叶面积指数(LAI)是表征植被冠层结构与能量吸收能力的关键生物物理参数，在生态系统模型、农业监测和气候变化研究中发挥着不可替代的作用。MODIS LAI产品因其理论基础扎实、时间覆盖完整而被广泛应用，然而其产品存在大量噪声，极大地制约了其应用价值。针对这一问题，提出了一种三步时空约束填充方法(TSCGF)，实现了高质量无缝MODIS LAI产品的实时生成。该成果近期发表于遥感领域权威期刊International Journal of Applied Earth Observation and Geoinformation。

研究背景

全球气候变化背景下，陆地生态系统动态的精准监测需求日益迫切。叶面积指数(LAI)作为控制光合作用、蒸腾过程及植被与大气能量交换的核心生物物理变量，是理解植被-气候相互作用与生态系统响应的关键参数。MODIS LAI产品凭借其扎实的理论基础、完整的时间覆盖和系统的验证体系，已成为全球植被动态监测的基础数据集，并在生态系统建模、农业监测及气候变化研究中发挥着不可替代的作用。然而，MODIS LAI产品中噪声显著、时空不连续问题突出，在云覆盖频繁和大气条件复杂的区域尤为严重，严重制约了产品的实际应用价值。本研究提出一种能够协同整合空间与时间约束、支持实时运行的高质量LAI重建新框架。

研究方法

TSCGF方法由三个核心步骤组成。1.基于空间相似性的间隙填充(SSGF)：在以目标像元为中心的50km×50km窗口内，依据物候曲线相关性（R²>0.9）筛选相似像元，采用相关系数加权平均方案生成初步完整的LAI时序。2.全球代表性样本生成：对每个MODIS分块内的预填充LAI数据执行时序K均值聚类，依据轮廓系数自适应确定最优聚类数，在288个分块中共提取约24,280个全球分布训练样本，保证各植被类型的均衡代表性。3.基于双向时间卷积网络(BiTCN)的高质量重建：以三年历史预填充时序(137时间步)为输入，以高质量主算法反演值为目标，训练BiTCN模型重建缺失LAI值，支持实时运行。

主要结果

基于DIRECT2.1 (100站点，231次测量)和GBOV (52站点，8423次测量)地面验证结果表明，TSCGF LAI相比原始MODIS LAI产品RMSE从0.95降至0.88，在高LAI范围(4~6)的森林生态系统中改善尤为显著。时序分析显示，TSCGF LAI在保留真实物候季节变化的同时，有效消除了异常波动。自2000年起，该方法已在全球尺度实时生成覆盖至今的高质量MODIS LAI数据集。

该研究得到了国家自然科学基金(42401396和42271323)、科技部基础资源调查项目(2022FY100204)以及国家重点研发计划(2023YFF1303602)支持。