这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
无人机载多光谱遥感驱动的空间-光谱自适应泛化高精度BRDF建模方法研究
作者及机构
本研究由Zhuo Wang（中国科学院西安光学精密机械研究所光谱成像技术重点实验室与中国科学院大学联合培养）、Haiwei Li（通讯作者，同属前述机构）、Shuang Wang（中国科学院西安光学精密机械研究所与陕西省光学遥感与智能信息处理重点实验室）及Liyao Song（西安工业大学）共同完成，发表于ISPRS Journal of Photogrammetry and Remote Sensing期刊2025年第227卷。
研究领域与科学问题
本研究属于定量遥感领域，聚焦于地表双向反射分布函数（Bidirectional Reflectance Distribution Function, BRDF）的高精度建模。BRDF是描述地表反射各向异性的关键函数，其建模精度直接影响遥感数据的真实性检验、植被覆盖估算、地形反射校正等应用。传统卫星遥感因空间分辨率低难以实现大范围高精度BRDF建模，而无人机（UAV）多光谱技术虽能高效获取多角度信息，但面临光照随机变化、地形复杂、观测几何变化等挑战。
研究目标
提出一种基于无人机多光谱遥感的“空间-光谱自适应泛化驱动”BRDF建模方法，旨在解决大区域BRDF建模中的光照与地形干扰问题，并通过自适应扩散理论实现从小尺度到扩展区域的高精度BRDF泛化。
1. 数据采集与多角度信息库构建
- 实验设计：在西安梁家滩湿地公园（ROI面积20,736 m²）采用大疆M600无人机搭载Red-edge多光谱传感器（蓝、绿、红、红边、近红外5波段），通过多矩形嵌套飞行方案（图4）获取0°–15°观测天顶角（VZA，5°间隔）的多角度图像。
- 创新设备：引入辐照度监测设备（Ocean Optics USB2000+光谱仪）实时记录光照变化，结合5m×5m标准反射靶标（反射率40%）进行辐射校正。
- 信息库构建（图5）：通过图像拼接、数字表面模型（DSM）生成、坡度坡向计算及支持向量机（SVM）分类（分类精度91.65%），建立包含像素级多角度、地形、类别及光照信息的标准化数据库。
2. BRDF模型校正与单像素建模
- 模型选择：改进三种BRDF模型——基于颗粒介质光学理论的Hapke模型、半经验的核驱动模型（Kernel）及Rahman-Pinty-Verstraete（RPV）模型。
- 关键校正：
- 光照校正（图6）：通过时间-光谱维度归一化辐照度（公式2-4），消除随机光照波动影响（图10显示未校正时RMSE增加28.9%）。
- 地形校正（图7）：基于DSM数据，通过向量化入射与出射光线（公式9-10）修正坡度坡向对几何角度的扭曲（图11显示未校正时SAM误差增加40.1%）。
- 单像素建模：选择信息库中覆盖图像最多的“种子像素”，分别拟合六类地物（草地、水体、裸土、树木、水泥路、靶标）的BRDF分布，平均RMSE=0.0109，SAM=2.9008（图12-17）。
3. 自适应感知扩散与区域建模
- 扩散算法（图9）：提出基于梯度控制的窗口扩散方法（算法2），以种子像素为起点，通过计算类别、坡度、坡向的梯度方向（公式13-15），逐步扩展至最大最优观测区域。
- 结果：草地最大窗口达556×556像素（2111.71 m²），靶标窗口与理论值一致（60×60像素，24.59 m²）。扩散后区域BRDF平均RMSE=0.0266，SAM=8.1263（表6-7），光谱一致性保持良好（图19）。
4. BRDF增强分类应用
将高精度BRDF模型引入SVM分类，通过反射率特征增强（公式16-19），分类精度从91.65%提升至97.23%（Kappa系数0.9264）（图20，表8-9）。
科学价值
1. 提出首个结合无人机多光谱、多角度信息库与自适应扩散的BRDF建模框架，为高分辨率BRDF建模提供了标准化流程。
2. 通过物理模型（Hapke）与半经验模型（Kernel、RPV）的联合优化，提升了复杂场景下的反射特性表征能力。
应用价值
1. 为大范围地表参数反演（如植被覆盖、雪水当量）提供高精度反射率数据。
2. 无人机高效采集方案可推广至农业监测、生态评估等领域，弥补卫星数据时空分辨率的不足。
（注：文中所有专业术语如“BRDF”“DSM”“SAM”等首次出现时均标注英文原词，后续使用中文表述。）