叶面积指数（Leaf Area Index， LAI）是研究植被冠层结构和生理生化特性的重要参数，由于山地地表和山地森林冠层结构存在高度复杂性和异质性，山地LAI地面测量方法尚未形成统一标准，因此导致不同方法的地面测量结果存在显著差异。为了分析各影响因素对测量结果的影响，进而提升山地LAI地面测量数据的精度和可靠性，本文使用植物冠层分析仪（LAI2200 Plant Canopy Analyzers， LAI2200）和数字半球摄影相机（Digital Hemisphere Photography， DHP）在典型山地森林场景进行了LAI地面观测实验，定量分析了不同光学测量仪器、植被聚集效应以及地形等因素对山地LAI测量结果的影响。结果表明：LAI2200和DHP两种光学仪器均可用于山地森林的LAI地面测量，实验发现LAI2200对针叶林LAI相比DHP更敏感；关于地形因子对LAI地面测量的影响中，周围地形起伏对入射辐射的遮挡是引起测量误差的重要因素，需在测量中剔除；此外，植被聚集效应对测量结果影响显著，需通过引入聚集度指数（Clumping Index， CI）对有效LAI进行校正从而获得真实LAI。研究结果能为提高山地森林LAI地面测量的精度和准确度提供有效的参考建议。
在通过遥感影像获取农业种植结构过程中，遥感影像自身及分类过程会不可避免地引入不确定性，降低制图结果精度与可靠性。地块作为农业基础单元，具有分类精度和不确定性控制的优势，然而当前遥感分类不确定性研究方法多以像元为基本单元，难以简单套用至地块作物分类。因此以地块为基本空间单元，选择信息熵作为后验不确定性评价指标，在宁夏引黄灌区开展作物分类与不确定性分析实验。借助时序特征及地块内部多种幅值特征，分析遥感数据中随机不确定性和模糊不确定性对后验分类不确定性的影响效果。实验结果表明：①相比于像素尺度分类，地块尺度分类能够有效消弱后验不确定性；②随机不确定性对后验不确定性影响显著，与时序特征呈显著相关性；③地块边缘混合像元和内部混杂异质引入的模糊不确定性放大了随机不确定性，进而影响后验不确定性。针对性消减措施可以有效降低分类不确定性，且消减效果与相关性分析结果基本一致。研究结果可为后续作物分类流程改进和不确定性控制提供思路与方法。
精确估算大尺度地表蒸散发对水文、生态、农业和水资源管理具有重要意义。在基于遥感的蒸散发估算模型中，PM（Penman-Monteith）方程结合Jarvis气孔导度模型的方法扮演着关键角色。当前PM-Jarvis蒸散发模型使用优化方法计算植被或各IGBP （International Geosphere-Biosphere Programme）类别最大气孔导度（maximum stomatal conductance，gsm），然而该方法缺乏物理意义，忽略了不同植被间气孔特性差异，无法反映叶片gsm的时间动态变化，导致蒸散发估算结果存在较大误差。针对这一问题，本研究利用植被叶片气孔长度、气孔密度等气孔解剖特征参数精确计算不同种类植物gsm，基于归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）的生理制约函数模拟gsm的动态变化，实现地表蒸散发的精确估算。利用美洲通量网站点观测数据验证，结果表明相较于不区分植被类型、基于IGBP类别的固定gsm，精确计算的动态gsm明显提高了蒸散发估算精度，其决定系数R2分别由0.626、0.726提高至0.83，均方根误差RMSE分别由33.31 W/m2、27.72 W/m2降低至21.81 W/m2。因此，在大尺度蒸散发估算中，精细化区分植被生理特性差异是一种能有效提高蒸散发估算精度的方法。
