无人机多光谱遥感中时空角度尺度效应与融合模式对水稻LAI和叶绿素含量估算的影响研究

为解决无人机遥感监测中时空角度尺度效应不明确及融合模式不清晰的问题，研究人员开展了水稻叶面积指数(LAI)和叶绿素含量(LCC)的多光谱估算研究。通过密集采集12个生育期、50-250m高度、多角度(东西南北及垂直)的NDRE数据，结合多头注意力深度回归模型(MHAR)，发现强光背散射方向NDRE更适于LAI估算(R2=0.89)，弱光条件NDRE更适合LCC估算(R2=0.85)，为精准农业监测提供了创新性时空角度融合方案。

　　

在精准农业和生态研究中，准确获取水稻叶面积指数(LAI)和叶绿素含量(LCC)至关重要。传统人工测量方法效率低下，而无人机(UAV)多光谱遥感技术虽能实现高通量监测，却面临时空角度尺度效应不明确、数据融合模式不清晰等挑战。例如，不同观测高度(50-250m)会导致光谱纹理变化，晨昏时分的太阳高度角变化可能使NDVI值偏差达15%，倾斜观测还会因双向反射分布函数(BRDF)效应引发LAI低估或高估。这些问题严重制约了无人机遥感在作物生长参数反演中的精度。

河南省科学院的研究团队在《Computers and Electronics in Agriculture》发表的研究中，设计了一套创新解决方案。通过在湖北和海南两地开展三组田间试验，采集12个生育期、5种高度(50-250m)、5个角度(东西南北及垂直)的多光谱数据，结合深度学习方法系统解析了时空角度尺度效应。研究首次发现：强光背散射方向的归一化红边差异指数(NDRE)对LAI估算更优，而弱光条件下的NDRE更适合LCC估算。

关键技术包括：(1)设计多时空角度密集观测实验，覆盖3个水稻品种、3种氮肥水平的27个样方；(2)采用多头注意力深度回归模型(MHAR)融合位置编码与全局局部信息；(3)对比浅层机器学习与深度神经网络(DNN)模型性能。

不同无人机观测高度的影响
数据分析显示，抽穗期(HS)的NDRE值随高度增加呈下降趋势，50m高度NDRE比250m高约0.15，证实空间尺度对光谱特征存在显著影响。

时空角度融合模式优化
MHAR模型在最优策略下的LAI估算精度达R²=0.89(RMSE=1.29)，显著优于DNN模型。值得注意的是，添加其他植被指数并未提升精度，表明NDRE已包含核心信息。

讨论与意义
该研究首次系统阐明了无人机观测高度、时间与角度对水稻参数估算的量化影响规律。提出的时空角度融合模型不仅解决了BRDF效应导致的参数反演偏差，还为无人机作业规范(如推荐采用背散射方向观测LAI)提供了理论依据。研究成果对发展智慧农业监测技术、优化作物表型筛查方法具有重要实践价值，尤其为多源遥感数据融合提供了可借鉴的方法论框架。