中文摘要：

叶面积指数（Leaf Area Index, LAI）指的是单位地表上的植被叶片总面积，是描述植被冠层结构的重要生物物理参数。LAI被列入全球气候观测系统计划（GCOS）中影响全球气候变化模拟的关键参数之一，广泛应用于各种植被-大气模型。有代表性的全球LAI遥感产品有MODIS, CYCLOPES和GLOBCARBON等，但目前对这些全球LAI遥感产品的不确定性还缺乏系统的定量分析，对它们能否满足GCOS的要求，还没有一个确切的结论。由于水稻生态系统的特殊性和复杂性，目前关于中国水稻区LAI的不确定性研究尚属空白。本项目针对中国的水稻区，开展三大LAI产品的不确定性分析与质量评估研究；系统分析水稻LAI产品的不确定性来源及其时空变化；同时开发适用于水稻的辐射传输模型和反演方法，提高现有LAI的产品质量，为全球变化基础研究做出贡献。

结论摘要：

叶面积指数（Leaf Area Index, LAI）指的是单位地表上的植被叶片总面积，是描述植被冠层结构的重要生物物理参数。LAI被列入全球气候观测系统计划（GCOS）中影响全球气候变化模拟的关键参数之一，广泛应用于各种植被-大气模型。有代表性的全球LAI遥感产品有MODIS, GEOV1, GLASS和GLOBMAP等，但目前对这些全球LAI遥感产品的不确定性还缺乏系统的定量分析，对它们能否满足GCOS的要求，还没有一个确切的结论。由于水稻生态系统的特殊性和复杂性，目前关于中国水稻区LAI的不确定性研究尚属空白。 本项目针对中国的水稻区，开展全球LAI产品的不确定性分析与质量评估研究；系统分析水稻LAI产品的不确定性来源及其时空变化；同时开发适用于水稻的辐射传输模型和反演方法，提高现有LAI的产品质量，为全球变化基础研究做出贡献。 在过去四年，项目组对上述几方面的研究内容，都开展了深入探索。重点开展了全球叶面积指数遥感产品在水稻区的不确定性分析研究，同时开展了对水稻LAI不确定性来源的分析，并探索开发新型的水稻辐射传输模型及LAI反演方法。 LAI遥感产品在水稻区的验证方面进展很好。截止2015年底完成了水稻地面LAI数据的收集、整理和发表工作。高分辨率HJ和Landsat遥感数据的处理也已完成。全球中分辨率产品的验证完成了实验工作，预计于2016年整理发表水稻LAI的验证论文。初步研究显示，目前的全球中分辨率遥感产品都低估了水稻的实际LAI值，特别是MODIS，在生长旺季低估在1.5~2.0以上。在此基础上，开展了误分类对LAI不确定性来源的分析，发现农作物之间的误分类一般不会造成太大的LAI误差 (<0.37 或 27.0%)。同时，我们探索了直射和漫射分离的新型辐射传输模型来更好的模拟水稻辐射传输过程。 本项研究属于前沿基础性研究，野外工作时间较长，科研任务极具挑战。总体来看，项目非常好地完成了LAI遥感产品在水稻区的验证工作，各方面的研究基本完成预定目标，为今后的研究打下了良好的基础。