يُعتبر التقدير الدقيق لمحتوى الكلوروفيل في الأوراق (Leaf Chlorophyll Content، LCC) ذا أهمية كبيرة لمراقبة الفيزياء الحيوية للمحاصيل وإدارة الزراعة الدقيقة. ومع ذلك، تواجه مؤشرات الغطاء النباتي (Vegetation Index، VI) المستندة تقليديًا إلى انعكاسية التاج الضوئي في نطاق الضوء المرئي والأشعة تحت الحمراء القريبة عدة تحديات في عكس LCC: أولاً، يتداخل LCC مع إشارات بنية التاج مما يؤدي إلى اقتران عالي بين المعلومات الهدفية والضوضاء البنيوية في الاستجابة الطيفية؛ ثانيًا، يؤدي التنوع البنيوي بين أنواع المحاصيل المختلفة إلى تفاقم حساسية مؤشرات الغطاء النباتي للمعلمات البنيوية، مما يحد بشكل كبير من القدرة على التعميم عبر المحاصيل ومدى تطبيق النموذج. لمعالجة هذه القضايا، تقترح هذه الدراسة إطارًا مزدوج القيادة يستند إلى مبدأ الاستشعار عن بعد والتعلم العميق لعكس LCC، بهدف تقليل تأثيرات بنية التاج وتحسين التكيف بين محاصيل الحبوب الرئيسية المختلفة. تعتمد الطريقة أولاً على محاكاة نموذج نقل الإشعاع PROSAIL لمجموعة متنوعة من تراكيب مؤشر مساحة الأوراق (Leaf Area Index، LAI) وLCC، لبناء مجموعة ميزات نسبة مؤشر الغطاء النباتي ذات الحساسية المنخفضة لـ LAI (Vegetation Index Ratio Feature Set، VIRFS)؛ ثم، باستخدام استراتيجية التعلم النشط، يتم تحسين اختيار عينات المنطقة الهدف في التعلم الانتقالي لتحقيق تحسين كفء للنموذج ضمن حدود العينات الموسومة المحدودة. تم التحقق من النموذج منهجيًا باستخدام مجموعات بيانات لمحاصيل الحبوب الرئيسية في ثلاث مناطق زراعية رئيسية: شمال شرق الصين (الذرة، الأرز، وفول الصويا)، سهل هوانغ-هوي (القمح)، وحوض نهر اليانغتسي (الأرز). أظهرت النتائج: (1) أظهر النهج المختلط المقترح أداءً ممتازًا في عكس LCC لمحاصيل الحبوب في مناطق مختلفة، حيث كان R² للنموذج فوق 0.69 بشكل مستقر وRMSE أقل من 4.77 ميكروغرام/سم² عبر سيناريوهات المحاصيل المختلفة؛ (2) مقارنة بمجموعة ميزات مؤشر الغطاء النباتي التقليدية (Vegetation Index Feature Set، VIFS)، خفضت VIRFS بشكل ملحوظ حساسية LAI في أفضل ظروف الضبط الدقيق، مع زيادة R² بين 0.18-0.23 وانخفاض RMSE بين 1.85-2.51 ميكروغرام/سم² لمجموعة المحاصيل في المناطق الثلاث؛ (3) سمح دمج استراتيجية التعلم النشط مع التعلم الانتقالي بتحقيق عكس عالي الدقة لـ LCC باستخدام 30% فقط من العينات الموسومة المحلية (R² = 0.69-0.74، RMSE = 4.98-5.76 ميكروغرام/سم²)، محققًا تحسينًا في الدقة بنسبة 0.02-0.16 في R² وانخفاضًا في RMSE من 0.05-1.42 ميكروغرام/سم² مقارنة باستراتيجية أخذ العينات العشوائية. في الختام، يوفر الإطار المبني على الارتباط بين قوانين الفيزياء والبيانات في هذه الدراسة دقة وصلابة محسَّنة في عكس محتوى الكلوروفيل لأوراق محاصيل الحبوب الرئيسية، مع تقديم حل شامل للمراقبة غير التدميرية عبر مناطق ومحاصيل متعددة، ويتوقع أن يلعب دورًا مهمًا في إدارة الزراعة وتشخيص تغذية المحاصيل.

محتوى الكلوروفيل في الأوراق; الاستشعار متعدد الأطياف بطائرات بدون طيار; تنوع بنية التاج; ميزات نسبة مؤشر الغطاء النباتي; التعلم الانتقالي; التعلم النشط