基于增强型SnowflakeNet的城市树木点云补全：融合全局上下文与通道注意力的创新方法

本文系统综述了基于增强型SnowflakeNet的激光雷达（LiDAR）点云补全技术在城市树木三维重建中的突破性应用。通过集成全局上下文模块（GCM）和通道注意力（CA）机制，显著提升了ALS（机载激光扫描）与MLS（移动激光扫描）数据在复杂遮挡场景下的补全精度（CDL2误差降低67.07%-75.28%），为城市森林碳汇评估与生态管理提供关键技术支撑。

　　

Highlight

研究亮点

本研究通过创新性融合全局上下文模块（Global Context Module, GCM）与通道注意力（Channel Attention, CA）机制，显著提升树木点云补全的形态准确性与细节还原能力，突破传统方法在复杂城市环境中的局限性。

Introduction

引言

森林覆盖全球31%的陆地面积，是维持生态系统稳定和缓解气候变化的核心要素（Fahey等, 2010）。树木作为森林与城市绿地的基本单元，积极参与碳循环、水循环，并显著增强生物多样性与结构复杂性（Salmond等, 2016；S. Wang等, 2024）。大径级树木更是森林生物量与碳储量的主要贡献者（Lutz等, 2012；Stephenson等, 2014）。因此，精确获取树木高度、胸径（DBH）及生物量等参数，对监测树木生长动态至关重要（Lawrence等, 2013）。传统野外调查耗时费力，而光学遥感技术在茂密冠层中精度有限，难以提供单木级精细数据（Chave等, 2005；Li等, 2024）。

激光雷达（LiDAR）作为主动遥感技术，能高效捕获三维植被结构，并通过激光回波强度提供细节信息（Guo等, 2022；Wagner等, 2006；M. Wang等, 2022）。依传感器平台差异，LiDAR可分为地面激光扫描（TLS）、移动激光扫描（MLS）和机载激光扫描（ALS）。这些技术能从多视角采集海量树木点云数据，用于参数估算与三维模型重建（Feng等, 2022；Ferreira等, 2024；Gao等, 2021；Ku?elka等, 2020；Münzinger等, 2022）。然而，原始数据的不完整性严重制约了DBH与树高测量的准确性（图1）。MLS数据缺失主要源于移动扫描模式与遮挡效应（Heo等, 2019；Xie等, 2022）；而ALS的俯视扫描视角常使树干被上层冠层遮蔽（图1c），导致近地面点云稀疏与主干数据缺失（Brede等, 2017；Fekry等, 2020；Watt等, 2024）。

Methods

方法

本节详细介绍了本研究提出的增强型SnowflakeNet框架及其实验设计。通过全局上下文模块捕捉整体树形形态，结合通道注意力机制强化关键结构特征，在模拟ALS与MLS多遮挡场景下进行系统性验证。

Completion in ALS simulation dataset

ALS模拟数据集补全结果

在ALS模拟实验中，模型针对不同遮挡强度场景表现出卓越适应性。在95%中度遮挡条件下，CD_L2误差降低67.07%-75.28%，RMSE下降7.69%-8.51%；在99%极端遮挡场景中仍保持稳定性能，显著优于基准方法。

Discussion

讨论

实验结果表明，GCM与CA机制的协同整合显著提升多场景补全精度。消融研究证实，CA机制对整体性能贡献优于GCM，而二者结合产生协同增效。对于ALS数据，模型在冠层遮挡与主干缺失场景中表现突出；MLS数据补全则有效克服移动扫描导致的局部点云碎片化问题。模型还展现出跨地域迁移能力，仅以香港亚热带树种训练即可有效补全欧洲树种点云，凸显其泛化潜力。

Conclusion

结论

本研究通过增强SnowflakeNet架构，攻克了树木点云补全的技术瓶颈。主要贡献包括：（1）针对树木复杂结构的专用深度学习框架；（2）多模态LiDAR数据兼容性与跨地域迁移能力；（3）为城市森林精准监测与碳汇评估提供可靠工具。未来工作将拓展至多物种协同重建与实时处理应用。