叶面积指数(LAI)描述植被的许多生物物理过程，是陆面过程一个十分重要的结构参数，目前MODIS研究组已经提供了全球范围，时间序列上基本连续的LAI数据产品，其生产了一系列标准产品，在生态学研究、环境监测、全球气候变化以及农业资源调查等诸多研究中都有广泛的用途。然而数据产品的空间分辨率大多太低，还不能完全满足高空间分辨率遥感应用的要求，另外MODIS叶面积指数产品采用的是半经验模型进行反演，半经验模型对于全球趋势是正确的，但当适用于某个范围时，由于大气纠正，数据定标，地形影响，地物波谱数据的不确定性等因素的存在所导致的误差，使得特定区域的LAI产品精度并不高，有时难以体现区域的植被空间分布信息。从而降低了叶面积指数产品的实用价值，因此针对粗分辨率遥感影像叶面积指数的校正具有重大的研究意义。　　 本研究从算法的非线性、地表异质性和土壤背景影响三个方面探讨了LAI尺度误差的影响因素，对低分辨率LAI尺度误差问题进行分析，然后据此建立了一种MODIS等低分辨率LAI单时段产品和年序列产品的校正方法，并在汉江流域进行了2003年MODIS8天合成年序列LAI产品的校正，取得了很好的效果，最后应用校正过的LAI分析了汉江流域叶面积指数的时空变化，发现流域内植被有显著的空间分布特征和季候特征。　　 本文主要研究内容及结果如下：　　 第一部分主要论述遥感尺度问题及选题依据，介绍了遥感尺度的国内外研究进展，尺度误差及尺度转换方法，粗分辨率LAI校正的必要性及前人的校正方法。　　 第二部分介绍研究区相关数据及数据处理过程，影像分类和LAI反演，MODIS LAI产品的预处理。　　 第三部分研究叶面积指数尺度误差影响因素，主要从算法的非线性、地表异质性和土壤背景影响三个方面进行分析。算法非线性对LAI误差影响总体来说较小，且误差大小与地表异质性程度正相关；地表异质性是LAI尺度误差的主要原因，但纯像元LAI计算不受尺度影响；陆地表面土壤背景、水体等导致的地表异质性对LAI误差影响最大；土壤背景由较暗转为较亮时，植被像元LAI会由严重高估转变为轻微低估，且像元LAI值越大偏差也越大。　　 第四部分建立了单时段MODIS叶面积指数产品校正方法和年序列MODIS叶面积指数产品校正方法。基于纯像元NDVI分解的粗分辨率LAI校正方法，从两个方面考虑了地表异质性问题，一是用分类图来表示亚像元信息，二是每一类计算LAI时采用分解后的NDVI值，很好的实现了研究区单时段LAI校正；利用粗分辨率纯像元提取各覆盖类LAI年际曲线，将高分辨率LAI校正后的年际曲线用于年序列LAI校正，取得了良好的效果。最后将校正过的LAI用于汉江流域叶面积指数时空变化分析，发现流域内植被具有明显的空间特征和季候特征。