SmartQSM:一种新型的定量结构模型,利用基于稀疏卷积的点云收缩技术来重建和分析单个树木的形态结构
《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:SmartQSM: a novel quantitative structure model using sparse-convolution-based point cloud contraction for reconstruction and analysis of individual tree architecture
【字体:
大
中
小
】
时间:2026年01月15日
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2
编辑推荐:
杰阳|张怀清|李金阳|杨浩月|高天|杨廷东|王嘉欣|张晓丽|云婷|段沐宇欣|陈思涵|史玉凯
中国林业科学院森林资源信息技术研究所,北京100091
**摘要**
树木结构分析是林业的基础,但复杂的树木结构对基于点云的重建方法的准确性和效率提出了挑战。在这里,我们提出
杰阳|张怀清|李金阳|杨浩月|高天|杨廷东|王嘉欣|张晓丽|云婷|段沐宇欣|陈思涵|史玉凯
中国林业科学院森林资源信息技术研究所,北京100091
**摘要**
树木结构分析是林业的基础,但复杂的树木结构对基于点云的重建方法的准确性和效率提出了挑战。在这里,我们提出了SmartQSM,这是一种新颖的定量结构模型,旨在利用地面激光扫描数据重建单个树木并提取其参数。该方法通过迭代应用基于稀疏卷积的残差U形网络(ResUNet)来预测点向中轴的移动,从而实现点云的压缩并形成骨架化所需的细结构。这一过程结合了以往研究中的技术,形成了一个完整的重建流程。通过对47个个体尺度、26个器官尺度和8个样地尺度的参数进行组织和基于QSM的量化,所提出的方法能够利用输入点云及其输出(包括骨架和网格)全面提取这些指标。性能通过使用中国辽宁省清原县的一个自然针叶阔叶混交林样地的两个生长阶段的LiDAR数据以及2个开放森林数据集进行了验证,并与现有的主要QSM方法进行了比较。推理网络采用了三级分层空间压缩架构,从8个输入通道开始,并通过多层感知器进行预测。重建结果对剩余的叶子不敏感,且模型没有明显的失真。处理速度高效,约为每秒12,000个点。在主要结构参数方面,针对样地中不同树种的两个生长阶段数据,树干长度、树干体积和树干高度的R2分数分别达到了0.97、0.957和0.949,比现有方法高出0.043、0.114和0.029。树枝长度、分枝角度和顶端偏转角的R2分数保持在0.95左右。树干体积或地上生物量的高估问题得到了缓解。所提出方法的高重建质量、高效性、丰富的参数以及独特的视觉交互能力为林业研究及其他领域提供了新颖且实用的解决方案。实现代码目前可在以下链接获取:https://github.com/project-lightlin/SmartQSM
**1. 引言**
在自然生态系统中,不同的树种展现出独特且可识别的结构特征,这些结构由独特的树干(包括树干和树枝)和根系组成(Roth-Nebelsick等人,2021年)。这些结构是由遗传决定因素以及各种外部生物和非生物因素的复杂相互作用形成的,并产生了特定的生态生理特性(Malhi等人,2018年;Seidel等人,2019年)。因此,对树木结构的科学研究已成为理解生物过程(包括生长动态、发育模式、繁殖和环境响应)的基础(Chai等人,2023年;Lu等人,2020年)。这些见解已有效应用于森林管理、结构-功能分析以及针对目标性状的基因组选择等实际活动中(Bian等人,2022年;Wang等人,2024年)。传统上,树木结构的分析依赖于主观的、模糊的描述,但目前的策略是对地上特征(包括树干和树枝的形状、大小和物理特性)以及树干和树枝之间以及相互连接的树枝之间的关系进行量化(Martin-Ducup等人,2020年;Tsugawa等人,2022年;Zhu等人,2023年)。通常,这些特征在森林管理中被称为形态因子,在森林生态学中被称为树木参数,在树木遗传学和育种中被称为形态表型特征。
各种3D测量方法(尤其是光检测和测距技术,即LiDAR,也称为激光扫描)的快速发展成功彻底改变了地上树木结构的评估方式(Balestra等人,2024年;Huo和Zhang,2019年;Lecigne等人,2022年)。结果数据以高通量且非破坏性的方式记录了树木的空间表面信息,为特征提取提供了高质量和有价值的数据来源(Paturkar等人,2021年;Ye等人,2020年)。这种方法不仅能够高效且安全地收集传统方法中手动测量的基本特征(如树高和胸径DBH),还使得以前仅限于特定研究目的的特征(如长度、基径和角度)变得广泛可用(Terryn等人,2022年)。此外,难以用二维表示的复杂空间关系也可以轻松描绘出来。从LiDAR点云中参数化单个树木结构的主要方法是各种定量结构模型(QSMs)。它们使用基于地面的单个树木点云作为输入,并采用拓扑排序的几何原语(如圆柱体)来模拟树木的分支结构,以便更容易地将其集成到数学模型中(Liang等人,2016年;Murtiyoso等人,2023年)。林业或植物表型分析中使用的QSM与计算机视觉中使用的通用QSM的主要区别在于是否提取树木参数,而不仅仅是构建3D模型(Okura,2022年)。
基于对已报道的分类方案的全面分析(Cárdenas等人,2022a;Cárdenas等人,2022b;Dobbs等人,2023年;Morales和MacFarlane,2024年;Qiu等人,2024年),我们整理了林业中常用的主要QSMs。基于稀疏化的QSM包括L1-Tree(Feng等人,2024年)和SfQSM(Hui等人,2025年)。这些方法主要通过迭代表面压缩或侵蚀来实现骨架化,直到形成足够细的结构,这要求表面被足够密集地采样。然而,在点云不规则性的影响下,稳定性容易受到破坏,而且随着尺度细度的增加,时间复杂度会呈指数级增长(Cárdenas等人,2022a;Cárdenas等人,2022b;Dobbs等人,2023年)。基于分割的QSM包括TreeQSM(Raumonen等人,2013年)、SimpleTree(Hackenberg等人,2015年)(或其官方继任者SimpleForest(Hackenberg和Bontemps,2023年)以及TreeGraph(Yang等人,2024年)。这些方法将输入点云分割成不相交的段,分别生成骨架点并从底部到顶部构建树木拓扑结构。然而,簇数量的不确定性以及密度的不均匀性使得聚类算法不够稳健,从而在局部拓扑结构中引入了不准确性(Cárdenas等人,2022a;Cárdenas等人,2022b;Dobbs等人,2023年;Qiu等人,2024年)。基于生成树精炼的QSM包括AdQSM(Fan等人,2020b)。这种类型的方法直接在点云表面上构建一个密集图,并为其跨越的每条树枝识别代表性的单一路径。这些骨架点作为表面点的一个子集,面临着与基于稀疏化方法相同的中轴估计挑战,并且更容易出现拓扑错误(Dobbs等人,2023年;Hui等人,2025年)。上述三类QSM与其骨架化的动机是一一对应的。此外,各种QSM采用不同的骨架细化方法来确保骨架和最终模型的细节连通性和视觉保真度(Chaudhury和Godin,2020年)。如果细化过程的一部分被隔离,或者更一般地说,如果流程的某个组成部分被不同的QSM拦截或替换,则这样的QSM校正方法可以被称为基于QSM校正的QSM,例如aRchi(Lecigne等人,2021年)和RealTwig(也称为Twig)(Morales等人,2024年)。这种类型非常特殊,它基于其他QSM的输出结果作为输入,但本质上它也是QSM。然而,基于结果的改进依赖于原始结果的质量,并且能力有限。总之,当前激光技术的局限性,包括固有的噪声、点云中的遮挡以及受限的处理能力,挑战了基于几何计算的重建和参数的准确性(Du等人,2019年;Morhart等人,2024年;Murtiyoso等人,2023年)。即使有可能进行进一步校正,现有输出的质量仍会导致最终结果的显著差异(Morales等人,2024年)。因此,有必要开发或组合高效且稳健的算法来参与重建流程。
