Entender el impacto de la mezcla de vegetación y la mala clasificación en la estimación del índice de área foliar (LAI) es crucial para el desarrollo de algoritmos y la comunidad de aplicación. Utilizando los productos estándar de cobertura terrestre y LAI de MODIS, se obtuvieron climatologías y estadísticas globales de LAI tanto para píxeles puros como mezclados para evaluar los efectos de la mezcla de biomas en la estimación del LAI. La mala clasificación entre cultivos y arbustos generalmente no se traduce en grandes errores de LAI (<0.37 o 27.0%), en parte debido a sus valores de LAI relativamente más bajos. La mala clasificación de biomas generalmente conduce a una sobreestimación del LAI para la sabana, pero a una subestimación para los bosques. Los mayores errores causados por la mala clasificación también se encuentran en la sabana (0.51), seguidos por los bosques de coníferas perennes (0.44) y los bosques de hojas anchas (0.31). La comparación con los indicadores de incertidumbre de MODIS muestra que la mala clasificación de biomas es un factor importante que contribuye a las incertidumbres del LAI para la sabana, mientras que para los bosques, las principales incertidumbres pueden ser introducidas por déficits en los algoritmos, especialmente en verano. Se recomiendan las climatologías de LAI para píxeles puros para estudios de modelado de la superficie terrestre. Los estudios futuros deberían centrarse en mejorar la clasificación de biomas para sistemas de sabana y en el perfeccionamiento de los algoritmos de recuperación para biomas forestales.