增强现实游戏机制影响了基于众包激光雷达的树木测量精度

《Urban Forestry & Urban Greening》：Augmented Reality Game Mechanics Influence the Accuracy of Crowdsourced LiDAR-Based Tree Measurements

　　劳里·利科宁（Lauri Liikonen）、阿波·埃尔基拉（Aapo Erkkil?）、泰穆·卡穆拉（Teemu Kamula）、埃普·霍恩卡宁（Eppu Honkanen）、凯萨·利马塔宁（Kaisa Liimatainen）、维尔-维科·乌尔格伦（Ville-Veikko Uhlgren）、图奥马斯·伊尔蒂马（Tuomas Yrttimaa）、蒂莫·努门马（Timo Nummenmaa）、尤霍·哈马里（Juho Hamari）、米科·瓦斯塔兰塔（Mikko Vastaranta）
东芬兰大学森林科学学院，芬兰约恩苏（Joensuu）

**摘要**
本研究探讨了在游戏过程中使用增强现实（AR）游戏来收集点云数据，以支持城市森林中的树木测量工作。设计了五种AR演示游戏，旨在激发玩家与周围树木的互动，从而评估不同游戏机制对树木特征识别准确性的影响。为了比较各种游戏之间的差异并展示其在众包应用中的可行性，三名玩家在八个样地上测试了每种游戏，并汇总了所有玩家的测量结果。根据游戏的不同，树木的整体检测率在67%到93%之间；与地面激光扫描参考数据相比，胸高直径（DBH）的均方根误差在2.4厘米到7.8厘米之间。所有游戏生成的样地平均DBH估计值与参考值相差在0.5厘米以内。研究结果突出了有助于有效数据采集的游戏机制：那些鼓励玩家保持移动设备垂直并直接与树干互动的游戏机制，能够实现更完整的树木检测和更准确的DBH估计。这些结果表明，通过设计游戏机制可以引导用户采取有利于数据采集的行为，例如移动到感兴趣的对象附近。总体而言，这些发现证明了使用具有3D感知功能的基于AR的移动游戏进行树木和样地众包地理空间数据收集的可行性。

**1. 引言**
众包是指通过吸引大量个体来获取数据或输入，这些个体可以是获得报酬的，也可以是自愿参与的。众包利用了许多参与者的集体力量，使得原本难以完成、成本高昂或对个人或小团队来说不可能完成的任务成为可能（Goodchild 2007）。一个著名的众包服务是OpenStreetMap，参与者在其中贡献并更新地图数据。众包使OpenStreetMap能够在自然灾害地区提供近乎实时的地理空间信息，支持受损基础设施的快速测绘并协助应急响应。除了实现快速地图更新外，众包还被应用于支持生态研究中的数据收集。例如，参与者可以通过众包应用程序记录鸟类叫声，并同时提供物种信息，而研究人员可以利用这些数据研究鸟类栖息地和分布（Lehikoinen等人，2023）。类似地，众包应用程序还允许参与者拍摄植物照片并获得物种鉴定帮助，而研究人员则可以获得有关植物分布的宝贵数据（Van Horn等人，2018）。所有众包应用程序都必须成功地激励参与者收集所需数据，因此制定有效的用户激励策略是众包成功的关键。然而，即使参与者愿意收集数据，众包在人们自然会花费时间的地方（如城市、城市公园和城市森林）最为有效（Nov等人，2014）。

城市森林以及街道和公园中的树木对人类福祉和维持城市环境中的生物多样性都至关重要（Holopainen等人，2013；Saarinen等人，2014；O’Brien等人，2022）。需要关于城市森林的信息来支持其管理，而这通常与管理森林的不同。城市森林的轮伐周期通常比管理森林更长，且干预措施在更细的空间尺度上进行，有时甚至针对单棵树木。例如，可能对休闲用户构成风险的树木经常会被移除（Holopainen等人，2013）。与城市森林相比，公园和街道树木的管理可能涉及更详细的操作，如浇水或树冠修剪（Tanhuanp??等人，2014）。为了确保城市森林和街道树木的高质量管理，更新城市森林和树木信息系统至关重要（Holopainen等人，2013；Saarinen等人，2014；Tanhuanp??等人，2014）。关于街道和公园树木最常收集的数据包括它们的位置、物种、直径和高度。出于管理目的，还可能获取有关树冠大小和树木健康状况的信息（Saarinen等人，2014；J??skel?inen等人，2025）。对于街道和公园树木，种植的物种通常是已知的。树木的位置可以基于最初的测绘地点、在现场用全站仪测量、从航空影像中视觉识别，或通过机载激光扫描（ALS）数据自动检测（Holopainen等人，2013；Saarinen等人，2014；Tanhuanp??等人，2014）。直径和高度可以通过目测估计、用卡尺或测高仪测量，或利用遥感数据预测。因此，不同属性的准确性可能会有很大差异，保持这些数据的更新是一个挑战。

因此，人们一直在积极探索和评估新的创新方法来进行树木测量，将众包整合到这些方法中可以进一步提高数据覆盖率和信息更新的频率。特别关注的是胸高直径（DBH）的测量，因为它在现场容易测量，并且与其他关键属性（如树木高度、体积和生物量）有很强的相关性。由于这种实用性和预测能力的结合，DBH仍然是森林清查中最基本的参数（Luoma等人，2017）。Berland等人（2019）开发了一种利用Google Street View影像的众包方法，参与者通过解读街道级别的照片来计数树木、估计DBH类别和识别物种。虽然这些方法对于收集街道树木的基线数据有效，但它们缺乏精确的测量结果。此外，这类方法反映实时变化的能力受到Street View影像更新频率的限制。Roman等人（2017）评估了在美国和瑞典使用众包卡尺测量方法进行公园树木清查的准确性。他们发现93.3%的测量结果符合2.54厘米的精度要求，仅有1%的树木被遗漏，84.8%的树木物种被正确识别。尽管Roman等人（2017）证明了使用传统设备可以实现高精度，但这种方法的广泛可扩展性受到专用工具可用性的限制。为了更广泛地参与，众包DBH测量必须依赖于参与者日常生活中已经携带的设备，即移动设备，如智能手机。最近的研究展示了基于移动设备的被动和主动传感技术在测量树木方面的潜力（Magnuson等人，2024）。被动方法使用摄像头和图像分析技术来估计树木的DBH（Vastaranta等人，2015；Putra等人，2021）或利用多视角影像和摄影测量技术重建树干的3D结构（Marzulli等人，2020；Shen等人，2023）。尽管这些基于图像的方法依赖于易于获取的传感器，但由于设备差异和环境条件，它们产生的数据往往不一致（Magnuson等人，2024）。相比之下，使用嵌入在移动设备中的LiDAR传感器的主动传感方法可以提供树干下部的点云重建，从而通过几何建模得出DBH（Gollob等人，2021；Tatsumi等人，2023；Singh等人，2024）。以往使用专用测量程序的研究通常报告的DBH均方根误差约为1.1–3.1厘米，树木检测率为77–100%（例如，?akir等人，2021；Gollob等人，2021；Mokro?等人，2021；Tatsumi等人，2023）。这些方法提供了比被动方法更精确的定量测量结果，但受到有效范围有限（通常约为5米）以及LiDAR硬件仅适用于某些移动设备型号的限制（Magnuson等人，2024）。尽管已经强调了众包在城市树木和森林测量中的潜力（例如，?akir等人，2021；Hyypp?等人，2018），但市民通常缺乏在感兴趣区域空闲时间测量或估计树木属性的动机（Rotman等人，2012）。

