TreeDGS: Aerial Gaussian Splatting for Distant DBH Measurement

Título: TreeDGS: Splatting Gaussiano Aéreo para Medição de DAP (Diâmetro à Altura do Peito) à Distância

1. Problema e Motivação

A medição direta de atributos florestais, especificamente o Diâmetro à Altura do Peito (DAP ou DBH, Diameter at Breast Height), é fundamental para estimar biomassa, volume de madeira e sequestro de carbono. No entanto, realizar essa medição via sensoriamento remoto aéreo (UAV) em florestas é um desafio significativo devido a:

• Escassez de Pixels e Visão: Em altitudes operacionais típicas (70m), os troncos ocupam apenas alguns pixels nas imagens RGB. A faixa de altura do peito (1,37m) é frequentemente oculta pela copa, galhos e sub-bosque, resultando em poucas visões oblíquas e parciais.
• Limitações das Técnicas Atuais:
  • Fotogrametria SfM/MVS Tradicional: Falha em reconstruir superfícies coerentes em troncos distantes devido à falta de textura repetitiva e oclusões frequentes.
  • LiDAR Aéreo: Embora forneça medições de alcance, as trajetórias de UAVs geralmente são voltadas para baixo, resultando em retornos esparsos e desiguais nos troncos na altura do peito, muitas vezes contaminados pela vegetação circundante.
• O Desafio: Recuperar a geometria do tronco o suficiente para ajustar um círculo ou cilindro estável, mesmo com poucos pixels, poucas visões e visibilidade parcial.

2. Metodologia (Pipeline TreeDGS)

O TreeDGS propõe um pipeline de reconstrução aérea que utiliza Splatting Gaussiano 3D (3DGS) não apenas para renderização, mas como uma representação contínua e densificável para medição geométrica. O fluxo de trabalho é dividido nas seguintes etapas:

1. Inicialização e Otimização (SfM-MVS + 3DGS):

   • Utiliza poses de câmera calibradas via SfM (Structure-from-Motion) e uma densificação inicial via MVS (Multi-View Stereo) para criar um ponto de partida.
   • Otimiza um campo de Gaussiano 3D contínuo utilizando o modelo RaDe-GS (Range-aware Depth-aware Gaussian Splatting). O RaDe-GS é escolhido por sua capacidade de rasterizar profundidade de forma consistente, essencial para a extração de superfície posterior.

2. Extração de Pontos Superficiais Conscientes de Opacidade:

   • Diferente de exportar apenas os centros dos Gaussians (que gera nuvens esparsas e fragmentadas), o método amostra densamente pontos dentro do volume dos Gaussians.
   • Amostragem Guiada por Opacidade: Pontos candidatos são gerados com base na opacidade ($\alpha$) de cada Gaussiano.
   • Integração de Opacidade Acumulada: Para garantir que os pontos estejam na superfície visível e não "flutuando" na vegetação ou atrás do tronco, o sistema utiliza uma formulação de plano de profundidade do RaDe-GS. Calcula-se a opacidade acumulada ao longo do raio de visão até o ponto de amostragem.
   • Pontos de Confiabilidade: Cada ponto extraído recebe uma pontuação de confiabilidade baseada na consistência da opacidade entre múltiplas visões (múltiplas câmeras). Pontos com baixa consistência (prováveis oclusões ou ruído) recebem pesos menores.

3. Segmentação Semântica de Troncos:

   • A nuvem de pontos densa (que contém troncos, folhas e sub-bosque) é processada por um modelo de segmentação semântica 3D (ForestFormer3D) para isolar os pontos pertencentes aos troncos.

4. Medição de DAP com Ajuste de Círculo Ponderado:

   • O tronco isolado é dividido em fatias horizontais na altura do peito.
   • Em vez de ajustar um anel fino (como em LiDAR), o método trata a amostragem como um disco sólido (já que os pontos vêm de volumes 3D).
   • RANSAC Ponderado por Opacidade: Um algoritmo RANSAC ajusta um círculo sólido a cada fatia. A amostragem de hipóteses e a pontuação de inliers são ponderadas pela pontuação de confiabilidade de opacidade ($\bar{\alpha}$) calculada anteriormente. Isso suprime pontos de baixa confiança (folhas, ruído).
   • Regressão de Afunilamento (Taper): Um modelo linear com restrição de inclinação negativa é ajustado às diâmetros das fatias para garantir consistência física e estimar o DAP final na altura padrão (1,37m).

3. Contribuições Principais

• TreeDGS: Um novo pipeline que utiliza Splatting Gaussiano 3D para medição direta de DAP a partir de imagens RGB de UAV, operando eficazmente em regimes de escassez de pixels e visões.
• Extração de Superfície Consciente de Opacidade: Uma técnica baseada em RaDe-GS que densifica o campo gaussiano em uma nuvem de pontos consistente com a superfície, atribuindo escores de confiabilidade multivisão para filtrar ruído e oclusões.
• Ajuste Geométrico Ponderado: Demonstração de que o uso de pesos de opacidade no ajuste geométrico (círculo sólido) supera significativamente os métodos tradicionais de ajuste de cilindro ou círculos não ponderados em cenários florestais complexos.

4. Resultados Experimentais

O método foi avaliado em 10 parcelas florestais (210 árvores de Pinus taeda) com medições de campo de referência (fita métrica).

• Desempenho Geral:
  • TreeDGS (Ajuste de Círculo Ponderado): Alcançou um RMSE de 4,79 cm e um MAE de 3,67 cm.
  • Comparação com LiDAR: Superou a linha de base de LiDAR aéreo (ajuste de cilindro) em 39,4%, reduzindo o RMSE de 7,91 cm (LiDAR) para 4,79 cm (TreeDGS).
  • Viés: O método apresentou viés quase nulo (ME = -0,38 cm), indicando alta precisão sistemática.
• Análise de Falhas:
  • O ajuste de cilindro tradicional aplicado aos pontos do TreeDGS teve desempenho ruim (RMSE de 13,29 cm), confirmando que a geometria amostrada (disco sólido) requer um modelo de ajuste diferente.
  • O ajuste de círculo não ponderado foi menos preciso (RMSE de 9,61 cm), destacando a importância dos pesos de opacidade para rejeitar ruído.
• Robustez: O método manteve alta taxa de sucesso (189/190 árvores) mesmo em parcelas com sub-bosque denso e padrões de crescimento variados.

5. Significado e Conclusão

O TreeDGS demonstra que é possível realizar medições florestais precisas e de baixo custo utilizando apenas câmeras RGB comerciais em UAVs, superando as limitações atuais do LiDAR aéreo para medição de troncos individuais.

• Inovação: Transforma o Splatting Gaussiano, tradicionalmente usado para renderização visual, em uma ferramenta de medição geométrica robusta.
• Impacto: Permite o monitoramento florestal em larga escala sem a necessidade de equipamentos LiDAR caros, facilitando o inventário de madeira e a quantificação de carbono.
• Limitações: O método ainda depende da visibilidade do tronco (2-3 visões informativas) e da qualidade da segmentação semântica. Se a altura do peito estiver totalmente oculta em todas as visões, a geometria não pode ser recuperada.

Em resumo, o TreeDGS estabelece um novo estado da arte para a medição de DAP via fotogrametria aérea, preenchendo a lacuna entre a reconstrução visual de alta fidelidade e a extração de métricas físicas confiáveis em ambientes naturais complexos.