我国自主研发的HY-2系列动力卫星为全球海洋风场观测研究提供了重要的数据支撑。通过对多源遥感卫星所获取的海面风场数据进行融合，形成高时空分辨率的风场融合数据，对研究台风灾害、保障船舶航行和海上作业安全具有重要意义。对风场融合数据进行交叉验证是该数据大规模应用的前提，本文选择台风灾害频发，渔业资源丰富的西北太平洋海域作为研究区域，利用ERA5再分析数据、CCMP风场数据及CERSAT风场数据作为参考数据，通过获取不同数据集之间的风速、风向的标准差和相关系数，开展了2019年12月至2021年11月HY-2系列卫星风场融合数据在不同季节间的交叉验证分析。结果表明：①HY-2系列卫星风场融合数据与ERA5再分析数据的匹配程度优于CCMP风场数据和CERSAT风场数据；②在不同季节中，HY-2系列卫星风场融合数据的风速和风向精度在夏季和秋季较高，而冬季和春季相对较低；③2019年12月至2021年11月的HY-2系列卫星风场融合数据的风速和风向具有较高的精度，其标准差分别为1.54 m/s和13.29°，相关系数分别为0.92和0.88，可广泛应用于西北太平洋海域。
地表反照率是决定地表能量平衡的重要参数，太阳辐射计的站点观测是获得地表反照率的重要手段，也是开展地表反照率遥感产品验证的重要数据源之一。传统地表反照率站点观测主要用于验证低空间分辨率卫星遥感产品精度，在高空间分辨率遥感产品验证中存在突出的尺度不匹配问题。此外，山地地表反照率站点观测足迹受地形影响显著区别于平坦地表。随着中高分辨率地表反照率产品算法发展和产品生产的快速发展，山区高分辨率像元尺度地表反照率参考“真值”数据已成为真实性检验的迫切需求。针对上述问题，本研究基于太阳辐射计观测特性、地表反射特性以及山地局地地形特征，提出了一种山地地表反照率站点观测遥感空间降尺度模型。该模型首先基于数字地形视域分析模拟出了辐射计山地区域真实观测足迹范围，然后根据辐射计余弦响应特性对辐射计观测上行辐照度进行校正，进一步利用高分辨率反射率波段积分表征像元反射特性，发展了考虑局地地形特征的分解方法，并将校正后的上行短波辐射及计算得到的下行短波辐射分解到像元尺度，最终得到辐射计观测足迹范围的高分辨率像元地表反照率，实现了由站点观测足迹到亚足迹高分辨率遥感像元尺度地表反照率参考“真值”产品获取。本文基于研究区三维真实场景，利用三维辐射传输（LESS）模型模拟了晴空条件下站点观测足迹范围下的高分辨率像元地表反照率用于方法验证。验证结果表明：模型模拟地表反照率与本文模型分解所得地表反照率之间R2为0.83，RMSE为0.016 9，线性拟合斜率为0.999，表明本模型分解效果较好，能够实现山地地表反照率站点观测足迹的降尺度计算。同时，利用真实遥感观测和站点观测数据，实现了王朗山地遥感四川省野外科学观测研究站塔基反照率观测的高分辨率像元尺度地表反照率降尺度数据集构建。本文模型可为高分辨率山地地表反照率反演算法发展和产品验证问题提供一种新的解决方案和思路。
地表土壤水分是控制水循环、碳循环以及陆地与大气之间能量交换的关键变量。目前，L波段的被动微波观测被认为是获取表层土壤水分信息的最佳波段。但是，被动微波空间分辨率低，不足以满足水文模型、天气预报、农业规划和水资源管理等应用的需求。被动微波遥感的直接观测值是亮度温度（Brightness Temperature，TB），因此获取高分辨率的亮度温度是获取高分辨率土壤水分的基础。针对这一问题，本研究以时间序列回归（Time Series Regression，TSR）方法为基础，引入微波植被指数（Microwave Vegetation Index，MVI）削弱植被信息对降尺度模型的影响，利用先进微波扫描辐射计（Advanced Microwave Scanning Radiometer-2，AMSR-2）的X波段高分辨率亮温信息来提高土壤湿度主被动计划（Soil Moisture Active and Passive，SMAP）L波段亮温的空间分辨率。通过使用青藏高原L波段地基微波辐射计观测数据对降尺度结果进行验证，结果表明：TSR-MVI降尺度亮温在精度上能与SMAP原始数据保持一致，在垂直极化下的均方根误差（RMSE）最小为9.864 K，相关系数（R）最大为0.861；空间细节方面，基于TSR-MVI方法的降尺度结果优于Backus-Gilbert最优插值的结果，信息量更大，图像的清晰度更高。该方法能够对L波段SMAP亮温进行降尺度，其结果优于BG产品。
