病虫害现已成为水稻产量的最大制约因素之一，传统的植保技术主要依靠植保人员的视觉和经验，存在一定的主观性，且费时费力，难以满足大范围的实时监测需要。遥感技术的发展提供了一种大面积、全天候、多方位的数据快速获取手段，能够为病虫害的识别分类提供作物种植信息和环境信息，是实现对水稻病虫害进行大面积监测预测的重要手段。在阐述水稻病虫害遥感监测和预测机理的基础上，重点从多尺度遥感监测方法、预测方法、水稻病虫害监测与预测模型构建以及监测预测系统等多方面概述了水稻病虫害监测与预测的研究进展，并指出目前水稻病虫害监测与预测研究存在的问题及未来发展趋势。随着信息化农业的发展与多源数据的融合运用，趋向于精准化与智能化的水稻病虫害遥感监测与预测，将会越来越成熟。

地形效应会使遥感影像中的地表反射率发生畸变，进而影响基于反射率估算的叶面积指数（Leaf Area Index，LAI）精度。为了减弱或消除地形对LAI反演的影响，基于三维辐射传输模型DART（Discrete Anisotropic Radiative Transfer）构建坡地反射率与LAI数据集作为训练数据。以反射率为输入，LAI为输出，利用随机森林算法进行训练，构建山地LAI反演模型。结合实际遥感影像数据实现山地LAI的估算，并利用实测数据对反演结果开展精度评价。同时，基于DART模型和随机森林构建了平地LAI反演模型作为参照以评价本文发展方法的有效性。结果表明：考虑了地形影响的山地LAI反演模型具有较强的估算能力，验证结果的精度（决定系数（R²）=0.57，均方根误差（RMSE）=0.77 m²/m²）优于平地反演模型（R²=0.46，RMSE=0.86 m²/m²）；基于DART模型构建的山地反演模型能够捕捉到坡度和坡向对地表反射率的影响，其反演结果较好地还原了研究区LAI的空间分布，与地面真实情况接近。研究指出将DART模型和随机森林算法相结合的山地LAI反演方法能够在一定程度上减弱地形效应，有效提高山地LAI的估算精度，可为山地植被参数遥感反演研究提供参考。

全球变暖导致冰川急剧退缩，及时的冰川监测和制图至关重要，而积雪覆盖一直是冰川识别的重要影响因素。以喀喇昆仑区域为例，选择春季Landsat-8 OLI、Sentinel-1和DEM数据，结合其光谱反射率、SAR散射以及地形等特征，基于不同主干网络的U-Net和DeepLabv3+深度学习方法，使用不同样本尺寸，不同特征组合进行冰川识别对比研究。结果表明：①对于256×256、512×512和1 024×1 024像素样本尺寸，训练样本尺寸越大，空间上下文信息越丰富，识别精度越高，冰川末端范围更为精确。②基于MobileNet、VGGNet、ResNet以及EfficientNet主干提取网络的U-Net语义分割网络中，VGG19主干网络识别精度最好，且优于DeepLabv3+网络结果，其F1值（F1-Score）为0.899 6，均交并比（Mean Intersection over Union，mIoU）为0.875 4，总体精度可达0.948 4，在山体阴影、冰雪融水、薄雾覆盖和冰冻湖泊区域识别效果均较好。③随着训练特征数量的减少，精度随之降低，地形特征对于提高冰川识别精确度作用显著，SAR特征则可提升召回率。研究证明了深度学习方法识别积雪覆盖的山地冰川的可行性，为山地冰川快速大面积识别的模型选择和参数设置提供了可靠的参考依据。

地表蒸散发是整个生物圈、大气圈和水圈中水分循环和能量传输的重要控制因素。遥感技术的应用使得区域尺度的蒸散发估算成为可能，并在过去的几十年中快速发展。研究对遥感蒸散发估算进行了总结与归纳，在此基础上展望了今后的发展方向，明确指出了遥感蒸散发未来研究的突破点及发展方向。提出未来应加强蒸散发尺度效应、夜间蒸散发、不同蒸散发产品的统一真实性检验、国产卫星数据的使用、更高时空分辨率产品的研发以及机器学习在遥感蒸散发产品中的应用。

滑坡具有强大的爆发力和破坏性，是世界上发生频率较高的自然灾害之一，给人们的生命财产造成了严重的损害。灾后准确快速的提取滑坡，获取滑坡的分布范围，对滑坡灾害调查及危险性评估极为重要。围绕基于高分辨率卫星遥感影像监测滑坡的方法进行了调研，首先介绍了滑坡在高分辨率卫星遥感影像上的解译特征，而后论述了滑坡提取方法和精度评价分析方法的研究进展，最后总结了当前方法的优势与不足，以及未来研究的发展方向。结果表明：深度学习方法具有较大的潜力，未来应加强深度学习与其他自动化解译方法的结合在滑坡监测中的应用，解决样本规模对模型结果的影响，实现模型的可迁移性，提高其自动化程度。

利用新一代静止气象卫星Himawari-8数据，提出一种新的自适应阈值决策树低温火点判识方法。该方法基于2.3 μm和0.86 μm通道数据，以晴空像元和背景像元本地化判识结果为基础进行火点识别。选取山西省作为研究区域，利用2020年4月24日和2021年2月20日数据进行验证，结果表明：①对于森林火灾初期火势较小的火点可以尽早判识（采样点最早提前40 min）；②对草地、耕地上范围较小、温度较低的火点判识在时效性和准确率方面均表现良好；③新增的低温火点判识算法有效地解决了火点多判和漏判的矛盾问题，为尽早识别火点信息，实现有效的灾情监测提供了新思路。

