遥感变化检测是指对同一区域不同时间获取的遥感影像进行对比和分析，提取地表覆盖变化的技术。随着卫星和传感器技术的快速发展，对地观测数据显著增加，变化检测在地理国情监测、生态环境保护等领域发挥越来越重要的作用。深度学习因其强大的特征挖掘能力，目前已成为变化检测的前沿方法。研究从像素级、对象级和场景级3个方面总结了深度学习变化检测方法的主要进展，并结合3个研究案例具体探讨了深度学习在变化检测中的应用，最后对深度学习变化检测的发展趋势进行了展望。

松材线虫病是毁灭性的松树病害，严重威胁我国森林生态安全。及时可靠的获取松材线虫病发生范围和病害程度对于森林管理和病害防控极其重要。然而松材线虫病传播速度快、防治难度大，传统人工调查方法难以满足需求。无人机遥感能够快速、准确的获取森林病虫害空间分布和病害程度，为森林病虫害防治和管理提供可靠的信息支撑。本研究利用无人机获取高分辨率红绿蓝（red-green-blue，RGB）可见光影像，首先使用面向对象的多尺度分割算法进行单木树冠提取，并计算植被指数（VIs）、纹理特征（GLCM），再利用特征选择算法优化特征集，使用随机森林分类（Random Forest，RF）和支持向量机分类（Support Vector Machine，SVM）算法构建松材线虫病分类模型，通过消融实验选取最优分类模型，最终实现松材线虫病病害程度和空间分布状况制图。结果表明：在面向对象单木树冠尺度上不同病害程度的松树冠层植被指数和纹理特征有所差异，使用植被指数（VIs RF：OA=76.52%，Marco-F1=0.77；SVM：OA=79.68%，Marco-F1=0.79）分类结果精度优于纹理特征（GLCM RF：OA=46.74%，Marco-F1=0.47；SVM：OA=62.09%，Marco-F1=0.54）；相比使用单一特征集，植被指数和纹理特征的组合可显著提高分类精度，说明多特征组合可以有效提高病害分类效果（VIs&GLCM RF：OA=79.47%，Marco-F1=0.80；SVM：OA=85.45%，Marco-F1=0.85）；无论是单一特征集建模，还是组合特征集建模，SVM模型分类效果都优于RF模型。本研究为全面掌握松材线虫病病害程度及空间分布情况提供及时、可靠的信息支持，有助于推动重大林业有害生物防治体系建设，维护生态安全。

遥感图像的超分辨率重建是利用图像分析方法和模型从一幅或多幅低分辨率图像重建出高分辨率图像，从而改善遥感图像数据质量的一类方法。该方法旨在恢复传感器成像、存储和传输过程中丢失的高频细节。其核心在于构建表达高低分辨率图像之间的映射关系。本研究首先回顾了图像超分辨率重建的主流方法及代表性研究工作；其次，重点分析了传统方法和深度学习方法在单幅遥感图像超分辨率重建研究中取得的进展。结果表明：①模型轻量化与实时性是当前单幅遥感图像超分辨率重建方法面临的主要挑战；②亟待构建面向遥感图像超分辨率重建方法研究的公共数据集，完善方法研究的评价指标体系。最后，通过实验讨论了基于双三次插值、卷积神经网络、生成对抗网络和扩散概率模型框架下的超分辨率重建方法对单幅遥感图像超分辨率重建的效果，为后续研究与应用提供参考。

以青藏高原为核心的“亚洲水塔”区具有地形复杂、天气多变的特点，特别是高山地区地面观测站点稀少。现有遥感观测在能量与水循环要素监测方面缺乏系统性，观测精度有限，难以全面揭示亚洲水塔区水量平衡的时空分布特征及其变化规律。在“第二次青藏高原综合科学考察研究”专题项目支持下，本研究系统开展了青藏高原能量与水循环卫星遥感观测研究，取得以下主要成果：研制和共享了15种能量与水循环关键要素的卫星遥感数据集，改进和发展了各要素的卫星反演方法和技术，构建了亚洲水塔区域能量平衡（6种）与水循环（9种）关键要素的卫星组网观测系统，涵盖云、辐射、地表温度、发射率、反照率、净水通量、大气水汽、土壤水分、土壤冻融、积雪覆盖与雪深、陆地水储量与水体变化等参数，生产了高精度、时空连续和高时空分辨率的能量和水循环要素的系统遥感数据集。基于该数据集的系统分析表明：青藏高原地表蒸散发多年平均空间分布格局受降水分布控制，表现为由东南向西北递减的趋势。蒸散发在大部分区域（干旱和半干旱区）主要受水分条件控制，仅在少数湿润区域受辐射因素主导。影响高原蒸散发的能量和水循环的其他要素如地表下行长波辐射等能量参数呈现增加趋势，地表反射率呈现下降趋势，与积雪覆盖度的降低趋势相比具有显著的相关性；此外大气水汽、土壤水分、湖泊面积以及陆地水储量等水循环关键参数均呈现出显著的增加趋势，而积雪覆盖度和地表年冻结天数呈现减少趋势。总体而言，自2000年以来青藏高原总体呈现出变暖变湿趋势。本研究提供的数据集有助于支撑遥感与模式结合，促进区域气候-陆面和多圈层水文的模式的验证和改进。

