叶面积指数（Leaf Area Index，LAI）是表征叶片疏密程度和冠层结构特征的重要植被参数^［1］，是研究全球和区域碳循环、水文循环、气候变化区域响应的重要指标之一^［2］，世界气象组织将LAI列为影响全球变化的关键陆表参数之一^［3］。目前LAI的获取方式主要分为地面观测和遥感观测两种，地面测量通常只能获取小范围的数据，而遥感技术为获取大范围时空连续的LAI提供了有效的手段。因此，遥感技术成为了生产大尺度LAI产品的主要途径^［4］。国内外基于卫星遥感传感器观测数据生产了多套全球尺度的LAI产品，包括MODIS^［5］、AVHRR^［6］、CYCLOPES^［7］、GEOV1^［8-9］、MISR^［10］、MERIS^［11］、GLOBALBNU^［12］、GLOBMAP^［13］以及GLASS^［14］等，而这些产品由于数据源不同，且覆盖的时间段、时空分辨率等均存在差异，因此，LAI产品的区域适用性成了广大LAI数据使用者非常关注的问题。

近年来，随着众多LAI产品的发布，其区域适用性随之亦在不同区域展开。Fang等^［15］对比了MODIS、GEOV1、GLASS、GLOBMAP、JRC-TIP 5种LAI 产品在全球的情况，发现这些产品有一定的空间一致性，但在复杂生态系统的一致性显著降低。Gessner等^［16］研究认为CYCLOPES和GEOV1在非洲西部有较好的时空一致性，但是LSA-SAF产品在高云量区域精度更高。在中国区域，马培培等^［17］认为MuSyQ、MODIS和GLASS产品整体上有很好的一致性，但是，Xu等^［18］认为GLASS和GEOV1产品存在较好的一致性，MODIS产品与这二者存在较大的差异，杨帅勇等^［19］对该3种产品在山区植被时空特征表征能力等方面也得出相同的结论，但是刘远等^［20］在韩江流域的研究发现MODIS和GLASS 产品的空间一致性相对较好，同时还发现CYCLOPES在林地明显比前两者小，而Yang等^［21］发现MODIS和GEOV1产品均在草地偏大，但是GEOV1相对更接近地面实测的LAI。综上所述，众多LAI产品间在不同的区域和植被类型上存在一定的差异。

考虑到国家发展战略及随着国家安全意识的增强，国产LAI产品在维护国家农业与生态安全等方面的应用越来越受重视。中国陆地生态系统作为全球生态变化的重要组成部分之一，在全球陆地变化中占据重要作用，然而我国幅员辽阔，地形复杂，给LAI反演造成了困难。因此，本文利用GLOBALBNU、GLOBMAP以及GLASS 3种常用的国产产品从不同流域、不同海拔高度（DEM）和地表利用类型3个方面对其中国区域进行时空一致性对比与评价，为国产LAI数据产品的广泛应用提供参考。

GLOBALBNU LAI数据集来源于中山大学（http：∥globalchange.bnu.edu.cn/）^［12］，时间分辨率为8 d，空间分辨率为1 km（表1）。该数据集是基于MODIS LAI及其QC信息提高MODIS LAI精度而建立的一套全球LAI数据集。首先，采用一种分级方法计算每个MODIS LAI产品像元的背景值，利用MODIS LAI产品每个像元的背景值和QC信息，采用改进的时空滤波方法（mTSF）对质量相对较低的数据进行同化，然后应用后处理TIMESAT Savitzky-Golay滤波器处理得到最终的LAI产品数据集。

GLOBMAP LAI数据集来源于国家地球系统科学数据中心（https：∥www.zenodo.org）^［13］，空间分辨率为0.08°，1981~2000年间的产品基于AVHRR GIMMS NDVI数据，时间分辨率为16 d，2001~2020年间的产品基于MODIS反射率，时间分辨率为8 d（表1）。该数据集是融合MODIS和AVHRR数据生成的一套全球LAI产品数据集。基于GLOBCARBON LAI算法利用MODIS 地表利用类型数据和MODIS反射率数据等计算得到MODIS LAI序列，利用MODIS和AVHRR重叠期（2000~2006年）的数据序列建立每个像元上AVHRR GIMMS NDVI数据和计算得的MODIS LAI的关系，应用此关系和历史时期的AVHRR GIMMS NDVI数据反算历史时期的LAI序列产品。

GLASS LAI数据集来源于国家地球系统科学数据中心（http：∥www.geodata.cn）^［14］，时间分辨率为8 d，空间分辨率1 km，2000年以前产品是基于AVHRR数据生成，2000年以后产品基于MODIS数据生成（表1）。该产品利用有效的CYCLOPES LAI转化为真实的LAI，根据地面实测LAI数据确定LAI的不确定度，然后和MODIS LAI产品融合，将融合后的LAI和AVHRR/MODIS反射率训练神经网络（GRNN）得到长时间LAI序列产品。

