《Methods in Ecology and Evolution》：From LiDAR point clouds to 3D tree morphometrics: New approach to quantitatively evaluate tree shapes
编辑推荐：
树冠是复杂的三维结构，其形态在不同物种、个体和环境之间具有显著差异。尽管光探测和测距（LiDAR）技术能够提供高分辨率的单木点云数据，推动物种判别和原位种内变异评估的进展，但树冠形状仍常被简化为低维度量指标（如冠幅或枝下高），从而丢失了其大量的三维几何复杂性。
树冠是复杂的三维结构，其形态在不同物种、个体和环境之间具有显著差异。尽管光探测和测距（LiDAR）技术能够提供高分辨率的单木点云数据，推动物种判别和原位种内变异评估的进展，但树冠形状仍常被简化为低维度量指标（如冠幅或枝下高），从而丢失了其大量的三维几何复杂性。研究人员引入了一个全三维几何形态测量框架，能够在物种和个体水平上直接从LiDAR点云捕获树冠形状。
研究人员将八个温带森林树种的预分割LiDAR单木点云转换为三维形状表征，采用径向包围体积（RBVs）方法，将每个树冠划分为标准化的垂直分层和径向扇区集合。从每个RBV自动数字化得到的表面点构成了地理空间对齐的三维伪地标点构型，用以表征几何形态测量学的树冠形状。这些构型作为多变量分析的输入数据，用于分析树冠形状在种内和种间的变异。从相同的RBVs中提取了十二个结构性性状（包括树冠和树干尺寸），并将其整合到性状-形状关联分析中。
树冠形状的形态空间在阔叶树种和针叶树种中的变异轴结构存在差异。在这些类群内部，物种对——如山毛榉属（Fagus）与栎属（Quercus）、云杉属（Picea）与松属（Pinus）——表现出对比鲜明的种内形态梯度，且驱动各自形状变异的性状也不同。枝下高和树冠总高是树冠形状的最强预测因子。物种间的树冠形状差异主要由对称成分捕获，非对称成分提供的信号可忽略不计。种间分化主要受结构变异驱动，而非纯粹的大小差异。由伪地标点与卷积神经网络特征推导出的形态差异在针叶树中的相关性高于阔叶树。
研究人员展示了一个可重复的、基于LiDAR原生数据的框架，用于量化和比较种内及种间的三维树冠形态。利用RBV方法，可以从任何预分割的单木LiDAR点云中推导出地理空间对齐的伪地标点，从而实现可扩展的、跨区域的多尺度种内变异性分析。该框架为将树冠形状整合到生态学、进化生物学、森林培育学和建模研究中提供了坚实的基础，包括评估环境效应和结构约束。
**论文解读：基于LiDAR点云与三维几何形态测量的树冠形态定量分析框架**
**一、研究背景与科学问题**
树木个体形态不仅为物种分类提供关键信息，还能深入揭示环境条件如何塑造树木表型。然而，对树木完整三维形态进行定量分析仍具挑战性。已有研究多聚焦于内部分枝结构或二维轮廓，缺乏对整体三维树冠几何复杂性的系统性刻画。对于具有明确双侧对称性的生物结构（如头骨、叶片、花朵），几何形态测量方法易于建立同源对应关系；但树木围绕重力定义的垂直茎轴组织，呈准径向而非双侧对称，缺乏天然的前后左右参考框架，导致水平方向识别模糊。为获得可重复的树木朝向，必须施加外部规则，例如利用地理参考坐标建立绝对地理空间框架。由于LiDAR数据能够保留真实水平朝向与重力轴信息，使得这一策略切实可行。此外，将原始LiDAR点云转化为能完整保留三维异构性与潜在不对称性的形状表征，是另一项核心挑战。现有技术路线如体素化、冠层外壳构建等方法各有局限。固定地标点的几何形态测量方法虽旨在显式表征同源结构，但树木冠层缺乏离散同源点。因此，研究人员提出基于径向包围体积（RBVs）的几何形态测量框架，采用类半地标点的伪地标点构型描述树冠形态，以标准化树冠形状表征、实现个体与物种间比较，并量化异速生长与不对称性。研究提出两个核心问题：（Q1）同一林分内阔叶与针叶树种在三维伪地标点捕获下的冠形变异模式是否存在显著差异；（Q2）基于三维伪地标点的形状描述符能否可靠区分林分内的树种。
