深度学习极大地推动了遥感图像处理技术的发展，在精度和速度方面展现了显著优势。然而，深度学习模型在实际应用中通常需要大量人工标注的训练样本，且其泛化性能相对较弱。近年来，视觉基础模型和大语言模型的发展为遥感图像处理的大模型研究引入了新的范式。遥感大模型也称为遥感基础模型，基础模型因其在下游任务中的卓越迁移性能而备受瞩目，这些模型首先在大型数据集上进行与具体任务无关的预训练，然后通过微调适应各种下游应用。基础模型在语言和视觉及其他领域已经得到了广泛应用，其在遥感领域的潜力也正逐渐引起学术界的重视。然而，目前针对这些模型在遥感任务中的全面调查和性能比较仍然缺乏。由于自然图像与遥感图像之间存在固有差异，这些差异限制了基础模型的直接应用。在此背景下，本文从多个角度对常见的基础模型以及专门针对遥感领域的大模型进行了全面回顾，概述了最新进展，突出了面临的挑战，并探讨了未来发展的潜在方向。
自然灾害、战争冲突等突发事件因突发性强、危害性大，已逐渐成为全球学界的研究热点，如何准确高效地评估突发事件影响及后续的恢复情况是其重要议题。夜间灯光遥感作为遥感领域的活跃分支，因其可反映地表人类活动差异，近年来已受到社会经济、自然研究等领域的广泛关注。本研究对2012~2022年间夜间灯光遥感数据应用于突发事件中的中英文研究进行梳理归纳，聚焦武装冲突、公共卫生事件、自然灾害3类研究热点，系统梳理夜间灯光数据的研究主题、方法分析及内涵解释。研究发现，夜间灯光数据主要通过人类活动变化、公共基础设施状态、地区经济发展的非预期性改变来反映突发事件的影响，已广泛应用于评估突发事件的影响范围、破坏程度及恢复进展，为政府应急管理和制定灾后恢复策略提供了可靠依据。夜间灯光遥感数据凭借其易获取、相对客观和与社会经济的紧密联系，为快速、大范围评估突发事件影响提供了强有力的支持。未来研究应继续开发更高时空分辨率的夜间灯光数据集，深化与地面监测数据、社会经济数据及其他对地观测数据等多源数据的融合，构建更完善的突发事件监测和评估体系，科学高效地支撑应急管理工作。
快速、准确地获取耕地变化信息对粮食安全管理具有重要意义。针对遥感语义分割方法在大尺度范围高分辨率影像耕地非农化检测中因模型适用性不足导致错漏检较多的问题，提出一种以场景分类网络Xception为基础的耕地高分辨率影像多尺度场景分类方法——Multiscale Scene Classification-Xception（MSC-Xception）。该方法对耕地场景分类性能突出的轻量级场景分类网络Xception的输出层嵌入卷积注意力模块CBAM以增强模型在通道及空间特征上的提取能力，同时对单一尺度场景级分类在大尺度耕地提取中存在的混合场景分离度低和细节粗糙问题，先引入一种多尺度耕地场景特征融合的方法提高混合场景的分离度，再通过多尺度分割矢量的边界约束实现对场景级分类的边界精细化。相较于典型的Unet、PSPNet和DeeplabV3+语义分割方法，该方法能较好地减少大图斑漏检现象，在栖霞区2018年4月份GF-2影像的耕地提取实验中召回率和F1分数至少分别提高了15.1个百分点和8.8个百分点，在2018年至2022年栖霞区耕地非农化检测中，可疑图斑的查全率至少提高了7.16个百分点。
河南是我国的玉米种植大省，豫东南地区则为省内重要的玉米产区。通过土地种植适宜性评价可以优化土地利用结构、加强土地管理系统效力。以豫东南地区玉米种植为研究对象，综合考虑环境因素和地域特征，基于层次分析法构建玉米种植适宜性的评价指标体系并设计相应的综合评价指数（Comprehensive Evaluation Index， CEI），完成区域的适宜性评价。本研究经计算得到豫东南地区整体的玉米种植适宜性综合评价指数，并最终提取旱地范围内数据结果进行分析，认为豫东南地区玉米种植适宜性整体较高，98.21%的旱地非常适合或者比较适合种植玉米，这是因为该区域的地形、地势及水热条件互补性为玉米生长提供了一定的环境优势。本研究可为豫东南玉米种植区域的优化提供参考和借鉴。
