基于像素映射三维重建与深度学习曲率分割的单图像树木材积估算：一种低成本林业调查创新方案

本研究提出融合SegFormer深度学习模型与自适应曲率分割算法的单图像树木三维重建框架（PMPE），通过像素-物理单位映射实现树干参数自动化提取。在3013棵多树种验证中，其材积与树高测量误差仅2.01%–7.68%，效率较手持移动激光扫描（HMLS）提升6.9倍，为资源受限下的高精度林业监测提供了低成本解决方案。

　　

研究区域

研究区域涵盖北京市三处林场：八达岭林场（海拔600–1240米，暖温带落叶阔叶林）、马各庄林场（平原人工林）和共青林场（针阔混交林）。共采集4树种（油松、侧柏、蒙栎、刺槐）3013棵树木图像，配套141棵伐倒木点云数据与破坏性测量值用于验证。

跨树种的SegFormer分割性能

如图6所示，SegFormer模型精准提取了所有树种的树干区域，有效分离主干轮廓与前景。定量结果显示：油松(DAV)表现最优，交并比(IoU)达85.35%，Dice系数92.09%，精确率99.68%，召回率92.44%；蒙栎(MON)IoU为83.72%，刺槐(RPS)与侧柏(ORS)因树皮纹理复杂且多枝条遮挡，IoU分别为72.50%与75.31%，但仍显著优于传统阈值分割法。

讨论

本研究提出的单图像像素-结构映射策略（PMPE）经综合评估证实其可行性：SegFormer跨树种IoU达72.50%–85.35%；自适应曲率分割算法将材积估算误差从固定阈值法的18.6%降至7.68%；误差传播模型揭示高度分段误差是主要误差源（贡献度76.8%）；与传统手持移动激光扫描（HMLS）相比，本方法效率提升6.9倍且硬件成本降低98%。该方法为林业调查提供了兼具精度与成本效益的创新方案。

结论

PMPE方法通过单图像实现树干精细三维重建：利用SegFormer自动提取树干区域，采用自适应多尺度曲率极值融合算法动态识别主干几何拐点，分段构建三维结构并通过顶底面对齐与高度积分计算材积。其在多树种环境中展现强适应性，为高精度林业资源监测提供了理论支持与技术路径。