1、 高光谱激光雷达研究背景

自然植被群落通常呈现立体分布，不同高度处光照、水分和养分有较大差异，即便同一植株，不同生长阶段不同高度也呈现出不同的结构和生物化学特征。探测这种复杂的三维立体分布特性不仅是精确的生态系统监测和管理的需要，而且对病虫害早期预警、预估生态系统演化等研究也具有重要意义，可以有效推动林业、草原和农业管理水平。传统激光雷达和被动光学遥感有各自的优缺点，激光雷达具有很强的空间信息获取能力，而被动光学遥感则具有丰富的光谱信息，单独使用其中一种数据源难以满足对植被结构参数和生化组分的一体化高精度探测需求。因此，如何获取具有丰富光谱信息的三维点云数据成为了研究热点。传统生成具有光谱信息的点云数据主要有几大类方法：点云与光谱影像进行融合；观测平台上搭载多个激光探测器；基于多/高光谱影像和多视图几何算法的点云重建。然而，以上几种方法存在数据采集费事费力、数据融合和数据配准困难等问题。

高光谱激光雷达结合了被动光学的高光谱观测能力及激光雷达的垂直探测特点，具有探测冠层内部或者底部精细结构和光谱的能力，对于复杂植被群落的立体探测和单株植被的精细探测具有重要价值。高光谱激光雷达结合了传统激光雷达和被动光学遥感二者的优势，数据获取不受光照条件、地物背景、冠层结构等因素的干扰，且可以探测目标物不同空间位置处的高光谱数据。相比于其他光谱点云的获取方法，避免了数据采集、数据融合和数据配准等问题，可以实现更高效、更精准的光谱三维点云获取，可以探测植被生理结构和光合作用直接相关的生理过程，在复杂地表植被特征探测过程中具有极强的科学价值和应用潜力。

图1 高光谱激光雷达探测原理示意图

2、 高光谱激光雷达设备研制

高光谱波形激光雷达主要由超连续谱脉冲激光器、二维扫描转台、安置在扫描转台的共轴发射接收系统、多通道全波形探测单元、主控机等组成，如图2所示。高光谱激光雷达光谱共32个波段，探测范围为409~914nm。其中，超连续谱脉冲激光器的光谱范围为450nm~2400nm，最大峰值功率约20KW，发射脉冲半高宽度为2~3ns，脉冲重复频率是24KHz。激光器所发出的宽谱段激光经过准直器后变成汇聚的光束（发散角小于3mrad），进入望远镜光轴并发射出去。其中一路经微分透镜分光探测后直接进入示波器作为发射信号用于示波器触发电平采集。被照射目标的散射光采用消色差折射式望远镜(焦距400 mm，口径80 mm)来接收，在望远镜后端焦点处进行收集，然后经光纤传输至光栅摄谱仪进行分光，得到32个不同中心波长的光，并投射到相应的线阵探测器上。光电探测器输出信号由切换开关矩阵分批次差时切换通过不同的波段，由高速示波器完成回波波形实时采样和显示，采样后的数字化波形数据由控制主机完成存储。通过波形后处理算法可以得到带有光谱信息的三维点云数据。

图2 高光谱激光雷达原理图

（1） 激光光源

作为高光谱激光雷达原型系统，需要是这种新型高光谱激光地球观测系统的概念创新和技术可行性，其中多波长激光光源是其中最重要的部分。普通激光光源具有单色、定向、相干的特点，光束能量强，适合于有源探测光源。但是，如果需要多个波长的激光信号，则需要宽谱段激光器。武汉大学的团队设计了一种多光谱成像光谱仪，该光谱仪通过使用四种不同波长的激光组合来进行目标观测。但是在实际应用中，考虑到成本和多个激光器占用的系统资源的问题，不能采用增加激光器的数量的方式来实现高光谱激光雷达系统集成。

超连续谱激光光源，又称为白光光源，是一种新型的激光器。它具有宽谱段特性，光谱波段范围能从可见光至远红外波段，同时拥有常规激光的方向性和相干性以及强光质量，可以承担多个激光器组合工作才能达到的多光谱激光特性。超连续谱光源工作原理：通常以1064nm为种子光源，通过光纤非线性效应泵浦产生新的光谱成分，使光谱得到很大的展宽从而得到超连续谱光。通过准直后宽谱光具有很小的发散角，能量较为集中。因此，超连续谱激光光源非常适合作为高光谱激光雷达的光源。

（2） 发射接收光学系统

发射接收光学系统的主光路，图3所示。发射光路上放置一面45度微透分束取样镜，准直器输出的准直光投射到微分透镜上，大部分的光反射到望远镜周内的反射镜上，再次反射出去。还有一少部分光透过微透分束取样镜投射到发射探测器上进行发射波形测量，该采样波形经光电转换后用来触发一次回波测量。望远镜的透镜中心开孔20mm，作为同轴光路中的激光输出通道。

