葉の葉緑素含量（Leaf Chlorophyll Content、LCC）の正確な推定は、作物の生理的モニタリングおよび精密農業管理において重要な意義を持つ。しかし、従来の可視光-近赤外の冠層反射率に基づく植生指数（Vegetation Index、VI）はLCCの逆解析において多くの課題に直面している。第一に、LCCは冠層構造信号と混在し、スペクトル応答においてターゲット情報と構造雑音が高度に相関している。第二に、作物タイプ間の冠層構造の異質性がVIの構造パラメータに対する感度の差異をさらに悪化させ、モデルの異作物間での汎化能力および適用範囲を著しく制限している。これらの課題に対し、本研究ではリモートセンシング機構と深層学習の二重駆動によるLCC逆解析フレームワークを提案し、冠層構造の影響を軽減し、異なる主食作物間のモデル適応性を向上させることを目的とする。本手法はまずPROSAIL放射伝達モデルに基づいて複数の葉面積指数（Leaf Area Index、LAI）とLCCの組み合わせをシミュレーションし、LAI感度の低い植生指数比率特徴セット（Vegetation Index Ratio Feature Set、VIRFS）を構築する。次に、アクティブラーニング戦略を組み合わせ、転移学習における対象領域サンプル選択プロセスを最適化し、限られたラベル付きサンプル下で効率的なモデル微調整を実現する。モデルは中国東北部（トウモロコシ、イネ、大豆）、黄淮平原（小麦）、長江流域（イネ）の三大農業地域の主食作物データセットで体系的に検証された。結果は以下の通りである：（1）本論文で提案する混合手法は異地域主食作物のLCC逆解析において優れた性能を示し、モデルのR²は安定して0.69を超え、RMSEは4.77 μg/cm²未満であった。（2）従来の植生指数特徴セット（Vegetation Index Feature Set、VIFS）と比較して、VIRFSは最適な微調整条件下においてLAI感度を著しく低減し、三地域の異なる主食作物においてR²が0.18〜0.23向上し、RMSEは1.85〜2.51 μg/cm²低減した。（3）アクティブラーニングを融合した転移学習戦略は地域ラベルサンプルの30％のみを用いても異なる主食作物の高精度なLCC逆解析を可能とし（R²=0.69〜0.74、RMSE=4.98〜5.76 μg/cm²）、ランダムサンプリング戦略と比較してR²が0.02〜0.16向上し、RMSEが0.05〜1.42 μg/cm²低減した。総じて、本研究で構築した物理法則とデータ駆動型の結合フレームワークは、主食作物のLCC逆解析の精度とロバスト性を大幅に向上させ、多地域・多作物のLCC非破壊的モニタリングに普遍的なソリューションを提供し、農業管理および作物栄養診断において重要な役割を果たすことが期待される。

葉の葉緑素含量; 無人機マルチスペクトルリモートセンシング; 冠層構造異質性; 植生指数比率特徴; 転移学習; アクティブラーニング