STEAR 最新成果 | 基于Sentinel-2和Landsat影像协同反演落叶阔叶林叶面积指数和叶片叶绿素含量
叶面积指数（Leaf area index, LAI）和叶片叶绿素含量（leaf chlorophyll content, LCC）是定量评估植被冠层结构与生理功能的核心参数。当前主流的遥感产品通常对两者进行单独反演，但这种方式存在局限。例如，许多业务化LAI产品基于“绿色叶面积”的定义，物理模型模拟时采用固定叶片光谱或较高的最小LCC阈值，可能导致在落叶阔叶林生长季初期和末期产生偏差。同时，在依赖先验LAI输入的LCC反演算法中，LAI产品的误差也会传导至LCC结果。
因此，在同一物理框架下协同反演LAI和LCC，明确考虑二者的耦合影响，是提升反演精度的重要方向，也是植被遥感的前沿之一。然而，协同反演长期面临一个关键挑战：LAI与LCC的反演误差之间存在显著的“补偿效应”。即在反演过程中，一个参数的低估往往会伴随着另一个参数的高估。这种效应源于二者光谱响应的相似性，而前向物理模型对真实植被冠层表征的简化或偏差，会进一步加剧这一问题。
为破解此难题，本研究以落叶阔叶林为对象，基于Sentinel-2和Landsat-7/8卫星数据，系统评估了两种物理模型（PROSAIL与5-Scale）与三种参数化策略（纯植被比例FV、非光合组分比例FS、LAI先验知识约束PK）对协同反演精度的影响。研究利用中国帽儿山生态站及NEON美国国家生态观测网络的高质量同步实测数据进行验证。
核心发现如下：
1. PROSAIL模型的局限与策略的权衡：基线PROSAIL模型表现出典型的误差补偿模式。单一增强策略（FV或FS）虽可改善某一参数（LAI或LCC）的精度，但往往会以牺牲另一参数的精度为代价。例如，引入FS策略有效抑制了LCC的高估，却导致LAI在低值区被高估。
2. 5-Scale模型的结构优势与最佳方案：能够更好表征冠层三维结构与聚集效应的5-Scale模型，在LAI反演上整体优于PROSAIL。关键突破在于，将FS策略与5-Scale模型结合，不仅显著纠正了LCC的高估，还同步改善了LAI在高值区的低估问题；在此基础上加入PK约束形成的 5-Scale (FS+PK)方案，实现了LAI与LCC在全动态范围内的最佳综合反演精度。
3. 相较于现有算法的进步：基于帽儿山和NEON站点大量实测数据的验证表明，5-Scale (FS+PK)的LAI和LCC反演精度均明显高于Sentinel-2业务化算法SL2P。与更先进的SL2P-CCRS算法相比，5-Scale (FS+PK)在LAI上达到同等精度，而在LCC反演上优势明显。SL2P-CCRS的LCC结果存在明显的有效下限（~20 μg/cm2），无法捕捉生长季初期/末期真实的低叶绿素状态；而新方案能反演5-80 μg/cm2的完整范围，更准确地刻画了生理动态。
4. 促进多源数据融合：算法差异是导致不同传感器（如Sentinel-2与Landsat）反演结果不一致的重要原因之一。采用优化后的5-Scale (FS+PK)算法，可显著减小二者在LAI和LCC反演上的系统性偏差，为生成长时间序列、高一致性的多源数据融合产品提供了关键技术支撑。
5. 精准捕捉物候的关键：在叶片尺度考虑所有冠层组分的光谱动态，而非固定“绿叶”光谱，对于准确捕获LAI季节动态至关重要。对比显示，使用固定叶片光谱的模型会使反演的叶片衰老中期比实测平均提前24天，而5-Scale (FS)方案将此偏差缩小至仅3天。
结论与展望
本研究通过系统性评估，证实了物理模型在冠层结构表征上的不足是驱动协同反演中误差补偿效应的核心机制。通过在考虑聚集效应的5-Scale几何光学模型中集成非光合组分表征与先验知识约束策略，可有效解耦LAI与LCC的信号，在提升LAI精度的同时显著提升LCC反演能力，从而打破“误差补偿”困境。所发展的5-Scale (FS+PK)算法框架，为实现落叶阔叶林高精度、高一致性的LAI与LCC业务化反演提供了新方案。未来，将该框架扩展至更多植被类型，并与生态模型同化，将极大提升对生态系统碳、水循环的监测与认知能力。
论文信息：
Zhou, H., Xu, M.*, Chen, J. M.*, Wang, X., Shang, R., Wang, R., Yan, Y., Wang, J. 2026. Synergistic retrievals of leaf area index and leaf chlorophyll content in deciduous broadleaf forests from Sentinel-2 and Landsat. Remote Sensing of Environment, 338, 115382. https://doi.org/10.1016/j.rse.2026.115382
作者与致谢：
本研究以福建师范大学为第一完成单位。周昊强博士研究生为论文第一作者，许明珠讲师和陈镜明教授为共同通讯作者。研究得到国家自然科学基金（42201360, U23A2002, 42471356）和福建省自然科学基金（2025J01646）的资助。
图1 帽儿山（MES）站点及NEON观测网络中其他落叶阔叶林站点（23个）的位置分布。每个站点包含1至27个基本采样单元（ESUs）。以MES站点为例，展示了其9个ESU在春、夏、秋三季获取的Sentinel-2真彩色影像上的空间分布。
图2. 所有研究站点上反演LCC与参考LCC之差和反演LAI与参考LAI之差之间的关系。参考LAI和LCC以5-Scale (FS+PK)算法的反演结果表示。
图3. 帽儿山（MES）站点实测与反演平均LAI（左列）和LCC（右列）的季节变化。反演LAI和LCC采用4种算法获得：PROSAIL (baseline) (a–b)、PROSAIL (FV+FS+PK) (c–d)、5-Scale (baseline) (e–f)和5-Scale (FS+PK) (g–h)。此外，还纳入两种开放获取算法SL2P和SL2P-CCRS进行对比。
图4. 使用SL2P、SL2P-CCRS、PROSAIL (FV+FS+PK) 和 5-Scale (FS+PK) 算法，在帽儿山（MES）站点和NEON观测网络的DBF站点上，LAI和LCC的反演残差随实测值的变化。阴影区域表示三阶多项式最小二乘回归的95%置信区间。
图5. 基于三个采用固定与动态叶片光谱的5-Scale算法，在来自15个站点的47个生态采样单元上，所提取的关键物候指标与实测数据提取的物候指标的差异：(a) 展叶中期 与 (b) 衰老中期。