叶面积指数（Leaf Area Index，LAI）作为表征植被冠层结构与生态功能的重要参数，可直接反映湿地植被的生长状态、物质能量交换能力及生态系统初级生产力，是湿地退化评估、修复成效监测和气候变化响应研究的核心指标。由于湿地生态系统具有景观破碎复杂、植被类型多样、土壤-水体背景异质显著、季节性和潮汐性周期淹水等特征，传统遥感LAI反演在湿地场景中常受到水体信息干扰、混合像元效应和模型泛化能力不足的多重限制，未能实现大尺度、长时序湿地LAI的精准反演。开展大尺度湿地植被LAI的精确反演，对于评估湿地生态系统健康和理解湿地碳循环过程及其对气候变化的响应机制具有重要的科学意义，极具科学意义和应用迫切性。

为解决上述科学问题，中国科学院东北地理所湿地遥感研究团队基于多年野外原位数据积累与多源遥感数据，率先构建了一套面向全国尺度的湿地LAI混合反演与制图方法框架，实现了我国国家尺度湿地植被生态参数、10 m空间分辨率的突破。该研究整合了2013–2023年期间我国不同湿地植被类型的865组野外实测LAI数据，通过遥感云计算平台融合多源卫星影像（Sentinel-2与Landsat-8），创新性地提出一种“物理模型+主动学习+机器学习回归”的混合建模策略。通过经典辐射传输模型（PROSAIL-5B）增强模型可解释性，采用主动学习技术优化训练样本分布，缓解病态反演和样本冗余问题，提高复杂湿地生物群系下的模型泛化能力，结合随机森林机器学习算法建立高效稳健的LAI反演模型。

图1 基于PROSAIL‑5B模拟数据集、高斯过程回归（GPR）和五种主动学习（AL）方法的模型评估

研究结果表明，相较于传统物理或经验回归方法，该混合模型显示出显著优势，R²提升 0.15–0.40，RMSE降低0.02–0.27，RRMSE下降3.37%–12.78%。该研究自主研发了适应湿地高水分背景与复杂下垫面的新型植被指数TBVI5、TBVI3和TBVI1，进一步提升了湿地植被LAI反演的稳健性和有效性。湿地LAI制图结果在精度、一致性等方面明显优于已有LAI产品，可为湿地的保护与修复评估其对气候变化的响应研究提供有力支撑。

该成果近期在线发表于遥感领域国际重要期刊ISPRS Journal of Photogrammetry and Remote Sensing（东北地理所C刊，IF=12.2），由东北地理所甄佳宁助理研究员（第一作者）、毛德华研究员（通讯作者）、王宗明研究员等，联合美国罗德岛大学Yeqiao Wang（王野乔）教授和深圳大学王俊杰副教授等共同完成，得到国家重点研发计划项目（2023YFF0807204）、国家自然科学基金（42301429,42330109,and 42171372）、吉林省自然科学基金（YDZJ202401491ZYTS）、自然资源部大湾区地理环境监测重点实验室开放基金（GEMLAB-2023013）的共同资助。

论文信息：Jianing Zhen,Dehua Mao*,Yeqiao Wang,Junjie Wang,Chenwei Nie,Shiqi Huo,Hengxing Xiang,Yongxing Ren,Ling Luo,Zongming Wang,2026. National mapping of wetland vegetation leaf area index in China using hybrid model with Sentinel-2 and Landsat-8 data. ISPRS Journal of Photogrammetry and Remote Sensing,232: 18-33.

论文链接：https://doi.org/10.1016/j.isprsjprs.2025.11.031