这是一篇针对单一原创研究的学术论文，以下是对该研究的学术报告。

基于田间尺度异质性改进玉米叶面积指数估算：整合三维辐射传输模拟与深度学习方法

一、主要作者、研究机构及发表信息

该研究由Jie Zhang、Yuanyuan Ma、Xiaoyu Song等多位学者合作完成。第一通讯作者Xiaoyu Song与Chunjiang Zhao来自北京市农林科学院信息技术研究中心（Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences），其他合作机构包括南京农业大学、中国农业大学、南京大学、北京师范大学、中国农业科学院农业资源与农业区划研究所、河南省农业科学院农业信息技术研究所及西安科技大学等。论文发表于Remote Sensing of Environment第349卷（2027年），文章编号115765。

二、研究背景与目的

叶面积指数（Leaf Area Index, LAI）是连接叶片尺度生理过程与冠层尺度物质、能量和碳交换的核心生物物理参数，被全球气候观测系统列为关键气候变量。在玉米等大田作物中，由于植株生长差异和复杂冠层结构导致的田块内强异质性，给LAI的稳健反演带来了显著挑战。传统一维辐射传输模型（如PROSAIL）虽然计算高效，但忽略了行间辐射交换和几何阴影等三维结构效应；三维辐射传输模型（3D-RTM，如LESS）虽能显式表达冠层几何与空间辐射相互作用，但其计算负担较重且需要大量参数化工作。此外，纯数据驱动模型缺乏辐射传输物理约束，其性能高度依赖于代表性标记样本。

针对这些问题，本研究旨在建立一个整合框架：优化四维（4D，三维加时间）耦合玉米结构模型，以模拟多生育期的表型性状与群体水平异质性；将其与PROSPECT-D叶片光学模型和LESS三维冠层辐射传输模型耦合，构建能反映生理与冠层结构差异的模拟冠层光谱库；并引入DNN-AL主动学习框架（结合深度神经网络与双向知识蒸馏），评估不同模拟池规模和参数先验对LAI反演的影响。

三、研究流程与实验方法

本研究的方法框架包含三个主要部分：三维异质性场景构建、冠层光谱模拟以及基于DNN-AL的LAI反演。

在三维异质性场景构建中，研究对原有的4D耦合玉米模型进行了扩展。原模型在同一场景内近似假设植株发育与结构均匀，仅允许±1%的株高和茎粗变异以及±1%的植株位置偏移。改进后的模型在每个生长度日阶段生成三种形态与生理上存在差异的植株类型：优势株、标准株和弱势株。利用田间实测的株高、叶数、叶尺寸和平均叶角为每种类型设定特定的形态范围。三种场景类型（优势场景、标准场景、弱势场景）分别对应不同优势类型的占比（0.6、0.7、0.8或0.9）。研究实现了六种种植配置（67,000至100,000株/公顷），并在每个生长度日阶段将三种植株类型按比例随机分配到网格位置，同时加入缺苗机制。最终共生成了504个异质性三维玉米场景。

冠层光谱模拟采用LESS模型。叶片反射率与透射率由PROSPECT-D生成，其中叶绿素含量（Cab）范围因植株类型而异：优势株为40–90 μg/cm²，标准株为30–80 μg/cm²，弱势株为20–70 μg/cm²。类胡萝卜素（Car）通过线性扰动关系由Cab计算。所有场景建立在6 m × 6 m的虚拟地块上，采用周期性边界条件。土壤反射率来源于研究区五种代表性土壤类型的实测光谱（涵盖湿润至干燥的梯度）。观测几何设置包括三个太阳天顶角（35°、50°、65°）、三个太阳方位角（0°、45°、90°），视角天顶角固定为0°（天底方向）。大气辐射传输通过6S模型模拟。最终异质性冠层模拟生成了1,134,000条高光谱反射率曲线（400–1000 nm，1 nm分辨率）。同质场景（植株共享同一标称形态，Cab扩展至20–90 μg/cm²）生成了94,500条光谱曲线。PROSAIL模拟生成了112,500条光谱曲线用于对比。

LAI反演数据集处理包括三个步骤：光谱适配、数据集平衡以及受控先验分布训练集构建。模拟光谱被重采样到无人机多光谱传感器的五个波段（蓝、绿、红、红边、近红外），采用高斯加权平均法近似传感器的非均匀光谱响应。除五个波段外，还计算了六个植被指数（NDVI、EVI、NDRE、MTVI1、OSAVI、CIrededge）。为比较样本量效应，从异质性模拟中按生长度日和LAI进行比例分层选取了约100,000个代表性子集，并逐步增加样本量（10,000至100,000）。先验敏感性分析使用50,000样本数据集，考察了四种LAI先验（均匀、截断正态、右偏、左偏）以及Cab、Cw、Cm、ALA、土壤背景和联合太阳几何等参数的集中先验对反演精度的影响。

