叶面积指数（Leaf Area Index，LAI）是描述植被冠层结构的基本参数，在水文、生物地球化学和生态系统模型中起着关键作用。MODIS LAI长时序产品为全球气候、生物地球化学和能量通量动态等多领域研究提供了有力支持。受大气（云、雾以及气溶胶）、积雪和传感器自身故障等因素影响，需采用特定的多天合成算法以消除每日产品的剧烈不确定性，MODIS LAI官方算法采取植被光合有效辐射吸收比最大原则（Max-FPAR）进行多天合成。然而，已有研究表明该产品的时序稳定性较差，Max-FPAR合成法起到的效果相对有限。提高LAI产品质量目前主要有三个努力方向：1）提高输入数据的准确性，拓展数据源或者提高辅助数据的精度；2）从机理模型出发改进前向模型；3）优化后向反演算法。已有研究大多忽略了对反射率本身的时间相关性和明显的季节性变化这一先验知识的利用，如何借助时序相关先验知识提出一种更有效的多天合成算法，进而提高MODIS叶面积指数产品的平滑性？这是本研究旨在解决的关键科学问题。

针对上述科学问题，我校“植被生态环境遥感-VERSE团队”闫凯副教授指导硕士生濮嘉彬与MODIS LAI产品首席科学家Yuri Knyazikhin、Ranga Myneni等人联合开展研究，在MODIS LAI每日产品的基础上，利用线性核驱动（Linear Kennel Driven，LKD）模型引入时间先验知识，提出基于先验知识的时间序列合成算法（Prior Knowledge Time-series Compositing Algorithm，PKA）.研究取得的新认识如下：

1、地面实测验证结果显示，与Max-FPAR算法相比，PKA的表现更好。从Max-FPAR到PKA，R²从0.69增加到0.76，RMSE从1.01降低到0.84。

2、与目前的MODIS LAI产品相比，PKA大大提高了时间序列的稳定性，也减少了时间序列异常的发生频率。

3、针对全球代表性站点以及亚马逊森林区域的分析结果显示：PKA对所有植被类型都有明显的改善，特别是非森林植被的PKA的不确定性比Max-FPAR降低更为明显

MODIS的长时序LAI产品对一些全球气候、生物地球化学和能量通量研究工作提供了重要支持。针对原有算法的不足，本研究引入时间相关先验知识，设计了一种自适应算法-PKA，并根据合格观测数据的数量和先验知识的有效性制定了具体的合成策略。与Max-FPAR方法相比，PKA显示出显着的改进，明显提高了反演精度以及产品时间稳定性，这种自适应的方法也为提高其他长时序遥感产品的精度和时序稳定性提供了借鉴，该方法有望成为下一代MODIS Collection 7 LAI/FPAR产品的多天合成正式算法。

图1 基于地面观测的验证结果表明新算法有显着改进

图2 2014至2018年间5个站点的LAI时间序列平滑性得到明显提高

图3 BELMANIP 2.1站点上的对比结果表明PKA可有效降低产品不确定性

图4 2016至2020年亚马逊森林区域的对比显示PKA算法可有效提高产品精度

该项研究成果近期发表于遥感类标志性期刊《Remote Sensing of Environment》杂志上：Pu, Jiabin, Kai Yan*, Si Gao, Yiman Zhang, Taejin Park, Xian Sun, Marie Weiss, Yuri Knyazikhin, and Ranga B. Myneni. "Improving the MODIS LAI compositing using prior time-series information." Remote Sensing of Environment 287 (2023): 113493. [IF2021=13.85]

全文链接：https://doi.org/10.1016/j.rse.2023.113493