为监测作为“世界屋脊”和“亚洲水塔”的青藏高原地区21世纪初土壤水分的时空变化特征，在对多种土壤水分产品评估的基础上，利用精度最优的多通道协同反演算法（Multi-Channel Collaborative Algorithm，MCCA）获取的AMSR-E/2土壤水分产品（2002~2022年），以泰尔—森估算叠加曼—肯德尔检验方法，系统分析了近21年青藏高原土壤水分的时空变化特征以及土壤水分与降水之间的关系。结果表明： 21世纪初青藏高原土壤总体呈现湿润化趋势，土壤水分显著增加趋势比例（31.52%）远高于显著减少趋势比例（1.70%）；同时大部分流域呈现出“干燥区域高增长趋势，湿润区域低增长趋势”的模式，流域和季风区变化趋势存在显著差异，降水是影响青藏高原土壤水分变化的重要驱动因子。
土壤水分是地表生态系统中的关键变量和陆—气交互的纽带。微波遥感可以获取大尺度土壤水分的空间分布信息，且国内外已有诸多产品发布，但尚不存在单一的传感器数据产品能够在所有时空维度上始终保持最优的精度。数据融合是提升土壤水分数据精度的有效途径，而精确分析数据的误差结构有助于构建高效、精确的数据融合策略，确保在数据融合过程中选用最合适的算法，能够最大程度地降低误差对融合结果的负面影响。本文以青藏高原为研究区，使用SMAP、SMOS和AMSR2三种被动微波遥感土壤水分产品作为融合源数据，结合遥感表观热惯量数据转化的土壤水分作为参考数据，利用Triple Collocation方法对源数据进行误差分解，再对其系统误差进行校正，并根据校正后源数据的随机误差确定权重，进而获得融合数据集。结果表明：融合数据集较源数据在时空连续上更好，在融合时间段内，融合数据集的完整度提高了73%；且融合数据集精度更高，在八宝和那曲两个验证区域上均方根误差分别降低了0.104 cm3/cm3和0.043 cm3/cm3，平均绝对偏差分别降低了0.099 cm3/cm3和0.038 cm3/cm3，证明了本文方法在数据融合方面具有良好的性能，可为相关研究与应用提供借鉴和参考。
为推进风云卫星数据在青藏高原表层土壤水分实时监测中的应用，研究在引入水热综合指数来表征气温和降水对土壤水分变化综合影响的基础上，以FY3D/MWRI亮温数据及其被动微波指数，土壤属性、地理地形、植被状况和水热综合指数为自变量，以土壤水分为因变量，基于随机森林算法构建了青海高原土壤水分反演模型，在青海省河南县土壤水分遥感校验场和互助遥感干旱野外验证场进行了独立检验及干旱过程检验。结果表明：水热综合指数对模型的贡献最大（为0.229）；模型具有较好的反演精度，在河南与互助的相关系数分别为0.874和0.860，均方根误差分别为0.061 m3/m3和0.026 m3/m3，平均绝对误差分别为0.050 m3/m3和0.022 m3/m3，较好地捕捉2023年东部农业区夏季干旱过程的土壤水分变化趋势。研究结果可为青海高原利用风云气象卫星开展全天候土壤水分、干旱与洪涝等监测业务提供技术参考。
准确快速地提取烟叶种植分布信息，对优化农作物种植结构与科学规划烟田布局具有重要意义。渑池县是河南省重要的烟叶种植基地，其丘陵地貌具有地块破碎和作物混种现象复杂的特点，仅依赖光学遥感特征难以满足丘陵地区烟叶提取的需求。因此，协同多源遥感影像，选择适合烟叶分类的遥感时相，挖掘烟叶遥感分类的显著特征，并尝试特征优化方法，对于提高丘陵地区烟叶遥感分类的精度和可靠性具有重要意义。本研究基于谷歌地球引擎（Google Earth Engine，GEE）平台，利用Sentinel-1/2影像提取研究区地物的光谱、极化、指数和纹理特征，其中指数特征包括基于红边光谱计算的红边指数。