考虑到3种产品覆盖时间空间分辨率不一致，采用最邻近插值法重采样统一为1 km、16 d。GLOBALBNU产品数据起始时间相对较晚，故选用2000~2018年的植被区LAI数据进行统计分析。

为分析不同LAI产品时空分布及其变化的区域特征，本文选用九大流域、DEM和土地利用类型对中国范围内的LAI数据进行分类。九大流域数据（图2）来源中国科学院资源环境科学数据中心（https：∥www.resdc.cn/data.aspx？DATAID=141）。将中国划分为松辽流域、海河流域、淮河流域、黄河流域、长江流域、珠江流域、东南诸河流域、西南诸河流域、内陆河流域。250 m分辨率的中国DEM空间分布数据（图2）来源于中国科学院资源环境科学数据中心（https：∥www.resdc.cn/data.aspx？DATAID=123）。土地利用类型数据来源于Zenodo数据库（https：∥www.zenodo.org/record/4417810/）提供的1990~2019年中国30 m分辨率的土地利用类型数据，在处理1980~1984、1985~1989、1990~1994、1995~1999、2000~2004、2005~2009、2010~2014、2015~2020年的LAI数据时分别对应选用1980、1985、1990、1995、2000、2005、2010、2015年的地表土地利用数据。

产品的时间一致性检验从产品的平均值、相关系数R和概率密度函数多方面对比来分析3种LAI产品在不同流域、不同DEM分类、不同土地利用类型下的一致性。产品的年平均值和多年月平均值用于表现LAI产品刻画年和月变化特征的能力。产品的相关系数R可以量化产品间的一致性：

其中：Cov（X，Y）为产品X与产品Y的协方差，Var［X］为产品X的方差，Var［Y］为产品Y的方差。采用Pearson检验进行趋势显著性检验，当P<0.05时则认为通过显著性检验。

产品的空间一致性检验从产品差值的空间分布和产品差值的频率分布两方面来分析对比LAI产品一致性。本研究中生长季为5~10月，非生长季为11~4月。

LAI产品完整性分析可知，GLOBALBNU和GLOBMAP 产品在中国区域内完整，而GLASS产品在少部分区域上存在数据缺失，主要分布在长江流域东部、淮河流域以及内陆河流域地区（图1）。根据LAI产品的数据源时间特征可知，在时间序列完整性上，GLOBALBNU在2000~2020年间无时间序列缺失；GLOBMAP在1981~2020年间缺少1981年第1~166天，GLASS在1981~2018年间无时间序列缺失。

全国植被区年平均情况的对比结果如图3（a）所示，整体上，GLOBALBNU和GLASS年均LAI呈上升趋势，这符合全国正在“变绿”的真实情况。GLOBALBNU和GLASS的LAI年均变化速率分别为0.015 3/a和0.004 4/a。GLOBMAP在1982~2000年均LAI呈波动趋势，在2001~2020呈上升趋势，年均变化速率为0.014 9/a。GLOBMAP在2001年更换数据源后有较大下降，GLASS变化较小。3种LAI产品植被区多年平均值分别为1.27±0.07、1.24±0.10、1.35±0.06。GLOBALBNU在植被区年平均绝对距平最大，达0.08±0.06；GLOBMAP、GLASS接近，分别为0.06±0.04、0.05±0.03。GLOBALBNU、GLOBMAP和GLASS的年均标准差分别为0.63、0.57、0.59。

从植被区LAI多年月均值的对比结果可知，GLASS与GLOBALBNU、GLASS与GLOBMAP、GLOBALBNU与GLOBMAP多年月平均值的相关系数R分别为0.999、0.993、0.993（P<0.01），均呈显著相关。由图3（b）可知，3种产品均在1月达到全年最小值，在8月达到全年最大值，均存在较好的季节变化表征能力。

为了研究地形对LAI产品结果的影响，本文将DEM分为500 m以下、500~1 000 m、1 000~2 000 m、2 000~4 000 m、4 000 m以上五类，对不同DEM分类下的LAI产品进行了对比（图4）。GLASS与GLOBALBNU在各个DEM分类下都呈现波动上升趋势，年变化率分别为0.001~0.005/a和0.002~0.016/a GLOBMAP在2 000 m以下区域呈现波动上升趋势。

在2 000~4 000 m区域，GLOBMAP在1982~2000年呈波动下降趋势，年变化率分别为在-0.001/a，2001~2020年呈波动上升趋势，年变化率分别为0.010/a。在4 000 m以上区域，GLOBMAP在1982~2000年和2001~2020年间均呈波动变化。GLOBMAP的距平在这500 m以上的DEM分类中，2000~2001都有明显的下降。

