OrchardQuant-3D：融合无人机与激光雷达技术实现果园关键冠层与花性状的可扩展三维表型分析

本文创新性地提出OrchardQuant-3D分析流程，通过融合无人机（RGB）与激光雷达（LiDAR）三维点云数据，结合GNSS-RTK毫米级定位、复杂3D图论和特征工程技术，实现了梨园和苹果园关键冠层（如冠体积、分枝数）与花性状（如花簇数量）的自动化树级分析。该多源数据融合方法克服了传统表型分析规模小、易出错的局限，在南京70株梨树和英国1104株苹果树的规模化研究中展现出卓越应用价值，为果园育种和精准管理提供了革命性工具。

　　

多源三维果园表型分析技术突破

植物表型分析在果树育种和精准管理中具有核心价值。传统果园表型分析方法存在劳动强度大、规模有限且易出错等缺陷，难以满足现代果园管理的需求。针对这一挑战，研究者开发了OrchardQuant-3D分析流程，通过创新性地融合无人机和激光雷达技术，实现了果树关键性状的高通量三维分析。

数据采集与预处理方法

研究团队在中国南京的梨园和英国东莫林的苹果园开展了系统实验。采用大疆Mavic 2 Pro无人机和GeoSLAM Robin Precision背包式激光雷达进行多时相数据采集，覆盖芽萌发期（BBCH-13至39）和盛花期（BBCH-57至65）等关键生育期。无人机航测采用双网格飞行路径，效率达0.3 ha·h^-1；激光雷达步行测绘速度4-5 km·h^-1，配合RTK-GNSS实现毫米级定位精度。

数据预处理采用统计离群值去除（SOR）算法消除噪声点，应用布料模拟滤波（CSF）算法分离数字地形模型（DTM）和数字表面模型（DSM），生成冠层高度模型（CHM）用于后续分析。

自动化树体分割与定位技术

研究开发了基于Otsu局部自动阈值和形态学开运算的树体分割算法。通过建立二维仿射超平面和三维凸包，将无人机和激光雷达获取的树干底部10%点云投影对齐，创建网格化系统实现树体精确定位。在中国梨园研究中，该方法成功将不同坐标系（中国大地坐标系与澳大利亚地心坐标系）的数据统一，平均定位误差控制在±5 mm。

创新性的数据融合算法

针对不同传感器数据结构的差异，研究采用语义拉普拉斯基收缩（S-LBC）算法生成三维骨架点。通过快速全局配准（FGR）和迭代最近点（ICP）算法实现多源骨架点配准，显著降低了计算复杂度。在Tree 18的案例中，成功配准4243个激光雷达点和1723个无人机点，均方根误差（RMSE）最小化至可接受范围。

冠层形态性状量化方法

基于精修的三维骨架，研究建立了完整的冠层性状分析流程：

1. 采用基于密度的空间聚类（DBSCAN）算法划分冠层区域
2. 最大树高（Height_Max）通过z轴排序计算
3. 冠层投影面积（ProjArea_Crown）通过二维凸包多边形量化
4. 冠层体积（Volume_Crown）和表面积（SurfArea_Crown）通过三维凸包计算
5. 冠层直径（Diameter_Crown）通过东西和南北极值点确定

花性状精准分析技术

研究创新性地将芽期三维骨架与花期彩色点云结合，通过以下步骤实现花性状分析：

1. RGB转灰度图像后应用自适应全局阈值算法
2. 基于树干半径（r=R_Trunk）的半径最近邻（R-NN）搜索去除非花点
3. DBSCAN算法聚类花点（n≥20点/簇）
4. K-means分类器区分单花与多花簇
5. 三角测量量化花簇数量（Num_Blossom）、体积（Volume_Blossom）等性状

规模化应用验证

在英国苹果园1104株树的规模化验证中，该系统表现出色：

1. 树高测量R²=0.847（RMSE=0.27，p<0.001）
2. 花簇数量与人工计数显著相关（R²=0.649）
3. 成功监测盛花期（16/04）至落瓣期（24/04）的花量变化（减少30-70%）
4. 扩展实验显示苹果检测mIoU达0.885，mAcc达0.925

技术优势与应用前景

相比传统方法，OrchardQuant-3D展现出多方面优势：

1. 较TreeQSM（28分枝）和AppleQSM（8分枝）更准确识别Tree 38的42个分枝
2. 梨树株高测量精度达R²=0.97（RMSE=7.074 cm）
3. 分枝数（R²=0.88）和花簇数（R²=0.78）量化可靠
4. 成功区分四个梨品种的冠层和花性状差异

该技术为果园精准管理提供了全新工具，未来可通过整合多光谱数据、深度学习模型和环境影响分析，进一步优化果树育种和栽培管理策略，应对气候变化下的果园生产挑战。