促进众包的一种方法是游戏化，即设计结合了游戏常见元素的信息系统（Koivisto & Hamari 2019）。环境游戏化的核心原则是将数据收集任务转化为吸引人且具有激励性的体验，从而维持长期的自愿参与（Uhlgren等人，2024）。在森林区域，游戏化为开发有趣的森林测绘和测量方法提供了巨大潜力（Vastaranta等人，2022）。游戏化与众包密切相关，因为吸引人且具有激励性的游戏设计可以显著增加众包数据的数量和质量。基于位置的增强现实（AR）游戏为引导参与者前往需要数据的地方提供了额外的手段。许多此类游戏受到了Pokémon GO的启发，后者因鼓励探索周围环境而广受认可；它结合了AR功能，成为实践中最著名的游戏化案例之一（Alha等人，2019）。如果玩家携带的移动设备能够同时感知和记录地理空间信息，娱乐游戏就可以转变为具有双重目的的活动，结合娱乐和被动环境监测（Laato等人，2025）。基于这一概念，已经开发了实验性的AR游戏，这些游戏使用基于相机的影像（Zhang等人，2024）或LiDAR传感器（Uhlgren等人，2024；Nummenmaa等人，2025；Chambers等人，2025）来支持森林和公园环境中的数据收集。然而，要实现游戏化在众包森林信息中的潜力，还需要研究适当的游戏设计，这种设计既要支持高质量的数据采集，又要提供积极的用户体验（Morschheuser和Hamari，2019；Laato等人，2025）。具体来说，目前尚不清楚在AR游戏过程中收集数据时，与通过专用测量程序相比，树木的检测精度和DBH测量的准确性如何。此外，哪些特定的游戏机制最能支持样地上可靠树木测量的研究尚未系统地进行。

本研究的主要目的是评估不同的AR游戏机制如何影响在游戏过程中从LiDAR点云数据中自动检测树木和测量DBH的准确性。与专门设计的测量工具不同，游戏化应用程序依赖于玩家的行为来捕获高质量的数据。我们比较了五种不同的AR演示游戏，以确定哪些设计元素最有效地引导玩家使用带有LiDAR的移动设备收集全面的点云数据以进行树木测量。采用众包方法，三名参与者在从开放的城市公园到密集的管理性北方森林等各种环境中测试了每种游戏。对于每种游戏-样地组合，从点云中自动提取的DBH估计值都经过了地面激光扫描（TLS）参考数据的验证。本研究解决了以下研究问题：
1. 在玩家参与AR游戏过程中收集的众包LiDAR点云中，树木的检测精度和DBH测量精度如何？
2. 在未来专注于大规模树木测量众包工作的AR游戏设计中，哪些AR游戏机制是有益的？
3. 不同的场地条件如何影响在游戏过程中收集的LiDAR数据中树木检测和DBH测量的准确性？

**2. 材料与方法**
2.1. 研究地点和参考数据收集
本研究在芬兰约恩苏（62.36°N，29.45°E）的东芬兰大学校园内进行，使用了八个圆形样地（图1）。这些样地的选择旨在代表管理性的北方森林和类似公园的城市环境。每个样地的半径为10米，位置确保内部条件一致，能够代表类似公园或管理森林的环境。样地1-4位于树木密度较低（每样地6-11棵树）且草坪下层植被得到维护的区域（图2）。相比之下，样地5-8位于管理性成熟的北方森林中，树木密度较高（每样地21-38棵树），下层植被更密集。

**下载：下载高分辨率图片（628KB）**
**下载：下载全尺寸图片**
图1. 研究地点地图，红色圆圈标示了样地的位置。一个示例样地的详细插图展示了使用地面激光扫描仪（TLS）收集参考数据时的扫描配置。蓝色三角形代表五个扫描位置。
**下载：下载高分辨率图片（1MB）**
**下载：下载全尺寸图片**
图2. 样地概览。样地1-4位于类似公园的森林中，而样地5-8位于管理性成熟的北方森林中。在10米半径范围内的树木数量（N）、每公顷的树木数量（TPH）、胸高处的平均直径（DBH）及其标准差，以及平均高度（H）分别为每个样本地块提供了数据。不同地块的树木大小和结构特征各不相同。类似公园的地块中的树木通常直径较大，而管理森林地块中的树木由于林分结构更为多样化，因此其DBH变化更大。在所有地块中，树干一般呈直立圆柱形，偶尔也会出现分枝较少或不规则的形式。存在的树种包括苏格兰松（Pinus sylvestris L.）、挪威云杉（Picea abies (L.) Karst.）、桦树（Betula spp.）、山楂（Sorbus aucuparia）、欧洲白杨（Populus tremula）和挪威枫（Acer platanoides L.）。每个地块的详细树木和林分属性在表1中呈现。

表1. 本研究中使用的样本地块被分类为“森林”或“类似公园”。对于每个地块，列出了主要树种、每公顷的树木数量（TPH，1/ha）、胸高处的平均直径（DBH，cm）、标准差、最小和最大DBH值，以及平均树高（H，m）、其标准差及其最小和最大值。

