叶面积指数(leafareaindex,LAI)被定义为单位地面面积上绿色叶片总面积(阔叶包括正反两面)的一半，是陆地生态系统模型中模拟总初级生产力(grossprimaryproductivity，GPP)和蒸散发(evapotranspiration，ET)的重要冠层结构参数。叶片叶绿素含量(leafchlorophyllcontent，LCC)指单位叶片面积里叶绿素的重量，是与叶片进行光合作用的能力密切相关的叶片生理参数。作为陆地生态系统模型的重要输入参数，LAI和LCC对陆地碳水通量估算的精度有着很大的影响。前人研究多基于遥感数据，对二者之一进行单参数反演。然而，由于LAI和LCC对冠层反射率存在混淆效应，这导致单参数反演算法的实现必然基于一定的假设或先验知识。比如，当前的LAI反演算法大多并未明确考虑LCC的季节变化，这等于假设LCC在一年中保持恒定，而LCC反演算法则依赖LAI产品为先验输入。这导致当前的LAI和LCC遥感产品的季节变化存在一定的不确定性。目前，研究团队已在上杭白砂林场生物多样性样地开展两年的周期性野外数据（包括无人机数据、LAI、LCC等）和叶片样本采集。

基于采集的无人机遥感数据和地面实测数据，我们开发了基于多植被指数的LAI和LCC的经验协同反演模型。通过地面实测数据验证，可得出结论：1）协同反演可在-8-不损失LAI反演精度的前提下，提高LCC的反演精度；2）红边波段的加入可提高LAI和LCC的协同反演精度。本研究针对LAI和LCC遥感反演相互干扰的问题，开展两大植被参数协同反演的方法研究，并拟将该方法用于生成中国常绿针叶林遥感LAI和LCC产品数据集，旨在提升两大遥感产品在陆地生态系统模型中的应用价值和常绿针叶林的碳水通量模拟的精度，为气候变化前提下准确评估常绿针叶林对碳水循环的贡献提供科学支持。