近期，北京林业大学信息学院（人工智能学院）青年教师范光鹏在阔叶树种林木冠层结构及光合作用特征智能精准测计取得研究进展，研究成果以“TLSLeaf: Unsupervised Instance Segmentation of Broadleaf Leaf Count and Area from TLS Point Clouds”为题，在遥感知名期刊《IEEE Transactions on Geoscience and Remote Sensing》（中国科学院1区，IF=7.5）上发表。
随着近地面激光雷达遥感的不断进步，森林生态学和树木功能结构分析得到了显著提升。然而，尽管地基激光雷达能够准确地测量树干和树枝的特征，但在测量林木光合作用部位冠层结构和个体叶片特征方面仍然面临着诸多挑战。为此，该研究成果提出了TLSLeaf，针对阔叶树种的无监督实例分割方法，将TLS点云与图理论相结合，在树木层面上对冠层叶片特征进行精准测量，自动实现语义分割、实例分割、点云修复和光合作用功能参数测量。专门针对复杂的阔叶树种林木树冠结构设计，能够精确地测量阔叶树种冠层叶片功能参数，为精准定量分析冠层光合作用提供了新的技术手段。TLSLeaf的核心创新在于开发了林木冠层结构特征定量化的语义分割、实例分割和参数测量的自动集成框架（图1）。
图1 TLSLeaf框架
TLSLeaf的亮点是其无监督框架，能够通过语义分割和实例分割的集成，提供透明且可重复的“白盒”计算过程。这意味着人们可以清晰地理解每一步计算的过程和原理，提高了测量结果的可解释性。TLSLeaf不仅在林木冠层叶片测量方面具有显著优势，还能进一步推动基于树木三维重建、辐射传输建模和树冠光合作用模拟等研究的进展。TLSLeaf的应用前景广泛，能自动化地为不同树种的叶片进行分割和测量。用户几乎无需输入相关参数，且可以精准测量叶片的形状、大小、表面积、倾斜角、方位角、体积、位置等系列参数。TLSLeaf通过“白盒”计算过程增强了森林TLS点云处理链，提供了强大的可解释性和广泛的应用潜力。作为一款完全自动化的工具，它只需最少的输入——仅需1或2个参数——即可适应不同的森林类型和阔叶树种。由于其“白盒”计算方式，TLSLeaf在增强现有森林TLS点云处理链的同时，还能为下游生态学应用提供强大的支持。总之，TLSLeaf在阔叶树叶片测量和TLS点云处理方面具有重要的学术价值和应用潜力。它为林木冠层结构和叶片属性的分析提供了全新的视角，并为三维辐射传输模拟、树冠光合作用建模等研究领域提供了更为精确数据。这一创新方法不仅填补了现有TLS点云在林木冠层精细测量方面的空白，也为森林生态学、资源保护及全球气候变化研究提供新型技术支持。
上述论文第一完成单位和通讯单位为北京林业大学，第一作者为信息学院（人工智能学院）青年教师范光鹏。该研究受到国家博士后创新人才支持计划（BX20220038）、国家重点研发计划（2023YFF1304204）、省重点研发计划项目（2022YFHH0065）和中国博士后科学基金面上项目（2022M720455）的资助。近年来，范光鹏主要以激光雷达为主的跨平台、多源遥感技术为主要手段，通过结合生态学、计算机图形学、摄影测量与遥感、深度学习等理论方法开展植被三维结构和功能参数反演，全球环境变化与生态系统反应机制研究。在《Nature Ecology & Evolution》《IEEE Transactions on Geoscience and Remote Sensing》《Ecological Indicators》《Computers & Electronics in Agriculture》《Remote Sensing》等国内外学术期刊上发表了相关论文。
