El índice de área foliar LAI (Leaf Area Index) es un parámetro clave que caracteriza la estructura del dosel y el crecimiento de los cultivos. El uso de técnicas de teledetección para su monitoreo preciso y oportuno es de gran importancia para la gestión de agua y fertilizantes en campo, la seguridad alimentaria y la evaluación del potencial productivo agrícola. El borde rojo, como banda espectral sensible que indica los cambios fisiológicos de la hoja y la estructura del dosel, ha sido incorporado en varios sensores satelitales de resolución media y alta (10–30 m) y ampliamente aplicado en la inversión de parámetros de cultivos, proporcionando una nueva oportunidad para mejorar la precisión de la inversión del LAI. Sin embargo, existen diferencias significativas en las formas de aplicar la banda de borde rojo en la inversión del LAI, y debido a las diferentes áreas de estudio, aún no está claro cómo utilizar eficazmente la banda de borde rojo para mejorar la precisión de la inversión del LAI. En base a ello, este estudio utiliza un método híbrido que combina el modelo PROSAIL y algoritmos de aprendizaje automático como estrategia de inversión, utilizando imágenes Sentinel-2 que contienen tres bandas de borde rojo y datos de mediciones de campo nacionales de LAI para cultivos básicos (arroz, trigo y maíz) proporcionados por la Red Nacional de Observación e Investigación de Ecosistemas, y a través de la optimización del modelo de aprendizaje automático y la combinación de bandas, se construyó un algoritmo de inversión del LAI acoplado con características de la banda de borde rojo, que fue evaluado sistemáticamente en diferentes escenarios. Los resultados muestran que el perceptrón multicapa (MLPR) es el que mejor ajusta el LAI con la reflectancia multibanda, y la introducción de la banda de borde rojo mejora efectivamente la precisión de la inversión del LAI, siendo la combinación de borde rojo 1 (RE1) y borde rojo 3 (RE3) la más óptima (R²=0.784, RMSE=0.826). En comparación con la combinación Z1 sin la banda de borde rojo (Green+Red+NIR+SWIR1+SWIR2), el R² aumentó un 4.9% y el RMSE disminuyó un 15.6%. Además, la introducción de la banda de borde rojo no solo reduce el sesgo sistemático de la inversión del LAI, sino que también mitiga eficazmente el efecto de saturación en el rango medio a alto de LAI (4<LAI<5) (|Bias| y RMSE disminuyeron en un 52.2% y 41.4% respectivamente). Además, la respuesta de diferentes cultivos a la información de borde rojo es variable; con la inclusión de RE1 y RE3, la precisión de inversión del LAI del maíz mejoró más notablemente (R² aumentó un 17.9%, RMSE disminuyó un 29.1%). El algoritmo de inversión construido mediante el acoplamiento de las bandas de borde rojo puede mejorar significativamente la precisión de la inversión del LAI para diferentes tipos de cultivos, proporcionando un soporte técnico importante para la monitorización precisa a gran escala y secuencial de largo plazo del crecimiento de los cultivos agrícolas.

índice de área foliar de cultivos agrícolas; banda de borde rojo; modelo Prosail; aprendizaje automático; selección de bandas