущее разнообразие мультимодальных лесных наборов данных, но также и отсутствие единого ресурса, который одновременно охватывал бы структурные и спектральные аспекты в разных экосистемах. Каждый бенчмарк вносит ценный вклад — от мультимодальной интеграции до плотного LiDAR-сэмплирования, — но ни один не предоставляет унифицированную мультиразрешающую и мультимодальную структуру, охватывающую 2D и 3D ITS, FSS и оценку атрибутов деревьев в контрастных типах лесов. Этот сохраняющийся пробел мотивирует создание набора данных 3D3.

В данной статье представлен уникальный эталонный набор данных — названный 3D3 — который напрямую устраняет указанный выше пробел, объединяя мультимасштабные, многоволновые и мультимодальные съёмки лесных участков в разных европейских регионах для оценки отдельных деревьев и проведения анализов на уровне леса. Набор данных 3D3 направлен на (i) повышение сравнимости, воспроизводимости и переносимости в дистанционном зондировании лесов и (ii) предоставление рекомендаций для следующего поколения инструментов мониторинга, управляемых данными. В отличие от существующих наборов (Таблица 1), 3D3 позволяет оценивать различные передовые методы в условиях разреженных или плотных LiDAR-данных и мультимодальной съёмки. Кроме того, в статье предлагается сводная рекомендация, которая может помочь лесным менеджерам выбирать сенсорные технологии и типы данных в соответствии с их потребностями.

Предлагаемый эталонный набор данных 3D3 (Таблица 2) собран так, чтобы охватить изменчивость лесной структуры, условий съёмки и сенсорных технологий, которые создают трудности для анализа на уровне деревьев. 3D3 охватывает пять участков в Европе, представляющих городские, средиземноморские, умеренные и бореальные экосистемы, от авиационных съёмок на операционных масштабах (15–75 точек/м²) до сверхплотного LiDAR с БПЛА (1000–2000 точек/м²). 3D3 также дополняется гибким полусинтетическим набором данных, который позволяет воссоздавать множество лесных сценариев, изменяя плотность LiDAR, перекрытие крон и уклон, на основе случайного распределения вручную отобранных деревьев.

Различные участки включают дополнительные модальности, такие как RGB-ортопланы и гиперспектральные снимки с 364 каналами, что позволяет проводить мультимодальный анализ на уровне деревьев и леса. Отличительная особенность нашего набора данных — его неоднородность по длинам волн и конфигурациям сенсоров: от одноволнового LiDAR (905 нм, 1064 нм и 1550 нм) до многоволнового LiDAR (зелёный — 532 нм, БИК — 905 нм, СВК — 1550 нм). Это разнообразие позволяет пользователям оценивать не только потенциал обычного одноволнового LiDAR, но и передовых многоволновых систем (Takhtkeshha et al., 2024) для улучшения методов FSS. В каждом доступном участке 3D3 содержит эталонные данные (GT), полученные либо из ручных измерений, либо из синтетических данных.

Эталонные данные различаются в зависимости от сложности полога и плотности облака точек. Создание надёжных эталонных данных требует ручной аннотации изображений или 3D-облаков точек на уровне пикселей/точек. Этот процесс трудоёмок и подвержен субъективным ошибкам интерпретации, особенно в густых или многоярусных кронах, где границы классов неоднозначны. Набор F состоит из полусинтетических эталонных данных (SSGT) (Рисунок 1): изолированные деревья из доступных сцен сначала выделяются по критериям высоты и расстояния (Рисунок 1a) и перегруппировываются в искусственные лесные конфигурации с помощью алгоритма геометрического соседства (Рисунок 1b). Из этих полусинтетических сцен генерируются соответствующие CHM и аннотации в различных форматах (Рисунок 1c–f). С другой стороны, для сцен с чёткой разделимостью используется традиционная ручная аннотация с предварительной сегментацией от ForAINet (Xiang et al., 2024) для ускорения разметки.

Данные 3D3 представляют собой ресурс для тестирования как геометрических методов, так и передовых архитектур глубокого обучения, гарантируя, что оценка не привязана к единственному сценарию съёмки, а отражает разнообразие существующих задач мониторинга лесов. Набор данных 3D3 специально поддерживает, среди прочего, следующие задачи в дистанционном зондировании лесов:

Рисунок 1: Набор F с полусинтетическими эталонными данными. Отдельные деревья (a), сгруппированные деревья (b), CHM (c), 2D-растровая ITS (d), 2D-полигоны крон для ITS (e), 3D-выпуклая оболочка для ITS (f)

Хотя LiDAR-съёмки имеют свои особенности, особенно в плотности, мы предлагаем общую методику предварительной обработки для создания единой основы для всех последующих процессов. Затем применяются методы ITS и FSS к различным наборам LiDAR-данных 3D3. Наконец, используются методы оценки параметров деревьев.

