普渡大学计算机科学系联合数字林业研究所及德国基尔大学研究团队提出一套名为TreeStructor的人工智能方法，用于在遥感获取的点云数据中分离森林内的单棵树并进行三维重建。研究团队指出，既有算法在处理由激光扫描获得的“干净”点云时可对单棵树形态进行一定程度的重建，但在树枝交织、遮挡严重的森林场景中难度显著上升。

相关论文已发表于《IEEE地球科学与遥感汇刊》。论文第一作者周晓晨今年获得普渡大学计算机科学博士学位，并发布动态可视化演示展示系统工作流程。

自然结构重建的难点

研究团队在论文中表示，城市建筑、家具、汽车等人造物体往往具有较强对称性，因而更容易通过激光雷达（lidar）等遥感技术采集的点云进行检测与重建；相比之下，自然界常见的结构更不规则，包含随机特征，缺乏对称性。

普渡大学计算机科学系副系主任、联合第一作者贝德里奇·贝内斯（Bedrich Benes）表示，随机结构的非对称性使其重建难度很高，许多适用于人工结构的重建方法在植被场景中往往失效。不过，植被在不同尺度上存在重复特征，例如小树枝与大树枝在形态上具有相似性，这一特性成为TreeStructor的核心思路。

多角度点云与树木分离

研究团队称，森林重建的复杂性还来自树枝的重叠与交织。激光雷达通过发射激光脉冲并接收反射信号获取点云，但被遮挡的树干和树枝可能无法被探测，树冠也会使反射信号向近似随机方向散射。为缓解遮挡问题，通常需要结合地面扫描以及在部分情况下来自无人机的多角度扫描结果。

德国基尔大学计算机科学教授、联合作者索伦·皮尔克（Sören Pirk）表示，以往不少研究更侧重于从相对干净的数据集中提取单棵树，而该团队处理的是更具挑战性的完整森林点云。

以“字典”匹配替换点云

研究团队回顾称，在深度学习兴起之前，一类较常见的方法是将树木表示为可连接的圆形或小圆柱体集合，但在连接分支点时容易遇到复杂问题，且结果往往只是对三维结构的粗略近似。贝内斯表示，现有人工智能方法在具有对称性的人工物体上表现更好，而团队希望补足能够识别随机结构特征的人工智能方法。

TreeStructor的做法是利用自然结构的重复性，构建计算机科学中所谓的代表性数据集“字典”，让模型学习其中的典型部件，并在点云中快速定位对应部分。该字典由点云及一组对应的、未排序的几何形状网格组成。模型可在未见过的点云数据中筛选字典对象，评估匹配程度，并以匹配度最高的几何部件替换点云片段。

研究团队称，模型将点云局部匹配到表示树干与分支的断开三维几何网格，并在此基础上形成互联的几何网络。贝内斯将其比作管道系统中的管道连接。

训练数据构建、运行效率与潜在用途

数字林业研究所所长、遥感院长席松林表示，“树木字典”的构建被视为迈向物种识别的重要一步，字典进一步完善后不仅可用于重建树木结构，也可能用于判断树种。

研究团队介绍，在开展真实数据重建前，他们编写了用于训练合成生成数据集的源代码，生成数千棵虚拟树并以虚拟激光雷达进行扫描，再将其切割为可识别且可连接的树木部件，用于后续人工智能训练。训练完成后，TreeStructor可用于树木检测与重建：将真实世界激光雷达点云切分为小块，为每一块寻找对应几何形状并替换点云，最后再连接这些几何部件。

皮尔克表示，该方法运行速度较快，可在几分钟内处理数百棵树，且不需要特殊计算设备。

测试结果与当前限制

研究团队通过多项测试验证TreeStructor的准确性，包括使用背包式、地面激光扫描以及无人机采集的激光扫描数据对同一树模型进行重建，并与单树重建方法进行对比。贝内斯表示，该方法对不同传感器数据表现出较强鲁棒性。

不过，研究团队也指出TreeStructor存在局限，例如难以检测死树、灌木以及森林下层其他杂物；激光雷达传感器分辨率同样会影响效果。贝内斯称，尽管激光雷达质量逐年提升，但传感器仍存在技术极限。