引言
随着日益加剧的气候变化和人类活动，我国干旱发生的强度和频次都有增加趋势。区域水资源供需矛盾的增加，对陆地生态系统的影响尤其严峻（张更喜等，2019）。植被是陆地生态系统的重要组成部分（Zheng et al.， 2020），它在涵养水源、保持水土、调节气候等方面有着重要作用（庞家泰等，2021）。气候变化背景下，植被的光合、呼吸与蒸腾作用等过程受气候要素制约日趋增强（丁海勇和丁昕玮，2020；孙康慧等，2021）；同时，植被通过陆-气交换过程对区域气候起反馈作用（Piao et al.，2008；Dong et al.，2016）。因此，理解二者之间相互关系已成为气候变化影响评估领域的热点问题。
遥感技术是目前监测区域尺度植被动态变化最有效的工具之一（李茂华等，2020；王玲玲等，2021），归一化植被指数（Normalized Difference Vegetation Index， NDVI）常被用来监测区域植被的动态变化（马守存等，2018；覃巧婷等，2021）。然而，NDVI在物理意义上尚不能直接代表植被结构参数（王志慧等，2017），而植被叶面积指数（Leaf Area Index， LAI）正逐步应用于植被的遥感监测，它是单位面积上植物叶片总面积与土地面积的比值（Chen and Black，1992；段利民等，2019），反映植物叶面数量和冠层结构，能为植物冠层表面物质和能量交换的描述提供结构化的定量信息（Richardson et al.，2011；Casa et al.，2012）。LAI不仅是重要的植被生物物理参数（Qiao et al.，2020），同时也是陆地生态、水文等模型不可或缺的植被参数（Fang et al.，2019；李广超等，2021），监测植被LAI动态变化并研究其对气候变化的响应具有重要意义（杨正兰等，2021）。目前，已有多种基于不同卫星遥感数据源和反演方法生成的LAI产品，如AVHRR LAI、GLASS LAI（Xiao et al.，2013）及GlobMap LAI（Liu et al.，2012）等，这些数据产品正应用于不同区域植被的诊断分析（Li and Guo， 2013；梁博毅等，2016；朱迪恩等，2018；张浔浔等，2021）。其中全球陆表特征参量卫星叶面积指数（GLASS LAI）数据集采用广义回归神经网络（GRNNs）算法，将AVHRR LAI和MODIS LAI数据进行融合，相比于其他LAI产品具有更好的空间和时间序列完整性（Fang et al.，2013；Xiao et al.，2017；刘远和周买春，2018）。
华东地区的气候、土壤和植被类型多样，导致植被对气候的响应强弱不均（闫立沙，2011；崔林丽和史军，2012）。研究发现，华东中南部夏季极端高温次数偏多时，江苏东部地区的植被覆盖率偏低，而山东中部和江西西南及西北部则偏高（葛非凡等，2017）；华东北部植被与降水关系密切，而华东南部植被变化与降水及气温的关系较北部弱（崔林丽等，2016）；暴雨对江苏北部和山东地区的NDVI有明显抑制作用（李建国等，2020）。在高植被覆盖的华东区域，NDVI往往存在饱和现象（郭铌和王小平，2015），LAI更能反映地表植被变化的真实情况。目前该地区基于GLASS LAI数据集的研究尚少且时间跨度短，另外以往研究大多针对年平均叶面积指数的变化进行分析，结合反映植被最大光合能力的年最大叶面积指数变化特征的研究尚不多见。为此，本文基于1982—2016年GLASS LAI遥感数据，开展华东地区年平均和年最大LAI的时空演变特征分析，并对主导二者变化的气候因子进行研究，以期进一步理解植被生态系统与气候变化的相互作用为气候变暖背景下华东地区的水土保持提供科学参考。
1 数据与方法
1.1 研究区概况
华东地区位于中国东部（113.54°E—122.71°E，24.46°N—38.24°N），包括山东、江苏、安徽、江西、浙江、福建、台湾7省和上海市，因台湾省无资料，本文研究区域不包含台湾省。研究区总面积83.43×104 km2，地貌主要为平原和丘陵，淮河以北为温带季风气候，以南为亚热带季风气候，植被类型多样，区域植被变化对气候的响应较为复杂。研究区海拔与植被类型分布见图1。
图1
图1
研究区海拔（a）和主要植被类型（b）分布
Fig.1
