物理模型与机器学习/深度学习已逐渐成为植被定量遥感中并驾齐驱的两辆马车。物理模型通过系列显式且具有物理意义的参数对真实物理世界进行建模，机器学习等人工智能方法的参数通常不具有物理意义，但对真实物理世界的非线性特征往往能够进行更好的表征。物理模型的参数通常相对较少，导致参数反演的内容较为局限（例如冠层尺度的叶面积指数、叶片尺度的色素含量）；人工智能模型参数往往较多甚至极为庞大，参数反演的内容则极为广泛（例如生物量、木质素、蛋白质含量等）。传统冠层尺度的物理模型当前往往难以应用于无人机的超高分辨率尺度，而人工智能方法则往往缺乏物理依据，导致对于物理机制的理解存在不足。联合物理模型与人工智能能够保持二者的优势，对于无人机遥感具有重要价值。本研究将探讨物理模型与人工智能方法在无人机超高分辨率参数反演中的价值，评估二者在关键植被参数反演中的不确定性，给出二者联合的思路与应用案例，最终提出“虚实结合”的参数反演框架。
 

无人机遥感,参数反演,植被参数,物理模型,人工智能