葉面積指数（Leaf Area Index、LAI）は作物冠層の構造および生育状況を表す重要なパラメータであり、リモートセンシング技術を用いた正確かつタイムリーなモニタリングは、現場での水肥管理、食料安全保障および農業生産ポテンシャルの評価等に重要な意義を持ちます。レッドエッジは、葉の生理的および冠層構造の変化を示す感度の高いスペクトル波長帯であり、複数の中高解像度（10-30m）衛星センサーに搭載され、作物パラメータの反演に広く利用されており、作物LAI反演の精度向上に新たな機会を提供しています。しかし、既存の研究ではレッドエッジ波長帯をLAI反演に適用する方法に大きな差異があり、かつ研究地域の違いから、レッドエッジ波長帯を効果的に活用してLAI反演の精度を向上させる方法は明確になっていません。これに基づき、本研究ではPROSAILモデルと機械学習アルゴリズムを組み合わせた混合法を反演戦略とし、3つのレッドエッジ波長帯を含むSentinel-2画像と国家生態系観測研究ネットワークが提供する全国の主要穀物作物（水稲、小麦、トウモロコシ）の地上LAI実測データを用い、機械学習モデルおよび波長帯の組み合わせを最適化することで、レッドエッジ波長帯特徴を組み込んだ作物LAI反演アルゴリズムを構築し、異なるシナリオで体系的な評価を実施しました。結果は、多層パーセプトロン(MLPR)がLAIと多波長反射率の適合性において最も良好であり、レッドエッジ波長帯の導入がLAI反演の精度を効果的に向上させることを示しました。特にレッドエッジ1（RE1）とレッドエッジ3（RE3）を組み合わせた反演結果が最良で（R² = 0.784、RMSE = 0.826）、レッドエッジ波長帯を含まないZ1組み合わせ（Green+Red+NIR+SWIR1+SWIR2）と比較して、R²は4.9％上昇し、RMSEは15.6％低減しました。同時に、レッドエッジ波長帯の導入はLAI反演の系統的なバイアスを低減させるだけでなく、LAIの中高値領域（4 < LAI < 5）における飽和現象の影響を効果的に緩和し、|Bias|とRMSEはそれぞれ52.2％と41.4％低下しました。さらに、作物ごとにレッドエッジ情報に対する応答に差があり、RE1とRE3の導入後、トウモロコシのLAI反演精度の向上が最も顕著であり（R²は17.9％向上、RMSEは29.1％低下）、本研究で構築したレッドエッジ波長帯を組み込んだ反演アルゴリズムは、多様な作物タイプのLAI反演精度を著しく向上させ、大規模・長期的な作物生育の精密モニタリングに重要な技術的支援を提供します。

作物葉面積指数; レッドエッジ波長帯; Prosailモデル; 機械学習; 波長帯選択