《Applied Sciences》：Recovery of Fruit and Vegetable Waste from Large-Scale Retail Through Hermetia illucens L. Bioconversion: A Life Cycle Assessment Approach
本综述全面总结了多源传感技术与智能建模方法在植被监测领域的最新研究进展。研究人员阐明了核心主动与被动技术的物理机制及互补性，包括光学高光谱遥感、LiDAR结构探测以及微波/毫米波雷达。进一步地，研究人员系统分析了先进的数据处理方法，涵盖基于物理的辐射传输模型、数据驱动机器学习、物理-数据双驱动建模迁移学习以及多源数据融合策略。论文重点介绍了在不同典型场景中的成功应用，如作物精准氮素诊断、森林生物量估算、作物倒伏风险预测以及植被胁迫评估。最后，研究人员讨论了数据异质性和模型泛化等关键挑战，并展望了未来构建协同“空-天-地”一体化监测网络和先进AI融合方法的发展方向。
1. 引言
全球人口持续增长与气候变化的叠加效应对农业生产力和森林生态系统服务功能构成严峻挑战。作为陆地生态系统最大碳库，森林的碳汇能力持续受到森林退化、野火、病虫害的威胁。在此背景下，作物生长与森林结构动态的精准监测已成为保障粮食安全和应对气候变化的关键支柱。植被监测的核心参数涵盖作物生理生化指标以及森林结构特征。在作物层面，氮素状况直接调控产量与品质，其精准监测是实现按需施肥和提高氮肥利用效率的前提；叶片含水量和冠层水分状况影响光合效率与抗旱性；生物量和叶面积指数（LAI）是碳、水循环模拟的关键输入。在森林生态系统中，树高、LAI和地上生物量不仅是碳储量估算的基础，还反映森林健康与演替动态。木质藤本对热带森林冠层结构和化学成分的显著影响进一步凸显了精细冠层监测的生态价值。传统监测依赖破坏性野外采样，虽结果准确，但耗时费力、时效性差且空间覆盖有限，尤其在树种多样、结构复杂的林分中，难以捕捉田块或景观尺度的空间异质性。遥感与传感技术的快速发展为植被监测提供了新手段。卫星、有人机、无人机（UAV）和近地传感器构成多平台立体监测体系。卫星遥感提供全球覆盖，多光谱和高光谱数据已广泛用于植被指数反演和LAI产品生成，但受重返周期、云干扰和空间分辨率限制，精细监测能力不足。UAV平台填补了卫星与地面观测之间的尺度空缺，凭借灵活性、高时空分辨率和低成本优势，近年来在植被监测中得到广泛应用。在传感器层面，主动与被动技术的互补性日益凸显。光学传感器通过测量冠层反射光谱反演叶绿素、类胡萝卜素和氮素等生化参数，高光谱传感因其窄波段优势在组分反演中表现优异，但被动光学易受光照和云覆盖影响，高LAI条件下信号饱和问题突出。LiDAR作为主动遥感技术，通过发射激光脉冲精确测量树高、冠层垂直剖面和LAI，不受光照条件限制。Zeng等人（2026）引入冠层间隙大小分布理论，提出针对LiDAR光束足迹效应的校正方法，显著提高了LAI估算精度。然而，不同LiDAR系统在光束发散角、脉冲能量和穿透能力上存在显著差异，需开发相应校正方法。微波合成孔径雷达（SAR）和调频连续波（FMCW）雷达具备全天时全天候能力，即使在烟雾和云层条件下也能有效探测。Horst等人（2019）和Gao等人（2019）系统分析了频率不确定性和平移位置误差对微波SAR成像的影响，并提出了补偿方法，为微波雷达在植被监测中的应用奠定了基础。Janpangngern等人（2025）利用基于软件无线电的高分辨率FMCW雷达实现了小型无人机探测，展示了在复杂环境中探测弱目标的能力。Schenkel等人（2024）利用毫米波雷达实现烟雾探测和燃烧分析，证明雷达信号对介质介电常数变化的敏感性可用于动态火灾监测。在数据处理方面，传统经验模型泛化能力弱，物理模型面临病态反演问题，各有局限。机器学习与深度学习方法凭借强大的非线性拟合能力，在植被参数反演中展现出显著优势。Lu等人（2022）利用随机森林回归融合多源数据，显著提高了水稻氮营养指数（NNI）的预测精度。