利用无人机3D实景与卫星遥感技术获取森林叶面积指数（LAI）：以毛竹林为例的研究

《Computers and Electronics in Agriculture》：Retrieval of forest LAI using UAV 3D real scenes combined with satellite remote sensing: a case study of moso bamboo forests

多尺度无人机3D建模与卫星数据融合提升竹林LAI反演精度，通过MVSNet算法重建三维模型提取结构参数，建立局部模型并融合Landsat 8光谱和ICESat-2高度数据，采用随机森林算法构建区域模型，较单一卫星模型R2提升80%，RMSE降低40%，有效解决高密度竹林尺度转换难题。

　　

赵一音|李学健|傅立勇|毛方杰|黄志豪|郑元清|王杰文|安思宇|杜华强

浙江农林大学农业与林业碳封存与减排重点实验室，中国杭州311300

摘要

无人机（UAV）三维（3D）实景建模是森林资源监测的一种新方法。本研究提出了一种新颖的多尺度方法，利用UAV 3D实景建模的高分辨率能力和卫星数据的区域覆盖范围来估算毛竹林的叶面积指数（LAI）。本研究的目标是开发一个多尺度LAI反演框架，通过引入基于UAV的3D重建作为中间上采样步骤，从而弥合野外测量与卫星像素之间的尺度差距。首先，利用多角度UAV图像和多视图立体网络（MVSNet）算法重建了样地的详细3D模型。通过分割技术，准确估算了包括总植物数量（$N_{\mathrm{棵树}}$）、平均树高（$\stackrel{平均}{\mathrm{高度}}$）和孔隙度（GF）在内的结构参数。这些估算值与实测值之间的决定系数（R²）达到了0.9。随后，我们直接从UAV 3D模型开发了一个高精度LAI估算模型，其R²值为0.8173（与观测值一致）。最后，利用UAV估算的LAI作为参考数据构建了一个区域LAI反演模型。该模型整合了优化的ICESat-2冠层高度数据以及Landsat 8的光谱和纹理信息，采用了随机森林算法。ICESat-2高度数据的加入至关重要。最终的大规模反演模型实现了0.7226的稳健预测精度。与仅使用Landsat 8相比，耦合模型的R²提高了约80%，而均方根误差（RMSE）降低了约40%。这表明该模型更加稳定，LAI的预测更加准确。研究表明，将UAV 3D建模与多源遥感数据相结合为森林LAI反演提供了一种高精度且新颖的方法。

引言

叶面积指数（LAI）定义为单位地面面积上的单侧绿叶面积，是控制地表物理过程的基本生物物理参数（Brown等人，2017年；Chen和Black，1992年；Chatterjee等人，2025年；Dong等人，2016年；Pasolli等人，2015年）。因此，准确估算LAI对于森林生态系统监测和碳循环评估至关重要（Wang等人，2025年；Xu等人，2025年；Li等人，2023年；Chen等人，1997年；Brown等人，2025年）。尽管直接的野外测量可以提供可靠的LAI观测数据，但其破坏性、高劳动成本和有限的空间代表性限制了其在区域尺度上的应用（Du等人，2011年；Li等人，2018年；Lin等人，2021年；Zhang等人，2021年）。

遥感已成为大规模LAI估算的主要方法。光学卫星数据结合植被指数和统计或机器学习模型被广泛使用，因为它们具有广泛的空间覆盖范围和长期连续性（Gu等人，2016年；Li等人，2018年；Xu等人，2017年）。然而，光学指数在高密度冠层中常常受到饱和效应的影响，导致在叶面积较大的森林中灵敏度降低（Camps-Valls等人，2021年；Lemaire等人，2008年；Li等人，2017年）。同时，卫星搭载的LiDAR提供了宝贵的垂直结构信息，但其稀疏采样和大范围覆盖在应用于异质森林时引入了不确定性，尤其是在复杂地形中（Camps-Valls等人，2021年；Lemaire等人，2008年；Li等人，2017年；Duveiller等人，2020年；Santoro等人，2022年；Zhang等人，2021年）。

