A estimativa precisa do conteúdo de clorofila foliar (Leaf Chlorophyll Content, LCC) é de grande importância para o monitoramento fisiológico de culturas e o manejo agrícola de precisão. No entanto, os índices de vegetação (Vegetation Index, VI) tradicionalmente baseados na refletância do dossel no espectro visível e próximo do infravermelho enfrentam vários desafios na inversão do LCC: primeiro, o LCC se confunde com sinais da estrutura do dossel, levando a um forte acoplamento entre informações-alvo e ruído estrutural na resposta espectral; segundo, a heterogeneidade da estrutura do dossel entre diferentes tipos de culturas aumenta ainda mais as diferenças na sensibilidade dos VIs a parâmetros estruturais, limitando significativamente a capacidade de generalização e o escopo do modelo entre culturas. Para abordar esses problemas, este estudo propõe uma estrutura de inversão do LCC impulsionada duplamente por mecanismos de sensoriamento remoto e aprendizado profundo, visando reduzir o impacto da estrutura do dossel e melhorar a adaptabilidade do modelo entre diferentes culturas principais. O método primeiro simula várias combinações do índice de área foliar (Leaf Area Index, LAI) e LCC com base no modelo de transferência radiativa PROSAIL, construindo um conjunto de recursos de razão do índice de vegetação com baixa sensibilidade ao LAI (Vegetation Index Ratio Feature Set, VIRFS); em seguida, combinando uma estratégia de aprendizado ativo, otimiza o processo de seleção de amostras da região-alvo no aprendizado por transferência, realizando um ajuste fino eficiente do modelo sob amostras limitadas anotadas. O modelo foi validado sistematicamente com conjuntos de dados de culturas principais em três grandes regiões agrícolas: nordeste da China (milho, arroz, soja), planície Huang-Huai (trigo) e bacia do rio Yangtze (arroz). Os resultados mostram que: (1) o método híbrido proposto apresentou desempenho excelente na inversão do LCC para culturas principais em regiões diferentes, com R² estável acima de 0,69 e RMSE abaixo de 4,77 μg/cm² em diferentes cenários; (2) em comparação com o conjunto tradicional de recursos dos índices de vegetação (Vegetation Index Feature Set, VIFS), o VIRFS reduz significativamente a sensibilidade ao LAI nas melhores condições de ajuste, aumentando o R² em 0,18-0,23 e diminuindo o RMSE em 1,85-2,51 μg/cm² para diferentes culturas nas três regiões; (3) a integração da estratégia de aprendizado ativo com o aprendizado por transferência permite a inversão de LCC de alta precisão utilizando apenas 30% das amostras anotadas locais (R² = 0,69-0,74, RMSE = 4,98-5,76 μg/cm²), melhorando a precisão R² em 0,02-0,16 e reduzindo o RMSE em 0,05-1,42 μg/cm² em comparação com a estratégia de amostragem aleatória. Em suma, a estrutura proposta que combina leis físicas e dados aprimora significativamente a precisão e a robustez da inversão do LCC para culturas principais, oferecendo uma solução universal para o monitoramento não destrutivo do LCC em múltiplas regiões e culturas e tem potencial para desempenhar um papel importante na gestão agrícola e no diagnóstico nutricional das culturas.

Conteúdo de clorofila foliar; Sensoriamento remoto multiespectral por drones; Heterogeneidade da estrutura do dossel; Conjunto de recursos de razão de índice de vegetação; Aprendizado por transferência; Aprendizado ativo