利用Sentinel-2卫星遥感数据监测了2016年和2018年发生在西藏阿汝错和色东普沟的冰崩灾害，重现了两次冰崩灾害事件全过程，2022年2月还对阿汝错冰崩区进行了实地调查。结果表明：阿汝错53号冰崩是一起冰川前部断裂解体后发生的冰崩，冰崩体于2018年7月全部消融，而阿汝错50号冰崩是一起典型的冰川前部垮塌产生的冰崩，2021年6月22日仍有冰崩体面积0.58 km²。2017年和2018年4次大规模冰崩—岩崩—碎屑流事件不仅对色东普沟地表地貌形态和沟口水流状况产生了重要影响，对色东普流域造成了重大灾害。西藏东西两次冰崩灾害事件是气候变暖和局地强降水作用在特定的高山冰雪地形地貌结构上发生的。其中，阿汝错冰崩事件是由气候和天气驱动的外力强迫作用在该区多温和软性基岩的冰川特性上引起的，是一起历史罕见的低角度冰川的巨大灾难性不稳定事件。气候变暖引起的冰雪消融和局地强降雨是色东普沟冰崩–岩崩灾害事件发生的主要诱发因素，且呈多发、频发、周期性特点，今后很长的时间内仍会多次发生。

基于SAR图像的阈值分割法是水体信息有效提取的常用方法之一。针对Otsu算法对于SAR影像水体提取精度低、噪声大的问题，以C波段Sentinel-1 SAR为数据源，提出一种基于Otsu算法的SAR图像水体提取新方法。该方法首先基于双极化数据构建自然指数函数，优化原始Sentinel-1数据图像像元直方图分布，再结合Otsu算法对图像进行水体提取，最后基于DEM数据去除误提取的山体阴影。以同一天的Landsat 8光学影像作为真实水体样本进行精度评定，结果表明：在不同水体占比情况下，该方法水体提取精度均优于Otsu算法，在水体占比小于10%时综合精度提升约为20%—60%，而且噪声小、适用性强，可用于快速高效获取大范围内水体信息。

Google Earth Engine（GEE）是集遥感影像存储与分析于一体的综合应用平台，能够方便快捷地调用遥感影像与信息提取，因此GEE受到越来越多科研工作者的关注。随着GEE不断扩充和升级，系统平台也愈发复杂。对于一般用户来说，要想快速了解其体系结构和功能算法变的越来越困难。针对这一问题，系统介绍了GEE的技术架构、数据资源、模型算法及计算资源，对GEE在各大领域的应用成果进行总结归纳，以期能为GEE的使用者提供一个快速了解该平台的窗口，帮助其更好地利用GEE平台开展自己的应用研究。

矿产资源是人类赖以生存和发展的重要生产资料，开展矿山监测对于矿产资源开发利用和矿区环境保护至关重要。由于具有大范围、多时相和综合性等优势，遥感技术已成为矿山监测的主要手段。针对矿山开发利用状况、地质灾害问题以及生态环境监测与质量评价等需求，系统总结了矿山环境遥感监测所用的数据源、方法和模型。目前遥感监测数据源已趋于多样化并覆盖矿山监测各方面，得益于云计算平台及人工智能技术快速发展，大数据分析和深度学习等方法在矿山环境遥感监测中逐渐发挥重要作用，而多源数据融合、地物智能化提取、三维形变监测和定量反演等是矿山环境遥感监测存在的主要问题与挑战。

土壤侵蚀作为全球性的主要环境问题之一，受人类活动的影响日益强烈。在区域尺度上研究人类活动与土壤侵蚀变化的关系，对土壤侵蚀防治宏观决策具有重要意义。通过构建人类活动程度指数，从栅格尺度上分析了人类活动程度对土壤侵蚀变化的影响规律，进而从人口变化、土地利用变化和人类活动对植被覆盖影响程度等多角度综合分析，揭示人类活动对土壤侵蚀变化的驱动机制。结果发现，江西省1990年土壤侵蚀模数平均值841 t/（km²·a），2018年减少到338 t/（km²·a），土壤侵蚀明显缓解。平均人类活动程度指数由0.005增加到0.014，空间上呈现出以城市为中心向外辐射状的增加态势；偏远山地丘陵区，人类活动程度变化不大。20 a来，研究区土壤侵蚀的发生有由山地丘陵区向城市及周围地区转移的趋势。远离城市的偏远山地丘陵区，农村人口压力的减弱以及合理的土地利用转变促进江西省植被恢复，进而缓解土壤侵蚀；坡度缓和的城市及周边地区因人类活动程度的显著增强，土壤侵蚀有所加剧。

精确地提取地面高程和植被冠层高度，对于地形地貌、生态学等方面的研究具有重要意义。2018年12月发射的新一代全球生态系统动力学调查雷达（GEDI）为地面高程和植被冠层高度大范围精确提取提供了前所未有的机会。研究旨在利用机载激光雷达数据验证GEDI提取的地面高程和冠层高度精度，并探讨地理定位误差、地形坡度、坡向、植被覆盖度、方位角、采集时间、光束类型和不同森林类型因素对其精度的影响。结果表明：通过校正GEDI数据地理定位误差，可以明显提高其提取的地面高程和冠层高度精度；影响冠层高度提取精度最主要的因素是植被覆盖度，其次是坡度；影响地面高程提取精度的主要因素为坡向、坡度。植被覆盖度大于25%时，数据精度更高；坡度为0°—5°的缓坡地区地面高程和冠层高度精度最高。该研究结果将为GEDI数据筛选与应用提供依据。

