本文旨在向研究者介绍发表在《Agricultural and Forest Meteorology》期刊2025年第374卷的一项最新研究。该研究由扬州大学的韩冬伟、朱绍龙、Muhammad Zain、张伟俊、杨贯硕、张丽丽、孙彬倩、赵媛媛、姚照胜、刘涛以及通讯作者孙成明* 等人合作完成。研究团队主要来自扬州大学“作物遗传与生理国家重点实验室培育建设点”、“江苏省粮食作物现代产业技术协同创新中心”以及“智慧农业研究院”。
一、学术背景与研究动机
本研究属于精准农业与农业遥感交叉领域，核心科学问题是农作物冠层结构和光合生产力的无损监测与定量评估。叶面积指数（Leaf Area Index, LAI）是描述作物冠层结构和光合潜力的关键指标。传统遥感方法主要聚焦于估算冠层总LAI，然而，冠层总LAI由各叶层LAI组成，不同叶层的光合贡献和对逆境的响应各异。因此，仅估算总LAI难以深入解析冠层内部光能利用、光合产物分配及衰老动态，限制了其在精准管理和生理研究中的应用价值。
针对这一研究缺口，本研究提出了一种创新方法：将激光雷达（LiDAR）估算的冠层垂直光分布（Canopy Vertical Light Distribution, CVLD）参数与无人机（Unmanned Aerial Vehicle, UAV）获取的多光谱植被指数（Vegetation Indices, VIs）相结合，以实现对冬小麦灌浆期不同叶层LAI的精确、无损估算。其科学假设在于：CVLD与各叶层LAI高度相关，可作为连接冠层三维结构信息（通过LiDAR点云获取）和二维光谱信息（通过多光谱影像获取）的桥梁，从而突破传统植被指数在密植作物中易出现的光谱饱和问题，提升分层LAI估算的精度。本研究的具体目标包括：（1）利用无人机LiDAR数据重建冬小麦冠层三维结构；（2）基于冠层垂直点云分布（Canopy Vertical Point Cloud Distribution, CVPCD）特征构建CVLD估算模型；（3）最终结合实测或估算的CVLD与植被指数，开发各叶层LAI的估算模型，并评估模型效能。
二、详细研究流程
本研究流程严谨，涵盖了试验设计、数据采集、预处理、特征提取、模型构建与验证等多个环节，历时两个冬小麦生长季（2022-2023和2023-2024）。
1. 试验设计与材料： 研究在江苏镇江进行。为构建具有不同冠层结构的冬小麦群体，试验设置了品种（V1：扬辐麦13；V2：扬麦20；V3：扬麦28）、种植密度（D1：150万株/公顷；D2：225万株/公顷；D3：300万株/公顷）和施氮水平（N1：0 kg/ha；N2：150 kg/ha；N3：225 kg/ha；N4：300 kg/ha）的三因素交互处理，共计36种处理组合，每个处理3次重复。2023-2024季数据用于模型构建与验证，2022-2023季数据用于评估模型普适性。
2. 数据采集： 数据采集在开花后0天（0 DAA）、20天（20 DAA）和30天（30 DAA）三个关键时期进行。 * LAI测定： 每个小区选取10株样本，将叶片分为旗叶（L1）、倒二叶（L2）、倒三叶（L3）、倒四叶（L4）和倒五叶（L5），测量每片叶的长和宽，通过公式（叶面积 = 叶长 × 叶宽 × 0.83）计算单叶面积，再结合单位面积茎蘖数计算各叶层LAI。 * CVLD参数测定： 使用SunScan冠层分析仪在开花期测定。在冠层顶部（冠顶上方20cm）、旗叶叶耳、倒二叶叶耳、倒三叶叶耳、倒四叶叶耳及地面处测量光合有效辐射（PAR）。计算各叶层的光拦截率（Light Interception Rate, LIR）和相对光强（Relative Light Intensity, RLI）。LIR指该叶层拦截的PAR占冠顶总PAR的百分比，RLI指到达该叶层水平的PAR占冠顶总PAR的百分比。由于冬小麦叶片衰老后不脱落，灌浆期CVLD变化较小，故仅在开花期进行一次精细测量。 * 无人机遥感数据采集： * 多光谱数据： 使用大疆Mavic 3多光谱无人机，获取绿、红、红边、近红外四个波段影像。飞行高度12米，采集前进行辐射校正。 * 激光雷达数据： 使用大疆Matrice 300 RTK搭载禅思L1传感器，采用倾斜摄影模式（镜头角度45°），飞行高度15米，获取高密度三维点云数据。
3. 数据预处理与特征提取： * 图像预处理： 使用大疆Terra软件进行多光谱影像拼接和点云三维重建。点云数据在CloudCompare软件中进行去噪和降采样。最后根据试验小区边界批量裁剪出各小区的多光谱影像和点云数据。 * 植被指数提取： 从预处理后的多光谱影像中，基于前人研究，提取了24种植被指数，如归一化差异植被指数（NDVI）、绿度归一化差异植被指数（GNDVI）、红边归一化差异植被指数（NDRE）、优化土壤调节植被指数（OSAVI）等。 * 冠层垂直点云分布提取： 这是本研究的创新步骤。使用点云处理软件将每个小区的冠层点云根据CVLD的测量位置（L1上部-L1u、L2-L1层、L3-L2层、L3下部-L3b）垂直划分为4层，并统计各层内的点云数量，以此量化冠层结构的垂直异质性。