高分影像地物分类是遥感分类研究热点之一。传统的卫星影像湿地分类采用人工提取特征解译方式，费时费力且精度低，高分影像下湿地植被特征复杂，湿地水文边界季节性波动，实现自动、高效地高分影像湿地分类是亟待解决的问题。为促进高分影像在湿地分类中的应用，研究阐明了深度学习在高分影像湿地分类中的优势，总结了在高分影像中常用的深度学习分类模型，分析了深度神经网络、卷积神经网络、生成对抗网络在湿地分类中的最新研究成果。最后从样本、模型两个方面对深度学习在高分影像湿地分类中存在的问题以及后续的研究趋势进行了展望。

湖泊作为主要的地表水资源载体，在调节河流水量以及满足生活、生产和生态用水需求方面发挥着重要作用，同样人工湖泊（水库）在供水、灌溉、发电和生态保护等方面也起着关键作用。近年来，受气候变化和人类活动影响，湖泊和水库（简称“湖库”）的水量和水质发生很大变化，长时序遥感监测能够更加客观精准地认识其时空变化规律。研究结合多源遥感影像数据和卫星测高数据，提取了2013~2022年中国重点监测湖泊（83个）和水库（118个）的面积和水位，估算了湖库的水量变化，并通过国家相关部门发布的水质月报，对重点湖库的监测数据进行整理，分析其富营养化等级的变化，最后对两者进行综合分析。研究结果表明：从水量方面来看，2013~2022年期间中国重点湖库水量整体呈增加趋势，湖泊水量增加了10.65 km³，水库水量增加了2.50 km³；从水质方面来看，大部分监测的湖泊水质较差，处于中度到轻度富营养等级，总体上看中度到轻度富营养等级的湖泊数量呈现逐年增加的趋势；水库水质相对较好，但部分水库水质呈现变差的趋势。联合水量和水质的变化信息分析发现，湖库在处于中度富营养等级时水量变化幅度较大，且水量与水质之间存在不同的相关性。其中33个湖泊的水量与水质变化表现为负相关关系，尤其是东部平原的城西湖和石臼湖，相关系数分别为-0.67和-0.90。此外，接近50%的水库水量与水质变化表现出正相关关系。通过联合湖库水量与水质监测数据，对两者的关系进行探讨，可以为湖库的水资源综合管理和生态保护提供重要的科学依据。

日光诱导叶绿素荧光（SIF）作为植被光合作用的探针，其卫星遥感技术正迅速发展并得到广泛应用。本文系统阐述了SIF卫星遥感的原理、关键进展及前沿科技挑战。首先，系统介绍了SIF遥感反演原理与算法。SIF反演的核心在于从上行辐射中精准分离反射光与荧光信号，当前主流方法包括物理模型算法和数据驱动算法两大类。发展高鲁棒性、对仪器参数低敏感性的高精度算法始终是研究热点，然而红光波段反演仍存在显著不确定性，亟需变革性算法突破；其次，回顾了过去30年SIF卫星遥感发展历程。国产卫星SIF遥感虽然已实现高精度反演的技术突破，但在卫星寿命、数据共享与应用深度方面与国际先进水平仍存在一定差距。我国2026年计划发射的下一代碳卫星（TanSat-2）预计将提供具备2 km空间分辨率、全球逐日覆盖能力，以及红光/远红光双波段观测的SIF数据集，有望从根本上解决现有卫星数据存在的分辨率低、信噪比低以及重访频次低等瓶颈问题；最后，综述了卫星SIF产品时空尺度融合方法与进展。相比机器学习模拟方法，基于空间降尺度算法的卫星SIF产品虽在时空连续性方面稍显不足，但因其保留了观测信号核心特征，从而具有独特优势。因此，尽管“弱信号高精度反演”仍是SIF卫星遥感的根本挑战，但随着载荷技术和反演算法的持续进步，SIF卫星遥感将在植被生态监测、气候变化响应、农业与资源管理等科学应用领域发挥日益重要的支撑作用。