Yang等人（2026）将N-PROSAIL辐射传输模型与深度迁移学习耦合，实现了冬小麦冠层氮密度（CND）的高精度估算，有效缓解了小样本下的过拟合问题。多源数据融合通过整合传感器数据、环境因素和农艺管理信息，显著提升了氮素诊断和施肥推荐的准确性。本文系统综述了多源传感技术在植被监测中的原理、方法、应用与挑战。尽管农业作物与森林生态系统共享相同的传感原理和数据处理框架，但二者在冠层结构、生长特性、空间尺度和监测目标上存在显著差异。因此，本综述分别讨论了多源传感技术在不同植被场景中的应用。具体而言，作物监测主要关注氮素状况、水分含量和生长条件等生理生化参数，而森林监测则侧重于结构参数、生物量估算和生态系统尺度评估。本文旨在总结共同的技术基础，同时突出不同植被类型的特定需求和适应方法。
2. 立体视觉基础及其对农业环境的适应性
然而，农业作物与森林生态系统在反演植被参数和实际应用上存在显著差异。由于冠层结构相对均匀且生长周期短，作物监测通常关注动态生理生化特征，如氮素状况、含水量和生长条件。相比之下，森林监测因冠层结构复杂和长期生态过程，更侧重于三维结构特征、生物量估算和生态系统尺度评估。因此，尽管可采用相似传感技术，但参数选择、数据采集策略和建模方法应根据植被类型进行调整。
2.1. 双目立体视觉系统的构建与计算流程
被动光学遥感的核心在于探测植被冠层反射太阳辐射的光谱特征。植被叶片中的色素、水分和细胞结构在特定电磁辐射波段表现出选择性吸收和反射特性，从而形成可用于反演植被生理生化参数的光谱信号。在可见光区（400-700 nm），叶绿素a和叶绿素b在蓝光（约430 nm、450 nm）和红光（约660 nm、670 nm）波段呈现强吸收峰，而在绿光波段（约550 nm）反射率相对较高，这是植被呈现绿色的直接原因。在红与近红外边界（约700-1300 nm），植被反射率急剧上升，形成所谓的“红边效应”，其位置和斜率对叶绿素含量、氮素状况和胁迫响应高度敏感。在短波红外区（1300-2500 nm），约1450 nm和1940 nm处的水吸收波段主导光谱特征，可用于估算植被含水量。高光谱遥感凭借其探测数十至数百个连续窄波段的能力，可捕捉这些精细光谱特征，从而实现对植被生化组分的定量反演。Ferreira等人（2025）利用无人机高光谱数据（400-1000 nm）研究藤本植物去除对热带季节性森林冠层化学成分的影响。该研究计算了87个植被指数，发现干旱季节色素敏感指数对藤本去除表现出中到大的负响应。其中，色素吸收比短波（PARS）指数响应最强，而绿色修正指数（GMI2）和简单比值指数（SR1–SR3）的效应量也达到-0.548至-0.566。这些结果表明藤本去除后冠层绿度显著下降，因为常绿藤本依靠深根系在旱季维持叶片，而树木在此期间落叶，使藤本成为冠层绿度的主要贡献者。相比之下，雨季指数的效应量极小，表明在资源充足条件下，树木和藤本均充分展叶，掩盖了竞争差异。在作物监测领域，主动冠层传感器（如Green Seeker和Crop Circle ACS-430）是光学遥感技术的重要延伸。与依赖太阳光源的被动传感器不同，主动传感器自带光源，不受环境光照变化影响，能在多种天气条件下获取稳定的冠层反射率数据。Green Seeker传感器利用红光（656 nm）和近红外（770 nm）两个波段计算归一化差值植被指数（NDVI）和比值植被指数（RVI）。在青菜两年田间试验中，NDVI和RVI与地上生物量的相关系数分别为0.698-0.967和0.642-0.951，与植株氮素吸收量的相关系数分别为0.678-0.951和0.677-0.951。在四个生长阶段的独立建模中，RVI在幼苗期和莲座期对生物量的估算精度最高，而NDVI在结球期和成熟期表现更优。将生长天数纳入多元线性模型可使NDVI的生物量估算精度提高19.0-35.6%，RVI提高40.4-84.6%。