MLS树物种分类数据集

该数据集由芬兰地理空间研究所创建，包含1915个高密度移动激光扫描（MLS）树冠点云样本，涵盖7个树种，平均点密度达5000点/平方米。数据通过FARO Orbis激光扫描仪采集，经SLAM算法配准和手动标注验证，包含几何特征与多光谱强度信息。数据集旨在推动传感器无关的深度学习算法开发，解决复杂森林环境中树种自动分类问题，为生态监测和林业管理提供高精度数据支持。This dataset was developed by the Finnish Geospatial Research Institute. It contains 1915 high-density mobile laser scanning (MLS) canopy point cloud samples covering 7 tree species, with an average point density of 5000 points per square meter. The data was collected using a FARO Orbis laser scanner, registered via SLAM algorithms and validated through manual annotation, and includes both geometric features and multispectral intensity information. This dataset is intended to advance the development of sensor-agnostic deep learning algorithms, resolve the challenge of automatic tree species classification in complex forest environments, and provide high-precision data support for ecological monitoring and forestry management.

搜集汇总

数据集介绍

构建方式

在森林资源监测与生物多样性评估领域，精确的树种分类对生态研究和林业管理至关重要。MLS树物种分类数据集的构建依托于芬兰埃斯波地区的高密度移动激光扫描数据采集。研究团队采用FARO Orbis激光扫描仪进行背包式移动扫描，获取了约5000点/平方米的高分辨率点云。数据预处理包括随机下采样至2厘米空间分辨率、统计离群点去除以及布料模拟滤波地面点分离。单木分割采用基于图割算法的TreeIso方法，并辅以人工检查与校正，最终通过Hausdorff距离匹配算法将扫描数据与地面参考真值对齐，形成了涵盖7个树种的1915个高质量单木点云样本。

特点

该数据集的核心特征体现在其数据来源的多样性与几何信息的丰富性。数据集不仅包含高密度移动激光扫描点云，还提供了多视角投影图像转换的多种表征形式，包括基于强度值的灰度投影、基于法向量估计的几何彩色投影以及黑白轮廓投影。这种多模态表征使得数据集能够支持传感器无关的分类方法验证。数据样本覆盖了北欧寒带森林的主要树种，如松树、云杉、桦树等，并保持了树种分布的自然不平衡性。每个样本均配有精确的物种标签，且点云数据保留了原始强度信息与三维几何结构，为深度学习模型提供了充分的局部特征学习基础。

使用方法

该数据集主要用于开发和评估基于投影的深度学习树种分类方法。研究者可首先将三维点云通过正交投影转换为二维图像，投影过程可采用多角度旋转（如0°、72°、144°等）以获取树木的全方位视图，并可进一步生成切片图像以揭示树干及内部枝条结构。转换后的图像可作为YOLOv11等先进图像分类网络的输入，通过监督学习进行模型训练。在推理阶段，可采用多角度图像预测结果聚合策略提升分类鲁棒性。数据集支持对比研究不同投影着色方案（强度、法向量、黑白）的性能差异，以及探索多光谱强度信息对分类效果的增益，为传感器无关的树种自动识别提供基准平台。

背景与挑战

背景概述

MLS树物种分类数据集由芬兰地理空间研究所（FGI）与阿尔托大学的研究团队于2025年创建，旨在推动基于移动激光扫描（MLS）和航空激光扫描（ALS）数据的树物种自动分类研究。该数据集包含芬兰埃斯波地区采集的高密度点云数据，涵盖松树、云杉、桦树等七至九种典型北方树种，样本量近2000个。其核心研究问题在于探索传感器无关的几何投影方法（如NormalView）在树物种分类中的有效性，并评估多光谱强度信息对分类性能的影响。该数据集的发布为森林生态监测、生物多样性评估及自动化森林资源管理提供了关键数据支撑，促进了深度学习在林业遥感领域的应用深化。

当前挑战

该数据集致力于解决树物种自动分类中的关键挑战：在复杂森林环境中，不同树种间形态相似性高（如桦树与山杨），且点云数据存在密度差异与遮挡问题，导致分类模型易受干扰。构建过程中的挑战包括：高密度点云数据的采集与预处理需克服设备移动带来的噪声与配准误差；个体树木分割在密集或重叠生长条件下难以保证精度；数据标注依赖人工实地核查，耗时费力且易引入主观偏差；此外，数据集中少数类样本（如橡树、赤杨）数量不足，加剧了模型训练中的类别不平衡问题，影响分类器对稀有物种的识别能力。

常用场景

经典使用场景

在森林遥感与生态信息学领域，MLS树物种分类数据集为基于移动激光扫描点云的树种自动识别提供了基准数据。该数据集通过高密度背包激光扫描获取了七种北方典型树种的近两千个样本，点云密度高达每平方米约五千点，精细捕捉了树干与枝干的几何结构。其经典使用场景在于验证和比较各类深度学习模型在树种分类任务上的性能，特别是投影式方法如NormalView，该方法将点云的法向量信息嵌入二维投影图像，并利用YOLOv11等先进图像分类网络实现高精度识别，在MLS数据上达到了95.5%的整体准确率。

实际应用

在实际林业管理与生态监测中，MLS树物种分类数据集支撑的技术可直接应用于精准森林资源调查。通过移动激光扫描系统快速获取林分点云，结合训练好的分类模型，能够自动化完成大面积林区的树种组成测绘，显著提升森林生物多样性监测、碳储量评估和营林规划的效率。例如，在北方森林中准确识别关键物种如欧洲山杨，对于保护生物多样性热点至关重要。该数据集推动的传感器无关方法也降低了技术部署对特定硬件或辐射数据的依赖，使得在多种扫描平台和条件下实现稳健的树种分类成为可能，促进了技术在野外复杂环境中的实用化。

衍生相关工作

围绕该数据集衍生的经典工作主要体现在两类基准研究与方法创新上。一方面，它与同期发布的FOR-species20k和MS-ALS-SPECIES等大型多物种数据集共同构成了树种分类的公共基准，推动了如Puliti等人与Taher等人的系统性性能比较研究。另一方面，数据集支撑的NormalView方法本身是一项重要的衍生工作，它验证了基于法向量增强的投影式深度学习框架的有效性。此外，相关工作还包括对多光谱强度信息融合的深入探索，以及将YOLO等先进图像网络骨干应用于林业点云分类的实践，这些研究共同丰富了基于激光扫描的森林人工智能方法体系。