过去20年，围绕植被光谱不变理论（也称为p理论）的建模理念得到了快速发展。2023年底，作者在Remote Sensing of Environment发表了题为“Photon recollision probability and the spectral invariant theory：Principles，methods，and applications”的综述文章（DOI：10.1016/j.rse.2023. 113859），全面阐述了p理论的提出背景、建模原理、光谱不变量的获取与p理论应用等。本研究在英文版的基础上，对p理论进行了进一步系统整理并补充了一些新的认识。首先阐述了p理论的基本要点，介绍了不同光学参数和再碰撞概率尺度转换的基本原理，总结了光谱不变量获取的经验方法、光谱方法和结构方法等，分析了p理论在冠层反射率建模以及植被结构和生理参数反演与估算中的应用。文章剖析了原文中的几处关键创新点，最后探讨了p理论的未来发展方向及我国在相关方面的研究。

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。

植被总初级生产力（Gross Primary Production， GPP）是陆地植物通过光合作用固定的有机碳的总量，同时也是陆地生态系统碳循环的开始。遥感观测数据驱动的GPP模型，能够实现监测GPP的时空变化。基于遥感数据驱动的GPP数据产品，为研究植被功能、陆地碳循环、全球变化等课题提供有效数据支撑。然而现有遥感数据驱动的GPP数据无论在绝对量级、空间分布、年际变化等方面均具有较大差异，导致对GPP全球估算存在较大不确定性。该不确定性主要源于不同的学者采用了不同的模型框架、遥感驱动数据源和研究时段，因此学者们得出了多样化的研究结论。为此，有必要汇总现有代表性研究结果，提升对遥感数据驱动的GPP模型及其应用的认识与理解。同时也基于目前研究中存在的不足之处，探讨当前遥感数据驱动的GPP模型的共性问题，以及展望未来GPP模型的发展趋势。

土壤有机质（Soil Organic Matter，SOM）是土壤固相部分的重要组成成分，可为植物提供生长所必需的养分，也是评价土壤肥力的一个重要参考指标。近年来，遥感技术为实现SOM的高效估算与制图提供了新途径，但环境干扰与数据复杂性仍是重要挑战。本文系统综述了常用的多光谱、高光谱数据在SOM反演与制图中的应用，并探讨了相关数据处理方法。研究表明：实验室控制条件下获取的光谱数据因环境稳定，其模型精度与稳健性显著优于野外实测数据；针对高光谱数据的特征选择与提取可降低数据维度与多重共线性，从而提升反演精度；融合机器学习与深度学习的集成建模框架，相较于单一模型，能更有效刻画土壤系统的非线性复杂特征；多时相数据通过整合植被季相动态与时间演变信息，进一步提高了模型预测能力。然而，光学数据易受大气条件制约，尤其在中国南方多云雨地区难以获取高质量影像，而微波遥感凭借全天候观测、地形适应性强等优势成为重要补充。未来研究需侧重多源技术协同：通过光学—SAR融合、多传感器平台联用及物理信息驱动的机器学习，削弱秸秆覆盖、土壤水分等混杂因素的影响；利用小波分析与盲源分离等预处理技术分离土壤特征光谱；构建融合土壤类型、农艺措施及气候变量的时空建模框架，增强预测普适性。同时，需发展可解释性人工智能模型与地理自适应的空间插值方法，以提升模型科学性与全球尺度的适用性。本研究为多源遥感技术支撑精准农业与可持续土地管理提供了理论与实践参考。

黑臭水体是一种极端的水污染现象，是许多城市普遍存在的问题，严重影响人居生活的幸福感、获得感。因此，解决城市黑臭水体问题迫在眉睫。科学监测水体黑臭情况是城市黑臭水体整治工作的第一步，为后续治理评估提供准确的整治对象。相对于传统的地面监测手段，遥感是一种更有效发现黑臭水体的方式，能更大范围、更快速连续地识别出水体黑臭区域并及时全面地展示黑臭水体时空演变过程。系统回顾了城市黑臭水体遥感监测的主要研究进展，首先，简要介绍了黑臭水体概况，总结了城市黑臭水体的遥感特征以及常用数据源。其次，详细探讨了城市黑臭水体遥感识别和分级的方法，并对比分析了各方法的适用性和优缺点。最后，总结了当前城市黑臭水体遥感研究现状以及不足之处，并展望了未来的发展方向。旨在为相关研究提供借鉴与思考，为黑臭水体长效治理提供更好的决策支持。

火灾威胁人类的生命和财产安全，对生态系统造成巨大破坏。火烧迹地的遥感响应特征研究，对于火烧迹地的准确提取、火灾损失的定量评估及植被恢复有重要意义。本研究基于Sentinel-1 SAR遥感影像，针对6个火灾案例分析了森林、火烧迹地、建筑物、水体等地物在雷达图像的响应特征，并分析了火烧迹地在灾前1年至灾后2年的时间序列变化规律。结果表明：火烧迹地的交叉极化比值和VH极化后向散射强度相比于未过火区更低，建筑物VH和VV极化的后向散射强度远高于其他地物，水体在两种极化的后向散射均非常低，而交叉极化比值较高。在时间序列方面，VV极化后向散射强度呈现明显的季节变化；多数案例中灾后一个月内VV极化的后向散射强度明显升高，交叉极化比值迅速下降。Sentinel-2 MSI遥感影像计算的归一化燃烧指数NBR时间序列变化与SAR影像有一致的规律，呈现明显的季节变化，灾后半个月内迅速下降，随后逐步恢复。

