基于几何约束与无监督生成对抗网络的双层无人机摄影测量点云融合技术在半干旱森林树木三维重建中的应用及其生态意义

本文创新性地提出了一种融合双层无人机（UAV）摄影测量与几何约束点云配准的无监督生成对抗网络（Denoise-GAN）框架，实现了半干旱森林树木的高精度三维重建。该方法克服了传统方法（如ICP、RANSAC）在冠层遮挡环境下配准性能不足的局限，显著提升了树干形态与冠层结构特征的提取精度（如DRC R2=0.93，树高R2=0.97），为生态系统健康评估与可持续森林管理提供了可扩展的技术方案。

　　

研究亮点

本研究通过整合几何建模与深度学习技术，提出了三项核心创新：

1. 1.
   设计了一种基于树木空间分布几何关系的点云融合算法，显著提升冠层上下点云在遮挡环境下的配准精度与可扩展性，尤其适用于缺乏地理参考的自主无人机工作流程。
2. 2.
   开发了新型无监督Denoise-GAN模型，通过对抗训练与拓扑约束损失函数，有效抑制光噪伪影并补全结构缺失，特别适用于多干丛生树木的复杂形态重建。
3. 3.
   构建了一套低成本、可扩展的树木三维建模流程，在遮挡严重、噪声密集的挑战性环境中实现了生态应用导向的高精度输出。

点云融合方法在树木三维重建中的进展

现有点云融合方法在半干旱森林生态系统中面临显著局限：稀疏冠层、多干丛生结构（如萌生林）与光噪伪影使配准过程复杂化。表1总结了主流方法及其约束条件。

迭代最近点（ICP）算法因简洁性与适应性仍被广泛采用，但其依赖邻近匹配的特性导致在冠层重叠度低于25–30%时性能急剧下降（Chen等，2020），这在萌生林等遮挡密集环境中极为常见。近期深度学习方案如PointNet++（Qi等，2017）或基于相干点漂移（CPD）的配准（Myronenko与Song，2010）虽具有更高鲁棒性，但对无人机采集的大规模点云计算效率低下，难以部署于嵌入式设备或轻量化无人机平台。

方法论框架

本框架融合了航空摄影测量中的几何建模（基于树冠中心点三角化约束）与基于生成对抗网络（GANs）的点云去噪技术，实现了测绘学、计算机视觉和生态信息学的跨学科整合。

研究区域

研究采用单木分析策略。数据采集自伊朗西部半干旱扎格罗斯山脉中部两片一公顷固定样地（样地A与B）（图3）。无人机数据通过三层飞行获取：冠层上方（使用Phantom 4 Pro）、冠层下方低分辨率（DJI Tello）与高分辨率（DJI Mavic Pro）飞行。该区域以独特的动植物群落及在水资源调节与土壤保护中的生态功能而闻名。

结果

以下结果验证了几何配准与Denoise-GAN如何应对稀疏森林的三维重建挑战，包括点云融合、树木特征提取及与实测数据的对比评估。

点云融合

我们开发了一套超越传统摄影测量方法的树木三维重建流程。通过多平台无人机采集的多源数据（顶层航拍图像与底层视频帧，重叠度约80%），经运动恢复结构（SfM）算法生成双视角稠密点云，并通过几何约束实现精准融合。

结论

本研究通过融合冠层上下无人机摄影测量数据与Denoise-GAN技术，构建了扎格罗斯森林橡树的完整三维无噪模型。高分辨率点云融合显著提升了树木架构（尤其是常规无人机勘测难以捕捉的林下与树干区域）的还原度，为森林健康监测与退化评估提供了可靠的技术支撑。