近日，智慧城市学院智能感知与数字孪生团队、智慧生态与应用服务团队共同在遥感领域顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》（一区Top）上发表了题为“Boundary Feature-Enhanced and Sector-Constrained Deep Learning for Individual Tree Extraction From TLS Data”（一种基于边界特征增强与扇区约束的单木点云提取深度学习方法）的研究论文。该研究针对复杂森林场景下单木提取的难题，创新性地提出了一种边界特征增强的深度学习方法，显著提升了从地面激光扫描点云中分割单棵树木的精度与鲁棒性。校内作者为陈茂霖副教授、研究生徐渝杰、官冬杰教授，校外合作者包括武汉大学赖旭东教授、重庆市测绘科学技术研究院薛梅副院长和湖北工业大学王明威副教授。

精确获取单木信息是森林资源调查、碳汇统计和生态系统建模的基础。尽管现有方法在理想条件下表现良好，但在林分空间结构复杂、树冠密集闭合的森林中，普遍存在欠分割或过分割的问题。该研究团队从相邻树冠竞争形成的重叠区域特性出发，为这一难题提供了新的解决方案。

图1：BFE-Net方法总体技术路线，展示了从扇区构建、边界特征提取到邻接树木点云消除的完整流程。

研究的核心创新在于三个层面：

（1）创新的扇区区域划分方法：区域别传统圆柱区域构建思路，提出一种基于扇区的区域限定方法，将分割任务聚焦于邻树间的扇形候选区内，有效缩小了处理范围。

（2）融合生态学原理的边界特征设计：根据对称与非对称竞争理论，设计了一系列能够反映重叠区域几何特性的边界特征，包括结构特征与生态特征，为深度学习模型提供了先验知识。

（3）边界特征增强网络（BFE-Net）：将单木提取问题转化为扇区内的二分类任务，并设计了专用的边界特征卷积模块，能够有效聚合几何特征与先验特征，精准识别并剔除邻树的冠层点云。

图2：提出的BF-Conv 模块结构示意图。

图3：在不同难度的样地中，BFE-Net方法与现有先进方法的提取结果对比，展示了其在树冠重叠区域识别邻域树的优势。

该方法在两个包含7个样地的数据集上进行了验证，覆盖温带与北方森林。实验结果表明，所提方法取得了最高的单木提取精度，平均交并比和总体准确率分别提升超过1.9%和7.4%。更重要的是，该方法在处理点云密度变化、数据遮挡和冠层重叠等情况时，表现出更稳定的性能。

本研究得到国家自然科学基金（42301459, 41801394）、自然资源部地理国情监测重点实验室开放基金（2025NGCM04）、重庆市自然科学基金（CSTB2024NSCQ-MSX0652）以及重庆市研究生导师团队建设项目（JDDSTD2022002）的资助。

引用信息：Chen M, Xu Y, Lai X, et al. Boundary Feature-Enhanced and Sector-Constrained Deep Learning for Individual Tree Extraction From TLS Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2026, 64: 5700415.

DOI:10.1109/TGRS.2026.3651855

论文链接：https://ieeexplore.ieee.org/document/3651855