《Plant Phenomics》：Innovative 3D Photosynthetic Trait Assessment of Slash Pine Using Drone-LiDAR Fusion and Machine Learning Algorithms
编辑推荐：
本研究针对高郁闭度针叶林光合有效辐射吸收比例(fPAR)的传统二维估算局限，开发了无人机激光雷达-多光谱融合技术，通过随机森林等算法构建三维体素化冠层fPAR模型，实现84%的预测精度(RMSE=0.12)，首次揭示湿地松冠层存在26±4%的垂直梯度差异与9%的季节性波动，为高通量表型分析及精准林业提供技术支撑。
森林作为地球的绿色引擎，其光合作用效率直接关系到全球碳循环与木材生产。然而在高达20米的湿地松（Pinus elliottii）人工林中，传统遥感技术仅能获取冠层顶部的二维信息，无法捕捉阳光在茂密针叶间穿梭时形成的复杂三维光环境。这种认知盲区可能导致林分级光合有效辐射吸收比例（fPAR）估算偏差超过20%，严重制约了高精度生产力预测与育种改良。
为解决这一难题，中国林业科学院亚热带林业研究所智能林业创新研究中心的科研团队在《Plant Phenomics》发表最新研究，通过融合厘米级无人机激光雷达（LiDAR）与五波段多光谱影像，首次实现了湿地松林分三维光合性状的精准解析。研究团队在安徽泾县马头国有林场建立了包含20个半同胞家系的试验基地，利用大疆精灵4多光谱版（P4M）与大疆御3T无人机同步采集数据，结合禅思L1激光雷达系统生成高密度点云。通过数字表面模型（DSM）配准技术，将多光谱反射率值沿垂直柱体向下传递至2米分辨率的体素网格，构建出包含14种植被指数（VIs）的三维冠层数据集。
在模型构建环节，研究人员对比了偏最小二乘回归（PLSR）、支持向量机（SVM）、XGBoost和随机森林（RF）四种机器学习算法。结果表明，随机森林模型以84%的解释度（RMSE=0.12）显著优于其他算法，其中红边叶绿素指数（RECI）成为最重要的预测变量。该模型成功应用于28公顷林区的三维fPAR制图，揭示出三个关键规律：冠层上部fPAR较下部高出26±4%；季节性波动幅度达9%（冬季峰值0.98，春季谷值0.92）；不同家系间存在0.88-0.97的遗传变异幅度。
变量重要性在随机森林模型中的体现
通过变量重要性分析发现，RECI、NDRE、LCI等红边相关指数对fPAR预测贡献最大，而传统宽带指数（如NDVI）重要性较低，证实湿地松光合效率主要受叶绿素生化特性驱动而非冠层绿度信号。
湿地松fPAR的时空变异特征
四年观测数据显示，林分平均fPAR始终维持在0.90以上，空间分布呈现中心区域高值（>0.95）与边缘低值（<0.90）的稳定格局。时间序列分析发现每年2月出现峰值，5-6月降至谷值，7-9月部分恢复的规律性波动。
光合参数fPAR的垂直分布规律
侧视点云剖面清晰显示，上部冠层（15-20米）终年保持高fPAR值，中部（10-15米）与下部（0-5米）受遮荫效应影响显著。 Duncan多重检验证实层间差异具有统计学意义（P<0.05），但家系内部分层差异不显著。
研究团队在讨论中指出，该方法较传统量子传感器测量效率提升80%以上，但存在三点局限：数据采集受天气条件制约；体素级预测依赖冠层表面反射率传递假设；模型在阔叶林中的普适性需进一步验证。未来研究将结合辐射传输模型与多代遗传设计，深化冠层光分布机理认知。
这项研究开创了针叶林三维光合性状评估新范式，其技术框架可直接应用于碳汇计量、基因组选择及精准抚育实践。随着无人机遥感技术的普及，这种“几何结构+生理功能”的融合思路有望成为森林可持续管理的标准工具，为应对气候变化下的林业精准调控提供科学依据。
