叶片倾角分布（leaf inclination angle, LIA）是影响冠层光能利用效率和辐射传输的重要结构性状。现有的LIA测量方法虽然精度较高，但难以在大尺度条件下实施，已成为农业与生态研究中的“表型瓶颈”。针对这一问题，本研究提出了一种基于无人机（UAV）摄影测量的田间尺度平均叶倾角（mean leaf angle, MLA）提取框架。
该框架集成了三个关键步骤：首先，利用基于深度学习的超分辨率方法，将正射影像分辨率提升至0.28 cm/pixel；其次，采用基于U-Net的语义分割模型实现单叶的精确分割（准确率为0.93，F1值为0.84，召回率为0.84，精确率为0.85）；最后，提出两种叶片倾角提取方法，即基于点云的LIA_PC方法和基于数字表面模型（Digital Surface Model, DSM）的LIA_DSM方法，两者均采用随机采样一致性（Random Sample Consensus, RANSAC）进行平面拟合。
结果表明，基于三维点云直接分析的LIA_PC方法具有较高精度，其决定系数（R²）为0.94，均方根误差（RMSE）为1.74°（以实测数据为参照）；相比之下，LIA_DSM方法虽然计算效率更高，但精度较低（R² = 0.54，RMSE = 9.43°）。此外，本研究进一步验证了结构性状的功能意义，发现叶片取向是影响叶尺度表观反射率的重要因素，尤其对近红外（NIR）和红边（RedEdge）波段具有显著影响。
研究结果表明，该框架能够高效生成具有高空间分辨率的田间尺度平均叶倾角分布图。通过在大规模群体中提供定量的冠层结构参数，该方法为生态学与农业研究提供了一种具有良好扩展性的技术手段。
