NeRF-LAI：融合神经辐射场与间隙率理论的无人机多角度影像玉米大豆叶面积指数估算方法

本研究针对传统间隙率法(LAIe )测量局限于单点尺度的问题，提出融合神经辐射场(NeRF)与间隙率理论的NeRF-LAI方法，通过无人机多角度影像实现作物冠层三维隐式表征，开发基于细胞法的LAIe 估算方案（r2 达0.780），为区域尺度叶面积指数监测提供无监督、轻量化的创新解决方案。

　　

在农业遥感领域，叶面积指数(Leaf Area Index, LAI)作为表征植被冠层结构的关键参数，直接影响着作物光合作用与产量估算。传统LAI测量面临两大困境：破坏性采样效率低下，而基于向上冠层间隙率的LAI-2200等仪器仅能获取单点数据，难以满足区域监测需求。尽管无人机搭载鱼眼相机可扩展观测范围，但其数据仍受航线规划限制。更棘手的是，现有三维重建方法如激光雷达(LiDAR)和运动恢复结构(SfM)存在成本高、点云密度不均等问题，导致间隙率理论在区域尺度的应用受阻。

针对这些技术瓶颈，美国明尼苏达大学的研究团队在《Remote Sensing of Environment》发表创新成果，提出名为NeRF-LAI的混合方法。该方法巧妙结合计算机视觉领域的神经辐射场(Neural Radiance Fields, NeRF)与经典间隙率理论，通过无人机多角度倾斜影像构建作物冠层的隐式神经表征，实现从二维图像直接估算有效叶面积指数(LAI_e
)。研究团队在虚拟玉米田、控制试验田和农户田三个尺度验证方法有效性，发现基于细胞法的LAI_e
估算精度最高（RRMSE低至1.95%），且显著优于传统植被指数模型。这项研究首次将隐式神经表达引入农业遥感领域，为区域尺度作物表型监测开辟新途径。

关键技术方法包括：1) 利用4D-maize模型生成160组虚拟玉米田（LAI_e
范围0-11 m²
/m²
）验证观测策略影响；2) 在美国明尼苏达州控制试验田获取8个播期的玉米/大豆多时相无人机影像；3) 开发NeRF-LAI框架，通过渲染半球深度图像计算五环法/细胞法等三种间隙率；4) 采用峰值信噪比(PSNR>18.94)评估合成图像质量；5) 通过交叉验证比较NeRF-LAI与VI模型的转移性。

Evaluating the effect of observation strategy
虚拟玉米田实验揭示：向上与向下间隙率估算的LAI_e
高度一致(r²
=0.997)，且均质冠层中观测高度对结果不敏感。这为无人机向下观测方案提供理论依据。

Large-scale effective LAI mapping
实际农田测试显示：细胞法在玉米(r²
=0.780)和大豆(r²
=0.674)中表现最优，空间分辨率0.5-2.0m时RMSE稳定在0.71-0.95 m²
/m²
。异质田块的LAI_e
对观测高度更敏感，反映叶体积观测差异。

Conclusion
该研究突破性地实现了三点创新：1) 混合优势：将NeRF的连续表征能力与间隙率理论的机制性相结合；2) 方法革新：无需先验知识即可从原始图像生成LAI_e
图谱；3) 应用拓展：为流域尺度监测奠定基础。特别值得注意的是，NeRF-LAI成功解决了SfM点云密度不均导致的间隙率计算偏差问题，其隐式神经表达方式比显式三维重建更适应农作物动态变化特性。未来通过搭载更高效率的采集平台，该方法有望推动农业遥感进入智能三维感知新时代。