准确量化总初级生产力（Gross Primary Productivity, GPP）对于全球气候变化背景下的碳循环研究至关重要。目前，多种卫星遥感植被指数数据被广泛应用于GPP的模拟和估算。然而对于各种植被指数在估算GPP方面的相对性能，以及植被指数结合哪些额外的因素才能够更好地从机理上揭示植被的光合作用能力方面仍不清楚。本研究采用两种广泛使用的机器学习算法（随机森林和反向传播神经网络），分别基于太阳诱导的叶绿素荧光（SIF）、NIR_v指数和叶面积指数（LAI），考虑了30个植物功能性状和具有时滞效应的环境因子，并系统地研究了全球GPP估算时与各植被指数最匹配的植物功能性状和环境因子（大气CO₂浓度，植物功能类型，考虑时滞效应的气候变量）。结果表明：（1）使用单一植被指数建模时，SIF表现最佳（R² = 0.67, RMSE = 2.24 g C·m^–2·d^–1），其次是NIR_v（R² = 0.61, RMSE = 2.45 g C·m^–2·d^–1）和LAI（R² = 0.50, RMSE = 2.79 g C·m^–2·d^–1）。（2）NIR_v与CO₂、植物功能性状以及气候变量相结合可以实现最佳的预测效果（R² = 0.87, RMSE = 1.40 g C·m^–2·d^–1）。（3）植物功能性状有效地提高了所有模型的预测精度。（4）气候变量对于基于NIR_v和LAI的GPP模型预测精度的提升至关重要，但对基于SIF的模型贡献不大。本研究系统地探究了基于遥感植被指数和机器学习方法构建全球GPP估算模型的参数选择问题，为全球GPP遥感估算模型的构建和优化配置提供了重要参考，也为深入研究全球陆地生态系统GPP对气候变化的响应机制提供了新的视角。