激光雷达遥感农作物结构参数反演是利用激光雷达主动遥感技术获取农作物高度、冠层结构、枝叶分布等三维形态参数的技术方法。激光雷达通过发射激光脉冲并接收回波信号，能够穿透植被冠层获取多层结构信息，精确测量作物株高、冠层高度、茎秆密度、叶面积指数等关键参数。这些结构参数与作物生物量、产量估算、生长监测密切相关，是精准农业和农业遥感领域的重要研究方向。与传统被动光学遥感相比，激光雷达遥感不受光照条件限制，能够提供独立于光谱信息的结构维度数据，在农作物参数反演领域展现出独特优势。
激光雷达（Light Detection and Ranging，LiDAR）遥感技术是继GPS之后又一项重大技术创新，被广泛应用于地形测绘、林业调查、城市规划、电力巡检等领域。在农业遥感领域，激光雷达能够获取农作物的三维结构信息，为作物生长监测、产量预测、病虫害评估提供独特数据支撑。激光雷达发射的激光脉冲能够穿透植被冠层，部分到达地表并返回接收器，形成多次回波信号，蕴含从冠层顶部到底表的多层结构信息。
农作物结构参数是表征作物形态特征和生长状况的重要指标，包括株高、冠层高度、茎秆粗细、分枝角度、叶面积分布、根系结构等。这些参数直接影响作物光合作用效率、蒸腾作用、养分吸收，进而决定作物产量和品质。传统测量方法依赖人工田间采样，耗时耗力且代表性问题突出。激光雷达遥感技术为大面积、快速、非接触式农作物结构参数获取提供了革命性手段。时维遥感平台集成了机载和无人机载激光雷达数据处理能力，可为农业科研和生产管理提供高质量的结构参数产品。
激光雷达遥感技术原理
激光雷达系统构成与测距原理
激光雷达系统主要由激光发射器、扫描机构、接收器、定位定姿系统（POS）和数据存储单元组成。激光发射器产生高频短脉冲激光，典型波长包括近红外（1064nm）、绿光（532nm）等；扫描机构通过旋转棱镜或摆动镜片实现光束偏转，形成覆盖地面的扫描带；接收器探测返回的激光回波信号，记录回波强度和时间信息；POS系统集成GPS接收机和惯性测量单元（IMU），确定传感器空间位置和姿态参数。
激光雷达测距基于飞行时间（Time of Flight，TOF）原理。激光脉冲从发射到返回的时间间隔与目标距离成正比，通过精确测量时间差可计算目标距离。典型测距精度可达厘米级，脉冲频率从数十kHz到数MHz不等，高频脉冲可获取更高点密度。现代激光雷达还可记录返回脉冲的完整波形信息（全波形激光雷达），通过波形分解可提取更丰富的目标结构信息。
回波信号处理与点云生成
激光雷达原始数据为距离和强度信息，需要经过处理生成三维点云。每个激光脚点在地理坐标中对应一个三维坐标点（X、Y、Z）和回波强度值（I）。坐标计算需要已知传感器位置（GPS坐标）、传感器姿态（IMU数据）、扫描角度、测距值，通过坐标变换公式计算地面点三维坐标。回波强度反映目标反射特性，与目标材质、含水量、表面粗糙度等因素相关。
多次回波是激光雷达的重要特征。激光脉冲穿透植被时，能量逐渐衰减并多次被不同高度的地物反射，形成首次回波（冠层顶部）、末次回波（地表）和中间回波（冠层内部）。通过分析多次回波信号可提取冠层垂直结构信息，区分冠层、树干、地面等不同高度目标。全波形激光雷达记录脉冲从发射到接收的完整波形，通过高斯分解可获得更精确的回波位置和宽度信息。
激光雷达数据产品类型
激光雷达数据处理可生成多种农业应用相关产品。数字表面模型（DSM）记录地表及地物顶部高程，包含植被和建筑物信息；数字地形模型（DTM或DEM）记录裸露地表高程，需要通过滤波处理去除植被和建筑物；冠层高度模型（CHM）是DSM与DTM的差值，代表植被相对于地面的高度。CHM是估算作物株高的直接数据源。
