生物物理变量的估计是遥感科学的核心，能够对作物和森林进行密切监测。推导出时间分辨和空间明确的感兴趣参数地图一直是密集研究的主题。然而，从光学传感器推导产品通常受到云污染和空间与时间分辨率之间权衡的阻碍。在这项工作中，我们依赖于高度可扩展的时间自适应反射率融合模型（HISTARFM）算法，通过融合 MODIS 和 Landsat 反射率生成长时间无间隙的 Landsat 表面反射率数据时间序列。一个人工神经网络在 PROSAIL 反演上进行训练，以预测 30 米空间分辨率的月度生物物理变量，并附带现实的不确定性条。我们强调需要对不确定性进行更深入的分析，并提出一种通用且可扩展的方法，通过利用训练的人工网络的蒙特卡洛（MC）丢弃技术和 HISTARFM 不确定性在模型中的传播，结合认知不确定性和随机不确定性。为了提供可靠的不确定性，进行了模型重新校准。我们提供了多个关键变量的新高分辨率产品，以量化 30 米 Landsat 空间分辨率下的陆地生物圈，并覆盖大面积大陆区域：
叶面积指数（LAI