叶片叶绿素含量（LCC）是植物重要的生理生化指标，对于指示植物生长状态等具有重要意义。遥感是目前获取大范围叶片叶绿素含量的重要手段之一，由于LCC与叶片光谱信息存在较强的相关性，因此通常可以利用遥感观测的反射率信息实现LCC的反演。然而，遥感传感器获取的反射率受到植被冠层结构、叶片反射等多种因素影响，因此从反射率直接反演LCC需要考虑冠层结构带来的不确定性。目前，最为常用的LCC反演方法依赖于PROSAIL等模型所模拟的反射率数据集，进而通过机器学习建立反演模型，然而PROSAIL的一维模型通常将冠层简化为水平均一场景，难以适用于异质冠层，尤其是在高分辨率反演应用中，一维假设与实际冠层存在较大差异。虽然目前以LESS、DART为代表的三维辐射传输模型能够考虑精细的冠层结构，但是其计算效率相对较慢，难以实现大批量模拟。本研究为解决上述困难，提出了基于半经验加速三维辐射传输模型的精细尺度叶片叶绿素含量反演方法。具体而言，首先利用机载激光雷达扫描数据重建待反演区域的植被三维场景，将其作为三维辐射传输模型的输入，利用半经验加速算法Semi-LESS进行多种不同生化参数组合下的反射率数据集的快速模拟，从而基于深度学习网络构建反演模型，实现异质冠层的LCC反演，研究结果表明，该方法可以有效地降低反演误差，RMSE < 5 mg/cm². 本研究所提出的方法一方面利用三维模型实现了异质冠层精细尺度三维结构的表达，另一方面，充分发挥了半经验三维模型的高效率优势，解决了传统三维模型模拟数据的低效率困境。此外，本研究有效地融合了机载数据作为先验知识，对异质结构特征进行了量化，有效地降低了反演的不确定性，对于精细尺度森林健康监测等研究提供了新的可能。
 

植被辐射传输,叶片叶绿素含量,遥感反演