点云的深度学习可以从高度不规则的树木点云数据中学习到稳健的特征,为树木的3D重建和参数分析带来了新的视角(Jiang等人,2024年;Qiu等人,2024年;Yun等人,2024年)。已经有一些研究使用这一强大工具直接或间接生成骨架表示,例如PointSkelCNN(Qin等人,2020年)和Point2Skeleton(Lin等人,2021年)。然而,从他们的实验结果可以推断,目前适用于一般点云或无监督方法的方法并不适合不对称和复杂的树木点云。相反,有两种专门针对树木的开源监督学习方法:TreePartNet和Smart-Tree(Dobbs等人,2023年;Liu等人,2021年)。TreePartNet由两个网络组成:一个用于检测分枝点,另一个用于学习圆柱体表示。该网络主要用于分割不同的树枝,使用的方法类似于TreeQSM,但更加智能。这种分割也有利于骨架提取,因为每个组件可以独立骨架化,然后组装起来。然而,由于PointNet++网络的内存需求,它难以处理从数十万个点开始的高分辨率单个树木点云(Dobbs等人,2023年)。为了网络运行,必要的大幅下采样可能会导致许多树枝的不可接受损失(Liu等人,2021年)。Smart-Tree通过使用子流形稀疏卷积网络克服了这一缺点。其架构包括一个带有残差连接的UNet主干,后面跟着两个较小的全连接网络(FCNs),用于提取半径和方向以估计中轴位置。UNet主干是一种U形编码器-解码器网络架构,以其出色的特征提取和精确定位能力而闻名,已成功应用于远超其最初在医学成像中的用途的多个领域,并衍生出了许多变体(Wang等人,2023年;Ronneberger等人,2015年)。其中一些已被应用于从各种图像中提取各种物体的骨架(Layana Castro等人,2023年),这可以被视为基于体素的稀疏化的2D像素版本(Sun等人,2022年)。由于残差块可以在网络加深时很大程度上解决梯度消失和爆炸的问题,带有残差连接的UNet(ResUNet)在分割性能上取得了显著改进(He等人,2016年;Zhang等人,2018年),并且基于稀疏卷积的ResUNet在点云的深度学习任务中也很常见(Jiang等人,2020年)。因此,重新设计这样的网络应用于树木点云的骨架化是一个自然的想法。然而,Smart-Tree不包含参数提取,并且存在问题,特别是在预测的骨架点远离中轴时,导致重建质量不可接受。
在这里,我们开发了一种名为SmartQSM的新QSM,它改进了Smart-Tree,实现了高质量的3D树木重建和多尺度参数提取。本研究的目标是探索一种高性能且易于使用的QSM,以确保重建的效率和质量以及参数提取的能力。具体目标包括:(1)开发一种能够快速处理基于地面的单个树木点云并生成美观且高保真度树木模型的QSM;(2)尽可能全面地覆盖林业研究的结构参数,便于研究人员使用;(3)验证我们提出的方法在重建和参数提取方面的性能。本工作的贡献可以总结如下:
•创新性地利用具有预测位移能力的稀疏卷积神经网络来增强点云压缩。
•对个体(47种类型)、器官(26种类型)和样地(8种类型)尺度的树木结构进行全面参数化,每个参数都从QSM的角度明确定义。
•首次对现有QSMs进行了全面和多方面的回顾,并严格验证了所提出的SmartQSM的有效性。
**2. 材料和方法**
2.1. 数据来源和处理
我们的实验数据包括3个组成部分,其中最大的是从两个生长阶段的野外调查中收集的LiDAR点云数据;另外两个组成部分是覆盖全球不同地区的公开可用森林点云数据集。详见表1。
**表1. 3个数据源和选定目标树木的基本信息。**在实验部分,这些选定的目标树木将被测量个体尺度参数;加粗的条目用于详细的比较建模评估,表格中列出的所有树木都包含在地块级重建演示中。在图1/3/5上,单个树木的数量包括了分割流程后的结果以及提供的调查表中的条目数量(用括号表示)。每种树木的生命周期是根据iPlant(https://www.iplant.cn/)确定的。
**来源**:地块 & 扫描设备
**树木种类** | **数量** | **生命周期**
--- | --- | ---
Larix kaempferi(松科) | 10 | (针叶树)
Acer pictum(无患子科) | 27 |
Acer pubinerve(无患子科) | 3 |
Betula costata(桦木科) | 4 |
Carpinus cordata(桦木科) | 8 |
Cornus controversa(山茱萸科) | 7 |
Fraxinus mandshurica(橄榄科) | 1 |
Fraxinus rhynchophylla(橄榄科) | 5 |
Juglans mandshurica(胡桃科) | 7 |
Maackia amurensis(豆科) | 3 |
Prunus pseudocerasus(蔷薇科) | 1 |
Quercus mongolica(壳斗科) | 3 |
Syringa reticulata subsp. amurensis(橄榄科) | 14 |
Tilia amurensis(锦葵科) | 2 |
Ulmus laciniata(榆科) | 2 |
Ulmus parvifolia(榆科) | 4 |
Actinidia arguta(猕猴桃科) | 2 |
Lonicera japonica(忍冬科) | 1 |
Acer pseudosieboldianum(无患子科) | 19 |
**小树或灌木** | 3 |
Euonymus alatus(卫矛科) | 2 |
Rhamnus davurica(鼠李科) | 1 |
Carpinus cordata(桦木科) | 8 |
Cornus controversa(山茱萸科) | 7 |
Fraxinus mandshurica(橄榄科) | 1 |
Tilia mandshurica(锦葵科) | 1 |
Ulmus laciniata(榆科) | 2 |
Ulmus parvifolia(榆科) | 4 |
Actinidia arguta(猕猴桃科) | 2 |
De Tanago等人,2017年
**研究区域**位于中国辽宁省的清源森林国家观测和研究站。该站位于长白山的温带森林内,坡度在15°到35°之间,平均海拔超过500米。该地区属于温带大陆性季风气候,年平均温度在3.9°C到5.4°C之间,年降水量为700至850毫米。在清源森林站流域内,建立了一个用于温带次生林监测的综合性野外研究平台,包括三座高50米的观测塔,如图1A所示。选定的地块紧邻Ker Tower T1,盛行西南风。这是一个自然次生林地块,其中标记的树木种类最为多样。该地块主要由Quercus mongolica和Larix kaempferi树木组成,共有22种树木,共计201株被标记并成功识别。树木种类包括17种针叶树、16种阔叶树、2种藤本植物和3种灌木或小树。具体分布见图1B。地块面积为30×30米,激光扫描分别在2020年和2024年秋季树叶掉落之后进行,最初使用的是RIEGL VZ-400i TLS,随后使用的是LiGrip H120 MLS。
**数据下载**:
- 下载高分辨率图像(1MB)
- 下载全尺寸图像
