مؤشر مساحة الأوراق LAI (Leaf Area Index) هو معلمة رئيسية تصف بنية وتطور مظلة المحاصيل. إن استخدام تقنيات الاستشعار عن بعد لمراقبته بدقة وفي الوقت المناسب له أهمية كبيرة في إدارة الري والتسميد الميداني، وضمان الأمن الغذائي، وتقييم إمكانات الإنتاج الزراعي. تعتبر الأطياف الحمراء الحدودية كموجات حساسة تشير إلى التغيرات الفسيولوجية في الأوراق وبنية المظلة، وقد تم تجهيز العديد من أجهزة استشعار الأقمار الصناعية متوسطة وعالية الدقة (10-30 مترًا) بها وتطبيقها على نطاق واسع في استرجاع معلمات المحاصيل، مما يوفر فرصة جديدة لتحسين دقة استرجاع LAI. ومع ذلك، هناك اختلافات كبيرة في الطرق المستخدمة لتطبيق الأطياف الحمراء الحدودية على استرجاع LAI، وبسبب الاختلافات في مناطق الدراسة، لا يزال من غير الواضح كيفية استخدام هذه الأطياف بشكل فعّال لتحسين دقة الاسترجاع. بناءً على ذلك، تعتمد هذه الدراسة على طريقة هجينة تجمع بين نموذج PROSAIL وخوارزميات التعلم الآلي للاسترجاع، باستخدام صور Sentinel-2 التي تحتوي على 3 أطياف حمراء حدودية وبيانات حقلية لقياسات LAI لمحاصيل الحبوب الوطنية (الأرز والقمح والذرة) المقدمة من شبكة الرصد والدراسة الوطنية للنظم البيئية، ومن خلال اختيار النماذج وخيارات الأطياف المثلى، تم بناء خوارزمية لاسترجاع LAI مرتبطة بخصائص الأطياف الحمراء الحدودية وأُجريت تقييمات نظامية في سيناريوهات مختلفة. أظهرت النتائج أن الشبكة متعددة الطبقات (MLPR) كانت الأفضل في نسج LAI مع الانعكاسية متعددة الأطياف، وأن إدخال الأطياف الحمراء الحدودية حسّن بشكل فعال دقة الاسترجاع، حيث كانت أفضل النتائج مع إدخال طيفي الحدود الأحمر 1 (RE1) و 3 (RE3) (R²=0.784، RMSE=0.826)، مقارنة بتجميع Z1 بدون الأطياف الحمراء الحدودية (Green+Red+NIR+SWIR1+SWIR2)، ارتفع R² بنسبة 4.9% وانخفض RMSE بنسبة 15.6%. بالإضافة إلى ذلك، ساهم إدخال الأطياف الحمراء الحدودية ليس فقط في تقليل تحيز النظام في استرجاع LAI، بل هدأ أيضًا تأثير التشبع في مجال LAI المتوسط والمرتفع (4R² زاد بنسبة 17.9%، RMSE انخفض بنسبة 29.1%). توفر الخوارزمية التي تم بناؤها هنا من خلال دمج الأطياف الحمراء الحدودية دعمًا تقنيًا مهمًا لمراقبة دقيقة على نطاق واسع وطويل الأمد لتطور المحاصيل المختلفة.

مؤشر مساحة أوراق المحاصيل; الأطياف الحمراء الحدودية; نموذج Prosail; التعلم الآلي; اختيار الأطياف