Индекс листовой поверхности (Leaf Area Index, LAI) является ключевым параметром, характеризующим структуру и рост растительного полога. Точное и своевременное мониторирование с использованием дистанционного зондирования имеет большое значение для управления водно-удобрительной системой на полях, обеспечения продовольственной безопасности и оценки производственного потенциала сельского хозяйства. Красный край, являющийся чувствительным спектральным диапазоном, отражающим физиологические и структурные изменения листьев и полога, уже был внедрен в несколько средне- и высокоразрешающих спутниковых датчиков (10-30 м) и широко используется для обратного вычисления параметров растений, открывая новые возможности для повышения точности обратного вычисления LAI. Однако существующие исследования значительно различаются в применении красного края для обратного вычисления LAI, а также, из-за различия исследуемых регионов, остается неясным, как эффективно использовать красный край для улучшения точности обратного вычисления LAI. В связи с этим в данном исследовании применяется комбинированный подход, основанный на модели PROSAIL и алгоритмах машинного обучения в качестве стратегии обратного вычисления. Используя изображения Sentinel-2 с тремя красными краевыми диапазонами и фактические наземные данные LAI основных зерновых культур (рис, пшеница и кукуруза), предоставленные Национальной сетью наблюдений за экосистемами, и применяя оптимальный выбор моделей машинного обучения и комбинаций диапазонов, была построена алгоритмическая модель для обратного вычисления LAI сельскохозяйственных культур с учетом характеристик красного края и проведена систематическая оценка в различных сценариях. Результаты показывают, что многоуровневая перцептронная регрессия (MLPR) наиболее точно аппроксимирует LAI и многополосное отражение, а введение красных краев эффективно повышает точность обратного вычисления LAI. Оптимальная комбинация включала красные края 1 (RE1) и 3 (RE3) (R² = 0.784, RMSE = 0.826). По сравнению с комбинацией Z1 (Green+Red+NIR+SWIR1+SWIR2) без красного края, R² увеличился на 4.9%, а RMSE снизился на 15.6%. В то же время использование красных краев сокращает систематическую ошибку при обратном вычислении LAI и эффективно снижает эффект насыщения при средних и высоких значениях LAI (4 < LAI < 5) — |Bias| и RMSE уменьшились на 52.2% и 41.4% соответственно. Кроме того, реакция различных культур на информацию в красном крае различна; особое улучшение точности обратного вычисления LAI наблюдается у кукурузы после введения RE1 и RE3 (увеличение R² на 17.9%, снижение RMSE на 29.1%). Разработанный алгоритм с учетом красного края существенно повышает точность обратного вычисления LAI различных культур и предоставляет важную техническую поддержку для масштабного и длительного мониторинга состояния сельскохозяйственных культур.

Индекс листовой поверхности сельскохозяйственных культур; красный край; модель Prosail; машинное обучение; выбор диапазонов