《Applied Sciences》：Research Progress of Multi-Source Sensing Technology and Intelligent Modeling Methods in Vegetation Monitoring
本综述系统梳理了多源感知技术与智能建模方法在植被监测领域的最新研究进展。研究人员阐释了光学高光谱遥感、激光雷达（LiDAR）结构探测、微波/毫米波雷达等核心主动与被动技术的物理机制及互补特性，系统分析了基于物理的辐射传输模型、数据驱动的机器学习、物理-数据双驱动建模、迁移学习及多源数据融合策略等先进数据处理方法。论文重点阐述了上述技术在作物精准氮素诊断、森林生物量估算、作物倒伏风险预测、植被胁迫评估等典型场景中的成功应用，同时讨论了数据异质性与模型泛化能力等关键挑战，展望了构建“空-天-地”一体化协同监测网络及先进人工智能融合方法的未来发展方向。
1. 引言
全球人口增长与气候变化的叠加效应给农业生产力与森林生态系统服务功能带来严峻挑战，森林作为陆地生态系统最大碳库，其固碳能力持续受到林分退化、野火、病虫害的威胁。在此背景下，作物生长动态与森林结构参数的精准监测成为保障粮食安全与应对气候变化的核心支撑。植被监测的核心参数涵盖作物生理生化指标与森林结构特征：作物层面，氮素状况直接调控产量与品质，是精准施肥与提升氮素利用率的前提，叶水含量与冠层水分状况影响光合效率与抗旱性，生物量与叶面积指数（LAI）是碳、水循环模拟的关键输入；森林生态系统中，树高、LAI与地上生物量是碳储量估算的基础，同时反映森林健康与演替动态，藤本植物对热带森林冠层结构与化学组成的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、空间覆盖有限，难以捕捉田间或景观尺度的空间异质性。遥感与感知技术的快速发展为植被监测提供了新手段，卫星、载人飞机、无人机（UAV）与近地传感器构成了多平台立体监测体系：卫星遥感具备全球覆盖能力，多光谱与高光谱数据已广泛用于植被指数反演与LAI产品生产，但受重访周期、云干扰与空间分辨率限制，精细尺度监测能力不足；UAV平台弥补了卫星与地面观测的尺度鸿沟，凭借灵活性、高时空分辨率与低成本优势，近年来在植被监测中广泛应用。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、氮素等生化参数，高光谱传感凭借窄波段优势在组分反演中表现突出，但被动光学易受光照与云层影响，高LAI条件下信号饱和问题显著；LiDAR作为主动遥感技术，通过发射激光脉冲精准 delineate 树高、冠层垂直剖面与LAI，不受光照条件限制，Zeng等（2026）引入冠层间隙尺寸分布理论，提出针对LiDAR光束足迹效应的校正方法，显著提升了LAI估算精度，但不同LiDAR系统的光束发散角、脉冲能量与穿透能力差异显著，需开发对应校正方法；微波合成孔径雷达（SAR）与调频连续波（FMCW）雷达具备全天时、全天候探测能力，可在烟雾、云层条件下有效探测，Horst等（2019）与Gao等（2019）系统分析了频率不确定性与平移位置误差对微波SAR成像的影响并提出补偿方法，为微波雷达在植被监测中的应用奠定基础，Janpangngern等（2025）基于软件定义无线电的高分辨率FMCW雷达实现了小型UAV探测，证明了复杂环境下弱目标探测能力，Schenkel等（2024）利用毫米波雷达实现烟雾探测与燃烧分析，证实雷达信号对介质介电常数变化的敏感性可用于动态火情监测。数据处理方面，传统经验模型泛化能力弱，物理模型存在反演病态问题，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，在植被参数反演中优势显著，Lu等（2022）利用随机森林回归融合多源数据，显著提升了水稻氮营养指数预测精度；Yang等（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、环境因子与农艺管理信息，显著提升了氮素诊断与施肥推荐精度。本文系统综述了多源感知技术在植被监测中的原理、方法、应用与挑战，针对农业作物与森林生态系统在冠层结构、生长特征、空间尺度与监测目标上的差异，分别讨论多源感知技术的适配性：作物监测聚焦氮素状况、含水量、生长状况等动态生理生化特征，森林监测侧重结构参数、生物量估算与生态系统尺度评估，旨在总结通用技术基础的同时，突出不同植被类型的特定需求与适配方案。
2. 立体视觉基础与农业环境适配
农业作物与森林生态系统的植被参数反演及实际应用存在显著差异：作物冠层结构相对均一、生长周期短，监测聚焦氮素状况、含水量、生长状况等动态生理生化特征；森林冠层结构复杂、生态过程长期持续，监测侧重三维结构特征、生物量估算与生态系统尺度评估。因此，虽可采用相似感知技术，但参数选择、数据获取策略与建模方法需根据植被类型适配。