耕地非农化信息的快速准确获取对于耕地资源的管理及相关政策的实施具有重要意义。为探究商南县2010~2020年耕地非农化的变化规律，以谷歌地球引擎（Google Earth Engine，GEE）为平台，采用随机森林方法进行分类，基于多时相Landsat遥感影像获取商南县2010、2015、2020年耕地时空分布信息，并通过土地转移矩阵、地理探测器及网格单元等方法，对商南县耕地非农化的重要特征及驱动因子进行分析。结果表明：①基于GEE平台的随机森林方法可有效获取商南县耕地信息，土地利用分类总体精度高于88％，Kappa系数大于0.85。②商南县耕地空间分布不均匀，多分布于中部及东南部地区；非农化类型主要为园林地，转化地类主要集中于商南县中部和东南部地区；耕地面积不断减少，非农化整体呈现越来越快的趋势。③自然和社会因素对耕地非农化具有共同驱动的作用，而自然因子作为耕地非农化的先决条件，人类活动在自然因素限制下对耕地非农化的影响可由社会因子进行反映。商南县耕地非农化的主要自然驱动因素为土壤类型，而在社会因素中到公路距离因子对于耕地非农化转变的影响力最大，说明适宜耕种的土壤类型、快速的经济发展对商南县耕地非农化影响较大。
土壤有机碳含量高光谱反演对现代农业生产、土壤质量评价具有重要意义。不同的土壤类型高光谱差异较大，探索与不同土壤类型相适应的建模方法，有利于高效准确的反演土壤有机质含量。以黄土高原东部陕州区为研究区，101个农田表层土壤样本的光谱数据为研究对象，采用一阶微分（First Derivative， FD）、包络线去除（Continuous Removal， CR）以及连续小波变换（Continuous Wavelet Transform， CWT）等光谱数据预处理方法，并利用竞争适应重加权采样（Competitive Adaptive Reweighted Sampling， CARS）、相关系数法筛选特征波段，进一步比较最小二乘回归（Partial Least Squares Regression，PLSR）、支持向量机（Support Vector Machine，SVM）、反向传播神经网络（Back Propagation Neural Network，BPNN）3种模型反演农田表层土壤有机碳含量的精度。结果表明：①以CARS处理后的特征波段为自变量，3种模型的预测精度（R2=0.67），较以相关系数法提取特征波段为自变量建立的模型均有较大提高，R2提高0.12；②3种模型中，PLSR的平均模拟精度最好（R2=0.68），明显高于SVM（R2=0.53）、BPNN（R2=0.54）；③连续小波变换后，不同分解尺度模型模拟精度差别较大。采用CWT26-CARS-PLSR模型预测SOC含量的精度最高（R2=0.91、RMSE=0.75g·kg-1、RPD=3.28）。
为了改善小样本数据的过拟合问题，提高小麦条锈病遥感监测模型的泛化能力和预测精度，以2018年河北省中国农业科学院实验站获取的冠层日光诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence，SIF）为数据源，利用代价复杂性剪枝（Cost-Complexity Pruning，CCP）算法对随机森林回归（Random Forest Regression，RFR）方法进行剪枝约束，并结合贝叶斯优化（Bayesian Optimiazation，BO）算法对随机森林回归进行超参数选取，构建了基于约束随机森林回归（Constrained Random Forest，CO-RFR）算法小麦条锈病严重度预测模型，并将其与分类回归树（Classification And Regression Tree，CART）算法、传统RFR算法以及多元线性回归（Multiple Linear Regression，MLR）方法构建的小麦条锈病遥感监测模型精度进行比较。结果表明：①CO-RFR模型的估测精度最高，更适合于小样本数据下的小麦条锈病遥感监测。