生态红线界定了禁止工业化和城市化发展的区域，对生态保护具有重要意义。为保障生态红线不被破坏，需要对人类干扰进行识别。传统的方法难以精确识别由于人类干扰活动而产生的地物变化，也难以区分变化前后的地物类别。基于深度学习的像素级多分类变化检测方法存在细小误检多，样本获取难度大的问题。基于此，提出多分类的对象级变化检测网络，开展生态红线内人类干扰的精确识别研究。研究方法分为对象级二分类变化检测和场景分类两部分。对象级二分类变化检测网络以YOLO v5为基本框架，分别提取前后时相的特征，随后将特征融合，最终输出目标框形式的变化区域；场景分类网络以MobileNet v2为基础，对变化区域所对应的前后时相影像分别进行精准分类。以漓江生态保护区的两期高分影像为数据源，识别27种人类干扰活动。实验证明，多分类对象级变化检测网络的变化区域提取精度AP_IoU=.50 达到68.8%，AP_{IoU=.50：.05：.95} 达到57.2%，人类干扰活动识别的类别top-1准确率达到91.81%，top-5准确率达到99.83%。结果表明：采用对象级变化检测和场景分类两步走的方式，提升了变化区域的提取效果，解决了多分类变化检测样本不足的问题，可为生态红线人类干扰活动识别提供有效支撑。

水稻是我国重要的粮食作物，海南是我国主要的热带水稻种植与育种区域之一。目前海南热带区域水稻种植监测存在自动化程度低、人工工作量大，以及准确率不高的问题。以海南省海口市为实验区域，基于吉林一号、北京二号、WorldView、高景一号等高分辨率多光谱卫星遥感影像，结合外业核查信息，建立了海南热带区域一套多源、多尺度的高分辨率多光谱水稻种植区样本库，并利用DeepLab-V3+卷积神经网络模型进行训练，提出了热带区域水稻种植区域遥感智能解译方法。实验结果显示基于DeepLab-V3+卷积神经网络模型的水稻智能提取准确率达到了81.9%，召回率为86.7%。结果表明：利用解译样本库训练的卷积神经网络模型可以准确提取热带水稻种植区域，该方法可为采用高分辨率多光谱遥感影像提取热带区域水稻种植区提供新的方法参考。

生态环境监测为生态环境保护和监管提供了可靠、有效的数据，生态环境监测数据一体化组织管理是挖掘生态环境监测数据潜在价值的基础。现有的生态环境监测数据组织与管理方式因标准不统一、参考体系各异，难以集成管理、快速检索与统计分析。 针对上述问题，提出了一种基于Geohash与行政区划双层嵌套格网混合索引机制，实现各类生态环境监测数据的一体化组织管理，满足海量多源异构生态环境监测数据的存储和快速检索。基于构建的Geohash与行政区划双层嵌套格网混合索引机制，研发了网格自动划分软件，实现生态环境监测数据的一体化组织、多维度检索、统计分析及实时展示，并以2021年全国秸秆火点矢量数据、2023年8月姜堰区扬尘源矢量数据及江苏省水库矢量数据为例验证了此软件的各项功能及其运行情况。结果表明：构建的双层嵌套混合索引机制能快速完成海量生态环境监测数据的格网建构与编码，结合业务需求完成最优格网选择，快速检索并统计不同空间尺度数据情况。

