叶面积指数（LAI）和叶片叶绿素含量（LCC）是表征植被冠层结构与生理功能的重要参数，在生态遥感与生态系统监测中具有重要意义。针对现有LAI和LCC多采用单独反演、易受模型简化和误差传导影响的问题，福建师范大学陈镜明院士团队基于Sentinel-2和Landsat-7/8影像，系统评估了不同物理模型和参数化策略对落叶阔叶林LAI与LCC协同反演精度的影响，并利用中国帽儿山生态站和美国NEON观测网络实测数据进行了验证。研究表明，传统模型中LAI与LCC反演存在明显误差补偿效应，而在5-Scale模型中引入非光合组分表征和先验知识约束后，可显著提高两参数的综合反演精度。所提出的5-Scale（F+PK）方案在LAI和LCC反演上整体优于Sentinel-2业务化算法SL2P，与SL2P-CCRS相比在LAI上达到相当精度、在LCC反演上优势更明显；同时，该方案还能有效降低Sentinel-2与Landsat反演结果之间的系统差异，为多源遥感数据融合和长时间序列产品构建提供了关键技术支撑。研究还表明，叶片尺度光谱动态表征对于准确捕捉物候变化具有重要作用。
相关成果以“Synergistic retrievals of leaf area index and leaf chlorophyll content in deciduous broadleaf forests from Sentinel-2 and Landsat”为题，发表在国际期刊《Remote Sensing of Environment》上。福建师范大学为第一完成单位，周昊强博士研究生为第一作者，许明珠讲师和陈镜明教授为共同通讯作者。研究得到国家自然科学基金（42201360、U23A2002、42471356）和福建省自然科学基金（2025J01646）资助。
论文链接：https://doi.org/10.1016/j.rse.2026.115382
图为示例落叶阔叶林站点实测与反演平均LAI（左列）和LCC（右列）的季节变化。反演LAI和LCC采用4种算法获得：PROSAIL (baseline) (a–b)、PROSAIL (FV+FS+PK) (c–d)、5-Scale (baseline) (e–f)和5-Scale (FS+PK) (g–h)。此外，还纳入两种开放获取算法SL2P和SL2P-CCRS进行对比。