不同土地利用类型下3种LAI产品的统计值如表3所示，由表可知，3种产品在耕地的平均值接近，GLOBALBNU的绝对距平、标准差较其他两种产品偏大，分别为0.10、0.72。在林地上，GLOBALBNU年平均值最小，为1.73，GLOBMAP年平均值最大，为2.20，GLASS的绝对距平较其他两种产品较小，为GLOBMAP的35.71%。在草地上，GLASS年平均值最低，为0.52，GLOBMAP的绝对距平，最大为0.09，GLOBALBNU的标准差均较其他两种产品偏大，为0.59。在城乡工业用地上，GLOBALBNU的标准差较其他两种产品偏低，仅为GLASS的43.33%。在未利用土地上，GLASS年平均值相对较低，约是GLOBMAP的40.63%。对比不同土地利用类型下3种LAI产品的概率分布可知，耕地、林地、草地区域3种LAI产品的概率分布相似，且出现峰值时LAI值接近（图5（a）~5（c）；在城乡工业用地上，GLOBALBNU与GLASS概率密度函数相似，GLOBMAP的概率密度函数与其他两种产品差异大，尤其是在LAI值为1.00~2.00的区域（图5（d））；在未利用土地区域上，GLOBALBNU与GLOBMAP概率密度函数相似，但GLASS与这两种产品概率密度函数存在较大差异，且达到峰值和次峰值时LAI值亦差异很大（图5（e））。

图6给出了3种产品在中国区域的平均差值，由图可知，3种产品之间存在差值，差值较大区域主要分布在中国中部以及南方地区。GLASS与GLOBMAP、GLOBALBNU与GLASS、GLOBALBNU与GLOBMAP产品差值（图7）大于2.00的区域占比分别为1.20%、0.54%、0.59%，差值大于1.00的区域占比则分别为6.19%、4.16%、4.19%，GLASS与GLOBMAP的差值较大区域多于GLOBALBNU与GLASS和GLOBALBNU与GLOBMAP的。

3种LAI产品在不同流域的年平均值显示出不同的相关性（表4），在松辽流域、海河流域、黄河流域3种产品都呈现显著相关（P<0.01）。在内陆河流域和珠江流域中GLASS与GLOBALBNU相关系数R分别为0.75（P<0.01）和0.55（P<0.05），相关性较好。在淮河流域、长江流域、东南诸河流域和珠江流域，GLOBALBNU与GLOBMAP相关系数分别为0.77（P<0.01）、0.76（P<0.01）、0.62（P<0.01）和0.86（P<0.01），有较好的一致性。在淮河和珠江流域GLOBMAP与GLASS相关系数分别为0.44（P<0.01）和0.54（P<0.01），相关性较好。在内陆河流域GLOBMAP与GLASS相关系数为-0.69（P<0.01），呈显著负相关。另外，3种LAI产品在各流域的变化趋势较为接近（图8）。3种产品在松辽流域、海河流域、黄河流域、淮河流域、长江流域、东南诸河流域和珠江流域均呈现波动上升趋势。在西南诸河流域，GLOBALBNU呈波动上升趋势，GLASS年变化较小，GLOBMAP在1982~2001年呈波动下降趋势，在2001~2020呈波动上升趋势。在内陆河流域，3种产品年变化较小。

图9给出了3种产品在各个流域差值的频率分布，由图可知，各个流域中3种产品的频率差值均呈现正态分布，并且大部分峰值出现时LAI差值都接近0。在淮河流域，GLASS与GLOBMAP差值频率出现最大值时的LAI值最大，为0.37。GLOBALBNU与GLASS在各流域差值频率出现最大时LAI值均小于0.2。在长江流域GLOBMAP与GLASS和GLOBALBNU差值大于0的区域多于差值小于0的区域，其他流域则差值小于0的区域较多。另外，在大部分流域下，产品间差值基本都集中在-1.00到1.00之间，总体数值较小。但在长江流域、东南诸河流域，产品差值变大，差值大于1.00的地区占比分别为19.05%、23.99%。3种产品在长江流域和东南诸河流域的一致性差于其他区域，故本文对比了这两个区域的差值分布的空间格局（图10）。

由图10可知，GLASS与GLOBMAP相比，云贵高原在生长季和非生长季分布大量差值达到2.00的区域，生长季差值大于2.00的区域占云贵高原总面积的18.59%，远大于长江流域的平均值9.99%，非生长季云贵高原差值大于2.00的面积占云贵高原总面积的7.25%，同样大于非生长季长江流域的平均值4.32%。GLOBALBNU与GLASS相比，云贵高原和四川盆地区域在生长季差值大于2.00的区域占比较高，分别为28.22%和17.14%，其中四川盆地区域GLASS偏高，云贵高原区域GLOBALBNU偏高。