**图1.** 研究区域概览及实验数据预处理工作流程。
A) 清源森林的地理位置。
B) 地块内的TLS站点、MLS轨迹及标记树木的分布。
C) 我们工作中LiDAR数据的处理流程。
D) 处理后的单个树木点云。H表示树木高度,“pts”是点的缩写。
第一个开放访问的数据集来源于一项研究,该研究使用QSM量化了大型热带树木的地上生物量。它包括通过多站点RIEGL VZ-400地面激光扫描(TLS)收集的10棵圭亚那低地热带湿润森林树木、10棵印度尼西亚泥炭沼泽森林树木和9棵秘鲁低地热带湿润陆地森林树木的个体点云;每棵树木的分类身份都有明确报告。第二个开放访问的数据集由一个致力于森林场景语义分割的项目发布,其中包含来自芬兰南部Evo地区三个32米×32米地块的点云。这些地块涉及的树木种类包括Pinus sylvestris(ID = 1)、Betula pendula(ID = 2)、Picea abies(ID = 3)和未鉴定物种(ID = 0)。数据采集使用的是Leica HDS 6100 TLS设备。
**所使用的方法流程**如图1C所示。尽管第二个开放数据集包含单个树木分割的类别,但仍存在不完整或未识别的树木、噪声和残余叶子。因此,在具体实施中,我们仍然遵循标准流程来获取单个树木点云。获得的单个树木点云如图1D所示。
**工作概述**
本研究提出了一种基于稀疏卷积的点云收缩新方法(SmartQSM,见图2B),并与现有方法进行了全面比较(见图2C)。SmartQSM能够批量处理单个树木点云,生成单个树木的骨架和网格,以及记录提取参数的结构化数据。这种结构化数据以.mat文件格式存储,其结构与TreeQSM高度一致。SmartQSM输出的QSM文件在数据类型、参数名称和“rundata”结构上有所不同。还设计了一个名为QSM Viewer的GUI程序,以便交互式查询树木参数和分支属性。通过读取输入的QSM文件并将其输出为Excel工作簿来计算地块尺度参数。此外,还开发了一个名为Stand structurer的轻量级程序来完成这一过程。整个项目使用Python 3实现。
**图2.** 我们工作的简要研究方法。
A) 提出的基于稀疏卷积的点云收缩框架概述。
B) 开发的SmartQSM流程。
C) 我们工作中对各种QSM进行综合评估的实验设计。
从图2A可以看出,SmartQSM的核心骨架化组件可以简要总结如下:它使用了一个从基线Smart-Tree模型优化而来的稀疏卷积神经网络,该模型仅预测单步点移动,通过迭代方法重复这一过程以实现点云收缩,从而形成接近中轴的细结构。稀疏卷积神经网络可以自动模拟不同感受野下相邻位置的空间关系,有效克服了仅使用单一邻域规模和手动固定邻居数量的限制,后者对点云密度敏感,从而使估计的骨架点位置更加可靠,并促进更快收敛。详细说明见第2.3节。
在获得骨架点后,SmartQSM遵循标准的骨架提取、骨架细化、半径估计和网格构建流程,以获得骨架、模型和QSM文件,如图2B所示。所有流程组件都源自不同的研究,紧密耦合形成了本研究的一致端到端工作流程:
1. 使用提取的骨架点构建拓扑图。采用Delaunay四面体化方法构建连通图,确保只有一个连通组件(Cárdenas等人,2022年)。使用Dijkstra算法计算从最低骨架点(指定为根节点)到所有其他节点的最短路径,边权重使用平方欧几里得距离来优先考虑空间邻近性。得到的最短路径树作为初步骨架,但包含过多的虚假“短分支”。
2. 细化过程旨在纠正初始骨架中的三个主要缺陷:虚假分支、路径冗余和分支连接不准确。首先应用路径选择(或称为修剪)来提取能够有效表示分支的路径(Du等人,2019年)。根据节点支持的总分支长度(也称为生长长度)进行贪婪选择,将骨架分层划分为不同的路径(Guo等人,2018年;Xu等人,2007年)。在异常值过滤后,以每个分支的骨架点为中心构建球形域,并根据分支层次结构进行优先排序。这些域内的点如果位于当前分支之外且未被遍历,则从骨架中删除,从而实现每条路径的拓扑重构(Dobbs等人,2023年)。在路径选择过程中,实际上移除了真实起点与其父分支路径之间的采样点。其次,骨架平滑采用了百度自动驾驶平台Apollo中的FEM(有限元方法)位置偏差平滑器(Zhou等人,2020年)的3D实现,该算法同时优化了路径平滑度、均匀分割和相对于初始位置的个体偏移。最后,对于每个分支,我们在其父分支上寻找最合适和自然的连接点。在父分支上找到合适的空间点本质上是一个优化问题,即确定一个位置,以最小化分支角度的变化(换句话说,是有符号的曲率),同时保持距离足够小以防止过拟合。
**3.** 为每个骨架节点分配一个半径,该属性合理地代表了局部横截面厚度。半径估计是通过拟合每个节点处的长度测量(本工作中使用的最大可达深度)与横截面半径之间的所有ometric关系来进行的(Du等人,2019年)。这个估计过程通常在一个程序中实现。通过应用自适应过滤来抑制异常值,使拟合曲线更加稳健,同时每个分支根据树干曲线调整自己的几何形状以适应分支厚度的变化。
**4.** 动脉蛇模型(Li等人,2010年)利用分支的顺序采样点和半径属性生成连续表面,并保持视觉效果。使用输入点云、提取的骨架和生成的模型,可以得出47个个体尺度参数(即树木参数)、26个器官尺度参数(即分支属性)和8个地块尺度参数(即林分的空间结构指标),详见第2.4节。
如图2C所示,我们对提出的SmartQSM与第1节中提到的所有QSM进行了全面比较,并在第2.5节中详细描述了实验设计。最终的特征聚合通过逐通道连接来整合输出通道。在连续层之间以及互连块之间,按顺序依次有一个BatchNorm1d归一化层和一个ReLU激活函数。评估了四种架构变体(见图3),这些变体在空间压缩阶段的数量、通道维度、残差块的重复次数、输出整合块和卷积核大小上有所不同。每种变体都在随机和非随机训练模式下进行了比较评估,以评估其对下游性能的影响。下载:下载高分辨率图像(497KB)下载:下载全尺寸图像图3. 用于比较的几种不同的基于稀疏卷积的ResUNet变体。A)、B)、C)和D)分别引用自(Dobbs等人,2023年);https://github.com/uc-vision/smart-tree;(Dobbs等人,2024年);https://www.stpls3d.com/。神经网络输出两个组件:一个单位移动方向矩阵D^∈RN×3和一个对数移动距离向量lnd^∈RN。这些输出的每一行都允许计算每个采样点的预测向心位移(2)L^t=D^t·explnd^t,t=1,2,?,N,该向量描述了一个点向预期的中轴移动的情况。由于神经网络预测的方向没有归一化,在原始网络输出和期望的最终输出之间设置了一个额外的逐行归一化步骤,以消除移动方向中的任何长度相关效应。矩阵的行归一化是将每个行元素除以其L2范数。对移动距离的对数转换是一个关键机制,它在保留符号信息的同时适应了真实值在多个数量级上的变化。这种双输出架构将方向学习和幅度学习解耦,与通过几何对齐和距离回归之间的梯度冲突相比,提高了训练的稳定性。2.3.2. 损失函数在训练过程中,复合损失函数结合了单位方向的余弦相似性损失和对数距离的L1损失,正式定义为(3)Loss=∑t=1N1-D^t·Dt‖D^t‖2·‖Dt‖2+∑t=1N‖lnd^t-lndt‖1。这里,Dt和lndt分别表示单位方向矩阵和对数距离向量的真实值,这些值来自合成树数据集(Dobbs等人,2023年,Dobbs等人,2024年)。该数据集包含为训练而程序生成的单独树点云,每个点都标注有其对应的向心位移。通过每个训练或评估周期对每个样本点云进行随机立方体裁剪得到的批量点云ΠPN×3形成的矩阵表示为L。从方程(3)可以推断出,(4)lnd=ln‖L1‖2,‖L2‖2,?,‖LN‖2?,以及(5)D=L⊙1?