叶面积指数(Leaf Area Index,LAI)定义为单位地表面积上绿叶表面积总和的一半,与地表-大气之间能量与物质的交换密切相关,也是地表过程模型的重要输入参数。因此,基于遥感技术发展了多套全球长时间序列的LAI产品。然而,由于全球LAI产品空间分辨率都较低(≥500 m),在地表非均质特性的影响下,LAI反演和产品真实性检验都受到了极大的影响。首先,由于低空间分辨率像元往往包含多种地物类型混合,而LAI反演中假设像元只包含一种植被类型,会给LAI反演精度带来较大的误差。其次,地面站点长时间连续观测是LAI产品时间序列真实性检验的重要数据集。然而,由于地面站点观测与产品像元空间尺度不匹配,受到地表空间异质性的影响,直接将站点观测与LAI产品对比会给验证结果带来很大的不确定性。因此,围绕如何考虑地表非均质特性反演较高精度LAI和利用站点观测对产品真实性检验的目标,本文从非均质地表LAI反演算法构建、站点观测空间代表性评价方法以及站点连续观测时空升尺度方法三个方面开展研究,主要研究结论如下:(1)发展了考虑非均质地表下不同地物混合关系提高LAI反演精度的方法。以水体与植被实际混合情况为例,在全球最新高分辨率(30 m)地表覆盖分类图的支撑下,以光谱线性混合为假设,基于MODIS LAI最新反演算法,发展了如何去除水体影响从而提高LAI反演精度的方法。分析发现,提出的算法能够生成较高精度的水体端元反射率,在红波段和近红外波段反射率误差分别为0.0067和0.0082,对LAI反演带来的误差仅小于10%;水体对LAI反演带来的绝对误差和相对误差最大可分别达到1.3和80%;在去除水体影响后,LAI反演误差最大可降低0.8以上,且修正后的LAI反演误差与水体面积比例无关。(2)提出站点观测空间代表性评价方法。通过分析站点观测空间代表性评价特征,提出三种定量评价指标DVTP、RAE和CS及各自指标阈值确定方法,将站点观测空间代表性分为0-4级。其中,只有0级观测可以直接用于产品真实性检验。以中国生态系统研究网络(CERN)站点观测为例进行分析,在0级观测下代表性误差仅为0.094,从1级到4级代表性误差从0.256增大到2.564。说明了提出的评价方法能够很好区分不同观测下代表性误差。在产品真实性检验中,可以通过筛选代表性等级好的观测来获得可靠的验证结果。(3)基于站点长时间连续观测,提出有效的观测时空升尺度方法(GUGM)。通过联合站点空间代表性评价与空间升尺度方法,用于解决站点观测与产品像元尺度不匹配问题,同时最大程度上利用站点连续观测。结果分析显示,GUGM方法可以最大程度上减小尺度误差和增大地面LAI验证数据集;在FLUXNET和CERN站点连续地面LAI验证数据集的优势下,对MODIS、GLASS和GEOV1LAI产品时间序列检验,更全面的了解产品不确定性的来源以及随着不同年份和季节下的变化情况,从而为后续的算法改进提供信息支撑。(4)分析了多源传感器联合生成长时间序列LAI产品的可行性。本文对最新发展的VIIRS和MODIS全球多年产品的时空一致性进行了全面的评价。同时,基于地面站点观测数据,对VIIRS产品的不确定性也进行了详细的分析。结果显示,VIIRS和MODIS产品一致性能够满足GCOS规定对生产长期LAI产品的精度需求,为联合多源传感器生成长时间序列LAI数据集提供了方法参考。VIIRS产品算法考虑了聚集效应,反演的LAI也更加接近于地面真实LAI。然而,VIIRS LAI产品的不确定性尚未达到GCOS规定小于max(0.5,20%)的精度要求,后续仍然需要对LAI反演算法进行进一步的改进。在高分辨率对地观测技术快速发展的背景下,本文提出的非均质地表LAI反演算法、站点观测空间代表性评价方法以及站点观测时空升尺度方法,对如何使用高分辨率影像数据解决非均质地表LAI反演及产品真实性检验提供了一定的理论基础和实践应用价值。