Crop Circle ACS-430传感器在红光（670 nm）和近红外（780 nm）基础上增加红边波段（730 nm），进一步扩展了波段配置。红边波段的引入使其能够计算对叶绿素和氮素更敏感的指数，如归一化差值红边指数（NDRE）和冠层叶绿素指数（CIRE）。Dong等人（2023）利用Crop Circle ACS-430采集玉米V8生长阶段（拔节末期）的冠层反射率数据，并结合种植密度、施氮量、生长度日和累积降水量等环境与农艺变量，建立玉米茎秆倒伏风险预测模型。研究发现，在所测试的35个植被指数中，基于红边和近红外波段的三波段指数对倒伏相关参数的预测性能最佳，R
2范围为0.67-0.84。将多源数据纳入多元线性回归（MLR）后，倒伏风险指标（茎秆失效弯矩和临界风速）的预测R
2从简单回归的0.34-0.67提升至0.69-0.83，均方根误差显著降低。
2.2. 基于LiDAR的主动结构探测
LiDAR通过发射激光脉冲并测量其经目标反射后的返回时间（即飞行时间法）精确计算传感器与目标之间的距离。与被动光学遥感不同，LiDAR不依赖太阳照明，可昼夜工作，且其激光脉冲具有一定穿透能力，能穿过冠层间隙获取林下地表信息，从而实现植被三维结构的直接测量。LiDAR数据处理的核心理念在于点云的生成与分类。原始点云经过去噪、滤波和分类处理，区分地面点与非地面点。基于地面点插值生成数字高程模型（DEM），基于所有点（主要为首次回波）生成数字表面模型（DSM），两者相减得到冠层高度模型（CHM）。CHM的每个像素值代表该位置植被高出地面的高度，是估算树高、冠幅、间隙分数和冠层垂直结构的基础数据产品。在树高估算方面，Thinley等人（2025）以澳大利亚昆士兰州一个包含56个树种、林龄约10年的城市树木园为研究对象，使用无人机LiDAR数据生成CHM，并与287棵树的野外实测数据比较。研究发现CHM与实测树高的Pearson相关系数达0.85，线性回归R
2为0.73。对于地上生物量估算，CHM的对数线性回归R
2为0.43。值得注意的是，将Sentinel-2卫星导出植被指数（NDVI、EVI、LAI）纳入模型并未显著提高单木生物量估算精度，表明在混交城市森林中，高分辨率LiDAR结构信息比中分辨率光谱信息携带更多信息量。在叶面积指数反演方面，Zeng等人（2026）系统研究了LiDAR光束足迹效应对冠层间隙分数估计的影响。研究比较了两种LiDAR系统（Livox，大光束发散角，椭圆足迹约52 mm × 489 mm；RIEGL VUX-1LR，小光束发散角，100 m高度足迹约50 mm × 50 mm）在29个森林样地的LAI反演精度。研究发现，Livox系统因其较大的光束足迹严重低估了冠层间隙分数（偏差达-50.5%），导致LAI被高估42.3%。Zeng等人提出基于冠层间隙大小分布理论的校正方法，引入归一化穿透质量指数（NPQI）和自适应权重因子以补偿遗漏的小尺度间隙。校正后，Livox的间隙分数估计R
2从0.63提升至0.73，RMSE从0.06降至0.03；LAI估计的RMSE从2.12急剧下降至0.54。对于RIEGL系统，在200 m高度校正效果极小，但在300 m高度，由于光束足迹增大，校正后RMSE从0.74降至0.37。研究还发现，沿垂直剖面，Livox点云的第10百分位高度在密林样地上升至12.25 m，而RIEGL系统在200 m和300 m飞行高度下仍能捕获3.5 m和5.25 m高度的近地表回波。这些发现表明，冠层穿透性受传感器特性（包括光束发散角、足迹大小和脉冲能量）强烈影响，而非仅由点云密度决定。Subedi和Zurqani（2026）进一步评估了飞行速度和图像重叠率对无人机LiDAR数据质量的影响。研究发现LiDAR点云密度随图像重叠率增加而提高，飞行速度10 mph结合80:80前后/侧向重叠率产生的点云密度最高（437.8 pts/m
