从分析对颗粒物PM2.5敏感的光谱特性入手, 提出了一种基于差值指数的颗粒物PM2.5浓度反演新方法。 使用Avafield-1光谱仪(测量范围300～1 100 nm)测量了典型地物植被、 土壤在不同的颗粒物PM2.5污染条件下的光谱曲线, 发现颗粒物使得植被和裸土的光谱曲线在红光波段反射率增加, 在近红外波段反射率下降, 且其变化量较为稳定, 因此使用对颗粒物敏感的红光波段和近红外波段, 构建差值指数(difference index, DI)以表征颗粒物PM2.5的浓度变化。 以北京市为研究区, 选择TM影像, 求取差值指数, 结合北京市及周边地区地面空气质量监测站提供的PM2.5逐时数据, 反演了北京市的颗粒物PM2.5的浓度。 结果表明, 2016年3月1日(监测站PM2.5浓度均值为105.8)预测模型相关系数r为0.796, 精度表现良好, 12月14日(监测站PM2.5均值为15.8)预测模型相关系数r为0.628, 即颗粒物污染程度较低情况下, 差值指数模型预测精度低于颗粒物污染程度较高的情况, 分析原因是颗粒物浓度较低时, 由颗粒物引起的地物光谱特征变化比较不明显, 造成差值指数模型精度较低。 由于空气质量为重度及严重污染时, 获取的遥感影像质量较差, 影响颗粒物浓度反演, 因此该方法适合轻度、 中度污染情况下的颗粒物PM2.5浓度反演。 该方法获取污染数据简单, 反演结果空间分辨率较高(30m), 且可根据需要选取包含敏感波段数据的遥感影像用以获取不同时间、 空间分辨率的颗粒物PM2.5浓度分布, 具有广泛的应用前景。

从分析对植被覆盖度（FVC）敏感的光谱特性入手, 使用Avafield-3光谱仪（测量范围300～2 500 nm）, 利用人工草坪控制植被覆盖度的方式研究混合光谱与植被覆盖度的关系, 通过实验发现红边区间（680～760 nm）对植被覆盖度最为敏感, 而红边区间光谱的一阶导数与植被覆盖度的相关性最高(>0.98), 且有较强的稳定性, 因此选择红边斜率k作为估算植被盖度的参数。 参考混合光谱分解法反演植被覆盖度的经典模型——即以NDVI(normalized difference vegetation index)为参数的植被覆盖度反演模型, 以红边斜率代替NDVI构建了2个反演植被覆盖度FVC的新的红边斜率模型, 该模型是对经典模型的进一步改进。 为验证模型精度, 以研究区内无人机(UVA)的高光谱数据和研究区实际测量的植被覆盖度数据进行验证: 对高光谱数据计算每个像元680～760 nm之间的斜率, 利用PPI(pixel purity index)提取纯像元, 计算纯植被像元光谱斜率的最大值和纯土壤像元光谱斜率最小值, 利用新的红边斜率FVC模型求取植被覆盖度; 实测数据采用照相方法, 经过几何校正、 监督分类后统计植被覆盖度, 结果表明: 通过实测数据与无人机高光谱数据获取的植被覆盖数据进行验证, 新构建的基于红边斜率的两个植被覆盖度模型的精度（R2分别达0.893 3和0.892 7）都略高于以NDVI为参数的模型（R2分别达0.839 9和0.829 9）。 提出使用红边斜率计算植被覆盖度的模型, 具有较明确的生物物理意义, 具有较高的应用潜力和推广价值。