低温冷害是影响水稻产量主要气象灾害之一。开展低温冷害胁迫下的水稻产量遥感监测对于水稻优良品种推广、农艺救灾防灾以及农业保险精准理赔具有重要意义。以南方多熟水稻低温冷害为研究对象，在多时相遥感影像的支持下，结合地面实测水稻单产样本数据，构建多时相协同的多熟水稻产量监测模型，实现地块尺度的低温冷害影响下水稻产量遥感监测与空间制图。研究结果表明：低温冷害发生时所处水稻的生育期不同，对产量影响程度具有较大差异。中稻在灌浆中期遭遇低温冷害后的影响相对较小，平均产量约6 637 kg/hm²，减产幅度近20%；早熟晚稻在抽穗期遭受低温冷害后产量明显低于中稻，平均产量4 143 kg/hm²，减产幅度近45%；晚熟晚稻在拔节期遭受持续低温冷害后产量影响最大，平均产量仅1 541 kg/hm²，远低于往年产量水平，减产幅度近80%。利用实割实测样本单产数据与哨兵数据多个关键物候期NDVI构建回归模型，R²均大于0.75，并利用实测样本单产数据进行精度交叉验证，MAPE均小于10%。该方法借助少量地面资料，可以较高精度地测算多熟水稻在遭受低温冷害的情况下的单产信息，为复杂条件下水稻低温冷害灾情评估提供了新的思路。

以天津市中心城区为研究对象，基于丰富的OSM道路网数据、POI大数据在精细化尺度下进行功能区识别：利用OSM道路网数据生成道路空间将天津市中心城区划分成1 960个研究单元，结合权重赋分的POI数据分析其密度分布以及功能区分布特征。研究结果表明：①在城市功能密度分布中，除工业功能在中心城区外围有集中分布以外，其他城市功能的分布都呈现出从中心向外围逐渐分散的特征；②单一功能区中，商业区和公共管理与公共服务区所占比重较大，其他4个单一功能区所占比重较小；③混合功能区中，以商业—公共管理与公共服务为主的混合功能区所占比重最大；④将功能区识别结果与高德地图对比分析，发现识别结果准确性较高。

植被物候信息是评价气候—植被交互影响、土地覆盖率以及生态系统年际生产力变化的关键指标。传统物候监测方法以目视观察为主，监测范围受限且人力物力消耗大。遥感技术作为近年来新兴的监测手段，具有监测范围大、信息获取便捷以及节省人力物力等特点，其应用进一步推动了植被物候动态监测研究的发展。本文首先对近年来植被物候遥感监测流程进行梳理，明晰了现有的遥感物候监测体系；概述了可用于建立植被生长曲线遥感数据源，并对不同数据源的应用情境进行了讨论；总结了现有的曲线降噪算法及应用流程，对不同方法进行降噪处理时误差成因进行了分析；归纳了目前主要的植被物候提取方法；最后讨论了数据分辨率、植被物候阶段定义以及监测时效性等植被物候遥感监测中尚存的不确定性因素，并对未来植被物候遥感监测研究的主要方向进行了展望。

水储量是全球和区域水文循环的重要组分，借此可分析区域水资源和干旱的时空演变规律。传统的水储量监测方法以地下水位监测为主，但站点布设和分布情况限制了大尺度的研究与探索。GRACE（Gravity Recovery and Climate Experiment）卫星提供了大尺度的逐月地球重力场变化数据，国内外众多学者将其反演的水储量变化数据应用至水文学领域，在一定程度上推动了水文学的进步与发展，但目前系统阐述GRACE数据在反演水储量方面的研究仍不够全面，鲜有研究对基于GRACE数据的监测干旱和插补重建现状进行系统性的总结。该研究简要介绍了GRACE数据的应用领域，探讨了两种数据处理方法的优缺点，分析总结了GRACE数据在反演结果验证和不确定性、陆地水储量变化、地下水储量变化、干旱演变与响应、插补重建等方面的应用现状及存在问题，建议未来在变化环境对水储量变化的影响、降低GRACE数据的不确定性、构建更适合干旱监测的干旱指数、提高插补重建GRACE数据精度和提升GRACE数据时空分辨率等方面进一步开展研究，旨在为利用GRACE数据的相关研究提供借鉴与思考。

西沙群岛位于热带，常年多云，在光学卫星数据获取时易受天气影响导致缺失，使得地表动态监测困难。为解决这一问题，探讨无人机低空平台对西沙群岛植被的监测能力，选取大疆精灵4多光谱无人机，通过5个多光谱波段提取4项植被指数，包括归一化差值植被指数（NDVI）、叶绿素指数（GCI）、绿色归一化植被指数（GNDVI）以及归一化绿红差值指数（NGRDI），评估了2020年5月西沙群岛北岛的植被生长状况，并结合关键气象参数以及Worldview2卫星光学影像对比分析了2020年5月和2018年5月北岛植被生长变化及其潜在归因。研究结果表明：2020年5月北岛平均NDVI、GCI、GNDVI和NGRDI别为0.30、0.84、0.26和0.05，反映出植被覆盖度较低，可能存在枯黄现象，与地面监测结果一致；2020年人工管理植被区和自然生长植被区各项指数差异由2018年的-23%—15%增加到15%—40%，表明2020年自然生长植被长势显著差于人工管理植被，反映出较强的环境胁迫；气象数据显示2020年4月—5月该地区日平均温度较常年同期升高、累计降水量减少、平均风速增大同时增加了土壤水分亏缺，可能是引起植被生长状况变差的主要原因。综上所述，大疆精灵4无人机可定量反映热带岛屿植被生长状况，可为其生态环境监测提供有效途径。

