单木尺度的树种分类是森林资源清查、生物多样性评估的基础。针对无人机激光雷达点云在高郁闭度森林中呈现的垂直密度异质性，以及传统最远点采样（FPS）对冠层高密度区的偏置问题，本文提出 TreeConT 网络。通过引入垂直分层自适应的 Tree-FPS 采样策略和多源特征融合，有效提升了单木点云树种分类的精度，为精细化森林资源清查提供了稳健的深度学习方案。
传统深度学习网络在处理森林点云时，往往因采样策略不当导致关键的树干结构信息丢失。
单木尺度的树种分类是森林资源清查、生物多样性评估及稀有树种监测的核心基础。
现有网络普遍依赖最远点采样 (FPS)，倾向于在冠层高密度区采样，导致树干等关键低密度结构被削弱。
在高郁闭度森林中，无人机点云呈现显著的垂直密度异质性：冠层区域点云高密且形态复杂，中下层稀疏。
TreeConT 基于 Transformer 架构，通过优化采样策略和输入特征增强，全面提升单木点云的特征抽象能力。
沿 Z 轴将单木点云等间隔划分为多个高度区间，利用反比例加权策略分配采样配额，确保低密度层（树干）获得更多采样点，缓解冠层偏置。
并行建模高频和低频信息。高频分支利用 EdgeConv 捕获局部几何细节；低频分支通过基于内容的注意力机制（ConT）建模全局上下文。
除了三维坐标，还融合了反映材质反射特性的 LiDAR 强度（Intensity），以及衡量局部点云分布的点状性、线性度、球形度等几何描述子。
α 为衰减调节参数，λ 为混合因子。该策略确保低密度层（树干）获得更多采样点，高密度层（冠层）适度压缩。
通过局部协方差矩阵特征值分解计算，丰富了树木形态结构的表征。
在 TreeNetXplorer 数据集（11类树种，18749株单木）上，TreeConT 展现出显著的性能优势。
| 模型 | OA (%) | Macro-F1 (%) | Kappa |
|---|---|---|---|
| PointNet++ | 66.75 | 52.11 | 0.6080 |
| PointTransformer | 86.78 | 83.46 | 0.8475 |
| Mamba3D | 89.67 | 87.91 | 0.8809 |
| PointConT (基线) | 91.31 | 90.56 | 0.9000 |
| TreeConT (本文) | 93.12 | 91.66 | 0.9207 |
TreeConT 通过针对性优化，有效解决了 ULS 点云密度不均导致的特征提取不充分问题。
Tree-FPS 通过反密度加权，缓解了采样对冠层的偏置，强化了单木纵向骨架的表征，在复杂混交林及不同物候阶段均表现出较强的分类稳定性。
Tree-FPS 在强化树干的同时，可能过度压缩冠层细枝叶的高频细节；此外，LiDAR 强度受传感器和航高影响，跨设备应用时需进行强度归一化处理。
未来可引入数据驱动的自适应采样权重机制，并探索在更高郁闭度、单木分割难度更大场景下的应用，进一步提升模型的泛化能力。