城市功能区识别可为城市建设决策提供技术支撑。本研究提出了面向城市功能区识别的多源场景特征Transformer融合方法。利用路网构建交通分析区（Traffic Analysis Zone，TAZ），采用Delaunay三角网创建POI（Point of Interest）数据的图结构，通过TAZ获得遥感数据的影像对象；利用图卷积网络提取POI图结构的社会场景特征，由ResNet-50编码遥感数据的自然场景特征；基于Transformer的多头注意力机制融合多维特征，依托SoftMax实现功能区识别。以沈阳市主城区为例，以2021年的OpenStreetMap、POI和遥感数据为数据源。该方法的总体精度和Kappa系数为82.2%和70%，Kappa系数较单一数据方法和其他融合方法至少提高18%和9%。本研究采用Transformer融合社会场景特征和自然场景特征，解决了多源数据难以集成表达的问题，为城市功能区识别提供了新的技术路径。

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。

森林生态系统在调节气候、水土保持、碳平衡等方面具有重要作用，但近年来该系统受到气候变化和人类活动的扰动在日益加剧，急需精准及时的森林变化监测。遥感技术凭借其多时间分辨率数据优势和自动化处理能力，已成为森林变化监测的关键手段。本研究聚焦多时间分辨率遥感变化监测方法，系统梳理并比较了双时相和时间序列遥感两类技术，其中双时相变化监测涵盖了人工目视解译、传统机器学习和深度学习技术；时间序列则包括时序趋势分析、动态变化监测和多算法集成等方面研究。通过归纳深度学习与多模态时序数据在实际运用中的相关问题，提出了相关解决方案，为提升森林变化监测的精度提供借鉴。

雪崩是高寒山区主要的自然灾害之一，但与滑坡、泥石流、山洪和干旱等灾害相比，较少被关注。本研究在概述西藏过去主要雪崩灾害事件的基础上，对西藏雪崩灾害的空间分布和主要驱动因素进行分析，同时通过积雪覆盖的空间分布和数字高程模型数据对西藏雪崩易发区进行制图，并利用藏东南雪崩观测数据对制图结果进行验证。结果显示，念青唐古拉山东南部和喜马拉雅山南坡是西藏雪崩灾害发生频次最高的两个区域，高原内陆因降水少，地势相对平坦，雪崩发育受到抑制，仅在高寒常年积雪山区和冰川作用区才有常年雪崩存在。在全球气候变暖背景下，由于人类到高海拔山区的活动日益增多，雪崩灾害造成的人员伤亡呈增加趋势。除了在藏东南川藏铁路和公路等关键区域实施工程防控措施之外，加强监测和早期预测预警服务是西藏高寒山区雪崩灾害防控的重要途径。本研究对全球其他高寒山区的雪崩易发区制图和灾害防控措施同样具有重要借鉴意义。

GRACE卫星开创了遥感定量反演地下水变化量的新纪元，但存在空间分辨率低的问题。高分辨率地下水数据的获取将显著提升对局部水文过程的认识精度，为制定科学合理的地下水资源管理策略提供关键数据支撑。研究整理了黄河流域降水、气温、蒸散发、地表温度、归一化植被指数、土壤水等特征因子，首先采用偏最小二乘回归法针对1~12月份分别进行特征因子筛选，构建逐月最优特征因子集；之后，运用随机森林算法对黄河流域地下水数据进行由0.25°× 0.25°降尺度至1 km×1 km的研究，并结合实测地下水位数据进行对比验证。结果表明：①除了蒸散发和地表温度以外，其余因子的重要性随月份的改变而改变；②时间序列上，降尺度前后地下水数据的相关系数和纳什系数均高达0.95，均方根误差为3.17 mm；③空间上，与降尺度前对比，降尺度后的地下水储量变化数据与实测地下水位的相关系数提高了47.67%。研究结果能够满足实际应用对高分辨率地下水数据的需求，并为地下水降尺度研究的特征因子筛选提供参考。

