基于无人机LiDAR点云的橡胶树精准分割方法TM-WSNet：空间几何增强与多尺度特征融合的创新研究

为解决橡胶树冠层边界模糊、个体形态差异大及学习率设置不均等问题，研究人员开发了TM-WSNet分割网络，创新性提出SGTramba混合特征提取模块、WGMS小波网格编码器和SCPO尺度优化算法。实验表明该模型在自建RubberTree数据集上mIoU达88.78%，R2达0.9847，显著提升橡胶树高度、胸径等关键参数测量精度，为橡胶种植精准管理提供新范式。

　　

在热带农业领域，橡胶树作为重要的经济作物，其生长参数的精准监测直接关系到橡胶产量预估和种植管理。然而，传统单木分割方法面临三大挑战：密集种植导致的冠层边界模糊、个体间显著的形态学变异（如树高、冠幅差异），以及深度学习模型中不同分辨率尺度下的学习率失衡问题。这些瓶颈严重制约了无人机LiDAR技术在橡胶种植园的应用效果。

针对这些行业痛点，来自中南林业科技大学的Lele Yan团队在《Plant Phenomics》发表了创新性研究成果。他们提出TM-WSNet分割网络，通过三大核心技术突破：首创SGTramba模块将分组Transformer与Mamba架构结合，解决边界混淆问题；设计WGMS编码器实现小波空间网格下采样，有效捕捉多尺度形态特征；开发SCPO算法动态优化学习率，平衡不同尺度特征学习。研究采用海南岛儋州橡胶园的无人机LiDAR数据（飞行高度80m，点云密度1.92 million points/s），通过3D Graph-Based算法预分割后，人工标注建立含600株样本的RubberTree数据集。

研究结果显示，TM-WSNet在多项指标上实现突破。在特征提取方面，SGTramba模块的mIoU达83.12%，较传统Transformer提升1.01%，其傅里叶位置编码增强了几何特征感知。WGMS通过小波分解（DWT2）和网格池化，使mIoU进一步提升至84.48%，较MSG方法提高1.18%。SCPO算法结合粒子群优化（PSO）和双曲正弦搜索，使学习率收敛效率提升20%。

在跨数据集验证中，模型展现出强大泛化能力。在自建RubberTree数据集上，mIoU达88.78%，树高、胸径和冠幅的R²分别达1.00、0.89和0.99。在公开数据集ForestSemantic上，虽面临灌木丛干扰，仍取得66.78%的mIoU，较PC-Mamba提升0.19%。可视化分析表明，模型在冠层重叠区域（如Fig6A-c）的误分率降低37%，但对低矮橡胶树（Fig9b）和规则背景噪声（Fig9a）的识别仍有改进空间。

这项研究的意义在于：技术上，首次将Mamba架构引入林业点云处理，提出几何增强的混合特征提取范式；应用上，建立的参数预测模型（DBH预测R²=0.89）可直接服务于橡胶产量预估；方法论层面，SCPO算法为多尺度学习提供了新思路。尽管存在计算资源需求较高的局限，但该工作为数字林业发展提供了重要工具，其多尺度特征融合策略对农作物表型分析具有普适参考价值。未来通过轻量化设计和噪声增强训练，有望进一步拓展在复杂农林场景的应用边界。