L'estimation précise de la teneur en chlorophylle des feuilles (Leaf Chlorophyll Content, LCC) est d'une grande importance pour la surveillance physiologique des cultures et la gestion agricole de précision. Cependant, les indices de végétation (Vegetation Index, VI) basés traditionnellement sur la réflectance de la canopée dans le visible et le proche infrarouge rencontrent plusieurs défis dans l'inversion de la LCC : premièrement, la LCC est confondue avec les signaux de la structure de la canopée, entraînant un couplage élevé entre l'information cible et le bruit structurel dans la réponse spectrale ; deuxièmement, l'hétérogénéité de la structure de la canopée entre différents types de cultures accentue la sensibilité variable des VI aux paramètres structurels, limitant considérablement la capacité de généralisation inter-cultures et le champ d'application des modèles. Pour répondre à ces problèmes, cette étude propose un cadre d'inversion de la LCC doublement piloté par la mécanique de la télédétection et l'apprentissage profond, visant à atténuer l'influence de la structure de la canopée et à améliorer l'adaptabilité du modèle entre différentes cultures céréalières principales. La méthode simule d'abord diverses combinaisons de l'indice de surface foliaire (Leaf Area Index, LAI) et de la LCC à l'aide du modèle de transfert radiatif PROSAIL, construisant un ensemble de caractéristiques de ratios d'indices de végétation peu sensibles à la LAI (Vegetation Index Ratio Feature Set, VIRFS) ; puis, en combinant une stratégie d'apprentissage actif, optimise le processus de sélection des échantillons de la zone cible dans l'apprentissage par transfert, réalisant un affinage efficace du modèle avec un nombre limité d'échantillons annotés. Le modèle a été validé de manière systématique sur des ensembles de données de cultures céréalières principales dans trois grandes zones agricoles : le Nord-Est de la Chine (maïs, riz, soja), la plaine du Huang-Huai (blé) et le bassin du Yangtsé (riz). Les résultats montrent que : (1) la méthode hybride proposée performe bien dans l'inversion de la LCC pour des cultures céréalières différentes, avec un R² stable supérieur à 0,69 et un RMSE inférieur à 4,77 μg/cm² selon les scénarios ; (2) comparé à l'ensemble traditionnel des caractéristiques des indices de végétation (Vegetation Index Feature Set, VIFS), le VIRFS réduit significativement la sensibilité à la LAI dans les conditions optimales d'ajustement, augmentant le R² de 0,18 à 0,23 et diminuant le RMSE de 1,85 à 2,51 μg/cm² pour différentes cultures dans les trois régions ; (3) la combinaison de la stratégie d'apprentissage actif avec l'apprentissage par transfert permet une inversion précise de la LCC avec seulement 30 % d'échantillons annotés locaux (R² = 0,69-0,74, RMSE = 4,98-5,76 μg/cm²), améliorant la précision de 0,02 à 0,16 en R² et réduisant le RMSE de 0,05 à 1,42 μg/cm² par rapport à une stratégie d'échantillonnage aléatoire. En conclusion, le cadre couplant les lois physiques et les données proposé dans cette étude améliore significativement la précision et la robustesse de l'inversion de la teneur en chlorophylle des feuilles des cultures céréalières principales, offrant une solution universelle pour la surveillance non destructive de la LCC sur plusieurs régions et cultures, avec un fort potentiel d'application en gestion agricole et diagnostic nutritionnel des cultures.

Teneur en chlorophylle des feuilles; Télédétection multispectrale par drones; Hétérogénéité de la structure de la canopée; Ensemble des caractéristiques des ratios d'indices de végétation; Apprentissage par transfert; Apprentissage actif