为实现更加准确的红树林提取与监测，以温州市鳌江沿岸等4个红树林种植区为研究区域，采用Sentinel-2遥感影像数据，基于DeepLabV3+语义分割模型对红树林的分布进行识别提取与精度验证，并应用于2019~2023年红树林的时序变化分析。结果表明：①由DeepLabV3+网络构建的红树林信息提取模型，能较好的区分红树林与非红树林区域，误提、漏提现象较少；②与传统机器学习方法相比，语义分割算法明显更优，其中DeepLabV3+方法的精度最高，其精确率为84.89%，Kappa系数为0.82；③红树林的生长受地理位置和生长环境的影响较大，海岸潮间带或入海口处的红树林更易受到台风、潮汐等的影响，互花米草等外来物种对红树林生长空间的侵占等因素都是造成红树林幼苗成活率低、生长速度慢的关键因素之一。因此，基于DeepLabV3+的语义分割模型能较好地识别与提取红树林，为温州市红树林的监测与评估提供数据基础支撑。

地下煤火被称为“没有地理界限”的全球性灾难，不仅造成了煤炭资源的巨大浪费，还对生态环境和社会安全发展构成了严重威胁。遥感技术在探测识别地下煤火的长期应用中展现出了独特优势，为煤火的监测和治理提供了重要的技术支撑。围绕地下煤火引发的典型地表响应特征，阐述了煤火区遥感探测识别的基本原理，对现有地下煤火区遥感探测识别方法进行了系统分析和综述，并探讨了各个方法的优势和局限性。在此基础上，剖析了当前研究存在的不足，并对面临的挑战和未来的发展方向进行了展望。

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。

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。

掌握详细、准确的人为CO₂排放清单，加强对CO₂排放的有效管控，对于实现“双碳”目标意义重大。在有效评估EDGAR、ODIAC全球人为CO₂排放清单在中国地区可靠性的基础上，结合多源遥感数据，构建了基于随机森林的高精度、高分辨率中国区域人为CO₂排放估算模型，实现了1 km×1 km分辨率2005~2020年人为CO₂排放的时空估算，并结合空间自相关分析探索了研究区人为CO₂排放的集聚模式，开展了中国地区整体以及集聚重点区域人为CO₂排放时空变化特征分析。结果表明：中国地区人为CO₂排放估算模型能有效融合全球清单与遥感数据优势，为精细尺度人为CO₂排放时空估算提供有效支持；2005~2013年全国人为CO₂排放量急剧上升，从55.3亿t增长至107.3亿t；2013~2020年CO₂排放增长率回落，变化趋向平缓；中国整体人为碳排放呈现“东高西低、沿海高内陆低”区域性特征，且在长江三角洲地区、京津冀地区、西部地区重点集聚；不同地区的人为碳排放特征与其工业化进程、经济发展水平、城县规模等有着密切联系。

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。

辽河口滨海湿地是我国最北的河口湿地，是多种水禽的理想繁殖地和迁徙驿站。近年来在该区域开展了多种生态修复工程以改善人类活动导致的生境退化问题。为高效评估湿地生境质量和修复效果，亟需利用遥感技术精准地绘制湿地地表覆盖分类图。然而，目前辽河口滨海湿地的遥感分类研究方法上大多基于面向对象，制图结果不够精细且有待更新，还需深入研究像素级方法和密集时序信息的利用在该区域的效果。依托Google Earth Engine（GEE）平台，综合利用哨兵二号、哨兵一号和地形等长时序多源数据，重构多年密集时序植被指数以获取物候特征，并提取光谱指数、纹理、地形、雷达等特征；再利用实地采样与样本迁移生成多年样本数据集，基于随机森林模型开展2018~2022年辽河口湿地像素级精细分类制图研究，并评价不同特征对分类精度的影响。结果表明：结合GEE和密集时序信息的分类方法总体精度达到95.77%，物候特征的加入对精度提升最明显，能显著改善碱蓬与芦苇、水稻及水产养殖池间的混分现象，添加纹理与雷达特征能显著提升水产养殖池及建设用地的分类效果。近5年来，水产养殖池减少，滩涂、碱蓬面积明显增长，表明该区域开展的生态修复工程取得了一定成效。研究成果可为分析辽河口滨海湿地地物时空变化及驱动机制提供技术和数据支撑，对加强湿地生态保护和修复工作具有重要意义。

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。

全球约60%的甲烷排放与人为源有关，有效控制人为源甲烷排放对当前温室气体减排具有重要意义。能源部门是人为源甲烷排放的主要来源之一，其甲烷排放事件能追溯到具体的排放设施（即点源分布），且甲烷排放速率呈重尾分布。高分辨率高光谱卫星遥感数据具备从点源尺度监测甲烷排放事件的能力，并可实现对具体排放设施的溯源。在进一步发展高光谱卫星遥感的甲烷点源反演方法的基础上，通过WebGIS平台构建了全球能源部门甲烷排放点源的高分辨率遥感监测系统，其集成了点源反演算法、甲烷排放反演数据库和动态监测平台等模块，截至2024年底，已实现对全球573处能源设施甲烷点源排放事件的有效遥感监测。研究构建的监测系统可对煤矿与油气等的开采及存储导致的突发甲烷排放事件进行动态遥感监测，并针对具体事件进行设施溯源，为能源部门的排放源识别与估算工作提供支持与验证数据，以响应全球甲烷减排的总体目标。