Мы создали воспроизводимый процесс предварительной обработки, применимый ко всем наборам данных 3D3. Тем не менее, основная часть обработки различается в зависимости от разрешения облака точек.

Рисунок 2: Часть исходного облака точек (a), земля (b), точки деревьев (c) выделены красным.

Рисунок 3: 2D и 3D нормализация высот; DEM (a), CHM (b), исходное облако точек (c), нормализованное облако точек (d).

FSS даёт ценную информацию о структуре экосистемы, позволяя классифицировать растительные ярусы, компоненты деревьев и рельеф, что поддерживает точную оценку таких атрибутов леса, как полнота полога, биомасса и распределение видов. FSS на высокоразрешающих 3D-наборах данных выполняется с помощью Point Transformer v3 (PTv3), следуя основанной на внимании структуре, предложенной Wu et al. (2024) и применённой в Takhtkeshha et al. (2025). PTv3 использует векторное внимание и иерархическое извлечение признаков на основе патчей для моделирования долгосрочных пространственных зависимостей в плотных лесных облаках точек. В отличие от свёрточных ядер или MLP-кодировщиков, PTv3 динамически изучает контекстные связи между точками, позволяя точно различать листву, древесные компоненты и рельеф. Его иерархическая структура повышает геометрическую осведомлённость, позволяя точно выделять ярусы крон, стволы и поверхности земли. В нашем исследовании PTv3 дообучается на наборе D для FSS с использованием шести классов: земля, низкая растительность, ствол, ветви, листва и древесный опад (Takhtkeshha et al., 2025).

ForAlNet (Xiang et al., 2024) — это панорамная архитектура глубокого обучения, совместно выполняющая семантическую и инстанс-сегментацию 3D-облаков точек. Метки инстансов напрямую дают маски ITS, в то время как семантические предсказания описывают лесные структуры по классам, таким как земля, низкая растительность, ветви, ствол и листва. Сеть сочетает голосование по смещению центров с метрическими вложениями для генерации дополнительных гипотез, уточняемых с помощью подавления немаксимумов и иерархического слияния, что даёт связные кластеры точек на дерево, пригодные для вычисления структурных и таксономических параметров.

Для оценки производительности предложенных методов на наборах данных 3D3 мы используем общепринятые метрики, такие как точность, полнота, F1-мера, точность, пересечение над объединением (IoU) и их средние значения (Nemmaoui et al., 2024; Liu et al., 2025). Тем не менее, хотя их формулировки остаются неизменными, их интерпретация зависит от приложения: например, в ITS они отражают корректность обнаруженных деревьев, тогда как в FSS они количественно оценивают производительность классификации по классам на уровне точек.

Оценка ITS разделена на две дополнительные части. Обнаружение отдельных деревьев оценивает, соответствуют ли количество и пространственное положение обнаруженных деревьев эталонным данным, считая обнаружение правильным, если IoU между предсказанной и эталонной площадью кроны превышает 50%

(Lucas et al., 2024; Li et al., 2025). Делинеация отдельных деревьев, с другой стороны, измеряет, насколько точно каждое обнаруженное дерево оконтурено пространственно, что количественно выражается через средний IoU (mIoU) между предсказанными и эталонными кронами. Вместе эти метрики дают полное представление как о точности обнаружения, так и о точности границ.

Рассматриваются наборы A (10 точек/м²), F (при 75 точках/м²) и E (2000 точек/м²), так как они имеют схожие лесные структуры. 2D ITS выполняется с помощью алгоритма обратного водораздела. Точности рассчитываются с использованием доступных эталонных данных в 3D (A, E) или полусинтетических эталонных данных на 100 случайных деревьях (F). Согласно Таблице 3, результаты 2D ITS однородны, хотя плотность LiDAR находится на совершенно разных масштабах. Поскольку деревья являются сложными объектами, а алгоритм обратного водораздела не подразумевает какой-либо адаптивной интеллектуальности, а остаётся простым прикладным алгоритмом, результаты многообещающие. Результаты делинеации показаны на Рисунке 4.

