为探究辽宁省东部九市（沈阳、大连、鞍山、抚顺、本溪、丹东、营口、辽阳以及铁岭）松材线虫病空间分布特征，应用地理加权逻辑回归（geographically weighted logistic regression，GWLR）模型构建松材线虫病预测模型，对风险区进行预测，为松材线虫病害防控提供科学依据。以2023年的辽宁省松材线虫病疫情区分布林班数据为基础，利用核密度分析法对研究区松材线虫病空间分布特征进行探讨。结合气象因素、地形因素、植被指数以及社会因素等32个影响因子，通过斯皮尔曼相关性检验、双向逐步回归及方差膨胀因子分析筛选松材线虫病预测模型的关键影响因子，利用Logistic回归和GWLR模型构建松材线虫病预测模型，对比2个模型的预测精度，并分析GWLR不同自变量系数的空间分布。结果表明，松材线虫病疫情主要集中于抚顺市周边；林班到公路距离、林班到铁路距离、年平均温度、生长季干旱指数以及土壤湿度等5个影响因子为辽东九市松材线虫病预测模型的关键因子；GWLR模型的拟合效果明显优于Logistic回归（决定系数R ²提升0.42，均方根误差RMSE减小0.14，平均绝对误差MAE减小0.10），对松材线虫病风险区预测的准确率较高（总体精度为90.41%；风险区生产者精度为95.34%，用户者精度为86.79%；非风险区生产者精度为85.49%，用户者精度为94.83%），高风险区集中于抚顺市、铁岭市东南部及本溪市西北部。应用GWLR模型能有效捕捉松材线虫病的空间异质性，该模型的自变量系数在不同地区差异显著。林班距公路、铁路的距离对松材线虫发病率的影响有较明显的空间异质性，年平均气温在大部分地区对松材线虫发病率有促进作用。研究结果可为松材线虫病的传播规律探讨和精准防控提供理论支持。
以偃松（Pinus pumila）未成熟种子为材料，未成熟合子胚为外植体，道格拉斯冷杉培养基（douglas Fir medium，DCR）为基本培养基，通过调节植物生长调节剂6-BA、NAA和ABA的质量浓度诱导其体细胞胚胎发生，共获得3个胚性细胞系。基于体胚发生体系，经过卡那霉素质量浓度筛选、侵染时间、共培养时间确定，最终建立适用于偃松的农杆菌介导的遗传转化体系，利用该系统成功获得偃松的抗性愈伤。结果表明，偃松体胚发生体系包括未成熟种子消毒、胚性愈伤组织诱导、胚性愈伤组织增殖、体胚诱导、萌发后培养及生根培养6个阶段。胚性愈伤组织诱导最适培养基DCR+1 mg/L 6-BA+2 mg/L NAA，诱导率为1.11%；胚性愈伤组织增殖最适培养基为DCR+0.35 mg/L 6-BA+0.5 mg/L NAA，增殖倍数为3.73；体胚诱导最适培养基DCR+20 mg/L ABA，每克胚性愈伤组织的体细胞胚胎发生量平均为86.67；体胚萌发后使用DCR+活性炭培养基进行生根诱导，生根率为58%；体胚生根后培养最适培养基为木本植物培养基（woody plant medium，WPM）+ 0.1 mg/L IBA。遗传转化最适卡那霉素质量浓度为60 mg/L，最佳侵染时间为15 min，最佳侵染液菌体密度OD600为0.4，经7 d恢复培养后，再将组织转接于含60 mg/L的卡那霉素的培养基进行筛选和愈伤增殖诱导，经DNA水平鉴定和β-葡萄糖苷酸酶（β-Glucuronidase，GUS）组织化学染色验证，成功获得了转基因愈伤组织，初步建立了偃松的遗传转化体系。
为探究倒春寒胁迫对不同种源水曲柳的危害情况、筛选耐倒春寒优良种源，以东北地区16个水曲柳种源2年生幼苗为研究对象，调查萌动物候期差异后，对萌动期2~3级幼苗进行人工模拟倒春寒处理；系统分析胁迫后冻害率、物候、生长及关键生理生化指标，结合气候因子开展相关性分析。结果表明，16 个种源萌动期差异极显著，呈现高纬度种源萌动早、低纬度种源萌动晚的规律；帽儿山地区倒春寒多发生在5月初或5月下旬，此阶段萌动期达2~3级（新芽伸出至展叶）的苗木受害最严重。阿木尔种源5月22日萌动期等级达到4级，叶片完全展开，可有效避开倒春寒对新芽的伤害。人工模拟倒春寒胁迫处理后，种源间冻害率变异幅度为16.00%~75.00%，平均38.10%，封顶期、落叶期提前，生长期缩减，株高、地径生长量分别降低12.70%和 7.40%，过氧化物酶（POD）活性、黄酮质量分数升高，光合色素、木质素质量分数显著降低。基于生长、物候及关键生理生化指标的变化以及各指标与气候因子的相关性分析，按20%的筛选强度，筛选出阿木尔、带岭、南岔3个耐倒春寒的优良种源。