激光点云可进行分层、分类、分割等处理，提取树木位置、树干中心、冠层边界等参数。对于农作物，点云分类可区分地面点、作物点、杂草点等；冠层内部点云密度和分布反映叶面积密度垂直结构；地面点高程标准差反映地表粗糙度。时维遥感处理平台提供标准化的激光雷达数据处理流程，包括噪声去除、点云分类、DTM生成、CHM计算等模块，支持从原始数据到农业参数产品的自动化生产。
农作物结构参数反演方法
株高估算方法
株高是最基本的作物结构参数，与作物发育阶段和生物量密切相关。激光雷达获取株高的方法包括直接测量法和统计估算法。直接测量法利用冠层高度模型（CHM）提取最高点高程或百分位高程作为株高估计值，适用于株型紧凑、个体明显的作物如玉米、果树等；统计估算法通过建立点云统计特征（如高度百分位、密度）与实测株高的回归关系实现估算，适用于复杂冠层结构作物。
不同作物类型的株高估算方法存在差异。玉米株型呈圆柱形分布，株高可用CHM第95百分位高程或所有点平均高程代表；小麦穗部弯曲影响实际高度估算，需结合茎秆点云进行校正；水稻植株较矮且分蘖密集，株高估算需考虑田面水层影响。无人机激光雷达获取的高密度点云可精细刻画株高空间分布，支持田间株高变异性分析。研究表明，激光雷达估算株高与实测株高相关系数可达0.9以上，RMSE通常在5至15厘米范围。
叶面积指数反演方法
叶面积指数（Leaf Area Index，LAI）是单位地表面积上叶片总面积的比值，是表征植被光合作用能力的关键参数。传统LAI测量方法包括直接采样法（叶片称重）和间接测量法（光学仪器法），激光雷达为LAI区域估算提供了新途径。激光雷达LAI反演方法主要包括点云覆盖度法、射线追踪法、Beer-Lambert法则法等。
点云覆盖度法利用激光点命中叶片的比例估算LAI。假设叶片随机分布，LAI与激光脉冲穿透概率满足关系：LAI = -ln(P) / K，其中P为激光脉冲穿透到下层的概率，K为消光系数。穿透概率可通过冠层上下点云密度比值或首次回波与总回波比值估算。射线追踪法模拟大量射线从传感器发出穿过冠层，统计射线与叶片相交次数估算LAI。Beer-Lambert法则法利用激光回波强度与LAI的负指数关系进行估算。时维遥感集成了多种LAI反演算法，可根据数据特点和应用需求选择最优方法。
作物生物量估算方法
作物生物量是单位面积作物干物质总量，与产量直接相关。激光雷达通过获取作物高度、密度、结构参数，间接估算作物生物量。常用估算方法包括经验模型法、过程模型法和机器学习法。
经验模型法建立作物高度等结构参数与生物量的统计回归关系，如线性回归、多项式回归、幂函数回归等。由于生物量与高度通常呈非线性关系，幂函数模型应用较广。过程模型法基于作物生长生理过程，耦合辐射传输模型和生物量积累模型，输入激光雷达结构参数驱动模型运行，输出生物量估算值。机器学习法利用随机森林、支向量机、神经网络等算法学习激光雷达特征与生物量的复杂非线性关系，不依赖物理机制假设。时维遥感平台提供的生物量估算模块支持多种模型选择和对比，自动筛选最优模型配置。
茎秆密度与分布参数
茎秆是作物支撑结构，茎秆数量、直径、分布影响作物抗倒伏能力和收获指数。激光雷达点云可区分茎秆回波和叶片回波，提取茎秆位置、直径、倾角等参数。茎秆点云通常呈线性分布特征，通过点云分割算法可识别单个茎秆目标。茎秆直径可通过茎秆点云直径估算或回波强度反演；茎秆倾角通过茎秆轴线与垂直方向夹角计算。
小麦茎秆密度与穗数、产量密切相关，是小麦测产的重要参数。激光雷达获取的茎秆密度结合单位面积穗数可估算理论产量。在小麦倒伏风险评估中，茎秆倾角是关键指标，激光雷达可快速获取田间茎秆倾角分布，识别倒伏风险区域。时维遥感研发的茎秆参数提取算法在黄淮海小麦产区进行了验证，茎秆密度估算精度达90%以上，倾角估算精度达85%以上。
激光雷达数据获取方式
星载激光雷达
