multispectral airborne laser scanning (ALS) 数据集

本研究创建了一个包含大约6000棵树和九个物种的高质量现场参考数据集，使用新开发的基于浏览器的人群ourcing工具收集数据。为了促进国际合作研究，将密集和稀疏的多光谱ALS数据训练数据集与国际科学界共享。数据集内容涵盖了多种树木物种，旨在用于树种分类，推动机器学习和深度学习算法在森林资源监测中的应用。

This study developed a high-quality field reference dataset containing approximately 6,000 trees and nine tree species, with data collected using a newly developed browser-based crowdsourcing tool. To facilitate international collaborative research, the dense and sparse multispectral ALS training datasets have been shared with the international scientific community. Covering a diverse range of tree species, this dataset is designed for tree species classification tasks, aiming to promote the application of machine learning and deep learning algorithms in forest resource monitoring.

搜集汇总

数据集介绍

构建方式

该数据集通过高密度多光谱机载激光扫描（ALS）系统HeliALS和Optech Titan采集数据，覆盖芬兰南部多个树种。数据采集包括三个波长的激光扫描，点密度超过1000点/平方米。通过新开发的基于浏览器的众包工具，收集了超过6000棵树的实地参考数据，涵盖9个树种，包括对生物多样性至关重要的白杨。数据集包含1065个训练段和5261个测试段，用于机器学习和深度学习算法的基准测试。

使用方法

该数据集可用于训练和评估机器学习和深度学习模型，特别是用于树种分类任务。研究人员可以使用提供的训练数据集进行模型训练，并使用测试数据集评估模型的分类精度。数据集的多光谱信息可以用于研究不同波长对分类性能的影响。此外，数据集的点密度变化可以用于研究点密度对分类精度的影响。数据集还适用于研究不同算法（如基于点和基于图像的深度学习方法）在树种分类中的性能差异。

背景与挑战

背景概述

多光谱机载激光扫描（ALS）数据集由芬兰地理空间研究所（FGI）等机构的研究团队于2023年创建，旨在通过高密度多光谱ALS数据解决树种分类这一核心研究问题。该数据集利用HeliALS系统采集了超过1000点/平方米的高密度数据，并结合Optech Titan系统的稀疏数据（35点/平方米），覆盖了芬兰南部的9个树种，包括对生物多样性至关重要的欧洲山杨（Populus tremula L.）。数据集的建立为机器学习和深度学习算法在树种分类中的性能评估提供了重要基准，推动了林业遥感领域的技术发展。

当前挑战

该数据集面临的挑战主要包括两方面：1) 领域问题的挑战：尽管多光谱ALS数据在树种分类中表现出潜力，但稀有树种的识别和深度学习技术的应用仍存在困难，尤其是树种间光谱和结构特征相似时分类精度显著下降；2) 构建过程的挑战：数据采集需整合多波长激光扫描系统，处理高密度点云数据对计算和存储提出较高要求，同时野外参考数据的标注依赖新开发的众包工具，需确保标注的准确性和一致性。此外，点云密度差异（如HeliALS与Optech Titan数据）对算法性能的影响也是构建过程中需解决的关键问题。

常用场景

经典使用场景

多光谱机载激光扫描（ALS）数据集在林业资源管理和生态研究中具有广泛的应用。该数据集通过高密度的点云数据（>1000点/平方米）和多光谱信息（532nm、905nm、1550nm波长），为树种分类提供了丰富的光谱和结构特征。其经典使用场景包括基于机器学习和深度学习的树种自动分类，尤其是在北方森林区域中，通过点云分割和特征提取，实现对松树、云杉、桦树等主要树种的精确识别。数据集还支持对稀有树种（如欧洲山杨）的分类研究，为生物多样性保护提供数据支撑。

解决学术问题

该数据集解决了林业遥感中的多个关键学术问题。首先，它通过多光谱激光扫描数据弥补了传统单波段ALS在树种分类中的局限性，显著提升了分类精度（总体准确率达87.9%）。其次，数据集通过对比点基深度学习（如Point Transformer）与传统机器学习方法（如随机森林），验证了深度学习在高密度点云数据处理中的优势。此外，数据集还量化了训练样本量、点云密度与分类误差的幂律关系，为算法优化提供了理论依据。其开源特性进一步促进了跨机构算法 benchmarking 和协作研究。

实际应用

在实际应用中，该数据集支持了从单木尺度到景观尺度的森林资源管理。例如，在芬兰南部试验区，数据集被用于制定采伐计划、抚育措施和更新策略，优化木材供应链。多光谱ALS数据还能识别欧洲山杨等关键物种的分布，辅助生物多样性保护决策。此外，数据集开发的众包标注工具实现了6000余棵树木的高效地面验证，为林业调查提供了可扩展的标注方法。其成果可直接应用于国家森林资源清查和城市林业规划。

数据集最近研究

最新研究方向

近年来，多光谱机载激光扫描（Multispectral Airborne Laser Scanning, ALS）数据集在森林资源管理领域引起了广泛关注，特别是在树种分类方面的应用。该数据集通过结合多光谱信息和激光扫描技术，为高精度的树种分类提供了新的可能性。最新的研究方向主要集中在机器学习和深度学习算法的应用上，特别是在高密度点云数据下的树种分类性能优化。研究热点包括点云数据的深度学习模型（如Point Transformer模型）与传统机器学习方法（如随机森林）的性能对比，以及多光谱信息对分类准确率的影响。此外，研究还探讨了训练数据集大小、点云密度以及分割质量对分类效果的影响。这些研究不仅提升了树种分类的准确率，还为生物多样性保护和可持续森林管理提供了科学依据。

相关研究论文

• Multispectral airborne laser scanning for tree species classification: a benchmark of machine learning and deep learning algorithms

  芬兰地理空间研究所(FGI) · 2025年