探讨林药复合经营对土壤特性的影响，是目前林药复合经营关注的热点。以林下种植三叶青（Tetrastigma hemsleyanum）、重楼（Paris polyphylla）和白及（Bletilla striata）林地为研究对象，并以未种植药材的林地作为对照，分析林药复合经营对土壤理化性质、微生物生物量及胞外酶活性等17项指标的影响。研究结果表明，与对照相比，林下种植白及使土壤pH升高（P<0.05），但是林下种植对土壤电导率、容重、孔隙度等均无显著影响。林下种植白及和三叶青组土壤的有机碳分别为26.48 g/kg和23.83 g/kg，均低于对照组31.73 g/kg（P<0.05）；种植重楼和三叶青的土壤总氮分别为1.55 g/kg和1.41 g/kg，显著高于对照组的0.94 g/kg（P<0.05）；林下种植对总磷、阳离子交换量、氨态氮、硝态氮等指标无显著影响。三叶青、白及和重楼降低了土壤微生物量碳质量分数（P<0.05），重楼提高了微生物磷质量分数和土壤磷酸酶活性（P<0.05）。Z-Score分析结果表明，三叶青、重楼和白及降低了综合评分，其中，重楼的综合评分高于三叶青和白及，但统计差异不显著。研究结果为亚热带林下药材种植的生态影响和经济效应评价提供了基础数据支持。
物种多样性和功能多样性作为生物多样性的2个重要维度，是影响生态系统功能的关键因素。以黑龙江省东部山地4种典型林型阔叶红松林（KH）、云冷杉林（YLS）、蒙古栎林（MGL）和落叶松林（LYS）为研究对象，采用多重比较法、相关性分析和冗余分析等方法，比较不同林型植物功能性状加权值、物种多样性、功能多样性、土壤因子变化特征及内在联系。结果表明，阔叶红松林和蒙古栎林的叶面积、比叶面积显著高于云冷杉林和落叶松林，蒙古栎林的叶绿素和叶碳质量分数显著低于其他3个林型；阔叶红松林、云冷杉林、落叶松林的Margale丰富度指数、Shannon⁃Wiener多样性指数、Simpson多样性指数和Pielou均匀度指数显著高于蒙古栎林；阔叶红松林的功能丰富度指数FRic和Rao二次熵指数最高，蒙古栎林的功能分歧度指数FDiv最高，功能均匀度指数FEve在不同林型中无显著差异；土壤pH和含水率对物种多样性有显著性影响，土壤pH对功能多样性有显著性影响。研究结果可为森林生态系统群落结构优化及维持生物多样性提供理论依据。
森林火灾是影响森林生态系统结构与功能的重要干扰因素，系统评估火后森林结构恢复过程对区域生态安全与经营管理具有重要意义。以黑龙江省森林火灾区域为研究对象，基于全球生态系统动力学调查（Global Ecosystem Dynamics Investigation，GEDI）激光雷达数据，结合时空替代方法（space-for-time substitution），系统分析森林火后0~35 a冠层垂直结构的生态恢复轨迹及其差异特征。选取相对高度分位数（RH25、RH50、RH75、RH98）、冠层覆盖度（CC）和植被面积指数（PAI）作为结构指标，通过构建过火区与未燃烧基准区的结构差值序列，采用50 km×50 km网格等权汇总方法，并结合Theil–Sen估计与空间块重采样，对森林结构恢复趋势的稳健性进行评估，进一步按生态区（大兴安岭、小兴安岭、长白山）分组比较火后恢复轨迹与恢复率差异，以及比较不同火烈度条件下的恢复差异。结果表明，火后森林结构恢复具有明显的层次性特征，中层高度结构（RH50）的恢复速率最高（约0.09 m/a），其35 a相对恢复率约为0.33；中上层与林冠顶高度结构（RH75、RH98）虽保持显著恢复趋势，但相对恢复率低于中层结构。冠层属性指标中，PAI的长期变化信号整体强于CC，提示不同冠层属性对火后恢复的响应阶段与持续性存在差异。火烈度对结构恢复具有显著影响，中重火区域在低层高度结构及冠层属性上的恢复趋势不显著，且长期恢复强度明显低于轻火区域。分生态区比较表明，三大生态区的恢复速率与相对恢复程度存在显著差异，差异主要体现在RH25、CC、PAI指标上，其中，长白山地区的恢复速率整体更高，而大兴安岭在低层与冠层属性指标上恢复受限更明显。研究表明，GEDI激光雷达结构参数能够有效分析区域尺度森林火后长期结构恢复过程，可为火后森林恢复评估与经营管理提供科学依据。
