无人机三维作物表型：交叉环绕倾斜采集、SfM 与 CanopyPC

概述

小区尺度的三维结构（冠层高度、体积、垂直分布、行结构）包含二维植被指数无法反映的生长、倒伏风险和光截获信息。常规的垂直航测是为正射影像设计的，主要拍到冠层顶部，因此重建出的三维结构并不完整。

本流程面向三维重建设计：采用**交叉环绕倾斜（Cross-Circular Oblique，CCO）**航线从多个方位角观测冠层，用运动恢复结构（SfM）重建农田，用点云工具 CanopyPC 提取小区尺度三维性状，并通过机器学习将这些性状与作物性状联系起来。

流程

1. CCO 航线设计

CCO 在农田上空沿交叉方向飞行多组环绕倾斜航线。冠层中每个点都能从多个方位角、两个及以上观测角度被拍到，从而加强 SfM 的几何约束，补全垂直航测难以拍到的冠层侧面。另加一组网格航线，为正射影像提供均匀覆盖。航向和旁向重叠率高于正射测图的要求，因为目标是三维重建而不是二维拼接。

飞行高度、环绕半径、相机俯仰角和重叠率根据所需地面采样距离、冠层高度和需要分辨的最小结构确定，并在正式采集前用试验区块检验。尺度与地理参考来自地面控制点（GCP）或 RTK/PPK 定位。

浏览器中的 CCO 航线生成器 可将 KML 田块边界转换为兼容大疆的 KML、WPML 和 KMZ 任务文件，用法见教程。

2. 图像采集

采集时锁定曝光和对焦，快门速度足以冻结飞机运动和叶片摆动。选择风小、光照稳定的时段飞行，离开田间前以原始分辨率检查代表性图像。每次飞行记录飞机、相机、航线几何、坐标系、天气和时间。

3. 空间参考：正射影像、DSM 与点云

多视角图像对齐后得到相机位姿、稠密点云、数字表面模型（DSM）和正射影像。正射影像提供二维空间参考：小区边界、标签，以及三维结果对齐所依据的坐标框架；点云和 DSM 承载三维结构。

4. 田块与小区边界

田块边界由正射影像提取：

1. 用植被指数和纹理特征区分作物区与非作物区；
2. 用形态学运算和区域生长去除道路、裸地和边界干扰；
3. 通过轮廓提取和多边形拟合得到闭合的小区多边形。

小区多边形结合试验布局，用于逐小区裁剪点云。土地测量仪 可在现场记录并导出田块多边形。

5. 三维重建

SfM 点云。 SfM 重建得到的冠层点云用于全部度量性状：高度分布、空间异质性和群体尺度结构。重建结果需检查独立检查点上的 GCP/RTK 残差、重投影误差、浓密上层叶片下方的空洞、漂浮点以及多期数据之间配准的一致性。采用 CCO 采集时，重建精度可达厘米级。

3D 高斯溅射。 在 SfM 相机位姿基础上，3DGS 对冠层进行连续、高保真的表达，用于交互式三维查看叶片与枝条交错等精细结构。度量性状由 SfM 点云计算；从 3DGS 提取的几何在用于测量前需单独验证。

6. CanopyPC：冠层点云处理

CanopyPC 是我开发的 Python 工具，用于处理 CCO 重建的冠层点云：

• 地面—冠层分离： 采用布料模拟滤波（CSF）；冠层高度相对滤波后的地面计算，而不是取绝对高程；
• 预处理： 统计离群点去除、DBSCAN 去除小簇、去除地面控制点标志，以及对剩余伪影的人工选择删除；
• 行分割： K-means 聚类；
• 几何分析： 凸包体积、有向包围盒、投影面积和株高统计；
• 可视化： 交互查看点云、凸包和包围盒。

7. 三维结构性状

对每个小区或每一行计算：

• 高度统计：均值、方差和分位数（如 H50、H90、H99），分位数对个别噪声点不敏感；
• 点密度的垂直剖面；
• 冠层投影面积、凸包体积和有向包围盒；
• 点的空间异质性和聚集程度；
• 冠层表面粗糙度与起伏；
• 行宽与缺口。

8. 机器学习建模

三维性状组合为多尺度特征，用随机森林、梯度提升等回归方法与生物量、叶面积指数或产量等作物性状建立关系。验证时将相关样本放在同一组：按小区、地点和日期分组，保证测试集中没有训练时见过的小区或航次。结果按作物、生育期和地点分别报告，误差指标带物理单位，并与简单基线模型比较。

适用范围与局限

浓密的上层冠层会遮挡下层器官，因此随着冠层郁闭，冠层深处的叶面积会被低估。风会破坏摄影测量的静态场景假设；多期比较需要稳定的地面参考和配准。在一个田块训练的模型，用于新的作物、地点或季节之前需重新验证。