Во всех сценах 3D3 верхняя часть полога описывается правильно независимо от плотности LiDAR. Таким образом, точность 2D ITS больше зависит от плотности леса, чем от плотности LiDAR. 2D ITS хорошо работает и в случае низкоплотного LiDAR, полученного над большой городской территорией (например, набор A). Очень часто деревья на одной улице принадлежат к одному виду и одной дате посадки, имеют примерно одинаковую высоту и обычно расположены на расстоянии друг от друга, что приводит к меньшему количеству ошибок для простого обратного алгоритма.

Рассматриваются все наборы 3D3 и анализируются с помощью ForAlNet (Xiang et al., 2024) и Li2012 (Li et al., 2012), хотя наборы B, C и D не имеют эталонных данных для 3D ITS.

Рисунок 4: 2D ITS с алгоритмом обратного водораздела для набора B — с наложенными эталонными данными (a) и набора E (b). ITS и параметры деревьев для набора A (c).

Рисунок 5: Результаты 3D ITS, показанные для частей набора A (a), B (b), C (c) и D (d), и всей области E (e).

На Рисунке 5 показаны достигнутые результаты 3D ITS на подмножествах или целых областях наборов 3D3. В целом, отдельно стоящие деревья обнаруживаются и выделяются почти идеально, тогда как сгруппированные деревья вызывают больше трудностей у обеих моделей глубокого обучения. Например, с Li2012 мы получаем для набора A точность обнаружения 73.0%, а для набора E — точность 81.4%, полноту 69.3% и F1-меру 74.9%. Однако чем плотнее и полнее облака точек (т.е. описывающие всю структуру дерева), тем точнее 3D ITS. Для набора B (Рисунок 5b) Li2012 классифицировал землю (розово-коричневый цвет) также как часть деревьев из-за низкого проникновения LiDAR-импульсов через густой полог. С другой стороны, для набора E, который имеет те же лесные структуры, что и набор B, но значительно лучшее проникновение LiDAR-сигнала, были получены очень хорошие и согласованные результаты (Рисунок 5e).

Рассматривается набор D, как единственный, снабжённый тщательно созданной вручную эталонной разметкой для семантической сегментации. FSS выполняется с помощью дообученной модели PTV3 (Takhtkeshha et al., 2025). Визуальные результаты показаны на Рисунке 6a, а метрики — в Таблице 4. Три различные длины волн, использованные для съёмки леса, помогают лучше разделять листву, ветви и древесные части, что улучшает общее качество сегментации. С другой стороны, ForAINet применяется к набору E (Рисунок 6b). Для всех остальных наборов, если покрытие LiDAR неполное (ветви или стволы плохо регистрируются, а плотность низкая), результаты FSS оказываются плохими.

Рисунок 6: Результаты FSS на части набора D с дообученным PTV3 (a — метрики в Таблице 4) и наборе E с ForAINet (b).

После процессов ITS и FSS могут быть получены параметры деревьев и леса для поддержки дальнейшего анализа. Они включают классификацию видов деревьев, определение высоты, положения вершины и площади кроны. Каждый параметр оценивается в соответствии с используемым методом (2D или 3D) и типом доступных дополнительных данных, что позволяет провести более широкую оценку подходов.

Рисунок 7: Результаты на части набора B: MNF (a); растительный MNF (b); 2D ITS и эталонные виды деревьев (c); карта видов на основе случайного леса (d).

Набор B содержит гиперспектральные снимки, которые необходимы для надёжной идентификации видов. Случайный лес был выполнен 6 раз для снижения вариативности результатов из-за его случайности, с долей обучения 70% и 1000 деревьев. Визуальные результаты показаны на Рисунке 7, а метрики классификации видов — в Таблице 5.

Качество этих параметров в основном зависит от точности результатов предыдущих шагов (ITS и FSS). Например, в случае правильно обнаруженного дерева с идеальной делинеацией, вершина почти всегда является самым высоким пикселем CHM в 2D или самой высокой точкой нормализованного облака точек в 3D. Единственный сложный аспект — слишком редкий, чтобы быть значимым — это когда процесс нормализации высот (Раздел 3.1) искажает структуру дерева из-за наклонного рельефа под деревьями. На Рисунке 8 показаны результаты извлечения параметров для набора A в 3D и набора B в 2D.

Рисунок 8: Извлечённые параметры деревьев в 3D для набора A (a) и в 2D для набора B (b). Положения вершин показаны красным.