快速准确获取森林的空间分布对评估森林资源和生态环境状况具有重要的意义。以云南省普洱市为研究区，基于Google Earth Engine（GEE）平台和Sentinel-2影像数据，结合实地调查数据、机载遥感数据及地形辅助数据，提取影像的光谱特征、纹理特征以及地形特征，通过特征筛选，得到适合森林分类的最优特征数据集。结合简单线性非迭代聚类（Simple Non-Iterative Clustering，SNIC）超像素分割算法，探究不同分类方法、特征变量等因素对分类精度的影响。结果表明：面向对象分类方法的分类精度要优于基于像元分类方法，分类总体精度为88.21％，Kappa系数为0.87，可以较为准确地对普洱市进行森林覆盖制图。面向对象方法可以有效减轻“椒盐现象”，特征优选避免了冗余信息对分类结果的影响，有效提高了分类效率。GEE平台与面向对象方法结合可以提供大区域、高精度的森林覆盖遥感快速制图。

在TensorFlow框架下，有对多维数组进行GPU或CPU并行加速运算的特点，选择使用合适的经纬度投影模式，结合FY-3D MERSI L1数据自身带有高精度同分辨率的定位数据，按分辨率生成将经纬度数据对齐的张量（多维数组），计算生成新的像元映射位置信息，直接逐点映射对MERSI数据进行几何校正，同时可消除中分辨率极轨卫星因扫描观测和地球曲率带来的BowTie效应，再使用卷积运算计算反距离加权插值点数值，对几何校正后无数据像素点进行填充。使用这种方法，在TensorFlow框架下用Python语言实现了整个几何校正过程，并与ENVI软件的几何校正结果，对误差和校正精确度进行了对比测试，并且对几何校正的整体处理速度也进行了测试。结果表明本文算法与ENVI软件几何校正一致性高，5%绝对误差百分比以下的精确率大于0.92，结构相似SSIM指数在0.95左右，全部通道使用GPU并行加速完成几何校正的加速比大于36倍。这种方法既保证了几何校正的精度，而且整个数据处理过程快速高效。

激光雷达（Light Detection And Ranging，LiDAR）通过扫描物体目标能够获取海量的离散点云。而强度作为点云最重要的特征之一，在一定程度上反映了物体表面的辐射特性。但受多种因素影响，原始强度信息变异性较大，通常需要被校正才能更好地应用到各个领域。首先详细综述了强度在林业遥感、测绘工程、地物分类和海洋环境勘测等领域的应用，分析了强度校正的必要性；其次，从大气衰减效应、扫描仪特性、目标表面参数和数据采集几何等角度深入阐述了影响强度的主要因素；接着，探讨了强度校正基本理论，对常用的理论和经验校正方法进行了总结，并把强度校正分为两个层次：正规化和辐射校准；最后，指出了强度校正技术亟待解决的一些问题。

针对地表覆被复杂、地块破碎等原因导致的撂荒地提取精度较低问题，提出一种基于多时相协同变化检测的耕地撂荒信息提取方法。以河北省石家庄市鹿泉区为研究区，采用Sentinel?2A和Landsat 7多光谱影像，在野外样本的支持下，分析耕地各种覆盖类型的归一化植被指数（Normalized Difference Vegetation Index，NDVI）季相变化规律，以季节性撂荒、常年性撂荒、冬小麦、多年生园地为分类体系，构建多时相协同变化检测模型，开展研究区耕地撂荒状态遥感监测。研究结果表明：基于Sentinel?2A影像的季节性撂荒和常年撂荒耕地的分类精度分别为95.83%和96.55%；基于Landsat 7影像的季节性撂荒和常年撂荒耕地的分类精度分别为91.67%和93.10%；2019年鹿泉区季节性撂荒占耕地面积的4.7%，常年撂荒耕地占7.1%。利用该方法能够快速、准确地获取研究区耕地空间分布、面积等信息，对于不同分辨率的影像均具有较好的撂荒地提取精度。

互花米草地上生物量（Aboveground Biomass， AGB）估算可为滨海湿地生态系统稳定性评价与区域碳汇监测评估提供重要依据。以浙江滨海湿地为研究区，利用48个实测互花米草地上生物量数据，基于Landsat-8 OLI影像提取反映植被地上生物量信息的植被指数和波段特征，采用单变量回归、多元线性回归、多尺度地理加权回归和偏最小二乘回归方法分别构建互花米草地上生物量估测模型，并通过最优模型反演互花米草地上生物量。结果表明：①互花米草地上生物量与所选取的29个遥感变量呈显著相关，相关系数均介于0.5~0.8（P<0.01）；②偏最小二乘回归构建的模型为浙江滨海湿地互花米草AGB反演最优模型（R²=0.767），均方根误差和平均绝对误差分别为130.576 g/m²和100.801 g/m²；③浙江滨海湿地互花米草平均地上生物量为6 607.01 g/m²，AGB总量为1.36×10³ t；浙江滨海地区互花米草AGB总体呈南高北低的分布格局。本研究可为滨海湿地资源合理开发利用、碳汇监测评估和生态系统功能评价提供科学支撑。