‖L1‖2-1,‖L2‖2-1,?,‖LN‖2-1。这里,⊙表示矩阵之间的Hadamard(或逐元素)乘积,?表示向量之间的Kronecker(或张量)乘积。2.3.3. 与神经网络集成的迭代收缩过程正式来说,中轴变换(MAT)旨在通过线性变换(6)S=PT找到一个转换矩阵T,将原始点云P投影到其骨架表示S上。然而,直接计算严格满足此方程的矩阵T存在重大挑战。点云收缩范式通过迭代近似来解决这个问题,将变换分解为n个连续的矩阵操作(7)S≈PT^1T^2?T^n,其中每个T^k表示第k个预测的收缩变换。另一种表述用多个向心位移代替了矩阵分解,即(8)S≈P+L^1+L^2+?+L^n。同样,通过单次移动实现的近似仍然相对粗糙。对于上述神经网络架构,要实现这一能力,需要将损失渐近地驱动到零,这是一个理论上理想但在实践中无法实现的条件。方程(8)可以用另一种方式表达,即(9)Pk=Pk-1+L^k,k=1,2,?,n,P0=P,S≈Pn。这个方程描述了每次迭代的行为。迭代收缩过程本质上会引起点聚合,导致空间分布不均匀,这使得优化框架容易陷入局部最优陷阱。为了缓解这一点,我们的方法在每次迭代后使用上述体素下采样去除冗余点。与训练阶段关键不同的是,实现收缩点的推理流程需要通过立方体裁剪将每个单独的树点云划分为互斥的区域。为了解决边界预测的不准确性,在处理过程中每个裁剪区域都包含一个外围缓冲区。因此,在推理阶段,我们将这些过程统称为符号Π。因此,收缩后的点云需要消除这些额外的缓冲区,这种掩蔽操作在数学上由矩阵M表示。因此,结合引入的神经网络的输入和输出,我们提出的基于稀疏卷积的点云收缩可以表示为(10)Pn=MnΠnPn-1+D^n⊙explnd^n?1?。收缩过程的终止发生在以下两种情况之一:(1) 达到硬性约束,即允许的最大收缩步骤数(设置为10);(2) 当收缩步骤前后点云之间的差异增加时提前停止。后者作为一种动态控制策略,用于防止点云过度收缩。用于衡量点云相似性的定量指标是Chamfer距离(Jin等人,2025年),它通常用于3D点云完成、配准和相关任务,定义为(11)dCDP,Q=1P∑p∈Pminq∈Q‖p-q‖2+1Q∑q∈Qminp∈P‖q-p‖2,其中P和Q表示两个点集。然而,考虑到收缩前后点密度的不均匀性,我们对两个点云都应用了平衡采样(实践中通过在相同的体素网格下进行体素下采样)以减少距离测量的偏差。在每个收缩步骤k之后,我们计算度量dCDfPk-1,fPk。一旦这个度量开始增加,表明收缩前后点云之间的差异增大,我们就使用收缩前的点云作为输出并终止收缩过程。收缩后,进行额外的体素下采样,最终结果被视为骨架点。每个骨架点都来源于一个独特的对应表面点,两者之间的欧几里得距离是骨架点处近似圆形横截面轮廓的初始半径。2.4. 多尺度参数提取2.4.1. 基于QSM的多尺度参数重新量化由于当前研究中与树架构相关的术语和参数存在模糊性和不明确性,我们从基于QSM的角度重新定义了这些术语和参数,以便计算机进行定量计算,其中一些定义遵循现有QSM中使用的定义。图4是一些主要术语和参数的视觉表示。下载:下载高分辨率图像(952KB)下载:下载全尺寸图像图4. 从QSM的角度看单个、器官和地块尺度的树架构。使用并改编了IAN/UMCES符号和图像库(https://ian.umces.edu/media-library/)中的一些材料。A) QSM中使用的树解剖学的主要术语。图中的树冠凸包是三维空间凸包。B) 主要树形参数。ΔH表示高度差。DBH和DINC分别是胸高直径和树冠深度的缩写。C) 分支参数。D) 基于树冠投影的参数。E) 地块尺度上的结构单元示意图。在图4A中,根冠的中心被定义为树的中心,作为树生长和树干的起点。基部中心是分支的起点。树干和每个分支都是从树中心或相应的基部中心沿中心线延伸到其尖端的茎的部分。应该强调的是,QSM将所有树理想化为单轴分支,不区分实际的分支类型。在分叉处,最粗的节间部分被指定为父分支的延续。从节间部分移除分支连接后,剩余的部分被指定为从父分支派生的子分支段。由于半径拟合的不稳定性,基部中心支持的总分支长度(即其生长长度)被用作估计分支厚度的间接指标。对于QSM来说,一个分支是否被视为主要分支仅取决于其厚度,而不是其活力或是否有叶子。如果一个分支的基部直径≥DBH的20%,则被认为是主要分支;对于其他更高阶的分支,则是其父分支基部直径的≥20%。第一个主要分支被定义为基部高度最低的主要一级分支。其基部高度定义了树冠(基部)高度或(清晰的)树干高度。任何基部高度低于树干高度的一级分支,以及从它派生的所有分支,都被归类为吸盘。树冠的物理空间有两个定义:(1) 它包括树干高度以上的所有茎段,包括任何延伸到其上方的吸盘段。(2) 它包括树干高度以上的部分,以及所有基部高度高于树干高度的一级分支及其派生的分支,即使其中一些分支后来向下延伸到树干高度以下。对于编程来说,第一个定义更适合基于点云的分析,而第二个定义更适合骨架和网格计算。为了区分它们,我们将第二个称为活动树冠,活动树冠内的茎称为树冠内茎。对于地上测量DBH和地面直径存在多个标准。在图4B中,我们遵循最常用的基准(分别为1.3米和0.2米)。高度差定义为整个分支的最高点和最低点之间的垂直距离。同样,树冠深度(DINC)根据参考高度分为两种类型:基于顶点和基于尖端的。基部高度是相对于地面的分支基部最低位置的相对高度。如图4C所示,许多分支参数是在以分支基部为中心的局部空间地理坐标系中计算的,其中东、北和海拔上升分别是x、y和z轴的正方向。连接基部中心到尖端(中心)的线段称为弦。从分支路径到弦的最大距离称为弧高。最大跨度定义为从基部中心到分支路径的最大水平距离。然而,最大跨度不一定等于弦在水平面上的投影长度。与最大跨度不同,后者是垂直于水平面(z轴正方向)测量的,而分支半径使用父分支的局部生长方向作为参考。具体来说,它是从分支路径到代表该父方向的近似空间直线的最大距离。天顶角和尖端偏转角之间的主要区别,以及垂直偏转角和分支角之间的区别,类似于最大跨度和分支半径之间的区别:它们的参考方向不同。在实践中,分支角通常作为表面内角测量,而在基于QSM的提取中,它是基于分支及其父分支的局部生长方向。这里,局部生长方向被定义为从分叉开始的5厘米段上分支路径的第一主成分(即最大方差方向),这本质上是一个“瞬时”量。图4D使用一个倾斜颈树的正交示意图来说明树冠半径、宽度和跨度之间的区别。树冠半径是从树冠中心(投影的边界框中心)到每个10度角度间隔内的树冠边缘的最大距离。树冠宽度是投影到通过树冠中心的线上的最大跨度。树冠跨度是从树中心到树冠投影凸包边缘的水平距离。从这些定义可以清楚地看出,树冠跨度、树冠半径和树冠宽度的一半不是等价的;它们是完全不同的概念。此外,树冠面积被定义为树冠投影的凹包(或alpha形状),这里使用树冠内茎的投影面积来计算。图4E中所示的结构单元由一个中心树和最接近它的n棵树组成。在林业中,n通常取为4,这在实用性和各种派生地块尺度参数的生态意义之间取得了折中(Dong等人,2024年)。2.4.2.支持的多种尺度参数列表
SmartQSM支持提取表2中列出的所有参数。尽管图尺度指标超出了传统QSM的范围,但我们添加了这一类别以促进更广泛的林业研究。所包含的指标在文献中被广泛使用,并且可以直接从SmartQSM工具包提供的单个尺度参数计算得出。
表2. SmartQSM支持的多尺度参数
| 名称 | 单位 | 计算方法 | 计算方法单位 |
|----------------|-----------------|----------------------------------|------------------|
| 47个单个尺度参数 | 位置(包括X、Y、海拔) | 树干路径的起点,其中X和Y也是树中心的水平坐标,海拔是点云的最低z坐标 | |