2.1 双目立体视觉系统构建与计算流程
被动光学遥感的核心是探测植被冠层反射的太阳辐射光谱特征，植被叶片中的色素、水分与细胞结构在特定电磁辐射波段具有选择性吸收与反射特性，形成可用于反演植被生理生化参数的光谱信号。可见光区域（400–700 nm）中，叶绿素a与叶绿素b在蓝波段（约430 nm、450 nm）与红波段（约660 nm、670 nm）存在强吸收峰，绿波段（约550 nm）反射率相对较高，是植被呈绿色的直接原因；红与近红外光交界处（约700–1300 nm），植被反射率急剧上升，形成“红边效应”，其位置与斜率对叶绿素含量、氮素状况与胁迫响应高度敏感；短波红外区域（1300–2500 nm）中，1450 nm与1940 nm附近的水吸收带主导光谱特征，可用于估算植被含水量。高光谱遥感凭借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，实现植被生化组分的定量反演。Ferreira等（2025）利用UAV载高光谱数据（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，计算87种植被指数后发现，旱季色素敏感指数对藤本植物去除呈中到大负响应，其中色素吸收比短波（PARS）指数响应最强（Cohen’s d = ?0.595，变异系数13.7%），绿修正指数（GMI2）与简单比值指数（SR1–SR3）效应量也达?0.548至?0.566，表明藤本植物去除后冠层绿度显著下降——常绿藤本依赖深根系在旱季维持叶片，而树木在此期间落叶，藤本是冠层绿度的主要贡献者；湿季指数（如双差分指数DD、优化土壤调节植被指数OSAVI2、修正土壤调节植被指数MSAVI）效应量可忽略（Cohen’s d < 0.2），说明资源丰富条件下树木与藤本均充分展叶，竞争差异被掩盖。
作物监测领域，主动冠层传感器（如Green Seeker、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，可在多样天气条件下获取稳定的冠层反射率数据。Green Seeker传感器利用红波段（656 nm）与近红外波段（770 nm）计算归一化植被指数（NDVI）与比值植被指数（RVI），在为期两年的小白菜田间试验中，NDVI与RVI与地上生物量的相关系数分别为0.698–0.967与0.642–0.951，与植株氮吸收量的相关系数为0.678–0.951与0.677–0.951；四个生长阶段的独立建模中，RVI在苗期与莲座期生物量估算精度最高（R2达0.80–0.94），NDVI在结球期与成熟期表现更优（R2达0.63–0.91）；将生育天数纳入多元线性模型后，生物量估算精度提升19.0–35.6%（NDVI）与40.4–84.6%（RVI）。Crop Circle ACS-430传感器进一步扩展了波段配置，在红波段（670 nm）与近红外波段（780 nm）基础上增加红边波段（730 nm），可计算对叶绿素与氮素更敏感的归一化红边指数（NDRE）与冠层叶绿素指数（CIRE）。Dong等（2023）利用Crop Circle ACS-430在玉米V8生育期（拔节后期）采集冠层反射率数据，结合种植密度、施氮量、生长度日、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，发现35种植被指数中，基于红边与近红外波段的三波段指数（如MCARI2/REOSAVI、MTCARI、NDI）对倒伏相关参数预测性能最优，R2达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（茎秆破坏力矩与临界风速）的预测R2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目标反射后的回波时间（即飞行时间法）精准计算传感器与目标的距离，与被动光学遥感不同，其不依赖太阳光照，可昼夜工作，且激光脉冲具备一定穿透能力，能穿过冠层间隙获取林下地面信息，实现植被三维结构的直接测量。LiDAR数据处理的核心是点云生成与分类：原始点云经去噪、滤波、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），二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、间隙分数与垂直冠层结构的基础数据产品。
