CN102354328B - 全球陆表的lai产品反演方法及系统 - Google Patents

Abstract

本发明公开了一种全球陆表的叶面积指数(LAI)产品反演方法及系统，涉及遥感数据处理领域。该方法包括步骤：将原始数据输入系统；对MODIS地表反射率数据和AVHRR地表反射率数据进行预处理，对MODIS LAI数据和CYCLOPES LAI数据进行平滑处理；将平滑处理后的CYCLOPES LAI数据转化为CYCLOPES LAI真实数据；得到融合LAI数据；利用融合LAI数据、预处理后的MODIS地表反射率数据和AVHRR地表反射率数据，以及MODIS地表分类数据训练得到神经网络；得到全球陆表的LAI产品。该方法提高了LAI产品的精度，能够满足地球系统科学和应用研究的需要。

Description

全球陆表的LAI产品反演方法及系统

技术领域

本发明涉及遥感数据处理技术领域，特别涉及一种全球陆表的LAI产品反演方法及系统。

背景技术

近年来，国内外学者利用卫星遥感观测数据生产了多个全球或区域范围的LAI（叶面积指数）产品，其中最具代表性的LAI产品包括利用SPOT/VEGETATION数据生产的CYCLOPES、GLOBCARBON和CCRS LAI产品；利用TERRA-AQUA/MODIS数据生产的MODISLAI产品。其他还包括利用ADEOS/POLDER、ENVISAT/MERIS、MSG/SEVIRI和TERRA/MISR等传感器数据生产的LAI产品。

已有的LAI产品生产系统，均是采用个人计算机少量生产，并且缺少长时间序列的全球陆表叶面积指数数据集。迄今为止，针对全球陆面变化研究与陆面模型研发，国际陆地遥感领域仍然缺乏长时间序列、高时空分辨率和高质量的全球陆表特征参量产品。国内的遥感产品生产均采用个人计算机生产小批量产品，无法满足长时间序列、高时空分辨率和高质量的遥感生产需求。

目前几种典型的LAI全球产品主要存在以下两方面的问题：一是这些产品在时间跨度上相对较短，而且主要是从单一卫星传感器和单一时相遥感数据生成，由于反演过程中信息量不足，这些产品存在精度低、时间和空间上不完整等问题；二是由于传感器和反演算法不同，不同产品之间存在明显的差异。LAI产品的这些问题影响了数据的应用水平，难以满足地球系统科学与应用研究的需要。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何提供一种全球陆表的LAI产品反演方法及系统，以提高LAI产品的精度。

（二）技术方案

为解决上述技术问题，本发明提供一种全球陆表的LAI产品反演方法，其包括步骤：

S100：对所述MODIS地表反射率数据和AVHRR地表反射率数据进行剔除雪和云的反射率数据的预处理，对MODIS LAI数据和CYCLOPES LAI数据进行平滑处理；

S200：将平滑处理后的所述CYCLOPES LAI数据转化为CYCLOPES LAI真实数据；

S300：融合所述CYCLOPES LAI真实数据和平滑处理后的所述MODIS LAI数据，得到融合LAI数据；

S400：利用所述融合LAI数据、预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据，构造训练数据集，根据所述训练数据集以及所述MODIS地表分类数据训练得到神经网络；

S500：根据预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据、所述MODIS地表分类数据，以及所述神经网络进行反演，得到全球陆表的LAI产品；

所述步骤S100中对MODIS LAI数据和CYCLOPES LAI数据进行平滑处理具体包括步骤：

S101：使用自适应时间维和空间维滤波方法对所述MODIS LAI数据和CYCLOPES LAI数据进行滤波和剔除噪声处理；

S102：对经过滤波和剔除噪声处理后的MODIS LAI数据和CYCLOPES LAI数据中缺失的LAI数据进行补充；

所述步骤S300中通过下面的公式融合所述CYCLOPES LAI真实数据和平滑处理后的所述MODIS LAI数据，得到融合LAI数据LAI_modcyc：

LAI_modcyc=w_modLAI_mod+w_cycLAI^* _cyc；

其中，LAI_mod为平滑处理后的所述MODIS LAI数据，w_mod为该数据的融合权重；LAI^* _cyc为所述CYCLOPES LAI真实数据，w_cyc为该数据的融合权重；w_mod+w_cyc=1。

