陆表植被生态水（层）指与植被紧密相关的储水体（包括植被叶面冠层、茎枝层和根系土壤层/腐殖层）,可对大气降水起到缓存、分配与调节作用,是水文循环的重要环节和研究难点。川西高原处于青藏高原与四川盆地的过渡区域,地形复杂,高差悬殊,垂直气候特征明显,是四川的自然生态屏障、生态脆弱区和敏感区。该地区的植被生态水（层）结构复杂、难以量化以及森林植被类型多样等问题导致难以建立普适的生态水反演模型。这使得探明该区域的森林植被冠层生态水储量及其时空分布存在困难。针对上述问题,提出基于物理模型PROSAIL和机器学习的混合反演策略来建立研究区森林植被冠层生态水遥感反演模型,然后借此分析森林植被冠层生态水的时空变化规律,探讨水热条件等因素对植被冠层生态水的影响。本文将PROSAIL与混合像元分解模型耦合,依据前人研究成果和敏感性分析结果确定耦合模型的参数取值范围并据此生成12万份冠层反射率样本,再根据这些样本建立Sentinel-2 MSI影像特征因子-植被冠层含水量的查找表。随后把查找表随机分成训练集和测试集,将训练集输入到神经网络、随机森林中训练。再根据测试集以及野外数据和遥感数据组成的验证集分别评价模型的拟合能力和鲁棒性,据此选择最优模型反演阿坝州四季（2、5、8、11月）的森林植被冠层生态水。最后采用统计方法分析阿坝州森林植被冠层生态水的时空分布及其驱动因素造成的时空差异。主要研究成果与创新认识如下:（1）使用PROSAIL与混合像元分解的耦合模型研究植被冠层生态水PROSAIL与混合像元分解模型具有明确的物理意义,耦合后可得到像元尺度的冠层反射率,可用来研究对植被冠层生态水敏感的波段以及植被指数,据此建立的反演模型也具有更好的普适性。敏感性分析结果表明,对植被冠层生态水响应较好的波段是B8A、B11、B12,响应较好的植被指数是NDII、MSI。（2）采用基于物理模型与机器学习的混合反演策略将物理模型创建的查找表输入到机器学习中训练,既简化了物理模型复杂的计算过程,又解决了机器学习依赖样本的问题。本文选择了随机森林和神经网络两种机器学习模型作对比,它们的判定系数R~2分别为0.93、0.77,均方根误差RMSE分别为3、7 Mg ha-1。两种模型在野外验证数据集上R~2分别为0.63、0.44,RMSE分别为3.9、7.7 Mg ha-1。最终确定了PROSAIL+随机森林的模式。（3）阿坝州的植被冠层生态水时空分布特征与驱动因素研究区植被冠层生态水呈现东高西低的分布特征,这是由于降水和气温的差异使得森林覆盖率沿西向东逐渐升高,植被冠层生态水含量也随之升高。随着植物的生长发育,其冠层生态水储量在2、5、8月持续增加,在11月份下降。不同植被类型冠层生态水含量不同,常绿针叶林冠层生态水储量最多,其次是阔叶林。地形条件是影响森林植被冠层生态水的重要因素,研究区内阳坡的植被冠层生态水含量总体低于阴坡,中高海拔地区植被的冠层生态水含量总体高于中低海拔和高海拔地区的植被。本文采用基于物理模型与机器学习的混合反演策略,在预测野外验证数据（袋外数据）时取得了不错的效果,这说明该模型鲁棒性好,可以推广。根据该模型的反演结果发现,植被冠层生态水储量主要随着物候现象发生改变,而气温、降水、植被类型和地形条件的差异使得森林植被冠层生态水含量呈现特定的空间分布。