基于实例分割的激光雷达数据枝干角度分布估测方法研究

《International Journal of Applied Earth Observation and Geoinformation》：Estimating branch angle distributions from terrestrial laser scanning data using an instance segmentation-based contraction method

本研究针对传统方法难以准确测量树木枝干角度分布(BADs)的难题，开发了基于实例分割的BASeg方法，通过Voronoi分区、拉普拉斯骨架化等技术，实现了从地面激光扫描(TLS)数据中自动提取枝干角度和BADs。结果表明，BASeg方法在枝干角度估计中均方根误差(RMSE)为9.96°，一致性相关系数(CCC)达0.89，显著优于现有方法，为精细尺度树木结构量化提供了有效工具。

　　

在郁郁葱葱的森林生态系统中，每一棵树都以其独特的枝干结构展现着生命的智慧。枝干角度及其分布不仅是树木形态的重要特征，更是直接影响光能捕获效率、资源分配策略和冠层结构优化的关键因素。然而，传统测量方法需要研究人员带着量角器实地测量，既耗时费力又难以获取全冠层数据，严重制约了我们对树木建筑学的深入理解。

随着地面激光扫描技术的成熟，科学家们已经能够获取高精度的树木三维点云数据。但如何从这些海量点云中自动、准确地提取枝干角度信息，特别是获取完整的枝干角度分布，仍然是一个巨大挑战。现有算法在处理复杂分枝结构时容易出现骨架扭曲、分枝点识别错误等问题，且尚未系统评估不同扫描方案对测量精度的影响。

为了解决这一难题，根特大学环境学院定量森林生态系统科学实验室的研究团队开发了一种名为BASeg的创新方法。这项发表于《International Journal of Applied Earth Observation and Geoinformation》的研究，通过结合实例分割和骨架收缩技术，实现了从TLS数据中自动量化枝干角度和BADs的重大突破。

研究团队采用了多项关键技术方法：首先利用Voronoi分区算法将树木点云分割为独立枝干，通过非线性最小二乘法拟合枝干直径并实施按直径分类的自适应降采样，接着应用拉普拉斯算法进行骨架提取，最后基于聚类最近邻图建立分枝拓扑关系并计算枝干角度。研究数据包括比利时Aelmoeseneie森林中采集的六棵不同大小的槭树和两棵山毛榉的实地TLS数据，以及通过HELIOS++模拟的九棵虚拟树木数据。

3.1. 不同自动提取方法的比较

3.1.1. 单枝干角度的准确性

BASeg方法在枝干角度估计中表现出最优性能，RMSE为9.96°(14.64%)，CCC达到0.89，显著优于TreeQSM、Laplacian等五种现有方法。在枝干角度识别率方面，TreeQSM(0.94)和Laplacian(0.93)最高，BASeg为0.86，而WOODSKE最低(0.70)。

3.1.2. 模拟数据中单树的枝干角度分布

对于不同大小的树木，BASeg和TreeQSM是唯一能成功处理所有样本的方法。BASeg在BADs估计中的平均绝对误差(MAE)范围为2.2-381.1(25.2%-69.3%)，优于其他方法。对于小型树木，所有方法都能获得与参考数据基本一致的BADs，但随着树木尺寸增大，BASeg仍能保持最低误差。

3.2. BASeg在不同扫描方案下的敏感性分析

3.2.1. 不同扫描方案下BASeg的准确性

分析显示，BASeg在不同扫描方案下的RMSE介于10.88°-15.94°之间，CCC为0.7-0.89。角度分辨率对精度影响显著，0.01°和0.02°分辨率的表现优于0.04°，而扫描距离和扫描位置数量对精度的影响无明显规律。

3.2.2. 扫描方案对估计枝干角度分布特征的影响

扫描位置数量和距离对BADs特征几乎无影响，而角度分辨率则产生显著影响。随着角度分辨率降低，平均枝干角逐渐减小，标准差和偏度增加。

研究结论表明，BASeg方法通过先分割后骨架化的策略，有效解决了传统骨架方法在分枝点处的扭曲问题。该方法不仅能够准确提取单枝干角度，还能可靠地估计整棵树的枝干角度分布，为树木结构研究提供了强有力的工具。扫描方案敏感性分析为野外数据采集提供了重要指导：角度分辨率是影响精度的关键因素，而扫描距离在10-20米范围内影响不大，扫描位置数量在3-6个之间也足够。

这项研究的重要意义在于首次系统量化了从TLS数据自动提取BADs的准确性，并明确了不同扫描参数对结果的影响。BASeg方法的成功开发，将推动林业管理、生态研究和树木功能性状研究进入更加精细化、定量化的新阶段，为理解树木如何通过枝干结构优化来适应环境变化提供了新的技术途径。