基于三维可提示分割网络的单株树木提取技术及其在森林资源管理中的应用

本研究创新性地将图像分割领域著名的SAM（Segment Anything Model）模型范式引入三维点云处理，提出3DPS-Net（3D Promptable Segmentation Network）实现森林点云中单株树木的交互式与自动化提取。通过双测试模式（提示测试1.5秒/株）在ForestSemantic和FOR-instance数据集验证，为森林资源调查（ITD）、生长量估算提供高效新方法，推动深度学习在林业三维实例分割中的应用发展。

　　

研究背景与技术挑战

森林作为地球关键生态系统，其单株树木的精确提取对生物量估算、碳循环研究至关重要。传统基于二维冠层高度模型（CHM）的局部最大值滤波方法（Hyypp? 2001）和机器学习聚类技术（如SVM、均值漂移）面临参数调整复杂、自动化程度低的瓶颈。尽管深度学习（DL）框架如PointNet++、Point Transformer已应用于城市树木分割，但复杂森林场景中密集遮挡和异质树种分布仍是重大挑战。

方法论创新

受SAM启发提出的3DPS-Net突破性地采用提示驱动范式，其架构包含三大模块：

1. 点编码器：采用KPConv（Kernel Point Convolution）直接处理点云，通过四层编码（64-4096维特征）捕获局部几何特征
2. 提示编码器：将用户选择的提示点坐标通过正弦位置编码（Vaswani 2017）映射到特征空间，经6层自注意力机制融合全局信息
3. 点解码器：输出与提示点对应的树木掩膜，支持两种模式：
   • 交互式：人工选择树干基部附近8-16m高度区间的提示点（实验显示该区域IoU最优）
   • 自动化：随机采样z>6m的点，过滤点云<800或平均z<6m的无效预测

实验设计与性能验证

在芬兰Evo森林（ForestSemantic数据集）和五国UAV-LS数据（FOR-instance数据集）的测试表明：

• 精度表现：
  • 优势树种IoU达0.484-0.861（松科树种最佳）
  • 复杂林分（如NIBIO2）下层木IoU降至0.152-0.488
  • 自动模式平均完整度61.9%（Plot1达88.2%）
• 效率优势：单株预测耗时1.5秒，较传统全场景分割提速显著
• 局限性：
  • 多树种混合林分（如桦木-云杉混交林）正确率下降约15%
  • 树冠重叠区域易产生23%的误匹配（表2）

技术应用前景

该技术为森林调查提供新型工具：

1. 实时处理：结合移动激光扫描（MLS）实现野外即时单株测量
2. 生态研究：通过三维掩膜精确计算单株生物量参数（如胸径、冠幅）
3. 平台扩展：未来可集成多模态数据（如高光谱）提升树种识别能力

现存问题与改进方向

当前网络对垂直结构复杂的亚乔木层（<1/3树高）分割效果欠佳，后续可通过：

1. 引入多尺度特征金字塔增强小目标检测
2. 结合树干几何约束（如DBSCAN聚类）减少假阳性
3. 开发跨传感器通用模型（如Terrestrial/TLS与无人机/UAV-LS数据融合）

这项研究标志着提示学习范式在三维生态建模中的首次成功应用，为《巴黎协定》背景下的森林碳汇监测提供了可扩展的技术路径。