《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：From canopy to ground via ForestGen3D: Learning cross-domain generation of 3D forest structure from aerial-to-terrestrial LiDAR
编辑推荐：
提出ForestGen3D框架，基于条件去噪扩散模型融合LiDAR数据生成高保真3D植被结构，解决传统方法无法同时利用多源数据的问题，实验验证其有效性和生态合理性，提升森林生态模型及燃料评估。
Juan Castorena|E. Louise Loudermilk|Scott Pokswinski|Rodman Linn
洛斯阿拉莫斯国家实验室，新墨西哥州洛斯阿拉莫斯，48124，美国
摘要
生态系统中生物和非生物成分的3D结构在决定生态过程以及自然和人为干扰的反馈方面起着关键作用。预测野火、干旱、疾病或大气沉降的影响依赖于对3D植被结构的准确表征，然而广泛的测量仍然成本高昂且往往不可行。我们提出了ForestGen3D，这是一个跨领域的生成框架，它在保留ALS观测到的3D森林结构的同时，能够推断出缺失的亚冠层细节。ForestGen3D基于在共注册的ALS和地面激光雷达（TLS）数据上训练的条件去噪扩散概率模型，利用TLS结构在ALS衍生的空间包络内的经验性限制。该模型生成的点云与ALS几何形状在空间上保持一致，同时能够平滑重建冠层内部、中层和近地面结构，从而实现全垂直森林结构的景观级重建。为了确保生态上的合理性，我们引入了基于ALS观测值的凸包的几何约束先验，并提供了理论和实证保证，确保生成的结构在空间上保持一致。我们使用来自混合针叶林生态系统的真实数据，在树木、样地和景观尺度上评估了ForestGen3D，并通过定性和定量的几何及分布分析表明，它在3D结构相似性和下游生物物理指标（包括树高、胸径、冠幅和冠体积）方面与TLS参考数据高度吻合。我们进一步证明，在没有TLS真实数据的情况下，预期的点约束（EPC）可以作为生成质量的实用代理。我们的结果表明，ForestGen3D通过推断出生态上合理的亚冠层结构，增强了仅使用ALS环境的实用性，同时忠实保留了ALS观测中编码的景观异质性，从而为生态分析、结构燃料特征描述及相关遥感应用提供了更丰富的3D表示。
引言
野火、干旱、病原体和其他自然干扰正在不断改变森林景观，这推动了对改进生态监测和燃料结构表征的需求。这些干扰不仅受到植被类型的影晌，还受到生物量在垂直和水平层中三维（3D）排列的影响。植被中生物和非生物成分的3D结构在调节生态过程方面起着关键作用，包括能量和水分流动、碳储存以及火灾行为（Vierling等人，2008年；Kane等人，2010年；Loudermilk等人，2017年；Marcozzi等人，2025年）。然而，大规模收集详细的3D植被结构仍然是一个主要瓶颈。大多数景观级别的生态评估仍然依赖于使用汇总指标进行统计放大的野外样地（Bechtold和Patterson，2005年）。为了空间表示森林，通常通过用理想化的几何模型（例如圆柱体、椭圆）填充样地来生成合成布局，并根据现场统计数据进行随机放置（K?hler和Huth，1998年；Dufour-Kowalski等人，2012年；de Wergifosse等人，2022年；Maréchaux等人，2021年）。尽管这些方法具有信息价值，但它们往往忽略了植被成分之间的空间关系，未能捕捉到完整的3D空间异质性，而这对于模拟动态生态过程至关重要。在可视化和游戏应用中常见的一类相关方法使用程序化森林生成，其中树木形态和植被分布是根据参数规则或风格化模板实例化的。例如SpeedTree（Interactive Data Visualization, Inc.，2024年）和Unity的Terrain Engine（Technologies，2024年）这样的工具就体现了这种方法，它们能够高效地生成用于渲染的风格化植被。虽然这些模型可以快速填充大型虚拟景观，但它们通常更注重视觉连贯性和渲染性能，而不是与真实世界森林条件的真实性，因此不太适合依赖于详细和基于生态的森林燃料结构3D表示的科学分析。
在过去二十年里，3D遥感技术，特别是地面激光扫描（TLS）（Pokswinski等人，2021年）和航空激光扫描（ALS）（Hyypp?等人，2008年）在植被制图方面变得越来越有价值。TLS提供了高分辨率的茎、下层植被和地面结构的3D点云，但由于成本和劳动力需求，其应用范围受限于样地级别。相比之下，ALS提供了广泛的景观覆盖范围，并能有效捕捉冠层结构，但在密集森林中无法解析亚冠层特征，即使是在全波形系统中也是如此（Nelson等人，1984年；Mallet和Bretar，2009年；Castorena和Creusere，2015年）。这些限制在图1中有所体现：ALS提供了上层冠层的景观级覆盖，而TLS提供了冠层以下的细节，但在横向/纵向方向上缺乏覆盖。令人惊讶的是，大多数森林制图和监测方法并没有利用这两种传感方式的互补性。相反，它们通常独立依赖ALS或TLS，开发针对单一数据源的分析流程。这导致了结构上的盲点，例如，在基于ALS的工作流程中缺少下层植被，或在基于TLS的工作流程中产生外推的空间稀疏性，这些现象在操作产品和生态模型中持续存在（Calders等人，2020年；Hyypp?等人，2012年）。
