El índice de área foliar (Leaf Area Index, LAI) es un parámetro clave que caracteriza la estructura y el crecimiento del dosel de cultivos. La monitorización precisa y oportuna utilizando tecnología de teledetección es de gran importancia para la gestión del riego y la fertilización en campo, la seguridad alimentaria y la evaluación del potencial productivo agrícola. La banda red-edge, como banda espectral sensible que indica cambios fisiológicos en las hojas y la estructura del dosel, ha sido configurada en varios sensores satelitales de resolución media y alta (10-30 m) y se utiliza ampliamente en la inversión de parámetros de cultivos, proporcionando una nueva oportunidad para mejorar la precisión de la inversión del LAI. Sin embargo, existen grandes diferencias en la forma en que se aplica la banda red-edge en la inversión del LAI, y debido a las diferentes zonas de estudio, aún no está claro cómo aprovechar eficazmente la banda red-edge para mejorar la precisión de la inversión del LAI. Basándose en esto, este estudio utiliza un método híbrido combinado del modelo PROSAIL y algoritmos de aprendizaje automático como estrategia de inversión. Utilizando imágenes Sentinel-2 que contienen tres bandas red-edge y datos de LAI medidos en campo para los cultivos principales nacionales (arroz, trigo y maíz) facilitados por la red nacional de observación de ecosistemas, mediante la selección óptima de modelos de aprendizaje automático y combinaciones de bandas, se construyó un algoritmo de inversión de LAI de cultivos acoplado con características de bandas red-edge y se realizó una evaluación sistemática en diferentes escenarios. Los resultados muestran que el perceptrón multicapa (MLPR) logró el mejor ajuste entre el LAI y la reflectancia multibanda, y la incorporación de las bandas red-edge puede mejorar eficazmente la precisión de la inversión del LAI, donde la mejor combinación fue la introducción conjunta de red-edge 1 (RE1) y red-edge 3 (RE3) (R² = 0.784, RMSE = 0.826). En comparación con la combinación Z1 (Green+Red+NIR+SWIR1+SWIR2) sin las bandas red-edge, el R² aumentó un 4.9 % y el RMSE se redujo un 15.6 %. Al mismo tiempo, la incorporación de las bandas red-edge no solo reduce el sesgo sistémico en la inversión de LAI, sino que también mitiga eficazmente el efecto de saturación en el rango medio-alto de LAI (4 < LAI < 5), con disminuciones del |Bias| y RMSE del 52.2 % y 41.4 % respectivamente. Además, la respuesta de diferentes cultivos a la información red-edge varía; la mejora más significativa en la precisión de la inversión de LAI fue para el maíz después de la introducción de RE1 y RE3 (aumento de R² del 17.9 %, reducción de RMSE del 29.1 %). Este estudio, mediante el algoritmo construido con bandas red-edge acopladas, puede mejorar significativamente la precisión de la inversión del LAI para diferentes tipos de cultivos, proporcionando un soporte técnico importante para el monitoreo preciso a gran escala y a largo plazo del vigor de los cultivos.

Índice de área foliar de cultivos; bandas red-edge; modelo Prosail; aprendizaje automático; selección de bandas