基于三维形状描述符的社群检测框架用于点云数据中的树种分类

为什么从空中识别树木很重要

森林为城市降温、稳定山坡、储存碳并为野生动植物提供栖息地——但并非所有树木的生态功能相同。了解不同树种的空间分布通常依赖耗时的实地调查。本文提出了一种基于飞机、无人机或地面扫描仪采集的三维测量数据自动识别树种的方法。作者并不依赖大量人工标注的训练集来训练机器学习模型，而是展示了如何仅凭三维形状让树木自身按有意义的群体进行划分。

以三维视角观察森林

现代激光扫描（通常称为 LiDAR）将森林表现为密集的“点云”：数以百万计的小点描绘出树干和树冠的轮廓。这些数据可揭示树高、树冠宽度和整体形态。挑战在于，同一树种在不同年龄、竞争状况、风力和光照条件下可能呈现很大差异，而不同树种有时又可能相互相似。目前大多数方法以监督机器学习为主，这需要大量为特定地区和传感器精心准备的训练数据，并且在处理罕见或异常树木时常常表现欠佳。

让树木自行形成群体

作者提出了另一种策略：不是直接从原始数据预测树种，而是先让树木根据形状相似度“形成社群”。每棵树由其三维树冠的紧凑描述表示。为构建该描述，他们分析点沿三个主方向的分布，然后将点云转换为由小三维体素组成的网格。通过绕垂直轴旋转树体并逐层比较原始与旋转后的切片，他们既捕捉到树冠的对称性，也捕捉到不同高度处的宽度与密集度。这些测量被平滑为若干曲线系数，生成一个简短的特征向量，即使在点云噪声、稀疏或旋转的情况下也保持稳定。

从形状指纹到树木社群

一旦每棵树都有了形状指纹，方法就会比较所有树之间的相似性。特征非常相近的树对以强连接相连；相异的对以弱连接相连。由此构建出一个网络，每棵树为一个节点，连接强度反映树冠的相似程度。用一种最初为发现社交网络中紧密群体而开发的社群检测算法，在该图中寻找那些内部连接较强、与外界连接较弱的簇。每个这样的社群倾向于包含主要属于同一树种的树木，但也可能将异常个体或形态不同的小群体单独分出。

在合成与真实森林中的测试

为评估方法，作者将框架应用于两个公开数据集。第一个是由生长模拟器生成的包含 10 个树种、100 棵树的合成集合。在这里，该方法完美地恢复了真实的物种分组：每个模拟树种都形成了独立紧密的社群。第二个数据集由德国和美国森林中近 700 棵、7 个树种的真实扫描构成。在这个噪声更大、变异更多的情境中，社群仍总体上对应树种，但某些形态相近的物种合并为混合组，某些物种又被分成多个基于形状的社群。重要的是，当点云被稀疏化、旋转或用略有不同的网格尺寸处理时，该框架仍保持稳健，并且在相同特征上优于 k 均值和层次聚类等传统聚类技术。

减少人工标注、提高学习效率

最后一步是将社群转换为树种标签。与需要给数百棵树手工标注相比，用户只需在每个社群中识别少数几棵树即可。然后将多数标签分配给群体中的其余成员。在真实数据集上，这种半自动方法达到约 60% 的总体准确率，接近一些需要更多训练数据和调优的深度学习方法。当相同的形状特征提供给具有足够训练样本的标准支持向量机（SVM）分类器时，准确率上升到约 80%，表明这些特征本身有效地捕捉了与树种相关的信息。

对森林监测的意义

对非专业读者而言，关键思想是：仅凭三维形状并通过让树木在相似性网络中“找到它们的邻居”，就能推断树种。基于社群的方法并不取代先进的机器学习，但它能显著减少准备训练集所需的人工工作，并突出异常个体（如枯死或形态极端的树木）。随着全球范围内 LiDAR 数据日益丰富，这类可解释、依赖较少标注的方法可以加速详尽树木清单的建立，从而为更好的森林管理、气候建模和保护规划提供支持。

引用: Kohek, Š., Žalik, B., Mongus, D. et al. Community detection framework based on 3D shape descriptors for tree species classification in point cloud data. Sci Rep 16, 12091 (2026). https://doi.org/10.1038/s41598-026-42392-4

关键词: 激光雷达森林, 树种分类, 三维点云, 社群检测, 遥感生态学