在精准农业和现代作物育种中，快速、无损地获取作物冠层结构信息至关重要。冠层结构，特别是叶片的倾斜分布、单位地面面积上的叶片总面积（叶面积指数，LAI）以及植被覆盖地面的比例（植被覆盖度，FCover），直接决定了作物如何拦截、转换和利用光能，从而影响最终的产量和品质。传统的田间测量方法虽然准确，但耗时费力，难以应用于大规模育种材料的筛选。近年来，无人机(UAV)遥感技术以其灵活、高效、非破坏性的优势，为作物表型分析带来了革命性变化。然而，目前绝大多数无人机遥感研究仅从正上方（天底角）进行观测，忽略了植被冠层反射率的一个重要特性——各向异性。就像我们观察一片森林，从不同角度看到的亮度和颜色会有所不同一样，作物冠层的反射光也强烈依赖于太阳和观测传感器的相对几何位置。这种各向异性中恰恰蕴含着丰富的冠层结构信息。因此，一个核心的科学问题浮出水面：相比于传统的天底角观测，利用无人机进行多角度观测，能否以及能在多大程度上更准确地反演小麦冠层的精细结构参数？为了回答这个问题，一支来自西北农林科技大学的研究团队开展了一项深入研究，其成果发表在《Plant Nano Biology》上。
为了系统解答上述问题，研究人员设计并实施了一套完整的技术流程。首先，在2023年和2024年的小麦生长季，于陕西杨凌的育种试验田，对数百个遗传多样性丰富的小麦材料进行了田间试验。他们利用搭载高光谱成像仪的无人机，执行了两种飞行模式：一种是模拟陀螺仪轨迹的多角度飞行，以获取冠层在不同观测天顶角和方位角下的双向反射因子(BRF)；另一种是常规的天底角正射飞行，作为对比基线。同时，使用地面移动式BRDF测量平台、冠层分析仪和表型移动观测架“Phenomobile”，同步测量了地块的冠层多角度反射光谱以及LIDFa、LAI和FCover的真实值。在数据处理阶段，通过倾斜摄影测量技术从多角度图像中提取高分辨率BRF，并利用核驱动BRDF模型（结合LiDense几何光学核和RossHotspot体散射核）来表征和标准化不同样本的反射率各向异性。最后，研究人员构建了两种类型的冠层结构参数反演模型：一种是基于卷积神经网络(CNN)、循环神经网络(RNN)和长短期记忆网络(LSTM)的迁移学习模型，先利用PROSAIL辐射传输模型生成的大规模模拟数据集进行预训练，再使用实地数据微调；另一种是直接基于实地数据的传统机器学习模型，包括支持向量回归(SVR)、极限梯度提升(XGBoost)和随机森林(RFR)。通过严格的五折交叉验证，他们系统比较了多角度与天底角观测策略下，不同模型对于LIDFa、LAI和FCover的反演性能，并进一步分析了最优观测角度配置。
研究结果
4.1. BRDF模型验证
研究人员将基于无人机BRF数据拟合的核驱动BRDF模型模拟结果，与机载观测值以及地面测量的多角度冠层光谱进行了对比。结果表明，最优的BRDF模型（LiDense-RossHotspot组合）能够有效地模拟小麦冠层光谱的各向异性特征。模型模拟的BRF与机载测量值高度吻合，在400-1000 nm光谱范围内，决定系数R2最佳值大于0.80。与地面测量数据的对比也显示出一致的趋势，特别是在捕捉太阳热点方向的光谱特征方面表现良好，证实了该模型在描述密集小麦冠层反射率方向性上的适用性。
4.2. 多角度 vs 天底观测对参数反演的影响
对比分析显示，多角度观测策略显著提升了冠层结构参数的反演精度，但这种提升因参数而异。
- •
对于LIDFa（叶倾角分布参数）：多角度观测模型的表现普遍优于天底角模型。其中，使用原始多角度光谱的随机森林模型在30°天顶角和45°方位角下取得了最佳效果（R2= 0.46），优于天底角最佳模型（R2= 0.37）。统计检验证实了这一优势的显著性。
- •
对于LAI（叶面积指数）：多角度观测带来的效益最为显著。基于迁移学习的CNN模型在30°天顶角和90°（侧向）方位角下实现了最高的反演精度（R2= 0.59），而天底角最佳模型的R2仅为0.38，差距明显。这表明LAI的准确估算强烈依赖于对冠层体积散射信息的捕获，而多角度观测提供了关键信息。
- •
对于FCover（植被覆盖度）：两种观测配置均能获得较高的反演精度（R2≥ 0.73）。多角度模型（CNN迁移学习，15°天顶角，45°方位角）仅带来边际性提升（R2= 0.75）。这是因为FCover在物理定义上更接近于垂直方向的投影属性，天底角观测已包含其主要信息。
4.3. 基于BRDF建模的反演结果
研究人员进一步绘制了最佳反演模型（随机森林用于LIDFa，CNN用于LAI和FCover）在不同观测几何（天顶角和相对方位角）下的精度空间分布图。分析发现，不同结构参数的最优观测角度存在差异，但存在一些共性规律：
- •
LIDFa：在前向散射方向（大致与太阳光方向相同）的建模精度通常高于后向散射方向。R2在观测天顶角15°–30°范围内达到最大值。
- •
LAI：同样在前向散射方向精度略高，在相对方位角90°（侧向）附近达到峰值。精度随观测天顶角增大（超过30°）而下降。
- •
FCover：对观测几何的敏感性较弱，在靠近天底角（0°–15°）的范围内精度稳定且高。
综合来看，对于LIDFa和LAI的反演，偏离天底角、位于15°至45°天顶角范围内的前向散射观测方向往往能带来更低的误差。
结论与讨论
本研究成功构建并验证了一个基于无人机多角度高光谱遥感的框架，用于精准反演小麦育种材料的冠层结构参数。核心结论是：核驱动BRDF模型能够有效表征多品种小麦冠层光谱的各向异性；与传统的天底角观测相比，多角度观测能显著提升LAI和LIDFa这类具有复杂散射行为的结构参数的反演精度，而对于FCover，两种方式均能取得高精度结果。在方法学上，基于CNN的迁移学习模型对于LAI和FCover的反演最为有效，而使用原始多角度光谱的随机森林模型则在LIDFa反演中表现最佳。
这项研究的意义深远。首先，它从实验上量化了多角度无人机遥感在作物表型分析中的附加价值，为优化观测方案提供了直接证据。其次，所提出的技术框架——集成无人机倾斜摄影测量、核驱动BRDF建模和深度学习迁移学习——具有通用性和可移植性。研究者指出，该框架可作为指导其他作物或地区开展类似研究的“试点协议”：先通过小规模实验确定当地冠层类型最适合的BRDF模型和最优观测角度，再据此制定高效的大规模监测方案。这不仅推动了农业遥感从二维“拍照”向三维“感知”的演进，也为实现育种过程中冠层结构性状的高通量、自动化解析奠定了坚实的方法学基础，有助于加速优良品种的选育进程。当然，研究也存在一些局限性，例如未探索多角度BRF数据组合反演、大气校正可进一步精细化、模型架构可更深入等，这些都为未来的研究指明了方向。
