잎 엽록소 함량(Leaf Chlorophyll Content, LCC)의 정확한 추정은 작물 생리 모니터링 및 정밀 농업 관리에 중요한 의미를 갖는다. 그러나 기존의 가시광선-근적외선 관측 기반 수관 반사율을 이용한 식생 지수(Vegetation Index, VI)는 LCC 역산에 여러 도전에 직면하고 있다. 첫째, LCC가 수관 구조 신호와 혼재되어 스펙트럼 반응에서 목표 정보와 구조적 잡음이 강하게 결합된다. 둘째, 서로 다른 작물 유형 간 수관 구조 이질성은 VIs의 구조적 매개변수에 대한 민감도 차이를 더욱 심화시켜 모델의 작물 간 일반화 능력과 적용 범위를 크게 제한한다. 이러한 문제를 해결하기 위해 본 연구는 원격탐사 메커니즘과 딥러닝의 이중 구동 기반 LCC 역산 프레임워크를 제안하여 수관 구조 영향을 약화시키고 다양한 주요 곡물 간 모델 적응성을 향상시키고자 한다. 이 방법은 우선 PROSAIL 방사 전달 모델을 기반으로 다양한 잎 면적 지수(Leaf Area Index, LAI)와 LCC 조합을 시뮬레이션하여 LAI 민감도가 낮은 식생 지수 비율 특성 집합(Vegetation Index Ratio Feature Set, VIRFS)을 구축한다. 이후 능동 학습 전략과 결합하여 전이 학습에서 목표 영역 샘플 선택 과정을 최적화함으로써 한정된 라벨 샘플로 고효율 모델 미세조정을 달성한다. 모델은 중국 동북부(옥수수, 벼, 콩), 황회 평원(밀), 장강 유역(벼) 세 주요 농업 지역의 주요 곡물 데이터셋에서 체계적으로 검증되었다. 결과는 다음과 같다: (1) 본 논문에서 제안한 혼합 방법이 이질 지역 주요 곡물 LCC 역산에서 우수한 성능을 보였으며, 모델은 다양한 주요 곡물 시나리오에서 R²가 안정적으로 0.69 이상이고 RMSE가 4.77 μg/cm² 미만이었다. (2) 전통 식생 지수 특성 집합(Vegetation Index Feature Set, VIFS)과 비교했을 때, VIRFS는 최적 미세조정 조건에서 LAI 민감도를 크게 낮췄으며 세 지역 주요 곡물의 R²가 0.18-0.23 향상되고 RMSE가 1.85-2.51 μg/cm² 감소했다. (3) 능동 학습을 융합한 전이 학습 전략은 지역 라벨 샘플의 30%만 사용해도 다양한 주요 곡물의 고정밀 LCC 역산을 가능하게 하였으며(R²=0.69-0.74, RMSE=4.98-5.76 μg/cm²), 무작위 샘플링 전략 대비 R²와 정확도가 0.02-0.16 향상되고 RMSE가 0.05-1.42 μg/cm² 감소하였다. 결론적으로 본 연구에서 구축한 물리 법칙과 데이터 기반 역산 프레임워크는 주요 곡물 LCC 역산의 정확도와 견고성을 크게 향상시켜 다지역, 다작물 LCC 무손상 모니터링의 보편적 해결책을 제공하며 농업 관리 및 작물 영양 진단에 중요한 역할을 할 것으로 기대된다.

잎 엽록소 함량; 드론 다중분광 원격탐사; 수관 구조 이질성; 식생 지수 비율 특성; 전이 학습; 능동 학습