LAI 与 FPAR 反演连接冠层结构和光能吸收

叶面积指数 LAI 描述单位地表面积上的单面绿色叶面积，FPAR 描述冠层吸收的光合有效辐射比例。二者分别连接冠层结构与能量吸收，常用于植被生产力、生态模型和作物状态分析，但它们不是从单个植被指数直接读出的观测量。

卫星产品通过辐射传输模型或经验关系反演 LAI 与 FPAR。输入反射率、观测和太阳几何、植被类型以及质量条件共同决定结果。使用者需要同时读取数值、算法路径和质量标志。

两个变量相关但含义不同

LAI 是结构量，关注叶片面积相对地面面积的密度。FPAR 是辐射量，随太阳角度、叶片光学性质、冠层结构、背景和大气条件变化。相同 LAI 的冠层可能因叶倾角和叶片吸收不同而有不同 FPAR。

遥感产品中的 LAI 通常针对绿色叶面积，并受植被分类和冠层模型定义约束。针叶、成丛叶片和木质结构会让实地测量与模型定义产生差异。比较产品与样地时，应确认是否使用有效 LAI、真实 LAI或包含枯叶和枝干。

FPAR 常指特定时间和光谱范围内的吸收比例。瞬时值、日平均或产品合成值不可直接混用。生态模型需要的时间尺度应与产品定义匹配。

MODIS LAI/FPAR 产品的主算法依据植被类型和冠层辐射传输关系，在观测反射率与模型状态之间寻找可接受解。由于多个冠层状态可能产生相近反射率，结果不仅有一个最优值，还需要描述解空间和不确定性。

红光对叶绿素吸收敏感，近红外受叶片内部散射和冠层结构影响。观测角度与太阳角度改变光在冠层中的路径，背景土壤也会透过稀疏冠层进入信号。算法必须把这些因素作为查找条件，而不是只套用固定回归式。

植被类型选择错误会使用不合适的结构和光学先验。地表分类在混合像元、农作制度变化或扰动后可能不准确，因此 LAI/FPAR 异常既可能来自冠层，也可能来自上游类别。

当主算法因云、输入质量或模型不匹配无法得到可靠解时，产品可能使用基于植被指数关系的后备算法。后备值提高空间覆盖，却与主算法具有不同的不确定性和适用条件。

用户不能只下载主数值层而忽略质量层。质量位通常记录主算法是否成功、是否使用后备路径、云和输入条件。时间合成若把不同算法路径的值直接平均，会掩盖质量变化。

严格应用可以只保留主算法高质量像元，代价是缺测增多；连续模拟可能需要使用后备值并扩大不确定性。选择应由任务容错决定，并在结果中保留像元级来源标志。

冠层变密后，可见光吸收和近红外散射对新增叶面积的响应会逐渐减弱。不同高 LAI 状态可能产生相近顶层反射率，反演便难以唯一确定。产品值达到上限附近时，不能把微小差异解释为精确叶面积变化。

云、气溶胶、积雪和阴影也会改变反射率。合成窗口能增加获得清晰观测的机会，却引入时间代表性：快速生长或收割期间，窗口内数天差异可能很大。

空间分辨率决定像元内混合。农田边界、林地空隙和道路会降低平均信号，产品 LAI 是足迹尺度的模型结果，不等于一株或一个样方的直接测量。

地面 LAI 可由破坏性采样、光学仪器或冠层间隙方法获得，各自有采样和模型误差。验证卫星像元时，需要在像元范围布设足够样点，或借助高分辨率影像把地面信息扩展到足迹尺度。

时间也要对齐。实测与卫星过境相隔数周，在快速生长期可能无法比较。云筛选后的产品日期、合成窗口和观测日期都应记录。地面 FPAR 测量还受日变化和天空条件影响。

评价应按植被类型、LAI 范围、季节和质量标志分层，报告偏差、随机误差与有效样本数。只在高质量清晰像元上验证得到的精度，不能代表所有产品像元。

LAI/FPAR 序列常用于物候和异常监测。云残留、算法路径切换和植被分类变化会造成跳点。平滑前应保留原始值与质量权重，避免算法把真实收割或扰动也抹去。

跨年份比较要固定产品集合版本。算法、输入和质量规则更新会改变历史值；若必须拼接版本，应在重叠期做一致性评估。趋势结论还要区分气候、土地覆盖变化和观测条件变化。

NASA MODIS Collection 6.1 用户指南提供产品网格、算法和质量信息。实际使用时应把产品指南、文件元数据和像元质量一起归档，而不是只保存导出的数值栅格。

LAI 与 FPAR 把反射观测转为生态相关变量，但转换依赖冠层模型和质量条件。明确变量定义、算法路径、饱和、尺度与验证，才能把产品用于生态解释，而不把模型输出当成无误差的地面测量。