在实验中，采用面向对象方法设计了6种基于随机森林算法的分类方案，探讨不同特征类型组合对烟叶种植分布信息提取的影响。研究结果表明：在SNIC算法的面向对象方法中，当分割尺度设置为3像素时，分割影像的地类细节最为清晰完整；利用J-M距离可分性，将分类特征从28个压缩至15个，最大程度地保留了分类所需信息；在6种方案中，基于J-M距离选择算法筛选的特征方案融合了多种特征变量，其烟叶提取效果最佳，用户精度和生产者精度均高于90%，总体精度为94.88%，Kappa系数为0.94。
为及时准确高效监测烟叶叶面积指数（Leaf Area Index，LAI），获取了烟叶全生育期地面实测LAI等生理生化参数与对应多时相Sentinel-2多光谱数据，分别构建基于植被指数的LAI反演模型、基于机器学习与多光谱数据的LAI反演模型、基于PROSAIL模型的LAI反演模型与基于多模型耦合的LAI反演模型，以实测LAI数据对预测结果进行精度评价，从单生育期与全生育期的角度综合评价并优选出烟叶LAI最佳全生育期普适预测模型。结果表明，与传统LAI反演研究中样方尺度下的经验模型效果大多优于机理模型的情况不同，本研究同时耦合了敏感参数叶片等效水厚度与干物质含量之间相关关系，以及梯度提升回归树（Gradient Boosting Regression Tree，GBRT）的PROSAIL模型在烟叶全生育期及各生育期的LAI反演上总体取得了最好的效果，全生育期的烟叶LAI反演R2为0.805，RMSE为0.378，MAE为0.276；生长期的烟叶LAI反演R2为0.789，RMSE为0.324，MAE为0.250；收获期的烟叶LAI反演R2为0.576，RMSE为1.641，MAE为1.608。
针对遥感数据，在公开数据训练的图像分割模型，由于与任务数据存在特征和分辨率的差异，使传统的迁移学习不能有效提升模型的推广性能，为此提出一种端到端无监督域适应遥感图像分割模型。首先，在基于生成对抗的风格转换网络中添加残差连接、尺度一致模块和带有类别平衡权重的感知损失，减少不同域图像的风格和分辨率差异，在转换图像风格的同时保持原有结构信息；其次，使用结合空间和通道注意力的视觉注意力网络作为特征提取主干网络，提高特征提取能力；最后，利用少量带有标签的目标域样本微调分割模型，进一步提高分割精度。实验结果表明：所提模型有效缓解不同特征和分辨率带来的性能下降问题，相较于先进的域适应分割方法更具有优势。
传统高光谱数据分类方法往往只注重频谱特征提取，忽略了有价值的光谱空间信息，导致分类效果不佳。因此，本文提出一种结合主成分分析（PCA）、引导滤波和深度学习架构的方法，应用于高光谱数据分类。首先，采用成熟的PCA降维技术，有效减少高光谱信息冗余；其次，以一种简洁有效的引导滤波方式来获取空间主导信息；最后，采用栈式自编码器模型这一深度学习架构，有效处理多层次多特征图像数据。本文通过对两个公共数据集进行训练和测试，并在第三个数据集上验证模型泛化能力。实验结果表明：提出的GF-FSAE算法分类精度均在99%以上，具有良好的分类性能和泛化能力；比CNN-AL模型分类算法精度略高，验证了频谱—空间高光谱图像分类框架具有优越性。
针对在台风天气下，遥感成像存在大量雾气遮挡导致图像质量严重下降与目标检测困难，以及现有相关研究在电力场景下泛化性不足的问题，提出一种结合暗通道去雾与YOLOv8的改进方法。该方法采用二阶段的处理方式，通过累积分布函数分析图像颜色分布，结合暗通道算法对图像进行色彩自适应去雾处理，有效改善雾天场景下目标的表达，同时为进一步提高遥感图像中多尺度目标的检测精度，在YOLOv8算法网络中增加小目标检测层，深入提取小目标特征，并使用MPDIoU代替CIoU，降低模型的计算复杂度。实验显示，该算法对电力杆塔和风力发电机的检测精度分别提升8.1%和3.9%。研究结果证明该算法在含雾遥感图像处理与目标识别的方面具有可行性与有效性，可为含雾遥感图像的去雾处理与户外大型电力设施的识别提供可靠的技术支持。
