O Índice de Área Foliar (Leaf Area Index, LAI) é um parâmetro chave que caracteriza a estrutura e o vigor da copa das culturas. A monitoração precisa e oportuna utilizando técnicas de sensoriamento remoto é de grande importância para a gestão do manejo de água e fertilizantes no campo, garantia da segurança alimentar e avaliação do potencial produtivo agrícola. A banda red-edge, como uma banda espectral sensível que indica mudanças fisiológicas na folha e na estrutura da copa, foi incluida em vários sensores de satélite de média e alta resolução (10-30 m) e amplamente aplicada na inversão dos parâmetros das culturas, proporcionando uma nova oportunidade para melhorar a precisão da inversão do LAI. No entanto, existem grandes diferenças na forma como a banda red-edge é aplicada na inversão do LAI e, devido às diferentes regiões estudadas, ainda não está claro como utilizar efetivamente a banda red-edge para melhorar a precisão da inversão do LAI. Com base nisso, este estudo utiliza um método híbrido que combina o modelo PROSAIL e algoritmos de aprendizado de máquina como estratégia de inversão. Utilizando imagens Sentinel-2 que contêm três bandas red-edge e dados de LAI medidos em campo para as principais culturas nacionais (arroz, trigo e milho) fornecidos pela Rede Nacional de Observação de Ecossistemas, por meio da seleção otimizada de modelos de aprendizado de máquina e combinações de bandas, foi construído um algoritmo de inversão do LAI para culturas acoplado às características das bandas red-edge e uma avaliação sistemática foi realizada em diferentes cenários. Os resultados indicam que o perceptron de múltiplas camadas (MLPR) apresentou o melhor ajuste entre o LAI e a reflectância multibanda, e a introdução das bandas red-edge pode melhorar efetivamente a precisão da inversão do LAI, sendo que a combinação conjunta da banda red-edge 1 (RE1) e red-edge 3 (RE3) apresentou o melhor desempenho (R² = 0.784, RMSE = 0.826). Em comparação com a combinação Z1 (Green+Red+NIR+SWIR1+SWIR2) sem bandas red-edge, o R² aumentou 4,9% e o RMSE diminuiu 15,6%. Ao mesmo tempo, a introdução das bandas red-edge não só reduz o viés sistêmico na inversão do LAI, mas também alivia efetivamente o efeito de saturação na faixa média-alta de valores de LAI (4 < LAI < 5), com reduções de |Bias| e RMSE de 52,2% e 41,4%, respectivamente. Além disso, diferentes culturas respondem de maneira diferente às informações red-edge; após a introdução de RE1 e RE3, a precisão da inversão do LAI para o milho melhorou mais significativamente (R² aumentou 17,9%, RMSE diminuiu 29,1%). Este estudo, através do algoritmo construído acoplando as bandas red-edge, pode melhorar significativamente a precisão da inversão do LAI para diferentes tipos de culturas, oferecendo um importante suporte técnico para o monitoramento preciso em grande escala e de longo prazo do vigor das culturas.

Índice de área foliar de culturas; bandas red-edge; modelo Prosail; aprendizado de máquina; seleção de bandas