| 分支数量/总分支路径数量(包括主干) | | 最大分支阶数 | |
| 树高 | 米 | 输入点云的高度差 | |
| DBH | 厘米 | DBH≈2rt+rb-rtht-1.3ht-hb | |
| 地面直径 | 厘米 | DBH≈2rt+rb-rtht-0.2ht-hb | |
| 树干基部高度 | 米 | 第一个主分支的基部高度 | |
| 树干基部半径 | 厘米 | 树干基部半径的两倍 | |
| 树干长度 | 米 | 从树中心开始并低于树干基部的路径长度 | |
| 树干基部面积 | 平方米 | 从树干路径派生的网格面积 | |
| 树干体积 | 立方米 | 从树干路径派生的网格体积 | |
| 树干长度 | 米 | 树干路径的长度 | |
| 树干基部面积 | 平方米 | 从树干路径派生的网格面积 | |
| 树干体积 | 立方米 | 从树干路径派生的网格体积 | |
| 树干内部长度 | 米 | 树干和所有分支路径长度的总和 | |
| 树干内部面积 | 平方米 | 从树干和所有分支路径派生的网格面积 | |
| 树冠内部长度 | 米 | 树冠内部路径的长度 | |
| 树冠内部面积 | 平方米 | 从树冠内部路径派生的网格面积 | |
| 树冠内部体积 | 立方米 | 从树冠内部路径派生的网格体积 | |
| 最小树冠半径 | 米 | 36个树冠半径中的最小值 | |
| 最小树冠半径方位角 | 度 | 产生最小树冠半径的射线方位角 | |
| 最小树冠半径高度 | 米 | 产生最小树冠半径的树冠点相对高度 | |
| 平均树冠半径 | 米 | 36个树冠半径的平均值 | |
| 最大树冠半径 | 米 | 36个树冠半径中的最大值 | |
| 最大树冠半径方位角 | 度 | 产生最大树冠半径的射线方位角 | |
| 最大树冠半径高度 | 米 | 产生最大树冠半径的树冠点相对高度 | |
| 最小树冠宽度 | 米 | 180个树冠宽度中的最小值 | |
| 最小树冠宽度方位角 | 度 | 产生最小树冠宽度的射线方位角 | |
| 最大树冠宽度 | 米 | 180个树冠宽度中的最大值 | |
| 最大树冠宽度方位角 | 度 | 产生最大树冠宽度的射线方位角 | |
| 东西树冠宽度 | 米 | 90°方位角的树冠宽度 | |
| 南北树冠宽度 | 米 | 0°方位角的树冠宽度 | |
| 树冠凸包面积 | 平方米 | 树冠凸包的面积 | |
| 树冠凸包体积 | 立方米 | 树冠凸包的体积 | |
| 活动树冠凸包面积 | 平方米 | 活动树冠凸包的面积 | |
| 活动树冠凸包体积 | 立方米 | 活动树冠凸包的体积 | |
| 树冠投影凸包面积 | 平方米 | 树冠投影凸包的面积 | |
| 树冠周长 | 米 | 树冠投影凸包的周长 | |
| 树冠投影面积 | 平方米 | 树冠内部树干的投影面积 | |
| 树冠中心偏移 | 米 | 树中心与树冠中心之间的水平距离 | |
| 最小树冠扩散角度 | 度 | 从树中心到树冠投影凸包边界的最短距离 | |
| 最大树冠扩散角度 | 度 | 从树中心到树冠投影凸包边界的最大距离 | |
| 26个器官尺度参数(主干仅限于标有*的项目;分支ID、对应父ID和主分支标志除外) | | | |
| 分支顺序/内在属性 | | 在贪婪路径划分过程中确定 | |
| 基部高度 | 米 | BH≈h0-BD21-v·nz2 | |
| 基部直径 | 厘米 | 基部中心的地表高度 | |
| 中间长度直径 | 厘米 | 2rt+rb-rtlt-0.5llt-lb | |
| 分支末端直径 | 厘米 | 分支路径中点处距离基部中心的半径和累积长度 | |
| 分支路径长度 | 米 | 分支路径的长度 | |
| 分支路径面积 | 平方米 | 从分支路径派生的网格面积 | |
| 最大扩散距离 | 米 | 从基部中心到分支路径的最大水平距离 | |
| 分支路径方位角 | 度 | 弦线水平投影与北方向的夹角 | |
| 天顶角 | 度 | 弦线与正z轴之间的夹角 | |
| 弦线长度 | 米 | 分支路径起点和终点之间的弦线长度 | |
| 弧高 | 米 | 分支路径到弦线的最大距离 | |
| 分支高度差 | 米 | 通过最高和最低离散样本高度差近似计算 | |
| 分支半径 | 米 | 分支路径到父分支局部生长趋势直线近似的最大垂直距离 | |
| 分支角度 | 度 | 分支与其父分支局部生长方向之间的夹角 | |
| 分支末端偏转角 | 度 | 父分支局部生长方向与弦线之间的夹角 | |
| 垂直偏转角 | 度 | 分支局部生长方向相对于正z轴的天顶角 | |
| 基于末端的DINC | 米 | 分支路径末端与树顶之间的高度差 | |
| 基于顶点的DINC | 米 | 分支顶端与树顶之间的高度差 | |
| 生长长度 | 米 | 从基部中心开始的主干段总路径长度 | |
| 生长面积 | 平方米 | 从生长路径派生的网格面积 | |
| 基部偏移 | 米 | 从树中心到基部中心的水平距离 | |
| 插入距离 | 米 | 从主干起点到基部中心的累积路径长度 | |
8个图尺度参数(邻居名称和距离除外;以下邻居数量n设置为4;需要提前指定树种)
| 均匀角度指数 | | Wi=1n∑j=1nzij | |
| Hegyi竞争指数 | | CIi=∑j=1nDBHjDBHiLij | |
| 混合度 | | Mi=1n∑j=1nvij | |
| 树种多样性混合度 | | Mi=nin2∑j=1nvij | |
| 直径优势 | | Di=1n∑j=1nkij | |
| 拥挤度 | | Ci=1n∑j=1nyij | |
| 开放度 | |Oi=1n∑j=1nLijHij | |
| 单元内树种丰富度 | | 单元内树种总数 | |
需要注意的是,用于计算DBH、地面直径和中间长度直径的两个半径是从一个异速生长方程获得的,而使用相同方程估计指定位置的直径将非常繁琐。与使用任一端点的半径作为替代相比,使用通过两个端点和半径构建的理想化截锥体的横截面直径进行近似显然更为准确。除了少数按惯例采用的与主干相关的别名(例如,树干长度即为主干的生长长度)外,列出的参数是相互独立的:没有一个参数可以通过其他参数的基本代数组合来表示。这套参数构成了跨尺度的树结构的最小但完整的参数化。从这些基本参数可以容易地获得常见的派生指标,包括但不限于树干圆度(=中间长度直径/DBH)、树冠长度(=树高-基部高度)、(活)树冠比率(=树冠长度/树高)、总分支长度(=树干长度-树干长度)、总分支面积(=树干表面积-树干表面积)、总分支体积(=树干体积-树干体积)、树干直度(=弦线长度/树干长度)、树冠与直径比率(平均树冠宽度/DBH)、海拔(=90°-天顶角)以及进入树冠的相对深度(=DINC/树冠长度)。
2.5. 实验设计
在进行详细比较之前,我们首先检查了不同网络架构的训练损失变化,并可视化了收缩过程,以证实我们在第3.1节中提出的基于稀疏卷积的点云收缩方法的有效性,然后在此基础上进行了后续实验。我们将我们的方法与6种QSM进行了比较,包括TreeQSM、SimpleTree、AdQSM、TreeGraph、L1-Tree和SfQSM,以及3种包含aRchi的QSM校正方法,用于SimpleTree的aRchi、TreeQSM的rTwig和SimpleTree的rTwig(TQ)和rTwig(ST)。比较从三个角度进行:重建质量(第3.2节)、参数提取能力(第3.3节)和算法效率(第3.4节)。
