Der Blattflächenindex LAI (Leaf Area Index) ist ein wichtiger Parameter zur Charakterisierung der Kronenstruktur und des Wachstums von Nutzpflanzen. Die genaue und rechtzeitige Überwachung mittels Fernerkundung ist von großer Bedeutung für das Feldmanagement von Wasser und Dünger, die Ernährungssicherheit und die Bewertung des landwirtschaftlichen Produktionspotenzials. Die rote Kante, eine empfindliche spektrale Bandbreite, die physiologische Veränderungen der Blätter und die Kronenstruktur anzeigt, ist in vielen mittleren bis hochauflösenden Satellitensensoren (10–30 m) integriert und wird häufig zur Rückführung von Pflanzenparametern verwendet, wodurch neue Möglichkeiten zur Verbesserung der Genauigkeit der LAI-Rückführung entstehen. Dennoch gibt es erhebliche Unterschiede in den bisher angewandten Methoden zur Nutzung der roten Kante bei der LAI-Rückführung, und aufgrund der unterschiedlichen Untersuchungsgebiete ist die effektive Nutzung der roten Kante zur Verbesserung der Genauigkeit der LAI-Rückführung noch unklar. Basierend darauf verwendet diese Studie eine hybride Methode, die das PROSAIL-Modell und maschinelle Lernalgorithmen kombiniert, um mit Sentinel-2-Bildern, die drei rote Kanten-Bänder enthalten, und bodengestützten LAI-Messdaten für die wichtigsten nationalen Getreidearten (Reis, Weizen und Mais) aus dem Nationalen Ökosystembeobachtungs- und Forschungsnetz ein LAI-Rückführungsalgorithmus entwickelt wird. Durch die Auswahl optimaler maschineller Lernmodelle und Bandkombinationen wurde ein Algorithmus konstruiert, der Merkmale der roten Kante koppelt, und in verschiedenen Szenarien systematisch bewertet. Die Ergebnisse zeigen, dass das mehrschichtige Perzeptron (MLPR) die beste Anpassung von LAI und Multibandreflektivität bietet, und dass die Einführung der roten Kante die Genauigkeit der LAI-Rückführung signifikant verbessert, wobei die Kombination der roten Kantenband 1 (RE1) und roten Kantenband 3 (RE3) das beste Ergebnis liefert (R²=0,784, RMSE=0,826). Im Vergleich zur Kombination Z1 ohne rote Kante (Green+Red+NIR+SWIR1+SWIR2) stieg R² um 4,9% und RMSE sank um 15,6%. Zudem reduziert die Einführung der roten Kante nicht nur systematische Fehler bei der LAI-Rückführung, sondern mindert auch effektiv die Sättigungseffekte im mittleren bis hohen LAI-Bereich (4<LAI<5) (|Bias| und RMSE sanken um 52,2% bzw. 41,4%). Darüber hinaus variiert die Reaktion verschiedener Kulturen auf rote Kanteninformationen; nach Einführung von RE1 und RE3 wurde die Genauigkeit der LAI-Rückführung bei Mais am deutlichsten verbessert (R² stieg um 17,9%, RMSE sank um 29,1%). Der hier entwickelte Rückführungsalgorithmus durch Kopplung der roten Kante verbessert die Genauigkeit der LAI-Rückführung für verschiedene Kulturtypen signifikant und bietet eine wichtige technische Unterstützung für die präzise, großflächige und langzeitliche Überwachung des Pflanzenwachstums.

LAI landwirtschaftlicher Kulturen; rote Kantenbänder; Prosail-Modell; maschinelles Lernen; Bandauswahl