산림 포인트 클라우드 분할(forest point cloud segmentation)은 세밀한 3D 산림 장면 이해에 필수적이지만, 불규칙한 수목 구조, 심각한 가림 현상, 밀도 변화, 모호한 인스턴스 경계로 인해 여전히 어려운 과제로 남아 있습니다. 최근 쿼리 기반 산림 분할 방법들은 의미론적 분할(semantic segmentation) 및 인스턴스 예측의 통합에 유망한 가능성을 보여주었으나, 산림 고유의 공간 구조를 충분히 활용하지 못하고 경계 불확실성을 제대로 고려하지 못합니다. 본 논문에서는 통합 산림 포인트 클라우드 분할을 위한 경계 인식 및 공간 앵커 기반 쿼리 학습 프레임워크인 ForestQuery를 제안합니다. ForestQuery는 상호 보완적인 두 가지 설계를 통해 인스턴스 및 의미론적 쿼리 학습을 강화합니다. 구체적으로, 경계 불확실성을 명시적으로 모델링하여 신뢰할 수 있는 인스턴스 쿼리 구성을 유도하고 적응형 손실(loss) 재가중치를 통해 쿼리 최적화를 조절합니다. 한편, 공간 앵커 기반 의미론적 쿼리 강화(SA-SQE)는 산림의 수직 층화 사전 지식을 인코딩하는 학습 가능한 3D 앵커를 도입하여 명시적인 공간 참조로 의미론적 쿼리를 풍부하게 만듭니다. 우리는 여러 공개 산림 포인트 클라우드 벤치마크와 자체 수집 및 주석을 추가한 실제 데이터셋에서 ForestQuery를 평가합니다. 광범위한 실험을 통해 다양한 산림 장면에 걸쳐 개별 수목 분할과 의미론적 분할 모두에서 일관된 성능 향상을 입증합니다. 코드와 데이터는 https://zhan994.github.io/ForestQuery 에서 공개적으로 이용 가능합니다.
레이저 스캐닝 데이터를 이용한 정확한 수목 단위 산림 모니터링을 위해서는 신뢰할 수 있는 수목 분할, 다중 시점 포인트 클라우드 간 일관된 수목 대응, 그리고 수목 속성 및 그 변화의 정확한 추정이 필요하다. 한대 숲에서 수목 성장을 재구성하는 것은 역사적 줄기 수준 데이터의 부족, 구형 센서로부터 변화 추정으로의 오류 전파, 그리고 측정 불확실성과 비슷한 크기의 성장률로 인해 어렵다. 본 연구는 한대 숲 시험지에서 공중(ALS), 이동형(MLS), 지상 레이저 스캐닝(TLS) 플랫폼의 11개 스캐너로 2014--2025년 사이에 수집한 136개의 포인트 클라우드를 이용하여 개별 수목의 흉고 직경(DBH) 및 줄기 부피 성장을 추정하는 프레임워크를 조사한다. 수목은 MLS 포인트 클라우드에서 심층 학습 기반 분할을 이용해 분할되었으며, 이 방법은 나머지 포인트 클라우드에 전이되어 신뢰할 수 있는 다중 시점 수목 대응을 달성했다. 줄기 곡선은 MLS/TLS 데이터에서 도출되었고, ALS 데이터는 높이 추정에 사용되어 DBH 및 부피 추정과 시계열 분석을 가능하게 했다. 높이 성장 기반 스케일링 모델을 사용하여 시간에 따른 줄기 속성을 재구성하고 성장을 추정했다. 결과는 모델링된 성장이 포인트 클라우드에서 독립적으로 추정된 속성의 차분보다 수동 성장 추정과 더 높은 일치를 보였음을 나타냈다. 모델-수동 5년 및 10년 성장 RMSE는 플롯 난이도에 따라 DBH의 경우 각각 55--111% 및 26--67%였고, 부피의 경우 각각 31--87% 및 21--67%였다. 스케일링 모델은 시간적으로 견고했으며, 오류는 5--6년 후 안정적이거나 안정화되었고, 12년 후 DBH의 최대 RMSE는 8--12%, 부피는 12--23%에 도달했다. MLS/TLS에서 도출한 줄기 측정값과 다중 시점 ALS에서 도출한 높이를 결합하면 다중 수관 하부 스캔 없이도 개별 수목 성장 추정을 위한 견고한 프레임워크를 제공한다.