地形校正是提高复杂地形区地表参数遥感定量化反演精度的重要手段。当前广泛应用的遥感叶面积指数产品（Leaf Area Index， LAI）多具有一定的地形误差，减少地形影响、提升其产品精度有着非常重要的意义。以我国江西省千烟洲地区为研究区域，利用地面实测LAI数据、LandsatTM数据和高程数据等，基于高程标准差和GLOBMAP LAI产品值的关系，建立面向叶面积指数产品的地形校正模型，利用这一模型对GLOBMAP LAI产品进行地形校正。结果表明：校正后的LAI与地面实测数据更为接近，LAI产品与地面测量值的RMSE由2.11下降到2.04；校正后LAI产品的标准差由2.08下降至1.69，LAI产品的地形误差得到了较好的改正。该方法较好地完成了LAI产品的地形校正，进一步提高了产品精度，具有一定的实用价值。

利用卫星遥感生产叶面积指数（Leaf area index： LAI）产品并进行真实性检验是植被定量遥感的一项重要研究内容。过去10 a，我国研究人员利用MODIS或AVHRR观测数据生产了GLOBALBNU， GLASS， GLOBMAP，MuSyQ和FSGOM等数套全球和全国LAI产品，受到了国内外的广泛关注和应用。在产品生产的同时，我国学者也广泛开展了LAI产品在全球和区域尺度的真实性检验研究工作。本文总结了我国LAI卫星产品生产和验证研究工作的现状和趋势。近年来，我国在本领域相关的理论、技术和方法研究方面取得了全面进展，LAI产品精度和连续性已与国外先进水平相当，但仍然存在数据源单一且依赖国外、算法不确定性不清、生产不连续以及缺乏充分验证等问题，客观上影响了LAI产品应用的广度及深度。未来应充分利用新的卫星数据特别是国产数据，加强遥感机理模型、反演算法以及应用的创新研究，生产具有特色的高质量LAI产品，满足地球系统科学的研究需求。同时，应加强LAI验证基础设施建设，发掘利用更广泛的验证站点，同时增进国际合作，加强产品的推广使用，在与用户的互动交流反馈中进一步提高产品的市场。随着我国对相关研究投入的增加，可以预期未来20 a将是我国LAI遥感产品及验证研究由“跟跑”国际先进水平向“并跑”乃至“领跑”过渡的机遇期。

卫星遥感技术的快速发展使得获取全球大范围叶面积指数成为可能，但基于现有的算法和数据估算高分辨率LAI的精度还需要提高。针对农作物、草地和林地等3种典型地表类型，选取地面观测数据较多的4个研究区，包括3个各地类用于建模验证的研究区与一个用于适用性验证的独立研究区，针对4个研究区，分别获取地面测量数据以及对应的30 m空间分辨率地表反射率数据。在3个主要研究区建立并比较了NDVI植被指数经验模型、BP神经网络模型和基于模拟退火算法的BP神经网络模型，利用地面实测数据对模型进行验证。结果表明：在研究所选的3个主要研究区，基于模拟退火算法的BP神经网络模型的估算精度比BP神经网络模型和NDVI经验模型的估算精度高，农田、草地和林地站点估算结果的决定系数分别为0.899、0.858和0.863，BP神经网络模型的估算结果决定系数分别为：0.763、0.710和0.742，NDVI经验模型的精度最差，其估算结果的决定系数分别为0.622、0.536和0.637。为了验证SA-BP神经网络的适用性，选取独立研究区进行验证，结果显示验证精度较高，R²为0.842，RMSE为0.689 5，说明该模型外推能力较好。研究证明了基于模拟退火算法的BP神经网络模型提高了模型泛化能力，有效防止了BP神经网络模型滑入局部最小值，是提高高空间分辨率LAI估算精度的有效手段。

定量获取地表植被高精度时序及空间覆盖的叶面积指数（Leaf Area Index， LAI）是生态监测及农业生产应用的重要研究内容。通过使用Moderate Resolution Imaging Spectroradiometer（MODIS）植被冠层多角度观测MOD09GA数据及叶面积指数MOD15A2数据，发展了一种参数化的叶面积指数遥感反演方法并完成了必要的检验分析。研究使用基于辐射传输理论的RossThick LiSparse Reciprocal（RTLSR）核驱动模型及Scattering by Arbitrarily Inclined Leaves with Hotspot（SAILH）模型进行植被冠层辐射特征的提取，使用Anisotropic Index （ANIX）异质性指数作为指示植被冠层二向反射分布Bidirectional Reflectance Distribution Function（BRDF）的辅助特征信息，发展了基于数据机理（Data-Based Mechanistic， DBM）的植被叶面积指数建模和估算方法。通过必要的林地、农作物、草地植被实验区反演及数值分析可得知：①时间序列多角度遥感观测数据结合数据机理的叶面积指数估算方法，可实现模型参数的时序动态更新，改进叶面积指数估算结果的时序完整性及精度。②异质性指数可以用做指示植被冠层二向反射分布特征信息，可降低因观测数据几何条件差异所导致的反演结果不确定情况，同时能够补充植被时序生长过程表现的植被结构变化等动态特征。经研究实践，可将算法应用于时空尺度的叶面积指数估算，并能够为生态、农业应用提供植被的高精度遥感监测指标。