类型 | 主要树种 | 地块ID | 树木数量 | TPH | 胸高平均直径（DBH，cm） | 标准差 | 最小DBH | 最大DBH | 平均树高（H，m） | 标准差 | 最小树高 | 最大树高
--- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | ---
公园 | Betula pendula | 1 | 16 | 19 | 13 | 24 | 26 | 36 | 16 | 59 | 21 |
公园 | Betula pendula | 2 | 29 | 28 | 63 | 58 | 24 | 46 | 17 | 67 | 22 |
公园 | Pinus sylvestris | 3 | 9 | 28 | 63 | 54 | 29 | 43 | 21 | 11 | 92 | 22 |
公园 | Sorbus aucuparia | 4 | 11 | 35 | 02 | 68 | 19 | 43 | 12 | 47 | 19 |
森林 | Betula pendula | 5 | 25 | 79 | 61 | 98 | 73 | 41 | 17 | 68 | 27 |
森林 | Populus tremula | 6 | 21 | 66 | 82 | 81 | 11 | 94 | 72 | 22 | 86 | 31 |
森林 | Picea abies | 7 | 38 | 12 | 10 | 21 | 10 | 85 | 81 | 66 | 52 | 65 |
森林 | Pinus sylvestris | 8 | 34 | 10 | 82 | 22 | 37 | 73 | 62 | 17 | 62 | 87 |

参考测量数据是在2024年11月使用Riegl VZ-400i飞行时间激光扫描仪（Riegl Laser Measurement Systems GmbH，奥地利）获得的。该仪器的工作波长为1550纳米，发射的激光束发散角为0.35毫弧度，出射直径为7毫米，在10米距离处的光斑直径约为10毫米。扫描的脉冲重复率（PRR）为1200千赫兹，每次发射脉冲最多记录四个回波。Panorama 40扫描模式提供了0.04°的角分辨率，相当于在10米距离处点间距为7毫米。扫描仪的视野范围垂直方向为100°，水平方向为360°。

扫描配置包括每个地块的五个扫描位置：四个位于圆形地块的周边（间隔90°），第五个位于地块中心（图1）。如有必要，会在现场调整扫描位置以减少遮挡。所有五个扫描的点云数据被配准并结合成一个地块级别的点云。然后使用Yrttimaa等人（2020年）提出的方法以及Yrttimaa（2021年）中的方法进行树木测量。数据集中排除了高度小于4米的树木、DBH小于7厘米的树木以及弯曲的树木。总共包含155棵树木，地块级别的数量从6棵到39棵不等，平均DBH范围在19厘米到35厘米之间（表1）。

2.2. 游戏化数据收集与分析
2.2.1. 结合增强现实游戏与同时进行LiDAR数据收集
使用Unity3D游戏引擎（v2022.3）、ARKit集成和Unity AR Foundation框架（v4.2）开发了五款AR游戏。这些游戏是为iOS设备开发的，特别是2020年或之后发布的带有集成LiDAR传感器的Apple iPhone Pro（iPhone 12 Pro或更高版本）和iPad Pro。这五款游戏——蜘蛛游戏、扫描游戏、塔防游戏、喷漆游戏和太空探测器回收游戏（图3）——采用了不同的机制，但都融入了AR功能以支持用户参与和同时进行LiDAR数据收集。在游戏过程中，RGB摄像头实现了AR跟踪，而LiDAR传感器则持续记录点云数据。这些游戏也在之前的研究中进行了探讨（Uhlgren等人，2024年；Nummenmaa等人，2025年；Chambers等人，2025年）。游戏的设计如下：
1. 在太空探测器回收游戏中，玩家操控UFO在样本地块内移动，收集随机生成的机器人数据收集单元（小型汽车/太空探测器）。UFO的移动通过屏幕上的摇杆控制，将2D输入转换为3D运动，UFO的移动受到AR网格碰撞检测的限制。成功收集数据需要UFO周围的扩展碰撞器与目标探测器保持一秒钟的重叠。
2. 在塔防游戏中，玩家首先放置一个建筑物进行保护，然后放置两种类型的塔：位于1.5米以上的鸟巢塔和位于地面的箭塔。放置这些结构后，一个蜘蛛巢出现在地块内。当游戏开始时，蜘蛛出现并攻击建筑物，防御塔会自动尝试阻止它们。一旦启动，防御过程不需要玩家进一步操作，玩家只需观察结果，同时LiDAR数据收集会持续进行。
3. 喷漆游戏鼓励玩家自由探索每个地块，允许他们随意给树木上色，没有预设的移动或喷涂模式。玩家从屏幕上的调色板选择颜色，颜色通过粒子系统投射到ARMeshManager检测到的表面上。这种设计促进了设备移动的减慢和与树干的近距离互动，有利于密集且准确地捕捉目标对象。
4. 扫描游戏类似于典型的森林测量方法（例如Gollob等人2021年；Tatsumi等人2023年）。玩家被指导全面扫描地块，但没有特定的模式或路线，导航完全取决于个人策略。正在生成的点云通过叠加在网格表面上的小像素实时可视化。这种可视化依赖于ARKit的深度到世界坐标转换。该实现基于之前的项目（Penekli 2020年），改进了深度采样、点可视化和存储流程。即时反馈鼓励玩家发现数据空白并完成全覆盖扫描。
5. 在蜘蛛游戏中，玩家需要用类似吸尘器的工具清除出现在检测到的环境表面上的虚拟蜘蛛。通过光线投射来确定有效的生成点，即设备的前进向量与AR网格表面的交点。捕捉蜘蛛需要将瞄准目标保持0.5秒。由于蜘蛛会在树干和其他周围表面上移动，玩家被引导去探索多个环境特征。

下载：下载高分辨率图片（737KB）
下载：下载全尺寸图片

图3. 游戏截图。1）在太空探测器回收游戏中，玩家操控UFO收集玩具汽车和其他物体。2）在塔防游戏中，鸟巢和防御塔保护玩家的基地免受蜘蛛攻击。3）在喷漆游戏中，玩家可以使用自己选择的颜色给周围表面涂色。4）在扫描游戏中，彩色栅格图案表示已扫描的表面。5）在蜘蛛游戏中，玩家的任务是用类似吸尘器的工具清除出现的蜘蛛。