2），是50:50重叠率配置的三倍以上。然而，LiDAR反演的冠层高度百分位数在不同配置间无显著差异，表明点云密度达到一定阈值后，继续增加重叠率对冠层结构参数的改善有限。在树高估算精度方面，无人机LiDAR在10 mph和80:80重叠率下表现最佳，且在所有飞行配置下保持较高一致性，展示了LiDAR相对于光学影像的优越稳健性。
2.3. 微波与毫米波雷达
微波雷达（如合成孔径雷达SAR）和调频连续波（FMCW）雷达是另一类主动遥感技术，其工作机制与LiDAR有本质区别。雷达发射微波频段（波长从毫米到厘米）的电磁波而非激光脉冲。微波对介质材料的介电常数敏感——介电常数变化会引起反射信号幅度和相位的变化，使雷达能够探测目标介电特性的差异而不仅仅是几何结构。合成孔径雷达通过平台运动合成大孔径天线实现高分辨率成像。在植被监测中，SAR的后向散射系数对植被含水量、冠层结构和生物量敏感，已广泛应用于森林和作物监测。然而，SAR成像质量受多种仪器误差影响。Horst等人（2019）系统分析了仪器频率不确定性对宽带微波SAR图像的影响。研究发现频率不确定性引起的相位误差随目标距离增加而累积放大。通过定义归一化图像误差，确定了相位误差阈值（0.073π弧度）：当超过该阈值的测量数据比例低于20%时，图像畸变不可分辨；超过80%时，图像质量显著恶化。对于近场无损检测应用（目标距离小于10个波长），即使频率不确定性达到100 MHz，图像误差仍可维持在-20 dB以下，表明微波SAR在短距离探测中对频率误差具有高容忍度。Gao等人（2019）进一步研究了平移位置误差对微波SAR成像的影响。通过比较横向位置误差（沿扫描方向）和高度位置误差（垂直于扫描平面），发现高度位置误差是导致图像质量退化的主导因素。在X波段（8.2-12.4 GHz）实验中，当最大高度位置误差达到0.25λ（约7.5 mm）时，点目标图像出现严重散焦和分裂。其提出的高度位置误差补偿方法可将图像误差降低10 dB以上，恢复点目标图像的清晰度。调频连续波雷达连续发射频率随时间线性变化的信号，通过测量发射信号与回波信号的频率差推导目标距离。FMCW雷达结构简单、功耗低、距离分辨率高，在短距离探测场景中具有独特优势。Janpangngern等人（2025）利用USRP B210软件无线电平台和GNU Radio开源框架构建了2.45 GHz FMCW雷达系统，实现了对小型无人机（雷达散射截面RCS低至0.01 m
2）的探测。系统采用Vivaldi天线配合抛物面反射器（增益17.3 dBi）和两级功率放大器（发射功率50 dBm），并利用GPU加速的gr-plasma模块实现实时匹配滤波、多普勒分析和恒虚警率（CFAR）检测。在野外测试中，系统成功探测到300 m外以5 m/s速度飞行的无人机，距离-多普勒图清晰显示目标的位置和速度信息。该研究展示了软件无线电架构在构建低成本、可重构雷达系统方面的潜力。在能见度极低的恶劣环境（如烟雾和火灾）中，毫米波雷达的优势尤为突出。Schenkel等人（2024）利用70-90 GHz FMCW雷达进行烟雾探测和燃烧分析研究。研究发现，在EN54-7标准烟雾风洞层流条件下，当烟雾颗粒体积分数从0线性增加到0.465 ppm时，雷达信号的相位变化与MIREX光学消光测量呈现高度一致的上行趋势。在开放空间湍流烟雾实验中，雷达相位信号能够追踪烟雾的扩散和稀释过程。在实际火灾测试（聚氨酯泡沫TF4和正庚烷TF5）中，雷达相位随时间变化的模式与燃烧过程的不同阶段（从点火、充分燃烧到熄灭）吻合良好。TF5火灾中相位变化幅度达62°，而TF4为45.55°，差异与两种燃料的热释放速率相关。研究从介电理论角度解释了这一现象的物理机制：燃烧产生的水蒸气和CO
2改变空气混合物的折射率。根据Debye方程和Lorentz线型模型，水蒸气在毫米波频段表现出显著的极性分子共振吸收特性，其折射率变化可达10
