, una especie invasora tóxica extendida en pastizales alpinos degradados en la provincia de Qinghai, representa una amenaza significativa para el equilibrio ecológico local. El monitoreo preciso del contenido de clorofila en las hojas es esencial para prevenir su expansión en áreas extensas. Este estudio presenta un enfoque óptimo mediante la integración de reducción de dimensionalidad jerárquica, aprendizaje de conjunto de apilamiento y modelos 1D-CNN para estimar el contenido de clorofila en las hojas utilizando datos de reflectancia hiperespectral. El análisis de espectrometría de campo demuestra que la combinación de correlación de Pearson, primera derivada y algoritmos SPA puede seleccionar de manera eficiente las longitudes de onda más sensibles a la clorofila, parámetros de borde rojo e índices espectrales relacionados con las hojas. El modelo de conjunto de apilamiento supera al modelo 1D-CNN en la predicción del contenido de clorofila en todas las etapas de crecimiento, mientras que el 1D-CNN destaca en la predicción en cada etapa de crecimiento individual. Comparativamente, el modelo 1D-CNN logró una mayor precisión (R > 0.5) en las cinco etapas de crecimiento, con un rendimiento óptimo durante la etapa de capullo floral (R = 0.787, RMSE = 2.476). Este estudio subraya el potencial de combinar la selección de espectros de características con modelos de aprendizaje automático y aprendizaje profundo para monitorear el crecimiento, ofreciendo ideas valiosas para el control de especies invasoras y la gestión ecológica.