摘要：叶面积指数LAI是众多气象、环境、农业等模型的关键输入参数。尽管具有多个传感器的全球LAI产品已经相继，但是由于受反演方法的局限性以及反射率产品质量的影响，这些由单一传感器数据得到的LAI产品在时间上表现出一定的不连续性，这与自然生长植被的LAI变化规律不能一致。而神经网络在对复杂的、非线性数据的模式识别能力方面具有出色的表现。如在3层神经网络中，只要对隐层采用非线性递增映射函数，输出层采用线性映射函数，就可以用于对任意连续函数进行逼近。对于具有相同植被覆盖类型的同一地点多年的LAI数据，在无自然灾害和人为破坏的前提下，可以构成一个非线性的、连续的时间序列。通过融合MODIS和VEGETATION两种传感器产品，在利用相同植被类型的LAI时间序列来建立自回归神经网络，即NARX神经网络的同时，引入红、近红外和短波红外3个波段上时间序列的反射率以及相应的太阳天顶角、观测天顶角和相对方位角作为NARX神经网络的外部输入变量，并最终达到估算时间序列LAI的目的。验证结果表明，NARX神经网络非常适用于时间序列的LAI估算，并且其预测的LAI比原始的MODISLAI在时间序列上表现的更连续和平滑。因此，该方法在改进典型植被类型的LAI遥感数据产品质量方面具有一定的应用价值。

关键词：时间序列 叶面积指数 数据融合 narx神经网络 modis 

单位：北京师范大学/中国科学院遥感应用研究所遥感科学国家重点实验室 北京100875 北京师范大学地理学与遥感科学学院 北京100875 美国马里兰大学地理系 马里兰MD20742