现有叶面积指数(leaf area index, LAI)遥感产品难以满足复杂地表植被精细化信息提取的要求。本研究融合MODIS、GLASS和VIIRS LAI三种遥感产品，基于双向长短时记忆网络(bidirectional long-short term memory, BiLSTM)算法，充分利用时序遥感数据正向传递与后向反馈的双重信息，发展了500 m分辨率时序LAI遥感反演方法；同时，利用对抗神经网络(generative adversarial network, GAN)算法，通过逐级降尺度策略将500 m分辨率LAI转换到250 m和30 m尺度。研究表明，与LSTM算法相比，BiLSTM 对遥感反射率噪声的敏感性较低，模型鲁棒性强，基于此估算的500 m分辨率LAI反演精度优于当前遥感数据产品；基于GAN的逐级降尺度策略能够有效实现LAI的空间降尺度，进而得到与参考真值比较一致的高分辨率LAI结果。本研究对提升LAI遥感估算精度和实际应用水平具有重要的现实意义。

遥感反演,深度学习,叶面积指数