热带海岛是地球上生物多样性最丰富的地区之一，热带海岛河流相比大陆河流具有短小而多样的特点。开展热带海岛河流物理生境健康评价对于生物多样性保护、水资源管理和经济发展都具有重要意义。现阶段河流物理生境健康评价多基于监测点位、样方地面监测，无法兼顾代表性、便利性和安全性，并且费时费力，很难全面准确地反映河流物理生境状况。以海南岛南渡江流域、昌化江流域和万泉河流域三大流域主要河流为研究对象，基于遥感监测构建了海南岛河流物理生境健康评价指标体系，采用层次分析法和专家打分法确定指标权重和评价模型，开展了三大流域27条河流物理生境健康评价。结果显示：①南渡江流域、昌化江流域、万泉河流域均以森林和农田两类生态系统类型为主，三大流域以农田生态系统占比最大。②三大流域河流河岸带植被覆盖度整体上较高，达70%以上，以人工经济林为主；自然岸线率整体不高，均值为41.93%，河岸带范围受人类活动影响较大。③三大流域河流物理生境评价等级以亚健康状态为主，其次为不健康状态。本研究基于现阶段海南自由贸易港建设生态环境保护工作的重大需求，可为精准实施流域生态环境保护、治理工作提供数据支撑，为海南岛水生态考核等相关评价标准的阈值设定提供参考。

针对退化指示物种植株体积小、草种间形态特征相似易造成混合像元等问题，根据所获取低空无人机数据，提出一种基于目标检测和语义分割的两阶段分类方法，其次对于分割模型进行轻量化改进。采用结构重参数化RepVGG网络替代Unet主干网络，在编码阶段导入高效通道注意力机制ECA，在下采样环节提升模型的特征提取能力，实现轻量化特征提取，块结构使用ESE模块，避免通道信息的损失。改进后的分割模型对于锡林浩特典型草原的冷蒿和银灰旋花两类草地退化指示物种有很好的分类效果，MIoU可以达到0.91，相比原始Unet模型提升0.11左右。实验结果表明：无人机数据以及两阶段分类方法可以很好地进行草地退化指示物种分类，提出的轻量化改进模型效果良好。

我国农村地区黑臭水体广泛存在，利用遥感技术对其进行监测的研究刚刚起步，许多技术性问题亟待解决。在吉林省、云南省和广西省农村地区进行样品采集，于2021~2022年期间，共收集75个黑臭水体水样和85个一般水体水样，分别对其水质参数以及光学特性进行分析。以高分二号为数据源，分析黑臭水体与一般水体的影像光谱特征，发现农村黑臭水体反射率在红波段以及近红外波段有上升的趋势，红、绿波段的反射率很低且差值小，根据这两个黑臭水体典型的光谱特征，构建了一种新的黑臭水体识别指数MBOI（Multi-spectral Black and Odorous Water Index），识别精度较高。主要研究结果如下：①黑臭水体与一般水体相比，其具有较高的总悬浮颗粒物浓度，黑臭水体有机碳的浓度是一般水体有机碳浓度的1.82倍。②在440 nm处，黑臭水体中的水体组分吸收系数，即色素、非色素颗粒物以及有色可溶性有机物的吸收系数均高于一般水体。③利用去瑞利校正后的影像光谱反射率数据进行数据建模与模型验证，当MBOI取值在0~0.18之间时，判定为黑臭水体，模型精度满足黑臭水体识别的要求。

草地植被覆盖度是评价草地健康状况及监测环境变化的重要生态参量。目前大区域尺度植被覆盖度提取主要基于卫星遥感数据，无人机遥感数据作为卫星数据估算草地覆盖度的一种补充手段，可提高模型估算精度。基于无人机遥感数据和BJ3卫星数据，采用回归分析法、像元二分法和随机森林三种植被覆盖度反演方法，对鄂托克旗荒漠草原植被覆盖度进行反演与验证。结果表明：利用植被指数建立的回归分析模型中最优反演模型为归一化植被指数（Normalized Difference Vegetation Index，NDVI）的二次多项式模型，R² =0.752；直接利用无人机遥感数据波段值建立的随机森林模型R² =0.893、RMSE=0.072，相较于NDVI的二次多项式模型、像元二分模型R² 分别提升0.141、0.151。利用空—天遥感数据和随机森林方法，能够快速、准确获取卫星尺度上研究区的植被覆盖度，为大区域荒漠草原植被覆盖度反演提供支持。