其中，在验证数据集中CO-RFR模型预测病情严重度（Severity Level，SL）和实测SL间的平均RMSE比RFR、CART和MLR模型分别减少了43%、50%和40%，平均R2分别提高了56%、47%和40%。②增加约束条件能够有效改善模型的过拟合现象，提高模型的泛化能力。其中，RFR模型训练集预测SL值和实测SL值间的平均RMSE较验证集减少了62%，表明模型训练集精度远高于验证集，模型出现过拟合，而CO-RFR模型训练集预测SL值和实测SL值间的平均RMSE较验证集减少了8%，表明模型拟合效果较好，过拟合现象得到明显改善。该研究对提高小样本数据下的小麦条锈病病情严重度的遥感预测精度具有重要意义，同时亦为其它作物的胁迫监测提供了应用参考。
太阳辐射数据在地表能量平衡评估中（显热、潜热和太阳能评估等）起着重要作用。但是气象站观测到的气象数据缺乏太阳辐射数据。因此，迫切需要借助易获取数据模拟大范围太阳辐射。这项研究使用易获取数据（再分析数据MERRA-2、遥感数据MODIS和地外太阳辐射）来驱动常用的机器学习模型估计每日太阳辐射。结果表明，再分析数据可替代地面变量，并达到相似的模拟精度水平（平均相差0.14 MJ/m2（MAE）、0.22 MJ/m2（RMSE）、1.13%（NRMSE））。特别是，当由再分析、遥感数据和地外太阳辐射共同驱动时，机器学习将达到最高模拟精度（MAE为3.42 MJ/m2，RMSE为4.86 MJ/m2，NRMSE为26.87%）。同时集合多个机器学习比使用任何单一模型都具有更好的性能。使用易获取的多源地球大数据和机器学习可以获取较准确的辐射数据。
大型地震灾害发生时都会造成大量财产损失甚至人员伤亡，因此，灾后第一时间对灾情作出判断极为重要。合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天时、全天候，不易受光照和气候条件影响的优势，使用SAR 影像进行变化检测在震后救援与损失估计、洪水波及范围检测、城镇化研究以及海岸线提取等多个领域备受关注。为此，提出一种结合空间域和频率域纹理特征的深度学习建筑震害提取方法，能够较好地识别倒塌建筑物与未倒塌建筑。以2023年2月6日土耳其7.8级地震的卡赫拉曼马拉什（Kahramanmaras）区域为例，该区域在此次地震中损毁最严重。本研究在深度学习网络进行分类的过程中加入了空间域特征和频率域特征。经过大量实验计算，该方法的分类精度达80.98%，远高于原始图像的分类精度47.84%。同时，此结果也高于仅使用空间域特征的分类精度73.30%，以及仅使用频率域特征的分类精度73.42%。该方法能够为地震灾后的受灾情况及灾害评估提供基础支持。
河流径流量地监测对水资源的管理与利用具有重要的意义，但如何灵活、精确地获取河流径流量仍然是一个难题。卫星遥感因其分辨率受限难以精确反演中小型河流径流量，传统河流流量监测技术复杂、设备昂贵，在无资料区、突发性灾害事件应急监测方面应用受限。为此，本研究利用无人机快速、灵活的特性，利用激光雷达获取地形信息精度高的优势，基于无人机激光雷达点云数据3D模型，结合粒子跟踪测速法（Particle Tracking Velocity，PTV），提出了一种适用于中小型河流的径流量监测方法。该方法利用激光雷达近红外波段对水体的强吸收特性，提取水体与陆地分界线，通过与河道原始断面图匹配融合获取过水断面。基于低空无人机光学遥感影像以粒子跟踪测速法计算河流流速，进而通过流速面积法估算河流径流量。经过连城水文站河段24次无人机径流量监测实验得出如下结论：无人机激光雷达监测流量与实测流量平均相对误差为8.67%，最小相对误差为0.46%，均方根误差RMSE （Root Mean Squared Error）为0.09 m3/s，平均百分比误差MPE（Mean Percentage Error）为0.02，百分比偏差Pbias（Percent bias）为1.95%，纳什效率系数NSE（the Nash-Sutcliffe Efficiency Coefficient ）为0.94，可满足无资料地区中小型河流径流量监测精度需求；通过比较，本研究方法的径流量监测精度，也明显高于曼宁公式径流量估算结果（RMSE，NSE）。本研究论证了无人机激光雷达点云数据径流量监测的可行性与可靠性，为无资料地区突发性灾害应急监测和中小型河流径流量监测提供了新思路。
