FPAR (June 2003) ■No Data ☐0.00 -0.01 ☐0.01 0.08 ■0.08 0.15 10.15 0.22 ☐0.22 0.29 ■0.29 0.36 ■0.36 0.43 ☐0.43 0.50 ■0.50 0.57 ■0.57 0.64 ☐0.64-0.71 ■0.71 0.78 ■0.78 0.85 ■0.85 0.92 10.92- 0.97
FPAR (June 2003)
MODIS LAI ◆叶面积指数(LeafArea Index,LAI)是陆面过程中的一个十 分重要的结构参数。它控制着植被的许多生物、物理过程，如 光合、呼吸、蒸腾、碳循环和降水截获等。LAI的动态变化可 以较好地反映植被的结构和数量特征的变化，因而可以更好地 反映植被和气候的相互作用，也可以作为植被生物量的敏感性 指数。 ◆ MODIS LAI是基于严格的辐射传输算法，利用MODIS 的7 个光谱波段的双向反射因子和相关的不确定性信息，输出1km 栅格LAI最可能的值。当提取的光谱数据值落在预期范围之 外时，就要用到备用算法。备用算法是基于归一化差值植被指 数(NDVI)和LAI 的回归关系，建立全球六种植被类型的简单 统计关系
叶面积指数(Leaf Area Index, LAI)是陆面过程中的一个十 分重要的结构参数。它控制着植被的许多生物、物理过程,如 光合、呼吸、蒸腾、碳循环和降水截获等。LAI的动态变化可 以较好地反映植被的结构和数量特征的变化,因而可以更好地 反映植被和气候的相互作用,也可以作为植被生物量的敏感性 指数。 MODIS LAI是基于严格的辐射传输算法,利用MODIS 的7 个光谱波段的双向反射因子和相关的不确定性信息,输出1km 栅格LAI 最可能的值。当提取的光谱数据值落在预期范围之 外时,就要用到备用算法。备用算法是基于归一化差值植被指 数(NDVI) 和LAI 的回归关系,建立全球六种植被类型的简单 统计关系。 MODIS LAI
LAI Main Saturatio首 Back-Up Bare F国 030.5081216 21 *MODIS LAI研究主要包括四个方面：算法发展(algorithm development)、产品分析(product analysis)、产品验证(product validation)和产品同化(product assimilation)。 *MODIS LAI产品在生产过程中受诸多不确定性因素影响，如源数 据的质量和算法的不确定性等等
MODIS LAI研究主要包括四个方面：算法发展（algorithm development）、产品分析(product analysis)、产品验证(product validation)和产品同化(product assimilation)。 MODIS LAI产品在生产过程中受诸多不确定性因素影响, 如源数 据的质量和算法的不确定性等等
MODIS数据产品存在的几个主要问题 *许多产品没有达到陆地表面过程模型所需要的精度。因为，从 单一的E0S器（如MODIS)估计一系列大气和表面变量本身就是一 个病态反演过程。目前的解决办法是依赖于各种假定的条件，因 而降低了模型反演地表参数数据产品可能达到的准确度。通过这 种方法得到的各种变量必然存在大量的不确定性； *各种陆地表面数据产品在物理上往往不一致，因为它们是由不 同科研队伍根据不同的假设和不同的卫星观测得到的。 *由于云污染等原因使许多陆地数据产品在空间和时间上不连续
许多产品没有达到陆地表面过程模型所需要的精度。因为，从 单一的EOS器（如MODIS）估计一系列大气和表面变量本身就是一 个病态反演过程。目前的解决办法是依赖于各种假定的条件，因 而降低了模型反演地表参数数据产品可能达到的准确度。通过这 种方法得到的各种变量必然存在大量的不确定性； 各种陆地表面数据产品在物理上往往不一致，因为它们是由不 同科研队伍根据不同的假设和不同的卫星观测得到的。 由于云污染等原因使许多陆地数据产品在空间和时间上不连续。 MODIS 数据产品存在的几个主要问题
提高时序MODIS数据产品质量的主要方法 *已有反演算法改进 *把现代图像信号处理方法应用到时序MODIS数据 产品的质量改进 *数据同化方法
已有反演算法改进 把现代图像信号处理方法应用到时序MODIS数据 产品的质量改进 数据同化方法 提高时序MODIS 数据产品质量的主要方法