水稻是中国主要粮食作物之一，稻米产量关系到民生福祉。及时、准确地获取水稻种植面积信息及其空间分布状况对于区域农业发展规划和产量评估具有重要意义。针对水稻与其他农作物易混以及光学数据易受云雨天气影响等问题，以东北三江平原为例，利用中高分辨率Sentinel-1微波数据、Sentinel-2光学数据，分别构建时序水体指数SDWI和植被指数NDVI组成水稻完整的物候生长曲线，分析水稻移栽期、分蘖期、抽穗期、成熟期4个重要生长时期不同的光谱差异，通过阈值分割和组合不同时期的数据，来实现水稻不同物候时期种植面积的提取，并与传统的基于单一光学数据的方法进行对比。研究结果表明：经过地表样本点的验证，所构建方法可以精确提取三江平原水稻几个关键生育期的种植面积并且优于单一使用光学数据的方法。同时利用单生育期影像例如移栽期影像提取水稻面积也可使总体精度达到87.08%，随着生育期数据的完整，总体精度也不断提高，其中基于全生育期的面积提取总体精度也高达91.88%，Kappa系数为0.834，可以满足实际应用需求。因此这种的多源数据结合的水稻种植面积提取方法能够准确、高效地提取三江平原水稻不同物候时期种植面积，为短期内的农情调查管理和区域农业可持续发展提供依据。

频繁发生的森林大火对亚马逊热带雨林造成了大面积破坏，获取不同年份的火灾影响范围以及植被破坏情况，有助于了解该地区火灾时空演变规律以及火灾与植被的相互作用关系，进而探究火灾发展机理，为防灾减灾提供科学依据。为此，利用2015~2019年MODIS植被指数产品与地表温度产品，构建MODIS全球扰动指数模型（MGDI），结合火点数据 （以下统称MOD14A1）、植被连续场数据（Vegetation Continuous Field，VCF）提取1 000 m分辨率下的燃烧范围和燃烧强度，并分析研究区域5年内的火灾分布时空规律。实验结果表明：①火灾主要分布在巴西中部以及巴西与玻利维亚的交界处，占燃烧区总面积的67%左右；②燃烧范围以及燃烧强度的综合信息显示火灾整体呈现出“升—降—升”的趋势；③火灾多发生于灌木草地（50%以上）以及阔叶林（30%），且火灾多发在旱季；在全球变暖大背景下，火灾发生频率呈上升趋势；（4）人类活动范围扩张、不合理农业开垦、森林砍伐导致研究区内草地退化严重，农业用地以及建筑用地逐年上升，在一定程度上为火灾的发生、传导提供了良好的条件。

不透水面作为监测城市生态环境的重要指标，其信息提取具有重要意义。由于城市地表的复杂性及细化的城市管理需要，急需提取高精度的城市不透水面。但是基于传统方法提取高精度的城市不透水面面临巨大困难。而深度学习方法因其自动化提取影像特征的特点逐渐成为遥感影像地物提取的新兴方法。基于此，采用多尺度特征融合的U-Net深度学习方法以提升语义分割精度，开展高分辨率遥感影像不透水面的精确提取研究。模型引入残差模块代替普通卷积以加深网络，提取更多影像特征；加入金字塔池化模块增强网络对复杂场景的解析能力；利用跳跃连接方式融合不同尺度特征，有利于恢复空间信息。以广州市航摄正射影像为数据源，通过卷积神经网络将遥感影像分割为背景、其他、植被、道路和房屋5种地物类型，将其与人工目视解译的地面真值进行验证，最终提取研究区域不透水面。实验证明：多尺度特征融合的U-Net模型总体精度和Kappa系数分别为87.596% 和0.82。在定性与定量两个方面均优于传统的监督分类法、面向对象分类法和经典U-Net模型法。结果表明：该模型利用多维度影像特征信息，有效提升了复杂场景图像的分割精度，分割效果好，适用于高分辨率遥感影像不透水面提取，该研究成果可为城市环境监测提供数据支撑。

滑坡作为造成巨大经济损失和人员伤亡的地质灾害之一，越来越引起社会的高度重视。为精确识别林地山区中的滑坡灾害，以2020年7月6日发生在湖南省常德市石门县南北镇潘坪村的雷家山滑坡为研究对象，使用不同的融合方法进行Sentinel-1A C波段干涉宽幅的地距多视产品和Sentinel-2A多光谱2A级光学影像融合，得到主成分分析融合方法对分贝化处理后的S1A VV极化影像与S2A影像融合效果最优，采用支持向量机方法分别对最优融合影像和原始S2A影像进行滑坡识别，最后使用S2A影像滑坡目视解译结果为检验标准对支持向量机滑坡识别结果进行精度评价，同时以2020年7月21日发生在湖北恩施屯堡乡马者村的沙子坝滑坡作为案例检验该方案的可推广性。结果表明：与单独使用光学影像进行研究区滑坡识别相比，使用最优融合影像滑坡识别的准确率由95.24%提升到了96.65%，滑坡提取质量也由87.18%提升到了91.84%，滑坡的漏识别和过度识别均有所降低，说明光学影像和合成孔径雷达影像融合的研究方案具有可推广性，能提高林地山区滑坡识别的准确率，可以更好地为滑坡风险评估、灾后应急调查以及灾后恢复重建等提供有价值的信息。

相较于同源遥感影像地表覆被变化检测，异源影像能综合不同卫星传感器间数据特征和现势性等优势，更好满足应用需求。针对异源遥感影像变化检测中存在的光谱差异和特征空间不一致问题，研究提出编码对齐生成对抗网络实现异源影像的高精度变化检测。考虑到异源影像间通道和数据类型上存在差异，难保持重构前后影像空间结构的一致性，研究通过添加自编码器和构造编码对齐损失，约束编码器输出特征的空间结构变化，使重构前后影像空间结构一致，有效减少信息丢失；在跨域映射过程中为减少源域与目标域间影像的色彩差异，采用循环一致对抗生成网络在无成对影像情况下进行色彩迁移，实现两时相异源影像的相互跨域映射，生成能与原始影像直接对比的无色偏重构影像；利用设计的变化概率权重使网络在训练过程中自动选择样本，有效提取覆被变化信息。实验结果表明：该方法与CGAN、SCCN等方法相比能更充分提取影像特征，降低跨域映射函数的随机性；在4组公开数据集的检测精度分别达到0.93、0.96、0.97、0.88，精度最高；变化检测结果与参考图的一致性、检测差异图质量均最优。因此，该方法在异源遥感影像中能够进行高精度变化检测。