优选地，在所述步骤S100之前还包括步骤S000：将所述MODIS（中分辨率成像光谱仪）地表反射率数据、所述AVHRR（一种卫星探测仪器）地表反射率数据、所述MODIS LAI（叶面积指数）数据、所述CYCLOPES（基克洛普斯，一个项目的名称）LAI数据和所述MODIS地表分类数据输入系统；

优选地，在所述步骤S500后还包括步骤S600：基于不变目标，对长时间序列的所述全球陆表的LAI产品进行一致性检验和标准化处理，得到长时间序列的全球陆表的LAI产品。

优选地，所述步骤S200之后还包括步骤S201：使用线性插值方法对所述CYCLOPES LAI真实数据进行插值处理。

优选地，所述w_mod和w_cyc的取值根据地面测量LAI数据确定。

优选地，所述步骤S400中训练得到所述神经网络之前还包括步骤S401：对所述训练数据集进行归一化处理。

本发明还提供一种实施权利要求1-6任意一项所述全球陆表的LAI产品反演方法的系统，所述系统包括：

数据输入模块，用于接收用户输入的MODIS地表反射率数据、AVHRR地表反射率数据、MODIS LAI数据、CYCLOPES LAI数据和MODIS地表分类数据；

数据处理模块，用于对所述MODIS地表反射率数据和AVHRR地表反射率数据进行剔除雪和云的反射率数据的预处理，对MODIS LAI数据和CYCLOPES LAI数据进行平滑处理，以及将平滑处理后的所述CYCLOPES LAI数据转化为CYCLOPES LAI真实数据；

数据融合模块，用于融合所述CYCLOPES LAI真实数据和平滑处理后的所述MODIS LAI数据，得到融合LAI数据；

神经网络模块，用于利用所述融合LAI数据、预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据，构造训练数据集，根据所述训练数据集以及所述MODIS地表分类数据训练得到神经网络；

反演模块，用于根据预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据、所述MODIS地表分类数据，以及所述神经网络进行反演，得到全球陆表的LAI产品。

优选地，所述系统还包括LAI产品优化模块，用于基于不变目标，对长时间序列的所述全球陆表的LAI产品进行一致性检验和标准化处理，得到长时间序列的全球陆表的LAI产品。

（三）有益效果

本发明的全球陆表的LAI产品反演方法及系统，通过数据预处理剔除雪和云的干扰，融合多种LAI数据，结合神经网络反演技术，提高了LAI产品的精度，并且通过一致性检验和标准化处理，获得了长时间序列的全球陆表的LAI产品。

附图说明

图1是本发明的实施例所述全球陆表的LAI产品反演方法流程图；

图2是MODIS地表反射率数据预处理前后的比较示意图；

图3是LAI有效数据和LAI真实数据之间的线性回归关系图；

图4是不同地类的CYCLOPES LAI数据转换为CYCLOPES LAI真实数据前后的对比示意图；

图5是不同地类的CYCLOPES LAI数据、CYCLOPES LAI真实数据与地面测量数据之间的对比示意图；

图6是融合权重示意图；

图7是作物类4个不同像元点上LAI产品的反演结果示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1是本发明的实施例所述全球陆表的LAI产品反演方法流程图。如图1所示，该方法包括步骤：

S000：将MODIS地表反射率数据、AVHRR地表反射率数据、MODIS LAI数据、CYCLOPES LAI数据和MODIS地表分类数据输入系统。所述MODIS地表反射率数据为2000-2010年MODIS地表反射率数据：MOD09A1（产品名称），时间分辨率为8天，空间分辨率为1km。所述AVHRR地表反射率数据为1985-2000年AVHRR地表反射率数据：AVH09C1（产品名称），全球每天一景，全空间分辨率为5km。所述MODIS地表分类数据，根据地表的地物类型将全球地表分为以下6类：water body(水体)；crops(农作物)；grasses(草地)；Broadleaf Forests(阔叶林)；Needle Forests(针叶林)；bare surface(裸地)。除水体外，本发明方法可以针对每种地表类型，分别进行反演得到相应的LAI产品。

S100：对所述MODIS地表反射率数据和AVHRR地表反射率数据进行剔除雪和云的反射率数据的预处理，对MODIS LAI数据和CYCLOPES LAI数据进行平滑处理。

