叶面积指数（LAI）作为评估小麦生长情况的一个关键冠层结构参数，对于反映不同区域植被物候变化、生态系统生产力变动以及气候变化具有重要意义。然而，在农业生产中，由于气候条件、肥料和水资源管理以及耕作方式的不同，导致农业生态系统的空间分布不均及年际差异增大，这对基于遥感技术的小麦LAI反演模型的准确性和广泛适用性提出了挑战。虽然基于红边波段或植被指数（VI）构建的小麦LAI模型能在一定程度上减少土壤背景和叶片角度等复杂因素的影响，但其在大范围推广时仍易受到叶片叶绿素含量（LCC）变化的影响，从而影响模型的稳定性。
本研究首先探讨了LCC变化引起的光谱效应是限制红边VI-LAI模型广泛应用的关键因素之一，并提出了一种名为差值组合光谱指数（DCSI）的新方法来整合红边植被指数，以减轻LCC变化带来的影响，同时确定最佳植被指数组合用于不同LCC条件下小麦LAI的估算。此外，还开发了一种新的红边植被指数——基于Sentinel-2的改良红边位置（S2MREP），特别适用于大规模LAI估算。
研究结果显示，通过DCSI算法得到的植被指数组合能有效缓解LCC变化对模型的影响，提高了模型的稳定性。与欧洲空间局（ESA）现行使用的Sentinel-2红边位置指数（S2REP）相比，新提出的S2MREP指数在预测小麦LAI方面表现出了更高的精度，并且在不同的年份和生态点上展现了更好的通用性。此外，本研究所建立的小麦LAI模型还显示出良好的迁移能力，能够应用于我国主要小麦产区乃至法国等其他国家的大规模LAI分布图制作。
