连续时序的叶面积指数（LAI）可反映冬小麦长势的变化情况, 预测冬小麦未来时段的LAI对指导田间管理决策具有重要作用。 以WOFOST（World Food Studies）为代表的作物生长模型可通过模拟冬小麦的生长发育过程对未来LAI曲线进行预测, 但其预测过程依赖于未来的气象数据等难以获取的输入参数。 由于冬小麦的LAI时序变化具有连续性和规律性的特点, 可通过深度学习方法仅以历史LAI为输入参数对未来LAI进行预测, 但深度学习方法需要大量样本参与训练, 训练样本的稀缺性限制了其在LAI预测方面的实际应用。 针对上述问题, 通过数据同化方法将遥感数据与WOFOST模型相结合, 采用SCE（Shuffled Complex Evolution）算法最小化校正后的MODIS LAI产品与模型模拟LAI之间差值来优化作物模型初始参数, 从而构建出京津冀地区15年的逐日冬小麦LAI数据集。 在该数据集基础上, 利用长短期记忆网络（LSTM）分别建立了不同输入历史LAI天数的多个冬小麦预测模型, 探究了不同预测模型表达冬小麦生育期中LAI变化规律的能力。 结果表明: 基于LSTM网络的预测模型都能较好进行冬小麦LAI未来曲线变化的预测, 其中当模型输入LAI长度为20时, 预测冬小麦从返青到成熟阶段的LAI精度最高, 其决定系数（R2）、 均方根误差（RMSE）值分别为0.986 5和0.183 6。 对于冬小麦生长各个阶段, 预测模型对于返青至开花期的预测精度高, 开花至成熟期的预测精度稍有降低。 总体而言, 构建训练数据集的方法对于深度学习方法在相似问题中的应用具有借鉴意义, 建立的预测模型验证了LSTM网络对于冬小麦时序LAI曲线具有较好的预测能力, 为预测作物未来时序LAI提供了一种有效的方法。

植被叶面积指数（LAI）时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。 MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一, 然而MODIS LAI时间序列产品包含了一些低质量的数据, 例如由于云层、 气溶胶等的影响, 该产品在时间和空间上缺乏连续性。 MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分, 单一的线性方法或非线性方法都不能对其精确建模和预测。 首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列, 然后采用季节自回归积分滑动平均（SARIMA）方法、 BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。 在SARIMA-BP神经网络组合方法中, 各自在线性与非线性建模的优势得以充分发挥, 其中SARIMA方法用于建模及预测LAI时间序列中的线性部分, BP神经网络方法用于对非线性残差部分进行建模及预测。 实验结果显示: SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑; SARIMA-BP神经网络组合方法的决定系数为0.981, 比SARIMA和BP神经网络的0.941和0.884更接近于1; SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991, 高于SARIMA（0.971）和BP神经网络(0.942)的相关系数。 由此得出结论: SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性, 其建模和预测准确性高于SARIMA方法或BP神经网络方法。