aalto1 untyped-item.component.html
Crowning the stem - Alleviating partial observability in ALS tree point clouds with a deep learning Transformer model
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Language
en
Pages
57
Series
Abstract
Forests are critical ecosystems requiring systematic monitoring for wide range of use cases. While Airborne Laser Scanning (ALS) provides scalable data acquisition for large areas, it suffers from occlusion and low point density, especially in the lower canopy regions. On the other hand, Terrestrial Laser Scanning (TLS) provides high-density and detailed point clouds but is often limited by high costs, time consumption and limited area coverage.
This thesis addresses the "gap" between ALS scalability and TLS structural completeness by experimenting deep learning methods for point cloud completion. The work investigates the ability of a pre-trained transformer-based model, PointAttN, to complete individual tree representations from sparse, occluded ALS inputs. The study utilises a combined dataset of ALS and TLS scans to train the model, together with an experimentation of the Flexible-weighted Chamfer Distance loss function to balance global and local reconstruction objectives. Performance is evaluated using both geometric metrics (Chamfer Distance, Earth Mover’s Distance) and forestry-specific metrics (Vertical Complexity Index, Plant Area Index, and Crown Projection Area).
The results of this thesis show that model achieved volumetric agreement with ground truth data and increased the density of canopy structures, showing proof of domain adaptation. However, qualitative analysis reveals that the model behavior resembles more of upsampling rather than completion. While the model alleviates occlusion, it struggles to reproduce fine-grained details, resulting in noisy stem reconstructions and overestimated biomass densities. This thesis concludes that while current attention-based models are not yet suitable for high-precision measurements like Diameter at Breast Height (DBH), they serve as viable engines for biomass approximation and shape completion. Additionally, experimental results support the earlier findings from related work, that the Flexible-weighted Chamfer Distance generally outperformed the models trained with Classical Chamfer Distance.
Metsät ovat muodostavat kriittisiä ekosysteemejä, kun asiaa tarkastelee monista eri näkökulmista. Tästä johtuen metsiä tulee monitoroida sekä systemaattisesti että jatkuvasti. Ilmalaserkeilaus (ALS) tuottaa kaukokartoitus aineistoa skaalautuvasti, mutta metodi kärsii okkluusioista ja alhaisesta pistetiheydestä, etenkin puun alaosissa. Maasta käsin laserkeilaus (TLS) taas tuottaa tiheitä ja tarkkoja pistepilviä, mutta metodin työläys ja keskittyminen pienille alueille aiheuttaa usein haasteita. Tämän diplomityön tarkoituksena on kaventaa näiden kahden kaukokartoitusmenetelmän eroja liittyen pistepilvien laatuun ja datan keruun skaalautuvuuteen tutkimalla syväoppimisen menetelmiä liittyen pistepilvien täydennykseen.
Diplomityö tutkii PointAttN–mallin kykyä täydentää osittaisia yksittäisen puun pistepilviä, joita on kerätty ALS:n avulla. Työssä käytetään hyväksi ALS- ja TLS-skannattuja puita mallin opetuksessa, sekä kokeillaan joustavasti painotettua etäisyyden tappiofunktiota tasapainottamaan pistepilvien globaalin ja lokaalin täydennyksen tavoitteiden eriäväisyyksiä. Mallin tuloksia arvioidaan käyttämällä sekä geometrisia (Chamfer Distance ja Earth Mover’s Distance) että metsätalouden metriikoita (Vertical Complexity Index, Plant Area Index ja Crown Projection Area).
Työn tulokset havainnollistavat, että malli onnistuu täydentämään ja lisäämään pistepilven tiheyttä TLS-datan mukaisesti, joka kertoo mallin mukautuvuudesta. Kuitenkin, malli epäonnistuu tuottamaan yksityiskohtaisia ja tarkkoja pistepilviä, joka näkyy esimerkiksi epätasaisina puun runkoina ja liioiteltuina biomassana. Tästä syystä mallia voidaan epäillä enemmän lokaalia pistetiheyttä kasvattavaksi, kuin osittaisia pistepilviä täydentäväksi. Tämän diplomityön tulosten perusteella voidaan todeta nykyisten attention-mekanismia hyödyntävien mallien olevan käytettäviä biomassan arvioimisessa ja pistepilven täydennyksessä. Toisaalta, mallin havaittiin olevan vielä käyttökelvoton tarkkuutta vaativissa mittauksissa, kuten puun rungon ympärysmitan arvioinnissa. Lisäksi, tämä työ vahvistaa aiempien töiden tuloksia joustavasti painotettujen etäisyyden tappiofunktioiden hyödyllisyydestä.