The spatial distribution of elevation （a） and main vegetation types （b） in study area
1.2 数据
1982—2016年LAI数据产品来源于GLASS遥感数据集（Xiao et al.，2016），空间分辨率为0.05°，时间分辨率为8 d。植被类型数据来源于中国科学院地理科学与资源研究所资源环境科学与数据中心（https://www.resdc.cn/），对植被类型进行同类合并后，形成森林、草地、农田3大类。研究区79个国家级气象站的逐日气温、降水和太阳辐射数据来源于国家气象科学数据中心（https://data.cma.cn/），将逐日资料处理得到1982—2016年逐年平均气温、降水量与太阳辐射数据。采用Kriging空间插值处理，得到与植被LAI相同空间分辨率的气象要素数据。
文中涉及地图的底图基于自然资源部标准地图服务网站（http://bzdt.ch.mnr.gov.cn）下载的标准地图制作，审图号为GS（2019）1822号，底图无修改。
1.3 研究方法
（1）年平均和年最大LAI序列的构建方法
为描述植被年际变化特征，构建年平均和年最大LAI两种指标。其中，年平均LAI代表年内植被生长平均状况，年最大LAI代表年内植被最佳生长状况。先利用最大值合成法得到逐月LAI，再计算年平均LAI，得到逐年年平均LAI序列；提取每年LAI数据序列中最大值，得到逐年的年最大LAI序列。
（2）线性趋势分析
采用一元线性回归分析方法，研究LAI序列的变化趋势。若LAI时间序列t检验显著性水平p<0.05，则认为该变化趋势显著。
（3）偏相关分析
为准确探究气温、降水及太阳辐射对植被LAI的影响，采用偏相关方法（王志慧等，2017）进行分析，该方法能较好地剔除其他因子影响，只考虑单一气候因子与植被的关系。
2 结果与分析
2.1 植被LAI的空间分布
图2是1982—2016年华东地区植被年平均和年最大LAI的近35 a平均值空间分布可以看出，两者均呈现出由北向南递增的特征，不同地区LAI差异较大。年平均LAI的多年均值为0.05~7.20，高值区主要位于浙江—福建一带，江淮以北地区较低；年最大LAI的多年均值为0.04~8.60，高值区分布与年平均LAI相似，主要集中在福建、浙江及江西部分地区。与年平均LAI相比，北部的山东及江苏和安徽北部年最大LAI值也较高，这些地区主要植被类型为农田，农作物生长最旺盛阶段的植被覆盖度大，叶面积指数高。
图2
图2
1982—2016华东地区植被年平均（a）和年最大（b）LAI的35 a平均值空间分布
Fig.2
Spatial distribution of 35 a average of annual mean （a） and annual maximum （b） LAI in East China from 1982 to 2016
2.2 植被LAI的变化趋势分布
图3
图3
1982—2016年华东地区年平均LAI（a、b）与年最大LAI（c、d）变化趋势（a、c）及显著性检验（b、d）（p<0.05）
Fig.3
The variation trend （a， c） and significance test （b， d） of annual mean LAI （a， b） and annual maximum LAI （c， d） in East China from 1982 to 2016 （p<0.05）
结合年平均和年最大LAI来看，华东地区植被活动总体表现出增强趋势，年最大LAI增幅明显高于年平均LAI且二者的变化趋势存在空间差异，福建、浙江的部分地区年平均LAI表现出增强趋势，但年最大LAI呈下降趋势。总体而言，研究区北部植被覆盖虽相对较低，但上升趋势明显，且年最大LAI的增加速率高于年平均LAI。山东、安徽和江苏北部地区年最大LAI增加明显，这是由于这些地区主要为农田，近30多a来受农作物种植结构、农业种植技术等因素影响，使得农田区的LAI增大。研究区南部植被覆盖虽然较高，却部分区域呈下降趋势。江苏南部及浙江北部的长三角地区年平均和年最大LAI均显著下降，主要是改革开放以来这些地区经济发展迅速，城镇、工业园区、物流中心等的建设，人口迅速扩张，导致土地类型发生变化所致。闽赣交界处年平均和年最大LAI均出现显著下降趋势，可能是该地区以山地丘陵为主，近几十年来极端降水显著增加（曾颖婷和陆尔，2015），强降水导致滑坡、泥石流灾害增加，使得这些地区植被遭受破坏，从而导致LAI下降。
