FOR-age dataset

FOR-age数据集包含约1,700棵树的三维点云数据，涵盖约1,000棵独立树木，树龄范围从1年到约350年。数据集包括两种树种：欧洲赤松（Pinus sylvestris）和挪威云杉（Picea abies），并通过多种平台采集：地面激光扫描（TLS）、移动激光扫描（MLS）和机载激光扫描（ALSHD）。

The FOR-age dataset contains 3D point cloud data of approximately 1,700 trees, covering roughly 1,000 individual trees, with tree ages ranging from 1 year to about 350 years. It includes two tree species: *Pinus sylvestris* (Scots pine) and *Picea abies* (Norway spruce), and the data was acquired via multiple platforms: Terrestrial Laser Scanning (TLS), Mobile Laser Scanning (MLS), and Airborne Laser Scanning (ALSHD).

原始信息汇总

🌲 FOR-age 数据集概述

数据集来源

• 关联论文：Puliti et al. (2026) 发表于 Remote Sensing of Environment
• 论文标题：“FOR-age: benchmarking individual tree age estimation using 3D deep learning on dense laser scanning data”
• 论文地址：https://www.sciencedirect.com/science/article/pii/S0034425726002324

数据集特点

• 总样本量：约1,700个树木点云
• 独立树木数量：约1,000棵
• 年龄范围：1至约350年
• 树种：
  • Pinus sylvestris（欧洲赤松）
  • Picea abies（挪威云杉）
• 数据采集平台：
  • TLS（地面激光扫描）
  • MLS（移动激光扫描）
  • ALSHD（航空激光扫描高密度）

任务定义

• 任务类型：基于3D点云的单木年龄估计
• 应用场景：森林遥感中的非侵入性、可扩展的树木年龄估计

最优模型

• 模型名称：Fine-tune ForestFormer3D
• 核心思路：
  • 使用预训练的森林全景分割模型（ForestFormer3D）作为基础
  • 将解码器替换为树木年龄回归头
  • 微调骨干网络以利用学习到的3D森林结构表征
• 性能指标：RMSE ≈ 21年
• 泛化能力：在跨物种、跨采集平台、跨点云密度下表现良好

数据访问

• 公开下载地址：https://zenodo.org/records/19853987

基准测试与评估

• 官方的保留测试集评估通过 FOR-age Codabench 竞赛进行
• 竞赛地址：https://www.codabench.org/competitions/16014/

仓库内容

• train/：模型训练脚本
• eval/：评估与推理管道
• models/：模型定义与配置
• utils/：预处理与数据处理工具

可复现性步骤

1. 从Zenodo下载数据集
2. 按论文描述进行数据预处理
3. 使用提供的脚本训练模型
4. 将预测结果提交至Codabench进行评估

许可协议

• 数据许可：参见Zenodo记录
• 代码许可：推荐AGPL-3.0或GPL-3.0
• 衍生模型可能有额外使用要求

引用

bibtex @article{PULITI2026115462, title = {FOR-age: Benchmarking individual tree age estimation using 3D deep learning on dense laser scanning data}, journal = {Remote Sensing of Environment}, volume = {342}, pages = {115462}, year = {2026}, issn = {0034-4257}, doi = {https://doi.org/10.1016/j.rse.2026.115462}, url = {https://www.sciencedirect.com/science/article/pii/S0034425726002324}, author = {Stefano Puliti and Binbin Xiang and Maciej Wielgosz and Eivind Handegard and Nicolas Cattaneo and Marta Vergarechea and Terje Gobakken and Juha Hyyppä and Erik Næsset and Mikko Vastaranta and Tuomas Yrttimaa and Rasmus Astrup} }

资助信息

• 由欧盟资助，资助协议号：No. 101157488
• 基于CBE JU框架

搜集汇总

数据集介绍

构建方式

FOR-age数据集的构建基于多平台激光扫描技术，融合了地面激光扫描（TLS）、移动激光扫描（MLS）和机载高密度激光扫描（ALSHD）三种采集方式，获取了约1700棵树木的点云数据，覆盖约1000棵独立树木。数据涵盖欧洲赤松（Pinus sylvestris）和挪威云杉（Picea abies）两个树种，年龄跨度从1岁至约350岁。每个样本均经过严格的标定与预处理流程，确保点云与真实树龄的对应关系，为后续模型训练提供了高质量的结构化输入。

