改进的PointNet++茎语义用于基于UAV-LiDAR的桉树人工林单木分割和结构参数提取

《Science of Remote Sensing》：Improved PointNet++ Stem Semantics for Individual Tree Segmentation and Structural Parameter Extraction in Eucalyptus Plantations Using UAV-LiDAR

　　

在密集的桉树人工林中，由于相邻茎、矮林再生和重叠冠层常常模糊树木边界，准确的单木分割和结构参数提取仍然具有挑战性。该研究利用从中国广西横州七个桉树人工林样地获取的高密度UAV-LiDAR点云，开发了一种基于茎语义引导的工作流程，用于单木分割和树木级结构参数提取。首先使用一种改进的PointNet++模型（增强局部几何特征和通道注意力）对森林点云进行分类并提取茎语义点。然后利用这些茎点在胸高附近构建锚层，基于体素连接性和密度约束识别种子点，并通过自底向上分层生长来分割单木。改进的PointNet++模型在茎类别上达到了85.66%的F1-score和74.92%的IoU。与基于CHM的分水岭分割、欧氏距离聚类和多层茎横截面匹配相比，提出的茎语义引导单木分割方法在基于993株实地调查树木的评估中取得了最高的总体精度，召回率、精确率和F1-score分别为0.959、0.995和0.977。在812株具有完整实地测量数据且与TSG-ITS分割树木对象成功一对一匹配的树木中，树高估计与实地测量值高度一致，R²为0.91，RMSE为1.39 m。使用最小二乘圆拟合提取胸径效果最佳，R²为0.95，RMSE为1.18 cm。这些结果表明，将茎语义信息与分层结构约束相结合，可以提高密集桉树人工林中单木分割的稳定性，并支持自动化的树高和胸径提取。

**论文解读：基于茎语义引导的UAV-LiDAR桉树人工林单木分割与结构参数提取**

**研究背景与问题**

森林结构参数是资源清查、生长监测和经营管理的基础。单木位置、树高和胸径（DBH）直接表征树木大小和生长状况，是估算林分蓄积量、生物量和碳储量的关键变量。然而，传统实地调查劳动强度大且空间覆盖有限。激光雷达（LiDAR）技术能够获取三维森林结构，其中无人机载LiDAR（UAV-LiDAR）因其灵活部署、高密度点云和与样地尺度匹配的观测能力，特别适用于单木识别和结构参数提取。桉树人工林是中国南方重要的速生丰产林，采用密植和短轮伐期经营，导致相邻茎间距小、冠层重叠严重，且矮林再生或多茎结构常见，这些特征使得从UAV-LiDAR点云中进行单木检测变得复杂。现有方法（如基于冠层高度模型的分割、点云聚类、基于茎结构的分割）在密集林分中易受冠层边界模糊、茎点识别不稳定等因素影响，导致分割误差。因此，需要一种能够利用茎语义信息作为前端约束，从而稳定定位单木并支持后续参数提取的方法。

**研究内容与结论**

该研究以广西横州七个桉树人工林样地（25 m × 25 m）为对象，通过联合下冠层和上冠层扫描获取高密度UAV-LiDAR点云（平均有效密度约3000点/m²），并辅以993株实地调查树木数据。研究人员开发了一种茎语义引导的单木分割方法（TSG-ITS），首先使用改进的PointNet++（IPN++）模型（增强局部几何特征和通道注意力机制）对点云进行语义分类，提取茎语义点；然后利用这些茎点在胸高附近（1.3–2.0 m）构建锚层，通过体素化（0.05 m）、密度过滤和三维26邻域连接性分析识别种子点；最后通过自底向上分层生长（层高0.20 m，水平搜索半径0.50 m）完成单木分割。研究还评估了分割后点云的树高和胸径提取精度。结果表明，IPN++模型在茎类别上的F1-score和IoU分别达到85.66%和74.92%，优于CART、PointNet和PointNet++。TSG-ITS方法在993株树木中取得了0.959的召回率、0.995的精确率和0.977的F1-score，显著优于基于CHM的分水岭分割、欧氏距离聚类和多层茎横截面匹配方法。在812株成功匹配的树木中，树高估计的R²为0.91，RMSE为1.39 m；最小二乘圆拟合（LSCF）提取胸径表现最佳，R²为0.95，RMSE为1.18 cm。该研究证明了茎语义信息与分层结构约束相结合能有效改善密集桉树人工林的单木分割稳定性，并支持自动化的树高和胸径提取。论文发表在《Science of Remote Sensing》。

