股海求生我第一块像样的叶面积指数（LAI）反演实验，不是用深度学习，而是用了一套看起来“老派”的组合：PROSAIL物理模型加遗传算法。当时很多人不理解，说都什么年代了，还用这种费劲的优化方式。但事实证明，在只有几十个实测样本、跨地块迁移需求明确的项目里，这套组合的可信度，远远超过了被反复调参的黑箱模型。
这篇东西我不打算写成教程式的“步骤列举”，我想把整个思路链条讲清楚：为什么选物理模型，为什么需要全局优化算法，以及真正动手做反演时会遇到哪些文档里不会写的坑。如果你本身就在做遥感反演、植被参数估算，或者想尝试PROSAIL但被各种细节劝退，这篇内容会比较对胃口。哪怕你刚入门，也能从这里摸清一条完整的反演技术路线。
1. 换个地块就失灵：为什么我最终选择了物理模型
1.1 LAI是个什么量，遥感如何“看见”它
叶面积指数（Leaf Area Index，LAI）的定义很简单：单位土地面积上所有绿叶单面面积的总和。一片郁闭的森林，LAI可能到6甚至8；一茬稀疏的小麦苗期，LAI可能只有0.5。这个指标之所以重要，是因为它直接决定了植被对光的截获能力，进而关联到光合作用、蒸腾、碳固定等一系列生态过程，是全球变化和农业监测里面的核心输入参数。
地面实测LAI并不难，仪器也多，比如LAI-2200植物冠层分析仪、TRAC、还有各类半球摄影方法。但问题在于：你不可能扛着仪器把整个流域测一遍。遥感的价值就是用它来“推算”大范围地表。原理也不复杂：绿色叶片对红光强烈吸收，对近红外强烈散射，这种“红边陡升”的光谱特征和叶片数量直接相关。叶面积越大，反射光谱中近红外和红光的比值越高。所以理论上，只要把遥感反射率测量准，就能反推出LAI。
问题在于：这条“相关”不是线性的，也不是单峰的。它受到叶片颜色、含水量、结构、冠层遮挡关系、土壤背景、观测角度等多重因素影响。这就决定了反演方法的上限。
1.2 经验模型的迁移困境
我先说一嘴经验模型，因为这是大多数人起步时的思路。
经验模型，简单说就是把反射率和LAI做统计回归。你也许见过这类公式：LAI = a × NDVI + b。一开始我用的也是这种思路，在某个农田站点采集几十个样点，算NDVI、EVI、还有各种红边指数，和实测LAI回归，R²能到0.85以上。当时觉得这个精度已经够用了。
结果第二年把模型搬到相邻的另一个县，立刻翻车。同样的水稻品种，同样的传感器，预测值和实测值的均方根误差直接漂了将近一倍。后来查数据发现，问题出在植被生长阶段变了、冠层结构不一样，还有地表含水量不同。统计模型没有任何物理约束，它拟合的是“数据之间的相关性”，一旦环境变化超过了训练样本的覆盖范围，外推能力就断崖式下降。
这就是经验模型的死穴：它对样本的依赖极重，而且迁移性差。在一个点上验证很好的模型，换一个地点、一种传感器、一个生长季，可能就废掉。学术界管这叫“模型的时空迁移性不足”。
而物理模型走的是另一条路：它试图模拟光子在叶片和冠层中传播的物理过程，即使换场景，只要输入的参数合理，输出依然在真实区间内。这也是后来我坚定转向物理模型反演的根本原因。
1.3 物理模型PROSAIL的工作逻辑
遥感领域里，物理模型不是指“物理课本里的公式”那么简单，它是一套能把植被生化参数映射到反射率光谱的仿真系统。最常用的就是PROSAIL，它其实是个复合模型，由PROSPECT（叶片光学模型）和SAIL（冠层辐射传输模型）组合而成。
PROSPECT模型解决的是“光子进入一片叶子后发生了什么”这个问题。它把叶片等效成一层层的“平板”，通过叶肉结构参数N、叶绿素含量Cab、类胡萝卜素含量Car、等效水厚度Cw、干物质含量Cdm等参数，计算出叶片在400-2500nm范围内的反射率和透射率。数学上它涉及光学介质层的折射、吸收和散射。
SAIL模型则解决“光子在冠层中怎么传递”的问题。它把冠层看成由无数个朝向各异的叶片组成的水平均质层，输入叶面积指数、叶倾角分布、热点参数、土壤反射率、太阳和观测几何，就能算出冠层顶的反射率。SAIL基于四流辐射传输理论，精度比简单的比尔定律模型高很多，但计算量也大不少。
把PROSPECT和SAIL组合起来，就是你输入LAI、Cab、Cw、观测几何等参数，它就能输出一个对应的冠层反射率光谱。反过来，你手里有一幅真实遥感影像，想反推LAI，那就不断调整模型参数，让模型输出的模拟反射率不断逼近真实观测反射率。这个“逼近”的过程，就是反演。
道理是这么个道理，但真操作起来你会发现，参数有七八个、每个参数都在连续区间内浮动，