开发兼具环境友好性、独特美学触感与高性能的柔性触觉传感器，是推动可持续人机交互技术发展的关键。针对此问题，提出一种基于天然木材的柔性触觉传感器制备新策略。该方法首先通过脱木质素及半纤维素处理天然木材，得到保留微观多孔结构的柔性透明木质模板。然后，通过原位聚合在该模板内部均匀负载聚吡咯，并利用导电银浆进行图案化打印，最终构建三明治结构传感器。该传感器在保持木材触感和机械柔性的同时，实现高精度压力检测，为柔性触觉交互界面提供可靠方案。性能评估结果表明，该木基柔性传感器在2~10 kPa的不同压力下能够稳定地通过自身的非线性动态响应进行初步数据处理。此外，对其在交互界面与可穿戴设备中的潜在应用价值进行分析，提出的可扩展、高效的木材功能化策略，不仅为木基柔性传感器提供柔性、高性能且环保的触觉传感解决方案，也为兼顾材料可持续性、美学价值与触觉功能的交互系统设计开辟新途径。
针对传统时间反演算法中需二次激励信号的问题，提出一种简化试验操作且提高木板损伤定位精度的方法。采用单发单收型虚拟时间反演技术，通过信号运算替代物理时间反演过程；定义虚拟时间反演重构信号与激励信号的相关系数作为损伤指标；结合超声概率成像算法实现木板损伤定位。结果表明，信号能够在损伤处实现虚拟聚焦，损伤定位准确性明显提升。虚拟时间反演技术简化试验流程，同时有效提高木板损伤定位精度，为工程应用提供参考。
针对重组竹热压成型过程中工艺参数多因素耦合、依赖经验调参且试错成本高的问题，亟需建立工艺参数与质量指标之间的定量映射关系，并进一步实现面向目标性能的参数反推。为此，提出一种基于多策略（multi-strategy，MS）交通拥堵优化算法（traffic jam optimization，TJO）优化的支持向量回归（support vector regression，SVR）方法——MS-TJO-SVR，用于构建重组竹工艺参数与质量指标的双向预测模型。正向预测以密度、含水率、施胶量和保压时间为工艺参数输入，以静曲强度、水平抗剪强度、吸水宽度膨胀率和吸水厚度膨胀率为质量指标输出；反向预测以质量指标为输入，反推相应工艺参数。通过MS-TJO对SVR关键超参数进行联合寻优，提高模型对非线性关系的表征能力与预测稳定性。结果表明，所构建的MS-TJO-SVR在正向与反向预测任务中均具有较高的拟合精度和较小的预测误差，且在与传统SVR及其他优化SVR方法的对比中表现出更优的综合性能。研究结果可为重组竹热压成型参数优化与质量预测提供有效的建模工具与方法参考。
为实现木材废弃物的资源化利用，利用木材废弃物制得的木粉与废旧聚乙烯造粒制得的木塑骨料（wood-plastic，WP）和硫铝酸盐水泥（calcium sulfoaluminate cement，CSA），制备木塑轻骨料生态浮岛（wood-plastic composite ecological floating island，WPC-EF），以木塑骨料与胶凝材料的比例（P/C）作为影响变量来研究其碱度、力学、孔隙率、透水特性及生物附着和净水能力。结果表明，随着P/C的增加混凝土碱度由9.1降低至8.1；抗压强度呈先增后降的变化规律，当P/C为0.5时，抗压强度值最大，3~28 d抗压强度由2.65 MPa增长至7.81 MPa；随着P/C的增加，WPC-EF的连通孔隙率由22.9%增加至44.3%，总孔隙率从35.7%提高至53.7%；透水系数在P/C为0.5时，达到最大值4.85 cm/s，此时生物附着质量以及生物附着群落最佳；污水净化方面，P/C为0.5的试件综合表现最佳，对配置富营养水体中的氨氮（ -N）、总氮（total nitrogen，TN）、总磷（total phosphorus，TP）的去除率分别达到72.15%、86.7%、83.1%。P/C为0.5时在承载与生态功能间取得平衡，该研究结果为生态浮岛制备与工程化应用提供有效的技术支撑。