分析全球每天的遥感图像，全球平均70%以上地区都被云覆盖；云覆盖存在时间上的长期性、季节性、多变性；同时，云覆盖带来了云影的存在；中高纬度地区存在大量的可溶性雪，云和雪又存在较大相似性。因此，遥感数据所反映的地表反射率和反照率往往受到干扰，从而很难精确地反映出地表特征参量产品的变化规律。为了减小雪和云的反射率造成的LAI反演方法的不稳定性，有必要对地表反射率进行质量检测，剔除雪和云的反射率，并利用插值方法对缺失的反射率进行填充，形成时空一致的地表反射率数据。这些预处理后的反射率数据将作为LAI反演方法的输入数据，用于反演相应的LAI。

针对MODIS地表反射率数据和AVHRR地表反射率数据的特征，我们综合运用了原始数据已有的内部云、雪、云影标识和多种时空谱结合的辅助手段，来达到对云、雪和云影的检测。这些手段包括地物光谱在时间和空间上的连续性和相关性特征、光谱特征、NDVI（Normalized Difference Vegetation Index，归一化植被指数）、NDSI（Normalized Difference Snow Index，归一化雪被指数）、地理信息等。

下面以MODIS地表反射率数据为例说明我们的方法，基于MODIS已有的云、雪、云影标识，以MODIS标识的好数据作为训练样本，以相关系数和相似系数作为主要的异常检验方法，以分类方法识别云和雪，采用多种时空插值滤波方法来填充和滤波时间和空间缺失的像元和噪声，具体步骤如下：

（1）异常检测

同一类地物的光谱在时间和空间上存在连续性和相关性特性，而云、雪和云影等异常往往破坏这种连续性和相关性。

本发明采用相关系数和光谱角度来反映地物光谱在时间和空间上的连续性和相关性。设x和y分别为MODIS地表反射率数据相邻像元的不同波段反射光谱值，μ_x和μ_y分别为x和y的均值，

光谱角度: $\mathrm{\θ}=\mathrm{ar}\cos \frac{x^{T}y}{\left|\right|x\left|\right|\left|\right|y\left|\right|}$

相关系数: $r_{\mathrm{xy}}=\frac{{(x-{\mathrm{\μ}}_x)}^T(y-{\mathrm{\μ}}_y)}{\left|\right|x-{\mathrm{\μ}}_x\left|\right|\left|\right|y-{\mathrm{\μ}}_y\left|\right|}$

（2）初步筛选和检漏

根据MODIS已有的云雪等标识结合其他手段初步筛选出正确数据，然后基于初步正确数据，利用相关系数和相似系数手段，对该初步正确数据内部进行检验，使用0-0.9的相关系数阈值，0-0.98的光谱相似系数阈值，识别漏检的云，获得新的正确数据。

（3）识别错检

基于新的正确数据，利用相关系数和光谱角度手段，对其他数据内部进行检验，使用0.9-1的相关系数阈值，0.98-1的光谱相似系数阈值，识别错检的云，获得新的正确数据。

（4）建立训练样本

将已识别得到的云和雪作为训练样本，建立云和雪两类数据，利用训练样本，对无法识别的异常数据分类，在云和雪标识中，某些像元可能既标成雪，又标成云，同时某些云数据被错标为雪，某些雪数据被错标为云。正确区分云和雪的步骤如下：

●基于地理位置、时间和NDSI，如果NDSI>0.5，且地理位置和时间符合下雪条件的，标为纯雪；

●如果0.4<NDSI<0.5，则根据已有云雪标识的像元作为训练样本，建立云和雪两类。根据训练结果，利用最大似然法对无法识别的云和雪分类；

●对于NDSI<0.4，因为有可能是云，有可能是云和雪的混合，则都判为云。

（5）时空滤波

通过时空插值滤波的方式来填充在长时间序列中缺失的像元（由于接收处理失败或数据质量可能存在问题，会缺少某一天或几天的数据）和空间上异常的像元，具体为：利用一年时间序列内的数据，根据同一类地物光谱在时间和空间上的连续性和相关性特性，采用多项式拟合的方法进行填充插值。

