【摘要】【目的】研究快速、准确、宏观获取不同森林类型有效叶面积指数（LAI_e）的方法，探讨其空间分布规律，为中小尺度森林LAI_e遥感产品的开发提供新思路，为林业精细化监测和森林生态系统碳水循环模拟提供科学可靠的技术手段。【方法】以长白山为研究区，基于Sentinel-2A多光谱影像，运用三维卷积神经网络提取研究区4种针叶林型（长白落叶松、樟子松、红松和红皮云杉）的空间分布；采用区分林型和全样本2种方案，分析样地实测LAI_e与7种植被指数（增强植被指数、反红边叶绿素指数、改进简单植被指数、归一化水体指数、归一化植被指数、土壤调节植被指数、简单植被指数）的相关关系；利用各林型对应的最优植被指数，构建区分林型和全样本LAI_e与植被指数的回归模型，并基于验证样本数据对比区分林型模型、全样本模型和PROSAIL模型在LAI_e反演中的精度表现；结合地理因子分析4种针叶林型LAI_e空间格局及变化规律。【结果】所有样本组中7种植被指数与相对的LAI_e均存在极显著相关关系（P<0.01），除增强植被指数（EVI）与红松LAI_e、简单植被指数（SR）与红皮云杉LAI_e外，相关系数均大于0.6，但组间LAI_e与不同植被指数相关性具有较大差异；红松、长白落叶松和樟子松LAI_e与反红边叶绿素指数（IRECI）相关性最高，红皮云杉、红松LAI_e分别与EVI、改进简单植被指数（MSR）相关性最高；4种不同林型模型比全样本模型的R2提高12.7%以上，RMSE降低34.5%；研究区内4种林型LAI_e范围在0.37～5.86之间，平均LAI_e由高至低依次为红松、长白落叶松、樟子松、红皮云杉。红松对海拔、坡度、坡向的变化最为敏感，红皮云杉、樟子松次之，长白落叶松最小。【结论】不同林型LAI_e与遥感植被指数的相关程度存在明显差异，区分林型构建回归模型能够提高LAI_e反演精度；区分林型后拟合的线性模型精度整体较PROSAIL模型和全样本模型更高，但LAI_e高值区域没有PROSAIL模型表现稳定；4种针叶林型LAI_e对地理因子变化的反应差异较大。本研究可为精细区分森林类型的中小尺度针叶林LAI_e遥感反演研究提供参考。