正如早期研究报道的那样，像蜘蛛游戏和太空探测器回收游戏中的随机生成目标激励玩家去探索和捕捉它们（Uhlgren等人，2024年），而喷漆游戏和扫描游戏则促进了系统的移动和更全面的环境覆盖（Nummenmaa等人，2025年）。

2.2.2. 游戏过程中点云数据的获取
LiDAR数据收集的游戏环节于2025年6月由三名玩家完成。虽然他们对点云数据收集有一定了解，但他们在AR移动游戏方面的经验从专家到初学者不等。玩家被告知样本地块的半径为十米，并且展示了地块中心，但地块在现场没有物理标记。尽管他们知道设备的LiDAR传感器会在游戏过程中记录周围环境，但他们被要求专注于游戏本身。通过不标记地块，我们旨在模拟更大规模参与者在没有明确数据收集意图的情况下参与游戏的情况。这种设置使我们能够观察更自发和不受控制的扫描行为。我们承认这种设置并不能完全反映典型用户行为，但研究的目的是初步评估哪些游戏机制最有效地支持单棵树和树群的测量，并探索游戏化数据收集的潜力。通过三名玩家重复测量，我们希望更好地揭示不同游戏机制在树木测量方面的差异，并了解所提出方法在众包应用中的适用性。

所有三名玩家都在所有八个样本地块上玩了所有五款游戏，总共进行了120次游戏会话。每次会话持续20分钟，无论使用哪种游戏机制，点云数据都是使用相同的配置同时收集的。数据收集使用了iPhone 15 Pro和iPad Pro M4（苹果公司，加利福尼亚州库比蒂诺），这两款设备都配备了基于垂直腔面发射激光的近红外LiDAR传感器（MacKinnon 2018）。该传感器投射一个8×8的点阵列，进一步分为3×3的模式，总共产生576个投影点，最大有效范围约为5米。可实现的点密度在对数尺度上大致呈线性下降，从25厘米处的约7,225点/平方米降至250厘米处的约150点/平方米（Luetzenburg等人，2021年）。

使用Unity3D游戏引擎、ARKit集成和Unity AR Foundation框架实现的游戏，可以通过XRCpuImage结构访问每帧的深度图像。这种改进使得大型物体（如树木）的捕捉更加准确。点云收集能力建立在早期研究（Nummenmaa等人，2025年；Uhlgren等人，2024年）的基础上，并进行了改进，能够在1米距离处每秒捕捉1000个点，名义精度为±5毫米。Unity AR Foundation的ARMeshManager组件用于从LiDAR数据生成周围表面的动态3D重建，支持表面识别和物体放置。为了提高点云精度，额外的过滤步骤仅保留了位于ARMeshManager生成的网格1厘米范围内的点，从而更准确地捕捉大型环境物体（如树干）。点云基于深度图像保存为文本文件，可选的过滤去除了远离ARKit生成的网格的点。所有游戏中的交互和物体动态都使用了Unity的物理引擎和刚体组件，允许与ARKit生成的网格和游戏内的交互对象（如可收集物品或障碍物）发生碰撞。

每次游戏会话后，包含X、Y和Z坐标、RGB颜色值以及每个记录点的时间戳的点云数据被保存为纯文本文件，以便后续处理。

2.2.3. 为众包树木测量而对获取的点云数据进行后处理
处理20分钟游戏会话期间收集的LiDAR数据需要一个考虑到移动设备LiDAR基点云典型错误的工作流程。这些错误包括表面分割、平面性丢失和惯性导航系统漂移（Costantino等人，2022年）。因此，多次访问同一棵树会导致重复的树干点，产生“幽灵”伪影（图4）。注册和平面性问题还会生成分层地面表面，使得地形去除和高度标准化变得复杂。如果不解决这些错误，就无法准确分割树干和估计DBH。为了减轻错位效应，每个20分钟的点云数据被分为四个5分钟的时间段（0-5分钟、5-10分钟、10-15分钟和15-20分钟），而不是将整个数据集作为一个整体处理。初步测试表明，在较短的时间窗口内注册更为稳定。完整的工作流程在图5中总结，包括数据收集、时间聚类、树干分割、DBH提取、重复点去除和基于众包的结果聚合。

下载：下载高分辨率图片（581KB）
下载：下载全尺寸图片

图4. 在蜘蛛游戏期间收集的点云中的数据质量问题示例。点根据采集时间从蓝色到红色标记。图(a)和插图(b)中的细节展示了随时间累积的注册错误：图(a)显示了导致森林地面分层的水平漂移，而插图(b)显示了垂直错位。插图(c)展示了一个树木记录高度低于胸高的情况，最小高度示例为1.22米。

下载：下载高分辨率图片（389KB）
下载：下载全尺寸图片

图5.数据收集设置和处理工作流程概述：(a) 通过时间聚类来减少与漂移相关的问题；(b) 地面分类和树干分割；(c) 使用RANSAC圆柱拟合方法推导树冠高度（DBH）；(d) 删除重复的树干。最后，选择在所有玩家中点数最多的树木，以便与参考测量结果进行比较。每个时间簇（图5.1）首先在MATLAB（The MathWorks Inc.，美国马萨诸塞州纳蒂克）中进行处理。使用pcdenoise函数计算与最近六个邻居点的平均距离，并移除那些平均最近邻居距离超过所有点均值0.5标准差的点，从而去除噪声。然后使用segmentGroundSMRF函数识别地面点。在去除重复点和进行1毫米分辨率的体素化处理后，将点高度相对于地面表面进行标准化。使用pcsegdist函数对树干进行分割和提取，最小树干间距为0.3米（图5.2）。通过将RANSAC（随机样本一致性）圆柱拟合到每个分割后的树木上来估计DBH（图5.3）。将树木点划分为地面以上0.4米到1.4米之间的20厘米高度层。对于每一层，从30个最近邻居点计算点法线。移除法线垂直（|nz| > 0.3）的点，以保留主要对齐在树干上的点，这些点的法线大致是水平的。对于每一层，拟合200个RANSAC圆柱并存储起来。使用四分位数范围（IQR）方法去除异常圆柱直径，排除低于Q1 ? 1.5 × IQR或高于Q3 + 1.5 × IQR的值。DBH计算为各高度层剩余圆柱直径的中位数。

