基于NDVI趋势的高时空分辨率植被叶面积指数时间序列估算方法

为解决植被叶面积指数(LAI)产品空间分辨率低、难以支持精细尺度地表植被变化监测的问题，研究人员开发了ENKF-NDVI数据同化模型，利用30米/5天分辨率的NDVI数据构建动态背景场，结合Sentinel-2观测数据生成了10米/5天分辨率的LAI时间序列产品。该成果在塞罕坝林场验证显示R2达0.85，RMSE为0.39，显著缓解了传统方法的空间斑块效应，为森林规划管理提供了高精度数据支持。

　　

植被作为陆地生态系统的重要组成，其生长状况直接影响碳循环、水循环等关键生态过程。叶面积指数(Leaf Area Index, LAI)作为表征植被冠层结构的关键参数，在生态模型和气候变化研究中具有不可替代的作用。然而，现有主流LAI产品如MODIS LAI(500米分辨率)和VIIRS LAI(375米分辨率)受卫星观测限制，难以满足区域尺度精细监测的需求。虽然Landsat、Sentinel-2等卫星可提供10-30米高分辨率数据，但受云层干扰严重，难以获得连续时间序列。这种"高空间分辨率"与"高时间连续性"难以兼得的矛盾，严重制约了精细尺度植被动态监测的准确性。

针对这一难题，中国林业科学研究院资源信息研究所的研究人员创新性地提出ENKF-NDVI(Ensemble Kalman Filter-NDVI)数据同化模型。该研究以中国最大人工林场——塞罕坝林业中心(SFC)为试验区，通过融合多源遥感数据，成功构建了2016-2022年间10米空间分辨率、5天时间分辨率的LAI时间序列数据集，相关成果发表在《International Journal of Applied Earth Observation and Geoinformation》。

研究团队采用三项关键技术：首先利用时间克里金融合法(TKFM)生成30米/5天的NDVI数据集作为动态背景场；其次基于随机森林(RF)算法从Sentinel-2四波段反射率数据反演10米分辨率LAI观测值；最后通过集合卡尔曼滤波(ENKF)同化框架整合NDVI趋势信息和卫星观测数据。为验证精度，研究收集了133个地面实测LAI样本，覆盖落叶松(LP)、樟子松(MP)和白桦(BF)等主要树种。

研究结果显示，在机器学习算法比较中，随机森林(RF)表现最优(R²=0.91，RMSE=0.48)，显著优于支持向量机(SVM)等传统方法。时间序列分析表明，ENKF-NDVI LAI能准确捕捉不同树种的季节动态，尤其在LAI>3.5 m²/m²的高值区间，较传统NDVI-LAI经验模型减少约40%的饱和效应误差。区域验证显示，该方法与Sentinel-2 LAI观测的空间一致性R²达0.85以上，且有效消除了500米背景场导致的斑块效应。

与现有产品对比发现，ENKF-NDVI在空间细节和连续性上均优于MuSyQ LAI(16米)和SI LAI(500米)产品。特别是在异质性强的林缘地带，新方法能清晰识别10米尺度的植被边界，而传统方法会出现明显的"阶梯状"失真。地面验证证实，同化结果与实测数据的整体误差(MAE=0.32)显著低于直接使用NDVI经验公式的结果(MAE=0.89)。

讨论部分指出，该研究的创新性在于用NDVI替代传统LAI产品构建高分辨率背景场，通过状态转移算子F_t将NDVI变化率动态转化为LAI增长趋势，既保持了30米空间细节，又克服了背景场与观测值间的尺度不匹配问题。研究建立的LAI数据集已应用于塞罕坝地区森林生产力评估，为"碳中和"目标下的精准林业管理提供了重要数据支撑。未来将通过增加地面验证样本和融合微波遥感数据，进一步提升多云地区的反演精度。