森林蓄积量是林分调查中重要因子, 是评价森林数量和质量的重要指标。 传统森林蓄积量实测方法耗时费力、 效率低下, 多元线性回归遥感反演方法精度较低, 难以达到精准林业要求。 机器学习是一种利用训练数据, 进行自我改进、 自动提升性能的方法, 可以任意逼近非线性系统, 提高模型预测精度。 以鹫峰林场森林为研究对象, 综合考虑影像光谱因子、 纹理因子、 地形因子, 采用机器学习中的BP神经网络、 最小二乘支持向量机、 随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV, LSSVM-FSV和RF-FSV, 并在Matlab2014a中编程实现。 旨在从建模因子选择和模型方法建立两个方面, 优化建模因子特征提取, 提高森林蓄积量模型预测精度。 以角规观测样地实测数据、 森林小班二类调查数据、 林相图数据为基础, 使用以上三种模型结合Landsat8 OLI多光谱数据分林型进行了森林蓄积量反演建模预测。 以决定系数R2和均方根误差RMSE为指标, 分析了三种反演模型的训练能力和预测能力。 研究结果表明: 利用3种机器学习方法构建的结合光谱因子、 地形因子、 纹理因子反演模型能够提高森林蓄积量的预测精度。 以上模型中, RF-FSV模型在针、 阔、 混三种林型中都表现出较强的预测能力, 高于BP-FSV模型, 高于或接近于LSSVM-FSV模型。 RF-FSV模型在训练阶段, R2和RMSE针叶林中为0839和13953 3, 阔叶林中为0924和7634 1, 混交林中为0902和12153 9, 预测阶段R2和RMSE在针叶林中为0816和15630 1, 阔叶林中为0913和4890 2, 混交林中为0865和9344 1。 RF-FSV模型建模精度和预测精度较高, 为森林蓄积量遥感反演估测提供了一种新的方法。

在分析现存点云处理方法的特性后,通过改进三角网构网算法的算法机制,提出了一种基于空间分割的分块优先级机制的三角网表面重建算法,用于重构树冠表面,实现树冠体积的准确提取.通过可视化方法对比了多种算法的点云构网效果,以实验区选定的30棵树为研究对象,利用T-LiDAR获取树冠点云数据,通过人工方法、传统算法和本文的改进算法计算树冠体积,对这些结果进行了对比分析.分析发现: 四种方法之间均显示出较好的相关性(R2>=0.831), 其中所提出的改进Delaunay方法拥有理想的精度,较好稳定性和最少的耗费时间.实验结果表明,提出的算法在点云(尤其是T-LiDAR数据)树冠的体积提取中具有很大的优势.结合T-LiDAR数据还可以实现树冠表面积和生物量等树冠因子的高精度快速提取.

为了建立立木材积模型, 每年有数十万棵优质活立木被伐倒, 这是一种破坏性较大的实验。 应用光电经纬仪自动量测与手工量测活立木地径、 胸径相结合, 通过活立木材积计算软件批量计算, 获得中林系107杨（Zhonglin aspens No.107）的胸径、 树高、 树干材积值400组数据集。 采用粒子群算法嵌入支持向量机（PSO-SVM）建立了非线性智能活立木材积预报模型, 并以400组实验数据集作为研究资料, 随机抽选300组数据的胸径和树高作为输入值, 材积为输出值, 用MATLAB软件运行PSO-SVM工具箱, 训练得到PSO-SVM模型, 用100组数据进行检验预测。 研究表明, PSO-SVM算法模型预测值与实测值间复相关系数r为0.91, r值比Spurr二元材积模型计算值高出2%, 平均绝对误差率提高0.44%。 引用经典Spurr二元材积模型计算值和PSO-SVM模型预报值进行对比, 认为将PSO算法引入到SVM参数优化中, 使活立木材积预报具有自学习能力和自适应能力, PSO-SVM模型对样本数量要求较小、 预报准确率高、 学习速度快, 具有很好的推广价值与应用前景。