2.3 植被LAI的年际变化及趋势
从时间变化上看，1982—2016年华东地区年平均及年最大LAI均呈波动上升趋势（图4）。年平均LAI的增加速率为每年0.007 9（p<0.05），最小值出现在2000年（1.88），最大值出现在2015年（2.41）；年最大LAI的增加趋势强于年平均LAI，线性增加率为每年0.022 6（p<0.05），最小、最大值出现在1996年和2015年，分别为2.86和4.03。
图4
图4
1982—2016年华东地区年平均LAI及年最大LAI逐年变化及趋势
Fig.4
Yearly variation and trend of annual mean LAI and annual maximum LAI in East China from 1982 to 2016
表1 华东地区不同类型植被年平均和年最大LAI的35 a均值及变化趋势
Tab.1
| 植被类型 | 年平均LAI | 年最大LAI | ||
|---|---|---|---|---|
| 均值 | 趋势/a-1 | 均值 | 趋势/a-1 | |
| 森林 | 3.04 | 0.005 5 | 4.15 | 0.010 8 |
| 草地 | 1.27 | 0.008 8 | 2.51 | 0.029 9 |
| 农田 | 1.17 | 0.010 2 | 2.51 | 0.032 6 |
2.4 植被LAI变化与气候因子的关系
为了定量分析植被对气候要素变化的响应特征，对1982—2016年年平均和年最大LAI分别与年平均气温、降水量和太阳辐射做偏相关分析及显著性检验。分析发现，研究区83.6%的区域年平均LAI与年平均气温呈负相关，但仅约1.2%的区域通过p<0.05的显著性检验，零星分布在江苏及福建西部地区；有16.4%的区域年平均LAI与年平均气温呈正相关，均通过p<0.05的显著性检验。从年平均LAI与年降水量的偏相关分析看，83.5%的区域年平均LAI与年降水呈负相关，但仅0.6%的区域负相关显著（p<0.05），而16.5%的区域则表现为显著正相关（p<0.05），主要分布在山东中北部及浙江中部。由年平均LAI与年太阳辐射的偏相关分析可知，研究区约88.2%的区域二者呈负相关，仅1.7%的区域通过显著性检验，零星分布在江苏—浙江—福建一带，而11.8%的区域则表现为显著正相关（p<0.05），主要分布在山东及安徽中部。
研究区约75.0%的区域年最大LAI与气温呈负相关，仅4.4%的区域为显著负相关（p<0.05），主要分布在福建西部，而25.0%的区域表现为显著正相关（p<0.05），主要集中在研究区西部；约91.2%的区域年最大LAI与年降水量呈负相关，通过显著性检验的负相关区域约占总面积的0.8%，主要分布在江苏中部地区，而约8.8%的区域呈显著正相关（p<0.05），主要分布在山东及浙江中部；研究区有93.0%的区域年最大LAI与年太阳辐射呈负相关，其中通过显著性检验（p<0.05）的区域约占总面积的2.2%，零星分布在江浙地区及福建北部，而7.0%的区域则表现为显著正相关（p<0.05），集中分布在安徽省。
为了探明不同气候因子对年平均和年最大LAI影响显著的区域分布，将年平均和年最大LAI与气温、降水量、太阳辐射的偏相关系数进行叠加，取各像元内年平均LAI或年最大LAI与3个气候要素的最大偏相关系数，得到华东地区植被LAI主导气候要素分布（图5）。可以看出，华东地区年平均LAI受温度影响显著的区域主要分布在福建东部、江西、山东西南部以及安徽西北部，面积占13.9%；13.9%的区域年平均LAI受降水影响最大，主要位于华东北部和中部；此外，约10.0%的区域年平均LAI受太阳辐射影响显著，主要分布在研究区中北部。对年最大LAI而言，约26.5%的区域主要受气温影响，分布在华东中南部的大部分地区；约7.4%的区域更依赖于降水，主要集中在山东中北部地区；主要受太阳辐射影响的区域占7.0%，分布在安徽东部地区。整体上，气温、降水与太阳辐射对研究区年平均LAI变化的贡献率相近，但气温对年最大LAI变化的影响最大。
图5
图5