非生长季差值大于2.00的区域分布较少，主要分布在云贵高原区域。GLOBALBNU与GLOBMAP相比，在生长季GLOBALBNU-GLPBMAP差值大于2.00的区域较少，仅占总面积的1.82%，差值为1.00~2.00的区域较多，占总面积的8.07%。进一步统计发现，GLOBALBNU、GLOBMAP和GLASS的密度散点图相似（图11），主要集中在1∶1附近。

3种LAI产品的时空分布都存着较大差异，其原因大体上来源于反射率数据和反演模型两方面。反射率数据方面，3种产品都主要基于MODIS数据进行反演。研究表明，搭载MODIS传感器的Terra卫星的传感器老化速度显著快于Aqua卫星^［22-23］，这使得以其为数据源的LAI产品有了更多的不确定性。反演模型方面，GLOBALBNU、GLOBMAP、GLASS的主要算法分别为时空滤波^［11］、几何光学模型^［13］和神经网络^［14］。GLOBALBNU对现有产品进行了差值处理，而差值算法有平滑数据的特点，这导致GLOBALBNU在林地等LAI值较大区域相对其他产品偏小，在草地和未利用土地等LAI值相对较小区域相对其他产品偏大^［12］。GLOBMAP算法中主要利用了几何光学模型^［13］。几何光学模型考虑了树冠的几何结构、树木位置分布、光线入射方向等要素，在森林LAI反演上有独特的优势^［24-25］，这导致在林地区域GLOBMAP相对其他两种产品偏高。GLASS的主要算法是广义回归神经网络，这种算法以大量地面测量数据作为训练集对每种生态型进行神经网络训练，对站点数据的依赖程度较高，精确程度也主要依赖站点数据^［14］。

本研究正是针对这3种产品的算法特点，从不同流域、DEM分类、土地利用类型3种角度对LAI产品进行一致性分析。

在九大流域中，海河流域、黄河流域、内陆河流域的一致性较好，这4个流域都存在地形起伏较小的特点，而一致性较差的长江流域和东南诸河流域都存在大量地形起伏较大的区域。另外云层和水汽也是影响LAI反演产品质量的重要因素^［15］，这也造成了3种产品在四川盆地的一致性较差。在不同地物中，耕地由于植被类型单一、地形相对平缓，耕地的一致性相对其他区域较好。综上，复杂地形和多云导致的反射率数据缺失是制作LAI产品的最大难题，而随着GOST2^［26］、GOFP^［27］和SLCT^［28］等混合反射率模型的出现，以及不受云、雨等自然因素限制的SAR技术的应用，LAI产品的精度也能大大提高。

地面观测数据是验证评估卫星产品最为有效的手段，下一步工作将结合地面LAI测量数据，对LAI产品准确性有更明确的认知。另外，本文所采用的3种LAI产品都是低分辨率的遥感产品，对不同分辨率LAI产品的一致性也需进一步研究。

本研究主要针对GLOBALBNU、GLOBMAP、GLASS 3种国产LAI产品，对比了在中国区域不同流域、不同DEM、不同土地利用类型下的时空差异，结果表明：

（1）3种产品均有较好的季节表征能力，GLOBMAP在2001年由于数据源更换，产品数值出现变小的现象。3种产品的多年月平均相关性较好，最高值均出现在8月，最低值均出现在1月，年平均最高值和最低值出现年份则均不相同。

（2）3种产品在九大流域的年平均值及其多年的变化趋势表现不同。在海河流域、黄河流域和内陆河流域中，4种产品的年平均变化趋势均能表现出较为良好的相关性，不存在显著区别。在其他流域中，产品间年平均变化趋势均存在显著不同。长江流域GLOBMAP与GLASS和GLOBALBNU的差值分布与其他流域存在较大不同。

（3）不同DEM下3种产品呈现的变化趋势接近。在大部分区域，3种产品均呈波动上升趋势，但在2 000~4 000 m区域，GLOBMAP在1982~2000年呈波动下降趋势，与其他产品不同。

（4）不同土地利用类型下LAI产品存在差异。在草地区域GLASS的年平均值较其他产品存在低估现象，在城乡工业用地区域GLOBMAP年平均值较其他产品存在低估现象，在林地区域GLOBALBNU年平均值较其他产品存在高估现象。GLASS的标准差与GLOBMAP接近，GLOBALBNU在耕地、草地和未利用土地上标准差相较其他两种产品偏大，在城乡工业用地上标准差较其他两种产品偏小。