秦岭—大巴山（秦巴山地）是中国重要的南北过渡带，研究秦巴山地物候变化及其对气候变化的响应对揭示中国南北过渡地带生态环境的复杂性以及历史气候的重建具有重要的意义。本研究基于MODIS 的MCD12Q2数据，结合气象遥感数据，采用趋势分析和相关性分析方法，探求了秦巴山地2001~2020年植被物候的时空变化特征及其对气候变化的响应关系。结果表明：①秦巴山地植被物候始期、末期、生长期长度由东到西呈明显的垂直地带性分布特征，生长季始期主要分布在3月中下旬至4月下旬（70~110 d），生长季末期均值集中分布在10月下旬至11月下旬（290~320 d），生长期长度绝大部分在180~260 d之间。20 a间秦巴山地区植被物候年际变化的总体特征呈现生长始期平均提前0.38 d/a，生长末期平均推迟0.43 d/a；生长期长度年际变化具有延长趋势，平均延长0.80 d/a，变化趋势显著；②在对气候因子的时间滞后性响应方面，秦巴山地物候始期与当月的气温和潜在蒸散发之间相关性最大并且没有表现出明显的时间滞后效应，与降水存在约1.73月的时间滞后性；③海拔高度在一定程度上决定了秦巴山地植被物候始期与各气象要素的响应关系。
理解沙地人工林植被蒸散特征对改善人工林生态建设具有重要意义。利用TSEB（Two-Source Energy Balance）模型，以Landsat 8、气象观测资料为驱动数据，获取库布齐沙漠银肯沙林场的蒸散时空变化特征，再利用波文比观测系统的相关数据对模型关键变量及蒸散结果进行精度评价。结果表明：①在两个关键变量中，反演的净辐射整体大于观测值，MAE、RMSE、MBE分别为15.98、20.02、0.19 W·m-2，二者相关系数为0.91；反演的土壤热通量整体小于观测值，MAE、RMSE、MBE分别为7.43 、9.29、2.12 W·m-2，二者相关系数为0.72；②反演的蒸散量大于观测值，MAE、RMSE、MBE分别为1.89、2.02、3.45 mm，二者相关系数为0.77，林场蒸散较大的区域集中在中部和南部，而林场北部区域蒸散相对较小；③TSEB模型反演的蒸散量与SEBAL模型反演的蒸散量相当，但在植被集中的区域，SEBAL模型反演的蒸散大于TSEB模型反演的蒸散，并且SEBAL模型反演的蒸散相关性要差于TSEB模型。研究结果可为进一步提高该类模型性能提供参考。
河北平原抽取地下水进行冬小麦灌溉是该地区地下水位逐年下降的主要原因，引发了一系列生态环境问题，并导致水粮矛盾日益突出。利用遥感技术准确监测冬小麦灌溉信息对于实现水资源的合理配置与可持续利用具有重要意义。利用MOD09Q1和TRIMS LST数据，计算2020年10月至2021年6月河北平原的归一化植被指数（NDVI）和温度植被干旱指数（TVDI），并基于冬小麦NDVI时间序列特征，提取了河北平原2021年冬小麦种植分布。根据冬小麦农田TVDI对灌溉事件的响应特征，确定识别灌溉事件的方法，反演冬小麦不同生育期内的灌溉区域，进而获得冬小麦全生育期灌溉次数的空间分布。结果表明：2021年河北平原冬小麦种植面积为20.91×103 km2，提取结果准确可信；冬小麦生育期内少量多次的降水对麦田的TVDI影响较小，灌溉则会导致TVDI时间序列出现“波谷”特征；2021年河北平原冬小麦越冬水、返青水、拔节水和灌浆水的灌溉面积分别为10.23×103 km2、14.31×103 km2、9.79×103 km2和7.14×103 km2，灌溉次数为0、1、2、3和4次的冬小麦面积占比分别为6%、25%、39%、25%和5%。本研究提出的冬小麦灌溉遥感监测方法，可为地下水超采区指导灌溉提供技术支撑。
