基于三维模型视觉因子校正方法的邻域散射效应单木尺度叶绿素含量无人机反演

《International Journal of Applied Earth Observation and Geoinformation》：Tree-level inversion of leaf chlorophyll content from UAV imagery using a 3D model-based visual factor correction method for adjacency scattering effect

　　

对于从无人机影像进行单木尺度叶绿素含量（LCC）反演，单木的邻域散射效应会影响特定树冠的反射率，从而增加LCC反演的不确定性和难度。本研究提出了一种针对此类邻域散射效应的新型视觉因子（VF）校正框架，该框架能够通过几何概率而非计算密集的三维辐射传输模型（3D-RTM）高效量化邻域效应。该框架通过基于LiDAR三维场景的光线追踪，提取目标树冠与邻域场景（冠层、地面和天空）之间的光线相交概率来实现。研究人员构建了一个基于VF的邻域效应校正方程，以优化提取的用于单木LCC反演的树冠植被指数（VIs）。结果表明，大多数包含近红外波段的比值型植被指数，如NDVI、RVI、MCARI、CI_rededge和GNDVI，在校正后提高了LCC反演精度（单变量预测的平均R²提升至0.46），而DVI和EVI对邻域效应不敏感，TVI的精度有所下降。值得注意的是，邻域效应校正后的VIs在多变量回归算法下表现出显著提升，R²相比校正前提高了0.4，达到R²=0.67的精度。该方法通过消除邻域散射的影响，克服了无人机影像中单木信号的不确定性，为单木尺度参数的高精度反演提供了高效解决方案，对精准林业管理评估具有重要的应用价值。

研究背景方面，传统遥感研究多集中于冠层尺度，通过植被指数（VIs）如归一化差值植被指数（NDVI）和增强型植被指数（EVI）建立与叶绿素含量的经验关系，但冠层尺度反演掩盖了单木的生理异质性。单木作为森林生态系统的“功能单元”，对精准林业管理（如碳汇动态监测、病虫害预警）和生态过程建模（如光合-蒸腾耦合机制）至关重要。然而，单木尺度反演面临两大挑战：其一，邻域散射效应严重干扰树冠光谱，尤其是近红外（NIR）波段，导致植被指数失真；其二，三维辐射传输模型（3D-RTM）虽能模拟辐射传输过程，但场景构建复杂且计算成本高，限制了其实际应用。因此，如何高效量化并校正邻域效应对植被指数的影响，成为提升单木尺度叶绿素含量（LCC）反演精度的核心问题。研究人员Liu等（Shangbo Liu等）在《International Journal of Applied Earth Observation and Geoinformation》上发表了这项研究，提出了一种基于视觉因子（VF）的邻域散射效应校正框架，旨在优化单木尺度LCC反演精度。该研究通过构建VF量化方法和校正模型，分析不同植被指数对邻域效应的敏感性差异，并建立结合VF与VIs的反演框架，显著提升了反演精度，为精准林业管理的定量评估提供了方法支持。

研究人员开展的研究主要包括利用无人机（UAV）搭载的高光谱相机和LiDAR系统，在鼎湖山国家级自然保护区（广东省肇庆市）的亚热带常绿阔叶林中进行野外实验。样本来源于72棵标记样本树，采集时间为2023年7月（雨季）和12月（旱季），获取了叶片叶绿素含量（LCC）实测数据，以及无人机高光谱影像和LiDAR点云数据。主要关键技术方法包括：（1）基于LiDAR点云的单木分割和简化冠层建模，使用Alpha-shape算法生成冠层凸包，并随机填充叶片以构建简化模型；（2）基于蒙特卡洛光线追踪的视觉因子（VF）计算，通过发射光线并检测与邻域场景（冠层、地面、天空）的相交概率，提取冠层VF（VF_C）、地面VF（VF_G）和天空VF（VF_S）；（3）利用LESS模型（三维辐射传输模型）生成模拟数据，分析VF与各波段双向反射率因子相对误差（BRF RE）的线性关系，构建VF基邻域效应校正方程；（4）结合校正后的植被指数（VIs）进行单变量和多变量（随机森林）回归反演LCC，并评估精度。

研究结果分为四个部分：
3.1 不同波段的邻域散射效应：通过LESS模拟，对比不同太阳天顶角（SZA）和树冠覆盖率（TCC）下单树场景与多树场景的光谱反射率，发现NIR波段（>780 nm）对邻域效应极为敏感，多树场景中单木冠层反射率平均比单树场景高15%-30%。随着SZA增加，全波段受邻域效应影响更显著；TCC增加时，冠层反射率分布变宽。
3.2 视觉因子与邻域效应的相关性分析：VF_C和VF_S与BRF相对误差呈现明显线性关系（邻域效应与VF_C正相关，与VF_S负相关），VF_C的R²为0.52，VF_S的R²为0.58，而VF_G相关性很弱（R²=0.04）。这表明邻域效应主要源于相邻冠层之间的多次散射，地面贡献可忽略。
3.3 基于LiDAR的单木分割精度评估：LiDAR单木分割表现出优异的检测能力（检测率97.4%）和近理想的分割纯度（过分割指数0.971），但边界精度有限（IoU=0.467），面积存在系统性高估（面积比1.455）。
3.4 单木LCC反演结果：基于实测数据验证，校正后大部分比值型植被指数（如NDVI、RVI、MCARI、CI_rededge、GNDVI）的单变量回归R²平均提升至0.46；DVI和EVI变化极小，TVI精度下降。多变量随机森林回归中，校正后R²提高0.4，达到0.67。消融实验表明，排除VF_G会导致模型严重退化（R²从0.27降至-0.14），说明所有视觉因子均不可或缺。

讨论部分总结：研究揭示了不同植被指数对邻域效应的敏感性差异，比值型指数（如NDVI、RVI）因依赖NIR/Red比值而对多次散射误差高度敏感，差异型指数（如DVI）则相对稳健。视觉因子与BRF RE的相关性证实了冠层-天空相互作用主导邻域效应，VF_C和VF_S的线性关系支持了多次散射为主要干扰源的假设。尽管VF_G相关性弱，但消融实验表明其在多变量模型中不可或缺，确保了模型在稀疏林中的泛化能力。研究局限性包括：主要验证于高郁闭度亚热带常绿阔叶林，在稀疏林或开放冠层生态系统中的适用性尚待检验；依赖高分辨率LiDAR数据，且对精细冠层结构、太阳几何和大气条件的适应性有限。未来工作应结合机器学习优化光线追踪效率，并扩展至多树场景以验证普适性。

研究结论翻译如下：本研究提出了一种基于光线追踪和视觉因子（VF）的单木尺度邻域散射效应校正方法，提高了利用植被指数反演单木叶绿素含量（LCC）的精度。主要结论如下：（1）涉及近红外（NIR）波段的比值型植被指数（如NDVI、RVI）对邻域效应最为敏感，校正使单变量LCC反演精度提升（平均R²=0.46），多变量回归达到R²=0.67，比校正前提高0.4；（2）天空和冠层VF与邻域效应显著相关（R²>0.50），而地面贡献可忽略；（3）该方法对树冠覆盖率（TCC）变化具有鲁棒性，但受太阳天顶角（SZA）强烈影响。未来可结合深度学习优化光线追踪效率，并扩展至多树场景以验证普适性。