树高估算方面，Thinley等（2025）以澳大利亚昆士兰州一处含56个树种、林龄约10年的城市树木园为研究对象，利用UAV LiDAR数据生成CHM并与287棵树的野外实测数据对比，发现CHM与实测树高的Pearson相关系数达0.85，线性回归决定系数R2为0.73（树高 = 1.94 + 0.85 × CHM）；地上生物量估算中，CHM的对数线性回归R2为0.43，值得注意的是，将Sentinel-2卫星衍生的植被指数（NDVI、EVI、LAI）纳入模型后，并未显著提升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包含更多有效信息。LAI反演方面，Zeng等（2026）系统研究了LiDAR光束足迹效应对冠层间隙分数估算的影响，对比了两种LiDAR系统在29个森林样地的LAI反演精度：Livox系统（大光束发散角，椭圆足迹约52 mm × 489 mm）与RIEGL VUX-1LR系统（小光束发散角，100 m航高下足迹约50 mm × 50 mm），发现Livox系统因光束足迹较大，严重低估冠层间隙分数（偏差达?50.5%），导致LAI高估42.3%；Zeng等提出基于冠层间隙尺寸分布理论的校正方法，引入归一化穿透质量指数（NPQI）与自适应权重因子补偿遗漏的小尺度间隙，校正后Livox的间隙分数估算R2从0.63提升至0.73，RMSE从0.06降至0.03，LAI估算RMSE从2.12骤降至0.54；RIEGL系统在200 m航高下校正效果有限（RMSE从0.37降至0.35），但在300 m航高下，因光束足迹增大，校正后RMSE从0.74降至0.37；研究还发现，垂直剖面上，密集林分中Livox点云的第10百分位数高度上移至12.25 m，而RIEGL系统在200 m与300 m航高下仍能捕捉到3.5 m与5.25 m高度的近地面回波，表明冠层穿透性受光束发散角、足迹大小、脉冲能量等传感器特性影响显著，而非仅由点云密度决定。Subedi与Zurqani（2026）进一步评估了飞行速度与影像重叠度对UAV LiDAR数据质量的影响，发现LiDAR点云密度随影像重叠度增加而提升，10 mph飞行速度结合80:80前后/旁向重叠度时，点云密度最高（437.8 pts/m2），是50:50重叠度配置的3倍以上；但不同配置下反演的冠层高度百分位数（P25、P50、P75、P95）无显著差异，表明点云密度达到一定阈值后，继续提升重叠度对冠层结构参数的改善有限；树高估算精度方面，UAV-LiDAR在10 mph、80:80重叠度条件下表现最优（R2≈0.89，RMSE<1.5 m，偏差<0.5 m），且在所有飞行配置下保持高度一致性，展现了LiDAR相较于光学影像的优异鲁棒性。
2.3 微波与毫米波雷达
微波雷达（如合成孔径雷达SAR）与调频连续波（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：雷达发射微波波段（波长从毫米到厘米级）电磁波而非激光脉冲，微波对介质材料的介电常数敏感，介电常数的变化会引起反射信号的幅度与相位改变，使雷达能探测目标的介电特性差异而非仅几何结构。
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，SAR的后向散射系数对植被含水量、冠层结构与生物量敏感，已广泛应用于森林与作物监测。但SAR成像质量受多种仪器误差影响，Horst等（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，发现频率不确定性引起的相位误差随目标距离增加累积放大，通过定义归一化图像误差（l2-范数），确定了相位误差阈值（0.073π弧度）：测量数据中超过该阈值的占比低于20%时，图像失真不可区分；超过80%时，图像质量显著恶化；近场无损检测应用（目标距离小于10个波长）中，即使频率不确定性达100 MHz，图像误差仍可保持在?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（2019）进一步研究了平移位置误差对微波SAR成像的影响，对比横向位置误差（沿扫描方向）与高度位置误差（垂直于扫描平面）后发现，高度位置误差是导致图像质量下降的主导因素；X波段（8.2–12.4 GHz）实验中，最大高度位置误差达0.25 λ（约7.5 mm）时，点目标图像出现严重散焦与分裂，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，具备结构简单、功耗低、距离分辨率高的特点，在短距离探测场景中具有独特优势。Janpangngern等（2025）基于USRP B210软件定义无线电平台与GNU Radio开源框架构建了2.45 GHz FMCW雷达系统，实现了雷达散射截面（RCS）低至0.01 m2的小型UAV（如DJI Phantom 4 Pro）探测；该系统采用Vivaldi天线搭配抛物面反射器（增益17.3 dBi）与两级功率放大器（发射功率50 dBm），利用GPU加速的gr-plasma模块实现实时匹配滤波、多普勒分析与恒虚警率（CFAR）检测，野外测试中成功探测到300 m外、飞行速度5 m/s的UAV，距离-多普勒图清晰显示目标位置与速度信息，证明了软件定义无线电架构在构建低成本、可重构雷达系统中的潜力。
