Точное оценивание содержания хлорофилла в листьях (Leaf Chlorophyll Content, LCC) имеет важное значение для физиологического мониторинга культур и точного управления сельским хозяйством. Тем не менее, традиционные растительные индексы (Vegetation Index, VI), основанные на отражательной способности видимого и ближнего инфракрасного диапазона кроны, сталкиваются с рядом проблем при обратном выводе LCC: во-первых, LCC смешивается с сигналами структуры кроны, что приводит к сильной корреляции между целевой информацией и структурным шумом в спектральном ответе; во-вторых, гетерогенность структуры кроны между разными типами культур усиливает различия в чувствительности VIs к структурным параметрам, значительно ограничивая способность модели к обобщению между культурами и сферу применения. Для решения этих проблем в данном исследовании предложена рамочная структура двойного управления на основе механизма дистанционного зондирования и глубокого обучения для обратного вывода LCC, направленная на ослабление влияния структуры кроны и повышение адаптивности модели к разным главным культурам. Метод сначала использует модель переноса излучения PROSAIL для моделирования разнообразных сочетаний индекса площади листьев (Leaf Area Index, LAI) и LCC, создавая набор признаков отношения растительных индексов с низкой чувствительностью к LAI (Vegetation Index Ratio Feature Set, VIRFS); затем в сочетании со стратегией активного обучения оптимизируется выбор образцов целевого региона в процессе переносного обучения для эффективной донастройки модели при ограниченном количестве размеченных образцов. Модель систематически проверена на наборах данных основных культур из трёх основных сельскохозяйственных регионов Китая: Северо-Восток (кукуруза, рис, соя), равнина Хуангхой (пшеница) и бассейн реки Янцзы (рис). Результаты показывают: (1) предложенный смешанный метод отлично проявил себя при обратном выводе LCC для различных главных культур, стабильно обеспечивая R² выше 0,69 и RMSE ниже 4,77 мкг/см² для разных сценариев культур; (2) по сравнению с традиционным набором признаков растительных индексов (Vegetation Index Feature Set, VIFS) VIRFS значительно снижает чувствительность к LAI при оптимальных условиях настройки, увеличивая R² на 0,18-0,23 и уменьшая RMSE на 1,85-2,51 мкг/см² для разных культур из трёх регионов; (3) интеграция стратегии активного обучения с переносным обучением позволяет достигать высокоточного обратного вывода LCC при использовании всего 30% локальных размеченных образцов (R² = 0,69-0,74, RMSE = 4,98-5,76 мкг/см²), улучшая точность на 0,02-0,16 по R² и снижая RMSE на 0,05-1,42 мкг/см² по сравнению с стратегией случайной выборки. В заключение, предложенная в исследовании рамочная структура, сочетающая физические закономерности и данные, значительно повышает точность и устойчивость обратного вывода содержания хлорофилла в листьях основных культур, предоставляя универсальное решение для безразрушительного мониторинга LCC в различных регионах и культурах, и имеет потенциал для важного применения в управлении сельским хозяйством и диагностике питания растений.

Содержание хлорофилла в листьях; Многоспектральное дистанционное зондирование с помощью БПЛА; Гетерогенность структуры кроны; Набор признаков отношения растительных индексов; Переносное обучение; Активное обучение