华东地区年平均LAI（a）、年最大LAI（b）与气温、降水量和太阳辐射显著相关地区分布
（空白区域的偏相关系数未通过显著性检验）
Fig.5
The distribution of areas with annual mean LAI （a） and annual maximum LAI （b） being correlated significantly with temperature， precipitation and solar radiation in East China
（The partial correlation coefficient in the blank areas fails the significance test）
降水、气温和太阳辐射都是植被生长必不可少的因素，植被活动往往是三者共同作用的结果，不同种类植被对水光热组合的响应不同。研究区部分区域的LAI与3个气候因子均表现为弱相关关系，说明该地区植被活动的驱动因子复杂，是多因子共同影响的结果，LAI变化难以用单一的气候因子解释。
3 讨论
华东地区年平均和年最大LAI整体均呈上升趋势，只有中部及南部的部分地区呈下降趋势，表明研究区植被生长状况逐步改善，这与全国LAI的趋势分布结果相似，但华东地区年平均LAI的增加速率比全国（12.1±2.1×10-3/a）低近35%（桑宇星等，2020）。华东北部植被覆盖相对较低，但上升趋势明显，而南部地区植被覆盖虽然较高，却有部分地区呈下降趋势。近年来沿海地区，尤其是长江三角洲区域的城市化进程及经济发展迅猛，土地利用变化等人为因素是导致区域内植被活力下降的原因之一。
华东地区包含半湿润区与湿润区，各地区植被活动的主导气象因子表现出明显的地域差异。华东北部属暖温带半湿润气候区，年平均与年最大LAI主要受降水制约，该地区光照条件好，热量资源充足，农作物生长主要依赖自然降水，降水增加有利于土壤内部营养物质的吸收与运化，从而促进植物生长（Dong et al.， 2016）。华东南部为湿润区，降水已基本满足植被生长需求，当降水超过植被需求阈值时，植被对降水饱和响应，其他环境变量（如热量）对植被生长变得更为重要。因此，降水变化对植被生长影响相对较小（何勇等，2007；郭娇等，2013），而温度影响则更为显著。温度升高可以延长生长季，增加光合作用，从而使植被活动增强（Nemani et al.， 2003）。太阳辐射是影响中部地区植被生长的主要限制因子，苏皖地区是粮食主产区，低温寡照不利于作物光合作用，易使作物产量受损（Song et al.， 2019）。综合来看，温度、降水与太阳辐射对研究区年平均LAI变化的贡献率相近，但温度对年最大LAI变化的影响最大。值得注意的是，华东大部分地区年最大LAI与温度呈正相关，但在福建西部和江西部分地区年最大LAI与温度呈负相关，主要是这些地区夏季易出现高温，过度升温可能引起干旱，对植被生长产生抑制作用。同时，气温升高有时会超过植物生长的适宜温度，导致展叶所需的低温累积减少，不利于打破叶片休眠，危害植物生长（孙康慧等，2021）。
本研究初步分析了年平均和年最大LAI的时空变化特征及其主导气候因子，不可否认的是，遥感LAI数据受地表反射率影响较大，使得GLASS LAI产品具有一定的不确定性，未来将集成多源遥感数据做进一步分析。此外，一些人类活动，如城市化、氮沉降等也是影响植被变化的重要因素，受资料限制，目前暂未考虑这部分因素的影响，后续将进一步扩展本研究工作。
4 结论
基于1982—2016年GLASS LAI、温度、降水量、太阳辐射等数据，对华东地区年平均和年最大LAI的时空变化进行分析，并探究其主导气候因子。结论如下：
（1）华东地区年平均和年最大LAI整体空间分布相似，呈现由北向南递增的格局。近35 a二者均呈波动上升趋势，增加率分别为每年0.007 9和0.022 6。
（2）华东地区年平均和年最大LAI分别约有78.4%和79.0%的区域呈现增加趋势，二者变化趋势的空间分布相似，显著增加的地区主要集中在山东、安徽北部以及福建东部，但浙江北部到江苏南部一带表现出显著下降趋势。
（3）不同地区植被变化的主要气候影响因子存在差异，温度、降水与太阳辐射对研究区年平均LAI变化的贡献率相近，但温度对年最大LAI变化的影响最大。
参考文献
中国东南部植被NPP的时空格局变化及其与气候的关系研究
[J].