构建一种兼具高精度与轻量化特征提取能力的树皮图像识别模型，从而在保持较低计算开销的前提下实现高效树种分类，并通过对模型结构进行设计，来增强模型对纹理特征的表达能力，最终提升其整体识别性能。设计由DenseNet121与ShuffleNetV2两特征提取分支构成的双分支轻量化识别模型——DenseShuffle_ECA。DenseNet分支侧重深层语义特征提取，ShuffleNet分支用于获取高效纹理特征，以降低整体参数量与计算复杂度。在DenseNet分支中嵌入高效通道注意力（efficient channel attention，ECA）模块，通过自适应通道权重强化关键识别特征。两分支输出特征在通道维度上进行拼接融合，经Dropout与全连接层完成分类预测。模型在自建的树皮图像数据集上进行训练、验证与测试，其中包含黄檗（Phellodendron amurense）、兴安落叶松（Larix gmelinii）、蒙古栎（Quercus mongolica）、黑皮油松（Pinus tabulaeformis var. mukdensis）、水曲柳（Fraxinus mandshurica）和樟子松（Pinus sylvestris var. mongolica）6种东北地区主要树种的3 514张树皮图像。为评估模型表现，设置多组对比试验，包括与 AlexNet、DenseNet、GhostNet、MobileNetV3、ShuffleNetV2共计5种经典网络的性能对比，拼接融合、平均融合与加权融合3种特征融合策略的效果对比，以及ECA模块不同嵌入方式的效果对比试验。此外，引入标签平滑（label smoothing）来抑制模型过拟合、提升其泛化能力。结果表明，1）DenseShuffle_ECA模型在准确率和加权F1分数上均取得最佳性能，总体平均准确率达到98.87%，在保持较低计算开销的前提下显著优于5种对比模型，其中，较基线模型DenseNet提升约3.2%，较基线模型ShuffleNetV2提升约9.3%；2）拼接融合策略在性能与稳定性上最优，ECA模块集成于DenseNet分支（ECA_dense_only）时识别精度最高，达到98.06%；3）引入标签平滑（label smoothing）有效提升了模型泛化能力，识别精度达到了 98.28%。通过双分支特征提取、通道注意力强化与高效融合机制的模型——DenseShuffle_ECA，实现了树皮图像特征的深度表达与精确分类，在精度、计算效率与稳定性方面均表现突出，为建立便携式木材贸易、林业调查和森林智能监测识别系统提供了一种轻量化且可靠的技术方案。
针对丘陵山地中幼林抚育作业需求，设计一种履带式割草机行走装置并确定其关键参数。利用三维机械设计软件（solidworks，SOLIDWORKS）和机械系统动力学自动分析（automatic dynamic analysis of mechanical systems，ADAMS）软件，建立行走装置三维模型及动力学模型，通过仿真分析验证其在丘陵山地地形中的通过性，并针对仿真结果进行优化。结果表明，行走装置在35°斜坡上能保持稳定牵引性能；翻越150 mm垂直障碍时可平稳通过且不倾覆；通过500 mm宽沟壑时能维持良好稳定性；优化后的行走装置质心位移和速度波动幅度减小，稳定性提升。该履带行走装置在复杂地形中展现出优良的通过性和稳定性，有效解决丘陵山地割草机通过性差和稳定性不足的问题，对提升丘陵山地地区林业机械化水平具有重要意义。
针对复杂林分中小径木树干细长、易遮挡且与背景纹理相似导致检测困难的问题，在自建小径木图像数据集基础上，提出基于YOLO11n构建轻量化改进模型——LDM-YOLO，LDM是由LSKA（large separable kernel attention）、DySample动态上采样与MBConv-Detect首字母缩写。方法上，在Backbone中引入双卷积跨阶段部分网络瓶颈‑大核可分离卷积注意力模块（cross‑stage partial network bottleneck with 2 convolutions-large separable kernel attention，C3k2-LSKA），增强细长树干及其上下文特征的表征能力；在Neck中采用DySample动态上采样，细化多尺度特征对齐；在检测头回归分支中使用移动倒置残差卷积‑检测结构（mobile inverted bottleneck convolution-detection head，MBConv-Detect），以降低参数量和计算量。试验结果表明，在自建小径木数据集上，提出的LDM-YOLO模型的mAP50和mAP50-95分别较YOLO11n提升3.1和2.3个百分点，GFLOPs从6.3 G降至5.1 G，在保持推理开销较低的前提下取得更高的检测精度。对比Faster R-CNN、YOLOv5n、YOLOv8n和YOLOv10n等代表算法，LDM-YOLO在相近或更低计算复杂度下取得了更优的综合检测性能。研究证明所提出模型在小径木检测任务中能够较好地兼顾精度与轻量化，为后续面向资源受限平台的林业智能装备应用提供了有益的参考。