城市快速扩张导致城市及其周边生态环境发生剧烈变化，进而加剧城市热岛（Urban heat island，UHI）效应。但城市扩张对干旱区城市热岛效应的影响仍不够清晰。甘肃省从东南向西北延绵1 600 km，气候类型从东南部的湿润半湿润气候逐渐过渡到西北部的极端干旱气候。此外，2000年以来甘肃省经历了快速的城市扩张，因此甘肃省是研究不同干湿气候背景下城市扩张对UHI效应影响的理想实验区。本研究利用MODIS地表温度数据集，估算2003~2021年甘肃省14个城市的地表城市热岛强度（Surface urban heat island intensity，Is ）及其年际变化特征，以探究不同气候背景下甘肃省UHI效应变化特征及其对城市扩张的响应。结果表明，甘肃省各城市Is 和δISP（Urban-rural Contrast in Impervious Surface Percentage，δISP）具有明显的时空差异。Is 变化趋势主要受植被覆盖度（R2 =0.406，P<0.05）影响，其次是降水量（R2 =0.377，P<0.05） ，城市人口数量（R2 =0.069，P>0.05）的作用可以忽略不计。此外，由于不同土地覆盖类型的地表温度（Land Surface Temperature，LST）存在差异，城市扩张进程中所占用的土地覆盖类型对Is 趋势亦有影响，如果城市扩张进程中占用的是裸地类型则产生降温效应。城市扩张强度对Is 趋势的影响存在明显的阈值，不同气候区城市的阈值不同，湿润区城市的阈值（天水，δISP=32%）小于干旱区城市（酒泉，δISP=41%）。此外，阈值前后Is 变化速率不同，干旱区城市的Is 在阈值前后的变化更显著。本研究成果为干旱区城市快速扩张的影响评价与管控决策提供了科学依据。
北极作为地球“三极”之一，蕴藏丰富资源，是全球变化研究的热点区域，其海冰变化对航道开通和生态保护具有重要意义。然而，现有三维虚拟地球 （3D GIS）系统无法直接支持非规则格网的数据可视化，限制了北极航道信息服务能力。针对这一技术瓶颈，本研究提出了一种将非规则格网数据自动转换为规则格网数据的方法。同时，研发了基于Cesium的海冰数据三维可视化系统，实现了长时间序列非规则格网海冰数据在三维虚拟地球系统中的自动加载和可视化。性能评估结果表明：该方法具有较高的精度和效率，研发系统能够高效和直观展现北极冰情变化，可为船舶航行规划提供重要冰情信息。
土地利用/覆被变化是研究全球环境变化和可持续发展的重要基础。基于Google Earth Engine （GEE）平台和随机森林算法，对长江中游城市群1990、2000、2010 和2020年的Landsat卫星影像进行快速、高效地解译，追踪土地利用/覆被变化的时空格局变化。结果表明：①2020 年长江中游城市群主要由耕地和植被构成，面积占比在86%以上，耕地和植被主要分布在城市群的四周、城乡建设用地呈散团式镶嵌其中的空间格局；②土地利用数量结构上整体呈现城乡建设用地和耕地持续增加、植被和未利用地呈波动式减少、水域波动式微弱增加的发展趋势；在土地利用转移上，主要呈现出建设用地斑块遍地开花并伴随局部爆炸式扩张，植被流向耕地，未利用地流向植被和耕地的演变态势；③在土地利用空间集聚演变方面，土地利用程度的较热点、热点都在增加，极热点区总体逐渐减少，而较热点则相反，热点呈增加的趋势，且全部位于武汉城市圈及其周围；土地利用程度较冷点总体上呈先减少后增加的趋势，且较冷点区由环长株潭城市群（湘潭市、萍乡市和株洲市）转向环鄱阳湖城市群（南昌市）。长江中游城市群建设用地和耕地空间集聚范围呈持续扩大态势，且集聚程度随集聚范围的扩张同步加强，中等密度和较低密度区扩展区随着城市群的快速发展逐渐演变为热点区域。研究结果为生态型城市群的土地资源保护与可持续利用提供了有效的决策依据。