人类活动与土地覆被的相互作用对生态系统具有重要影响。基于山西省土地覆被估算2015和2020年陆地表层人类活动强度指数（HAILS），采用空间分析研究其在空间格局、坡度和水流路径的时空分布特征，利用相关性指数讨论HAILS的有效性，并探讨其变化的影响因素。结果表明：2015~2020年HAILS较高的区域主要分布在盆地及汾河沿岸，在各坡度带中，HAILS值大于20%的面积占比均增加。水流路径结果发现，汾河和其他河流的HAILS值在2 km后显著下降，且20 km以前以及28 km之后，汾河的HAILS值最高。HAILS与实际用水量和第一、二、三地均GDP显著相关，但与人口密度、地均GDP及夜间灯光数据呈弱相关。因此，经济发展、产业结构及生态保护政策是影响人类活动强度变化的主要因素。

土地利用方式不断发生变化，对黄河流域的生态环境、社会经济发展均产生深远的影响。明晰黄河中游流域土地利用的动态变化特征，可为实现黄河流域的可持续发展提供科学依据。本研究基于黄河流域中游1995年、2005年、2015年、2023年4期Landsat遥感数据，通过支持向量机（SVM）和最大似然法分类获得示范区土地利用空间分布，利用土地利用变化、转移矩阵等定量指标，分析研究区1995~2023年土地利用变化特征，并通过建立FLUS-Markov模型，预测研究区2025年、2030年的土地利用变化。针对6类（森林、草原、湿地、耕地、建设用地和未利用地）土地利用变化，结果显示：①在过去近30年，耕地和林地分别减少8 600 km²、6 400 km²，建设用地面积增加7 500 km²；②土地利用类型的转移方向多样，主要为耕地向建设用地、植被方向转变，各地类景观在空间分布上趋于均衡，城市协调发展；③在1995年至2023年期间，森林、草原和建设用地的数量呈上升趋势，而湿地、耕地和未利用土地的数量呈下降趋势；④未来10年间，黄河中游土地利用变化明显，因为人类需要更多的土地进行建设。

森林郁闭度是森林资源调查中的重要参数，在评价和监测森林生态系统的稳定性上有重要作用。随着遥感技术的不断发展，利用多源遥感数据进行大范围森林郁闭度估测已成为热点。本研究基于激光点云和多源光学遥感数据，使用机器学习算法构建回归模型，用以估测大范围森林区域的郁闭度。首先，由机载激光雷达（Airborne Laser Scanner，ALS）点云数据计算森林郁闭度真值作为回归模型因变量；其次，通过Sentinel-2 MSI、Landsat-8 OLI和Sentinel-1 SAR影像数据提取植被指数、纹理等18种特征作为回归模型自变量；然后，以广西区域的14块森林样地为例，使用随机森林回归（Random Forest Regression，RFR）和支持向量机回归（Support Vector Regression，SVR）两种机器学习模型，实验不同的自变量组合方案对森林郁闭度反演的影响；最后，选择最优的变量组合和机器学习方法对广西区域进行森林郁闭度制图。实验结果表明：RFR比SVR的反演效果好，S2+S1组合的精度最高，相关系数R² = 0.703，均方根误差RMSE = 0.19，平均绝对误差MAE = 0.13，同时，极化特征可明显提高森林郁闭度的反演精度。

缨帽变换是一项广为应用的遥感影像处理技术。其中，针对Landsat 8卫星影像，已有Baig等、Zhai等、Liu等提出了3种缨帽变换算法。但这3种算法间的一致性如何，用户在使用时究竟选择哪一种算法，并不清楚。另外，这3种算法中，除了Zhai等提供了基于地表反射率（SR）数据的算法，其它2种算法都仅提供基于表观反射率（TOA）的算法。因此基于表观反射率数据的算法是否能够应用于地表反射率数据，也亟待验证。为此，选取了3幅土地覆盖类型不同的Landsat 8影像、利用前述3种算法进行缨帽变换，对反演结果进行定量对比以查明各算法间的差异。结果表明：3种算法中，Baig与Zhai两种算法的一致性最高，3个分量之间的平均R²达到0.974 4，平均RMSE只有0.025。而Liu算法的反演结果与Baig和Zhai算法的反演结果总体相差较大，其与Baig和Zhai各分量的平均R²分别为0.803 1和0.865 2，平均RMSE分别为0.077 6和0.065 5。因此，Baig和Zhai的反演结果更具有可比性。另外，将Baig和Liu基于TOA反射率推导的缨帽变换算法代入地表反射率SR数据进行计算的结果表明：基于SR反射率和TOA反射率反演的各分量普遍差距较大，RMSE可达0.053 5，平均|PC|可达146.07%。因此不建议将Baig和Liu的TOA反射率算法代入SR数据进行缨帽变换。综上，推荐用户使用Zhai等提出的、可适用于TOA和SR两种反射率数据的Landsat 8缨帽变换算法。

