休眠期核桃树结构重建的定量结构模型(QSM)比较评估

《Smart Agricultural Technology》：Comparative assessment of quantitative structure models for dormant walnut tree structure reconstruction

　　

核桃树的结构参数对于评估生长活力、指导修剪和预测产量至关重要。然而，果树枝干结构的复杂性给利用传统测量方法高效获取准确的三维结构信息带来了挑战。本研究选取了80株休眠期核桃树，采集了手持激光扫描(HLS)和无人机(UAV) LiDAR点云数据。以人工测量的16株树的结构参数作为参考值。采用TreeQSM、AdQSM和SmartQSM方法重建树木的三维结构，并提取树高、平均冠幅、冠体积、胸径(dbh)和干高等关键参数。结合5,000次树木级Bootstrap重抽样，使用R²、RMSE、rRMSE和Bias等指标评估模型的准确性和不确定性。此外，还评估了SmartQSM不同配置方案的性能。研究结果表明，三种模型在不同结构参数上的估算性能存在差异。SmartQSM在冠体积、树高和干高等参数上表现出较优的整体性能。具体而言，冠体积的R²、RMSE和rRMSE分别为0.905、16.429 m³和14.449%，树高的分别为0.904、0.264 m和3.287%。TreeQSM在评估平均冠幅和胸径指标方面具有优势，而AdQSM在胸径估算中表现出显著误差。SmartQSM的SC配置在部分结构参数上优于FLC配置。研究结果表明，SmartQSM有望在落叶期提取核桃树的关键结构参数，为核桃树的三维结构分析和精准修剪提供有价值的见解。

随着农业数字化与智慧农业的发展，果树结构三维重建已成为果园管理的关键技术支撑。核桃树作为重要木本油料树种，其冠形复杂、枝条交错，准确获取其三维结构对于优化种植密度、指导整形修剪及提高光能利用效率具有重要意义。然而，传统测量方法难以完整捕捉核桃树复杂的枝干构型。虽然LiDAR可生成高密度点云，但点云缺乏拓扑信息，需通过定量结构模型(QSM)转换为树高、平均冠幅、冠体积、胸径等具有生物学意义的参数。现有QSM如TreeQSM、AdQSM等已在冠形较规则的树种上广泛应用，但针对核桃树这类冠层密集、分枝层次复杂、空间分布不规则的树种，重建精度和计算效率仍不理想。SmartQSM采用稀疏卷积神经网络的点云收缩方法，理论上对密集冠层和复杂分枝模式具有更强的适应性，但尚未见其在核桃树三维重建中的应用研究。为此，研究人员开展了本研究。

研究人员以新疆阿克苏地区第一师三团核桃实验园的16年生‘温185’核桃树为对象，在落叶期选取80株树，采集手持激光扫描(HLS)和无人机(UAV) LiDAR点云，以16株人工测量结构参数为参考值，采用TreeQSM、AdQSM和SmartQSM进行三维重建，系统比较各模型提取树高、平均冠幅、冠体积、胸径和干高的精度与不确定性。该研究首次将SmartQSM应用于核桃树，并通过多模型比较初步证实其对复杂果树冠层环境的适用性，同时揭示了不同QSM模型在核桃树关键结构参数估算中的偏差特征，为后续基于三维结构的光照模拟和修剪决策提供了方法论基础。

研究地点位于新疆阿克苏地区第一师三团核桃实验园，对象为16年生‘温185’核桃树。数据于落叶期无风晴天采集，使用LiGrip H300手持激光扫描仪（精度≤1 cm）和DJI M350 RTK无人机搭载Zenmuse L2传感器同步获取点云。预处理包括点云裁剪、粗配准与ICP精配准（总误差0.042 m）、空间下采样（最小间距0.012 m）、CSF地面滤波（网格尺寸2.0 m，迭代500次，阈值0.5 m）、SOR去噪（邻域点6，标准差倍数1）及人工单木分割。重建模型包括TreeQSM v2.4.1、AdQSM v1.7.5、SmartQSM v2.2.0（FLC和SC两种配置），采用Sobol全局敏感性分析优化关键参数，并通过R²、RMSE、rRMSE、Bias及5,000次Bootstrap重抽样评估精度。

## 研究结果

### 3.1 Sobol灵敏度分析样本量收敛性评估

研究人员比较了N=16、64、128、256四种样本量，发现SmartQSM-SC配置的灵敏度指标在N=128时已趋于稳定，ΔS₁和ΔS_t均小于0.10；SmartQSM-FLC配置在N=128时部分指标出现负S₁或S_t大于1.0的统计伪影，N=256时恢复正常。综合考虑计算效率，研究采用N=128作为折中样本量。

### 3.2 SmartQSM模型参数敏感性分析

#### 3.2.1 Flexible_layerwise_clustering（FLC）配置

FLC配置中各参数S₁普遍较低，表明主要依赖交互效应影响重建结果。min_points对分支数量（S₁=0.700，S_t=0.793）和干长（S₁=0.820，S_t=0.908）具有强独立主效应；cross_layer_cluster_spacing、max_patch_size和neighborhood_size在多数指标上S₁低于0.1，但S_t超过0.6，呈现典型“交互主导”模式；eps在体积类指标中既有中等主效应（如干体积S₁=0.393），又有显著交互作用（S_t-S₁大于0.42）。