针对异源影像配准中存在误匹配率较高和配准精度较低的问题，提出了一种基于扩展相位一致性和空间关系约束的异源影像配准算法（Extended Phase Consistency Spatial Relationship Constraints，EPC―SRC）。首先，设计了一种基于自适应加权力矩图的分块Harris特征检测方法，用于检测稳定、均匀分布且可重复的关键特征点；其次，采用多尺度加权最大索引图（Multiscale Weighted Maximum Index Map，MSW―MIM）结合改进的GLOH描述符结构 （Gradient Location Orientation Histogram―like，GLOH―like）构建鲁棒的特征描述符，以提高特征描述符的可区分性；最后，采用马氏距离和边缘化样本共识（Marginalizing Sample Consensus，MAGSAC）方法获取同名点，利用空间关系约束实现特征点精确匹配，并进行迭代求解优化单应性矩阵实现高精度影像配准。通过10组异源遥感影像配准实验对比及分析，结果表明：该方法综合性能明显优于其他对比算法， 并且在配准精度方面取得了最好的效果。
单木分割在森林结构分析、林木参数提取以及森林生物量反演中具有重要作用。激光雷达 （Light Detection and Ranging， LiDAR）作为一种低成本、高效率的数据源，为森林单木分割研究提供了坚实的数据基础。目前的单木分割研究主要集中在结构较为简单的森林区域，通常通过考虑点云之间的空间关系，制定合适的判别准则来实现单木的分割。然而，针对结构复杂的森林，现有的单木分割算法研究相对较少。提出了一种融合核密度估计、数字表面模型和K-means聚类等方法的单木分割算法。研究结果表明：以甘肃省甘南藏族自治区为研究区，对西北云杉林进行单木分割时，该方法能够显著提高人工云杉林与天然云杉林的分割精度。与传统的K-means聚类单木分割算法相比，该方法的整体棵数查全率分别提高了32％和15％，查准率分别提高了51％和27％，分别达到了83%和89%的查全率，以及92%和55%的查准率。这一方法为机载LiDAR在森林生态应用中的进一步应用提供了新的技术支持，特别为复杂林型结构中的单木分割问题提供了一种高效、简便的解决方案。
针对背景复杂、目标尺度差异性大且分布不均的高分辨率遥感影像，现有算法无法同时兼顾检测精度与检测速度等问题，以YOLO v7为基础提出了一种局部—全局检测器（Local-Global Detector， LGDet）的轻量化目标检测网络。首先，采用部分卷积（Partial Convolution， PConv）对其主干和颈部网络进行压缩，减少模型的参数量与运算量；其次，设计了快速傅里叶联合部分卷积模块，构建了局部和全局感受野结合的轻量化特征提取网络；最后，提出了一种轻量化三元注意力模块，增强了有用特征。在RSOD和NWPU VHR-10数据集上进行了实验，本算法的mAP分别为93.4%和90.5%，FLOPs为87.9 G，与YOLO v7相比mAP分别提高了2.8%和2.3%，FLOPs减少17.3 G。结果表明本算法在计算复杂度更低的情况下具有更优异的遥感影像目标检测精度。
雪灾是伊犁地区最主要的自然灾害之一，积雪、风吹雪以及雪崩灾害严重威胁着该区域内的交通运行，并对道路规划等基础设施规划产生了严重影响。鉴于此，对该地区的道路雪灾风险等级进行科学估算和评估，是确保区域内交通安全运行以及道路选址等重大决策的重要依据。结合多源遥感数据和基础地理信息数据，利用熵权法和岭回归方法，发展了一套道路雪灾风险评估方法，构建了伊犁地区积雪、雪崩以及风吹雪灾害的潜在致险性评估模型，进而对伊犁地区道路雪灾的潜在风险性进行了综合评估和致因分析。研究结果表明：伊犁地区3种雪灾类型潜在致险性在空间分布上具有较高的相关性，潜在致险性由高到低依次为：积雪灾害>风吹雪灾害>雪崩灾害。