**二、研究数据与关键技术方法**
研究人员使用了Weiser等人（2022）发布的公开LiDAR单木点云数据集（包含地面激光扫描TLS与无人机激光扫描ULS数据）。数据筛选遵循质量等级优先原则（优先选择q1最高质量数据，必要时纳入q2–q4，剔除含分割错误或结构缺失的q5–q6低质量点云），并限制每个属仅选取一个代表性物种，最终获得八个物种（四种阔叶树：Acer pseudoplatanus， Carpinus betulus， Fagus sylvatica， Quercus petraea；四种针叶树：Larix decidua， Picea abies， Pinus sylvestris， Pseudotsuga menziesii），每物种精确25株，总计200个样本。
研究的关键技术方法包括：（1）径向包围体积（RBV）构建：将每个树冠均匀划分为三个树干层（各分六个径向扇区）和九个树冠层（各分十二个径向扇区），将原始点云简化为结构化网格；（2）伪地标点采样：在每个RBV扇区注册一个地标点（树冠108个、树干18个），加上树冠顶点1个，共127个地理空间等效伪地标点；数字化从东北扇区邻近东向主轴处开始逆时针进行，从基部至顶端逐层标准化注册；（3）Procrustes叠加（含滑动）标准化伪地标点构型；（4）主成分分析（PCA）用于组内形态空间构建，线性判别分析（LDA）和典型变量分析（CVA）用于种间判别；（5）多元线性回归、偏最小二乘（PLS）回归与随机森林（RF）回归用于性状-形状关联建模；（6）与预训练卷积神经网络（CNN，EfficientNet-B0）从二维正交投影提取的1280维深度特征进行比较，通过PERMANOVA和PERMDISP评估物种区分度。
**三、研究结果**
**3.1 形状变异的主要成分**：几何形态测量分析揭示了阔叶与针叶树种截然不同的形态空间结构。阔叶树形态空间主要由冠幅比（PC1，27%）、树干-树冠纤细度（PC2，18%）和顶部沉重度（PC3，9%）驱动；针叶树则表现为PC1（67%）反映冠幅比，PC2（9%）描述最大冠幅半径，PC3（5%）捕获径向不对称性。两组间PC1轴约47°的旋转表明优势冠形变异模式存在本质差异。俯视可视化显示，两组中早期主成分主要表征对称形状变化，而高阶主成分（PC3或PC4）逐步捕获不对称性。
**3.2 种内冠形变异与解释性状**：欧洲山毛榉（Fagus）与无梗花栎（Quercus）的形态空间呈现物种特异性变异轴。山毛榉的变异以垂直分层为特征（冠体积沿树干迁移），栎属则以侧向扩张为核心；冠基高度（CroBasHei）和冠幅（CroDia）是两者的共同最强预测因子，但两性状在种间的影响方向角差异显著（山毛榉58° vs. 栎属129°），全模型（12个性状）R2值分别为0.67和0.73。挪威云杉（Picea）与欧洲赤松（Pinus）中，云杉以冠基高度（R2=0.30）和总高度（R2=0.18，TotHei）为最强驱动且两性状几乎对齐（18°差异），反映树冠抬升与整体树高协调变化；松属中冠基高度（R2=0.30）与总高度（R2=0.10）则沿近相反方向作用（139°差异），表明树高与冠基抬升对冠形的贡献相对独立，全模型R2值分别为0.75和0.69。PLS与RF预测模型均显示，预测形状与观测形状的平均Procrustes距离显著低于实测样本间的形状变异；阔叶种中冠基高度在两个模型中均为最重要预测因子，针叶种中冠基高度在PLS模型中领先而树冠高度（CroHei）在RF模型中贡献最大。
**3.3 物种间形状差异及性状解释**：CVA可视化显示伪地标点能有效区分物种质心。LDA证实阔叶树种中，欧亚槭（A. pseudoplatanus）与无梗花栎重叠最大（p=0.173，马氏距离MD=3.42，Procrustes距离PD=0.12），欧洲鹅耳枥（C. betulus）与无梗花栎分化最显著（p<0.001，MD=4.31，PD=0.23）；针叶树中，欧洲落叶松（L. decidua）与花旗松（P. menziesii）相似度最高（p=0.433，MD=1.74，PD=0.09），云杉与松属分化最大（p<0.001，MD=4.91，PD=0.39）。