图3 发射光路设计图

（3） 分光系统

分光系统的功能是将由不同具有波长的“复合光”分成一系列单一波长的单色光。实际情况下100%纯度的单色光很难获取，通常所说的单色光仍有一定的光谱宽度范围，我们用中心波长来定义具有窄带谱宽的单色光的波长。同样地，对于高光谱激光雷达来说，进行激光雷达目标探测的基础是能够实现不同光谱波段的分光。

根据分光机理的不同，光谱分光模块有：滤光片、色散棱镜、衍射光栅、声光可调谐滤光片等。滤光片是多光谱仪常用的分光元件，其表面附有光学薄膜利用干涉原理只允许特定波段范围的入射光穿过，一个滤光片最多只能滤光得到一束单色光。棱镜分光根据在同一介质中不同波长光的折射率的差异地来实现分光。采用棱镜方式分光性能较低，并且分光后得到的波长谱线位置分布并不均匀，已逐步被光栅分光所替代。光栅分光利用了光的衍射原理，不同波长的光通过光栅分光后获得衍射图谱且中心波长的位置分布均匀。此外，光栅具有宽的光谱分光范围，且得到的光谱分辨率较高。光栅分光设计结构简洁，具备较低的吊装要求，是应用最广泛的分光方式。声光可调谐滤波片(AOTF)可以改变入射射频信号的通过频率，从而控制宽谱光至单色光的切换输出。一些波长的入射光经该系统输出后能量衰减较多，且目前只允许至多8个特定波长分光筛选输出。

（4） 光电探测

激光雷达回波信号探测是光电转换的过程，激光照射向目标经过吸收和散射后的回波信号会衰减很多，因此，回波弱信号探测技术是激光雷达的关键技术之一。对于全波形激光雷达的窄脉冲信号，根据脉冲飞行时间测距，需要探测器具有非常快的响应时间；此外，回波信号为能量微弱的光信号，需要采用特殊的光电探测器。针对激光雷达的弱回波信号的光电探测，常用的探测器为雪崩二极管和光电倍增管。

图4 多阳极线阵光电倍增管及结构示意图

（5） 信号采集

高速数据采集系统可以将探测得到的信号以极高的速度和时间分辨率转换成数字信号输出或存储到计算机中后处理。采集卡的选择需要考虑采样率、通道数和分辨率三个因素。采样率对应于信号的采样精度，采样率越高对原始信号的还原越精确。通道数越多，可同步采集的波段通道越多，采集效率越快。分辨率越高，信号损耗越少。如专用的PCIe数据采集卡ADQ7拥有双通道，每个通道14位分辨率，5GS/s采样率，带宽可达2.5GHz。具有采集精度高、采集速度快等优点。

另外一种实现高速数据采集的方案是使用具有存储功能的示波器来实现波形记录。为了实时显示和处理脉冲波形，可以选用高性能的数字存储示波器来采集波形信号，在保证高质量采集波形信息的同时，可以有效显示查验波形实时状态，以便对各种物理量状态监控。示波器用于测量和显示随时间变化的电子信号，并以波形或脉冲的形式展现。

3、 高光谱激光雷达数据处理关键技术

波形高光谱激光雷达通过主动发射宽谱段激光脉冲并探测目标后向散射回波信号的方式，能够观测目标空间结构和光谱信息，从而为全方位地获取目标的几何特征、距离信息、物质成分和颜色等属性提供了一种全天候的遥感探测手段。随着超连续谱激光光源和光电探测的技术的发展，研制一种同时获取地物光谱和几何结构信息的主动式高光谱激光雷达系统，在理论和技术上可行。其相比于传统单波长激光雷达探测技术只能获取距离及几何信息的方式，新型高光谱激光雷达探测技术在植被遥感、分类应用等领域展现出更大的定量应用潜力及适应性。

针对新型对地观测高光谱激光雷达系统的特点和应用需求，需要相应的数据处理技术来进一步促进高光谱激光雷达在遥感领域应用。高光谱激光雷达发射并接收宽谱段激光束能够通过小的间隙穿透树冠，该过程完整记录了传输路径上激光脉冲响应的波形数据，可提供植被的距离与光谱分布。高光谱激光雷达数据处理关键技术主要包括：几何校正、脉冲延迟效应及校正、回波波形分解方、子光斑纳效应校正等。

