Accurately measuring leaf chlorophyll content (LCC) is crucial for monitoring maize growth. This study aims to rapidly and non-destructively estimate the maize LCC during four critical growth stages and investigate the ability of phenological parameters (PPs) to estimate the LCC. First, four spectra were obtained by spectral denoising followed by spectral transformation. Next, sensitive bands (Rλ), spectral indices (SIs), and PPs were extracted from all four spectra at each growth stage. Then, univariate models were constructed to determine their potential for independent LCC estimation. The multivariate regression models for the LCC (LCC-MR) were built based on SIs, SIs + Rλ, and SIs + Rλ + PPs after feature variable selection. The results indicate that our machine-learning-based LCC-MR models demonstrated high overall accuracy. Notably, 83.33% and 58.33% of these models showed improved accuracy when the Rλ and PPs were successively introduced to the SIs. Additionally, the model accuracies of the milk-ripe and tasseling stages outperformed those of the flare–opening and jointing stages under identical conditions. The optimal model was created using XGBoost, incorporating the SI, Rλ, and PP variables at the R3 stage. These findings will provide guidance and support for maize growth monitoring and management.

Anthocyanin can improve the stress tolerance and disease resistance of winter wheat to a certain extent, so timely and accurate monitoring of anthocyanin content is crucial for the growth and development of winter wheat. This study measured the ground-based hyperspectral reflectance and the corresponding anthocyanin concentration at four key growth stages—booting, heading, flowering, and filling—to explore the spectral detection of anthocyanin in winter wheat leaves. Firstly, the first-order differential spectra (FDS) are obtained by processing based on the original spectra (OS). Then, sensitive bands (SBS), the five vegetation indices for optimal two-band combinations (VIo2), and the five vegetation indices for optimal three-band combinations (VIo3) were selected from OS and FDS by band screening methods. Finally, modeling methods such as RF, BP, and KELM, as well as models optimized by genetic algorithm (GA), were used to estimate anthocyanin content at different growth stages. The results showed that (1) among all the models, the GA_RF had incredible performance, VIo3 was the superior parameter for estimating anthocyanin values, and the model GA_RF of FDS data based on VIo3 for the filling stage (Rv2 = 0.950, RMSEv = 0.005, RPDv = 4.575) provided the best estimation of anthocyanin. (2) the first-order differential processing could highlight the degree of response of SBS, VIo2, and VIo3 to the anthocyanin values. The model performances of the FDS were better than that of OS on the whole, and the Rv2 of the optimal models of FDS were all greater than 0.89. (3) GA had optimizing effects on the RF, BP, and KELM, and overall, the GA models improved the R2 by 0.00%-18.93% compared to the original models. These results will provide scientific support for the use of hyperspectral techniques to monitor anthocyanin in the future.