为了厘清中国近30 a来植被生长趋势及其对不同环境变化的响应，使用了3套长时间序列遥感叶面积指数（Leaf area index， LAI）数据集以及8套生态系统模型，对LAI变化趋势从总量、空间分布以及不同植被类型进行了分析与归因。总量上，1982~2015年遥感观测的LAI趋势（9.8×10^-3m²/m²·a）高于生态系统模型模拟的趋势（4.2×10^-3m²/m²·a），大气二氧化碳浓度上升是主要驱动因素（（3.5×10^-3m²/m²·a）；遥感观测到全国79.5%的区域LAI都呈现显著增长的趋势，而生态系统模型模拟LAI的增长面积占比为33.1%；除草地外，生态系统模型低估了其他植被类型的LAI变化趋势。模型对降雨变化的响应过于敏感以及对人为活动模拟能力不足是模型模拟中国LAI变化趋势不确定性的重要来源。本研究定量分析了近30 a中国各种植被变化情况及其驱动因子，并对模型低估中国植被生长进行了解释，为后续中国地区植被相关研究提供了参考。

基于四套遥感叶面积指数（leaf area index， LAI）长时间序列数据集（MODIS LAI， GLOBMAP LAI， GLASS LAI和GIMMS LAI3g），从各数据集版本更新的角度评估了中国近30 a LAI变化趋势的不确定性，对比了新旧版本的LAI变化趋势在均值、空间分布和不同植被类型上的差异。结果表明：各遥感LAI数据集新旧版在全国植被LAI过去30 a的总体趋势上差异不显著，但GLASS LAI显著高于GIMMS LAI3g和GLOBMAP LAI。各数据集版本更新所导致的不确定性集中体现在2000年以后，新版本中国LAI平均趋势（12.1±2.1×10^-3m²/（m²·year））高于旧版本趋势（7.9±2.0×10^-3m²/（m²·year））；新版本LAI增加的趋势在东南沿海、东北、云贵高原和黄土高原地区更高；LAI趋势和净增长的差异集中在农田，草地，灌木和常绿针叶林。定量分析了4套被广泛使用的遥感LAI时间序列数据集不同版本之间的差异，为后续中国地区的相关研究在数据选择上提供了参考。

陆地生态系统总初级生产力（GPP）反映了植物吸收固定大气中CO₂的能力，是碳循环过程中的重要环节。光能利用率（LUE）模型被广泛应用于GPP模拟。叶面积指数（LAI）数据是LUE模型的重要输入数据，不同的LAI数据差异较大，从而导致GPP模拟存在很大差异。利用3种常用的卫星遥感LAI数据（MCD15、GLASS和GlobMap）和气象数据模拟中国2003~2017年的GPP，比较了3种LAI数据在中国区域的时空差异，分析不同LAI数据模拟的中国GPP的时空差异。研究结果表明：3种LAI数据在中国区域的年平均值和LAI变化趋势的空间分布格局存在明显差异，森林区域的差异较大；2003~2017年间，中国区域3种LAI年平均值均呈显著增加趋势（p<0.01），但不同LAI数据年平均值的年际变化差异明显；站点尺度GLASS LAI模拟的GPP与观测值相关性较好；不同LAI数据模拟的中国GPP总量多年平均值差异明显，最大值为7.46 Pg C a^-1 （GLASS），最小值为6.39 Pg C a^-1 （GlobMap）；3种LAI数据模拟的中国GPP总量在2003~2017年呈显著增加趋势（p<0.05），但不同的LAI数据模拟的中国GPP年总量的年际变化差异明显；不同LAI数据模拟的年均GPP和GPP变化趋势的空间分布格局存在明显差异，森林和农田区域的差异较大。研究结果有助于评估由于LAI数据造成的区域GPP模拟结果的不确定性。

波形激光雷达（Light Detection And Ranging， LiDAR）已经大量用于森林叶面积指数（Leaf Area Index， LAI）估算，但是波形LiDAR数据估算森林LAI易受地形影响。地形坡度引起的波形展宽使得地面回波和植被冠层回波信息混合在一起，难以得到准确的地面回波和冠层回波，进而影响到LAI估算精度。为了估算不同地形坡度条件下的LAI，本文采用一种坡度自适应的方法处理机载LVIS和星载GLAS波形数据。通过坡度自适应的方法得到地面波峰位置，基于高度阈值来区分地面回波和冠层回波，进而得到能量比值用于LAI估算。基于LVIS和GLAS数据，估算了不同森林站点的LAI，并利用实测LAI数据进行检验。结果表明：利用波形LiDAR数据可以估算森林LAI，坡度自适应方法可以改善地形的影响，提高LAI估算精度。对于机载LVIS，估算新英格兰森林LAI精度为R²=0.77和RMSE=0.21；对于星载GLAS，估算塞罕坝森林LAI精度为R²=0.81和RMSE=0.28。无论机载还是星载数据，该方法都有着较高的精度，对于复杂地形估算LAI具有一定潜力。