Los jardines verdes de alta calidad pueden mejorar notablemente la calidad de vida y el bienestar mental de sus usuarios. Sin embargo, las limitaciones de salud y estilo de vida dificultan que las personas disfruten de los jardines urbanos, y los métodos tradicionales luchan por ofrecer las experiencias de alta fidelidad que necesitan. Este estudio presenta una estrategia de reconstrucción y renderizado de escenas en 3D basada en la representación neural implícita a través del modelo de campos de radiación neural eficientes y removibles (NeRF-RE). Aprovechando los campos de radiancia neural (NeRF), el modelo incorpora una cuadrícula hash de múltiples resoluciones y una red de propuestas para mejorar la eficiencia de entrenamiento y la precisión del modelado, mientras integra un modelo de segmentación de cualquier cosa para salvaguardar la privacidad pública. Tomemos el manzano silvestre, ampliamente utilizado en el diseño de jardines urbanos en las regiones templadas del hemisferio norte. Se recopiló un conjunto de datos que comprende 660 imágenes de manzanos silvestres que exhiben tres formas geométricas distintas para evaluar el rendimiento del modelo NeRF-RE. Los resultados demostraron que la escena del manzano silvestre "harvest gold" tuvo la mayor precisión de reconstrucción, con PSNR, LPIPS y SSIM de 24.80 dB, 0.34 y 0.74, respectivamente. En comparación con el modelo Mip-NeRF 360, el modelo NeRF-RE no solo mostró un aumento de hasta 21 veces en la eficiencia de entrenamiento para tres tipos de manzanos silvestres, sino que también exhibió un impacto menos pronunciado del tamaño del conjunto de datos en la precisión de reconstrucción. Este estudio reconstruye escenas reales con alta fidelidad utilizando tecnología de realidad virtual. No solo facilita el disfrute personal de la belleza de los jardines naturales en casa, sino que también contribuye a la publicidad y promoción de los paisajes urbanos.