本研究利用无人机监测森林环境变化，介绍了新数据集FinnWoodlands，包含RGB图像和深度图，旨在推进森林巡视和树种分类。通过深度学习框架，实现了高精度的树木分割和生物物理参数提取，验证了合成数据在真实森林数据中的有效性。

该文综述了利用LiDAR点云与深度学习进行树木检测和分割的研究，涵盖树木实体自动分割、生物物理参数提取、树种分类及碳储量估算，指出基于图像的方法已成主流，但树直径和位置估计仍不可靠。

该文汇总多项LiDAR点云研究：利用深度学习将高密度点云分割为树木实体与组件并提取生物物理参数，树冠特征较准，但直径和位置估计欠可靠；用PointNet检测电力塔等复杂目标；融合LiDAR与摄像头进行机器人自由空间检测；按垂直分层估算点密度以分割森林树木并分布式处理；结合深度学习与图论匹配点云与BIM重建城市场景；利用点密度建立树木分割模型量化森林资源；提出实时三维场景重建框架；用深度卷积网络借助LiDAR选择毫米波波束；以无监督学习检测电力线路及植被进行危险分析；并探索流数据低延迟目标检测。