基于2001~2010年MOD17A3年均NPP数据和气象站点气温、降水资料,利用GIS空间分析技术和数理统计方法研究中国东南部植被NPP的时空格局、动态变化及与气候要素的关系。结果表明,中国东南部植被年均NPP总体上呈现从南到北、由东至西逐渐减少的分布,不同植被类型的NPP存在明显差异,以常绿阔叶林最高,落叶针叶林最低。2001~2010年间,植被NPP整体上略有减少。空间上植被NPP在南部地区明显减少,而在北部地区明显增加。植被NPP与降水和气温的相关性均表现出明显的地域差异。
中国华东及其周边地区NDVI对气温和降水的季节响应
[J].地表植被与大气的相互作用过程是地球科学领域的研究重点和热点。本文基于SPOT VGT-NDVI数据和气象站点的气温和降水资料,采用时滞相关分析法,研究了1998年-2011年我国华东及其周边地区四季NDVI对气温和降水的时空响应特征。结果表明,在整个研究区,气温对NDVI的影响大于降水,NDVI与气温在夏季和秋季相关性较高,与降水在秋季和春季相关性较高,冬季NDVI与气温和降水相关性都最低。NDVI对气温响应的滞后期在春季和秋季较短,对降水响应的滞后期在冬季较短,夏季NDVI对气温和降水响应的滞后期都较长。在冬季、春季和秋季,NDVI对气温和降水最大相关系数的空间分布在研究区的南北部差异不明显,在夏季则具有较明显的南北差异。NDVI对气温变化响应的滞后期在春季、夏季和秋季具有较明显的南北差异,对降水变化响应的滞后期除在夏季具有一定的南北差异外,在其他季节空间分布规律性不显著。
遥感干旱应用技术进展及面临的技术问题与发展机遇
[J].干旱是全球各地区普遍存在的一种气候现象，也是对人类社会影响最为严重的一种自然灾害。全球气候变化和社会发展加剧了干旱的影响程度，增强了干旱灾害的风险，给全球农业水资源生态环境安全以及社会可持续发展造成巨大威胁，提高干旱监测和早期预警技术水平是应对。管理干旱和减轻干旱脆弱性的基础。近30 a来随着全球对地观测技术的迅速发展，卫星遥感监测干旱技术取得很大进步，在全球干旱监测和早期预警中发挥着不可替代的作用但是，干旱是多学科交叉的复杂问题，其发展过程缓慢时间和空间表现特征差异很大，遥感监测干旱技术在应用中还存在许多技术问题，对抗旱防灾提供支撑的力度仍不够。本文在简要总结卫星遥感监测干旱应用技术的基础上，对各种指数(模型)应用中存在的问题进行评述，指出卫星遥感干旱监测面临的主要技术问题和未来发展机遇;针对我国卫星遥感干旱应用现状，提出了亟待解决的主要问题和应该努力的方向。
中国东部沿海地区暴雨对植被活动的影响
[J].构建1982~2015年的长时间序列NDVI（Normalized Difference Vegetation Index）数据集和收集190 个地面气象站点的降雨数据,运用空间数理统计方法在像元尺度上分析34 a来中国东部沿海地区暴雨灾害发生频率的变化与NDVI变化之间的关系。结果表明：1982~2015年中国东部沿海地区暴雨发生频率在0~13次/a,平均为2次/a。1982~2015年中国东部沿海地区总的暴雨发生次数在逐渐增加,主要集中在夏季。1982~2015年中国东部沿海地区NDVI均值为0.54,植被总体生长状态良好。NDVI分布呈明显的南高北低的空间特征,且总体表现为增加趋势,平均增加0.002/10a。1982~2015年中国东部沿海地区夏季暴雨灾害对NDVI具有明显的抑制作用。总体来看,暴雨灾害发生频率每增加1%,研究区植被NDVI将降低0.01%,但空间上表现为苏北和山东地区显著的抑制性,而河北与广东和广西北部表现为显著的促进作用。
1982—2015年全球植被变化及其与温度和降水的关系
[J].采用1982-2015年的GLASS-LAI (Global Land Surface Satellite-Leaf Area Index )遥感数据和CRU(Climatic Research Unit)气象数据,利用Mann-Kendall趋势法分析了过去34 a全球9种植被的叶面积指数(Leaf Area Index,LAI)时空变化特征;使用相关分析和逐步线性回归分别探讨了全球9种植被LAI与降水、温度的年际与月关系。结果表明：① 全球植被总体呈现绿化趋势,其中变化较大的是草原、稀树草原、常绿阔叶林和多树草原;在植被生长的绿化和褐化趋势中,面积占比最大的植被类型均为草原,说明草原生态系统易受环境因素的影响。② 从年际关系看,草原和开放灌丛的LAI与年均降水多呈正相关关系,而温度对不同纬度植被的LAI存在正负2种影响。其原因为温度升高对中低纬度的植被生长有抑制作用,而对高纬度地区植被生长有促进作用。③ 从年内关系看,南半球降水和温度共同作用于植被的生长;而北半球除常绿阔叶林的生长与温度关系更为紧密外,其它类型植被的生长主要受降水影响。④ 逐步线性回归结果表明,当月温度的升高对常绿阔叶林、混交林和农作物的生长具有促进作用,而多树草原和草原2种植被的生长受当月降水的影响最为显著。
1982—2013年黄河源区植被变化趋势及其对气候变化的响应
[J].基于1982—2013年GIMMS NDVI 3g数据集及黄河源区26个国家气象观测站同期气温与降水观测资料，利用趋势分析和相关分析方法，对黄河源区植被覆盖的时空变化特征及其驱动因子进行分析。结果表明：（1）黄河源区植被覆盖呈现从东南向西北递减的空间特征。近32 a来，黄河源区气温呈显著升高、降水则呈微弱增加的趋势，气候由干冷逐渐向暖湿化转变；植被覆盖呈现整体缓慢升高、局部退化的趋势，且“先增后降”的年代际变化特征明显。（2）1982—2013年，黄河源区生长季（5—9月）植被受气温和降水共同影响，植被最大NDVI与气温和降水有显著正相关关系。与降水相比，NDVI与气温的相关性更强，气温是影响黄河源区植被变化的主要气候因子，且随着海拔高度的升高影响越大。
Forcing a wheat crop model with LAI data to access agronomic variables: evaluation of the impact of model and LAI uncertainties and comparison with an empirical approach
[J].
Defining leaf area index for non-flat leaves
[J].
Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data
[J].
An overview of global leaf area index (LAI): methods, products, validation, and applications
