本研究是国家自然科学基金项目“基于GIS的流域空间水文过程的模拟与预测”的部分内容，目的是研究如何利用马尔科夫链反射率模型（MCRM）及人工神经网络（ANN）技术估算地表植被叶面积指数（LAI），为分布式水文模型提供参数。 LAI是生态系统研究重要的结构参数之一，它是估计多种植冠功能过程的重要参量；同时，LAI可为植冠表面最初能量交换的描述提供结构化定量信息。因此，估算地表的LAI参数对于地球生态系统的研究有重要意义。如何快速低成本地估算大面积区域的LAI成为学者们研究的热点，而遥感影像数据因其覆盖范围广、周期短、成本低而越来越多地被应用到LAI的估算中。目前通用的从遥感影像中估算LAI的方法有两种：一是建立光谱绝对值（或其变换形式植被指数）与LAI的单变量或多变量统计回归方法。此方法简单、易操作，但理论基础不完备，对于不同地区没有固定的统计规律。二是建立在生物学、物理学基础上的二向性反射分布函数（BRDF）模型方法。它的理论基础完善，但模型通常是非线性的，输入参数多，方程复杂，计算时间长。 本研究提出一种方法，它将BRDF与人工神经网络结合克服了以上方法的缺点，具有相对完备的理论基础，能够较快地估算较大面积区域的LAI。方法的具体实现包括以下四个步骤： （1）大气影响校正。为消除大气对遥感影像的影响，并得到反映植被物理特性的反射率图像，结合当地的高程与气象等资料，用6S大气校正软件对影像进行大气校正。最后将ETM+影像的亮度值校正为地物光谱反射率值。 （2）反演MCRM模型建立NDVI与LAI之间的查找表（LUT）。为准确建立NDVI与LAI之间的定量关系式，利用马尔科夫链反射率模型（MCRM）反演该地区的LAI。结合试验区的土壤、植被等资料确定MCRM的参数，将100个NDVI参数值输入到MCRM模型中，反演出与NDVI值对应的100个LAI值，且LAI值的范围完全包含了地表LAI的变化范围。最终建立了包含100对NDVI—LAI值的查找表（LUT）。 （3）利用LUT训练人工神经网络。根据LUT的大小及变量之间的函数关系建立了二层的人工神经网络并用LUT对其进行训练。为了寻找最佳的训练次数（epochs），分别将epochs设为5，50，500，5000和50000。并观察不同epochs值情况下网络输出的平均方差（mse）的变化。分析得出epochs大于5000后mse变化很小，达到50000时mse只减小了0.000928。最终设定网络训练的epochs为5000。 （4）用训练好的人工神经网络估算研究区的LAI。将研究区的NDVI影像输入到经过训练的人工神经网络中得到相应的LAI影像，并结合研究区的植被分布资料对结果进行分析，发现估算的研究区LAI分布与植被类型及其郁闭度分布基本一致。 本方法物理意义明确，经过训练的人工神经网络可以直接用于相似的较大范围区域LAI的估算。