无人机（UAV）技术能够提供高分辨率，以捕捉单个植物表面的详细信息。配备可见光数码相机的UAV具有操作简单、成本低廉以及高空间和时间分辨率的优势（Jung等人，2021年；Yue等人，2023年）。最近在结构从运动（SfM）摄影测量方面的进展使UAV成为高精度3D实景重建的可靠平台（Zhu等人，2023年）。因此，这些3D建模技术越来越多地应用于森林清查和冠层结构参数提取，为LiDAR提供了一种经济高效的替代方案（Ghasemi等人，2025年；Rejeb等人，2022年）。Zhu（Zhu等人，2024年）及其同事评估了UAV在冬小麦LAI估算中的性能。一些学者使用UAV RGB数据对冬小麦、玉米叶和葡萄园进行了LAI估算（Ilniyaz等人，2023年；Liu等人，2023年；Liu等人，2024年）。Rahul（Raj等人，2021年）等人基于机载RGB图像对冠层顶部进行了LAI估算，获得了0.7的R²值。使用多视图图像构建的点云和纹理模型可以捕捉到实际的森林结构，特别是冠层方向的结构参数。这一能力弥补了正射影像的局限性，因为正射影像只能获取二维变量（Jurado等人，2022年；Lin等人，2018年；Lin等人，2021年；Liu等人，2024年；Zhao等人，2023年）。虽然UAV数据可以在样地尺度上提供准确的估算，但目前尚无法将其扩展到大面积区域进行反演。正如Zhang等人（Zhang等人，2024年）所描述的，尽管使用多源数据在毛竹林样地尺度上实现了地上生物量（AGB）的准确估算，但这种估算尚未推广到区域尺度。

毛竹（Phyllostachys edulis）是一种重要的中国森林资源，属于禾本科（Gramineae）的Phyllostachys属。毛竹生长迅速，形成高密度的冠层，冠层闭合度通常在0.6到0.95之间，叶面积较大（Komatsu等人，2012年；Li等人，2018年；Mao等人，2016年；Zhao，2014年）。其强大的碳封存能力使其在减缓气候变化方面具有重要意义（Wang等人，2016年；Zhou等人，2011年；Chen，1992年）。

传统的单尺度遥感反演通常直接将地面点测量数据与卫星像素关联起来。然而，从尺度理论的角度来看，这种“点对像素”的方法由于森林冠层的空间异质性而存在根本的尺度不匹配问题（Zhang等人，2023年）。高密度竹林的复杂结构进一步加剧了这一问题，导致从样地直接上采样到卫星像素时反演不确定性显著（Li等人，2025年）。相比之下，本研究的理论创新在于构建了一个逐步上采样的框架。通过引入UAV 3D实景模型作为中间尺度，我们将离散的地面调查数据转换为与卫星像素空间对齐的连续冠层结构表面。这种方法有效弥合了“尺度差距”，最小化了由空间异质性引起的尺度偏差（Revill等人，2020年）。理论上，这种多尺度方法为区域LAI制图提供了比直接单尺度回归更严格的物理基础。

为了解决密集竹林中的光学饱和和尺度不匹配问题，本研究提出了一个多尺度反演框架。本研究的目标是：（1）基于UAV多视图图像重建毛竹林的3D实景模型；（2）基于UAV 3D实景数据准确估算冠层结构参数；（3）在上述两个方面的基础上，整合多源遥感数据开发一种新的毛竹林LAI反演方法。

材料与方法

结合Landsat 8和ICESat-2数据，我们使用高度变量开发了一个随机森林回归模型来估算毛竹林的区域LAI，并用UAV 3D模型的LAI进行了验证，替代了地面调查。这种方法利用UAV从样地尺度上采样到区域尺度，为复杂山区森林的LAI精确估算提供了一种新方法（图1）。

毛竹林样地3D实景构建结果

图4显示了部分样地的3D实景重建结果。如图4所示，3D模型中各种对象的地理位置相对准确，竹林轮廓清晰，冠层细节得到了很好的再现。总体而言，3D模型保持了对象的原貌，模型的视觉效果与实际对象一致。

根据“3D地理信息模型数据产品规范”

讨论

Chen等人（1992年）的公式定义了用于模型比较的样地尺度LAI真实值。传统的数字半球摄影（DHP）方法（LAI-2000G，TRAC）在高冠层闭合度的林地中严重低估了LAI（Andrea等人，1998年；Fernandes等人，2024年；Li等人，2021年）。我们的DHP测量结果（表7）证实了毛竹林中的这种偏差。这里使用的公式准确反映了实际的LAI分布。安吉地区东侧/西侧的LAI值较低

结论

本研究旨在通过引入UAV 3D实景重建作为中间上采样桥梁来解决密集竹林中的尺度不匹配问题。本研究利用UAV可见光相机获取多角度航空图像，SfM和MVSNet算法构建了高分辨率的3D实景模型。从这些模型中提取了关键参数，包括树木数量、平均高度和开放度，从而开发了基于样地的LAI模型。

CRediT作者贡献声明

赵一音：撰写——原始草案、方法论、调查、正式分析、数据管理、概念化。李学健：撰写——审稿与编辑、软件、方法论、正式分析。傅立勇：资金获取。毛方杰：方法论。黄志豪：方法论、调查。郑元清：调查。王杰文：调查。安思宇：调查。杜华强：撰写——审稿与编辑、资金获取、概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者衷心感谢浙江省科技厅的“领头鹅项目”（Grant 2023C02035）、国家自然科学基金（Grant 32171785和Grant 32201553）、浙江省林业局以及中国林业科学院（2026SY04）的支持。