-6量级，足以被高灵敏度相位测量捕获。在车内乘员检测方面，Sato等人（2024）利用60 GHz频段MIMO-FMCW雷达结合机器学习方法实现了车内儿童存在检测。研究在丰田普锐斯（两排座椅）和日产Serena（三排座椅）两款车型上采集了数千帧雷达数据，通过Range-FFT获得距离信息，使用Capon算法估计到达角以生成距离-方位角热力图。从这些热力图中提取了74类一维特征（包括每个座椅区域的功率最大值、方位角、距离及其时间统计量），用于训练XGBoost和深度神经网络（DNN）模型。在两排座椅模型的三分类任务（成人/婴儿/空座椅）中，XGBoost和DNN模型均实现了接近100%的分类准确率；在三排座椅模型的二分类任务（婴儿/空座椅）中，准确率同样接近100%。为增强模型可解释性，研究进一步将XGBoost模型近似为可解释决策树。通过去除冗余分支和优化评估算法，模型评估时间从毫秒级降至亚毫秒级，模型体积显著缩小。该研究表明毫米波雷达能够穿透儿童安全座椅等障碍物检测婴儿的微弱呼吸运动，在保护隐私的同时实现高精度舱内生命探测。
2.4. 补充传感应用
尽管本综述主要关注植被监测，但雷达传感领域的一些近期进展因其方法学创新而值得关注，尽管其应用领域不在植物冠层内。Lu等人（2022）利用随机森林回归融合多源数据（包括来自Green Seeker和Crop Circle的植被指数、生长阶段、气象因素、土壤性质和农艺管理变量），建立了水稻氮营养指数（NNI）的估算模型。研究比较了三种NNI预测策略：间接策略I、间接策略II和直接策略。结果表明，基于随机森林的多源数据融合显著增强了模型性能；与仅使用传感器数据的模型相比，环境和农艺变量的引入使SMLR模型的R
2提高了1-16%，随机森林模型的R
2提高了9-40%。在独立验证中，直接NNI预测策略取得了最优的诊断精度，优于间接策略I和间接策略II。
3. 数据融合与建模方法
植被参数的定量反演依赖于从原始传感器信号到目标变量的数学转换，其准确度直接决定监测结果的可靠性。围绕这一核心问题，研究人员发展了三种互补的方法体系：基于物理的辐射传输模型、数据驱动的统计与机器学习方法，以及融合两者优势的混合建模策略。本章系统阐述每种方法在植被监测中的原理、适用条件和典型应用。
3.1. 物理模型与辐射传输模型
辐射传输模型（RTM）从电磁波与植被冠层相互作用的物理机制出发，定量描述入射辐射在冠层内的散射、吸收和透射过程。与纯经验统计方法不同，RTM不依赖特定数据集的统计关系，而是基于第一性原理构建输入参数与冠层反射光谱之间的确定性映射，使模拟数据具有清晰的解释性和跨场景泛化潜力。在众多RTM中，PROSAIL模型是最广泛应用的冠层辐射传输模型，由叶片光学特性模型PROSPECT和冠层双向反射率模型SAIL耦合而成。两者耦合实现了从叶片生化组分到冠层尺度的完整辐射传输模拟。针对氮素监测的特殊需求，研究人员开发了N-PROSAIL模型，将叶片氮密度（LND）作为关键输入参数引入PROSPECT，并用氮吸收系数替代原模型中的叶绿素吸收系数，从而更直接地表征氮素对冠层光谱的影响。Yang等人（2026）利用N-PROSAIL构建了冬小麦冠层氮密度（CND）反演框架。基于实测数据，确定关键参数的先验分布范围，并采用马尔可夫链蒙特卡洛方法生成6000组参数组合，模拟400-2500 nm范围内的冠层反射光谱。Li等人（2018）进一步证明N-PROSAIL在冬小麦叶片氮浓度估算中的RMSE为0.48-0.64%，冠层氮密度估算的RMSE为1.26-1.78 g·m
-2，优于传统植被指数回归模型。对于结构更复杂的森林冠层，三维辐射传输模型DART提供了更精细的模拟能力，基于离散坐标法模拟三维异质场景中的辐射传输过程，适用于复杂地形和多层冠层结构。基于DART模型生成的模拟数据集，Dong等人提出了玉米LAI垂直分布的条件约束反演方法，构建了玉米冠层三层垂直分布场景，利用DART模拟冠层反射率和光合有效辐射，建立LAI垂直分布反演模型。结果表明，约束优化下的反演精度显著优于单参数反演，上层LAI反演R
2提高0.022，RMSE降低0.016 m
2/m
2，中层LAI反演R
