融合三维(three-dimensional，3D)和多光谱(multispectral，MS)成像数据有望实现高通量，全面的植物表型，以破译基因组-表型知识。由于具有复杂冠层结构的植物三维多光谱点云数据质量差，且辐射定标方法有限，获取高质量的植物三维多光谱点云(3DMPCs)仍然具有挑战性。本文提出了一种新颖的三维空间-光谱数据融合方法，通过整合用于自适应数据采集的下一个最佳视角（NBV）规划和用于辐射校准的神经参考场（NeREF），生成高质量的植物三维多光谱点云（3DMPCs）。利用该方法获取了紫苏、番茄和油菜籽等植物的3DMPCs，并通过叶绿素含量和等效水厚(equivalent water thickness，EWT)估算的精度进行了评价。结果表明，采用该方法采集的植物点云的完整性比单独使用固定视点平均提高23.6%。基于NeREF的半球形参考辐射定标方法可将提取的反射光谱的均方根误差(RMSE)降低58.93%，优于传统的定标方法。利用所生成的3DMPCs进行偏最小二乘回归(PLSR)，叶绿素含量和EWT预测的RMSE分别降低了21.25%和14.13%。本研究为在自然光条件下采集高质量植物3DMPCs提供了一种有效、高效的方法，提高了植物形态和生理性状表型的准确性和全面性，为植物生物学和遗传学研究及育种规划提供了便利。

图1  基于植物三维多光谱点云的整个表型分析示意图。

图2  每个步骤的下一个最优视图(NBV)估计结果和点云完整性评估结果的说明。

图3  辐射定标的定性和定量结果。

图4  基于三维多光谱点云(3DMPCs)的全株SPAD分布可视化及精度研究。

图5  基于三维多光谱点云(3DMPCs)的全株等效水厚(EWT)分布的可视化与精度研究。

图6 高质量植物三维多光谱点云生成系统与方法。

图7  自适应数据采集和神经参考场(NeREF)构建方法。