#### 3.2.2 Spconv_contraction_LEAFOFF_GPU（SC）配置

SC配置中voxel_size是最敏感参数，对分支数量（S₁=0.741，S_t=0.753）和冠内干体积（S₁=0.728，S_t=0.832）等指标主效应显著，且S_t在全部10项指标上均大于0.5；edge_search_r对最大分支阶数总效应最高（S_t=0.742），但影响以交互效应为主；max_iteration在所有指标上S₁和S_t均低于0.01，为不敏感参数。两种配置敏感性模式差异显著：FLC以交互效应为主，SC以主效应为主。

### 3.3 三种QSM方法重建效果与精度对比分析

#### 3.3.1 三维重建效果比较

通过视觉定性比较，三种模型均能重建出主干、一级枝和外围侧枝，但存在差异。SmartQSM（FLC和SC）对外围枝条和多级分支结构表达细致；AdQSM主干的视觉一致性最好，但外围细枝存在缺失或过度简化；TreeQSM侧重主干和一级枝拟合，高阶枝简化明显，冠层外围结构稀疏。由于缺乏人工标记的分枝骨架，需结合后续定量指标评估。

#### 3.3.2 结构参数精度比较

**SmartQSM不同配置结果**：FLC在树高（R²=0.901）和胸径（R²=0.537）上拟合较好；SC在冠体积（R²=0.905，RMSE=16.429 m³）、树高（R²=0.904）、平均冠幅（R²=0.512）和干高（R²=0.736）上均优于FLC。SC对冠体积和干高的改善显著，FLC仅在胸径估算上略有优势。

**不同QSM模型精度评估**：TreeQSM在平均冠幅上R²最高（0.614），但RMSE和MAE较大（0.688 m和0.616 m）；AdQSM在该参数上RMSE最低（0.439 m）。SmartQSM-SC在冠体积估算上表现最佳（R²=0.905，RMSE=16.429 m³），Bootstrap RMSE为16.365 m³（95%置信区间13.176-19.437 m³）。胸径方面SmartQSM-FLC表现最好（R²=0.537，RMSE=2.342 cm），TreeQSM接近，AdQSM误差显著且不稳定。树高方面所有模型R²均高于0.88，SmartQSM-SC精度最高（RMSE=0.264 m，rRMSE=3.287%）。干高方面SmartQSM-SC最佳（R²=0.736，RMSE=0.182 m），AdQSM严重失真。总体而言，SmartQSM综合适用性最佳，能在复杂冠层条件下可靠提取核桃树结构参数。

## 讨论总结

讨论部分首先比较了QSM在林木和果树中的应用，指出以往研究在落叶松、杏树、桃树等树种上取得了较好效果，但核桃树复杂冠层导致LiDAR点云遮挡严重，QSM难以准确还原内部拓扑，参数估算误差相对较大。尽管如此，本研究中SmartQSM仍表现出较好的鲁棒性，在复杂冠层下优于TreeQSM和AdQSM。研究局限性包括：样本仅来自单一品种、单一果园和落叶期，泛化性有限；未进行数据融合的消融实验；Sobol分析样本量N=128未达到严格数学收敛；分支级拓扑评价依赖定性观察。未来研究方向包括扩大样本多样性、开展数据融合消融实验、建立多级结构验证系统、拓展QSM在果树管理中的应用。

## 结论

本研究是SmartQSM在核桃树上的首次应用。研究人员利用融合点云数据，比较了三种QSM模型对五个结构参数的估算精度，并评估了SmartQSM的两种配置方案。结论如下：(1) 在大多数结构参数上，SmartQSM的SC配置相比FLC配置具有更低的RMSE和更窄的置信区间，FLC仅在胸径上略占优势。这一差异可能源于SC配置在圆柱拟合中采用了不同的参数约束，从而影响了结构参数估算精度。在现有实验条件下，SC配置在多数评估变量上误差更小且稳定性更好。(2) 三种QSM模型均能提取核桃树的主要结构参数，但不同参数的估算精度各异。SmartQSM在冠体积、树高和干高等参数上整体表现最佳，其中冠体积的R²为0.905，RMSE为16.429 m³，rRMSE为14.449%；树高的R²为0.904，RMSE为0.264 m，rRMSE为3.287%；干高的R²为0.736，RMSE为0.182 m，rRMSE为28.704%。TreeQSM在平均冠幅和胸径的某些评价指标上表现优异，而AdQSM在胸径估算中表现出显著误差和不稳定性。Bootstrap分析进一步证实了SmartQSM在主要结构参数估算中的可靠性。综上所述，基于当前数据集，SmartQSM在提取核桃树冠层和树高等结构参数方面显示出良好的应用潜力，可为后续冠层结构分析和智能修剪决策提供数据支持。