Vegetation Filtering in Photogrammetric 3D Point cloud Data by tree-based Machine Learning Models - a comparative Study

Sep 17, 2026

Uploaded by Levi

Identifying and filtering vegetation from photogrammetric-based point cloud data are required for many applications, including environmental monitoring, urban planning, forestry and hazard management. The study presents a comprehensive comparison of tree-based machine learning models—Decision Tree Classifier, random Forest, AdaBoost, XGBoost, and CatBoost—using six datasets. random Forest with hyperparameter tuning achieves the highest precision. Visible-band vegetation indices with fixed thresholds are evaluated but deliver lower accuracy. Ablation and noise sensitivity analyses show the benefit of combining spatial and spectral features and that red/green bands are more noise-sensitive than blue.

LanguageEnglish

CategoryResearch & Report

FormatPDF

Pages18

Reading Time45 min

AccessFree to download

eXtenDeD abstract

Vegetation classification and point filtering

Tree-based machine learning models and datasets

Feature extraction, ablation, and sensitivity analyses

Vegetation indices and future directions

| | Italian | Journal of Engineering Geology and [www.ijege.uniroma1.it](www.ijege.uniroma1.it) | Environment | | | --- | --- | --- | --- | --- | Vegetation Filtering in Photogrammetric 3D Point clouD Data by tree-baseD machine learning moDels: a comParatiVe stuDy Himanshu DEWANGAN(*), Pranesh DAS(*), Jagadish KUNDU(**,***), Paolo MAZZANTI(**) & Ebrahim GHADErPoUr(**) (*)National Institute of Technology Calicut, Kozhikode, Kerala-Department of Computer Science and Engineering-Machine Learning Laboratory- (India) (**)Sapienza University of Rome-Department of Earth Sciences-Rome (Italy) (***)New Zealand Institute for Earth Science Limited-Avalon (New Zeland) Corresponding author: [ebrahim.ghaderpour@uniroma1.it](ebrahim.ghaderpour@uniroma1.it) eXtenDeD abstract Il processo di classificazione di diversi tipi di vegetazione all’interno di un set di dati, spesso per specie o tipi di vegetazione, è noto come classificazione della vegetazione. L’etichettatura di ogni punto nella nuvola di punti fotogrammetrica come vegetazione o non vegetazione, di solito in modo binario, è nota come classificazione dei punti. Per indagini approfondite come la stima della biomassa, la segmentazione della vegetazione, è utile distinguere istanze specifiche di vegetazione, come la separazione di alberi o arbusti. Latecnica di eliminazione dei punti di vegetazione per enfatizzare le strutture non vegetative è nota come filtraggio della vegetazione, che è necessaria per molte applicazioni, come il monitoraggio ambientale, l’esame delle caratteristiche urbane o rocciose, la silvicoltura e la gestione dei rischi. Questo lavoro presenta uno studio completo sulla classificazione dei punti utilizzando modelli avanzatidi apprendimento automatico basati su alberi, tra cui Decision Tree Classifier, random Forest, AdaBoost, XGBoost e CatBoost. Sei diversi set di dati sono stati utilizzati per confrontare i modelli di apprendimento automatico: Maiori, Gubbio, Tratto (I, II, III) e Sierra National Park. Il framework di classificazione prevede passaggi di pre-elaborazione dettagliati, formattazione del set di dati e tecniche di estrazione delle caratteristiche per migliorare l’accuratezza della classificazione. Le tecniche di estrazione delle caratteristiche sonometicolosamente applicate in questa ricerca per catturare un’ampia gamma di caratteristiche della vegetazione, come l’altezza della chioma, la densità, i modelli di distribuzione spaziale e le firme spettrali. Tra i modelli valutati, il classificatore random Forest conottimizzazione degli iperparametri supera i metodi esistenti, dimostrando una precisione superiore nel filtrare i punti di vegetazione. In particolare, mentre uno studio recente ha raggiunto un’accuratezza del 76.84% sul set di dati di Gubbio, il modello di foresta casualeottimizzato nella presente ricerca raggiunge un’accuratezza di quasi il 76.40% sullo stesso set di dati. L’analisi comparativa delleprestazioni dei modelli rivela che CatBoost e random Forest sono particolarmente efficaci nella gestione di strutture di dati complesse. Sebbene XGBoost fornisca risultati relativamente bassi in termini di precisione, addestra ed effettua previsioni in modo relativamentepiù rapido ed efficiente, indicando il suo potenziale per implementazioni più rapide e su larga scala. Vengono esaminati anche gli indicidi vegetazione, come l’indice di vegetazione a differenza di banda visibile (VDVI) e l’indice di vegetazione a differenza normalizzata verde (GNDVI), con soglie fisse per filtrare la vegetazione dai dati delle nuvole di punti; Tuttavia, i risultati non sono accurati come i risultati dei modelli basati sull’apprendimento automatico, sebbene l’implementazione degli indici di vegetazione sia più semplice. Viene eseguito un esperimento di ablazione per dimostrare che l’uso combinato di caratteristiche spaziali e spettrali fornisce la massima precisione di classificazione. Viene inoltre eseguita un’analisi di sensibilità introducendo i

FAQs

Which tree-based machine learning models are compared for vegetation point classification?

The study compares Decision Tree Classifier, random Forest, AdaBoost, XGBoost, and CatBoost for classifying and filtering vegetation points.

Why does random forest perform best in this research?

random Forest with hyperparameter tuning outperforms other evaluated models, achieving superior precision for filtering vegetation points.

How do vegetation indices compare with machine learning models?

Visible-band vegetation indices with fixed thresholds are evaluated, but their accuracy is lower than that of the machine learning models, even though they are easier to implement.

Sep 17, 2026

Uploaded by Levi