具有明确生物物理意义的叶面积指数（LAI）是描述陆地生态系统特征的关键变量。长期的全球 LAI 数据集已成为监测植被动态和探索其与其他地球成分相互作用的基础数据支持。然而，目前的 LAI 产品在时空一致性方面存在一些局限性。在这项研究中，我们采用了反向传播神经网络（BPNN）和数据整合方法，生成了1982-2020年期间的新版半月全球存量建模与绘图研究（GIMMS）LAI产品，即GIMMS LAI4g。GIMMS LAI4g的重要意义在于使用了最新的北京大学GIMMS归一化差异植被指数（NDVI）产品和360万个高质量的全球Landsat LAI样本，以消除卫星轨道漂移和传感器退化的影响，并建立时空一致的BPNN模型。结果表明，与前者（GIMMS LAI3g）和两个主流 LAI 产品（全球地表卫星（GLASS）LAI 和长期全球测绘（GLOBMAP）LAI）相比，GIMMS LAI4g 利用实地 LAI 测量和大地遥感卫星 LAI 样本显示出更高的精度和更低的低估率。GIMMS LAI4g 产品可能有助于缓解全球长期植被变化研究之间的分歧，也可能有利于地球和环境科学的模型开发。
本研究共使用了 8 个全球数据集，即 PKU GIMMS NDVI、Landsat LAI 样本数据集、MODIS 土地覆盖类型、再处理的 MODIS LAI、GLASS LAI、GLOBMAP LAI、GIMMS LAI3g 和野外 LAI 测量。PKU GIMMS NDVI 是生成 GIMMS LAI4g 的主要数据源。Landsat LAI 样本数据集用作机器学习模型建立和产品评估的 LAI 参考。现场 LAI 测量也用于产品评估。MODIS Land-Cover Type 产品在 LAI 建模中提供了植被生物群落类型。再加工的 MODIS LAI 用于扩展 GIMMS LAI4g 的时间覆盖范围。GLASS LAI、GLOBMAP LAI 和 GIMMS LAI3g 是三种全球主流的 LAI 产品，旨在进行相互比较。
该方法包括三个关键步骤 (1）根据北京大学 GIMMS NDVI、Landsat LAI 样本和其他解释变量，通过生物群落特定的 BPNN 模型生成 GIMMS LAI4g 产品；（2）在两者重叠的时间跨度（2004-2015 年）内，使用像素融合方法将 GIMMS LAI4g 产品与重新处理的 MODIS LAI 产品进行合并；（3）使用野外 LAI 测量和 Landsat LAI 样本对 GIMMS LAI4g 产品进行评估，并将其与其他全球 LAI 产品进行比较。
数据质量良好。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。