L'indice de surface foliaire LAI (Leaf Area Index) est un paramètre clé qui caractérise la structure de la canopée des cultures et leur vigueur. L'utilisation de technologies de télédétection pour un suivi précis et en temps réel est d'une grande importance pour la gestion de l'eau et des engrais sur le terrain, la sécurité alimentaire ainsi que l’évaluation du potentiel de production agricole. La bande rouge bordure, en tant que bande spectrale sensible indiquant les changements physiologiques des feuilles et la structure de la canopée, est intégrée dans plusieurs capteurs satellites à résolution moyenne et haute (10 à 30 m) et largement utilisée pour l'inversion des paramètres de culture, offrant une nouvelle opportunité pour améliorer la précision de l'inversion du LAI. Cependant, les méthodes actuelles d'application de la bande rouge bordure à l'inversion du LAI présentent de grandes divergences et, en raison des différentes zones d'étude, l'utilisation efficace de cette bande pour améliorer la précision de l'inversion du LAI reste incertaine. Dans ce contexte, cette étude propose une méthode hybride combinant le modèle PROSAIL et des algorithmes d'apprentissage automatique pour l'inversion, utilisant des images Sentinel-2 comprenant trois bandes rouges bordures ainsi que des données de terrain mesurées du LAI des principales cultures céréalières nationales (riz, blé et maïs) fournies par le réseau national d'observation et de recherche sur les écosystèmes. En optimisant les modèles d'apprentissage et les combinaisons de bandes, un algorithme d'inversion du LAI intégrant les caractéristiques des bandes rouges bordures a été développé et évalué dans divers scénarios. Les résultats montrent que le perceptron multicouche (MLPR) offre la meilleure correspondance entre le LAI et les réflectances multibandes, et que l'introduction des bandes rouges bordures améliore significativement la précision de l'inversion du LAI. L'association des bandes rouge bordure 1 (RE1) et rouge bordure 3 (RE3) donne le meilleur résultat (R²=0.784, RMSE=0.826), avec une amélioration de 4,9 % du R² et une réduction de 15,6 % du RMSE par rapport à la combinaison Z1 sans bandes rouges bordures (Green+Red+NIR+SWIR1+SWIR2). De plus, l'introduction des bandes rouges bordures réduit non seulement les biais systémiques de l'inversion du LAI, mais atténue également efficacement l'effet de saturation dans la zone de LAI moyen à élevé (4<LAI<5) (les valeurs absolues de biais et RMSE diminuent respectivement de 52,2 % et 41,4 %). En outre, la réponse des cultures aux informations des bandes rouges bordures varie : après introduction de RE1 et RE3, la précision d'inversion du LAI du maïs s'est nettement améliorée (R² a augmenté de 17,9 %, RMSE a diminué de 29,1 %). L'algorithme d'inversion, construit par la combinaison des bandes rouges bordures, améliore considérablement la précision de l'inversion du LAI pour différents types de cultures et fournit un support technique important pour la surveillance précise à grande échelle et à long terme de la croissance des cultures agricoles.

indice de surface foliaire des cultures agricoles; bande rouge bordure; modèle Prosail; apprentissage automatique; sélection des bandes