研究植被指数与光合有效辐射吸收比FPAR的定量关系对于提高FPAR反演精度与指导生产实践具有一定的参考价值。研究在三维辐射传输模型LESS基础上发展了一个兼具一维模型简洁和三维模型精度优势的LESS1D模块（已随LESS模型正式发布，www.lessrt.org）；探究随机均匀场景和三维异质场景中植被冠形、盖度等7种因素对6种植被指数与FPAR_green关系的影响。结果表明：①在均质性场景中，NDVI、SAVI、EVI对FPAR_green拟合相对最优，而在异质性场景中，则为NDVI和RVI。②在异质性场景中，不同冠形下FPAR_green与植被指数的拟合精度为圆柱形>椭球形>圆锥形；植被盖度较低时，植被指数对FPAR_green拟合精度较差；随着太阳天顶角增大，RVI与FPAR_green由线性关系变为指数关系。 结论 树冠体积和树冠几何结构是不同冠形影响FPAR_green大小的关键因素，而叶片聚集度、植被盖度和植被指数类型则是影响植被指数饱和效应的相关因素。

在对地观测领域中云检测是遥感定量化应用的重要环节，同时也是卫星气象应用的关键步骤。近年来，基于机器学习的遥感影像云检测逐渐成为该领域的研究热点，并且取得了一系列研究成果。系统阐述了近10 a来国内外基于机器学习的遥感影像云检测的研究进展，将算法模型分为传统的机器学习模型和深度学习模型两类，并对两类中的具体模型进行详细介绍，对比分析不同模型的优缺点及其适用情况。重点介绍了传统机器学习中的支持向量机（SVM）、随机森林等方法，深度学习中的神经网络模型，包括卷积神经网络（CNN）、改进的U-Net网络等模型。在此基础上，分析了基于机器学习的遥感影像云检测研究中存在的问题，讨论了未来潜在发展方向。

背包式激光雷达（Backpack Laser Scanning， BLS）在森林资源调查中具有很大的应用潜力，但在复杂地表情景下，单木材积和林分蓄积量提取精度存在较大不确定性。以广西高峰林场为研究区，利用随机森林方法，基于BLS点云数据对单木材积和样地蓄积量进行估测。首先，对BLS点云进行单木分割，提取单木胸径（DBH）、树高（H_tree）、冠幅直径（CD）、冠幅面积（CA）、冠幅体积（CV）、郁闭度（CC）、间隙率（GF）和叶面积指数（LAI）共8个特征参数，并计算56个分层高度指标（高度百分比、累积高度百分比、变异系数、冠层起伏率等）。然后，通过随机森林算法构建单木材积估测模型，并对比各种参数组合的预测精度。得到结果： ①仅用8个单木结构特征参数进行建模，估测精度为： R2=0.83、RMSE=0.097 m³； ②加入分层高度指标的模型估测精度有所提升： R2=0.87、RMSE=0.087 m³；③通过Boruta算法进行变量筛选，输入参数从64个减少至52个，估测精度差异不大： R²= 0.87、RMSE=0.087 m³；④样方蓄积量估测精度为： R²=0.97，RMSE=0.703 m³·ha^-1。结果表明，基于BLS点云建立随机森林单木材积估测模型可以较好地估测单木材积，样方蓄积量估测精度高。

沙地及其周边植被对固定沙丘、防止水土流失和环境治理等方面具有重要作用，开展沙地及其周边植被类型识别研究对于客观地反映沙地及其周边的生态环境，进而为沙地恢复治理政策制定具有重要意义。GEE云平台丰富的长时间序列遥感数据和强大的云计算能力，为开展大区域植被类型识别提供了便捷。本研究基于GEE云平台存储的2019年Sentinel-2时序数据，采用RF算法开展呼伦贝尔沙地及其周边主要植被类型的空间判识研究，探索了GEE平台下顾及植被物候信息的植被类型识别效果。研究发现：①Sentinel-2影像的光谱信息和近红外波段的纹理信息对研究区的主要植被类型识别能力有限，而物候特征有效地弥补了原始光谱特征等对研究区不同植被类型区分能力的不足；②基于RF算法顾及物候特征的植被类型识别精度达到84.37%，Kappa系数为0.8，比单一时相数据的识别精度提高了10.01%；③呼伦贝尔沙地及其周边主要植被类型的物候特征差异明显，有助于不同类型植被的空间识别，特别是提高了灌草丛和草原的识别精度。研究表明利用Sentinel-2数据和GEE云平台对沙地等大区域植被类型的识别具有较大的潜力和广阔的应用前景。

