【智慧农业】面向小麦育种材料的无人机多角度同步反演冠层结构参数方法

冠层结构参数——包括叶倾角分布（leaf inclination distribution function, LIDFa）、叶面积指数（leaf area index, LAI）以及植被覆盖度（fractional vegetation cover, FCover）——的精准估测对于作物育种具有重要意义。然而，相较于传统的正视（nadir）观测，多角度无人机遥感在提升反演精度方面的实际增益尚缺乏系统量化评估。

本研究构建了一种基于无人机多角度观测的冠层结构参数反演框架。该框架通过倾斜摄影测量获取高分辨率双向反射因子（bidirectional reflectance factor, BRF），并利用核驱动的双向反射分布函数（bidirectional reflectance distribution function, BRDF）模型对冠层反射各向异性特征进行刻画。在跨品种与跨时间的迁移学习框架下，对比分析了多角度观测与仅基于正视观测（nadir-only）的反演性能差异，针对LIDFa、LAI和FCover三个关键参数开展系统评估。

结果表明，BRDF模型模拟结果与机载观测的BRF数据具有良好一致性（最优R² > 0.80，RRMSE < 0.2），且能够有效反映与地面实测一致的反射各向异性特征。对比分析显示，多角度观测显著提升了LAI（R² = 0.59，对比正视模型的0.38）和LIDFa（R² = 0.46，对比0.37）的反演精度；对于FCover，两种观测方式均表现出较高精度（R² ≥ 0.73），其中多角度模型仅带来小幅提升（R² = 0.75）。

在方法层面，基于卷积神经网络（CNN）的迁移学习在LAI和FCover反演中表现最佳，而基于原始多角度光谱数据的随机森林模型在LIDFa反演中效果最优。此外，最优观测角度配置具有性状依赖性，整体上更倾向于前向散射方向，天顶角范围在15°–45°之间。

研究结果表明，基于核驱动的BRDF模型能够有效表征致密小麦冠层的光谱各向异性特征，多角度观测在反演具有复杂散射特性的结构参数（如LAI和LIDFa）方面具有显著优势。本研究为高通量作物表型分析与精准育种提供了重要的技术支撑。