针对木板家具聚脲喷涂中A、B两组分混合不充分、易致涂层缺陷的问题，提出并验证一种“1T2Y”（1段T型结构室和2段Y型结构室）两次撞击式混合室结构以提升腔内混合均匀性与出口稳定性。建立1T（1个T型结构室）、1Y（1个Y型结构室）与1T2Y三维模型并在ANSYS Fluent中进行对比仿真；采用聚脲材料A、B两组分围绕混合室流体速度、压力、密度、湍流强度及混合指数等参数进行研究。1T2Y在T型撞击与双Y型重组处产生多处压降峰与对称环流，形成“拉伸、折叠和卷吸”耦合混合机制；沿程密度由陡峭界面向均匀过渡，Y型支中段约1 250~1 260 kg/m³，出口分布最均匀；湍流强度峰值约2 000%，在支路内迅速衰减、出口前短暂回升后整流。研究表明，合理使用T型和Y型结合可提高混合室混合效果；与1T、1Y相比，1T2Y出口速度场轴对称性最佳、偏流最小，混合指数显著提升，混合效果优异；混合流体在混合室时间约为0.15 s，满足聚脲反应迅速的条件。研究结果可为木工聚脲喷枪混合室结构优化及工程应用提供参考，也为提升木制家具喷涂质量与一致性提供新思路。
针对自走式沙漠植树机四立柱导向副在恶劣工况下的重复定位误差问题，研究装配误差、结构参数与摩擦特性对系统定位精度的影响机理，建立考虑装配误差与弹性变形耦合的误差传递模型。基于Adams仿真，分析导轨垂直度（0°、+1°、+2°）、滑块间距（100、175、250 mm）及摩擦系数对系统受力与定位精度的影响，设计三因素三水平正交试验并搭建试验平台验证。结果表明，垂直度由0°增至2°时滑块受力增幅190%；滑块间距由100 mm增至250 mm时，系统受力降低67%，定位精度提升；静摩擦系数超过0.3时出现爬行，摩擦阻力增加87%。方差分析显示，垂直度、滑块间距、摩擦系数对精度影响显著性依次递减。优化参数为垂直度±1°以内、滑块间距250 mm、静摩擦系数≤0.2。研究结果为沙漠植树机械精度提升提供参考。
准确量化植食性虫食面积，是害虫防治、植物抗虫育种与遗传筛选等应用研究的核心环节。但叶片在自然环境中易受昆虫啃食，产生不规则缺损。针对虫食叶片区域重建问题，提出一种基于Pix2Pix（image-to-image translation with conditional adversarial networks）的图像重建方法。首先，在生成器中引入残差结构和卷积注意力机制（convolutional block attention module，CBAM），增强网络的特征提取与表达能力；随后采用带梯度惩罚项的瓦瑟斯坦生成对抗网络（wasserstein generate adversarial network with gradient penalty，WGAN-GP）判别器替代原始判别器并加入谱归一化（spectral normalization），提升模型训练的稳定性。结果表明，改进算法与原模型相比，结构相似性（structural similarity，SSIM）、峰值信噪比（peak signal-to-noise ratio，PSNR）分别提升4.4%、13.8%，感知相似性（learned perceptual image patch similarity，LPIPS）降低了53.7%。该方法可取得叶脉纹理更清晰、叶边缘语义结构一致性更好的修复效果，为植物叶片表型参数提取提供技术支持。
