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

📄 arXiv: 2602.22731 📥 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: 2026-02-28

💡 一句话要点

提出Sapling-NeRF，用于森林中幼树的地理定位重建，以进行生态监测。

🎯 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 森林生态监测 三维重建 幼树建模 GNSS

📋 核心要点

  1. 现有3D传感技术难以精确捕捉幼树的精细结构，限制了森林再生和健康状况的定量评估。
  2. 该论文提出Sapling-NeRF，融合GNSS、LiDAR SLAM和NeRF，实现幼树的地理定位和高精度三维重建。
  3. 实验表明，该方法能更准确地捕捉幼树的茎高、分支模式和叶木比，为生态监测提供更丰富的数据。

📝 摘要（中文）

幼树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重建方法是很有前途的替代方案，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，以实现对幼树的可重复、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幼树的密集重建。这种方法能够对幼树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，可以更高精度地捕获茎高、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米之间的幼树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：现有方法，如TLS、MLS和传统摄影测量，在重建森林中幼树的细枝、茂密树叶时存在困难，并且缺乏长期监测所需的尺度一致性。NeRF等方法虽然能进行3D重建，但无法恢复真实尺度，也缺乏地理定位能力。因此，需要一种能够高精度重建幼树结构并进行地理定位的方法，以支持生态监测。

核心思路：该论文的核心思路是融合GNSS、LiDAR SLAM和NeRF三种技术，构建一个三级定位和重建框架。GNSS提供粗略的地球坐标系定位，LiDAR SLAM提供厘米级精度的定位和重建，NeRF则用于单个幼树的密集重建。通过这种多层次的融合，可以克服单一方法的局限性，实现高精度、地理定位的幼树重建。

技术框架：该系统包含三个主要模块：1) GNSS定位模块，用于获取幼树的大致地理位置；2) LiDAR SLAM模块，利用激光雷达数据进行精确定位和环境重建，生成点云地图；3) NeRF重建模块，以LiDAR SLAM提供的位姿信息为基础，对单个幼树进行密集的三维重建。整个流程首先使用GNSS进行粗略定位，然后使用LiDAR SLAM进行精确定位和建图，最后使用NeRF对幼树进行精细重建。

关键创新：该论文的关键创新在于将NeRF与LiDAR SLAM和GNSS相结合，实现地理定位的、对象中心的幼树三维重建。与传统的NeRF方法相比，该方法能够恢复场景的真实尺度，并将其与地理坐标系对齐。与传统的激光扫描方法相比，该方法能够更精细地重建幼树的结构，包括细枝和树叶。

关键设计：该方法的关键设计包括：1) 使用GNSS进行粗略定位，为LiDAR SLAM提供初始位姿；2) 使用LiDAR SLAM进行精确定位和建图，为NeRF提供精确的位姿信息；3) 使用NeRF进行密集重建，生成高精度的幼树三维模型。具体的NeRF网络结构和损失函数等细节，论文中可能未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法能够以更高的精度捕捉幼树的茎高、分支模式和叶木比，与TLS相比有所提升。该方法能够对高度在0.5米到2米之间的幼树进行精确的茎骨架和叶片分布测量，为生态学家提供更丰富的结构和定量数据。具体的性能提升百分比未知，需要查阅原文实验数据。

🎯 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。通过对幼树的精确三维重建和地理定位，可以实现对森林再生情况的长期监测，评估森林健康状况，并为森林管理决策提供科学依据。该技术还有潜力扩展到其他植物的监测和建模，促进生态学研究的进展。

📄 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.