《Fire Ecology》：Building blocks for 3D fuelbeds: object-centered scanning and meshing protocol
编辑推荐：
背景 野地燃料床（wildland fuelbed）的准确建模不仅需要了解燃料在三维（3D，three-dimensional）空间中的位置，还需要了解其性质。本研究介绍一种基于对象的扫描协议，旨在利用工业级激光扫描仪生成单个燃料颗粒（如幼苗、灌木、凋落物和球
背景 野地燃料床（wildland fuelbed）的准确建模不仅需要了解燃料在三维（3D，three-dimensional）空间中的位置，还需要了解其性质。本研究介绍一种基于对象的扫描协议，旨在利用工业级激光扫描仪生成单个燃料颗粒（如幼苗、灌木、凋落物和球果）的详细三维网格（mesh）模型。传统的地面激光扫描（TLS，terrestrial laser scanning）或摄影测量（photogrammetric）方法通常需要从更大范围的环境级点云（point cloud）中分割对象，而该方法从对象本身开始。
结果 通过在受控条件下扫描离散植物部分，并以亚毫米精度捕获其形态、表面积和体积，研究人员为结构明确且生态特异的燃料表征创建了方法学基础。研究人员还提出一个灵活工作流程，以适应燃料对象结构广泛的自然变异范围，并根据结构复杂性对单个对象进行分类。
结论 野地燃料植物和颗粒的数字孪生（digital twin）可作为构建模块，用于未来与机器学习（ML，machine learning）技术整合，以改进野地燃料床分类和模拟。该方法将三维燃料建模的基础从环境扫描转向对象驱动理解，对火行为、排放和生态建模具有重要意义。
研究背景与问题：遥感技术已改变森林结构测量与监测方式。机载激光扫描（ALS，airborne laser scanning）和星载激光雷达（spaceborne lidar）可在大尺度上表征冠层结构，提供树高、冠形和上层生物量等数据。然而，这些技术仍难以充分表征森林林下、灌丛和草地的地表燃料复合体，主要受冠层遮挡和多数回波分辨率较粗限制。野地燃料床（wildland fuelbed）被定义为野火事件中可供燃烧的燃料复合体，可包括有机土壤、凋落物、倒木、草本植被、灌木和树冠。火建模需要理解燃料床的垂直与水平分布，尤其在林下和森林地被层，因为着火、蔓延和强度常受其控制。三维（3D，three-dimensional）火行为和烟雾模型如 QUIC-Fire 是机制模拟的重要进展，但依赖网格化三维燃料输入；目前这些输入常来自 LANDFIRE 等二维数据集，只能提供概化燃料分类和冠层高度层，不能充分捕捉地表和林下燃料的复杂性或空间排列。高度本身不能很好代理体积密度、燃料类型或细尺度连通性等关键属性。地面激光扫描（TLS，terrestrial laser scanning）比 ALS 更详细，可减少冠层遮挡并更准确捕捉林下燃料存在与位置，但在细尺度对象识别和分类上仍有挑战，常无法分辨或分离草、凋落物或小径木等单个燃料元素的结构复杂性。因此，TLS 指标可能正确表示燃料高度和位置，却缺乏质量、燃料类型或燃烧潜力的有意义估计。物理火行为与效应模型如 Fire Dynamics Simulator（FDS，火灾动力学模拟器）和 QUIC-Fire 需要网格化三维燃料输入；计划火烧决策支持尤其依赖林下与地表燃料的可靠表征与制图。为此，研究人员引入对象式扫描协议，以互补粗尺度遥感方法：不扫描交错且常被遮挡的复杂野地燃料环境，而是使用坐标测量机（CMM，coordinate measuring machine）FARO? Design ScanArm 2.5C（DSA）隔离并扫描单个地表与燃料颗粒。该混合激光-接触系统原用于工业计量和逆向工程，可在不使植物材料变形的情况下进行亚毫米分辨率扫描；FARO 的 RevEng 软件提供实时可视化，并可对点云进行清理、网格化和度量分析。该研究目标为利用高分辨率激光扫描技术生成林下燃料对象三维模型，并回答两个问题：能否开发扫描和网格化方法以代表计划火烧项目中常见的一系列相关植物和植物部分；如何利用网格对象测量野地燃料关键物理属性，包括表面积、体积、颗粒密度（particle density）和堆积密度（bulk density）。研究人员预期该方法可用于从点云测量分类和估计野地燃料，并构建野地燃料复合体的模拟模型。
研究开展、结论与意义：研究人员开展案例研究，建立基于对象的扫描与网格化协议，将离散燃料对象点云转化为多边形表面网格（mesh），并按结构复杂性分类对象。研究得出，扫描离散植物部分可在受控条件下捕获其形态、表面积和体积，达到亚毫米精度，为结构明确、生态特异的燃料表征奠定方法学基础。该方法将三维燃料建模从环境扫描转向对象驱动理解，对火行为、排放和生态建模具有重要意义，并可作为未来与机器学习（ML，machine learning）整合的数字孪生构建模块。