[J].Leaf area index (LAI) is a critical vegetation structural variable and is essential in the feedback of vegetation to the climate system. The advancement of the global Earth Observation has enabled the development of global LAI products and boosted global Earth system modeling studies. This overview provides a comprehensive analysis of LAI field measurements and remote sensing estimation methods, the product validation methods and product uncertainties, and the application of LAI in global studies. First, the paper clarifies some definitions related to LAI and introduces methods to determine LAI from field measurements and remote sensing observations. After introducing some major global LAI products, progresses made in temporal compositing and prospects for future LAI estimation are analyzed. Subsequently, the overview discusses various LAI product validation schemes, uncertainties in global moderate resolution LAI products, and high resolution reference data. Finally, applications of LAI in global vegetation change, land surface modeling, and agricultural studies are presented. It is recommended that (1) continued efforts are taken to advance LAI estimation algorithms and provide high temporal and spatial resolution products from current and forthcoming missions; (2) further validation studies be conducted to address the inadequacy of current validation studies, especially for underrepresented regions and seasons; and (3) new research frontiers, such as machine learning algorithms, light detection and ranging technology, and unmanned aerial vehicles be pursued to broaden the production and application of LAI.
Characterization and intercomparison of global moderate resolution leaf area index (LAI) products: analysis of climatologies and theoretical uncertainties
[J].
Retrospective retrieval of long-term consistent global leaf area index (1981-2011) from combined AVHRR and MODIS data
[J].
Climate-driven increases in global terrestrial net primary production from 1982 to 1999
[J].
Net carbon dioxide losses of northern ecosystems in response to autumn warming
[J].
Application conditions and impact factors for various vegetation indices in constructing the LAI seasonal trajectory over different vegetation types
[J].
Leaf area index uncertainty estimates for model-data fusion applications
[J].
The influence of excess precipitation on winter wheat under climate change in China from 1961 to 2017
[J].
Evaluation of four long time-series global leaf area index products
[J].
Long-time-series global land surface satellite leaf area index product derived from MODIS and AVHRR surface reflectance
[J].
Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance
[J].
Improved estimate of global gross primary production for reproducing its long-term variation, 1982-2017
[J].