В этой работе представлен набор данных 3D3 (https://github.com/3DOM-FBK/3D3) — мультисенсорный мультиразрешающий эталонный набор для 3D-приложений в лесном хозяйстве. Он предназначен для поддержки разработки и оценки методов ITS в 2D или 3D, алгоритмов FSS или извлечения структурных и таксономических параметров. 3D3 уникален благодаря разнообразным географическим местоположениям и европейским типам лесов, геометрическому и радиометрическому разрешению, эталонным данным и возможным задачам. С использованием передовых методов было показано, как производительность сегментации и оценки параметров варьируется в зависимости от плотности LiDAR и плотности леса — как резюмировано в Таблице 6.

Кроме того, ключевым новшеством 3D3 является полусинтетическая эталонная истина (SSGT), которая позволяет создавать контролируемые лесные сценарии на основе реальных объектов деревьев. Это позволяет тестировать алгоритмы при различных размещениях и плотностях деревьев, повышая воспроизводимость и масштабируемость.

Хотя текущий фокус FSS — на общих атрибутах леса, в будущем можно ужесточить классы семантической сегментации до дифференциации лист/древесина, что даст более простую структурную информацию. Дополнительные задачи могут включать сегментацию стволов в сочетании с количественным структурным моделированием (QSM), поскольку ствол является основным вкладом в оценку секвестрации СО_2.

Кроме того, будут добавлены дополнительные данные по ITS, FSS, параметрам деревьев и видам, чтобы ещё больше обогатить 3D3. Эти расширения позволят полнее использовать мультимодальные, мультиразрешающие данные 3D3, предоставляя гибкую платформу для широкого спектра экологических и лесных приложений.

Balestra, M., Marselis, S., Sankey, T.T., Cabo, C., Liang, X., Mokros, M., Peng, X., Singh, A., Stereńczak, K., Vega, C., 2024. LiDAR data fusion to improve forest attribute estimates: A review. Current Forestry Reports 10, 281-297.

Bountos, N. I., Ouaknine, A., Papoutsis, I., & Rolnick, D., 2025. FoMo: Multi-modal, multi-scale and multi-task remote sensing foundation models for forest monitoring. Proc. AAAI Conference on Artificial Intelligence, Vol. 39, No. 27.

Dalponte, M., Bruzzone, L., & Gianelle, D., 2012. Tree species classification in the Southern Alps based on the fusion of very high geometrical resolution multispectral/hyperspectral images and LiDAR data. Remote Sensing of Environment, 123, 258-270.

Dalponte, M., & Coomes, D. A., 2016. Tree-centric mapping of forest carbon density from airborne laser scanning and hyperspectral data. Methods in Ecology and Evolution, 7(10), 1236-1245.

Dechense, C., Mallet, C., Le Bris, A., & Gouet-Brunet, V., 2017. Semantic segmentation of forest stands of pure species combining airborne LiDAR data and very high resolution multispectral imagery. ISPRS J. Photogrammetry and Remote Sensing, 126, 129-145.

Douss, R., & Farah, I. R., 2022. Extraction of individual trees based on Canopy Height Model to monitor the state of the forest. Trees, Forests and People, 8, 100257.

Ferraz, A., Mallet, C., Jacquemoud, S., Gonçalves, G. R., Tomé, M., Soares, P., Pereira, L. G., & Bretar, F., 2015. Canopy density model: A new ALS-derived product to generate multilayer crown cover maps. IEEE Trans. on Geoscience and Remote Sensing, 53(12), 6776-6790.

Heinzel, J., & Koch, B., 2012. Investigating multiple data sources for tree species classification in temperate forest and use for single tree delineation. Int. J. Applied Earth Observation and Geoinformation.

Jakubowski, M. K., Guo, Q., & Kelly, M., 2013. Tradeoffs between lidar pulse density and forest measurement accuracy. Remote Sensing of Environment, 130, 245-253.

Li, Q., Hu, B., Shang, J., & Remmel, T.K., 2025. Two-stage deep learning framework for individual tree crown detection and delineation in mixed-wood forests using high-resolution Light Detection and Ranging data. Remote Sensing, 17(9), 1578.

Li, W., Guo, Q., Jakubowski, M. K., & Kelly, M., 2012. A new method for segmenting individual trees from the LiDAR point cloud. Photogrammetric Engineering & Remote Sensing, 78(1), 75-84.

Liang, X., Qi, H., Deng, X., Chen, J., Cai, S., Zhang, Q., Wang, Y., Kukko, A., Hyyppä, J., 2024. ForestSemantic: A dataset for forest semantic learning from close-range sensing. Geo-spatial Information Science, 28(1), 185-211.

