基于点云深度学习与光线追踪的茶树三维冠层光合作用模型构建及应用

《Beverage Plant Research》：A novel three-dimensional canopy photosynthesis model for tea plant: integrating point cloud deep learning and ray tracing to optimize photosynthetic efficiency

本研究开发了一种创新的茶树三维冠层光合作用建模方法，通过整合多视角立体成像、ISBNet点云深度学习器官分割、植物叶片形态优化的PLMA网格化算法及FastTracer光线追踪技术，实现了茶树冠层光分布时空动态的高精度模拟。研究发现'悦黄1号'品种光合活性最高，密植（10 cm间距）显著提升冠层光合速率，且叶片总面积与日冠层光合速率呈强线性相关（r=0.99）。该模型为多年生作物（如茶树）的精准农业优化提供了方法论基础，为通过品种优选与空间配置最大化茶园生产力提供了量化指导。

　　

研究背景与意义

茶树（Camellia sinensis）作为重要的经济作物，其光合作用直接影响生长与产量。传统光合作用评估方法耗时耗力，而现有冠层模型多针对一年生作物，难以适应茶树多年生、复杂分枝结构及密集多层冠层的特点。本研究旨在开发专用于茶树的三维冠层光合作用模型，为精准农业提供技术支撑。

研究方法与技术路线

研究团队建立了一套完整的计算框架（图1）：

1. 1.
   采用多视角立体成像系统（MVS-06）获取茶树幼苗高分辨率三维点云；
2. 2.
   通过预处理（ExG过滤、去噪、体素降采样）优化点云质量；
3. 3.
   利用ISBNet深度学习模型实现器官级实例分割（叶片平均精度AP=0.897，茎干AP=0.793）；
4. 4.
   开发植物叶片网格算法（PLMA），在保持形态 fidelity 的同时将网格简化约96%（图2b）；
5. 5.
   结合光线追踪模拟冠层内光合光子通量密度（PPFD）分布，并基于非直角双曲线模型计算光合速率。

关键发现与分析

1. 1.
   品种间光合特性差异：'悦黄1号'冠层光合活性显著高于'龙井43''特早奶白''紫娟'（图6e）；
2. 2.
   种植密度效应：10 cm密植较20 cm间距显著提升冠层光合速率（图5c）；
3. 3.
   叶片面积与光合效率关联：冠层总叶面积与日光合速率呈强线性正相关（r=0.99）（图6f）；
4. 4.
   模型优势验证：与传统Big-Leaf模型（高估8.1%-11.3%）和Sunlit-Shaded模型（高估1.0%-2.1%）相比，三维模型更准确反映冠层光合异质性（图7）。

技术创新点

1. 1.
   ISBNet模型适配植物点云特性，通过动态感受野实现相邻器官精准区分；
2. 2.
   PLMA算法通过几何对齐、边缘脉络检测、拓扑结构网格化三步流程（图2b），优化叶片形态建模效率；
3. 3.
   整合光线追踪与光合生理参数（Φ=0.08696 mol CO₂mol photons^–1，P_max=11.12 μmol CO₂m^?2·s^?1），实现冠层光合时空动态量化。

应用前景

该模型可用于茶树遗传育种中光合相关性状分析、种植模式优化及辐射利用效率评估，为多年生作物精准管理提供新范式。未来需结合田间试验验证模型预测准确性，并拓展至不同环境条件下的冠层光合模拟。