“叶面积指数（LAI）是表征作物冠层结构与长势的关键参数，利用遥感技术对其进行准确及时的监测对于田间水肥管理、粮食安全保障以及农业生产潜力评估等具有重要意义。红边作为指示叶片生理及冠层结构变化的敏感性光谱波段，已被多种中高分辨率（10-30 m）卫星传感器配置并广泛应用于作物参数反演，为进一步提升作物LAI反演精度提供了新的契机。然而，现有研究在红边波段应用于LAI反演的方式上存在较大差异，且由于研究区域的不同，如何有效利用红边波段提升LAI反演精度仍未明确。基于此，本研究以PROSAIL模型和机器学习算法结合的混合法为反演策略，利用包含三个红边波段的Sentinel-2影像和国家生态系统观测研究网络提供的全国主粮作物（水稻、小麦和玉米）地面LAI实测数据，通过优选机器学习模型及波段组合，构建了耦合红边波段特征的农作物LAI反演算法，并在不同场景下开展了系统评估。结果表明，多层感知机（MLPR）拟合LAI与多波段反射率的效果最佳，且红边波段的引入可有效提升LAI反演精度，其中联合引入红边1（RE1）和红边3（RE3）的反演效果最优（R2 = 0.784， RMSE = 0.826），与不加入红边波段的Z1组合（Green+Red+NIR+SWIR1+SWIR2）相比，R2提升了4.9%，RMSE降低了15.6%。同时，引入红边波段不仅可减少LAI反演的系统性偏差，而且在LAI中高值区间（4 < LAI < 5）有效地缓解了饱和效应的影响（|Bias|和RMSE分别下降了52.2%和41.4%）。此外，不同作物对红边信息的响应存在差异，引入RE1和RE3后，玉米LAI反演精度提升最为显著（R2提升17.9%，RMSE降低29.1%）。本研究通过耦合红边波段所构建的反演算法，可显著提升不同作物类型LAI反演精度，为大尺度、长时序农作物长势精准监测提供了重要技术支撑。”