由于一些树木在游戏过程中被扫描了多次，同一棵树可能出现在多个时间簇中。使用DBSCAN（基于距离的空间聚类算法；Ester等人，1996年）识别重复检测结果，假设相距0.7米以内的簇代表同一棵树（图5.4）。在重复检测结果中，保留点数最多的簇，因为更多的3D观测通常意味着更完整的重建。然后为每次游戏会话生成树木测量列表（即从游戏中获得的树木），包括XY坐标、DBH和每棵树的点数。对于每场比赛，通过汇总所有玩家的结果来获得众包测量数据，在树木测量重复的情况下，再次保留与点数最多的估计值相关的DBH（图5.6）。

2.3. 准确性评估
准确性评估需要将游戏生成的树木（其坐标系原点对应于游戏开始位置）与使用TLS测量的参考树木（其坐标系为全局坐标系）进行关联。由于游戏通常从地块中心稍远处开始，游戏生成的树木与参考树木之间的初始不对准经常达到几米。此外，设备定位的注册错误和不准确性进一步导致了空间偏移，从而导致对应树木之间的不匹配。除了简单的水平位移外，点云数据还表现出坐标系转换问题；例如，x轴和y轴偶尔会互换，或者由于游戏启动时设备初始方向的改变而需要镜像处理。因此，游戏生成的树木位置可能会相对于TLS参考数据旋转或反射，从而在任何角度上产生潜在的不对准。为了将游戏生成的树木与TLS树木匹配，我们系统地测试了一系列候选坐标转换方法。这些方法包括移动原点（x和y轴偏移量从-7米到7米，步长为1米）、旋转树木地图、反转坐标符号以及交换x轴和y轴。对于每种转换，使用MATLAB的matchpairs函数和基于距离的成本矩阵应用迭代匹配过程。在第一次迭代中，最大成本设置为20。从匹配结果中选择距离偏差最小的75%的配对来计算刚性坐标转换。应用此转换后，再次运行matchpairs，最大成本降低到10，然后再次使用最接近的75%的匹配对来计算第二次刚性转换。最后进行一次严格的匹配步骤，不再进行坐标调整，最大成本设置为0.8。每次迭代都通过总成本指标来评估匹配质量，该指标计算为匹配对之间的平均距离除以匹配树木数量的立方。这种加权方式更倾向于产生更多匹配树木的解决方案。在所有测试的初始坐标配置中，选择总成本最低的转换作为最终匹配结果。虽然这个过程是自动执行的，但所有匹配的树木地图都经过手动检查以确保正确匹配。在少数情况下，点云之间的高初始偏移量需要手动调整x轴和y轴的参数。然而，除了这些情况外，整个工作流程都是自动完成的。

树木特征识别的准确性通过计算树木检测率来评估，定义为匹配的游戏生成树木数量除以参考树木的总数。DBH估计的准确性通过使用RMSE（公式1）和偏差（公式2）作为准确性度量标准，将游戏生成的树木DBH值与参考值进行比较来评估。
(1) RMSE = ∑i=1n(y?i ? yi)2 / n
(2) 偏差 = ∑i=1n(y?i ? yi) / n
其中yi表示树木i的参考值，y?i表示从众包点云数据中得到的相应值，n是树木的总数。为了检查游戏生成的DBH值与TLS测量值之间的线性关系，使用了皮尔逊相关系数r。此外，还通过将游戏生成的值与TLS生成的参考值进行比较来评估地块级别的平均DBH估计准确性。

3. 结果
3.1. 增强现实（AR）游戏机制对树木和森林特征识别准确性的影响
实施的游戏机制的差异显著影响了结果，总体树木检测率从67%到93%不等，DBH的RMSE从2.4厘米到7.8厘米不等（表2）。当玩家沉浸在Scanner游戏中（91%）和Spraypaint游戏中（93%）时，从点云数据中获得的树木检测率最高。这两个游戏也产生了最准确的DBH测量结果，Scanner游戏的总体RMSE为2.4厘米，Spraypaint游戏的总体RMSE为2.5厘米。两个游戏的DBH估计值与TLS生成的参考值显示出非常强的相关性（r = 0.97；图6）。
表2. 不同游戏机制和样本地块的众包数据树木特征识别准确性总结，与地面激光扫描参考值进行了对比。对于每种游戏-地块组合，表格报告了树冠高度（DBH）估计的均方根误差（RMSE），偏差以括号表示（负偏差表示低估）。还提供了树木检测率（以百分比表示）和每个地块成功匹配树木的平均DBH（平均DBH）。底部行显示了跨公园地块（地块1-4）、森林地块（地块5-8）和所有地块的准确性指标。
| 地块属性 | Spider游戏 | Scanner游戏 | Tower Defence | Spraypaint | Space Probe Retrieval |
|------|--------|-----------|---------|-------------------|
| DBH RMSE (偏差) cm | 3.3 (0.3) | 5.0 (-1.3) | 3.4 (-1.1) | 3.3 (1.6) | 6.6 (-5.3) |
| 树木检测率 (%) | 100% | 100% | 100% | 100% | 100% |
| 平均DBH (cm) | 32.0 | 30.4 | 30.6 | 33.3 | 26.4 |
| DBH RMSE (偏差) cm | 3.2 (-1.8) | 2.0 (-0.2) | 3.9 (-1.4) | 2.7 (-1.3) | 4.1 (-0.8) |
| 树木检测率 (%) | 100% | 100% | 100% | 100% | 100% |
| 平均DBH (cm) | 32.8 | 34.4 | 33.2 | 33.3 | 33.8 |
| DBH RMSE (偏差) cm | 3.9 (-0.2) | 2.1 (-1.4) | 7.6 (1.6) | 3.2 (-2.6) | 9.9 (1.8) |
| 树木检测率 (%) | 100% | 100% | 100% | 100% | 78% |
| 平均DBH (cm) | 35.2 | 34.0 | 37.0 | 32.8 | 35.4 |
| DBH RMSE (偏差) cm | 9.7 (-1.4) | 2.6 (-2.3) | 6.7 (-2.9) | 2.4 (-1.2) | 5.1 (-3.2) |
| 树木检测率 (%) | 91% | 100% | 100% | 100% | 78% |
| 平均DBH (cm) | 25.5 | 24.0 | 23.3 | 25.0 | 23.8 |
| DBH RMSE (偏差) cm | 3.5 (-0.2) | 2.6 (-1.7) | 4.9 (-0.5) | 1.4 (-0.3) | 5.1 (-3.0) |
| 树木检测率 (%) | 96% | 100% | 88% | 100% | 88% |
| 平均DBH (cm) | 19.3 | 17.2 | 20.0 | 18.7 | 17.1 |
| DBH RMSE (偏差) cm | 9.8 (-2.1) | 1.0 (-0.7) | 6.6 (-5.1) | 3.5 (-1.7) | 10.0 (-4.0) |
| 树木检测率 (%) | 76% | 91% | 57% | 95% | 52% |
| 平均DBH (cm) | 30.2 | 28.1 | 29.4 | 27.1 | 30.2 |
| DBH RMSE (偏差) cm | 6.0 (-2.6) | 3.2 (-0.8) | 5.7 (-2.9) | 2.2 (-0.7) | 11.1 (0.7) |
| 树木检测率 (%) | 68% | 82% | 55% | 79% | 47% |
| 平均DBH (cm) | 20.8 | 21.4 | 20.2 | 21.0 | 23.4 |
| DBH RMSE (偏差) cm | 5.9 (-4.0) | 1.1 (-0.8) | 6.1 (-3.1) | 2.3 (-0.5) | 7.0 (-0.5) |
| 树木检测率 (%) | 74% | 85% | 74% | 94% | 56% |
| 平均DBH (cm) | 19.9 | 23.1 | 21.2 | 21.9 | 24.7 |