2提高0.08，RMSE降低0.219 m
2/m
2。RTM在植被监测中的核心价值在于其作为“数据生成器”的功能。通过系统变化输入参数，生成覆盖广阔参数空间的大规模模拟光谱数据集。这些数据集具有精确的标签信息，不受野外数据的样本量、环境条件和测量误差等限制，有效缓解了模型训练中野外数据稀缺的制约，是混合建模方法的重要基础。
3.2. 经验统计模型与机器学习
与基于物理的RTM不同，经验统计模型直接在观测数据和目标变量之间建立统计关系，而不显式建模辐射传输过程；其优势在于计算效率高、实现简单，但性能高度依赖于训练数据的质量和代表性，导致泛化能力有限。传统经验统计方法以回归分析为核心。偏最小二乘回归（PLSR）通过提取自变量和因变量之间的潜变量成分，有效解决了高光谱数据中的多重共线性问题。多元线性回归（MLR）和逐步回归通过筛选显著变量建立预测模型，结构简单、解释性强。Dong等人（2022）利用MLR模型融合Crop Circle ACS-430的三波段反射率与种植密度、施氮量、生长度日和累积降水量等变量，预测玉米茎秆倒伏风险，发现MLR模型对倒伏相关植物参数的R
2为0.72-0.91，显著优于仅基于单一光谱指数的简单回归模型。然而，传统线性回归方法难以充分捕获植被参数与遥感信号之间普遍存在的非线性关系。机器学习的引入为这一问题提供了有效解决方案。随机森林作为集成学习方法，通过构建多个决策树并综合其预测结果，自动处理特征间的非线性交互和高阶依赖关系，对异常值和噪声具有良好的鲁棒性。极端梯度提升（XGBoost）通过梯度提升框架顺序构建决策树，每棵新树拟合前一棵树的残差，并引入正则化项控制模型复杂度，在预测精度和泛化能力之间取得良好平衡。Sato等人（2024）利用XGBoost对从60 GHz FMCW雷达提取的74类一维特征进行建模，在丰田普锐斯和日产Serena两款车型的车内婴儿存在检测二分类任务中实现了接近100%的分类准确率。为进一步提高可解释性，研究将XGBoost近似为可解释决策树，将评估时间从毫秒级降至亚毫秒级，并通过去除冗余分支和优化评估算法显著缩小模型体积。深度学习方法，尤其是卷积神经网络（CNN），能够通过多层非线性变换从原始数据中自动学习层次化特征表示。Yang等人（2026）设计了一维卷积神经网络SCAR-CNN，融合通道注意力机制和残差连接，从N-PROSAIL模拟的冬小麦冠层高光谱反射率中提取与氮密度相关的光谱特征。在模拟数据集上预训练后，SCAR-CNN在田间实测数据上实现了CND估算R
2为0.78（第一年）和0.66（第二年），显著优于PLSR和查找表反演方法，证实了深度学习在捕获非线性光谱-氮素映射关系中的优势，但其性能仍受限于训练数据的代表性和数量。
3.3. 迁移学习与领域自适应
尽管深度学习方法在植被参数反演中展现出巨大潜力，但其成功高度依赖于大规模、高质量标注数据集。然而，在农业和森林监测的实际应用中，获取大量野外实测数据常面临成本高、时空覆盖有限等现实约束。迁移学习为解决这一困境提供了有效途径，其核心思想是将模型在数据丰富的源域学到的知识迁移到数据稀缺的目标域，从而缓解小样本条件下的过拟合问题。在植被遥感领域，辐射传输模型生成的模拟光谱数据因其标签精确、覆盖全面、获取成本低，是理想的源域数据源。Yang等人（2026）提出的物理-数据双驱动建模框架是迁移学习的经典范例：利用N-PROSAIL辐射传输模型生成大规模、精确标记的模拟光谱数据集作为源域；在源域数据上预训练SCAR-CNN模型，学习光谱数据与氮含量之间的通用映射关系；使用少量田间实测高光谱数据对预训练模型进行微调，通过反向传播调整网络参数以适应目标域的数据分布。两年田间试验结果表明，该混合框架的估算精度显著优于传统方法，有效缓解了小样本场景下的过拟合问题。更重要的是，迁移学习策略赋予了模型跨场景泛化能力：微调后的模型在不同生长阶段验证R
2为0.43-0.89，不同施氮梯度下验证R
2为0.43-0.88，从地面高光谱数据迁移至无人机高光谱影像时灌浆期估算R
