沙漠化是我国北方土地退化的主要形式之一，也是国内外研究中的重要环境问题。以民勤县为例，讨论了 CART（Classification and Regression Tree）决策树在沙漠化研究中的应用，并使用Landsat8 OLI遥感影像为数据源，构建了一种可行的用于研究区的沙漠化信息提取规则，进行地表沙漠化信息提取。结果表明：所构建的决策树模型结构简单，沙漠化提取效果较好；在研究区域达到87.70%的分类精度，Kappa系数为0.848 4，分类精度也较高。同时，归一化裸露指数（NDBI）和地表反照率（Albedo）是两个明显的沙漠化特征量，在沙漠化提取中起着重要作用。然而，CART决策树作为一种基于监督的分类方法，模型构建时，选择相对较高质量的训练样本和准确合理的输入端变量，可大大提高沙漠化信息的提取精度。

为检验TESEBS(Topographical Enhanced Surface Energy Balance System)模型在高原地区的适用性，利用2014年高原9个站点的实测资料对TESEBS模型进行适用性检验，鉴于模型估算的感热通量偏差较大，提出利用地表温度植被指数(LST\|NDVI)特征空间法来确定蒸散发率，并将模型估算的卫星过境时刻瞬时蒸散发与实测值进行比较\.结果表明：TESEBS模型估算高原不同下垫面的蒸散发与实测值之[JP2]间的偏差较大；利用LST\|NDVI特征空间法确定蒸散发率能很好地改善模型对蒸散发的估算精度，相关系数从0.65提高至0.83，均方根误差从144 减小至80 W·m^-2，[JP]相对误差从67 %减小至39 %。特征空间法引入后,TESEBS模型估算的地表蒸散发明显小于原模型的估算结果，且模型给出的研究区地表蒸散发分布特征与植被指数NDVI的分布特征相一致。

利用甘肃省2000～2014年MCD45A1数据产品，建立了火灾风险评估的GWLR和BLR模型，从省域和较长时间尺度上进行火险风险的模拟，并进行火险区划。研究表明：GWLR比BLR模型的AICc值更小，可靠性、区分性更强，更适于火灾建模。甘肃省内火点多集中于坡度低于25°，海拔介于1 000~3 000 m，坡向介于0°~90°，年均温3 ℃ ~11 ℃，降水量200~400 mm，距离公路更近的区域，以及NDVI>0.6或NDVI<0.3，0.2<GVMI<0.4的区域。将甘肃省划分为极高火险区、高火险区、中火险区、低火险区4类火险区。气温、地表温度、NDVI、距离和高程对于甘肃省火灾的发生具有空间上的影响。通过运算形成火灾影响因素空间分布图，可为防火措施的科学实施提供参考。


基于古浪县MODIS遥感资料和地面实测样方数据，筛选出干旱区草地地上生物量的敏感指数，构建了该区草地地上生物量反演模型，并对2000~2014年试验区草地产量的时空动态进行了分析。结果表明：基于NDTI指数的草地地上生物量反演模型预测精度较高，可用于大范围干旱区草地地上生物量的快速监测。2000~2014年古浪县生长季最大草地地上生物量空间分布差异明显，由南向北生物量逐渐降低。15 a间温性草原化荒漠和温性荒漠地上生物量呈极显著增加趋势。各草地类型生物量峰值出现在7~8月份，不同草地类型间存在差异。研究结果可为干旱区草地资源和生态环境的动态监测和评价提供科学基础。

遥感和地理信息相结合是实现对变化快速、空间分布范围广的城镇扩展进行实时、准确监测的最佳手段之一。获取城镇扩展的基础数据，把握城镇扩展的空间分异特征及城镇体系结构特征，揭示城镇扩展与耕地保护之间矛盾有助于政府管理部门做出正确的决策。以高分卫星影像为主要数据源，结合土地利用数据对甘肃省87个主要城(市)镇2008~2014年城镇扩展进行监测，对监测结果进行分析。结果表明：甘肃省城镇化发展较快，城(市)镇扩展面积达232.01 km2，扩展强度为25.3%；城镇扩展空间分异大，位于河西绿洲区、兰白城镇带以及陇东能源基地的经济基础好，交通要道沿线的城(市)镇发展迅速，而在甘南山地和祁连山高山地区的城镇规模小，发展落后；城镇体系结构不协调，城镇体系呈二元结构，整体发展水平较低；46.95%的城镇扩展用地源自耕地，耕地保护压力大，提高城镇建设用地节约集约利用水平是协调城镇发展和耕地保护矛盾的有效途径。

土壤水分是联系地球表层物质能量交换的重要纽带，准确监测土壤水分对区域气候、生态、水文及农业生产研究意义重大。机载L波段微波辐射计提供了获取区域土壤水分“真值”的有效手段。结合黑河中游航空试验中的多源遥感及地面观测，发展了一种基于0°入射角的L波段被动微波亮温数据的单通道土壤水分反演方法，获得了研究区3景约700 m空间分辨率的土壤水分反演结果。并对其反演结果进行了点尺度、面尺度和村社尺度3种不同空间尺度上的验证，结果显示：L波段被动微波遥感反演土壤水分在点尺度上的验证精度在0.035~0.055 m3/m3之间；面尺度上验证精度略高于点尺度，其验证偏差在0.02 m3/m3以内；反演土壤水分与村社尺度的灌溉数据，即距前次灌溉的间隔日数，在空间上负相关关系明显，二者间相关系数约为0.3。