在这项工作中，我们提出通过学习利用两种数据源优势的3D燃料结构生成模型来弥合这些传感差距。为此，我们开发了ForestGen3D，这是一个基于去噪扩散概率模型（DDPMs）的跨领域生成建模框架。DDPMs是一类深度生成模型，通过逐渐向训练样本添加噪声然后通过迭代去噪来学习逆转这一过程（Ho等人，2020年；Song等人，2020年）。一旦训练完成，该模型可以从纯高斯噪声开始合成新样本，并以与学习到的分布一致的方式逐步细化结构。在我们的案例中，DDPM基于ALS输入进行条件化，以便去噪过程尊重机载LiDAR中编码的几何信息，同时生成合理的亚冠层结构。这些模型是在一个新的共注册ALS/TLS树木3D点云数据集上训练的，该数据集被称为CoLiDAR Forest3D (ALS/TLS)，收集自混合针叶林生态系统。一旦训练完成，该模型可以从随机噪声开始生成新的3D植被样本，并通过学习到的去噪过程逐步细化结构，这一过程由ALS输入指导，如图2所示。据我们所知，这是第一种利用条件扩散模型进行跨领域3D森林结构生成的方法，弥合了稀疏的景观级ALS和详细的样地级TLS表示之间的差距。这使得能够对森林进行可扩展的生态建模，超越了现有的上采样或程序化模拟方法。
现有的3D生成和完成模型，如PCN（Yuan等人，2018年）、3D-GAN（Wu等人，2016年）、latent-GAN（Achlioptas等人，2018年）和PointFlow（Yang等人，2019年），主要是在来自ShapeNet等合成数据集的人造对象上开发和测试的。尽管在这些受控领域有效，但它们是否适合建模真实世界的森林植被仍很大程度上未知。森林结构呈现出根本不同的挑战：复杂的拓扑结构、由于冠层覆盖导致的遮挡引起的稀疏性，以及下层植被、茎和冠层之间的垂直异质性。这些特征可能会降低为紧凑、均匀采样形状设计的模型的性能。此外，现有方法通常在没有参考真实世界传感模式（如LiDAR）的情况下进行训练，因此没有考虑生态数据中存在的各向异性密度、部分可观测性和传感器特定的伪影。相比之下，我们的目标是从ALS/TLS数据直接生成生态上真实的3D植被结构，捕捉植被的自然变异性以及地面和机载LiDAR测量中固有的传感器依赖效应。在接下来的部分中，我们将介绍我们的数据集和训练方法，描述基于DDPM的模型，并在树木、样地和景观尺度上评估ForestGen3D。定量和定性结果表明，所提出的方法仅使用ALS数据就能近似TLS级别的结构细节。
章节摘录
ForestGen3D
我们解决的核心问题是通过提高单个树木结构的逼真度来生成合成森林，超越传统的粗略形状模型。为此，我们通过将生成过程条件化为ALS输入来明确保留生态系统的真实性，ALS输入提供了与真实森林布局相关的冠层级别结构。我们没有直接建模整个样地或景观，因为这可能会牺牲细节并带来巨大的计算需求，而是专注于
实验
本节中的实验旨在解决两个关键问题：（1）条件DDPM模型能否在ALS的指导下有效学习TLS数据的详细3D结构分布？（2）该方法是否可扩展到样地级别和景观级别部署，从而能够准确合成树木级别的结构并改进森林管理中常用的下游生态生物测量指标？第一组实验在第3.2节中介绍
结论
我们提出了ForestGen3D，这是一个可扩展的生成建模框架，仅使用航空LiDAR就能生成高分辨率的3D森林结构。通过利用在共注册的航空和地面LiDAR数据上训练的去噪扩散概率模型，ForestGen3D重建了通常在ALS中被遮挡的亚冠层细节，实现了真实且基于生态的3D生成。我们的工作引入了一个称为预期点的几何约束先验
CRediT作者贡献声明
Juan Castorena：写作 – 审稿与编辑，撰写原始草稿，可视化，验证，软件，项目管理，方法论，研究调查，资金获取，正式分析，数据管理，概念化。E. Louise Loudermilk：写作 – 审稿与编辑，监督，项目管理，资金获取，数据管理。Scott Pokswinski：资源管理，数据管理。Rodman Linn：验证，监督，资源管理，项目管理，资金获取，
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本文所述的研究得到了洛斯阿拉莫斯国家实验室的实验室定向研究与发展计划的支持，项目编号为20220024DR和20260010DR。这项研究还得到了国防部环境安全技术认证计划的资助，授权号为RC24-8162。本文的发现和结论仅代表作者的观点，不应被视为任何官方USDA或美国政府的决定