图6. 每个增强现实游戏的众包DBH测量结果与参考TLS测量结果的比较。公园地块（1-4）用圆圈表示，森林地块（5-8）用三角形表示。分别报告了公园地块、森林地块和所有地块的组合的皮尔逊相关系数（r）。最后一张图表显示了每个游戏中所有测量树木的点数分布。

相比之下，其他三个游戏的整体特征识别准确性较低。Spider游戏的树木检测率为82%，Tower Defence游戏为75%，Space Probe Retrieval游戏为67%。它们的DBH估计性能——RMSE范围从5.8厘米到7.8厘米——也明显低于Scanner游戏和Spraypaint游戏（表2），尽管DBH值仍与参考数据显示出中等到强的相关性（r = 0.73?–0.82）。所有数据集都表现出负偏差，范围从Spraypaint游戏的-0.8厘米到Tower Defence游戏的-2.1厘米，表明存在一致的DBH低估趋势。

根据TLS测量结果，所有地块的平均DBH为24.5厘米，而游戏生成的估计值范围从24.2厘米到25.0厘米，无论使用哪种游戏，都与参考值相差在0.5厘米以内（表2）。

3.2. 场地条件对AR游戏生成的树木和森林特征识别的影响
树木检测与森林条件密切相关。在公园地块（地块1-4）观察到的树木检测率最高，范围从78%到100%，平均值为98%。相比之下，森林地块（地块5-8）的检测率范围从47%到100%，平均值为78.9%（表2）。在所有游戏和地块中，树木检测率与样本地块的基底面积（r = -0.74）、每公顷树木数量（r = -0.68）和最大树木高度（r = -0.59）显示出中等到强的负相关性。

Scanner游戏和Spraypaint游戏在所有地块中的检测率最高，且地块间的变异性最小。Scanner游戏的检测率超过82%，DBH的RMSE范围从1.0厘米到5.0厘米。同样，Spraypaint游戏的树木检测率也保持在79%以上，DBH的RMSE在1.4厘米到3.5厘米之间。游戏生成的DBH估计值与TLS生成的DBH估计值之间的线性相关性在所有条件下都很强（公园地块r = 0.94；森林地块r = 0.97；图6）。

其他游戏的性能在不同条件下变化较大。Tower Defence游戏期间收集的数据产生的树木检测率范围从55%到100%，DBH的RMSE范围从3.4厘米到7.6厘米。Space Probe Retrieval游戏的检测率范围从47%到100%，DBH的RMSE范围从4.1厘米到6.6厘米。Spider游戏的检测率范围从42%到100%，DBH的RMSE范围从3.2厘米到9.8厘米。游戏生成的DBH估计值与TLS生成的DBH估计值之间的线性相关性在所有条件下都相当强（公园地块r = 0.75，森林地块r = 0.97；图6）。相比之下，Space Probe Retrieval游戏在公园地块中的相关性更高（r = 0.78），而在森林地块中的相关性较低（r = 0.67）。

对于公园地块，TLS生成的平均DBH为31.7厘米。最接近的游戏生成估计值来自Spider游戏（31.2厘米），其次是Tower Defence游戏（30.6厘米），然后是Scanner游戏（30.3厘米）和Space Probe Retrieval游戏（29.6厘米）。对于森林地块，所有游戏生成的平均DBH估计值与TLS生成的参考值22.4厘米的偏差均小于0.6厘米。

DBH测量准确性与游戏过程中获得的平均树干点数呈正相关。Spraypaint游戏记录的平均点数最多（71,455），其次是Scanner游戏（54,404），Spider游戏（22,806），Tower Defence游戏（19,749），以及Space Probe Retrieval游戏（10,972）。如图7所示，点数和生成的点云形状在不同游戏中有所不同。在Spraypaint游戏和Scanner游戏中，树木被更全面地捕捉到：点云沿树干向上延伸得更远，显示出更高的整体点密度。相比之下，Spider游戏和Space Probe Retrieval游戏产生的点云更接近地面，反映了这些游戏模式下的游戏机制和玩家移动模式。这种差异可以量化：在原始点云中，Spraypaint游戏的平均点数最高（11,689,488），其次是Spider游戏（6,039,906）。尽管扫描游戏（Scanner Game）每个树干的点数比蜘蛛游戏（Spider Game）多，但其平均总点数为4,163,235点。塔防游戏（Tower Defence Game）和太空探测器回收游戏（Space Probe Retrieval Game）产生的3D观测数据量最少，分别记录了3,764,216点和3,579,954点。下载：下载高分辨率图片（406KB）下载：下载全尺寸图片。图7. 不同增强现实游戏期间收集的点云的时间着色可视化结果。喷漆游戏（Spraypaint Game）、扫描游戏（Scanner Game）和塔防游戏（Tower Defence Game）生成的点云通常具有更大的垂直变化范围。太空探测器回收游戏（Space Probe Retrieval Game）和蜘蛛游戏（Spider Game）生成的点云则更集中于地面附近。在子图像1-3中，扫描游戏的点云与TLS参考数据对齐。子图像3展示了TLS参考点（蓝色）以及游戏生成的点（RGB颜色），高度为胸部高度。