在烟雾、火灾等极低能见度恶劣环境中，毫米波雷达的优势尤为突出。Schenkel等（2024）利用70–90 GHz FMCW雷达开展烟雾探测与燃烧分析研究，发现在EN54-7标准烟雾风洞的层流条件下，随着烟雾颗粒体积分数从0线性增至0.465 ppm，雷达信号的相位变化与MIREX光学消光测量呈高度一致的上升趋势；真实火灾测试（聚氨酯泡沫TF4与正庚烷TF5）中，雷达相位随时间的变化模式与燃烧过程的不同阶段（点火、充分燃烧、熄灭）吻合良好，TF5火灾的相位变化幅度达62°，TF4为45.55°，差异与两种燃料的热释放速率相关；研究还从介电理论角度解释了物理机制：燃烧产生的水蒸气与CO2改变了空气混合物的折射率，根据德拜方程与洛伦兹线型模型，水蒸气在毫米波波段具有显著的极性分子共振吸收特征，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。
2.4 补充感知应用
除植被监测外，雷达感知的最新进展在方法论上具有重要参考价值，尽管其应用领域超出植被冠层范畴。开放空间湍流烟雾实验中，雷达相位信号可追踪烟雾的扩散与稀释过程；真实火灾测试中，雷达相位随时间的变化模式与燃烧过程的不同阶段吻合良好。车载座舱 occupancy 检测方面，Sato等（2024）利用60 GHz频段MIMO-FMCW雷达结合机器学习方法实现车内儿童存在检测，在丰田普锐斯（两排座椅）与日产赛瑞纳（三排座椅）两种车型上采集数千帧雷达数据，通过距离FFT获取距离信息，利用Capon算法估计到达角并生成距离-方位角热图，提取74类一维特征（包括各座位区域的功率最大值、方位角、距离及其时间统计量）训练XGBoost与深度神经网络（DNN）模型，两排座椅的三分类任务（成人/婴儿/空座）中，两种模型准确率均接近100%；三排座椅的二分类任务（婴儿/空座）准确率同样接近100%；为提升模型可解释性，研究进一步将XGBoost模型近似为可解释决策树，通过移除冗余分支与优化评估算法，将模型评估时间从毫秒级降至亚毫秒级，模型体积显著缩小，证明毫米波雷达可穿透儿童安全座椅等障碍物探测婴儿微弱呼吸运动（利用功率时间相关性特征），在保护隐私的同时实现高精度座舱生命检测。Lu等（2022）利用随机森林回归融合多源数据（包括Green Seeker与Crop Circle的植被指数、生育期、气象因子、土壤属性与农艺管理变量），建立水稻氮营养指数（NNI）估算模型，对比三种NNI预测策略发现，基于随机森林的多源数据融合显著提升了模型性能：仅使用传感器数据时，SMLR模型的R2提升1–16%，随机森林模型提升9–40%；独立验证中，直接NNI预测策略诊断精度最优（面积一致性84%，Kappa系数0.71），优于间接策略I（77%，0.58）与间接策略II（81%，0.67）。
3. 数据融合与建模方法
植被参数的定量反演依赖于原始传感器信号到目标变量的数学变换，其精度直接决定监测结果的可靠性。围绕这一核心问题，研究人员发展了三类互补的方法体系：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，以及融合二者优势的混合建模策略，本章系统阐述各类方法的原理、适用条件及在植被监测中的典型应用。
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的相互作用物理机制出发，定量描述入射辐射在冠层内的散射、吸收与传输过程。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，赋予模拟数据清晰的可解释性与跨场景泛化潜力。在众多RTM中，PROSAIL模型是应用最广泛的冠层辐射传输模型之一，耦合了叶片光学特性模型PROSPECT与冠层双向反射模型SAIL，实现了从叶片生化组分到冠层尺度的完整辐射传输模拟。
针对氮素监测的特定需求，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，并用氮吸收系数替换原模型中的叶绿素吸收系数，更直接地刻画氮素对冠层光谱的影响。Yang等（2026）利用N-PROSAIL构建冬小麦冠层氮密度（CND）反演框架，基于野外实测数据确定关键参数的先验分布范围（LND：60–230 μg/cm2，LAI：0.1–7，叶倾角：30–70°），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波段的冠层反射光谱；Li等（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RMSE为1.26–1.78 g·m?2，优于传统植被指数回归模型。