土壤水分是地表过程的核心变量之一,强烈影响着陆表—植被—大气间的能量和水分交换。当前基于星载被动微波遥感的土壤水分产品的空间分辨率普遍较粗(25~40 km),无法满足流域尺度水文气象、生态水文模拟及水资源管理等研究和应用的需求,而土壤水分降尺度是目前较为可行的解决方案之一。通过对不同降尺度指标的研究,分析确定每种降尺度指标的适用条件,为土壤水分的降尺度研究奠定基础。利用2013年5月1日~9月30日黑河中游人工绿洲试验区大满超级站的气象数据驱动SiB2模型,分别模拟了土壤水分、土壤表层温度、植被冠层温度以及地表蒸散发、土壤蒸发等变量,利用Penman\|Monteith公式计算了地表潜在蒸散发;利用SiB2模拟结果与P\|M公式计算结果估算获得常用的土壤水分降尺度指标:表观热惯量(ATI)、土壤蒸发(E)、土壤蒸发/实际蒸散发(E/ETa)、蒸发比(EF)、实际蒸发比(AEF)。通过对降尺度指标与土壤水分之间相关性分析可知,在植被的整个生长季,5种指标与土壤水分之间都具有较好的相关性。其中ATI、E、E/ETa以及EF这4种指标与土壤水分之间的相关性都随着土壤深度的增加而逐渐减弱;而AEF与植被根区土壤水分的相关性最好,更能反映根区土壤水分的动态变化。从可决系数来看,各降尺度指标与土壤水分的相关性排序如下:2 cm:E/ETa>EF>E>AEF>ATI;10 cm:AEF>EF>E/ETa>E>ATI;80 cm:EF>AEF>E/ETa>E>ATI。


利用高光谱遥感技术识别农作物类型已经成为高光谱遥感研究的热点领域。以青海省湟水流域内油菜、小麦和青稞等典型农作物为分类对象，以HJ\|1A HSI高光谱数据和GF\|1 WFV高分辨率数据为数据源，探讨利用高光谱遥感影像进行农作物类型信息提取的方法。数据经预处理后，首先，利用WFV数据采用面向对象方法提取研究区农作物种植边界，并利用其对HSI高光谱影像进行种植区域提取；其次，将提取后的高光谱影像经数据形式变换获得包括：R、1/R、Log(R)、d(R)、d(Log(R))和CR共6种数据形式；最后，利用上述6种数据形式的全波段数据和经遗传算法GA\|SVM进行光谱波段选取后的6种特征数据，采用支持向量机SVM方法进行农作物分类。结果表明：采用基于样本的面向对象分类方法提取耕地信息精度高且实现周期短；利用GA\|SVM波段选取后的6种特征数据集进行农作物分类,其精度显著高于全波段数据集分类精度；6种数据变换形式中，d(Log(R))和CR是两种最优的高光谱分类数据形式，其全波段和特征波段数据进行农作物分类均能获得较好的分类精度，总体精度最高分别达88%和86%，而采用1/R/Log(R)和R数据形式需经GA\|SVM光谱波段选取后才能获得较优分类精度。

土地覆被变化是反映区域气候变化和人类活动强度的重要指标，监测土地覆被变化是遥感应用的重要领域。阿姆河作为中亚重要的内陆河之一，是维系区域生态环境和经济发展的重要纽带。利用欧空局(ESA)的Global Land Cover 2000(GLC2000)和全球陆地覆被数据GlobCover的2005、2009共3期数据，以Chatly水文站点位置划分流域上下游，分析了整个流域及上游土地覆被时空变化。研究结果表明：2000~2009年阿姆河流域增加的耕地面积主要来自于自然植被和裸地，裸地面积的增加主要来自于自然植被，水体面积减少10%；在流域上游，2000~2009年耕地面积的增加约占整个流域耕地面积增加的50%，且主要发生在塔吉克斯坦和乌兹别克斯坦的山麓和平原地区，2000~2005年自然植被面积增加主要来自于撂荒的耕地和裸地，而2005~2009年自然植被面积减小主要转换为裸地，水体面积则在2000~2009年增加了153%。阿姆河流域的土地覆被时空变化分析有助于解释人类活动对该流域环境系统的影响，期望对流域水资源综合管理有所启示。
 

 

地面观测数据是进行遥感产品检验的重要数据源，依据地表类型对地面站点代表性进行了分析，把代表性较好的站点应用到AMSR\|E雪深遥感产品的精度评价中\.结果表明：森林地区处于明显低估状态；其他地区随着遥感产品像元内优势类型从灌木、草地到裸地的变化，高估状态呈逐渐减小趋势；森林和灌木地区遥感产品的精度比草地与裸地地区的精度要低；当森林混入裸地或灌木混入裸地、草地时，虽然遥感产品和地面观测之间的误差减小了，但是掩盖了森林地区低估的问题和灌木区高估的问题。利用地表类型一致性较好的站点对2010年1月份月平均雪深验证分析，结果表明：遥感产品在较平坦的森林、灌木、裸地以及草地地区的平均偏差分别为-5.56、4.8/1.17、1.16 cm。