4. 讨论
4.1. 使用增强现实游戏过程中收集的点云来表征单个树木的准确性
本研究评估了在配备LiDAR的移动设备上使用游戏化增强现实应用程序进行活动游戏时，树木检测和胸径（DBH）测量的准确性。与之前依赖于专门构建的应用程序或特定目标的研究（例如Tatsumi等人2023年；Mokro?等人2021年）不同，这种方法通过游戏化来吸引参与者参与数据收集。在表现最好的两个游戏——扫描游戏和喷漆游戏中，检测到的树木比例高达91-93%，其DBH的均方根误差（RMSE）值为2.4-2.5厘米。在测试的应用程序中，扫描游戏最接近传统的非游戏化移动LiDAR扫描应用程序，因为其游戏化仅限于数据收集的可视化。所有游戏生成的林分级别平均DBH估计值与TLS衍生的参考值的偏差均小于0.5厘米。这种准确性水平与专门用于移动设备的测量应用程序报告的结果相当（Magnuson等人2024年），表明只要游戏机制能有效支持数据收集任务，游戏化可以提供一种既有趣又有意义的数据收集方法，而不会影响准确性。
我们的研究没有发现DBH估计准确性与林分级别结构特征之间的明确关系。这可能反映了公园式林分和管理森林林分中相对简单的林分结构，其中相对稀疏的分枝和有限的下层植被使得大多数树干在游戏过程中能够充分暴露以进行点云重建。然而，我们确实观察到树木检测率与林分密度变量（如树木密度TPH和基面积）之间存在中等到强的负相关，表明较稀疏的林分结构支持更高的检测性能。Guenther等人（2024年）也报告称，较低的TPH、较大的树木数量和较不密集的下层植被与更高的DBH估计准确性相关。他们进一步发现，树种、物种组成和树龄对DBH估计准确性没有显著影响。值得注意的是，即使是TLS系统也难以在密集林分中可靠地测量小直径树木（Liang等人2018年）。因此，可以合理预期，使用较低级别传感器的系统也会面临类似的限制。虽然本研究没有明确测试这一点，但在高度密集的林分条件下，准确测量小直径（DBH<7厘米）树木似乎超出了当前移动设备LiDAR的能力范围。
游戏生成的DBH测量不准确主要源于移动设备中集成的较低级别传感器与作为参考的专业设备之间的差异。LiDAR技术的微型化不可避免地降低了测量范围、准确性和分辨率（Fersch等人2017年）。此外，在移动过程中获取点云时，随时间一致地注册3D数据的能力变得至关重要（Kukko等人2017年）。基于移动设备的系统缺乏同时定位与地图构建（SLAM）等先进方法，这进一步导致了重建点云中的位置漂移和结构变形。因此，收集的数据往往表现出有限的垂直覆盖范围，这在树干重建中尤为明显，这些树干的高度通常无法达到传统用于DBH测量的1.3米（见图4、图7）。为了解决这一限制，我们通过过滤异常值并取中值，从地面以上0.4米到1.4米之间的多个直径测量值来估算DBH。这确保了分析中不会遗漏垂直覆盖不完整的树木。另一个主要的不确定性来源是时间漂移，它导致树干点随时间不一致对齐（见图4）。通过将每个20分钟的点云分为四个时间簇并分别分析每个簇，可以缓解这一问题（见图5）。尽管这种方法减少了最严重的漂移相关伪影，但并未完全消除它们。
4.2. 适合树木数据收集的游戏机制
旨在用于游戏化树木测量的游戏设计应包含鼓励用户保持设备直立并直接与树干互动的游戏机制。从我们的发现中可以推断出，扫描游戏和喷漆游戏产生了最高的DBH和树木检测准确性，同时也产生了最多的树干点数。一个合理的解释是，这些游戏机制鼓励玩家以更直立的姿势持握移动设备，使LiDAR传感器向前指向，从而实现更广泛的垂直数据捕获。相比之下，蜘蛛游戏和太空探测器回收游戏引导玩家采取向下倾斜的姿势，有利于地面重建。Chambers等人（2025年）和Nummenmaa等人（2025年）的研究进一步支持了这一观察结果，他们指出喷漆游戏和扫描游戏生成了更多的植被和树木观测数据。相反，蜘蛛游戏在重建地面表面方面更为有效。因此，可以得出结论，游戏设计必须与特定的数据采集需求相一致。
虽然喷漆游戏和扫描游戏在树木表征方面表现最佳，但根据视觉评估，它们也产生了质量最高的点云。相比之下，塔防游戏、蜘蛛游戏和太空探测器回收游戏由于数据采集过程中的位置漂移，表现出更明显的数据伪影，这可能导致它们的树木表征准确性较低（见表2）。通过更有针对性的过滤和时空聚类，可以有效地缓解这些问题。此外，由于这些游戏产生的树干重建的垂直范围不同，根据每个游戏的数据特性调整垂直采样窗口和RANSAC圆柱拟合的切片间距，可以提高DBH估计的准确性，即使初始点云质量有所差异。
除了数据质量和树木测量准确性外，采用的游戏机制还会影响基于移动设备的数据采集效率。之前的非游戏化研究已经证明了高效率。例如，Tatsumi等人（2023年）报告称ForestScanner应用程序将DBH测量所需的人工小时数减少了约74%，Gollob等人（2021年）发现基于智能手机的数据采集速度是传统方法的2.5倍。尽管本研究并未旨在确定获得可靠树木级别测量所需的最优游戏时长，但我们的发现表明，短于此处应用的20分钟游戏时段也可能产生可比的准确性。这是因为20分钟的游戏时段往往导致玩家重复扫描相同的树木或收集超出10米林分半径的数据。还应提到，没有一款游戏是专门为促进高效数据采集而设计的，因为玩家参与的任务与树木测量无关。尽管如此，对于有针对性的应用，设计能够支持测量效率和准确性的游戏是可行的。潜在的游戏设计元素包括基于点的激励措施以促进精确测量、指导玩家覆盖所需树木数量的进度跟踪系统，以及引入竞争性同时保持数据质量目标的排行榜。从游戏设计的角度来看，必须解决两个关键问题：在足够长的时间内保持玩家的积极性（例如Laato等人2025年），并确保游戏机制鼓励玩家穿越所需区域并捕获足够数量的感兴趣对象（如树干）的观测数据（Chambers等人2025年）。要达到必要的参与度，游戏设计需要提供明确的目标和可预测的游戏机制，同时将AR元素整合到现实世界活动中，而不是过度吸引玩家的注意力到他们的移动设备上。重要的是，参与众包本身就可以作为一种内在的激励因素，这表明应避免过度游戏化，因为它通常会妨碍用户自然的贡献意愿（Laato等人2025年）。
4.3. 基于众包的树木测量
通过结合多名玩家的观测数据，可以根据点数识别出最可靠捕获的树木，正如本研究所示。更大的玩家基数可能会提高整体DBH测量准确性，因为我们的实验中有些树木的重建不够密集，同时也会降低遗漏个别树木的风险，从而提高检测率。此外，汇总不同玩家的树木清单可以更有效地过滤虚假伪影（例如不存在的树干）。例如，只有当至少25%的玩家记录了相同的结构时，才能认为该树木级别的观测是有效的。
另一种方法是将所有众包的点云数据合并到一个数据集中，然后进行测量。然而，这种方法将面临重大挑战，特别是不同玩家收集的点云的准确注册（见4.1节）。管理和存储大量原始数据也会增加数据处理的负担——这是点云处理中固有的问题。此外，我们的分析仅使用了LiDAR点，这种对嵌入在消费级移动设备中的LiDAR传感器的依赖限制了兼容硬件的范围，并限制了潜在参与者的数量。此外，LiDAR传感器还需要生成集成到游戏中的AR效果。然而，我们认为也可以仅使用移动设备摄像头开发出吸引人的游戏，其中环境测量将依赖于基于图像的数据和来自摄影测量的点云（Feng等人2024年）。这样的基于摄像头的方法还可以支持非几何树木属性的检索，如树种和树木健康指标（Homan和du Preez，2021年；Magnuson等人，2024年）。
仍然需要开发替代的定位技术或改进众包数据与其他空间数据集之间的共注册方法。在许多实际应用中，众包可以提供补充遥感的现场信息。例如，虽然ALS可以准确测量树木高度和树冠结构，但通常需要预测DBH（Lefsky等人2002年）。众包测量为直接获取DBH数据提供了有价值的替代方案，特别是在城市环境中（Roman等人2017年）。相反，ALS数据可以提供移动设备LiDAR由于其有限的范围（通常约5米）所缺乏的树木高度测量数据。整合这些数据集需要在收集过程中进行精确定位或进行稳健的后期共注册（Dai等人2019年）。然而，在森林冠层下，基于移动设备的卫星定位仍然不可靠（Kaartinen等人2015年）。为了纠正点云漂移，可以通过识别结构关键点来细化粗略的初始位置，这一过程类似于本研究中将游戏生成的测量数据与TLS数据对齐的过程。
在这项研究中，我们调查了哪些游戏机制最能支持基于众包的树木测量数据收集。然而，这些结果不应被解释为大规模应用中可实现的准确性的代表，因为点云质量可能受到各种用户依赖因素的影响。例如，玩家特征如年龄和身高可能会影响数据特性——较高的参与者可能会生成具有更大垂直范围的点云。此外，如果玩家偏好扫描视觉上吸引人的区域而忽略难以到达的位置，可能会出现用户诱导的偏差。虽然可以通过第4.2节讨论的游戏设计元素来缓解这些偏差，但需要更大规模的研究来验证在不同类型的参与者群体中测量准确性是否仍然稳健。
从更广泛的角度来看，任何众包应用的成功取决于能够有效吸引和保留大量参与者的设计（Laato等人2025年）。在这种情况下，游戏化是驱动参与者积极性的关键因素，将数据收集转变为一种吸引人的体验。还需要高效的数据处理工作流程，包括无线数据传输到云计算服务器。考虑到人力和技术要求，针对森林清查的大规模众包努力最有可能在城市森林中实现。在这些环境中，高质量的蜂窝连接和大量的潜在参与者与合适的森林结构相吻合。结论
在不同AR游戏机制中观察到的树木特征识别准确性的显著差异证实，游戏设计必须与测量任务的要求保持一致。在将游戏化应用于城市或森林环境中的树木测量时，游戏机制应鼓励参与者在感兴趣的区域内移动，并直接与树木互动，而不是反复观察同一棵树。在本研究中考察的AR游戏中，那些引导用户行为采取有利数据采集方式的游戏所产生的测量精度与专门的森林测量应用程序相当。这表明，游戏化有潜力将数据收集整合到参与者主要关注游戏玩法而非执行测量任务的各种活动中。