图2是MODIS地表反射率数据预处理前后的比较示意图。如图2所示，横坐标是2001年中的天数，纵坐标是波段1和波段2的MODIS地表反射率，预处理后的MODIS地表反射率数据（即图2中MODIS预处理后对应曲线）比预处理前的MODIS地表反射率数据（即图2中MODIS预处理前对应曲线）更为平滑，更符合实际情况。

所述平滑处理是指利用自适应时间维和空间维滤波方法对MODIS LAI数据和CYCLOPES LAI数据进行平滑处理，剔除噪声，并对缺失的LAI数据进行补充，得到相对比较平滑的MODIS LAI数据和CYCLOPES LAI数据。

S200：将平滑处理后的所述CYCLOPES LAI数据转化为CYCLOPES LAI真实数据。

从遥感数据中反演LAI数据时，由于反演算法不同，反演结果也有LAI有效数据和LAI真实数据的差别。因此，在融合不同传感器的LAI数据，以及利用地面测量数据对遥感数据进行分析验证时，都有必要建立LAI有效数据和LAI真实数据之间的相互转换关系，并把LAI有效数据转换为LAI真实数据。

CYCLOPES LAI数据是一种LAI有效数据，本发明方法利用聚集指数将其转换为LAI真实数据。采用MODIS的地表分类产品作为辅助数据，将2400×2400的MCD12Q1Type3地表分类数据重采样为1200×1200，得到空间分辨率1km的地表分类数据。结合MODIS1km分辨率的地表分类数据集，统计各地类纯像元的聚集指数的均值，得到如下表1的纯像元聚集指数均值，然后利用该纯像元聚集指数均值，按地表类型将CYCLOPES LAI数据转换为CYCLOPES LAI真实数据。图4是不同地类的CYCLOPES LAI数据转换为CYCLOPES LAI真实数据前后的对比示意图。如图4所示，转换后得到的CYCLOPES LAI真实数据比CYCLOPES LAI数据的连续性更好。

表1纯像元聚集指数均值

所述步骤S200中还包括将仪器测量的LAI有效数据转换为LAI真实数据的步骤。本发明方法，收集了全球范围各种植被类型的LAI地面测量数据，收集整理了现有的LAI有效数据和LAI真实数据，针对不同植被类型，建立LAI有效数据和LAI真实数据之间的线性回归模型。图3是LAI有效数据（即图3中LAI有效值）和LAI真实数据（即图3中LAI真实值）之间的线性回归关系图。如图3所示，对于作物、草地、阔叶林和针叶林四周地表类型，LAI真实数据总体上大于LAI有效数据。利用该关系模型将AccuPAR、LAI-2000等仪器测量的LAI有效数据转换为LAI真实数据。

图5是不同地类的CYCLOPES LAI数据、CYCLOPES LAI真实数据与地面测量数据（即上述根据仪器测量的LAI有效数据转换后得到的LAI真实数据）之间的对比示意图。如图5所示，总的来说，CYCLOPES LAI数据较多的处于第一象限平分线的下方，即小于地面测量数据；转换后的CYCLOPES LAI真实数据也总体上小于地面测量数据，但相对靠近第一象限平分线，即更加接近于地面测量数据。

S300：融合所述CYCLOPES LAI真实数据和平滑处理后的所述MODIS LAI数据，得到融合LAI数据。

通过下面的公式融合所述CYCLOPES LAI真实数据和平滑处理后的所述MODIS LAI数据，得到融合LAI数据LAI_modcyc：

LAI_modcyc=w_modLAI_mod+w_cycLAI^* _cyc；

其中，LAI_mod为平滑处理后的所述MODIS LAI数据，w_mod为该数据的融合权重；LAI^* _cyc为所述CYCLOPES LAI真实数据，w_cyc为该数据的融合权重；w_mod+w_cyc=1。所述w_mod和w_cyc的取值根据所述地面测量数据确定。基于所述地面测量数据，按地类分别确定MODIS LAI数据与地面测量LAI数据以及CYCLOPES LAI数据与地面测量LAI数据之间的回归关系。图6是融合权重示意图，如图6所示，l_mod和l_cyc分别表示MODIS LAI数据和CYCLOPES LAI数据与地面测量数据之间的回归线方程。对每一像元点，d_mod和d_cyc分别表示对应的MODIS LAI数据和CYCLOPES LAI数据与1:1线（即图6中的Y=X直线）之间的距离，d_1:1表示1:1线上相应点距离横坐标轴的距离。

