随着遥感技术的发展,不同时间、空间分辨率的遥感影像成为从区域到全球尺度监测分析地表状况和动态变化的关键数据。叶面积指数(LAI)是表征植被冠层结构特征和生物物理过程的重要参数之一,也被认为是碳和水循环以及陆地生态系统能量交换研究的重要变量,对于全球变化研究具有重要意义。由于受到云层污染、季节性降雪和仪器条件的制约,现在没有单一的卫星传感器能够兼顾时空分辨率,存在遥感数据获取能力不足的问题。目前卫星遥感叶面积指数产品大多数为高时间-低空间分辨率数据,混合像元问题严重,使高异质性地区的植被变化研究受到限制。而中、高空间分辨率数据尚未具备相应的LAI产品数据,且时间分辨率较低,难以满足动态跟踪植被生长过程的需要。因此,研究和开发时空数据融合算法,将不同传感器之间的优点结合到一起,模拟生成高时空分辨率数据,满足遥感应用深化对遥感数据的需求,为缓解遥感数据的时空矛盾提供了有效的解决方案,具有重要意义。本文提出了一种结合像元分解降尺度方法和灵活的时空数据融合模型(FSDAF)的改进的时空数据融合模型,基于MODIS产品数据和Landsat 8 OLI数据,生成高时空分辨率叶面积指数数据。首先,基于高质量纯像元的MODIS叶面积指数和反射率数据,结合支持向量回归算法,构建LAI反演模型,并应用于Landsat 8 OLI反射率数据估算得到Landsat尺度的LAI;其次,对MODIS数据做降尺度处理,采用混合像元分解方法将MODIS LAI数据降为30m分辨率,数据融合模型输入数据的精度得以提高;最后,基于改进的FSDAF模型,以MODIS LAI数据和由Landsat反演的LAI数据为基础,进行时空数据融合,生成8天间隔30m分辨率的LAI数据,分析耕地叶面积指数随着生长季的变化及其分布情况。利用Sentinel-2LAI数据对融合结果进行精度分析,并与FSDAF、时空自适应反射率融合算法(STARFM)模拟LAI结果进行对比分析。本文选取中国吉林省松原市境内两块样地为研究区,以耕地为例,进行实验分析和算法验证。结果表明,(1)基于线性光谱混合模型对MODIS输入数据进行降尺度,替代FSDAF中重采样的低分辨率数据能够使数据融合的精度得到提高;(2)两块样地结合降尺度方法后预测的LAI与Sentinel-2A 30m高分辨率LAI进行精度拟合分析,相关系数分别为0.83和0.78,均方根误差为0.57和0.44,高于基于FSDAF方法的相关系数0.79和0.67,以及STARFM算法的0.54和0.52,说明改进的FSDAF模型具有更高的精度;(3)预测出的LAI图像呈现出更好的空间细节,一定程度改善遥感影像上不同地物之间的边界模糊问题,改进的FSDAF模型可应用于高异质性区域以生成叶面积指数数据,具有推广用于预测其他生物物理变量时间序列数据的潜力。