针对山毛榉与栎属的判别分析显示，总地上生物量（TotAboBio，R2=0.08）和树干主体积（SteMaiVol，R2=0.09）是仅有的显著预测因子；而冠基高度（R2=0.86）是区分云杉与松属的最强单一预测因子。
**3.3.1 树冠不对称性与异速生长**：物种身份解释了43%的对称形状变异，但仅解释7%的非对称变异，表明物种水平形态主要由对称成分决定。种内变异也以对称成分为主（80%），不对称性主要表现为个体水平的噪声。预测性状与对称成分紧密关联（交叉验证R2=0.68），但对非对称成分无解释力。异速生长（大小依赖性缩放）约占种间形状差异的17%，其余83%为大小无关变异；其中冠表面积（CroSur，R2=0.79）和冠体积（CroVol，R2=0.78）是大小无关形状最重要的结构预测因子。
**3.4 伪地标点与深度特征的物种区分比较**：伪地标点（374个形状变量）与CNN深度特征（1280维）的PC1相关性在阔叶树中呈中等正相关（ρ=0.653），在针叶树中呈强正相关（ρ=0.815）；两者PC1均与冠基高度呈最强负相关。PERMANOVA显示，阔叶树种中两种方法解释的种间变异比例几乎相同（深度特征η2=0.154 vs. 伪地标点η2=0.155，差异不显著）；针叶树中伪地标点解释的种间变异比例显著更高（η2=0.438 vs. η2=0.160，差异显著）。PERMDISP表明伪地标点数据在两类群中均存在显著的多变量离散异质性。形态敏感性分析显示，将伪地标点密度从127增至217，物种解释方差的变化极小（阔叶树：从0.1137到0.1145；针叶树：从0.6017到0.6091），表明框架对采样密度具有稳健性。
**四、讨论与结论**
**讨论部分总结**：研究结果表明，三维伪地标点能够有效捕获可解释的冠形生物学变异，并可靠区分同一林分内的树种。阔叶与针叶树种的形态空间结构差异与冠层结构的大尺度分析及混交林LiDAR制图研究一致——针叶树通常形成更窄、更圆锥形的树冠，阔叶树则倾向更宽、变异更大的冠形。种内变异模式与已知的分枝构型差异吻合：山毛榉的垂直分层与栎属的侧向扩张、云杉的保守垂直缩放与松属的冠层稀疏化及冠基独立抬升，分别对应了耐荫性、冠层可塑性和光响应策略的种间差异。少数结构性状（尤其冠基高度和树冠高度）解释了可观的冠形变异，与全球尺度分析相符。对称变异优于非对称变异地解释物种身份，反映了对称变异主要受发育调控（如冠幅比、冠基高度），而非对称变异多源于方向性外力（风、坡度、邻体竞争）或随机扰动。去除大小效应后冠层相关性状仍具预测力，支持物种在冠层结构上存在超越单纯大小缩放的系统性差异。伪地标点与单视角二维投影深度特征的比较表明，预训练CNN对针叶树的对称、垂直结构化冠形捕获较好，但单视角二维投影在解析阔叶树常见侧向不对称方面存在固有局限。研究承认，多视角或原生三维点云架构可能提升深度特征性能，框架的优越性需进一步验证。此外，框架的保真度受点云密度影响，细小枝条的捕捉面临遮挡与散射挑战；与基于分枝细节的定量结构模型（QSMs）相比，伪地标点提供了更低维度、更具可解释性的整体冠形概括，在几何分辨率与统计功效之间提供了明确权衡。未来方向包括：将外部冠形与内部分枝构型（通过LiDAR-derived QSMs或功能-结构植物模型（FSPMs）模拟）相关联；利用地理空间朝向信息，结合方向性协变量（盛行风、坡度/坡向、方位特异性竞争）研究方向性不对称；在大规模开放LiDAR数据库支持下跨区域、跨气候带评估冠层结构变异；以及整合到基于人工智能的综合分类学框架中作为表型组成部分。
**研究结论翻译**：研究人员提出了一个可重复的、LiDAR原生框架，用于量化和比较种内及种间三维树冠形态。利用RBV方法，可从前分割的单木LiDAR点云推导地理空间对齐的伪地标点，实现可扩展的多区域种内变异性分析。该框架为将冠形纳入生态学、进化生物学、森林培育学和建模研究（包括环境效应与结构约束评估）奠定了坚实基础，也为基于人工智能的整合分类学方法中树种的形态学界定提供了有价值的新维度。
