مؤشر مساحة الورقة (Leaf Area Index، LAI) هو معلمة رئيسية تُعبّر عن هيكل وتطور مظلة المحصول. تُعد المراقبة الدقيقة والفورية باستخدام تقنية الاستشعار عن بُعد ذات أهمية كبيرة لإدارة الري والتسميد الميدانية، وضمان الأمن الغذائي، وتقييم إمكانيات الإنتاج الزراعي. يُعتبر الحافة الحمراء نطاقًا طيفيًا حساسًا يشير إلى التغيرات الفسيولوجية لورقة النبات وهيكل المظلة، وقد تم تكوينه من قِبل العديد من أجهزة الاستشعار الفضائية متوسطة وعالية الدقة (10-30 متر) ويُستخدم على نطاق واسع في استرجاع معلمات المحاصيل، مما يوفر فرصة جديدة لتحسين دقة استرجاع LAI للمحاصيل. ومع ذلك، توجد اختلافات كبيرة في الطرق المستخدمة لتطبيق نطاق الحافة الحمراء في استرجاع LAI، وبسبب اختلاف المناطق البحثية، لا يزال من غير الواضح كيفية الاستفادة الفعالة من نطاق الحافة الحمراء لتعزيز دقة استرجاع LAI. استنادًا إلى ذلك، تستخدم هذه الدراسة طريقة مختلطة تجمع بين نموذج PROSAIL وخوارزميات التعلم الآلي كاستراتيجية استرجاع، مستخدمة صور Sentinel-2 التي تحتوي على ثلاثة نطاقات من الحافة الحمراء وبيانات LAI الأرضية الفعلية للمحاصيل الرئيسية الوطنية (الأرز والقمح والذرة) المقدمة من شبكة مراقبة الأنظمة البيئية الوطنية، ومن خلال اختيار نماذج التعلم الآلي وتركيبات النطاقات، تم بناء خوارزمية لاسترجاع LAI للمحاصيل تجميع ميزات الحافة الحمراء وتم إجراء تقييم منهجي في سيناريوهات مختلفة. أظهرت النتائج أن الشبكة متعددة الطبقات (MLPR) حققت أفضل توافق بين LAI والانعاكس متعدد النطاقات، كما أدى إدخال نطاقات الحافة الحمراء إلى تحسين دقة استرجاع LAI بشكل فعال، حيث كان الأداء الأفضل عند دمج الحافة الحمراء 1 (RE1) والحافة الحمراء 3 (RE3) (R² = 0.784، RMSE = 0.826)، مقارنةً بمجموعة Z1 (Green+Red+NIR+SWIR1+SWIR2) التي لا تحتوي على نطاقات الحافة الحمراء، زادت قيمة R² بنسبة 4.9٪ وانخفضت قيمة RMSE بنسبة 15.6٪. في الوقت نفسه، أدى إدخال نطاقات الحافة الحمراء إلى تقليل الانحياز المنهجي في استرجاع LAI، وفي المنطقة ذات القيم العالية والمتوسطة (4 < LAI < 5) خفف بشكل فعال تأثير التشبع (انخفض Bias وRMSE بنسبة 52.2٪ و41.4٪ على التوالي). بالإضافة إلى ذلك، توجد اختلافات في استجابة المحاصيل المختلفة لمعلومات الحافة الحمراء، وكان تحسين دقة استرجاع LAI للذرة الأكثر بروزًا بعد إدخال RE1 وRE3 (زيادة R² بنسبة 17.9٪ وانخفاض RMSE بنسبة 29.1٪). من خلال الخوارزمية التي تبنيت ميزات نطاق الحافة الحمراء، توفر هذه الدراسة دعمًا تقنيًا هامًا للمراقبة الدقيقة على نطاق واسع وطويل الأمد لتطور المحاصيل من حيث دقة استرجاع LAI لأنواع مختلفة من المحاصيل.

مؤشر مساحة الورقة للمحاصيل الزراعية; نطاق الحافة الحمراء; نموذج Prosail; التعلم الآلي; اختيار النطاقات