星载激光雷达安装在卫星平台，具备全球覆盖、周期性观测优势。代表性星载激光雷达包括NASA的ICESat/ICESat-2卫星、中国资源三号激光测高仪、欧洲航天局的AEOLUS风激光雷达等。ICESat-2搭载光子计数激光雷达ATLAS，采用微脉冲光子计数技术，点密度较传统星载激光雷达提高数十倍，可获取植被顶部高程和地表高程。
星载激光雷达空间分辨率较低，单光子点位密度稀疏，对于田块尺度农作物结构监测能力有限。但星载激光雷达具有全球一致性和长期连续观测优势，可用于大范围植被垂直结构变化监测和生物量估算。GEDI（Global Ecosystem Dynamics Investigation）载荷安装在ISS，可获取热带雨林等区域的高密度激光测高数据，已被广泛用于全球森林和林地生物量制图。星载激光雷达与光学、SAR协同，可支撑全球农业资源监测。
机载激光雷达
机载激光雷达安装在有人飞机平台，具备大范围、高精度、高效率优势，是目前农业遥感领域应用最成熟的激光雷达类型。典型机载激光雷达系统包括Leica ALS系列、Riegl LMS系列、Optech ALTM系列等，测点密度从数点/平方米到数十点/平方米不等，飞行高度从数百米到数千米可调，空间分辨率和覆盖范围可根据需求优化配置。
机载激光雷达农田作业通常在1000至3000米高度飞行，获取的点云密度为5至20点/平方米，可清晰刻画作物株高和冠层结构。机载激光雷达作业效率高，单架次可获取数十至数百平方公里数据，适用于县级至省级尺度农业资源调查。时维遥感与多家通航企业合作建立了机载激光雷达作业能力，可承接大面积农田激光雷达数据采集任务。
无人机载激光雷达
无人机载激光雷达是近年来发展迅速的激光雷达技术类型，具有灵活性高、成本较低、可低空作业优势。无人机激光雷达系统通常体积小、重量轻，搭载于多旋翼或固定翼无人机平台。典型系统包括大疆L1、Pix4D Mapper、RIEGL miniVUX系列等，点密度可达100点/平方米以上。
无人机激光雷达可在30至100米低空飞行，获取厘米级空间分辨率数据，能够捕捉作物行间细节和株高微细变化。低空飞行受气流影响大，对无人机操控和轨迹稳定性要求高。无人机激光雷达特别适用于小面积精细调查、高价值作物监测、田间试验小区参数测量等应用场景。时维遥感研发的无人机激光雷达农业应用方案已在多家农业科研院所投入使用，支持作物表型参数采集和精准农业研究。
农业应用实践案例
冬小麦产量预测
小麦产量预测对粮食安全和农业管理具有重要意义。传统产量预测依赖气象数据和统计模型，难以反映田间空间变异性。激光雷达获取的作物结构参数可建立更精确的产量估算模型。中国农业科学院作物研究所利用无人机激光雷达数据，在黄淮海麦区开展了冬小麦产量预测研究。
研究在小麦返青期、拔节期、抽穗期、灌浆期四个关键时期获取激光雷达数据，提取株高、冠层体积、叶面积指数等参数，结合实测产量数据建立多元线性回归和随机森林产量预测模型。结果表明，拔节期株高和灌浆期叶面积指数是产量预测的最重要变量，融合多期参数的模型预测精度达85%以上，优于仅使用单期参数或传统气象模型的预测效果。该技术为小麦田间管理决策和产量早期预警提供了科学依据。
玉米表型高通量采集
作物表型是作物基因型与环境互作的表现型状，高通量表型采集是加速作物育种的关键技术瓶颈。激光雷达遥感为作物表型参数快速获取提供了革命性手段。华中农业大学研究团队利用无人机激光雷达平台，在玉米育种试验基地开展了高通量表型采集研究。
研究对200余个玉米品种的田间试验进行激光雷达扫描，提取株高、穗位高、叶夹角、冠层体积等20余项结构参数，与人工测量数据进行对比验证。结果显示，激光雷达参数与人工测量参数相关系数达0.85至0.98，株高估算误差小于5厘米，叶夹角估算误差小于10度。多时序数据还可追踪玉米生长动态过程，分析不同品种生长发育差异。激光雷达表型采集效率是人工测量的20倍以上，大幅降低了育种表型鉴定成本。