特点

该数据集的核心特点在于其跨平台、跨物种和宽年龄范围的三维点云结构信息，能够捕捉与树木发育相关的精细形态信号，如树高与冠幅随年龄增长的变异模式。基于此，研究团队提出利用预训练的森林全景分割模型ForestFormer3D，通过替换解码器为回归头并进行微调，实现了非侵入式、可扩展的个体树龄估计。该方法在保留三维森林结构表征的基础上，展现了对不同采集平台和点云密度的强泛化能力，最终在测试集上取得了约21年的均方根误差（RMSE）表现。

使用方法

使用者可从Zenodo平台获取公开的训练数据，并参照论文中的预处理步骤进行数据整理。随后利用本仓库提供的训练脚本对ForestFormer3D模型进行微调，将预训练森林分割模型中的解码器替换为树龄回归头，以学习三维点云中的年龄关联信号。完成训练后，可通过评估脚本对模型进行验证，并将预测结果提交至Codabench竞赛平台，与官方测试集进行基准对比，从而系统衡量算法性能。

背景与挑战

背景概述

森林生态系统中，树木年龄是评估碳汇动态、林分生长潜力及生物多样性的关键参数，然而传统年轮计数法依赖破坏性采样，难以在广域尺度上应用。2026年，由Stefano Puliti领衔的欧洲多机构联合团队（包括挪威生命科学大学、芬兰地理空间研究所等）在《Remote Sensing of Environment》上发表了FOR-age数据集，开创性地将个体树木年龄估计引入三维点云深度学习领域。该数据集包含约1700棵树木点云，涵盖欧洲赤松和挪威云杉两个树种，年龄跨度从1年至350年，数据源自地基激光扫描（TLS）、移动激光扫描（MLS）及机载高密度激光扫描（ALSHD）三种平台，为非侵入式、可扩展的树木年龄估计算法研发提供了标准化基准。研究通过微调森林全景分割模型ForestFormer3D实现回归预测，在保留种间与平台间泛化能力的同时，将均方根误差控制在约21年，显著推动了遥感与深度学习的交叉融合。

当前挑战

当前研究面临多重挑战：首先，树木年龄这一长期生态过程的结构信号在三维点云中表现微弱，且易受树种形态差异（如冠形、枝干复杂度）及生长环境异质性的干扰，使得模型难以从局部几何特征中剥离年龄相关表征。其次，构建过程需跨越平台异构性——TLS、MLS与ALSHD的点云密度、视角噪声及地物遮挡程度迥异，导致数据配准与特征对齐困难，且约1700棵样本的有限规模在深度学习框架下易引发过拟合风险。此外，老龄树（逾300年）的稀缺性造成标签分布严重偏斜，进一步削弱了模型对极端年龄段的预测稳定性。这些挑战共同制约着算法从实验室基准向真实复杂林分的迁移能力。

常用场景

经典使用场景

在森林遥感领域，树木年龄估算长期以来依赖于破坏性的树干解析或耗时的人工观测，而FOR-age数据集的问世为这一瓶颈提供了突破性方案。该数据集汇集了约1700棵树木的三维点云数据，涵盖欧洲赤松和挪威云杉两种关键树种，年龄跨度从1年至350年不等，数据来源包括地面激光扫描、移动激光扫描和高分辨率机载激光扫描。其经典使用场景在于利用三维深度学习模型对个体树木点云进行非侵入式的年龄回归预测，通过捕捉树冠形态、枝干结构等隐蔽的生长信号，实现与传统年轮计数相当甚至更优的精度评估。

实际应用

在实际林业应用中，FOR-age数据集所支撑的年龄估算模型展现出显著的场景拓展价值。在森林资源清查中，该方法可替代部分繁琐的实地测量，通过无人机或地面机器人快速生成大范围树木年龄分布地图，辅助制定精准的砍伐轮伐计划。在碳汇核算领域，稳定的年龄预测模型被用于估算不同龄级林分的固碳速率，提升国家温室气体清单的编制精度。此外，在自然保护区管理中，该技术提供了一种对古树群体进行无损监测的手段，有效支撑生态遗产的长期追踪与保护决策。

衍生相关工作

围绕FOR-age数据集已衍生出一系列具有影响力的学术工作。研究团队基于ForestFormer3D进行了参数微调，探索了跨平台点云密度对泛化性能的鲁棒性机制。后续工作中，有学者尝试将年龄回归头与语义分割、树种分类等任务耦合，构建多任务学习框架以提高特征的共享表达能力。另有一批工作专注于可解释性分析，通过注意力权重可视化揭示树龄敏感的结构特征区域。该数据集还催生了Benchmark竞赛，吸引全球团队在统一测试集上对比模型效果，进一步推动了三维点云处理在非生物量属性预测中的方法论创新。