Der Blattflächenindex (Leaf Area Index, LAI) ist ein Schlüsselparameter zur Darstellung der Struktur und des Wachstums der Pflanzenbestandsdecke. Die genaue und zeitnahe Überwachung mittels Fernerkundungstechnologien ist von großer Bedeutung für das Management der Feldbewässerung und Düngung, die Gewährleistung der Ernährungssicherheit sowie die Bewertung des landwirtschaftlichen Produktionspotenzials. Die Red-Edge-Bande, als empfindlicher spektraler Bereich, der auf physiologische Änderungen der Blätter und der Kronenstruktur hinweist, wurde in mehreren mittel- bis hochauflösenden Satellitensensoren (10-30 m) integriert und wird weit verbreitet für die Inversion von Pflanzenparametern eingesetzt, was eine neue Gelegenheit zur Verbesserung der LAI-Inversionsgenauigkeit bietet. Dennoch gibt es erhebliche Unterschiede in der Anwendung der Red-Edge-Bande zur LAI-Inversion, und aufgrund der unterschiedlichen Untersuchungsgebiete ist noch unklar, wie die Red-Edge-Bande effektiv genutzt werden kann, um die LAI-Inversionsgenauigkeit zu steigern. Basierend darauf verwendet diese Studie eine hybride Methode, die das PROSAIL-Modell und maschinelle Lernalgorithmen kombiniert, als Inversionsstrategie. Mit Sentinel-2-Bildern, die drei Red-Edge-Bänder enthalten, und landgestützten LAI-Messdaten für nationale Hauptgetreidearten (Reis, Weizen und Mais) aus dem Nationalen Ökosystembeobachtungsnetz sowie durch die Auswahl optimaler maschineller Lernmodelle und Bandkombinationen wurde ein auf Red-Edge-Bandmerkmalen basierender LAI-Inversionsalgorithmus für Feldfrüchte entwickelt und systematisch in verschiedenen Szenarien bewertet. Die Ergebnisse zeigen, dass der mehrschichtige Perzeptronregressor (MLPR) die beste Anpassung zwischen LAI und Multiband-Reflexion erzielt, und die Aufnahme der Red-Edge-Bänder die LAI-Inversionsgenauigkeit effektiv verbessert, wobei die kombinierte Einführung von Red-Edge 1 (RE1) und Red-Edge 3 (RE3) die beste Leistung erzielte (R² = 0,784, RMSE = 0,826). Im Vergleich zur Z1-Kombination (Green+Red+NIR+SWIR1+SWIR2) ohne Red-Edge-Bänder stieg das R² um 4,9 % und der RMSE sank um 15,6 %. Gleichzeitig reduziert die Einbeziehung der Red-Edge-Bänder nicht nur systematische Verzerrungen bei der LAI-Inversion, sondern mildert auch den Sättigungseffekt im mittleren bis hohen LAI-Bereich (4 < LAI < 5) deutlich, wobei |Bias| und RMSE um 52,2 % bzw. 41,4 % abnahmen. Zudem variiert die Reaktion verschiedener Kulturen auf Red-Edge-Informationen; die größte Verbesserung der LAI-Inversionsgenauigkeit wurde beim Mais nach Einführung von RE1 und RE3 festgestellt (Steigerung des R² um 17,9 %, Reduktion des RMSE um 29,1 %). Der mit Red-Edge-Bändern gekoppelte Algorithmus in dieser Studie verbessert deutlich die Genauigkeit der LAI-Inversion für verschiedene Kulturtypen und bietet eine wichtige technische Unterstützung für die großflächige, langfristige und präzise Überwachung des Pflanzenbestandswachstums.

Blattflächenindex von Feldfrüchten; Red-Edge-Bänder; Prosail-Modell; maschinelles Lernen; Bandauswahl