雪灾综合致险性表现为天山地区较高，中部伊犁河谷地区次之，小部分河谷及背风山谷地区致险性较低的空间特征。其中，昭苏县、新源县、尼勒克县以及特克斯县大部分区域为雪灾致险性的热点区域。从道路雪灾综合风险的视角来看，昭苏县、新源县以及尼勒克县部分路段风险性最高，霍尔果斯市、霍城县、伊宁县路段风险次之，而巩留—新源交界路段道路雪灾综合风险相对较低。道路雪灾综合风险较高的路段分别为：G577昭苏—胡松图喀尔逊段，G577昭苏—特克斯段，S330库尔德宁—那拉提段，G218那拉提—巩乃斯段，G578尼勒克—唐布拉段。本研究对道路雪灾风险评估以及道路等基础设施选址具有一定的参考价值。
农村建筑物作为地震灾害中最重要的承灾对象，对其类型、分布等信息的快速获取在抗震减灾等方面具有重要意义。基于GF-2高分辨率遥感数据，利用ESP（Estimation of Scale Parameter）算法和SeaTH（Seperability and Thresholds）算法分别确定影像最佳分割尺度及构建最优特征学习空间，选用决策树分类法和随机森林机器学习分类法，分别对2021年5月初甘肃省襄南镇的农村建筑物结构进行提取分类，并使用无人机航测和现场调查统计数据进行分类结果的准确度检验和修正。结果表明：①两种方法都能较好地识别空间分布均匀、面积大、颜色鲜明的砖混建筑物，但对于分布杂乱且相对集中、颜色灰暗、面积小的土木（砖木）建筑物难以有效识别出其边界轮廓并准确分类。②两种方法对研究区建筑物分类的精度分别是82.42%、86.82%，且基于随机森林的方法在提取建筑物信息时出现的错分漏分现象较少，因此，随机森林方法进行农村建筑物分类更适用。
新一代星载激光雷达冰、云和陆地高程卫星二代（ICESat-2）和全球生态系统动力学调查（GEDI）在森林冠层高度估算中具有独特的优势。融合两种激光雷达数据不仅能够增加冠层高度反演的样本量，还能实现不同数据之间的空间互补。首先采用随机森林—递归特征消除法（RF-RFE）筛选光子特征参数，结合逐步线性回归（SLR）、随机森林（RF）、轻量级梯度提升机（LightGBM）、随机森林逐步线性回归（RF-SLR）、粒子群优化随机森林（PSO-RF）5种融合模型进行适用性分析，选择最优模型构建点尺度冠层高度数据集，并联合多源遥感影像反演祁连山国家公园冠层高度图。最后使用GEDI脚点足迹和样地调查数据将反演结果与现有冠层高度产品进行对比。结果表明：①粒子群优化随机森林（PSO-RF）模型的融合效果最好（R2=0.71；RMSE=3.15 m；MAE=2.66 m）。②基于PSO-RF融合的点尺度冠层高度集的反演模型精度最高（R2=0.56；RMSE=3.02 m；MAE=2.38 m）。③与现有冠层高度产品相比，反演结果的精度较高（基于GEDI脚点足迹：R2=0.43；RMSE=4.50 m；MAE=3.59 m），与样地调查数据相比，反演结果的误差较小（R2=0.36；RMSE=3.15 m；MAE=2.56 m）。研究结果可反映祁连山国家公园植被空间分布格局，为森林资源管理、碳汇计算和生态资源保护提供科学依据。
利用机器学习、深度学习进行遥感影像语义分割是遥感智能解译领域的重要手段。光学与SAR影像可以反映不同的地表特征，为土地利用/覆盖提供额外信息，有效地融合并提高对土地利用/覆盖类型的识别是遥感语义分割中的一大难点。针对上述问题，提出基于多源数据融合以及通道关联性感知的土地利用/覆盖分割方法。首先，使用高分六号光学影像和高分三号雷达影像，制作高分辨率影像样本数据；然后，采用编码—解码架构，在deeplabv3p框架中引入通道注意力机制和空间多尺度关联性，建立基于全卷积网络结构的CCAMNet（跨通道感知模块网络）模型；最后，在研究区域数据集上与UNet、Deeplabv3p、SA-Gate、v-fusenet、MCANet等语义分割模型进行对比实验，并在WHU-OPT-SAR公开数据集上与Deeplabv3p、PSCNN、MRSDC、v-fusenet、MBFNet、MCANet等模型对比实验。研究结果表明：在研究区域上与其他模型相比，该模型总体精度为79.68%，优于其他等模型；在公开数据集上总体精度为81.8%，在分类别精度上表现优于其它模型，能显著提高语义分割的精度，验证了模型在遥感土地利用分类语义分割应用中的可行性。研究结果弥补了高分辨率土地利用分类数据集在研究区缺失的问题，并验证了光学与SAR影像融合在提高分类精度上的可行性。