根据距离大小W_mod=f_mod/(f_mod+f_cyc)

W_cyc＝f_cyc/(f_mod+f_cyc)            (2)

其中，f_mod=1-d_mod/d_1:1，f_cyc=1-d_cyc/d_1:1。

S400：利用所述融合LAI数据、预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据，构造训练数据集，根据所述训练数据集以及所述MODIS地表分类数据训练得到神经网络。

BELMANIP(Benchmark Land Multisite Analysis andIntercomparison of Products，国际卫星对地观测委员会组织的多地面观测站点的集合平台)包含了全球范围402个地面验证站点，对不同植被类型，这些站点都具有一定的代表性。选取BELMANIP站点2000－2003年预处理后的MODIS地表反射率数据和MODIS与CYCLOPESLAI产品融合后的LAI数据作为训练样本。为取得比较好的预测效果，在训练神经网络之前，利用下式对训练样本数据进行归一化处理。

X_norm=2.0×(X-X_min)/(X-X_max)-1

其中，X_max和X_min分别为训练数据集中所有训练样本数据X中的最大值和最小值。

S500：根据预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据、所述MODIS地表分类数据，以及所述神经网络进行反演，得到全球陆表的LAI产品。

针对MODIS09A1数据，将预处理后的MODIS098天地表反射率数据作为输入数据，利用训练好的神经网络反演2000年－2010年的全球陆表8天时间分辨率、1公里空间分辨率LAI产品。

针对AVHRR数据，将预处理后的AVHRR地表反射率数据作为输入数据，生产1985年－1999年的全球陆表8天时间分辨率、5公里空间分辨率LAI产品。

选择2009年MODIS h11v05的数据对反演算法进行测试，地表植被类型主要为作物。图7是作物类4个不同像元点上LAI产品的反演结果示意图。如图7所示，总的来说，利用本发明的反演方法得到的反演处理后的数据与MODIS LAI具有一致的季节变化趋势，反演处理后的数据相对比较平滑，在时间序列上的变化具有很好的连续性，而MODIS LAI上下波动剧烈，尤其是在生长季节，反演结果与MODISLAI吻合较好。结果表明，本发明方法可以反演得到时间序列上平滑连续、精度相对较高的LAI产品，能够满足地球系统科学与应用研究的需要。

S600：基于不变目标，对长时间序列的所述全球陆表的LAI产品进行一致性检验和标准化处理，得到长时间序列的全球陆表的LAI产品。

针对1985年至1999年使用AVHRR数据获得的LAI产品和2000年至2010上使用MODIS数据获得的LAI产品，在全球选择大的不变目标作为比较对象，分析26年长时间序列LAI数据变化规律，进行一致性校正，减少1999年至2000年可能由于不同输入数据引起的LAI数据的不一致性连续性。如果发现数据存在异常变化，则进行线性优化处理，最终得到高精度，并且具有一致性的长时间序列LAI产品。

对应上述方法的一种全球陆表的LAI产品反演系统，其包括：

数据输入模块，用于接收用户输入的MODIS地表反射率数据、AVHRR地表反射率数据、MODIS LAI数据、CYCLOPES LAI数据和MODIS地表分类数据；

数据处理模块，用于对所述MODIS地表反射率数据和AVHRR地表反射率数据进行剔除雪和云的反射率数据的预处理，对MODIS LAI数据和CYCLOPES LAI数据进行平滑处理，以及将平滑处理后的所述CYCLOPES LAI数据转化为CYCLOPES LAI真实数据；

数据融合模块，用于融合所述CYCLOPES LAI真实数据和平滑处理后的所述MODIS LAI数据，得到融合LAI数据；

神经网络模块，用于利用所述融合LAI数据、预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据，构造训练数据集，根据所述训练数据集以及所述MODIS地表分类数据训练得到神经网络；

反演模块，用于根据预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据、所述MODIS地表分类数据，以及所述神经网络进行反演，得到全球陆表的LAI产品。

LAI产品优化模块，用于基于不变目标，对长时间序列的所述全球陆表的LAI产品进行一致性检验和标准化处理，得到长时间序列的全球陆表的LAI产品。

本发明实施例所述全球陆表的LAI产品反演方法及系统，通过数据预处理剔除雪和云的干扰，融合多种LAI数据，结合神经网络反演技术，提高了LAI产品的精度，并且通过一致性检验和标准化处理，获得了长时间序列的全球陆表的LAI产品。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (6)