干旱区农业城市植被的生态需水对于区域水资源管理和生态系统稳定维持具有重要意义。以西北干旱区典型农业城市（张掖市）为例，利用通量站点数据对对遥感蒸散发模型（MODIS和PML模型）的蒸散发产品进行精度验证，确定适用于该区域生态需水估算的最佳模型。在此基础上，基于线性回归趋势分析方法，揭示了研究区2001~2023年间生态需水的时空变化规律。并采用多元线性回归分析方法定量评估了气温（Ta）、降水（Pre）和辐射（Rn）等气候变量和植被变化（NDVI）对植被生态需水的相对贡献度。结果显示：PML模型在估算精度上具有显著优势，可以准确表征区域植被生态需水变化。2001~2023年间，张掖市的植被生态需水总体呈显著增加趋势，空间上表现为由北至南梯度递增的变化格局。气候变化和植被动态共同驱动了生态需水的时空变化，气候因素生态需水的影响占59.63%（降雨的贡献度为21.69%），而植被变化（NDVI）的贡献率达43.44%，是生态需水增加的主要驱动因素。本研究揭示了西北干旱区典型农业城市植被生态需水变化的时空格局及其主要驱动因素，可以为干旱区农业城市水资源高效利用与可持续管理提供参考。
基于水土流失估算模型的土壤侵蚀评价研究需要高质量的输入数据，其中包括土地利用分类数据，然而传统的土地利用分类方法在面对多类别分类任务时存在效率较低以及“异物同谱”现象显著的问题。为此，本研究尝试将深度学习应用于土壤侵蚀评价中，采用以Swin Transformer为主干网络的语义分割模型实现高精度土地利用分类，并将分类结果应用于RUSLE模型对土壤侵蚀程度进行评价。经验证，语义分割模型的总体精度达到95%，且具有良好的泛化性能。土壤侵蚀评价结果表明鄱阳县土壤侵蚀以轻度侵蚀为主，空间上呈现带状和点状的分布特征。结果表明，基于深度学习的土地利用分类在土壤侵蚀评价领域具有较广泛的应用前景。
输电杆塔检测任务面临着目标特征复杂多变，且样本数据少、特征分布不均衡的问题。输电杆塔具有细高形的结构特点，在不同成像条件的卫星影像中呈现显著的特征差异，常规数据增强方法难以有效模拟其在不同成像条件和不同背景下输电杆塔特征。针对这一问题，本文提出了基于成像条件的数据增强方法，从成像角度和成像背景两个方面实现对输电杆塔目标数据的增强。成像角度增强方法通过模拟卫星视角变化生成不同拍摄角度下的输电杆塔图像；成像背景增强方法通过自适应加权融合边缘修复与泊松融合两种方法生成不同背景下的目标图像。在Faster R-CNN、Retinanet和YOLOv3模型下对本文方法进行实验，检测精度相比传统方法均有明显提升。结果表明：该方法相较传统数据增强方法能更好地提升模型对输电杆塔目标的检测能力与定位精度。
准确的耕地信息对保障国家粮食安全意义重大。传统的耕地提取方法在处理日益复杂的遥感影像时存在局限性。深度学习的发展为耕地提取带来新途径，然而经典的DeepLabV3+网络在应用中存在训练参数量较大、影像分割精确度欠佳和泛化性较差等问题。为此，本研究提出融合注意力机制的轻量化DeepLabV3+网络。该网络将DeepLabV3+的主干结构Xception替换为MobileNetV2以减少训练参数；引入通道注意力机制SENet提升分割精度；把损失函数替换为Hybrid函数以增强模型泛化能力。研究结果表明：①轻量化后的网络平均训练时间从7.45 min缩至1.86 min，模型训练参数由208.7 MB减至24.73 MB；②模型的精度（Precision）、召回率（Recall）和均交并比（Mean Intersection over Union，MIoU）分别达到90.26%、90.08%、81.58%，均优于其他对比模型；③在永川区高庙村的提取结果相对误差绝对值为7.95%，表现优于DeepLabV3+网络模型。综上，改良后的DeepLabV3+网络能有效改善耕地提取效果，在减少参数量、提升运算速度的同时提高了提取精度，具备一定的普适性和可迁移性，可以为农业规划提供精准的耕地空间分布信息。
