引言
森林，作为我国重要的陆地生态系统，在固碳释氧、保持水土、净化大气环境、积累营养物质、保护生物多样性方面起着重要作用。森林资源的精准获取与林木长势预估是森林资源培育经营和管理中的一项重要基础性工作，为林木的生长发育评估、营林造林策略、立地质量评价、林分收获模型等起到关键的数据支撑。森林本质上是三维系统，大多数森林生态系统研究都是基于空间定向数据。对于所使用的遥感数据，激光雷达（LiDAR）扫描成为快速取代传统光学图像在森林特征表示方面的首选方法。两种常见的激光扫描模式包括基于地面的移动激光雷达和机载激光雷达。装载在地面车辆上的激光雷达传感器主要提供了森林冠层中低高度树干、枝叶的高密度表示的横向视角；机载激光雷达提供了一个自顶向下的测量装置，用于定量获取上层森林树冠的特征。然而，由于地貌景观各异、气候环境不同、森林林木种类多样、生物植物群落与林相各异，实践结果表明，依赖人工林地调研及不同尺度下的各类遥感手段在不同季相、不同环境差异条件下的复杂林地分析依然存在精度不确定、依赖人工研判、算法鲁棒性不强等问题。同时，林业的生长预测与收获估计主要依赖于前人在固定林区总结的理论生长回归模型，缺乏推广的普适性与模型参数的自学习能力，这都为林业的智慧化管理与精准抚育带来挑战。因此，有必要探求一种新颖的解决思路来推动智慧林业的发展。
近些年来，新一代人工智能技术不断取得应用突破，全球加速进入智慧化新时代，人工智能或将成为未来第一生产力，对各行各业都带来颠覆性变革。在林业领域，人工智能的应用既是智慧林业发展的重要举措，更为林业的精准管理、生态评估、碳汇计量、林权交易等应用提供新的创新发展机遇与科技驱动支撑。过去十年，随着计算机算力的不断提升，神经网络的层数也在不断加深，并能承担更复杂的预测与识别任务；同时，为了使得机器系统具备更强的自学习能力和跨界知识融合的运用能力，各种新型的网络架构模型也依次出现。具体可分为如下几类：二维和三维目标检测及语义分割网络、预测网络、样本生成的对抗网络等。虽然深度学习近几年在工业界的应用创新频频涌现，但落脚于林业领域的工作依然不多，对于空间中三维激光点云数据的处理与分析还有待进一步研究。
研究状况
树木空间模型的精准重建在研究林木信息化资源调查和树木表型结构特征反演中发挥着至关重要的作用。近些年，针对树木模型重建的技术大致可以分为两类，分别是基于图像与激光点云的树木重建两种技术。这两种技术在数据获取上存在差异性，但提取树木空间特征的方式上又具有一定的相似性。
基于图像的树木枝干重建方法通常采用双目、多目视觉及深度相机的方法捕获树木的纹理与景深信息，结合曲率约束实现树木枝干重建，或利用多目视觉的多张图像通过交互式编辑重建树木枝干，并通过叶片分割重建叶子模型。基于图像的树干重建方法虽然简单易行，但提取的树木枝干处于二维层面，很难直观反映树木的三维形态，且提取结果会被多样的环境背景、复杂的树干空间拓扑结构、立体匹配误差、视角遮挡等多方面因素干扰。
随着工业测量技术的进步，树木的数字化建模已逐渐从基于二维图像的方法转变为从三维激光点云中生成。激光扫描具有精度高、密度高等特性，同时，可结合计算机图形学、机器视觉等理论算法开展林木三维点云的处理分析，如：利用图论将采集到的点云数据存储为八叉树结构，采用结合点法线的PROSAC算法建模提取林分树干；或使用空间填补的三角面片构造每片树叶来建立树木冠层模型等。
基于深度学习的林木三维数据处理
随着深度传感器和激光扫描技术的快速发展，深度学习也在三维数据处理中应用广泛，一些受到关注的网络算法模型应运而生。如2016年提出PoineNet网络设计了基于对称函数的多层感知机与基于空间转换不变性思想的T-Net 架构，解决了输入点云的无序性、置换不变性和旋转不变性。2017年出现的三个面向激光点云处理的网络有：在体素尺度下对三维点云进行划分并开展分类检测与位置回归的VoxelNet、借鉴卷积神经网络的多层感受野的思想并结合球邻域提取点云局部空间特征的PointNet 、以及设计了变换与连续的权重函数卷积操作来实现空间目标点云卷积、局部特征抽取与分类的PointCNN和PointConv。除此之外，基于图论思想的点云采样、分组和池化的深度网络模块DPAM和结合分层数据结构(K-d树)的网络3DContextNet也被相继被提出。
虽然深度学习近几年在工业界的应用创新频频涌现，但落脚于林业领域的工作依然不多。应用深度学习处理多类遥感数据，主要工作聚焦于林木检测识别与参数反演中，目前国内外的工作主要有：全卷积神经网络从航拍影像中提取亚马逊棕榈植物、基于VGG16的卷积网络从航片里提取新西兰北岛辐射松的树木幼苗、运用U-net从智利的航空影像中分割出草本植物荆豆和辐射松、从手机拍摄的大兴安岭地区林木照片内开展树种分类和材积估算、采用基于多尺度注意力机制的自适应深度网络来识别马来西亚棕榈树冠，或采用Res-UNet对广西南林高峰林场的正射影像开展优势树种的分类等。除此之外，激光点云相对于二维的航空影像能提供更多不同视角下及空间特征的描述，因此获得越来越多研究者的兴趣。主要工作包括运用卷积神经网络对三维点云投射到二维平面上的特征开展识别或直接分析处理空间点云数据，如构造卷积神经网络和深度置信网络处理从激光点云生成的肯塔基大学罗宾逊森林的数字表面模型(DSM)和厦门树木的侧面投影图来开展针叶与不同阔叶树种的分类；或采用Superpoint graph、PointNet、U-Net和Kd-Net等深度网络模型在体素尺度下开展欧洲山毛榉的枝叶分离、安徽池州亚热带森林的单株树冠分割和加拿大芬兰的部分树种识别等任务。
虽然深度学习给林业领域带来了一些崭新的视角，但依然存在如下局限性。首先，构建一个复杂的深度学习网络包含多个隐含层的复杂结构并需要反复的正向与反向传播优化网络参数，其系统的全局最优性、几何稳定性、和学习表征的不变性与理论可解释性依然难以定性化表达，一些瓶颈如：林木异源遥感数据的高层特征抽取与嵌入、林木知识载体库的构建、学习与联想功能的强人工智能分析技术等都有待加强。其次，深度学习网络的机理是通过一系列线性与非线性变化从待学习的样本中抽取特征并映射至另一个维度空间开展数据分类与推演，其较大依赖于输入的训练集样本和模型部署的技术细节，而树木本身具有非刚性几何特性与不规律的纹理特性，全球又存在六万多种树种及多样森林类型，同时又受到种群分布、营林策略、气候条件、季相变化、地貌特质的影响，这给深度神经网络的样本收集带来了极大的挑战，同时对网络的泛化性能与推理能力提出了更高的要求。最后，森林在复杂的生长环境下，受到外界环境变化、自然胁迫扰动、生境条件下的内生性竞争、生态多样性与资源分布不均衡性，这对于森林在单株尺度下的长势精准预测及生长参数精准反演带来了更多的不确定性，如何跳出拟合或逼近的固化思维，并在时序数据中开展类脑的知识推理与林木精确预测是森林精准培育的发展方向。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
