Sapling-NeRF: Geo-Localised Sapling Reconstruction in Forests for Ecological Monitoring

📄 arXiv: 2602.22731v1 📥 PDF

作者: Miguel Ángel Muñoz-Bañón, Nived Chebrolu, Sruthi M. Krishna Moorthy, Yifu Tao, Fernando Torres, Roberto Salguero-Gómez, Maurice Fallon

分类: cs.RO, cs.CV

发布日期: 2026-02-26

💡 一句话要点

提出Sapling-NeRF，融合NeRF、LiDAR SLAM和GNSS，实现森林中树苗的地理定位和重建，用于生态监测。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 神经辐射场 LiDAR SLAM 地理定位 树苗重建 森林生态监测

📋 核心要点

  1. 现有3D传感技术（TLS、MLS、摄影测量）难以精确重建树苗的细枝、茂密树叶，且缺乏长期监测所需的尺度一致性。
  2. 提出Sapling-NeRF，融合GNSS、LiDAR SLAM和NeRF，实现树苗的地球坐标系定位、厘米级精确定位和对象中心密集重建。
  3. 实验结果表明，该方法能够更准确地捕获树苗的茎高、分支模式和叶木比，为生态学家提供更丰富的结构和定量数据。

📝 摘要（中文）

树苗是森林再生和整体健康的关键指标。然而，现有的3D传感方法难以捕捉其精细的结构特征，使得定量评估变得困难。地面激光扫描仪(TLS)、移动激光扫描仪(MLS)或传统摄影测量方法在重建细枝、茂密树叶方面表现不佳，并且缺乏长期监测所需的尺度一致性。神经辐射场(NeRF)和3D高斯溅射(3DGS)等隐式3D重建方法是很有前景的替代方案，但无法恢复场景的真实尺度，并且缺乏精确定位地理位置的手段。本文提出了一种融合NeRF、LiDAR SLAM和GNSS的流程，以实现对树苗的可重复、地理定位的生态监测。我们的系统提出了一个三级表示：(i)使用GNSS进行粗略的地球坐标系定位，(ii)基于LiDAR的SLAM进行厘米级精确定位和重建，以及(iii)NeRF导出的以对象为中心的单个树苗的密集重建。这种方法能够对树苗特征进行可重复的定量评估和长期监测。我们在英国牛津郡Wytham Woods和芬兰Evo的森林样地中的实验表明，与TLS相比，可以以更高的精度捕获茎高、分支模式和叶木比。我们证明了可以原位测量高度在0.5米到2米之间的树苗的精确茎骨架和叶片分布，从而使生态学家能够获得更丰富的结构和定量数据来分析森林动态。

🔬 方法详解

问题定义：论文旨在解决现有3D传感技术在森林环境中对树苗进行精确、可重复的地理定位和结构重建的问题。现有方法，如TLS、MLS和传统摄影测量，难以处理树苗的复杂结构（细枝、茂密树叶），并且缺乏长期监测所需的尺度一致性，难以进行定量分析。

核心思路：论文的核心思路是结合GNSS的全局定位能力、LiDAR SLAM的厘米级精度和NeRF的密集重建能力，构建一个三级定位和重建框架。通过GNSS提供粗略的地球坐标系定位，LiDAR SLAM进行精确定位和环境重建，最后利用NeRF对单个树苗进行对象中心的密集重建。

技术框架：该系统包含三个主要模块：1. GNSS定位：使用GNSS接收器获取树苗的大致地理位置，提供地球坐标系下的粗略定位。2. LiDAR SLAM：利用LiDAR传感器进行同步定位与地图构建(SLAM)，实现厘米级的精确定位和环境重建。3. NeRF重建：使用NeRF对单个树苗进行对象中心的密集3D重建，捕捉其精细的结构特征。整个流程首先通过GNSS进行初始化，然后利用LiDAR SLAM进行精确定位，最后使用NeRF进行高精度的树苗重建。

关键创新：该方法最重要的创新在于将NeRF与GNSS和LiDAR SLAM相结合，实现了对森林环境中树苗的地理定位和高精度重建。与单独使用NeRF相比，该方法能够恢复场景的真实尺度并进行地理定位。与传统方法相比，该方法能够更准确地重建树苗的复杂结构。

关键设计：论文中关键的设计包括：1. 三级定位框架：GNSS、LiDAR SLAM和NeRF的结合，实现了从粗到精的定位和重建。2. 对象中心NeRF：将NeRF应用于单个树苗的重建，提高了重建精度和效率。3. 数据融合策略：如何有效地融合GNSS、LiDAR和相机数据，以实现准确的定位和重建，具体细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与TLS相比，该方法能够以更高的精度捕获树苗的茎高、分支模式和叶木比。该方法能够原位测量高度在0.5米到2米之间的树苗的精确茎骨架和叶片分布，为生态学家提供更丰富的结构和定量数据。具体性能提升数据未知。

🎯 应用场景

该研究成果可应用于森林生态监测、生物多样性评估、森林资源管理等领域。通过对树苗的精确重建和长期监测，可以更好地了解森林的生长动态、评估森林的健康状况，并为制定合理的森林管理策略提供依据。该技术还可扩展到其他植物的监测和研究。

📄 摘要（原文）

Saplings are key indicators of forest regeneration and overall forest health. However, their fine-scale architectural traits are difficult to capture with existing 3D sensing methods, which make quantitative evaluation difficult. Terrestrial Laser Scanners (TLS), Mobile Laser Scanners (MLS), or traditional photogrammetry approaches poorly reconstruct thin branches, dense foliage, and lack the scale consistency needed for long-term monitoring. Implicit 3D reconstruction methods such as Neural Radiance Fields (NeRF) and 3D Gaussian Splatting (3DGS) are promising alternatives, but cannot recover the true scale of a scene and lack any means to be accurately geo-localised. In this paper, we present a pipeline which fuses NeRF, LiDAR SLAM, and GNSS to enable repeatable, geo-localised ecological monitoring of saplings. Our system proposes a three-level representation: (i) coarse Earth-frame localisation using GNSS, (ii) LiDAR-based SLAM for centimetre-accurate localisation and reconstruction, and (iii) NeRF-derived object-centric dense reconstruction of individual saplings. This approach enables repeatable quantitative evaluation and long-term monitoring of sapling traits. Our experiments in forest plots in Wytham Woods (Oxford, UK) and Evo (Finland) show that stem height, branching patterns, and leaf-to-wood ratios can be captured with increased accuracy as compared to TLS. We demonstrate that accurate stem skeletons and leaf distributions can be measured for saplings with heights between 0.5m and 2m in situ, giving ecologists access to richer structural and quantitative data for analysing forest dynamics.