如表1所示,实验材料包括一个由56个不同树种组成的数据集。此外,还提取了一个包含12个样本的较小子集,这些样本侧重于生活型(其中灌木的比例较高,因为它们是主要研究对象),以便进行详细分析。用框标出的12棵树用于不同QSM重建的整体和局部性能的视觉比较。此外,SmartQSM还展示了所有56棵目标树以及每个地块内所有树的重建结果。各种QSM之间关键树参数提取准确性和算法效率的比较同样基于这56棵目标树。分支属性的验证仅在提出的SmartQSM上进行。对地块中的44棵树进行了分支属性测量,尽可能记录了长度超过0.5米的多个分支。此外,DBH评估还涉及将现场测量结果与SmartQSM提取的结果进行比较。这些评估使用了来自201棵树的两个时期的数据。
除了对模型进行视觉检查外,还可以通过观察用每个点与重建模型表面之间的最近距离di(也称为点对网格距离)的标量值来评估重建精度。可以使用CloudCompare软件轻松计算该距离。一些研究采用了平均dˉ来量化整体重建质量。然而,在以不干净的点云作为真实值的情况下,估计的结果无法客观地用数值表示重建质量(Ma等人,2023年)。
对于提取参数的比较,手动测量的结果被视为真实值(GT)yi,提取的值表示为yi^。R2分数、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)是评估性能最常用的四个指标。它们的定义如下:
(12) R2=1-∑i=1nyi-yi^2
(13) RMSE=1n∑i=1nyi-yi^2
(14) MAE=1n∑i=1nyi^-yi
(15) MAPE=100%n∑i=1nyi^-yiyi
虽然DBH可以在现场手动准确测量,但本研究中作为GT的所有其他值都是使用点云处理软件(如CloudCompare或LiDAR360)中的点选择或测量功能获得的。具体的测量方法如下:
- 各种长度属性是通过沿表面绘制多段线来测量的;
- 各种高度属性是通过计算最低点与特定位置的高度差来确定的;
- 与不同半径和直径相关的属性是通过在指定高度下反复改变观察角度来测量的,测量与表面相对两侧相交的线条,优先选择尽可能接近视觉中线的线条;
- 各种角度属性是使用沿内表面对齐的角度测量工具来测量的,并应用透视变化来确认形成角度的边缘的方向对齐;
- 体积属性是通过结合长度和半径测量值来推导的:将树枝根据其曲率分割成尽可能直的部分,每个部分的体积是根据其长度、上半径和下半径计算得到的棱柱体积,这些棱柱体积的总和即为GT值。
3. 结果
3.1 神经网络配置
在未打乱和打乱后的合成树木数据集上训练的4个模型的损失变化如图5A所示。当数据集未被打乱时和被打乱时,损失变化几乎分为两个不同的部分。打乱数据集有助于在100个周期内实现更快的收敛和更低的损失,因此这是必要的。尽管这4个模型的层数不同,参数数量相差几个数量级,但它们的损失曲线几乎重叠。模型U8-64-4-mlp(shuf)具有最少的模型参数,达到了最低的最小损失0.368,其他3个模型的最小损失分别为0.397、0.382和0.380。
3.2 重建质量
12个模型的重建结果从两个视角在图6和图7中展示。对于每种树木类型,从两个视角中选择一个来展示详细结构和点与模型之间的距离可视化,如图8、图9和图10所示。基于这些结果,我们从以下角度进行评估:
(1) 方法学类别:被归类为QSM改进的方法被放在一起,而其他方法则属于另一类别。QSM改进的方法与其输入基线具有很强的一致性,其中rTwig显著提高了视觉质量。因此,不再进一步讨论基于QSM的改进。
(2) 模型完整性:SimpleTree和L1-Tree表现出显著的分支丢失。AdQSM和SfQSM未能重建某些细小分支,AdQSM还生成了不存在的分支。相比之下,其他方法产生了相对完整的重建结果。
(3) 主要分支的形态:AdQSM和SfQSM重建的主要分支往往过粗。SimpleTree偶尔会产生异常膨胀的分支。TreeGraph经常错误估计分支的厚度。其他方法生成了视觉上合理的主要分支。
(4) 叶子噪声:由于物种和采集时间的限制,获取理想的数据集具有挑战性,常常导致残留的叶子点。TreeQSM、SimpleTree和AdQSM受到残留叶子的显著影响,生成了过多的小分支。其他方法对叶子噪声不敏感。
(5) 表面平滑度:AdQSM和SmartQSM采用动脉蛇模型,自然会产生连续的表面。其他方法使用分段圆柱表示。在TreeQSM和SfQSM中,错位伪影尤为明显。
(6) 平均点与网格距离:TreeQSM获得了最低的数值;然而,这具有误导性,因为它是通过将残留叶子重建为分支得到的。根据表3中的结果与实际重建性能之间的直观差异,可以得出结论,较低的平均点与网格距离并不一定表示更好的性能,反而可能反映了过拟合。SimpleTree和L1-Tree中异常高的值源于模型的严重不完整性。总体而言,SmartQSM和rTwig(TQ)的重建结果最好,因此后续实验基于它进行。
3.3 参数提取能力
我们的方法涵盖了主要QSM中所有具有林业意义的参数,并支持更多参数以及分支参数的交互式查询,如图12所示。由于其他方法不涉及水平空间结构参数的提取,因此此处省略了相关比较。
我们比较了几个关键树木参数(图13和表4)和分支参数(图14和表5)。在某些情况下,个别树木的重建失败,相应的缺失参数被排除在统计分析之外。具体失败的情况包括:使用L1-Tree的1棵树(6–8-RhDa-24′)、使用SfQSM的2棵树(3–7-AcPs-20′和5–25-EuAl-20′)以及使用rTwig(TQ)的4棵树(1–23-AcPu-20′、6–18-RhDa-24′、6–18-RhDa-24′和7–23-LoJa-20′)。树干体积是计算树木地上生物量的最直接依据,而通过完全拆解整棵树来进行手动测量则过于困难。可以通过检查树干体积与其比例(表7)是否在0.5–0.9的范围内来间接验证这一参数,实验观察到这一范围与许多树木的情况一致。关键在于,这种方法要求提取的树干体积必须足够准确。SmartQSM产生的树干体积与树干体积的比例大多落在理论上的合理范围内。结合其更准确的树干体积估计,这表明SmartQSM能够提供更可靠的树干体积预测,从而实现更精确的生物量估计,减少了过度估计的问题。
表6. 完整性评估。通过视觉解释结合专家对主要分支的评分来估计不同QSM的完整性。平均分为5个等级,从0(几乎不完整)到1(几乎完整)。
表7. 树干体积与树干体积的比例。0.5–0.9的范围在理论上是合理的。
SmartQSM、TreeQSM、SimpleTree、AdQSM、TreeGraph、L1-Tree、SfQSM、aRchi、Twig(TQ)、Twig(ST)的树干体积与树干体积比例:
- <0.5:35.71%,94.64%
- 0.5~0.9:35.71%,87.50%
- >0.9:0.00%,0.00%
图14A:长度;图14B:体积;图14C:基部直径;图14D:分枝角度;图14E:尖端偏转角度是常用的分支分析参数。尽管目前主要关注一级分支的这些参数,但二级分支的重要性预计将会增加。SmartQSM能够以超过80%的完整性识别这些分支,使得长度的R2得分超过0.95。此外,两个难以准确提取的角度参数通过SmartQSM中的骨架提取和主成分分析也能达到接近0.95的R2得分。基部直径和体积的提取似乎不够准确。手动测量基部直径时,往往会选择靠近主干的位置,而在实际树木中该位置存在较大的过渡变化。由于树干体积相对合理,分支体积差异的原因主要归结为测量误差以及程序中非主导部分的削弱。在实际应用中,研究人员可以通过加载点云和重建模型来直观选择合适的分支进行分析。
3.4. 算法效率
