一种混合LiDAR和PROSAIL技术用于葡萄园覆盖度（LAI）估量的方法

《Smart Agricultural Technology》：A Hybrid LiDAR–PROSAIL Approach for LAI Estimation in Vineyards

　　

问题三：论文摘要翻译 叶面积指数（LAI）是可持续葡萄栽培中冠层发育和生产力的重要指标。然而，由于复杂的冠层结构，准确估算葡萄园中的LAI仍然具有挑战性，这常导致辐射传输模型（RTM），如PROSAIL，低估LAI。本研究提出了一种专为垂直整形葡萄园设计的新型混合方法，该方法通过数据驱动校正策略，将基于PROSAIL的光谱LAI基线数据与LiDAR衍生的结构信息相结合。该研究于2023年在包含三个葡萄品种的地中海葡萄园进行。研究人员利用多元线性回归推导出一个结构加权指数（LLI_w），分配了考虑生长阶段和品种间结构参数相对重要性的全局、物候和品种特异性权重。随后，利用支持向量机（SVM）回归整合了PROSAIL衍生的LAI和LLI_w。混合模型与地面测量的LAI显示出很强的一致性（R2 = 0.88），并明显优于单独的PROSAIL（R2 = 0.42）。该混合模型捕捉了冠层发育的时空和品种差异，纠正了季节性低估，并揭示了仅靠光谱模型无法检测到的结构动态。通过整合光谱和结构数据，这种混合方法提供了具有生理学依据、时间一致的LAI估算，支持适应性的、品种特异性的葡萄园监测。

问题四：论文解读文章

《一种用于葡萄园叶面积指数估算的混合LiDAR–PROSAIL方法》学术解读

本研究由法国蒙彼利埃大学的L. Sandonís-Pozo、A. Cheraiet、J.B. Feret、J.L. Lablee、J. Taylor及B. Tisseyre共同完成，发表于《Smart Agricultural Technology》。论文针对地中海非灌溉葡萄园，提出了一种结合物理模型与结构数据的创新框架，旨在解决复杂冠层结构下叶面积指数（LAI）估算精度不足的问题。

研究背景与现状

叶面积指数（LAI，单位地表面积上的总单面叶片面积）是评估葡萄园光合作用能力和蒸腾潜力的关键指标。在地中海气候区，LAI监测对于应对气候变化和水资源限制至关重要。然而，传统的破坏性测量方法劳动强度大且难以规模化。遥感技术，特别是辐射传输模型（RTM）如PROSAIL，虽被广泛应用于作物LAI反演，但在垂直整形的葡萄园中表现不佳。这是由于葡萄藤复杂的冠层结构、行内阴影效应和不连续的叶片分布违反了RTM的一维（1D）浑浊介质假设，导致在高密度冠层条件下系统性的低估LAI。此外，单纯依赖光谱数据（如NDVI）易受植被覆盖度、光合活性和土壤背景的影响，难以实现跨季节的一致监测。因此，整合激光雷达（LiDAR）提供的精确三维结构信息，构建混合建模框架成为突破现有瓶颈的关键。

研究方法与技术路线

研究人员于2023年在法国南部的Domaine du Maspiquet葡萄园开展实验，选取了三个具有不同物候动态的葡萄品种（霞多丽、赤霞珠和小维多）。数据采集涵盖四个关键物候期。核心技术方法包括：首先，利用地面搭载的2D LiDAR传感器（Sick LMS100）获取点云数据，并通过贝叶斯点云分类算法（BPCC）提取植被高度（VH）、冠层宽度（VW）和拦截光束率（TFI）三个主要结构参数。其次，利用Google Earth Engine平台获取同期Sentinel?2影像，运行PROSAIL模型生成光谱LAI基线。随后，构建加权叶量?LiDAR指数（LLI_w），通过多元线性回归量化不同物候期和品种下VH、VW、TFI的相对贡献权重。最后，采用支持向量机（SVM）回归将LLI_w与PROSAIL LAI融合，并通过空间显式的留一地块交叉验证（LOPO）评估模型性能。此外，还构建了基于混合模型查找表（LUT）的Sentinel?2 NDVI时间序列LAI估算方法。

研究结果

1. 1.
   亚 plot 实测 LAI 值：实测数据显示，霞多丽在早期（t1）表现出早熟特性，LAI接近1，约为红葡萄品种的两倍；至后期（t3），赤霞珠达到最高LAI值（3.35?m2·m?2），体现了显著的品种间和物候期差异。
2. 2.
   主要冠层属性与相对贡献：冠层结构参数随季节呈线性增长后趋于稳定。方差膨胀因子（VIF）分析显示VH与TFI存在中等多重共线性，但不影响SVM建模。相对贡献分析表明，全局尺度下TFI贡献最大（60%），而在早期物候期（t1）VH占主导地位（78%），后期（t4）TFI升至77%，反映了冠层从垂直生长向内部致密化的生理转变。品种间，赤霞珠和小维多主要受TFI驱动，霞多丽则受VH和VW影响较大。
3. 3.
   模型性能与 LAI 预测精度：留一地块交叉验证结果显示，品种特异性加权的LLI_w模型（LLI_w variety）表现最佳，R2达0.70。在与地面实测值的对比中，传统PROSAIL模型因缺乏结构信息导致严重低估（R2?=?0.42），尤其在生长盛期偏差近?2?m2·m?2；而混合模型显著提升了精度（R2?=?0.88），能够捕捉不同品种的冠层动态特征。
4. 4.
   Sentinel?2 NDVI 时间序列的 LAI 估算：基于混合模型构建的查找表（LUT）生成的LAI时间序列比PROSAIL更具生理一致性。Spearman相关性分析揭示，在生长季末期（9月），NDVI因色素降解下降，而混合LAI仍保持高位，表明其能反映持久的结构属性；空间分布图上，混合模型呈现出更细腻的品种差异和空间异质性。

结论与讨论

本研究证实，将PROSAIL模拟的光谱数据与LiDAR衍生的、经物候加权的结构指标相结合，可显著提升非灌溉地中海葡萄园LAI估算的准确性。阶段特异性权重与生理发育高度契合：早期垂直高度主导，中期冠层宽度介入，后期叶密度成为主要驱动。该混合模型克服了PROSAIL在高冠层密度下的光谱饱和与异质性难题，相较于传统方法，提供了更具生理学依据且时空一致的LAI估计。尽管仍存在少量残余偏差，且受限于单季单点数据，但该框架已展示出在精准葡萄栽培中支持适应性管理及品种特异性监测的巨大潜力。