星载遥感器观测的大气成分资料在气候、大气环境研究领域的应用，推动了大气成分遥感从可见短波红外到紫外波段、从通道式探测向高光谱探测技术的快速发展。高光谱数据定量应用的前提是数据经过精确的光谱定标和辐射定标，相较发展较为成熟的可见短波红外波段的遥感器定标技术，受星上定标装置稳定性、大气臭氧带状吸收等因素的影响显著，紫外波段高光谱遥感的星上定标技术是亟待突破的技术难点。研究结合国内外紫外波段高光谱大气成分遥感器，综述了星上光谱定标、星上辐射定标和替代定标技术，在比较可见光波段卫星遥感器在轨定标方法优缺点的基础上，分析了现有定标方法在紫外波段的适用性和存在的问题，结合星载大气成分新型遥感器的发展趋势，展望了紫外高光谱大气成分遥感星上定标需要重点解决的技术，为星载紫外遥感器的研制改进、紫外遥感器定标精度的提升提供参考。

有色可溶性有机物（Colored Dissolved Organic Matter，CDOM）具有光学特性和重要遥感监测优势，它是生物地球化学循环的重要组成部分，具有光学活性的一部分，广泛存在于各种水体中，在全球水生生态系统循环、水色水质遥感和全球碳循环中都有重要的作用。不同区域和类型下CDOM光学特性具有显著差异性，可以为今后在内陆水体CDOM反演时普适性模型构建中加入关键环境与人为影响因子提供思路。本研究通过文献收集全球不同水域和类型湖泊CDOM特征进行分析，总结归纳不同纬度、不同水质类型湖泊的CDOM时空分布规律与来源特征，结果表明在不同自然地带分异下根据水体光学特性建立的模型能够更加准确攫取影响CDOM变化规律的关键因子。研究结果为内陆水体富营养化治理、有机污染物管理、水源地保护和人类社会可持续发展等提供科学依据，也为完善内陆水体碳估算提供数据支撑。

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。

本研究首次联合无人机视角下的可见光与热红外图像，提出了一种基于跨模态特征解耦与重聚焦的多模态语义分割模型CDFNet。CDFNet创新性地设计跨模态特征解耦模块，精细解耦并增强各模态的互补判别特征，提高融合特征场景表征能力；在解码阶段进一步提出模态判别特征聚焦注意力解码器，动态优化模型对于微小目标的注意力聚焦范围，降低场景干扰信息对语义分割的影响。在Kust4K数据集上进行实验验证，CDFNet相较于基线模型与当前先进多模态语义分割方法Sigma，mIoU分别提升了6.3%和3.1%。；特征可视化与模态鲁棒性实验表明：CDFNet相较于其他方法，在低信噪比复杂城市道路场景中，能得到更加鲁棒的特征表示，有效提高无人机视角下微小目标的分割精度。

准确估算叶片或冠层叶绿素含量对监测作物生长状况至关重要。作物叶绿素遥感监测是一种非破坏性、大面积、实时的监测方法，需要可靠的反演模型和卫星数据。以夏玉米为研究对象，采用 PROSAIL模型，通过局部及全局敏感性分析结合实地调查和相关文献确定模型的参数设置，模拟夏玉米冠层反射率。然后根据地面实测数据和 Sentinel-2A波谱响应函数，得到基于PROSAIL模型的等效遥感反射率模拟数据，结合 Sentinel-2A影像数据计算并分析了典型的高光谱植被指数及改进的波段组合方式的植被指数，以确定叶片叶绿素含量（LCC）和冠层叶绿素含量（CCC）估计的最佳估算模型。最后基于PROSAIL模拟数据、Sentinel-2A影像数据和地面实测数据，开展夏玉米LCC和CCC的建模和验证分析。结果表明：基于PROSAIL模型和基于Sentinel-2A影像构建的植被指数反演的LCC的R²分别为0.61和0.65，RMSE分别为7.54和8.46 μg/cm²，二者的反演精度较为一致，且该反演精度符合夏玉米生长状况监测的要求。利用以上两种方法反演的CCC的R²分别为0.75和0.77，RMSE分别为1.03 g/m²和0.02 g/m²，两类模型反演精度较为一致。本研究为地面实测数据较少的区域农作物叶绿素含量反演提供了一种有效的方法，有助于夏玉米的长势监测和病虫害防治。