基于GOME-2 卫星日光诱导叶绿素荧光（SIF）产品数据集，对2007~2018年中国区域SIF进行时空变化分析，探讨了中国区域SIF对气温、降水、辐射等气候变化的响应。结果表明：①中国植被区域SIF总体上呈现从东南向西北递减的空间分布，12 a间年均SIF增加了20.2%，增幅达0.034 mW/m²/sr/nm，增加区域占比为80.3%，呈显著增长区域占比25.7%，增长区域主要分布在植被较为密集的中国东部、南部和东北部。②季节尺度上，夏季SIF增加的区域和幅度最大，增幅达0.065 mW/m²/sr/nm，增加区域占比为82.1%，呈显著增长的区域占比19.4%，SIF增长区域与年均SIF的趋势基本一样。春季和秋季SIF总体也是呈增长的趋势，而冬季只在中国南部增长趋势明显。③与气候因子的偏相关响应分析表明，在寒温带针叶林区域，气温是SIF增长主要的影响因子；在暖温带及温带植被区域，降水是SIF增长主要的影响因子；在亚热带常绿阔叶林区域，影响SIF增长的更可能是人类活动；对处于较低纬度地区的热带季风雨林区域来说，辐射是SIF增长的主要影响因子。研究结果揭示了2007~2018年间的中国区域植被荧光时空变化规律及其与气候变化间的响应关系，可为全球碳循环研究提供必要的数据支撑。

开展海南岛海岸侵蚀脆弱性评价对于沿海地区生态资源保护和灾害预防有着重要意义。采用生态系统服务和权衡的综合评估模型（Integrated Valuation of Ecosystem Services and Trade-offs， InVEST）中的沿海脆弱性模型合成暴露度指数\mathrm{E}\mathrm{I}（Exposure Index）对海南岛海岸侵蚀脆弱性开展评价。针对典型研究区建立海岸特征—海岸动力—经济社会指标评价体系，优选海岸带特色评价因子包括海岸侵蚀速率、海岸类型、海岸生境等，进一步利用综合指数法量化脆弱性指数，最终获得海南岛沿海不同情境下的脆弱性，以及重点区域海岸侵蚀速率和侵蚀脆弱性等级。研究结果表明：①海南岛侵蚀脆弱性空间分布呈现东低西高，其中西南部市县脆弱性最高，东南部市县脆弱性最低，其余地区脆弱性适中。无生境情境下的沿海脆弱性远高于处于生境保护情境。②典型研究区海口东西海岸2016年至2020年砂质海岸受较多侵蚀，最多处超20 m/a。海口市龙华、美兰等主要城区海岸侵蚀脆弱性高，西海岸、东海岸分别次之，东寨港地区脆弱性最低。③研究发现在红树林等生境保护下的海岸可以有效得到保护，脆弱性极低，而退化的砂质岸线表现较高的脆弱性。因此保护沿海生境和防止沿海泥沙流失具有必要性。

叶面积指数（Leaf Area Index， LAI）是作物长势监测及产量估算的重要指标，准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detec-tion and Ranging， LiDAR） 和高光谱数据反演玉米叶面积指数的潜力，并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数，然后基于偏最小二乘回归（Partial Least Square Regression，PLSR）和随机森林（Random Forest， RF） 回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型，并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m²，研究发现最高的点密度（420 points/m²）并没有产生最优的玉米LAI反演精度，因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获得的LAI反演精度（PLSR：R²=0.874，RMSE=0.317；RF：R²=0.942，RMSE=0.222）高于基于植被指数获得的LAI反演精度（PLSR： R²=0.741，RMSE=0.454；RF：R²=0.861，RMSE=0.338），而使用组合变量构建预测模型的反演精度（PLSR：R²=0.885， RMSE=0.304；RF：R²=0.950，RMSE=0.203）优于使用单一变量建立的LAI预测模型，其中利用联合LiDAR变量和植被指数建立的随机森林回归模型为最优预测模型。因此，将两种数据源融合在提高植被LAI反演精度方面具有一定的潜力。

陆表比辐射率（Land Surface Emissivity，LSE）是衡量物体表面以热辐射形式释放能量相对强弱能力的物理量，是影响遥感陆表温度（Land Surface Temperature， LST）的重要基本参数之一。为了分析不同条件下LSE对遥感LST反演结果的影响，基于Himawari 8 AHI （Advanced Himawari Imager， AHI）的分裂窗通道热红外遥感数据，采用Wan 及Dozier的分裂窗算法，研究陆表温度反演结果对LSE的敏感性。首先，对LSE产品分别加入不同均值和标准差的高斯噪声，以此代表LSE不同的误差水平；然后，在其他条件不变的情况下，将带不同噪声的LSE和不带噪声的LSE分别输入分裂窗算法进行LST的反演；最后，分析不同时间、不同水汽、不同观测角度和不同下垫面条件下，LSE对LST的影响。结果表明：①无论白天、夜间还是日均LST，输入添加噪声的LSE较输入原始的LSE反演所得的LST数值总体略低，而且随着所添加噪声标准差的增大，所得LST差值的标准差增大。当LSE的噪声标准差为0.01时，所得白天、夜间和日均LST差值的标准差分别为0.48 K、0.52 K和0.34 K；而当LSE的噪声标准差为0.03时，所得LST差值的标准差则分别升高到1.46 K、1.57 K和0.88 K。②不管水汽和观测角度条件如何，总体上，输入添加噪声的与输入原始LSE反演所得的LST相关系数随着所加噪声标准差的增大而减小，均方根误差和标准差则随着所加噪声标准差的增大而增大，偏差为负值，其绝对值随所加噪声标准差的增大而减小。③对于不同的下垫面，随着所加噪声标准差的增大，LSE添加噪声与不添加噪声反演所得的LST差值的标准差增大，当所加噪声标准差为0.01时，多树草原、开放灌木和草原LST差值的标准差分别为0.52 K、0.51 K和0.53 K。而当所加噪声标准差为0.03时，三者LST差值的标准差分别升高到1.58 K、1.53 K和1.6 K。

