新視角合成與攝影測量於三維林分重建及單木參數萃取之比較分析Comparative Analysis of Novel View Synthesis and Photogrammetry for 3D Forest Stand Reconstruction and Extraction of Individual Tree Parameters

研究問題

這篇想回答的是，在比單棵樹更複雜的都市林分裡，NeRF 與 3DGS 這類新視角合成技術，能不能在重建效率、點雲品質和單木參數精度上取代或補足傳統攝影測量。

材料與方法

作者在福州大學旗山校區選了兩塊對比林分，一塊是 45 棵落葉欒樹的開闊地，一塊是 33 棵常綠秋楓、樹高且樹冠密的半密林。影像用 iPhone 11 在地面拍與 DJI Phantom 4 無人機空拍，重疊度都超過七成，並用 RIEGL VZ-400 地面雷射掃描當參考。三條管線都先用 COLMAP 的 SfM 取得相機位姿與稀疏點雲，再分別走攝影測量的 MVS、NeRFStudio 的 Nerfacto，以及原始 3DGS。三組稠密點雲在 CloudCompare 裡和 TLS 配準，再用 LiDAR360 去噪、分離地面與植被、自動分割單木並萃取樹高、胸徑和冠幅，硬體是 RTX 4090。

結論

結論很清楚。效率上 NeRF 只要 12 到 15 分鐘、3DGS 約是 NeRF 的 1.3 倍，COLMAP 卻慢上 37 到 51 倍。品質上 COLMAP 點最多但噪點多、會冒出重複樹幹；NeRF 在密冠複雜的林分最接近雷射掃描、樹高最準（Plot_1_UAV 樹高 R²=0.9526、RMSE 0.29 公尺）。但胸徑反而是攝影測量較準，3DGS 因為樹幹點太稀，在複雜林分根本估不出胸徑。整體上無人機影像因為解析度高、視角多，萃取精度普遍比地面手機影像好。

討論與我的觀察

對我來說，這篇把森林數位孿生最前端的三維重建這一層講得很具體，不是談概念而是直接比效率與精度。最有意思的是它沒有給出單一贏家，而是切出邊界，樹高歸 NeRF、胸徑歸攝影測量、3DGS 在森林尺度還不夠用，這種帶判斷的結論正是我 review 想要的。它也誠實點出限制，下游品質高度依賴上游 SfM 的相機位姿，COLMAP 預設窮舉匹配甚至只解出部分影像位姿，得改用含 GPS 的空間匹配才完整；而且只在兩塊小型都市林分、兩個樹種驗證，沒辦法直接推廣到針葉樹或台灣天然林。所以在我的 review 裡，它正好和 Chen 2024 的城市樹木建模、Buonocore 的概念框架擺在一起，補上框架到落地之間的技術細節。

重要科學發現

• 原文 Section 3.1 Table 2 確認，NeRF 重建只需 12 至 15 分鐘、3DGS 約為 NeRF 的 1.3 倍，COLMAP 慢 37 至 51 倍。
• 原文 Section 3.3 確認，Plot_1_UAV 的 NeRF 樹高擬合 R²=0.9526、RMSE 0.29 m，為三法最佳。
• 原文 Section 3.3 確認，Plot_1 胸徑以 UAV_COLMAP R²=0.8825、RMSE 0.99 cm 優於 UAV_NeRF 的 R²=0.8381、RMSE 1.17 cm。
• 原文 Section 3.3 確認，Plot_2_UAV 的 3DGS 因樹幹點過稀，無法成功萃取胸徑。

關鍵短引用

COLMAP 比另兩法慢 37 到 51 倍p.10 Sec 3.1

NeRF 較適合處理複雜林分p.20 Sec 4

博士生的話

這篇給我博論在 FDT 前端三維重建層一條清楚的方法選型參考，說明 NeRF 與攝影測量在效率與不同樹參數精度上的取捨；對 TJFS review，它是 Ch7 數位孿生章節裡少數把 NVS 與攝影測量做量化對決的應用層實證，能和概念框架與城市樹木建模文獻形成由概念到落地的對照。