森林是最大的陆地生态系统,在维持水土平衡和调节气候方面发挥着极其重要的作用,从科学、生态和管理的角度来看,对森林进行有效的监测至关重要。为能够准确监测森林的变化情况,量化森林健康和生长情况,使用叶面积指数作为衡量森林状态的有效指标。然而,传统的地面测量方式存在耗时长、所得数据较少的缺点,只适合于小面积和矮小的植被,而不适合森林等需要大面积测量的区域。近几十年来,随着遥感技术的出现和发展,使得高质量遥感影像更易获取,为在大范围内进行森林叶面积指数反演提供了可能。本文基于Google Earth Engine平台进行森林叶面积指数的反演算法研究,主要内容如下:（1）在Google Earth Engine平台上获取Landsat 8遥感图像,对遥感图像进行预处理,并提取实测点的比值植被指数、归一化植被指数、增强植被指数、大气抵抗植被指数、修正型二次土壤调节植被指数、差值植被指数和绿光归一化差值植被指数这几种植被指数来进行叶面积指数的反演。（2）针对海鸥优化算法容易陷入局部最优的缺点,将海鸥算法与模拟退火算法相结合,设计出改进海鸥优化算法,并与其他常见智能优化算法在多个测试函数上进行仿真对比,结果表明改进海鸥优化算法在全局的寻优能力更好,精度更高。（3）分别采用一元线性回归模型、一元非线性回归模型、多元线性回归模型和随机森林回归模型进行叶面积指数的反演,其中针对随机森林回归模型分别使用随机搜索和改进海鸥优化算法进行超参数的优化,选择精度最高的模型作为森林叶面积指数反演的最佳方法,并在Google Earth Engine平台上进行研究区域的叶面积指数反演制图。本文的研究区域地处阿拉斯加内陆的北方森林,实验中采用一元线性回归模型、一元非线性回归模型、多元线性回归模型和随机森林回归模型进行叶面积指数的反演。通过对比模型的反演精度,发现基于改进海鸥优化算法进行超参数优化的随机森林回归模型精度最高,其训练集决定系数为0.802,平均绝对误差为0.356,均方根误差为0.454,测试集的决定系数为0.654,平均绝对误差为0.483,均方根误差为0.528,证明基于改进海鸥优化算法进行超参数优化的随机森林回归模型在叶面积指数的预测能力更强,最适合进行叶面积指数的反演。