高分光学影像易受到成像条件及地物变化等因素的影响，出现难以忽略的几何与辐射畸变，传统配准算法难以保证精度与稳定性。为此，本研究充分发挥相位一致性在影像几何结构表达上的优势，提出了一种基于多方向相位一致性的配准算法，利用Log-Gabor滤波器计算影像在不同方向上的相位一致性及其最小矩估计，进一步通过多阈值约束提取影像角点，并构建对辐射、旋转弱敏感的描述符，以实现复杂辐射、几何畸变场景下的同名特征匹配，最后利用匹配特征解算局部配准模型。基于高分一/二/六/七号影像的多组实验证明，所提出算法可以实现高精度配准，适用于不同来源、不同场景及不同分辨率的国产高分光学影像配准任务。
草地作为重要的植被生态系统，研究其物候变化对于全面了解全球气候变化和生态系统碳循环具有重要的意义。内蒙古拥有中国最重要的草地资源，利用GIMMS NDVI3g数据，通过Double Logistic拟合法提取了该区域草地过去34年（1982~2015年）的关键物候参数（生长开始期SOS、峰值期POS、结束期EOS以及生长季长度LOS），分析了其时空变化和对气象因子的响应以及对生产力的影响。结果表明：（1）内蒙古草地的SOS主要集中在5月上旬到6月上旬，POS主要集中在7月上旬到8月上旬，EOS主要出现在10月中旬到11月初，LOS主要集中在140~170天；（2）SOS、POS和EOS均以提前趋势为主，而LOS增加和减小的比例相当；（3）SOS和POS受温度降水共同作用，EOS主要受降水影响，而受温度的影响较小；（4）SOS提前、EOS推迟以及LOS延长会导致GPP减小，而POS的提前会使得GPP增加。
分析耕地的数量和空间格局变化对于评价区域粮食安全现状和耕地资源可持续利用有重要意义。研究基于全国第二次土地调查及变更数据，采用空间分析、趋势分析等方法，对东北地区2009~2018年耕地的数量和空间分布变化进行了分析，揭示了新增耕地格局及其地理环境特征。结果表明：①2009~2018年间东北地区的耕地数量略有上升，增长幅度缓于以前；②新增耕地集中分布在西辽河平原、松辽平原西部及三江平原等地区，主要来源于林草地及未利用地的开垦；③东北地区整体上新增耕地水热条件略好于传统耕地，但在三江平原、小兴安岭—长白山脉地区情况相反。尽管新增耕地主要分布在平原地区，但局部地区仍出现耕地上山现象。同时发现内蒙古东部、松辽平原新增耕地的土壤肥力略弱于传统耕地。研究发现，新增耕地与传统耕地的自然条件存在差异，考虑到耕地开垦可能带来的生态风险，未来需要加强对新增耕地的质量评估和监测，尤其需要权衡耕地开垦的经济增值与生态退化的风险，以促进对耕地资源的有序利用与可持续发展。
为了提升海雾识别的准确性，在注意力机制下，采用多尺度特征融合生成对抗网络，提出了一种日间海雾识别方法。该方法首先利用条件生成对抗网络生成中红外通道的云图，以消除原始日间中红外通道云图的太阳辐射影响，从而可以综合利用可见光、远红外和中红外通道云图在海雾监测中各自的优势。基于此，在UNet网络中引入金字塔切分注意力机制以提高3个输入通道数据特征提取的性能；同时，在编解码器过渡层采用多尺度空洞空间卷积池化金字塔，通过对多个路径进行多尺度特征融合，以增强对不同尺度海雾识别的泛化能力；最后，引入判别网络对生成网络进行监督，实现对海雾边缘的精准界定。实验结果表明：该方法的海雾检测精度较传统方法有所提升，命中率（POD）达到94.16%，误报率（FAR）为11.61%，临界成功指数（CSI）为83.59%，为日间海雾识别提供了一种新思路。
甘公网安备 62010202000685号