针对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，基于离散纵坐标法模拟三维异质场景中的辐射传输过程，适用于复杂地形与多层冠层结构。基于DART模型生成的模拟数据集，Dong等提出了玉米LAI垂直分布的条件约束反演方法，构建玉米冠层三层垂直分布场景，利用DART模拟冠层反射率与光合有效辐射，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R2提升0.022，RMSE降低0.016 m2/m2，中层LAI反演R2提升0.08，RMSE降低0.219 m2/m2。
RTM在植被监测中的核心价值在于其“数据生成器”功能：通过系统改变输入参数，生成覆盖广阔参数空间的大规模模拟光谱数据集，这些数据集具备精确标签信息，不受野外数据的样本量、环境条件与测量误差限制，有效缓解了野外数据稀缺对模型训练的制约，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，经验统计模型不显式建模辐射传输过程，直接在观测数据与目标变量之间建立统计关系，优势是计算效率高、实现简单，但性能高度依赖训练数据的质量与代表性，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）通过提取自变量与因变量之间的潜成分，有效解决了高光谱数据的多重共线性问题；多元线性回归（MLR）与逐步回归通过筛选显著变量建立预测模型，结构简单、可解释性强。Dong等（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、累积降水量等变量预测玉米茎秆倒伏风险，发现MLR模型对倒伏相关植株参数的解释R2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（R2为0.34–0.84）。
传统线性回归方法难以充分捕捉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，通过构建多棵决策树并综合其预测结果，自动处理特征间的非线性交互与高阶依赖，对异常值与噪声具有良好的鲁棒性。XGBoost等具体变体通过梯度提升框架 sequential 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，在预测精度与泛化能力之间取得了良好平衡。Sato等（2024）利用XGBoost对60 GHz FMCW雷达提取的74类一维特征建模，在丰田普锐斯与日产赛瑞纳两种车型的车内婴儿存在检测二分类任务中，准确率接近100%；为进一步改善可解释性，研究将XGBoost近似为可解释决策树，通过移除冗余分支与优化评估算法，将模型评估时间从毫秒级降至亚毫秒级，模型体积显著缩小。
深度学习方法，尤其是卷积神经网络（CNN），可通过多层非线性变换从原始数据中自动学习分层特征表示。Yang等（2026）设计了名为SCAR-CNN（光谱卷积注意力残差CNN）的一维卷积神经网络，集成通道注意力机制与残差连接，从N-PROSAIL模拟的冬小麦冠层高光谱反射率中提取氮密度相关光谱特征；在模拟数据集上预训练后，SCAR-CNN在野外实测数据上的CND估算R2分别为0.78（第一年）与0.66（第二年），显著优于PLSR（0.77与0.49）与查找表反演方法（0.45与0.24），证实了深度学习在捕捉光谱-氮素非线性映射关系中的优势，但其性能仍受训练数据代表性与体量的制约。
3.3 迁移学习与域适应
尽管深度学习方法在植被参数反演中潜力巨大，但其成功高度依赖大规模、高质量标注数据集。但在农林监测实际应用中，获取大量野外实测数据往往面临成本高、时空覆盖有限等现实制约。迁移学习为解决这一困境提供了有效路径，其核心思想是将模型在数据丰富的源域中学习到的知识迁移到数据稀缺的目标域，缓解小样本下的过拟合问题。植被遥感领域，辐射传输模型生成的模拟光谱数据因标签精确、覆盖全面、获取成本低，是理想的源域数据源。Yang等（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、精确标注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泛化映射关系；利用少量野外实测高光谱数据微调预训练模型，通过反向传播调整网络参数以适应目标域数据分布。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（R2=0.81，RMSE=0.14），有效缓解了小样本场景下的过拟合问题。更重要的是，迁移学习策略赋予模型跨场景泛化能力：微调后的模型在不同生育期的验证R2为0.43–0.89，不同施氮量梯度下的验证R2为0.43–0.88，从地基高光谱数据迁移到UAV高光谱影像时，灌浆期的估算R2仍达0.68。域适应作为迁移学习的延伸，进一步聚焦于显式对齐源域与目标域之间的数据分布差异，通过域对抗训练、最大均值差异最小化等技术，在特征空间对齐源域与目标域的数据分布，为物理模型模拟数据与野外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全面表征植被的复杂状态：光学遥感提供冠层生化组分信息，LiDAR提供三维结构信息，微波雷达提供介电特性信息，环境与农艺变量提供影响植被生长的外部条件。通过整合这些互补信息，多源数据融合可显著提升模型的预测精度与鲁棒性，根据融合发生的阶段，可分为数据级、特征级与决策级融合。
