Индекс площади листьев LAI (Leaf Area Index) является ключевым параметром, характеризующим структуру крон растений и их вегетативное развитие. Точное и своевременное мониторирование этого индекса с помощью дистанционного зондирования имеет важное значение для управления водным и удобрительным режимом в поле, обеспечения продовольственной безопасности и оценки производственного потенциала сельского хозяйства. Красный край – чувствительный спектральный диапазон, отражающий изменения физиологии листьев и структуры кроны, который уже интегрирован во многие спутниковые датчики со средним и высоким пространственным разрешением (10–30 м) и широко применяется для обратного моделирования параметров культур, открывая новые возможности для повышения точности оценки LAI. Однако в существующих исследованиях методы применения красного края для обратного моделирования LAI существенно различаются, и из-за различий в регионах исследований вопрос эффективного использования красного края для улучшения точности оценки LAI остается нерешённым. В этой работе предложена гибридная методика обратного моделирования, сочетающая модель PROSAIL и алгоритмы машинного обучения. Используя снимки Sentinel-2, содержащие 3 красных крайних диапазона, а также наземные измерения LAI основных зерновых культур (рис, пшеница, кукуруза) по всей стране из Национальной сети наблюдения и исследования экосистем, была построена алгоритмическая модель, учитывающая характеристики красного края, с оптимизацией выбора модели и комбинаций спектральных диапазонов. Системная оценка показала, что многослойный перцептрон обратного распространения (MLPR) обеспечивает наилучшее соответствие LAI и мультиспектрального отражения, а введение красных краев существенно повышает точность оценки LAI, при этом оптимальное сочетание – красный край 1 (RE1) и красный край 3 (RE3) (R²=0.784, RMSE=0.826). По сравнению с комбинацией Z1 без красных краев (Green+Red+NIR+SWIR1+SWIR2) коэффициент детерминации R² улучшился на 4,9%, RMSE снизилось на 15,6%. Помимо уменьшения систематической ошибки оценки LAI, введение красных краев эффективно снижает эффект насыщения в средней и высокой области значений LAI (4<LAI<5) (|Bias| и RMSE уменьшились на 52,2% и 41,4% соответственно). Кроме того, реакция различных культур на информацию красного края различна: после введения RE1 и RE3 точность оценки LAI кукурузы показала наибольшее улучшение (R² выросло на 17,9%, RMSE снизилось на 29,1%). Разработанный на основе интеграции красного края алгоритм значительно повышает точность оценки LAI для разных типов культур и обеспечивает важную техническую поддержку для масштабного и долговременного точного мониторинга роста сельскохозяйственных культур.

индекс площади листьев сельскохозяйственных культур; красный край; модель Prosail; машинное обучение; выбор диапазонов