植被覆盖与管理措施因子（Vegetation Cover and Management Factor,以下简称C因子）是土壤侵蚀模型中最敏感、变化最大的因子。利用归一化植被指数（Normalized Different Vegetation Index,NDVI）提取传统植被覆盖度估算C因子是最常用的方法,但传统植被覆盖度忽视了植被的垂直结构信息,反演精度较低,而能够反映植被水平覆盖状况和垂直结构信息的叶面积指数（Leaf Area Index,LAI）更适合作为土壤侵蚀定量评价的重要指标。本文以南京紫金山和幕府山为研究区,通过野外调查、遥感影像、辐射传输模型和数学模型相结合的方法,构建了基于辐射传输模型和多角度PROBA/CHRIS遥感数据的随机森林LAI反演模型,并建立了LAI与C因子之间的量化耦合模型,为C因子遥感定量反演提供了新方法。主要研究成果如下:（1）植被防蚀作用最佳植被指数的筛选。利用RUSLE模型中的次因子法计算野外实测C值,得到不同植被类型的C因子均值为0.0262,均值大小依次为针叶林（0.0391）>阔叶林（0.0266）>针阔混交林（0.0194）,针阔混交林的水土保持能力最强。乔灌草结构的林地具有较强的蓄水保土能力,土壤侵蚀风险较小。通过林间尺度的6种植被指数和区域尺度的10种遥感植被指数与C因子的回归结果可知,LAI与C因子的回归效果最好,是反映植被防蚀作用和反演C因子的最佳植被指数,精度最高的回归方程为C=0.4337exp（-0.84LAI）。（2）基于多角度PROBA/CHRIS遥感数据和PROSAIL模型的反射率模拟与精度评价。PROSPECT模型模拟的叶片反射率与实测叶片反射率的一致性相对较好,RMSE为0.0347,精度较高,能够用来模拟林地冠层反射率。利用定性分析和敏感度计算进行PROSAIL模型的参数敏感性分析,确定各参数敏感性强度表现为LAI>Cab>Cm>SL>N>Cw。不同观测角度对LAI的敏感性大小为55°>36°>0°>-55°>-36°,前向观测角度的敏感性大于后向,且观测角度越大,敏感性越大。PROSAIL模型模拟的冠层反射率的精度大小为0°>36°>-36°>55°>-55°。（3）基于随机森林模型的LAI反演模型构建。选择了8种常用的反演LAI的植被指数,分析不同观测角度下LAI与模拟的冠层光谱反射率计算的植被指数之间的相关性,结果表明PVI与LAI的相关性最高,相关系数均达到了0.89以上。在单角度LAI反演模型中,前向观测角度55°的精度最高,模型R~2、RMSE和MAPE分别为0.9157、0.2357和0.0426。在多角度LAI反演模型中,0°、36°和55°的3角度组合精度最高,模型R~2、RMSE和MAPE分别为0.9184、0.2319和0.0415。LAI反演精度随观测角度的增加而增加,但超过3个角度后精度下降,角度过多带来光谱信息冗余、叶片和土壤阴影等问题。相比于非线性回归模型和Landsat 8 OLI数据,基于多角度遥感数据和辐射传输模型的随机森林模型能够显著提高LAI的反演精度。利用3角度组合反演得到紫金山西部林地LAI介于0.554～5.709之间,林地LAI均值为3.04。紫金山西部林地LAI整体上呈现“北部和南部高、中间低”的空间分布格局。（4）C因子遥感定量反演及应用。本文选择了基于传统植被覆盖度、LAI、植被指数和波段的四大类12种C因子反演模型,并利用多角度影像采样点实测数据对模型进行精度评价与分析。通过残差分析和绩效评价发现基于多角度LAI的C因子反演模型精度最高。紫金山西部林地C值介于0.006～0.174之间,林地C均值为0.034。对比基于传统植被覆盖度和LAI的C因子反演模型结果可知,基于传统植被覆盖度反演的C值在整体上偏小,RMSE为0.0238,而基于多角度LAI反演的C值精度较高,RMSE为0.0074。