主要关键技术方法：样本采集于美国新泽西松林（New Jersey Pinelands）Silas Little Experimental Forest 及周边，该地为 UNESCO Biosphere Reserve，采样于2024年9月下旬；收集幼苗、灌木、蕨类、倒木、球果等林下燃料代表物种，并用 ArcGIS Survey123、智能手机和 Canon DSLR 记录位置、属性与影像。扫描使用 FARO? Design ScanArm 2.5C（DSA）坐标测量机（CMM）、8-Axis 转台和 RevEng 软件，在样品从野外移出后48 h内扫描；随后70 °C干燥48 h（粗木72 h）并称重至0.01 g。协议分为扫描与网格化两阶段，按简单对象（simple objects）和复合对象（compound objects）分类；点云经手工清理、合并、全局配准、离群点去除和平滑，生成网格并修复填孔；用 RevEng Measure 及 SA
final = SA
RevEng × 2、V
final = SA
RevEng × T
leaf 计算双侧表面积和单面网格体积。
研究结果与讨论：**Results and discussion**。截至案例研究，来自案例区的74个对象、10种燃料类型和23个物种已被采样、扫描和称重。扫描后，对象可数字化解析为简单组件，例如橡树幼苗扫描可产生完整对象、叶片和茎的独立点云；部分对象扫描两次以捕获有叶与无叶状态，并补偿有叶扫描中茎的遮挡。每个对象还关联干重（dry weight）值以及 Survey123 表单和 Avenza waypoint 中的描述属性，包括自然状态影像、地理空间位置、科学名和对象类型。通过该协议，研究人员得以在数字孪生（digital twin）环境中更准确和精确地渲染森林、灌丛和草地，并支持精确测量及高逼真虚拟环境展示。高保真3D林下燃料模型对森林管理和决策支持具有潜力，也可用于多学科数字前沿；数字孪生常用于工程领域，并日益用于应急规划、法医调查和农业监测等决策支持模拟。高度逼真的个体植物和燃料颗粒渲染可用于模拟细尺度物理过程，其中个体对象的精确形态是捕获细尺度燃料消耗和火蔓延等机制所必需；也可作为沉浸式虚拟现实训练工具的组件。通过将燃料组分高分辨率扫描整合到更广的 TLS 或体素（voxel，空间分区单元）框架，可为3D火模型提供更真实的物体级细节参数；该技术允许将草、凋落物碎片、木质残体和幼苗作为3D对象采集，超越传统体素表示。体素网格有助于空间划分和体积估计，但难以表示异质燃料床的结构个体性；对象式方法可直接测量表面积、体积、堆积比（packing ratio）和形态等属性。与从激光雷达方法回溯性赋予物理燃料特征不同，CMM 方法从燃料类型出发，直接测量燃料颗粒属性；对象的结构、组成和物理属性随后可为体素化属性提供信息。研究人员不提出 DSA 替代 TLS 或 ALS，而是作为互补方法，实现燃料建模的新生态保真度；这些互补工具可支持高分辨率、可扩展燃料清单，以用于火行为预测和决策支持。
**Potential limitations and implications for future studies**。DSA 物理范围有限，包括机动性和距目标表面距离；因此不适合某些燃料类型，如具有致密外部叶片结构的植物。对一些挑战性对象，DSA 点云可创建视觉准确的3D形态渲染，但若不高误差则不适合计算表面积和体积。协议依赖 DSA 和 RevEng，二者昂贵且专有；虽然点云和网格可从 RevEng 导出并在 CloudCompare 等开源软件中编辑。RevEng 中平面基对象如叶片或树皮薄片难以用封闭水密网格（watertight mesh）表示，主要发生在对象厚度小于 DSA 最小分辨率0.1 mm 时；与真实体积的偏差可能仅毫米级，但当对灌木所有叶片或林分所有灌木建模时，测量误差可能累积。后续研究可协调扫描与叶片厚度野外观测，以减少计算表面积和体积的不确定性。未来应用可探索提高扫描协议和图像处理效率与效果；本研究中一些灌木仅在有叶时扫描，遮挡了大部分茎架构，分枝架构需从参考图像重建并引入误差；未来可对同一灌木扫描两次，一次带叶，一次人工去叶后。分别处理茎和叶并分别收集干重生物量，可使对象依据已发表颗粒密度值按燃料类型（如 foliage、wood）分别赋值。最后，建议探索更可及的野地燃料3D表征方法，包括基于激光、基于照片和混合方法；由于野地燃料变异巨大，需要一系列扫描和分析方法。
讨论部分总结：该方法的优势在于对象级、结构明确和生态特异的直接测量，可补充 TLS、ALS 与体素框架；其局限主要在 DSA 的物理范围、对致密叶片和遮挡对象的适用性、专有软件依赖、薄平面对象水密网格困难以及误差在更大尺度上累积的可能。未来方向包括有叶/去叶重复扫描、茎叶分离干重、叶片厚度野外观测协同以及发展更可及的激光、照片或混合方法。
研究结论翻译：这种用于扫描野地燃料的新方法学在实现燃料颗粒和植物测量更高精度和准确性方面代表重要一步。该研究开发并评估了捕获植物和燃料颗粒3D结构的方法。研究人员还研究了如何利用3D网格推导野地燃料属性，包括表面积、体积、颗粒密度和堆积密度。燃料颗粒或整株植物的3D形态不仅产生整个对象的总体表面积和体积，还允许详细研究表面积和体积在整个对象中的分布位置和方式。结合起来，该研究详述的方法代表野地燃料在3D中测量和建模方式的重大进步。生成野地燃料3D数字孪生不仅提高复杂测量的精度和准确性，还揭示在火生态学和管理中应用的新可能性。具体而言，创建个体植物和燃料颗粒详细3D模型的能力，允许将这些模型整合到规划单元的更大尺度模拟中。通过将这些详细模型纳入林分或景观水平分析，研究人员可开发更真实的野地燃料表征，这可转化为野地火行为和效应模型输入的改进准确性。