水稻倒伏风险评估
水稻倒伏是影响稻谷产量和品质的重要灾害，倒伏发生与植株结构参数密切相关。激光雷达可快速获取水稻株高、茎秆倾角、冠层密度等参数，支撑倒伏风险评估。中国水稻研究所联合时维遥感团队，在长江中下游水稻产区开展了激光雷达倒伏风险评估研究。
研究在水稻抽穗期和成熟期前获取激光雷达数据，提取株高、穗位高、茎秆倾角、冠层高度均匀度等参数，结合历史倒伏数据建立倒伏风险指数模型。分析表明，茎秆倾角是倒伏风险评估的最敏感参数，倾角超过60度的田块倒伏风险显著增加；株高与倒伏风险正相关，高秆品种倒伏风险高于矮秆品种；冠层高度均匀度反映田间生长一致性，均匀度低的田块局部倒伏风险较高。基于激光雷达参数的倒伏风险评估结果与实际调查结果吻合良好。
果园结构管理与产量估算
激光雷达在果树种植管理中具有重要应用价值，可用于树冠结构参数测量、修剪方案制定、产量估算等。柑橘、苹果、梨等果树树冠结构复杂，传统测量方法难度大、成本高。时维遥感在南方柑橘产区开展了激光雷达果园结构参数提取与应用研究。
研究利用无人机激光雷达获取柑橘园点云数据，提取树冠高度、冠幅、体积、叶面积密度等参数，分析树冠结构空间分布特征。结果显示，树冠体积与果实产量呈显著正相关，相关系数达0.78；不同树龄、不同品种的冠层结构参数存在显著差异，可用于指导精准修剪和施肥管理。基于激光雷达参数的产量估算模型预测精度达88%，为果园产量预测和市场供应规划提供了决策参考。
技术挑战与未来趋势
点云密度与穿透能力
激光雷达点云密度和冠层穿透能力是影响农作物结构参数反演精度的关键因素。冠层茂密作物（如玉米、小麦）顶部叶片阻挡激光脉冲穿透，影响冠层内部结构和地面点获取。低密度点云难以准确描述细小茎秆和叶片分布，参数估算误差较大。
提高点云密度和穿透能力的途径包括：采用短波长激光（如绿光532nm）提高穿透能力，但绿光激光雷达系统成本较高；增加激光脉冲频率和扫描密度；降低飞行高度；采用多角度扫描策略等。新型光子计数激光雷达采用单光子探测技术，灵敏度显著提高，在保持较远探测距离的同时可获取更高密度点云。未来随着激光雷达技术进步，点云质量和结构参数反演精度将持续提升。
多源数据协同反演
单一激光雷达数据在某些参数反演方面存在局限，多源数据协同反演是提高反演精度的有效途径。激光雷达与光学遥感融合可同时获取结构参数和光谱信息，用于LAI反演和生物量估算时效果优于单一数据源。激光雷达与热红外融合可获取作物温度和结构协同信息，用于水分胁迫监测。激光雷达与SAR融合可综合几何散射和微波散射信息，提高作物类型分类精度。
时维遥感正在研发激光雷达-光学-热红外多源融合反演平台，实现数据协同采集、处理和参数协同反演。多源协同反演需要解决数据时空匹配、特征空间融合、模型耦合等关键技术问题，是未来农业遥感参数反演的重要发展方向。
深度学习与智能化处理
深度学习技术在激光雷达点云处理领域发展迅速，点云语义分割、实例分割、目标检测等任务中深度学习方法表现优异。PointNet、PointNet++、PointCNN、Graph神经网络等架构可直接处理三维点云数据，自动学习层次化几何特征，分类和分割精度显著超过传统方法。
深度学习在农作物结构参数反演中的应用包括：基于深度学习的点云分类可更准确区分作物、土壤、杂草等不同目标；基于深度学习的株高估算可利用上下文信息提高精度；基于深度学习的叶面积估算可建立端到端反演模型，减少人工特征设计。时维遥感正在将最新深度学习技术应用于激光雷达农业应用，开发智能化的农作物结构参数反演系统，降低人工干预需求，提高处理效率。
激光雷达遥感作为新兴三维传感技术，在农作物结构参数反演领域展现出巨大应用潜力。随着传感器性能提升、成本下降、应用技术成熟，激光雷达将在精准农业、作物育种、农业生产管理等领域发挥越来越重要的作用，为农业现代化和粮食安全做出贡献。