（1） 几何矫正

激光雷达采集的后向散射强度受至少四个因素的影响，如仪器影响、大气效应、扫描几何效应以及目标散射特性。在实际应用中，地基式高光谱激光雷达后向散射强度主要受扫描几何效应影响，包括入射角和距离效应，其中假定仪器自身效应影响保持不变，且大气衰减忽略不计。考虑到这种情况，入射角和距离效应对高光谱激光雷达回波强度数据的影响以及其波长依赖性是需要着重解决的问题。

图5 入射角效应

图6 距离效应

（2） 子光斑效应

“子光斑”效应，也称为边缘效应。发射的激光束具有一定的发散角，当照射在目标表面时会形成一定面积大小的光斑。当一束光斑落在目标边缘时产生的激光回波信号可能由多个目标共享，例如，当同一束激光光斑位于叶边缘，返回的激光束包含来自不同叶片和背景目标的多个反射信号。

图7 子光斑效应示意图

下图展示了子光斑效应实验，选用白色盒子、99%和50%反射板。测量时确保同一束激光束垂直照射到三个前后位置不同的目标。实验中保持中间白色盒子位置不变，逐步移动增加两个反射板和白盒的邻近距离。为了直观对比目标的反射光谱曲线，测量完成后以99%反射板为标定板获取观测目标的反射率 。图8 (a)展示了三个目标单独测量的标准反射率。图8(b)和(c)为目标邻近距离分别为500px和750px时的子光斑贡献的反射率光谱曲线。相距500px时，波形中只能识别出两个波形分量，因此只有两个光谱曲线。由于“子光斑”效应，与单次回波信号相比，发生多次回波信号强度要低得多。每个波长的多回波信号产生的回波信号强度与单次回波信号相比要低。而且子光斑效应会导致目标的光谱反射曲线出现异常。

图8 子光斑效应对反射率的影响

4、 植被理化参数探测

（1） 叶片尺度探测

氮素和叶绿素是植被生长中的重要生化组分。叶绿素与光合作用有关，而光合作用是植物有机化合物中能量和碳的重要来源；氮素是叶绿素、蛋白质和核酸中的关键组成。因此，叶片叶绿素和氮含量的快速无损测量测定对于精确农业和碳循环等应用具有重要意义。高光谱激光雷达作为新型遥感设备目前正处在研制阶段，因此各研究机构根据其具体实验计划逐步研制高光谱激光雷达设备，并开展各种实验对高光谱激光雷达的探测能力和应用前景进行探索。然而，高光谱激光雷达的探测机制与传统被动光学遥感的探测不同，高光谱激光雷达作物主动遥感获取的是目标物的后向散射强度，而高光谱影像获取则是目标物的辐射值，因此需要探究高光谱激光雷达现有波段对植被理化参数反演的可行性。

图9  PROSPECT-5输入变量对光谱反射率的全局敏感性分析

图10  基于高光谱激光雷达实测数据集的CIred edge和叶绿素含量的拟合关系（x轴为实测氮素含量，y轴为估算氮素含量）

（2） 单株尺度探测

高光谱激光雷达作为一种新型的遥感探测设备，将被动遥感和激光雷达进行融合，获取的高光谱三维点云同时包含目标物的光谱信息和三维结构，突破了以往传统二维被动遥感数据的局限性，可以在垂直方向上进行植被生化参数和光合参数的估算，并实现结构参数和生化参数的一体化提取。这对进一步挖掘植被属性的三维分布机制、促进定量化遥感的发展以及优化辐射传输模型等具有重要的意义。

图11  叶绿素、氮素以及类胡萝卜素在较小植株（a,c,e）和较大植株（b,d,f）上的三维分布。X，Y，Z的单位为cm。

图12  （a）健康玉米和（b）缺氮玉米的叶绿浓度三维分布（mg/g）及（c，d）其相应的叶绿素垂直分布情况（红色点表示上层和下层的平均值）。X，Y，Z单位为cm

（3） 器官尺度探测

在提取作物生物量方面，以往研究已证实了激光雷达具有提取地上生物量和茎叶器官尺度上生物量的能力。高光谱激光雷达作为以上两种探测器的有效结合体，具有探测作物不同器官上生物量和生化参数的能力。例如：高光谱激光雷达可以利用构建的3-D光谱点云在器官尺度上同时提取目标植被的生化组分和结构参数，从而可实现对植株氮素分布机理的观测和分析。相比于传统遥感探测器，高光谱激光雷达可以简单高效地实现对植株器官的生理生化参数一体化提取，具有在器官尺度上提取植物精细表型和监测作物生长规律的巨大潜力。