火烧迹地是全球变化和碳循环等研究所需的主要参量之一，准确监测火烧迹地对于提高火险预警及风险评估的准确性具有重要意义。研究基于3种MODIS产品数据，对2001~2016年蒙古高原东部火烧迹地面积进行了年际变化趋势分析，并以2013~2015年全球30 m分辨率火烧迹地产品为参考数据集，对3种MODIS火烧迹地产品监测精度进行验证与评估。结果发现：①MCD45A1、MCD64A1、FireCCI51产品在2015年监测到的场次依次为327、160、71，共同监测到的仅40场；监测面积依次为：27 082.46 km2、17 227.62 km2、19 526.47 km2，3种产品累加监测面积为37 373.82 km2，但其交叉面积仅6 896.99 km2。②与全球30 m分辨率火烧迹地产品对比分析发现，3种产品复合精度F1得分最高为0.96，最低只有0.03，监测率参差不齐。③在2013~2015的3年尺度上，3种产品平均复合精度为0.70、0.62、0.60，即MCD45A1＞FireCCI51＞MCD64A1。在多年（2001~2016）尺度上，3种产品监测率为61%、59%、50%，即MCD64A1＞MCD45A1＞FireCCI51。

SMAP卫星的二级（L2）土壤水分数据是直接反演结果，能够从模型、算法、参数等多方面体现其对土壤水分反演的综合能力。在这一级别下，SMAP设计了包括L2_SM_P（36 km）、L2_SM_P_E（9 km）和L2_SM_SP（3 km和1 km）在内的多种尺度的土壤水分数据，能满足不同的实验和应用需求。以ISMN地面实测土壤水分数据作为对比参照，以偏差（Bias）、均方根误差（RMSE）、无偏均方根误差（ubRMSE）和相关系数（R）作为分析指标，分析了SMAP L2土壤水分数据和ISMN实测数据间的差异表现。结果显示：在不同静态条件下（气候类型、土壤性质和植被类型），植被对差异的影响最大，土壤性质的影响最小；在不同动态条件下（土壤水分、植被光学厚度和地表温度），植被光学厚度和土壤水分对差异影响较大，地表温度的影响较小；在4种SMAP L2土壤水分数据中，9 km数据与ISMN实测数据的差异最小，其次是36、3、1 km尺度的数据；结合静态条件和动态条件来看，36 km和9 km尺度的数据与ISMN实测数据的差异情况类似，3 km和1 km数据差异情况类似。

基于珞珈一号夜间灯光数据和西安市能源统计数据，结合ArcGIS空间分析方法，运用高—低聚类模型，分区县对2018年西安市碳排放量进行空间化模拟，并对全市各区县碳排放强度进行计算和分类，研究西安市各区县碳排放量分布特性。结果表明：珞珈一号灯光数据与碳排放量存在较好的相关性，线性相关系数为0.720 3，四次函数多项式的相关系数最高，为0.843 5；在年度碳排放量上，西安市碳排放量呈现中心主城区高、周围县区低的空间分布特点，为聚类状态分布，且聚类结果在高值区域内聚类；全市低碳排放强度区县较多，存在少量高碳排放强度区县，对实现绿色发展模式还需要进一步调整产业结构。

利用遥感技术评估我国东西部社会经济发展情况及差异，对我国制定发展战略和具体实施具有重大意义。研究利用夜间灯光遥感数据表征社会经济发展状况，在县一级分析了胡焕庸线两侧的发展速率、重心转移情况；结合遥感植被指数引入“灯光/植被”比值指数，分析经济发展和绿色空间的动态权衡；将海岸带不同距离缓冲区灯光与西部灯光比重进行对比；利用基尼系数测度东西部发展的不均衡状况。结果表明：全国、东西部社会经济快速发展，灯光重心基本稳定，分别在开封市、淮北市、阿拉善南部地区小范围漂移； 我国海岸带聚集了高强度的社会经济活动，30 km缓冲区内灯光总量基本已经与西部灯光总量相当；东西部基尼系数逐年降低；比值指数的空间自相关分析探测到沿海灯光趋于饱和，相邻的内陆县域为潜在的高强度开发空间。研究结果说明了我国东西部内部经济发展差异仍然显著，但是均衡性趋好，东部发展应进入更加注重绿化维持的阶段，内陆地区也将逐渐进入快速发展阶段。研究结论对我国乡村振兴重点地区的精准识别、生态治理修复规划等都具有借鉴意义。

研究海洋表面烃类富集状况在监测海洋环境和探测海底油气资源中具有重要意义，海表渗漏烃中，甲烷是气态烃中最具代表性的组分。为了精准识别海表甲烷异常，研究设计了相应光谱实验，以海水为背景测定甲烷光谱反射率，基于实测数据分析甲烷的光谱特征，运用比值导数光谱法削弱海水背景组分的光谱干扰，提取出甲烷光谱吸收特征波段。研究发现甲烷在1 642—1 672 nm和2 169—2 378 nm波长范围存在光谱吸收，通过比值导数处理后显著增强了其中1 642—1 672 nm和2 169—2 208 nm区间的甲烷吸收特征，在Rebecca等提出的CH₄I甲烷反演指数的基础上加入比值导数参数，建立了基于AVIRIS数据的海表甲烷含量指数MI，与甲烷含量的相关系数R²=0.994 2，将其应用于美国加利福利亚州圣芭芭拉海峡Coal Oil Point（COP）烃渗漏区甲烷异常识别，并与CH₄I指数和Bradley等提出的AVIRIS CH₄指数ζ（L2298/L2058）进行反演效果对比。结果表明：运用MI指数可以有效识别海表甲烷浓度异常，与ζ、CH₄I指数反演结果相比，MI指示的甲烷浓度异常分布与ζ指数反演结果更为吻合，效果显著优于CH₄I指数反演结果。