2为0.68。领域自适应作为迁移学习的扩展，进一步关注源域与目标域数据分布差异的显式对齐。通过领域对抗训练、最大均值差异最小化等技术，在特征空间中对齐源域和目标域数据分布，为物理模型模拟数据与实测数据的深度融合提供了更精细的技术手段。
3.4. 多源数据融合策略
单一传感器或数据类型往往不足以充分表征植被的复杂状态。光学遥感提供冠层生化成分信息，LiDAR提供三维结构信息，微波雷达提供介电特性信息，环境和农艺变量则提供植被生长的外部条件信息。通过整合这些互补信息，多源数据融合可显著提升模型预测精度和鲁棒性。根据融合发生的阶段，可分为数据级、特征级和决策级融合。在作物氮素诊断中，Yu等人整合无人机多光谱影像、植被指数、作物高度、地形指标和土壤性质，利用机器学习模型估算玉米冠层氮素重量。从多源数据导出的共29个变量使用随机森林（RF）和支持向量回归（SVR）进行评估。RF模型总体上优于SVR模型，基于选定变量的最佳RF模型在验证数据集上实现了R
2为0.73，RMSE为2.21 g m
-2。特征重要性分析进一步表明，作物高度是最具影响力的预测因子，其次是若干植被指数和多光谱反射率变量，地形信息也对估算有所贡献。这些发现表明，整合光谱、结构和环境信息可改善作物氮素估算，而特征重要性分析可识别最有效的信息变量并减少冗余输入。在玉米倒伏风险预测中，Dong等人（2023）同样验证了多源数据融合的价值。将主动冠层传感器数据与种植密度、施氮量、生长度日和累积降水量融合后，MLR模型对临界风速的预测R
2从简单回归的0.34-0.46提升至0.69-0.74。值得注意的是，种植密度是影响最大的非光谱因子，红边波段是三个光谱波段中贡献最大的变量，表明倒伏风险不仅取决于当前冠层生长状况，还与种植密度等管理措施和气象条件密切相关。多源数据融合的优势在实践中体现在三个层面：互补性、鲁棒性和可解释性。然而，多源数据融合的效果高度依赖于特征工程的质量和模型处理异构数据的能力。盲目堆叠特征不仅增加计算负担，还可能引入噪声和冗余信息，降低模型泛化性能；因此，特征选择和模型正则化是融合实践中不可或缺的步骤。除了概念上的融合层次，实际实施需要显式处理LiDAR、高光谱和雷达数据之间的空间和时间异质性。对于空间对齐（配准），几何配准到统一坐标系是第一步。基于特征的方法（如SIFT结合RANSAC）广泛用于寻找不同图像模态之间的空间对应关系。对于LiDAR-高光谱配准，可使用鲁棒的特征线或表面配准基元，基于光线追踪的LiDAR强度反投影可实现亚像素对齐。当多模态森林影像中 distinct 特征稀缺时，基于变分公式的非参数配准方法提供了替代方案。对于空间重采样，数据必须转换到公共网格。虽然简单插值到最粗分辨率很常见，但更先进的策略包括：时空融合方法（整合高时间分辨率与高空间分辨率数据）、使用生成对抗网络（GAN）进行降尺度/超分辨率重建、以及通过将LiDAR点云与高光谱像素配准来识别光谱像素内的结构变化。对于时间对齐，卫星重访周期不同，无人机/地面数据按特定采集间隔获取。常见解决方案包括：通过Savitzky–Golay滤波进行时间插值以重建连续时间序列、光学-SAR融合填补多云时段空缺、以及基于物候对齐的框架，按作物生长阶段而非日历日期同步观测。
4. 典型应用场景与案例研究
多源传感技术与先进建模方法的融合已在作物氮素诊断、森林资源调查和胁迫监测等实际场景中得到广泛应用。本章选取代表性案例，系统展示不同技术路线在解决具体问题中的表现与差异。
4.1. 作物氮素营养精准诊断与管理
氮素是调控作物产量和品质的核心元素。传统氮素诊断依赖破坏性田间采样和实验室分析，虽准确但时效性差、成本高，难以满足精准施肥的时效要求。遥感与传感技术的引入实现了快速无损的氮素诊断，但在田间实测样本量小的情况下建立稳健的估算模型仍是制约技术应用的关键瓶颈。在NNI估算方面，研究人员发展了直接NNI预测（从光谱数据直接估算NNI）和间接NNI预测（先估算地上生物量