准确反演林区积雪面积比例（Fractional Snow Cover， FSC）对于水文过程模拟、气候变化预测以及生态系统管理具有重要意义。基于随机森林（RF）算法与辐射渐进传输（ART）模型，提出RF_ART混合机器学习模型，旨在提高林区积雪面积比例（FSC）的反演精度。模型集成了光谱、植被、地形、角度、地温和积雪粒径等多环境变量，并在北疆阿勒泰和天山中东部林区进行了实验。结果表明，RF_ART在训练影像中的均方根误差（RMSE）平均值约为0.048 0，在测试影像中的RMSE平均值约为0.096 6，与NDSI_FSC和NDFSI_FSC方法相比显著降低。此外，RF_ART与RF_FSC的误差相近，但RF_ART引入了物理约束，提升了模型的稳健性，因此被认为是反演林区FSC的最佳算法。特别是在占主要部分的落叶林区，随着各类型变量的加入，RF_ART模型的RMSE逐渐降低，同时在数据稀缺的情况下，RF_ART模型也表现出极强的鲁棒性和应用潜力。通过混合机器学习模型与多源遥感数据，为林区的积雪面积比例反演提供了重要参考。

针对森林资源精准监测的需求，探索背包激光雷达（Light Detection and Ranging， LiDAR）在生产实践中的森林结构参数提取能力，以浙江建德林场为研究区，基于野外调查采集的8块样地背包LiDAR数据，提出一种改进的K-means分层聚类算法进行单木分割，从分割后的单木点云中分别提取胸径、树高、冠幅、树冠投影面积、树冠体积、间隙率等6个单木结构参数，并计算56个点云分层高度特征，利用随机森林方法，构建单木材积估测模型并估测样地蓄积量。结果表明：改进的K-means分层聚类算法综合分割精度F的平均值为0.87，胸径的提取精度为91.26%，树高的提取精度为85.77%；仅用6个单木结构参数作为输入特征变量的单木材积估测模型，模型拟合结果的决定系数（R²）为0.89，均方根误差（RMSE）为0.053 m³；采用Person相关系数和随机森林特征重要性筛选单木结构参数和分层高度特征后，得到最终的单木材积估测模型，模型拟合结果的R²为0.93，RMSE为0.041 m³；利用最优估测模型估算每个样地的蓄积量，平均精度为94.20%。研究结果表明，提出的改进的K-means分层聚类算法能够有效分割单木点云，随机森林方法可以较好地估测单木材积和样地蓄积量，为背包激光雷达在森林资源参数提取方面提供重要的参考价值。

在过去的几十年里，全球水体不断遭受系统性污染、水质恶化形式严峻。总磷是水质评价的一个重要指标之一，是水体富营养化、蓝藻水华暴发的重要影响因素。本研究论述了总磷与其他光学水质参数关系、不同水体类型总磷浓度遥感反演、总磷浓度遥感算法以及不同遥感平台总磷浓度遥感反演四部分内容。自20世纪90年代至今有300余篇关于总磷浓度反演的文献，近年来研究的热点逐渐集中于“遥感技术”、“机器学习”等话题。对于内陆湖泊水体的研究，主要以Landsat/TM和MODIS影像为主，其中采用绿色波段、近红外波段与中红外波段组合做出的模型精度普遍更高。通过卫星影像数据观察全球湖泊的总磷浓度，发现全球湖泊总磷含量整体呈上升趋势，其中亚洲湖泊最高，其次是南美、非洲和欧洲。大洋洲没有发现明显增加的趋势。随着计算机技术的发展，机器学习算法逐渐成为当前热点，相比于传统算法，运用机器学习算法所构建的模型精度更高。随机森林算法因其构建的模型相比于其他机器学习算法拥有更高的精度而被广泛应用。随着研究的不断发展，构建一个适用于不同水体类型的总磷浓度模型是未来大势所趋，同时具有高空间分辨率及高时间分辨率传感器的研发更是迫在眉睫。

研究提出了一种针对热带常绿阔叶林的不同叶龄组分叶面积指数（Leaf Area Index，LAI）拆分方法。该方法将冠层简化为不同叶龄阶段的三大叶片（即幼叶，成熟叶和老龄叶），基于叶片光合生化模型和大尺度卫星遥感气候数据，反演出不同叶龄阶段的叶片碳同化过程，再在邻近相似理论基础上利用带有约束条件的最小二乘法实现了对LAI的有效拆分。经地基物候相机数据验证，各叶龄段LAI的季节动态均与验证数据相似，幼叶R²均值可达0.32，成熟叶R²均值达到0.61，老龄叶R²也可达0.49，表明该方法在捕捉3组LAI的季节性方面呈现出良好的性能。同样，经该方法分解后生产的叶龄组分LAI数据具有较均匀的空间异质性，其聚类格局与由太阳诱导的叶绿素荧光、降水、入射短波辐射等多源遥感数据绘制出的物候格局一致。