随着经济的发展和城市的扩张,原有的自然景观在城市化的过程中逐渐被破坏,导致土地覆盖发生重大变化,土地覆盖的变化会直接影响植被的生长和分布状况。研究城市植被发生哪些变化以及变化程度,植被变化与土地覆盖变化的关系,可以更好地了解城市生态系统结构和功能的变化对自然环境变化的反馈作用。叶面积指数（Leaf Area Index,LAI）作为植被结构和生长状况的重要指标和生态参数,能够较好地反映植被的生长状况与分布情况。针对传统的经验模型法只将植被指数作为自变量因子构建反演模型从而使LAI反演模型精度过低的问题,本研究以福建省会福州市作为研究区,LAI为植被因子,引入了植被覆盖度和高程两个地理环境因子构建了LAI反演模型,使用2008～2018年的Landsat系列遥感数据反演了30m的福州市夏季LAI时间序列数据。分析了福州市2008～2018年夏季LAI的时间变化趋势,以及2018年福州市夏季LAI空间分布特征。使用变异系数、一元线性回归系数和Hurst指数从像元尺度分析了2008～2018年福州市夏季LAI的波动程度、变化趋势和变化趋势的可持续性,并结合地形数据,分析了福州市夏季植被LAI以及LAI变化类型在不同地形特征上的分布差异。同时,利用2008年和2018年的土地覆盖数据,分析了福州市土地覆盖变化特征,统计各土地覆盖类型植被LAI的总体差异,各土地覆盖类型相互转化带来的植被LAI的损益。为了分析土地覆盖类型与植被LAI存在的空间非平稳性关系,使用地理加权回归模型探索了不同土地覆盖类型与植被LAI的关系。主要成果如下:（1）引入植被覆盖度和高程值2个关键地理环境因子后,反演模型精度验证的结果发现反演值和实测值的决定系数R2由0.714提高到0.795,均方根误差RMSE由0.49降低到0.31,说明引入地理环境因子后可以提高LAI反演模型的精度,并进行了时间序列的夏季LAI反演。进一步使用2011年和2016年的实测样本点数据验证了LAI反演模型在时间序列数据上的反演精度,2011年和2016年的反演值和实测值的R2和RMSE分别为0.781、0.44和0.790、0.39,说明LAI反演模型用于时间序列数据的反演也能取得很好的反演精度。（2）时间上福州市植被夏季LAI整体呈现增大的趋势,平均每年增大0.009。空间上福州市夏季植被LAI整体呈现由西向东,由内陆向沿海逐渐降低的趋势。对夏季植被LAI波动性分析的结果表明福州市大部分区域波动性较低,主要分布在山地和丘陵地带,波动性较高的区域主要分布在城市化比较剧烈的东部平原。趋势分析的结果表明,福州山地丘陵地带LAI保持稳定;而在城市区域,主要以植被LAI减小为主,但空间差异明显,LAI减小的区域主要分布在仓山区、闽侯县、长乐市和平潭县。R/S分析计算的Hurst指数结果表明,无法判断是否具有可持续性的区域占56.81%,说明福州市大部分区域变化趋势可持续性无法判断,有14.05%的区域可能会持续减小。（3）福州市海拔差异较大,在不同海拔上夏季植被LAI差异明显,LAI在不同海拔上的分布特征为随着海拔的增大先增大后减小,LAI在50m最小为0.85,LAI在1400m最大为4.12,当海拔大于1400m时,LAI的值随着海拔的增大而减小。LAI在不同坡度上的分布特征为随着坡度的增大而增大,LAI在坡度为3°时LAI最小为0.84,LAI在坡度为64°时LAI最大为3.08。植被LAI变化类型在不同地形因子上的分布特征的分析结果来看,在低海拔和低坡度区域占优势分布类型的为植被LAI减小类型,随着海拔和坡度的增大,植被LAI增大型逐渐变为优势分布类型,但在高海拔和高坡度区域优势分布类型为植被LAI不变型。在不同坡向上,植被LAI减小型在平地上为优势分布类型,在其他坡向上分布特征不明显。（4）不同土地覆盖类型LAI差异明显,土地覆盖比例与LAI显著相关,且两者的关系存在空间非平稳性,即不同土地覆盖类型在不同的空间位置对LAI的影响程度不同。对比一元线性回归和地理加权回归模型GWR两种模型,一元线性回归存在一定的局限性,尤其是在福州这种林地占较大比例的研究区,一元线性回归模型难以呈现在不同空间位置不同土地覆盖类型变化对LAI的影响,而GWR模型弥补了一元线性回归模型这方面的不足。