图13  （a）缺氮玉米和（b）健康玉米在两个生长时期内茎和叶生物量的对数关系（x轴为生物量，y轴为氮素含量）

5、 总结

植被生理生化参数具有立体分布的特征，表现在水平分布的不均一性，同时在垂直方向上的异质性。目前，被动光学遥感只是在水平方向参数反演具有较高的精度，但是对于具有垂直方向分布的特征参数，例如叶面积密度分布、生化组分垂直分布等均不能用遥感进行很好的反演，只能对“立体柱”总量或平均量进行描述，不能反映其垂直分布状况。高光谱激光雷达遥感能综合反演植被生理生化参量水平分布和垂直分布，其研究对于发展植被辐射传输理论，为新一代遥感器研制提供理论和实验基础具有重要意义。

参考文献

[1] Li W, Niu Z, Sun G,et al. 2016. Deriving backscatter reflective factors from 32-channel full-waveform LiDAR data for the estimation of leaf biochemical contents. Optics Express, 24(5): 4771-4785.

[2] Niu Z, Xu Z, Sun G,et al. 2015. Design of a New Multispectral Waveform LiDAR Instrument to Monitor Vegetation. IEEE Geoscience and Remote Sensing Letters, 12(7): 1506-1510.

[3] Bi K.Y., Xiao S.F., Gao S., Zhang C.S., Huang N., Niu Z.*. Estimating Vertical Chlorophyll Concentrations in Maize in Different Health States Using Hyperspectral LiDAR. IEEE Transactions on Geoscience and Remote Sensing, 2020.

[4] Bi K.Y., Niu Z., Gao S.*, Xiao S.F., Pei J., Zhang C.S., Huang N. Simultaneous Extraction of Plant 3-D Biochemical and Structural Parameters Using Hyperspectral LiDAR. IEEE Geoscience and Remote Sensing Letters, 2020.

[5] Bi K.Y., Niu Z., Xiao S.F., Gao S., Bai J., Sun G., Wang J, Han Z.Y., Gao S.*. Estimation of maize photosynthesis traits using hyperspectral lidar backscattered intensity. Remote Sensing, 2021.

[6] Bi K.Y., Niu Z., Xiao S.F., Gao S., Bai J., Sun G., Wang J, Han Z.Y., Gao S.*. Non-destructive monitoring of maize N concentration using a hyperspectral lidar: an evaluation from leaf-level to plant-level. Remote Sensing, 2021.

[7] Bi K.Y., Gao S., Niu Z.*, Zhang C.S., Huang N. Estimating leaf chlorophyll and nitrogen contents using active hyperspectral LiDAR and partial least square regression method. Journal of Applied Remote Sensing, 2019.

[8] Bi K.Y., Gao S., Xiao S.F., Zhang C.S., Bai J., Huang N., Sun G., Niu Z.*. N distribution characterization based on organ-level biomass and N concentration using a hyperspectral LiDAR，2021.（Under Review, Computers and Electronics in Agriculture。

[9] Bai J., Gao S., Niu Z.*, Zhang C.S., Bi K.Y., Sun G., Huang Y.R. A Novel Algorithm for Leaf Incidence Angle Effect Correction of Hyperspectral LiDAR. IEEE Transactions on Geoscience and Remote Sensing, 2021.

[10] Jie Bai, Zheng Niu, Yanru Huang, Kaiyi Bi, Yuwen Fu, Shuai Gao, Mingquan Wu, Li Wang,Full-waveform hyperspectral LiDAR data decomposition via ranking central locations of natural target echoes (Rclonte) at different wavelengths,Remote Sensing of Environment,2024.

[11] Bai J, Jie & Niu, Zheng & Bi, Kaiyi & Yang, Xuebo & Yanru, Huang & Fu, Yuwen & Wu, Mingquan & Wang, Li. (2024). Toward an Advanced Method for Full-Waveform Hyperspectral LiDAR Data Processing. IEEE Transactions on Geoscience and Remote Sensing. 62. 1-16. 10.1109/TGRS.2024.3382481.

[12] Bai Jie & Niu, Zheng & Gao, Shuai & Bi, Kaiyi & Wang, Ji & Yanru, Huang & Sun, Gang. (2023). An exploration, analysis, and correction of the distance effect on terrestrial hyperspectral LiDAR data. ISPRS Journal of Photogrammetry and Remote Sensing. 198. 60-83. 10.1016/j.isprsjprs.2023.03.001.

[13] Zhang C.S., Gao S., Li W., Bi K.Y., Huang N., Niu Z.*, Sun G. Radiometric Calibration for Incidence Angle, Range and Sub Footprint Effects on Hyperspectral LiDAR Backscatter Intensity. Remote Sensing, 2020.

[14] Zhang C.S., Gao S.*, Niu Z.*, Pei J., Bi K.Y, Sun G. Calibration of the Pulse Signal Decay Effect of Full Waveform Hyperspectral LiDAR. Sensors, 2019.