4. 模型构建与精度评估： 研究采用了分层建模的策略： * 第一步： 分析实测CVLD与各叶层LAI的相关性，并构建结合实测CVLD和植被指数的各时期LAI估算模型（一级模型）。 * 第二步： 分析CVPCD（点云数量）与实测CVLD的相关性，构建基于CVPCD的CVLD估算模型。 * 第三步： 利用第二步估算的CVLD替代实测值，结合植被指数，构建各叶层LAI的二次估算模型。 * 模型算法与评估： 采用了多元线性回归（MLR）、偏最小二乘回归（PLSR）、支持向量机回归（SVM）、随机森林（RF）、高斯过程回归（GPR）和人工神经网络（ANN）六种算法进行建模，并选择精度最高的算法进行展示。模型精度使用决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）进行评价。
三、主要研究结果
1. 实测LAI与CVLD的变化规律： 数据显示，随着花后生长进程，保持绿色的叶层数减少（0 DAA 5层，20 DAA 4层，30 DAA 2层），且各叶层LAI随叶位降低和生长推进而逐渐下降。CVLD测量表明，RLI随叶位降低而显著下降（L1层平均>90%，地面仅4.8%-69.0%），LIR也呈现相同趋势（L1u层最高，L3b层最低）。这证实了冠层内光环境存在强烈的垂直梯度。
2. CVLD与各叶层LAI的高度相关性： 相关性分析是本研究的关键发现。各时期各叶层LAI与CVLD参数（RLI和LIR）均表现出极高的相关性（最大绝对相关系数范围在0.71至0.92之间）。具体表现为：LAI与所在叶层及以下叶层的RLI呈负相关，与所在叶层的LIR呈正相关。这意味着叶面积越大，拦截的光越多，向下透射的光越少。这一强相关关系为利用CVLD估算分层LAI提供了坚实的生理物理基础。相比之下，植被指数与各叶层LAI的相关性最高仅为0.68，证实了单一光谱信息估算分层LAI的局限性。
3. 基于实测CVLD的一级LAI估算模型精度优异： 结合实测CVLD和植被指数构建的模型取得了非常好的效果。在0 DAA、20 DAA和30 DAA，模型对各个叶层LAI估算的R²范围分别为0.88-0.96、0.77-0.93和0.84-0.94；RMSE范围分别为0.03-0.36、0.07-0.36和0.10-0.18。这证明了一旦获得精确的CVLD，将其与光谱信息结合可以有效估算各叶层LAI。
4. CVPCD与CVLD的相关性及CVLD估算模型： 研究发现，CVPCD与CVLD参数之间存在良好的相关性（相关系数最高达0.87）。基于CVPCD构建的CVLD估算模型，对于大部分叶层的LIR和RLI估算效果良好（例如，L2层RLI估算R²=0.88，RMSE=0.06）。然而，对最顶层（L1）的RLI和最底层（L3b）的LIR估算精度较差。分析认为，L1层受穗部遮挡影响小，光环境差异主要源于点云密度（反映叶面积）的差异，但RLI本身差异不大（都较高），导致相关性弱；L3b层则因为激光难以穿透稠密冠层，点云数量少且处理间差异小，但实际光环境差异较大，导致模型精度受限。
5. 基于估算CVLD的二次LAI模型及其普适性验证： 这是本研究的最终应用模型。使用估算的CVLD（而非实测）结合植被指数，构建的各时期LAI模型精度虽较一级模型有所下降，但仍可接受（2023-2024季：R²=0.44-0.81；2022-2023季独立验证：R²=0.36-0.92）。重要的是，模型在最低绿色叶层（如灌浆后期的下层叶）估算精度相对较差，这与CVLD估算模型在该层的局限性一致。研究还对比了直接使用CVPCD+VI构建LAI模型的方法，发现其精度低于“CVPCD -> 估算CVLD -> 估算LAI”的间接方法，说明通过CVLD这个中间变量，可以更好地关联冠层结构信息与LAI形成的生理过程（光合作用），分散和降低了点云数据直接建模的误差。
四、研究结论与价值
本研究成功提出并验证了一种基于无人机LiDAR和多光谱遥感技术，联合估算冬小麦花后不同叶层LAI的新方法。其核心贡献在于引入了“冠层垂直光分布”这一关键桥梁变量，将LiDAR获取的三维结构信息（CVPCD）转化为与叶片光合功能直接相关的光环境参数（CVLD），再与多光谱信息融合，从而实现了对冠层内部叶层性状的精准透视。
科学价值： 1. 方法论创新： 提供了从“三维点云”到“垂直光分布”再到“分层叶面积指数”的完整技术链条，为作物冠层三维表型解析和内部生理过程遥感反演提供了新思路。 2. 机理深化： 明确了CVLD与各叶层LAI之间的定量关系，深化了对冠层光截获与叶面积空间配置之间相互作用的理解。 3. 研究尺度拓展： 实现了从传统“冠层整体”估算到“冠层内部垂直分层”估算的跨越，使遥感能够更精细地监测作物冠层衰老动态、光合生产力垂直分布等关键生理生态过程。
应用价值： 1. 精准农业管理： 该方法可为变量施肥（特别是追氮）、灌溉和病害监测提供更精细的决策依据，例如针对中下层叶片早衰问题实施精准调控。 2. 高通量表型平台： 可集成到无人机高通量表型平台，服务于作物育种，帮助筛选具有理想冠层结构（如上下层叶面积配置合理、透光性好）的高产品种。 3. 推广潜力： 研究指出，该方法可推广至其他具有分层冠层结构的禾谷类作物（如水稻、玉米）。对于小范围试验，可直接测量CVLD以获得最高精度；对于大田规模应用，则推荐使用基于LiDAR点云估算CVLD的自动化流程，在保证一定精度的前提下大幅提高效率。
五、研究亮点
该项研究是农业遥感向作物冠层内部三维精细感知迈进的重要一步，兼具理论创新意义和实际应用前景，为智慧农业和作物科学研究提供了有力的新工具。