La estimación precisa del contenido de clorofila en las hojas (Leaf Chlorophyll Content, LCC) es de gran importancia para el monitoreo fisiológico de cultivos y la gestión agrícola de precisión. Sin embargo, los índices de vegetación (Vegetation Index, VI), tradicionalmente basados en la reflectancia del dosel en el rango visible y del infrarrojo cercano, enfrentan varios desafíos en la inversión de la LCC: en primer lugar, la LCC se confunde con las señales de la estructura del dosel, lo que provoca un alto acoplamiento entre la información objetivo y el ruido estructural en la respuesta espectral; en segundo lugar, la heterogeneidad de la estructura del dosel entre diferentes tipos de cultivos aumenta aún más la sensibilidad diferencial de los VIs a los parámetros estructurales, limitando significativamente la capacidad de generalización del modelo entre cultivos y su ámbito de aplicación. Para abordar estos problemas, este estudio propone un marco de inversión de la LCC impulsado doblemente por el mecanismo de teledetección y el aprendizaje profundo, con el objetivo de disminuir el impacto de la estructura del dosel y mejorar la adaptabilidad del modelo entre diferentes cultivos principales. El método primero simula diversas combinaciones del índice de área foliar (Leaf Area Index, LAI) y LCC basado en el modelo de transferencia radiativa PROSAIL, construyendo un conjunto de características de razón de índices de vegetación con baja sensibilidad a LAI (Vegetation Index Ratio Feature Set, VIRFS); luego, combinando una estrategia de aprendizaje activo, optimiza el proceso de selección de muestras de la región objetivo en el aprendizaje por transferencia, logrando un ajuste eficiente del modelo con una cantidad limitada de muestras etiquetadas. El modelo se ha validado sistemáticamente con conjuntos de datos de cultivos principales en tres grandes regiones agrícolas: noreste de China (maíz, arroz, soja), llanura de Huang-Huai (trigo) y cuenca del río Yangtsé (arroz). Los resultados muestran que: (1) el método híbrido propuesto mostró un desempeño sobresaliente en la inversión de LCC para cultivos principales en diferentes regiones, con un R² estable superior a 0.69 y un RMSE inferior a 4.77 μg/cm² en diversos escenarios; (2) en comparación con el conjunto tradicional de características del índice de vegetación (Vegetation Index Feature Set, VIFS), el VIRFS reduce significativamente la sensibilidad a LAI en las mejores condiciones de ajuste, aumentando el R² en 0.18-0.23 y disminuyendo el RMSE en 1.85-2.51 μg/cm² para diferentes cultivos en las tres regiones; (3) la integración de la estrategia de aprendizaje activo con el aprendizaje por transferencia permite una inversión de LCC de alta precisión utilizando solo el 30% de las muestras locales etiquetadas (R²=0.69-0.74, RMSE=4.98-5.76 μg/cm²), mejorando la precisión R² en 0.02-0.16 y reduciendo el RMSE en 0.05-1.42 μg/cm² en comparación con la estrategia de muestreo aleatorio. En conclusión, el marco desarrollado que combina las leyes físicas y el aprendizaje basado en datos mejora significativamente la precisión y la robustez de la inversión de la LCC para cultivos principales, proporcionando una solución universal para la monitorización no destructiva de la LCC en múltiples regiones y cultivos, con un gran potencial para la gestión agrícola y el diagnóstico nutricional de cultivos.

Contenido de clorofila en hojas; Teledetección multiespectral con drones; Heterogeneidad de la estructura del dosel; Conjunto de características de razón de índice de vegetación; Aprendizaje por transferencia; Aprendizaje activo