作物氮素诊断中，Yu等整合UAV多光谱影像、植被指数、作物高度、地形指标与土壤属性，利用机器学习模型估算玉米冠层氮重量，评估了来自多数据源的29个变量，发现随机森林（RF）模型总体优于支持向量回归（SVR），基于筛选变量的最优RF模型在验证集上的R2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，其次是多个植被指数与多光谱反射率变量，地形信息也对估算有贡献，证明整合光谱、结构与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具信息量的变量，减少冗余输入。玉米倒伏风险预测中，Dong等（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、累积降水量融合后，MLR模型对临界风速的预测R2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决策及气象条件密切相关。
多源数据融合的优势在实践中体现在三个层面：互补性、鲁棒性与可解释性。但融合效果高度依赖特征工程质量与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，还可能引入噪声与冗余信息，降低模型泛化性能，因此特征选择与模型正则化是融合实践中不可或缺的环节。除概念层面的融合等级外，实际实施还需显式处理LiDAR、高光谱与雷达数据之间的时空异质性：空间对齐方面，几何配准到统一坐标系是首要关键步骤，基于特征的方法（如SIFT结合RANSAC）广泛用于寻找不同影像模态间的空间对应关系；针对LiDAR-高光谱配准，可采用鲁棒的特征线与面配准基元，基于光线追踪的LiDAR强度反投影可实现亚像素对齐；多模态森林影像缺乏显著特征时，基于变分公式的非参数配准方法可作为替代方案。空间重采样方面，需将数据统一到共同网格，除简单插值到最粗分辨率外，更先进的策略包括：时空融合（STF）方法整合高时间分辨率与高空间分辨率数据（如MODIS与Landsat）；利用生成对抗网络（GAN）进行降尺度/超分辨率重建，从粗分辨率输入中恢复精细分辨率影像；通过LiDAR点云与高光谱像素的配准进行亚像素映射，识别光谱像素内的结构变化。时间对齐方面，卫星重访周期不同（如Sentinel-2：5天；Landsat：16天），UAV/地面数据按 campaigns 特定间隔获取，常用解决方案包括：通过Savitzky–Golay滤波进行时间插值，重建连续时间序列；光学-SAR融合填补云期数据缺口；基于物候的对齐框架，按作物生育期而非日历日期同步观测。
4. 典型应用场景与案例研究
多源感知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、胁迫监测等实际场景中广泛应用，本章选取代表性案例，系统展示各类技术路线在解决具体问题中的性能与差异。
4.1 作物氮素营养的精准诊断与管理
氮素是调控作物产量与品质的核心元素，传统氮素诊断依赖破坏性野外采样与实验室分析，虽结果准确，但时效性差、成本高，难以满足精准施肥的时间要求。遥感与感知技术的引入实现了快速、无损氮素诊断，但在小样本野外实测数据下建立稳健估算模型仍是制约技术落地的关键瓶颈。
NNI估算方面，研究人员开发了直接NNI预测（直接从光谱数据估算NNI）与间接NNI预测（先估算地上生物量AGB与植株氮吸收量PNU或ΔN，再计算NNI）。Lu等（2022）在东北三江平原开展了为期10年的水稻田间试验（2008–2018年，含30个小区试验与13个农户大田试验），系统对比了两种间接策略与一种直接策略对NNI的诊断精度，发现随机森林在多源数据融合时效果最优；独立验证中，直接NNI预测策略的诊断精度最高（面积一致性84%，Kappa系数0.71），优于间接策略I（77%，0.58）与间接策略II（81%，0.67）；基于该模型的大田试验表明，与区域最优管理相比，精准水稻管理进一步减少施氮量23–24 kg/ha，同时氮素偏生产力提升约23%。