早在1947年，英国的Watson提出叶面积指数[6]，作为植物学的一个常用参数和重要的评估指标，在诸多学科界得到广泛的应用和研究，成为判断植物生长发育的重要参数标准。

1国外研究进展72346

Clement等利用四种不同的检索方法估算叶面积指数（LAI）：两个辐射传输模型（RTM）反演方法（一个基于词根look-up-tables（LUT）和一个基于预测方程）和两个统计建模方法（一个部分基于现场数据,另一个完全基于现场数据）。得到的结果是星载高光谱传感器方案不适用于不同的植被类型[7]。

早在1983年，Curran等人在估计测量其他各种农学变量时，就利用了从遥感数据当中获得的不同的植被指数和LAI的关系[8]。1999年Turner等研究发现植被指数（TM数据）反演得到的叶面积指数与实测叶面积指数的相关关系，并构建了三阶回归关系[9]。

浦瑞良等在美国俄勒冈洲的各类森林类型样地选择实验区，分别测定和收集LAI数据和CASI图像数据,对针叶林的叶面积指数进行潜力估算,发现在估测针叶林叶面积指数LAI值时,逐步回归分析法的精度较高[10]。同时,在对美国西部地区的黄松叶面积指数与CASI数据进行回归相关模型的构建时使用了单变量相关方法、基于VI的估测模型,实验发现: LAI与NDVI所建立的双曲线关系在单变量的模型中是最有效的方法[11]。论文网

2国内研究进展

江洪等对福建省永安市毛竹林山区进行叶面积指数(LAI)地面实测、遥感建模和反演分析[12]。通过比较TAVI和比值植被指数（RVI）(RVI)、归一化植被指数(NDVI)研究，实测LAI的验证表明，LAI-TAVI回归模型可有效规避地形影响导致“同物异谱”和“异物同谱”的问题。TAVI能有效地削减地形影响，用于山区植被LAI的遥感反演。

梁栋等使用 2003-2011 年西藏那曲县的MODIS¬¬_LAI 产品， 分别用SVM和 LS-SVM两种方法对研究区域 2011 年 LAI 时间序列预测，用 MODIS 原始的 LAI 数据和部分地面实验样点值对比验证[13]。 结果表明，基于 LS-SVM 的 LAI 时间序列预测算法精度比基于 SVM 的算法高， 得到结论 LS-SVM 方法可以弥补遥感反演时间序列 LAI 数据缺失的问题，对提高时间序列的 LAI 遥感产品质量具有非常重要的意义。

孙华等以攸县黄丰桥林场为研究区，从Hperion影像数据中提取归一化植被指数(NDVI)、比值植被指数(RVI)等13个因子，使用LAI-2000冠层分析仪对130个样地(60 m x 60 m)的叶面积指数进行测量，采用偏最小二乘回归分析的方法来建立植被指数与实测样地的回归模型，进行叶面积指数反演并制图[14]。

张学艺等通过宁夏地区的农业试验观测站春小麦 LAI 的观测数据，利用遥感反演和农业气象学等方法来对春小麦的进行动态模拟，得到其最佳的动态模拟方法是运用分段函数，在三叶至抽穗期和抽穗至乳熟期分别运用遥感反演和农业气象学[15]。