DNN-AL算法结合了深度神经网络、主动学习和双向知识蒸馏。主模型为三层全连接网络（128–64–1节点），代理模型为双层轻量网络（64–1节点）并采用蒙特卡洛丢弃。代理模型对每个候选样本进行多次随机前向传播，预测方差作为不确定性得分用于主动样本选择。双向知识蒸馏使用连续LAI预测作为软回归目标，主模型的软预测指导代理模型训练，代理模型对不确定性所选样本的更新知识再传回主模型。每个模拟池被随机划分为1%初始训练集、49%候选集和50%验证集。外部验证使用2022至2025年间采集的400个田间观测LAI和无人机多光谱特征。基线方法包括随机森林（RF）、极端梯度提升（XGBoost）和具有相同架构但无主动学习或知识蒸馏的DNN。

四、主要研究结果

在模拟与实测光谱对比中，异质性模拟数据集覆盖了无人机实测光谱的主要范围，并再现了可见光与红边波段间的强正相关以及与近红外波段的弱负相关关系。

不同生长优势场景的光谱分析显示，随生长度日增加，蓝、绿、红和红边波段的反射率整体下降，而近红外反射率先升后降。在可见光与红边波段，平均反射率排序为弱势场景 > 标准场景 > 优势场景；在近红外波段则相反。在生长度日400时，弱势场景的红波段平均反射率比优势场景高26.56%。

在三种模拟数据的光谱比较中，LAI 0–1区间内异质性模拟的近红外平均反射率最高（0.307），LAI 1–6区间内排序变为同质 > 异质性 > PROSAIL。近红外差异在LAI 3–5时最为明显。

模型验证结果表明，在整个样本量梯度上，使用异质性模拟训练的DNN-AL在四种算法中始终取得最低RMSE。在DNN-AL固定时，异质性模拟在10,000–90,000的共同样本量范围内均获得比同质和PROSAIL更低的RMSE点估计值。异质性最优RMSE出现在50,000样本时（0.439 LAI），而同质和PROSAIL分别为0.473和0.517 LAI。在100,000异质性样本下，DNN-AL的R²为0.824，RMSE为0.460 LAI，精度误差为0.460 LAI，偏差为−0.015 LAI。条件分析显示，DNN-AL的优势主要体现在LAI约3以上的区间，其高LAI处的低估更小且残差离散度更低。在90,000样本的共同样本量下，异质性模拟在LAI 2以下具有更低的RMSE，同质模拟在LAI 3–4左右表现更好，而高LAI区异质性保持了更低的精度误差。

先验敏感性分析中，50,000样本下右偏LAI先验将异质性–DNN-AL的RMSE从0.448降至0.403 LAI，R²从0.834提高到0.866，精度误差从0.447降至0.402 LAI。左偏先验产生最大的RMSE（0.551 LAI）。在非LAI先验中，ALA集中和优势场景主导的先验造成最大的RMSE增幅（分别为0.526和0.547 LAI）。在所有四个共同先验下，异质性模拟均获得最低RMSE；DNN-AL在两种算法比较先验下均显著优于RF、XGBoost和标准DNN。

联合传播场景（类型A参考不确定性、条件茎秆贡献和反射率扰动）中，异质性模拟在均匀和右偏先验下均保持了对同质和PROSAIL的RMSE优势，优势保持率至少为92.1%。右偏先验在三种模拟源中均降低了相对于均匀先验的平均RMSE，异质性模拟的降幅为0.024–0.044 LAI，最低优势保持率为97.6%。

五、结论与意义

本研究将结构异质性玉米模拟与DNN-AL相耦合，显著改善了田间尺度LAI反演。DNN-AL在所有测试样本量下均取得最低RMSE，而异质性模拟在共同样本量下也在三种模拟源中取得最低RMSE点估计值。这些改进包括更低的偏差校正后残差离散度。异质性模拟改善了低LAI区间（尤其是LAI 2以下）的反演，而DNN-AL减少了高LAI的低估。训练先验进一步影响反演精度：右偏LAI先验在50,000样本下将RMSE从0.448降至0.403 LAI，结构先验产生最大的误差变化。

该研究的科学价值在于系统地展示了三维冠层异质性表达、训练数据先验设计和主动学习策略三者之间的交互如何共同决定LAI反演的误差结构与量级，并通过分解偏差与精度误差揭示了不同改进路径的作用机制。从应用角度看，研究为利用无人机多光谱数据在异质性农田中实现稳健的玉米LAI监测提供了可行的技术路线，尤其对早期冠层发育和田间生长差异制图具有实用意义，并可与氮素状况信息结合指导精准追肥。

六、研究亮点

本研究的主要亮点包括：（1）对4D耦合玉米模型进行了原创性扩展，实现了植株间形态与生理异质性的显式表达，包括三种生长优势类型、种植配置、缺苗机制和植株随机旋转；（2）将异质性三维场景与PROSPECT-D和LESS模型完全耦合，构建了大规模、可反映真实冠层结构差异的模拟光谱库；（3）提出了DNN-AL框架，将不确定性驱动的主动样本选择与双向知识蒸馏相结合，在较小的模拟池规模下即可实现优于基线算法的反演精度；（4）通过系统性的先验敏感性和联合不确定性传播分析，揭示了训练分布设计、参考值不确定性、茎秆贡献和反射率扰动对反演优势持久性的影响。