当下林果采摘大量采用人工作业的方式，其采摘效率低、生产成本高，且具有一定危险性，林果采摘机械臂的发展和应用势在必行，避障路径规划是机械臂作业的关键。快速随机扩展树（rapidly-exploring random tree，RRT）算法作为常用的路径规划方法，存在搜索效率低、规划成本高和规划路径曲折冗长等问题。为此提出一种基于多策略融合的改进APF-RRT算法，APF（artificial potential field）为人工势场法，在RRT算法中引入动态目标偏置策略，融合改进后的人工势场法，引导随机树朝着目标点方向扩展，结合步长自适应调整策略，提升算法的性能；对初始路径进行剪枝和平滑优化，剔除冗余节点，提升路径质量。利用Matlab进行对比仿真试验的三维空间仿真结果显示，相较于RRT算法、RRT*算法和文献［
苹果幼果的高效精准识别是自动化机械疏果的重要前提，针对苹果幼果因光线不足、叶片遮挡及果实堆叠等导致的识别困难，提出一种“迁移学习+注意力机制”双维度改进的YOLO11n的识别算法，旨在提升复杂田间环境下自动化疏果机械识别的准确性及泛化性。该算法构建思路为，构建和标注包含多时段、多角度和不同田间环境下的苹果幼果图像数据集，为训练模型提供高质量样本支持；利用迁移学习微调优化YOLO11n模型，提升模型在实际场景识别的泛化能力；迁移学习优化后，在最优基础模型YOLO11n中引入卷积注意力模块（convolutional block attention module，CBAM），构建YOLO11n-CBAM改进模型，以达到强化模型关键特征提取能力与目标区域聚焦能力。试验结果表明，迁移学习下的YOLO11n模型准确率 达到97.33%、召回率 达到88.01%、平均精度mAP50达到95.00%、平均精度mAP50-95达到69.12%，显著优于迁移学习下的其他模型与随机权重下的同类模型；CBAM模块进一步将YOLO11n各项指标提升，P、R、mAP50、mAP50-95分别达到了99.07%、88.81%、95.87%、71.02%，且在复杂田间场景中展现出更强的抗干扰能力。改进后的模型显著提升了苹果幼果识别的精度，同时拥有较高泛化能力，能够为自动化机械疏果提供有效技术支撑。
森林优势树种分类是区域森林资源精细监测与生态评估的重要基础。在中等分辨率遥感场景下，像元混合与边界过渡效应显著，混交区域类别判别不稳定。同时，训练样本中不同树种类别的样本占比存在明显差异，样本占比偏低的类别更易出现漏分、空间破碎与边界漂移等问题。为此，面向光学数据、雷达数据和地形因子构建多模态输入，提出一种少数类增强多模态混合专家网络（minority-class mitigation mixture-of-experts network，M-MoENet）。该方法设计轻量层级融合模块，对不同模态进行专用卷积编码并逐级融合，获得统一特征表示。在编码器前馈子层引入稀疏混合专家多层感知机模块（mixture-of-experts multilayer perceptron，MoE-MLP），并结合置信度调节门控实现自适应专家激活。同时，引入面向低占比类别的训练约束，以缓解主导类偏置并提升少数类的有效学习能力。试验结果表明，M-MoENet总体性能最优，总体精度（overall accuracy，OA）、平均交并比（mean intersection over union，mIoU）和Kappa系数分别达到79.46%、60.08%和0.74，并在常绿松与椴树等少数类上取得更显著提升。该方法能够在多模态和类别样本比例不均衡条件下提升优势树种分类精度，为复杂林区优势树种分类提供有效方法。
为有效利用森林点云数据测算森林碳汇，实现叶片与枝干点云的精准高效分离至关重要。森林点云具有重叠性强、特征复杂和数据量庞大等特点。现有研究方法存在计算成本高、依赖树木几何与光谱特征和跨树种泛化能力弱等问题。针对这些挑战，提出利用状态空间特征增强（PoinTramba）方法，分别采用Transformer与Mamba对组内和组间关系进行建模。基于PoinTramba框架，进一步改进其分组策略并对基于上下文关系的重排序策略做出调整，适配森林点云特性，使其具备处理森林点云驳杂数据能力的同时提高了跨树种的泛化性。试验结果表明，PoinTramba方法在测试集上取得了94.20%的总体准确率（OA）、85.53%的平均交并比（mIoU）和87.37%的平均准确率（mAcc），相较基于Transformer的方法展现出显著提升。同时，对PoinTramba方法采取的分组策略以及基于上下文关系的重排序策略的实际效果进行了分析，对比PoinTramba基础方法以及其他改进措施都有一定的优势。