我们对七种QSM方法在目标树木上的处理速度进行了统计分析,如图15所示。在没有降采样的情况下,TreeGraph和L1-Tree处理一个包含数十万个点的单个点云需要几小时到几十小时的时间,这使得它们不适用于大规模应用。相比之下,AdQSM的名义吞吐量最高,约为每秒37,000个点。然而,这种性能主要归功于其在骨架化之前采用的激进的内置降采样步骤,这大大降低了原始点密度。因此,AdQSM在参数提取的准确性和几何重建的保真度上做出了牺牲,并且只支持有限的结构参数集。我们的方法在同一硬件和全分辨率点云上每秒处理约12,000个点,比最流行的TreeQSM快一个数量级。更重要的是,这种效率的提高没有牺牲建模质量,并且支持丰富的参数。
下载:下载高分辨率图像(246KB)
下载:下载全尺寸图像
图15. QSMs的效率表现。在TreeGraph和L1-Tree中,随机抽取了100,000个点以提高运行效率。由于aRchi和rTwig基于TreeQSM或SimpleTree的输出,因此在这里没有进行比较。
4. 讨论
4.1. 对QSM实现和性能的比较洞察
通过分析每种现有林业QSM的设计理念,我们可以深入探讨其性能背后的原因,并识别有益的设计原则。
TreeQSM通过将点云表面划分为多个补丁,建立它们之间的邻域关系,然后逐步组装这些补丁来描绘树木组成部分,这些组成部分由层次排列的圆柱体近似表示(Ali等人,2025年)。该算法出色的即用性和对丰富参数的支持使其成为应用最广泛的QSM。它不对点云几何形状做任何假设,仅利用邻域关系来区分簇,作为传统聚类的替代方案。然而,它仅依赖距离来确定补丁的邻接性,容易出错。尽管该方法具有自动参数调整机制,但随着探索潜在可能性的空间,计算成本显著增加。此外,研究表明这种方法倾向于过度拟合细小树枝,导致总体积被严重高估(Morhart等人,2024年)。这表明,即使对连续段之间的体积比进行限制,异速生长方程也不适合将累积体积作为自变量使用。
SimpleTree利用主成分分析和欧几里得聚类来检测树干,并使用一系列球体来追踪树木结构。它模块化了多种算法,通过定制的处理流程提高准确性(Ali等人,2025年)。虽然这种方法提供了广泛的定制可能性,但也导致了较高的复杂性。在其默认参数设置下,聚类算法无法捕捉某些区域。这表明,像TreeQSM一样,如果没有参数调整,可能无法获得满意的重建效果(Fan等人,2020a年)。TreeQSM目前采用的生长校正方法实际上源自SimpleTree,异速生长方程的过度拟合在重建模型中明显体现出来。然而,本研究中的路径选择方法基于球形切割的思想。
AdQSM被打包成一个易于使用的可执行程序,因此非常受欢迎。它是经过优化的AdTree(Du等人,2019年),增加了参数提取功能。它通过使用Delaunay四面体化降采样点云,并用平方距离代替实际边长来找到到最低节点的最短路径。然后使用距离和角度指标简化得到的路径(Du等人,2019年)。然而,尽管计算效率高,但这些简单规则无意中丢弃了许多关键路径及其控制点,导致模型缺乏分支和分支厚度的变化。此外,该算法根据点云某段的拟合半径推导出其他半径。当参考半径的拟合不准确时,可能会导致整个模型体积的灾难性变形(Ali等人,2025年)。该算法中使用的动脉蛇形路径可以形成连续的分支表面,具有良好的视觉效果,并已在本研究中应用。
TreeGraph遵循一个包括层次距离图构建、骨架点提取、骨架图生成、分支分割、每分支半径估计和顺序重建的程序(Yang等人,2024年)。尽管进行了降采样操作,聚类阶段仍然计算成本高昂,并且已经确认在没有点云参考的细化步骤的情况下会出现拓扑错误。利用多个异速生长方程进行半径拟合,以及为树干和分支分别使用不同的曲线拟合模型,为本研究提供了灵感。
L1-Tree最初通过考虑密度差异来选择种子点。然后使用L1-medial骨架提取算法将这些种子点收缩到中轴位置(Huang等人,2013年),并通过结合方向和角度变化生成连接的骨架线。随后,骨架经过广泛的拓扑修改和调整。分支结构特征(如半径)在离心和Gaaliche策略下进行计算(Feng等人,2024年)。然而,广泛的拓扑修改显著降低了执行速度。作者承认这一限制,并希望通过使用更高效的编程语言、并行计算技术和策略性调整来改进未来版本。此外,为每个分支段使用统一的半径代表了对实际树木结构的过度简化和理想化表示。
SfQSM采用基于拉普拉斯的收缩方法(Cao等人,2010年)来提取骨架点。然后利用自调整策略来增强骨架点的聚类密度。边缘权重由最小簇距离确定,以建立更紧密的连接(Hui等人,2025年)。然而,这种方法在处理复杂的分支系统时存在局限性。该方法没有直接建模长度指标和半径之间的异速生长关系;相反,它通过比率分析推断出一个合理的异速生长指数,并根据父节点半径迭代调整子节点半径。与AdQSM类似,用于推导其他半径的基线半径的准确性至关重要,因为错误的基线半径可能会影响整个结构重建。
基于QSM校正的两种方法aRchi和rTwig主要是为了调整现有QSM中的半径而开发的(Martin-Ducup等人,2020年;Morales和MacFarlane,2024年)。更新后的结构与输入没有区别。它们的校正程序依赖于QSM内部的预计算信息,因此无法挽救那些受到错误半径估计影响的模型。然而,rTwig中实现的过滤器可以检测到半径值波动过大的段落,这一过滤思想也被应用于本研究。
与其他类别的方法相比,基于收缩的方法通常具有更强的数学机制基础。我们提出的方法利用稀疏卷积神经网络来预测收缩,以学习多个感受场尺度上的权重。在较大的感受场中,点云的原始不均匀性变得不那么明显。此外,多尺度感受场在体素化空间内建立了不同大小的点间内在关系,从而克服了传统收缩过程在应用固定窗口大小或不可灵活的邻域确定方法时的固有局限性。经过多次压缩形成精细结构,并整合了现有QSM中的有益程序后,建立了一个完整的建模流程,最终实现了更高质量的建模。根据林业的实际需求,可提取参数的全面性和准确性得到了提升。
4.2. 单个树木点云中的缺陷及优化QSM重建质量的补救措施
影响QSM重建的最大不确定性来源是输入的单个树木点云。算法通常在完美采样的单个树木点云上表现良好;然而,在现实中,获得正确分割、具有清晰可辨分支结构的点云成本极高且技术上具有挑战性。真实的单个树木点云很可能包含地面、下层植被、非树干器官(主要是叶子)、伪影和光学噪声,以及缺失的分支结构。这种情况对各种数据驱动方法来说是灾难性的,因为这些方法对空间结构的合理性视而不见,特别是对于QSM中最常用的拟合技术(Morhart等人,2024年)。不良输入不仅源于LiDAR数据采集的固有限制(有限分辨率、受限的视角、遮挡、扭曲的反射、模糊的返回以及其他传感器或环境引起的错误),还因为其处理在细节层面几乎不可能手动纠正(Zhang等人,2024年)。有三种主要类别的算法用于自动化改进输入点云的质量:树木点云的完成、单个树木的检测与分割(简称树木分割)以及树干与叶子的分离(或叶材分类)。