用于移动设备的3D传感技术的微型化不可避免地限制了其相对于TLS等专业工具的测量能力。然而，这些设备的便携性使得众包方法成为可能，大量参与者可以共同弥补单个测量的局限性。虽然本研究证明了AR游戏在众包森林数据采集方面的可行性，但未来的研究应探索更大规模的部署。结合现场测量与遥感数据可能是必要的，而任务的设计起着关键作用：专注于重建单棵树木而非整个样地可能简化不同数据源之间的整合。

未引用的参考文献（Yrttimaa等人，2019年）

CRediT作者贡献声明
Eppu Honkanen：撰写——审阅与编辑，调查
Teemu Kamula：撰写——审阅与编辑，调查
Mikko Vastaranta：撰写——审阅与编辑，监督，资源获取，概念化
Aapo Erkkil?：撰写——初稿，方法论，调查
Lauri Liikonen：撰写——初稿，验证，方法论，形式分析
Tuomas Yrttimaa：撰写——初稿，监督，软件，概念化
Ville-Veikko Uhlgren：撰写——审阅与编辑，软件，调查，概念化
Juho Hamari：撰写——审阅与编辑，资源获取，概念化
Timo Nummenmaa：撰写——审阅与编辑，软件，资源获取，概念化
Kaisa Liimatainen：撰写——审阅与编辑，资源获取，概念化

关于写作过程中使用生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了ChatGPT-5来检查语法并提高文本的清晰度。使用该工具后，作者根据需要对内容进行了审阅和编辑，并对最终出版物负全责。