Yang等（2026）采用不同技术路径，结合物理模型与深度迁移学习进行冬小麦冠层氮密度（CND）估算，首先利用N-PROSAIL辐射传输模型生成6000组精确标注的模拟光谱数据集作为源域，基于此预训练集成通道注意力机制与残差连接的一维卷积神经网络（SCAR-CNN），再利用有限野外实测高光谱数据微调预训练模型；两年田间试验结果表明，该混合框架的CND估算精度（R2=0.81，RMSE=0.14）显著优于传统查找表反演（R2=0.45，RMSE=0.39）与未预训练的深度学习模型（R2=0.78，RMSE=0.24）；更重要的是，模型在不同生育期（拔节至灌浆）的验证R2为0.43–0.89，不同施氮量梯度（0 kg/hm2、186 kg/hm2、373 kg/hm2、560 kg/hm2）下的验证R2为0.43–0.88，即使应用于灌浆期的无人机高光谱数据，估算R2仍达0.68。两项研究共同表明：物理模型的先验知识有效约束与补充了数据驱动模型，而迁移学习是连接“丰富但不够真实”的模拟数据与“真实但不足”的实测数据的桥梁。传感器层面，主动冠层传感器（GreenSeeker、Crop Circle）与叶绿素仪（SPAD）的对比也值得关注，Ji等（2020）在小白菜研究中发现，GreenSeeker的NDVI与RVI与地上生物量的相关系数分别达0.698–0.967与0.642–0.951，而SPAD与生物量的相关性在生长早期不显著，后期虽有所提升，但仍低于传感器指数；将生育天数纳入模型后，传感器指数的生物量估算精度提升19–85%，表明生育进程信息是氮素诊断中不可忽视的协变量。
4.2 森林与城市绿地结构及生物量估算
森林结构参数的精准获取是碳储量估算与森林健康评估的基础，传统样地调查在树种多样、结构复杂的林分中尤为艰巨，而搭载LiDAR与摄影测量技术的UAV平台为解决这一挑战提供了新途径。
Subedi与Zurqani（2026）以阿肯色大学蒙蒂塞洛分校一处8.1公顷松林为研究对象，系统评估了飞行速度（10、15、20 mph）与影像重叠率（50:50、60:60、70:70、80:80）对SfM摄影测量结果质量及LiDAR点云数据树高估算精度的影响，以920棵野外实测树作为验证样本，结果表明影像重叠率的影响显著强于飞行速度：重叠率从50:50提升至80:80，飞行时间翻倍，影像数量增至6倍；树高估算精度方面，LiDAR在10 mph、80:80重叠率下表现最优（R2≈0.89，RMSE<1.5 m，偏差<0.5 m），且在所有飞行配置下保持高度一致性；相比之下，无人机SfM仅在最优条件下达到R2≈0.60，RMSE=4.5 m，偏差=4.3 m，所有估算均存在系统性低估。LiDAR与SfM摄影测量在树高估算上的巨大性能差距（R2=0.89 vs. 0.60）源于二者数据采集机制的根本物理差异：SfM摄影测量完全依赖光学影像匹配，通过识别与匹配重叠RGB或多光谱影像中的同源特征重建三维结构，应用于森林冠层时存在三个固有局限：一是光照敏感性，SfM需要充足稳定的光照条件，上层冠层投射的阴影造成辐射不连续，破坏林下特征匹配；二是纹理依赖性，SfM算法需要显著的视觉纹理来建立影像间的对应关系，在密集、封闭冠层森林中，相邻树冠形成连续、均质的绿色表面，缺乏判别性特征导致匹配失败；最关键的是无法穿透冠层，SfM仅重建冠层的可见表面——即从上方直接光照与观测的最上层，下层冠层与林下地面完全被遮挡，因此SfM系统性低估树高：算法有效测量的是冠层表面顶部而非地面到树顶的真实树高。LiDAR则通过其主动测距原理克服了这三个局限：发射激光脉冲并记录回波时间，直接测量距离而非依赖被动影像匹配；其多回波能力对森林应用尤为关键：单个激光脉冲在穿透冠层间隙并依次反射到冠层顶部、中间枝条、下层植被、最终地面时，可产生多个离散回波；即使在密集林分中，仍有相当比例的脉冲能找到足够间隙到达下层冠层与地面，实现从数字地形模型（DTM）到冠层表面的完整垂直剖面重建，直接测量树高为冠层表面与地面高程的差值；此外，LiDAR不受光照条件限制，可昼夜可靠工作，不受阴影或太阳角度变化影响，且对纹理变化鲁棒，因其不依赖影像特征匹配。LiDAR相对于SfM的其他优势还包括：一是直接测量地面地形，到达林下的LiDAR脉冲即使在密集冠层下也能实现精确DTM生成，而SfM因遮挡难以重建森林区域的地面高程；二是垂直冠层剖面分析，沿垂直轴分布的LiDAR回波可计算高度百分位数（P10、P25、P50、P75、P95）、间隙分数剖面与叶高多样性指数，这些是仅集中于冠层外轮廓的光学摄影测量点云无法实现的；三是通过结构指标估算生物量，LiDAR衍生的平均高度、高度百分位数、冠层覆盖分数等指标已被证明与地上生物量的相关性显著强于光学影像衍生的光谱植被指数，如Thinley等（2025）在混交城市森林研究中发现，在LiDAR生成的CHM基础上加入Sentinel-2光谱指数并未改善单木AGB估算精度。当然，SfM仍有不可忽视的互补优势：硬件成本更低（标准RGB相机 vs 专用LiDAR仪器）、空间分辨率更高的纹理信息（真彩色正射影像），使用多光谱相机时还可获取多波段光谱信息；在开阔冠层或植被稀疏区域，SfM能以远低于LiDAR的成本实现相当的精度。因此，LiDAR与SfM的选择应根据具体应用需求确定：封闭冠层森林结构评估、林下特征刻画与精确地形建模首选LiDAR，开阔植被类型及光谱纹理与结构同等重要的应用可选择成本效益更高的SfM。研究还发现，LiDAR点云密度随重叠率提升而增加，10 mph、80:80重叠率下达到峰值（437.8 points/m2，是50:50重叠率的3倍以上），但高度百分位数（P25、P50、P75、P95）在不同配置间无显著差异，表明冠层结构参数在点云密度达到一定阈值后，继续提升重叠率的改善有限，为无人机森林调查的飞行参数优化提供了定量依据。
