基于无人机LiDAR与高光谱影像的机器学习算法在小麦叶面积指数反演中的突破性应用

本研究针对传统遥感方法在LAI>3.0 m2 m–2时的饱和问题，创新性结合无人机LiDAR与高光谱数据，通过5种机器学习模型（ANN、RF等）预测小麦叶面积指数（LAI）。结果表明，ANN模型表现最优（R2=0.90），LiDAR衍生的冠层体积指标是关键特征，解决了高密度植被LAI估算难题，为作物生长模型校准提供了高效工具。

　　

论文解读

背景与挑战
叶面积指数（Leaf Area Index, LAI）是衡量作物光合效率和产量的核心参数，但传统遥感方法在LAI>3.0 m² m^–2时易饱和，尤其在小麦等高密度冠层中。光谱指数（如NDVI）受限于环境噪声和冠层结构复杂性，而手持光学设备（如Li2200C）虽准确却难以大规模应用。如何突破饱和限制、实现高效精准的LAI监测，成为农业遥感领域的痛点。

研究设计与方法
以色列研究团队通过无人机搭载LiDAR和高光谱传感器，采集5块麦田60个样区的数据，结合地面实测LAI（0.25–7.7 m² m^–2），提取LiDAR衍生的高度、间隙率（gap fraction）、冠层体积等结构指标，以及高光谱植被指数（VSIs）。采用简单线性回归（SLR）和5种机器学习模型（ANN、随机森林RF、岭回归、相关向量机RVM、XGBoost）进行预测，并利用Shapley值解析特征重要性。

关键结果

1. 模型性能突破：机器学习显著优于SLR，ANN模型表现最佳（R²=0.90，误差6%），预测上限提升至5.5 m² m^–2。
2. 多源数据优势：LiDAR与高光谱联合模型（R²=0.59–0.90）远超单一数据源，冠层体积相关指标是关键贡献因子。
3. 特征解析：LiDAR的gap fraction和高度指标与LAI强相关，而红边波段指数（如NDRE）在高LAI下仍保持敏感性。

结论与意义
该研究首次系统验证了无人机LiDAR在小麦LAI反演中的潜力，通过机器学习整合三维结构信息，解决了光谱饱和难题。ANN模型的高精度（RPD=3.34）为作物模型校准和精准农业提供了可靠工具，尤其适用于干旱区小麦生长监测。未来可推广至其他低矮作物，推动农业遥感从二维向三维智能化发展。

技术方法概要
研究基于以色列Rehovot和Gilat两地小麦田，使用无人机LiDAR（RIEGL VUX-1）和高光谱相机（Headwall Nano-Hyperspec）采集数据，结合手持Li2200C实测LAI。通过提取12项LiDAR指标（如冠层高度、体积）和VSIs（如NDVI、EVI），采用5种ML算法训练，并利用Shapley值进行特征重要性排序。