**主要关键技术方法**

研究人员采用的关键技术方法包括：1）改进的PointNet++语义分类模型（IPN++），通过引入局部几何特征（线性度、平面度、散射性、表面变化、垂直性）和SE-ECA通道注意力机制增强茎点识别能力；2）基于体素连接性和密度约束的锚层构建与种子点识别，在1.3–2.0 m高度区间内以0.05 m体素化，并设置密度阈值（至少3个点）和连接组件条件（至少10个体素且垂直跨度≥0.30 m）；3）自底向上分层生长算法，以0.20 m为层高，基于水平距离和连接性进行候选点分配，并设置质心位移阈值（0.30 m）和空层容差（3层）作为生长终止条件。样本数据来源于广西横州7个桉树人工林样地（共993株实地调查树木），其中812株具有完整树高和胸径测量数据并成功匹配。

**研究结果**

**3.1 语义分割结果**：通过嵌套留一法交叉验证评估四种模型（CART、PointNet、PointNet++、IPN++）。IPN++在平均总体F1-score（92.08%）和茎类别F1-score（85.66%）上均最高，茎类别IoU为74.92%。相比PointNet++，IPN++的茎类别F1-score和IoU分别提升2.39和3.58个百分点。视觉上，IPN++预测的茎点保持了良好的垂直连续性和空间形态一致性。

**3.2 单木分割结果**：基于993株实地树木评估，TSG-ITS的召回率、精确率和F1-score分别为0.959、0.995和0.977，均高于CHM-WS（0.712、0.937、0.809）、EDC（0.764、0.966、0.856）和MSCM（0.883、0.972、0.925）。TSG-ITS在所有样地中均保持高精度，召回率范围0.937–0.991，F1-score范围0.940–0.996，表明其在不同林分结构下具有较好的稳定性。

**3.3 结构参数提取结果**：对812株成功匹配树木评估树高估计，整体R²为0.91，RMSE为1.39 m，MAE为1.08 m。胸径提取中，最小二乘圆拟合（LSCF）表现最佳，R²为0.95，RMSE为1.18 cm，MAE为0.92 cm，优于分位数法（QM）、凸包法（CVH）和极值法（RGM）。所有方法均呈现正偏差（LSCF偏倚最小，0.91 cm），表明存在系统性高估。

**讨论与结论**

讨论部分指出，茎语义约束的主要价值在于提供更稳定的初始树木位置和生长方向，而非完全消除复杂林分的边界不确定性。树高和胸径的误差形成机制不同：树高受点云垂直完整度和冠层顶部点质量影响，胸径则更依赖于胸高横截面的几何完整性和茎点纯度。最小二乘圆拟合对局部点云间隙和异常值具有较好鲁棒性。研究也指出，验证子集（812株）可能因排除部分较矮小或结构复杂树木而呈现乐观估计，未来需评估更广泛条件下的泛化能力。结论部分翻译如下：该研究在广西南宁横州的桉树人工林样地中进行，利用联合下冠层和上冠层扫描获取的高密度UAV-LiDAR点云及实地调查数据，研究了茎语义分类、单木分割和结构参数提取。主要结论如下：（1）改进的PointNet++模型在桉树人工林点云语义分类中表现良好，茎类别F1-score和IoU分别为85.66%和74.92%，均高于CART、PointNet和PointNet++，表明局部几何特征增强和通道注意力机制能改善茎、枝叶和低矮植被的区分，为后续单木分割提供相对稳定的茎语义输入。（2）利用茎语义点在胸高附近构建锚层，结合体素密度约束、连接性分析和分层生长，可改善密集桉树人工林的单木分割。在七个样地993株实地调查树木中，TSG-ITS的总体召回率、精确率和F1-score分别为0.959、0.995和0.977，均高于CHM-WS、EDC和MSCM，表明在相邻树木、矮林再生和冠层重叠条件下，胸高附近的茎语义信息有助于提高单木定位和分离的稳定性。（3）在993株树木中，812株具有完整树高和胸径测量数据且与TSG-ITS分割对象成功匹配，用于评价结构参数提取。总体树高估计R²为0.91，RMSE为1.39 m，MAE为1.08 m。胸径提取中，最小二乘圆拟合法表现最佳，总体R²为0.95，RMSE为1.18 cm，MAE为0.92 cm。四种胸径提取方法均呈现正偏差，表明胸径估计存在一定程度的系统性高估。未来工作应进一步控制胸高切片中外围点、局部枝点和矮林萌条的干扰。在该研究的样地和点云条件下，将茎语义信息与分层结构约束相结合，提高了密集桉树人工林单木分割的稳定性，并支持了成功分割树木的树高和胸径提取。