Thinley等（2025）以澳大利亚昆士兰州格里菲斯大学洛根校区一处9公顷城市树木园（56个树种，林龄约10年）为研究对象，评估LiDAR生成的CHM在混交城市森林中估算树高与地上生物量（AGB）的能力，以287棵野外实测树为基准，发现CHM与实测树高的Pearson相关系数为0.85，线性回归R2为0.73（树高 = 1.94 + 0.85 × CHM）；AGB估算中，CHM的对数线性回归R2为0.43，将Sentinel-2卫星衍生的NDVI、EVI、LAI纳入模型后并未显著提升单木AGB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学影像包含更多有效信息。Ferreira等（2025）联合应用高光谱与LiDAR数据评估热带季节性森林的生态管理效果，在巴西圣保罗州Vassununga州立公园的18个样地中，旱季与湿季分别采集UAV高光谱（400–1000 nm）与LiDAR数据，发现旱季色素敏感植被指数（PARS、GMI1、SR3）对藤本植物去除呈中到大负响应（PARS的Cohen’s d = ?0.595），反映藤本去除后冠层绿度显著下降；而湿季指数（DD、OSAVI2、MSAVI）的效应量可忽略（Cohen’s d < 0.2），因资源丰富条件下树木与藤本均充分展叶，差异被掩盖；波长-波长相关性分析将处理效应最强的信号定位到红边区域（约700 nm）；结构参数方面，藤本植物去除导致下层LAI小幅至中度下降（旱季Cohen’s d = ?0.481），而冠层高度变化极小（Cohen’s d仅?0.052至0.085）。
4.3 胁迫监测与灾害预警
植被胁迫的早期识别与灾害预警是精准管理的重要方向，涉及水分胁迫、机械损伤（倒伏）、火灾烟雾、生命迹象探测等方面。需区分植被胁迫的两大类别：生物胁迫与非生物胁迫，二者的成因、动态特征、光谱信号与管理响应存在本质差异。生物胁迫源于生物因子，包括病原菌（真菌、细菌、病毒）、害虫、寄生植物与竞争杂草，通常表现为局部、空间聚集、渐进扩散的模式，检测依赖叶片色素、细胞结构与冠层温度的细微变化，高光谱与热传感器在早期识别中发挥关键作用。非生物胁迫源于非生物环境因子，包括干旱、涝渍、极端温度、养分缺乏、盐渍化、机械损伤（倒伏）、火灾与空气污染，非生物胁迫往往沿环境梯度在更大空间尺度上显现，可能引发快速生理响应。尽管生物与非生物胁迫的视觉症状（如黄化、坏死、萎蔫、矮化）可能高度重叠，但其潜在机制与管理意义截然不同：生物胁迫需要针对性干预（如施用杀菌剂、害虫防治），而非生物胁迫需要调整环境或农艺条件（如灌溉、施肥、密度调控或结构加固）。因此，准确的胁迫判别不仅是分类问题，更是精准农业与森林健康管理中知情决策的前提。
水分胁迫监测方面，Tapia-Zapata与Zude-Sasse（2026）利用双波长近红外LiDAR扫描仪（1320 nm与1450 nm）对苹果树冠层进行叶片水分评估，以6盆7年生“嘎啦”苹果树为对象，设置充分灌溉与干旱胁迫两个处理组，同时模拟叶片表面自由水喷洒场景，利用半自动算法分离叶片与木质结构，计算归一化回波信号强度（I Norm）与归一化近红外差值指数（NDNIR），结果表明充分灌溉与干旱胁迫冠层在所有LiDAR衍生变量上差异极小；Wasserstein距离统计显示，喷洒前后I Norm的均值分布偏移为14.3，NDNIR为19.8，表明1450 nm处水的高吸收特性使该波段对叶片表面自由水高度敏感，该研究说明LiDAR对叶片内部生理含水量的变化敏感性不足，但具备探测叶片表面自由水（如露水、灌溉残留）的潜力，为果园微气候管理与病害预测提供了新技术路径。
倒伏风险预测方面，Dong等（2023）利用Crop Circle ACS-430主动冠层传感器在玉米V8生育期采集冠层反射率数据，结合种植密度、施氮量、生长度日、累积降水量等变量构建玉米茎秆倒伏风险早期预测模型，基于Berry等（2021）开发的玉米茎秆倒伏过程模型，以破坏风速作为倒伏风险的定量指标。Liu等（2025）进一步研究了施氮量与种植密度对冬小麦产量与抗倒伏能力的联合影响，以两种抗倒伏能力不同的冬小麦品种为材料，设置3个施氮量（120、240、360 kg ha?1）与4个种植密度（75、225、375、525 plants m?2）开展两年田间试验，发现增加施氮量与种植密度普遍降低倒伏抗性指数（LRI