1.一种全球陆表的LAI产品反演方法，其特征在于，包括步骤：

S100：对MODIS地表反射率数据和AVHRR地表反射率数据进行剔除雪和云的反射率数据的预处理，对MODIS LAI数据和CYCLOPES LAI数据进行平滑处理；

S200：将平滑处理后的所述CYCLOPES LAI数据转化为CYCLOPES LAI真实数据；

S300：融合所述CYCLOPES LAI真实数据和平滑处理后的所述MODIS LAI数据，得到融合LAI数据；

S400：利用所述融合LAI数据、预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据，构造训练数据集，根据所述训练数据集以及MODIS地表分类数据训练得到神经网络；

S500：根据预处理后的所述MODIS地表反射率数据和AVHRR地表反射率数据、所述MODIS地表分类数据，以及所述神经网络进行反演，得到全球陆表的LAI产品；

所述步骤S100中对MODIS地表反射率数据进行剔除雪和云的反射率数据的预处理具体包括：

根据同一类地物的光谱在时间和空间上的连续性和相关性特性，对MODIS已有的云、雪、云影标识进行异常检测；

根据所述MODIS已有的云、雪、云影标识进行初步筛选得到正确数据，对所述正确数据内部进行检验，使用0-0.9的相关系数阈值，0-0.98的光谱相似系数阈值，识别漏检的云，获得新的正确数据；

基于所述新的正确数据，对所述新的正确数据之外的数据内部进行检验，使用0.9-1的相关系数阈值，0.98-1的光谱相似系数阈值，识别错检的云；

将已识别得到的云和雪作为训练样本，建立云和雪两类数据，利用训练样本，对无法识别的异常数据分类，包括在云和雪标识中既能标成雪又能标成云的数据、云数据被标错成雪的数据以及雪数据被标错成云的数据；

通过时空插值滤波的方式来填充在长时间序列中缺失的像元和空间上异常的像元；

所述步骤S100中对MODIS LAI数据和CYCLOPES LAI数据进行平滑处理具体包括步骤：

S101：使用自适应时间维和空间维滤波方法对所述MODIS LAI数据和CYCLOPES LAI数据进行滤波和剔除噪声处理；

S102：对经过滤波和剔除噪声处理后的MODIS LAI数据和CYCLOPES LAI数据中缺失的LAI数据进行补充；

所述步骤S300中通过下面的公式融合所述CYCLOPES LAI真实数据和平滑处理后的所述MODIS LAI数据，得到融合LAI数据LAI_modcyc：

LAI_modcyc＝w_modLAI_mod+w_cycLAI^* _cyc；

其中，LAI_mod为平滑处理后的所述MODIS LAI数据，w_mod为该数据的融合权重；LAI^* _cyc为所述CYCLOPES LAI真实数据，w_cyc为该数据的融合权重；w_mod+w_cyc＝1；

其中所述时空插值滤波的方式具体为：利用一年时间序列内的数据，根据同一类地物光谱在时间和空间上的连续性和相关性特性，采用多项式拟合的方法进行填充插值。

2.如权利要求1所述的方法，其特征在于，在所述步骤S100前还包括步骤S000：输入所述MODIS地表反射率数据、所述AVHRR地表反射率数据、所述MODIS LAI数据、所述CYCLOPES LAI数据和所述MODIS地表分类数据。

3.如权利要求1所述的方法，其特征在于，在所述步骤S500后还包括步骤S600：基于不变目标，对长时间序列的所述全球陆表的LAI产品进行一致性检验和标准化处理，得到长时间序列的全球陆表的LAI产品。

4.如权利要求1所述的方法，其特征在于，所述步骤S200之后、步骤S300之前还包括步骤S201：使用线性插值方法对所述CYCLOPES LAI真实数据进行插值处理。

5.如权利要求1所述的方法，其特征在于，所述w_mod和w_cyc的取值根据地面测量LAI数据确定。

6.如权利要求1所述的方法，其特征在于，所述步骤S300之后、步骤S400中训练得到所述神经网络之前还包括步骤S401：对所述训练数据集进行归一化处理。