Liu, Y., Chen, D., Na, J., Peethambaran, J., Pfeifer, N., & Zhang, L., 2025. Segmentation of individual trees in TLS point clouds via graph optimization. IEEE Trans. on Geoscience and Remote Sensing, 63, 1-21.

Lucas, M., Pukrop, M., Beckschäfer, P., & Waske, B., 2024. Individual tree detection and crown delineation in the Harz National Park from 2009 to 2022 using Mask R-CNN and aerial imagery. ISPRS Open J. Photogrammetry and Remote Sensing, 13, 100071.

Ma, Z., Bocaux, L., Takhtkeshha, N., Remondino, F., 2025. Towards detailed and accurate forest inventory with multi-source LiDAR data. Photogrammetric Engineering & Remote Sensing, in press.

Nemmaoui, A., Aguilar, F. J., & Aguilar, M. A., 2024. Benchmarking of individual tree segmentation methods in mediterranean forest based on point clouds from unmanned aerial vehicle imagery and low-density airborne laser scanning. Remote Sensing, 16(21), 3974.

Puliti, S., Pearse, G., Surový, P., Wallace, L., Hollaus, M., Wielgosz, M., & Astrup, R., 2023. FOR-instance: A UAV laser scanning benchmark dataset for semantic and instance segmentation of individual trees (Version 1) [Data set]. Zenodo.

Ruoppa, L., Oinonen, O., Taher, J., Lehtomäki, M., Takhtkeshha, N., Kukko, A., Kaartinen, H., Hyyppä, J., 2025. Unsupervised deep learning for semantic segmentation of multispectral LiDAR forest point clouds. ISPRS J. Photogrammetry and Remote Sensing, Vol. 228, pp. 694-722.

Rusu, R. B., & Cousins, S., 2011. 3D is here: Point cloud library (PCL). IEEE International Conference on Robotics and Automation (ICRA), Shanghai, China, 1-4.

Shen, X., Huang, Q., Wang, X., Li, J., & Xi, B., 2022. A Deep Learning-Based Method for Extracting Standing Wood Feature Parameters from Terrestrial Laser Scanning Point Clouds of Artificially Planted Forest. Remote Sensing, 14(15), 3842.

Taher, J., Hyyppä, E., Hyyppä, M., Salolahti, K., Yu, X., Matikainen, L., et al., 2025. Multispectral airborne laser scanning for tree species classification: a benchmark of machine learning and deep learning algorithms. arXiv:2504.14337.

Takhtkeshha, N., Mandlburger, G., Remondino, F., Hyyppä, J., 2024: Multispectral Light Detection and Ranging Technology and Applications: A Review. Sensors, 24(5):1669.

Takhtkeshha, N., Bocaux, L., Ruoppa, L., Remondino, F., Mandlburger, G., Kukko, A., & Hyyppä, J., 2025. 3D Forest Semantic Segmentation using multispectral LiDAR and 3D deep learning. arXiv preprint arXiv:2507.08025.

Thomas, H., Qi, C. R., Deschaud, J.-E., Marcotegui, B., Goulette, F., & Guibas, L. J., 2019. KPConv: Flexible and deformable convolution for point clouds. Proc. ICCV, pp. 6410-6419.

Weinstein, B. G., Marconi, S., Bohlman, S. A., Zare, A., Singh, A., Graves, S. J., & White, E. P., 2021. A remote sensing derived data set of 100 million individual tree crowns for the National Ecological Observatory Network. eLife, 10, e62922.

Wu, X., Jiang, L., Wang, P. S., Liu, Z., Liu, X., Qiao, Y., Ouyang, W., Tong, H., Zhao, H., 2024. Point Transformer V3: Simpler, faster, stronger. CVPR, 4840-4851.

Xi, Z., & Degenhardt, D., 2025. A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans. ISPRS Open Journal of Photogrammetry and Remote Sensing, 15, 100083.

Xi, Z., Hopkinson, C., 2022. 3D Graph-Based Individual-Tree Isolation (Treeiso) from Terrestrial Laser Scanning Point Clouds. Remote Sensing.

Xiang, B., Wielgosz, M., Kontogianni, T., Peters, T., Puliti, S., Astrup, R., & Schindler, K., 2024. Automated forest inventory: Analysis of high-density airborne LiDAR point clouds with 3D deep learning. Remote Sensing of Environment, 305, 114078.

Zhang, W., Qi, J., Wan, P., Wang, H., Xie, D., Wang, X., & Yan, G., 2016. An easy-to-use airborne LiDAR data filtering method based on cloth simulation. Remote Sensing, 8(6), 501.