草地地上生物量（Above Ground Biomass，AGB）是反映草地生态系统功能和评价草地生产力的重要指标，准确估算草地AGB对草地经营管理和生态环境评估具有重要意义。本研究以锡林浩特、呼伦贝尔和鄂尔多斯3个不同类型草原的部分草地为研究区，基于无人机多光谱数据、激光雷达数据和野外实测样本数据，获取多个纹理和植被指数，并通过多种特征筛选方法得到不同特征组合，利用随机森林（RF）、多元线性回归（MLR）、BP神经网络（BP）、支持向量回归（SVR）、长短时记忆神经网络（LSTM）5种回归分析算法构建草地AGB估算模型，对比评估得到最优估算模型，并进行空间生物量估算。结果表明：①使用特征重要性方法筛选出的光谱指数特征组合结合样方内植被平均株高（Mean Height）实测数据在多模型对比估算草地AGB时具有较高精度；②随机森林模型较其他模型估算精度更高，使用决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）作为精度评价指标，测试样本R²达0.859，RMSE和MAE分别为35.17、28.22 g/m2。经验证，融合多源遥感特征与机器学习算法可有效突破传统AGB估算的局限性，基于优选特征组合的随机森林模型为草地AGB的精准估算提供有效的方法支撑。
静止气象卫星成像仪可以对海雾进行大范围连续性监测，但当云层遮盖在雾区之上时，卫星接收到的信号主要来自上层云，从而很难判断低层是否存在海雾。而东海海域云下雾事件多发，制约着卫星在海雾探测中的业务应用。根据静止气象卫星葵花8号（Himawari-8）搭载的先进成像仪AHI（Advanced Himawari Imagers）通道设计特点，结合辐射传输理论模拟和真实观测数据，创新性地提出了针对高层冰云覆盖雾区之上的海雾检测方法。该方法利用两个长波红外（8.5和11 μm）通道进行云顶相态（冰云或水云）识别，若判断为冰云，进而根据水云、海雾在短波红外（1.6和2.25 μm）和可见光（0.64 μm）通道的辐射特性，实现低层水云和海雾的检测与分离。最后利用星载激光雷达CALIOP（Cloud-Aerosol Lidar with Orthogonal Polarization）资料对算法的准确性进行对比验证，结果表明两者有较好的一致性，且平均正确率49%、误警率7%、可靠性因子46%。由于云下雾探测属于卫星遥感领域的难点问题，该结果证明本方法有实现冰云遮挡下的海雾检测的能力。
区域性贫困是区域社会经济发展不平衡的核心表现。快速、客观与准确地获取区域性贫困测度数据对揭示区域贫困演变过程和制定精准扶贫决策至关重要。本研究以脱贫攻坚重要战场的山西省117个县区为研究对象，基于2011~2020年夜间灯光数据和统计数据，借助脆弱性—可持续生计框架，构建区域最适多维贫困测度关联模型，并借助空间自相关及冷热点分析，揭示其贫困程度及时空演化过程。研究结果表明：①构建的三次多项式多维贫困关联模型精度高，准确率和平均相对误差分别介于81.03%~84.48%和18.01%~22.63%之间；②从时间上看，山西省多维贫困水平程度上呈改善趋势，多维贫困指数估算值（MPIe）极低和极高等级县区数量显著下降，较低、中等和较高等级县区数量呈波浪式上升趋势，贫困程度两极分化在缩小；③从空间上看，MPIe栅格空间化高值出现在城区，主要集中分布地势相对平坦的区域，MPIe低值主要分布在吕梁山区和燕山—太行山区，具有连片分布的特征；莫兰指数（Moran’s I）揭示区域贫困呈集聚趋势，且贫困程度晋南高于晋北，东部高于西部；贫困程度在减轻，贫困两极分化在缩小；局部空间关联指标（LISA）指数揭示山西省多维贫困低低聚集分布最多，高高聚集较少；冷热点分析揭示热点区呈现出集中连片特征，与高高集聚区相对应，次热点区围绕热点区分布，冷点区和次冷点区数量很少。夜间灯光数据对贫困模拟具有合理性、客观性，使得多维贫困模型能够较好地表征山西省贫困程度。
甘公网安备 62010202000685号