尽管多源LiDAR融合被认为是点云完成的最简单方法,并且在配准精确时可以提高QSM的准确性,但在复杂林分中定位对应特征非常困难,补充数据带来的好处也不明显(Fekry等人,2022年)。从狭义上讲,点云完成是指生成缺失点的任务。目前这主要由针对简单通用对象的深度学习算法主导,因此将其直接应用于林业数据需要额外的领域特定改进(Ge等人,2024年)。在这个方向的探索仍处于起步阶段:即使评估指标表明完成的点云更为优越,但为真实世界森林生成的数据仍远未达到理想的完整性(Bornand等人,2024年)。与新兴的点云补全领域相比,树木分割是一项相对成熟的任务,其解决方案已经集成到多个主要的点云处理应用程序中,如CloudCompare、LiDAR360、3D Forest。树冠轮廓分割或轮廓曲线拟合可以粗略地分离出机载森林冠层数据中的树木(Hui等人,2022年;Yun等人,2021年)。从地面LiDAR数据中有效分割单个树木不仅需要粗略区分形态不同的树木,还需要精细地描绘紧密相连的树冠。同样,在处理空间邻接关系时,深度学习为这一任务带来了新的视角(Henrich等人,2024年)。然而,其目前的泛化能力还不足以比传统方法更有效地减少手动校正的工作量。与单个树木分割相比,直接在仅经过基本预处理(如解析、合并、裁剪、去噪和降采样)的点云数据上实现全景分割是简化森林点云处理工作流程的目标。实现这一目标的探索也已经开始(Xiang等人,2025年)。茎叶分离可以被认为是与QSM最相关的预处理任务,并且有坚实的研究基础。基于几何特征的方法用于区分局部形态差异,或者基于图的方法用于检查连通性,已在与QSM相关的实际研究中得到应用(Chen等人,2024年;Vicari等人,2019年;Wang等人,2019年)。然而,这些传统方法严重依赖于点云的完整性,并且在处理密集区域时存在困难。最近,深度学习网络(如PointTransformer)相比传统方法取得了更准确的分离结果,但它们也突显了泛化方面的挑战(Van den Broeck等人,2025年)。如果能够使用添加了叶点(甚至其他非茎部器官点)及其位移的合成树木数据集来训练骨骼预测模型,那么这项任务对于改进QSM来说就不再重要了。在最新版本的SmartQSM开源代码中,也添加了基于此类数据集训练的配置文件以供进一步测试。
4.3. 基于点云数据的植物3D重建和参数提取的机会与挑战
QSM可以捕获与直径、长度、表面积、体积和角度相关的变量。除了表征树枝和单个树木之外,这些从激光数据中提取的五种几何特征越来越多地被用来量化结构复杂性,而这被认为对于理解生态系统功能至关重要(Liu等人,2018年;Maeda等人,2025年)。为了满足这一需求,我们的工作引入了大量的树冠参数,尽管它们的生态应用潜力仍有待进一步研究。额外的林分结构参数以每棵树的以下参数作为输入:树中心、胸径(DBH)、物种名称(手动分配)、高度和平均树冠宽度。在这些参数中,可以使用各种参考点来定义“树中心”(Zhang等人,2025年)。对于直立且对称的树木,不同的方法会产生几乎相同的结果。然而,大多数自然树木都是不规则的。我们建议使用树木的生物起源(发芽位置)作为树中心。这提供了一个自然的坐标原点,避免了在参数计算中引入变换。一个关键的限制是,如果检测到的骨架根点包含残留的地面数据,准确性可能会受到影响。对于弯曲的树木,中心的选择会显著影响与距离相关的指数,如开放度和Hegyi竞争指数。
植物表型学的迅速发展催生了针对特定作物的器官分割网络(Jin等人,2025年),但QSM已经超越了其仅针对树木的起源,现在也被用于农业中提取宽叶玉米的叶倾角和植物高度等参数(Xu等人,2023年)。将作物叶子视为树枝通常会导致某些参数提取失败,但打破QSM中嵌入的基于树木的假设,并创建一个面向作物的数据集以提取骨架,而不局限于茎部,可以使作物的表型提取与树木的提取一样全面和综合。新技术如点云深度分割框架(Li等人,2025年)和3D高斯散布(Shen等人,2025年;Wang等人,2025年)的出现也为植物的重建和分析带来了新的视角。这些新兴技术的研究和应用正在迅速增加,既适用于低矮、结构简单的单个植物,也适用于快速、粗略地描述植物群落。然而,林业中对精细个体结构的需求使得QSM在高度复杂的场景中仍然占据着不可动摇的主导地位。尽管如此,正如本研究中使用的稀疏卷积神经网络所示,将这些新技术整合到整个QSM流程中可能会提高某些阶段的性能和稳定性,甚至有助于克服当前的算法瓶颈。
4.4. 限制与未来工作
高质量的训练数据对深度学习模型至关重要。目前的训练数据仅包含6种树木物种,可能不够充分,而且模拟方法似乎也相对有限。然而,用作注释训练数据集中真实值的向心位移的推导方法尚不清楚,在之前的研究中也没有得到充分解释。明确数据集构建方法不仅有助于扩展样本以包括结构更复杂的树木,甚至扩展到作物,还可以纳入更多多样化的模拟扫描方法。这可能会提高模型处理不完美单个树点云的能力。
我们的研究代表了现有林业QSM的首次全面、多视角的综述,但仍有几项任务尚未完成:(1) 更多开源QSM实现的比较。在本研究中,我们排除了PypeTree(Delagrange等人,2014年)(因为其视觉输出不满意且执行不稳定)、AppleQSM(Qiu等人,2024年)(不提供半径或模型输出),以及更多基于QSM校正的QSM(因为它们不是过程控制)。还需要注意的是,后续的软件发展改变了可用性:aRchi后来增加了对TreeQSM和PypeTree的支持,并且从版本2.1开始可以自动生成QSM;rTwig后来增加了对TreeGraph、aRchi和AdQSM的支持。(2) 更好的重建质量定量指标。通过结合定量测量和视觉评估,我们发现常用的点对网格距离指标并不能可靠地反映QSM的重建质量。开发能够有意义地捕捉QSM重建准确性的适当定量指标仍然是一个重要且值得追求的目标。(3) 广泛的应用验证。在已发表的工作中,只有TreeQSM、SimpleTree和AdQSM有大量的应用验证。其他QSM以及本研究中评估的模型还需要进一步的实证验证。
QSM的另一个关键应用是在3D辐射传输建模中,其中插入叶子是一个关键步骤(Calders等人,2018年;Zhao等人,2023年)。由于SmartQSM生成的QSM格式兼容,可以直接用于LeafGen(M?nkk?nen等人,2025年)等叶子插入算法,只需要进行全局坐标变换。我们还计划为SmartQSM专门开发一个叶子插入工具。
5. 结论
在这项研究中,我们提出了SmartQSM,这是一种高性能且易于使用的基于稀疏卷积的点云收缩方法,用于从地面单个树木LiDAR数据中进行3D重建和器官到地块尺度的参数提取。该方法利用基于稀疏卷积的ResUNet推理网络的重复迭代来实现点云收缩,并支持提取丰富的参数。此外,还进行了这项方法与几种QSM之间的全面比较实验,评估了重建质量、参数提取准确性和计算效率。本研究的主要结论如下:
(1) 将稀疏卷积神经网络整合到点云收缩中,能够有效且稳健地形成骨骼化所需的细结构。在此基础上,SmartQSM不仅实现了更高的重建效率(每秒处理大约12,000个点),还产生了具有更好视觉质量和更高几何保真度的模型。
(2) 从QSM的多尺度参数量化角度来看,SmartQSM支持提取47个个体尺度参数、26个器官尺度和8个地块尺度参数。支持的参数比现有QSM更加多样。
(3) SmartQSM在几个重要的树木参数上取得了更高的准确性。基于从选定的自然次生林中获取的两个时期的激光数据,我们的方法在测试的两个时期的不同树种数据上,对于树干长度、树干体积和树干高度的R2分数分别为0.97、0.957和0.949,比现有方法高出0.043、0.114和0.029。一些树枝参数的提取也表现良好。树枝长度、分枝角度和尖端偏转角的R2分数约为0.95。
可以缓解生物量高估的问题。
所提出的方法满足了学术研究和林业工业信息化在各种场景中的需求,同时还能高效地为更广泛的应用提供3D树木资产,包括数字孪生,使其成为多个领域的宝贵工具。
CRediT作者贡献声明
Jie Yang:撰写——原始草稿、软件、方法论、调查、形式分析、概念化。
Huaiqing Zhang:撰写——审阅与编辑、监督、资金获取。
Jinyang Li:可视化、数据管理。
Haoyue Yang:验证、软件、形式分析。
Tian Gao:监督、资金获取。
Tingdong Yang:监督、资金获取、形式分析。
Jiaxin Wang:验证。
Xiaoli Zhang:撰写——审阅与编辑、监督、资金获取。
Ting Yun:撰写——审阅与编辑。
Yuxin Duanmu:撰写——审阅与编辑。
Sihan Chen:撰写——审阅与编辑。
Yukai Shi:撰写——审阅与编辑。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号