Die genaue Schätzung des Blattchlorophyllgehalts (Leaf Chlorophyll Content, LCC) ist von großer Bedeutung für die physiologische Überwachung von Nutzpflanzen und das präzise Agrarmanagement. Traditionelle Vegetationsindizes (Vegetation Index, VI), die auf der Kronenreflektivität im sichtbaren und nahen Infrarotbereich basieren, stehen bei der LCC-Umkehrung vor mehreren Herausforderungen: Erstens wird LCC mit Kronenstruktur-Signalen verwechselt, was zu einer starken Kopplung zwischen Zielinformationen und Strukturrauschen in der spektralen Reaktion führt; zweitens verstärkt die Heterogenität der Kronenstruktur zwischen verschiedenen Kulturpflanzentypen die Unterschiede in der Sensitivität der VIs gegenüber Strukturparametern deutlich, was die Modellübertragbarkeit und Anwendungsbereich erheblich einschränkt. Zur Lösung dieser Probleme schlägt diese Studie einen doppelt getriebenen Rahmen vor, der auf Fernsensormechanismen und Deep Learning basiert, um die Einflüsse der Kronenstruktur zu minimieren und die Anpassungsfähigkeit des Modells an verschiedene Hauptfeldfrüchte zu verbessern. Die Methode simuliert zunächst mithilfe des Strahlungstransportmodells PROSAIL verschiedene Kombinationen von Blattflächenindex (Leaf Area Index, LAI) und LCC und erstellt dabei ein Merkmalset von Verhältnissen der Vegetationsindizes mit geringer LAI-Sensitivität (Vegetation Index Ratio Feature Set, VIRFS); anschließend wird in Kombination mit einer aktiven Lernstrategie der Auswahlprozess der Stichproben im Zielgebiet im Transferlernen optimiert, um eine effiziente Feinabstimmung des Modells bei begrenzten annotierten Stichproben zu erreichen. Das Modell wurde systematisch mit Datensätzen von Hauptfeldfrüchten aus drei großen landwirtschaftlichen Regionen in China validiert: Nordosten (Mais, Reis, Soja), Huang-Huai-Ebene (Weizen) und Einzugsgebiet des Jangtse-Flusses (Reis). Die Ergebnisse zeigen: (1) Die vorgeschlagene hybride Methode erzielt hervorragende Ergebnisse bei der LCC-Umkehrung für verschiedene Hauptfeldfrüchte mit stabilen R²-Werten über 0,69 und RMSE-Werten unter 4,77 μg/cm² in unterschiedlichen Anbauszenarien; (2) Im Vergleich zum traditionellen Merkmalset der Vegetationsindizes (Vegetation Index Feature Set, VIFS) verringert VIRFS unter optimalen Feinabstimmungsbedingungen die LAI-Sensitivität deutlich, wobei R² in den drei Regionen für verschiedene Hauptfeldfrüchte um 0,18-0,23 steigt und RMSE um 1,85-2,51 μg/cm² sinkt; (3) Die Integration der aktiven Lernstrategie in das Transferlernen ermöglicht eine hochpräzise LCC-Umkehrung bei Verwendung von nur 30 % lokal annotierter Stichproben (R²=0,69-0,74, RMSE=4,98-5,76 μg/cm²) und verbessert die Genauigkeit um 0,02-0,16 in R² sowie reduziert den RMSE um 0,05-1,42 μg/cm² gegenüber einer Zufallsstichprobenstrategie. Zusammenfassend bietet der in dieser Studie entworfene Rahmen, der physikalische Gesetze mit datengetriebener Umkehrung koppelt, eine signifikante Verbesserung der Genauigkeit und Robustheit der LCC-Umkehrung für Hauptfeldfrüchte und stellt eine universelle Lösung für die zerstörungsfreie Überwachung der LCC in mehreren Regionen und Kulturen bereit. Er hat das Potenzial, eine wichtige Rolle im Agrarmanagement und in der Ernährungsdiagnose von Nutzpflanzen zu spielen.

Blattchlorophyllgehalt; Multispektrale Drohnenfernerkundung; Heterogenität der Kronenstruktur; Merkmalsset von Verhältnissen der Vegetationsindizes; Transferlernen; Aktives Lernen