树冠投影面积和树冠体积是研究单木生物量估测、 三维绿量测算等的重要测量因子。 针对树冠结构复杂、 形态各异， 树冠因子难以精确测量等问题， 为实现单木树冠投影面积和树冠体积的自动提取和精准测量， 以三维激光扫描获取的树木点云数据为数据源， 运用平面散乱点集凸包算法——Graham扫描算法和不规则体切片分割累加算法， 以VC++6.0和Matlab 7.0混合编程， 实现树冠投影面积和树冠体积的自动提取。 以实验区选取具有代表性的22株不同树种的样木为研究对象， 并与传统人工测量方法进行了对比分析。 试验结果表明， 树冠投影面积人工测量（A4）结果与点云数据的自动计算（AV）结果相关性较好， r=0.964（p<0.01）， A4高于AV的平均值为25.5%。 近似规则几何体方法树冠体积测量（VC）结果与基于点云数据的自动计算（VVC）结果之间呈现较强的相关性， r=0.960（p<0.001）， VC低于VVC的平均值为8.03%。 该方法基于高精度单木点云数据， 实现了树冠结构的高精度快速重构、 单木树冠投影面积和树冠体积的无损自动提取， 可以为单木树冠结构的研究提供参考， 在精准林业领域具有推广应用价值。

永定河流域的土壤类型及含水量与植被覆盖指数是影响该流域水量的重要因素, 利用传统取样法对该流域土壤类型及含水量进行调查, 耗费人力的同时还会因仪器误差等客观因素造成实验精度下降。 选择永定河流域（北京地区）为研究区, 利用全站仪进行野外调查测定34块样地并取样, 结合1978—2009年6期的TM影像数据对土壤信息进行提取, 研究该地区的土壤含水量与各类多光谱遥感因子间的相关关系, 利用遗传算法对土壤归一化水体指数(NDWI)的主要影响因子进行筛选, 因NDWI是基于绿波段与近红外波段的归一化比值指数, 一般用来提取影像中的水体信息, 效果较好。 为了更准确的筛选与土壤含水量相关的因子, 利用遗传算法全局择优的特点, 通过控制迭代次数加速收敛来筛选关键因子。 进而利用多元回归的方法建立NDWI反演模型, 分析出模型的内符合精度为0.987, 并利用边缘树种进行外符合精度检验, 得出: 土壤中速效氮、 磷、 钾的含量与经度相关性不明显, 却与纬度和土层成正相关关系, 当模型计算的迭代次数Maxgen达到最优时, 内符合精度为87.6%。 通过遥感影像与野外调查相结合的方法得到的土壤NDWI与植被盖度、 地形、 气候等相关因子的模型而计算得出的NDWI值与单纯利用传统土壤取样法得到的值进行对比分析, 得出平均相对误差E为-0.021%, 外符合精度P达到87.54%。 该模型的建立可为日后对永定河流域土壤水分及有机质的分析与研究提供较好的实践及理论依据。

多光谱遥感数据蕴含着大量的地表立地信息, 而传统立地质量评价体系主要使用了人工地面调查数据。 为了建立一套有效的立地质量评价体系, 以内蒙古赤峰市旺业甸林场为研究对象, 基于研究区域的多光谱遥感数据结合地面小班调查数据, 采用一种改进的反向传播人工神经网络（back Propagation artificial neural network, BPANN）模型, 以落叶松为例, 建立了遥感光谱因子结合立地因子与地位指数关系的神经网络模型, 对研究区域的小班进行立地质量评价研究。 通过训练数据集的敏感度分析剔除弱相关或不相关的因子, 简化了神经网络的规模, 提高了网络的训练效率, 得到了最优的地位指数预测模型, 模型的预测精度达到95.36%, 与使用传统小班调查数据建立的神经网络模型的预测结果进行了比较, 精度提高了9.83%, 说明使用多光谱遥感数据+小班调查数据确定的落叶松地位指数预测模型具有最高的预测精度。 多光谱遥感数据十分适用于森林立地质量评价, 改进BP神经网络具有理想的预测精度, 充分证实了该方法的有效性和优越性。

森林火灾严重危害生态环境, 引起了全球的高度重视。 将从MODIS(MODerate-resolution imaging spectroradiometer)中提取的活动火点与历史火烧痕迹进行比较研究, 发现MOD14A1(火掩膜数据产品a daily Level 3 1-km fire hot spot product)中提取的8+9波段适合消防监测, 与现场勘察数据相比较吻合度高达0.83。 使用MOD14A1中8+9波段结合相关数据对这个区域的长达11年(2000—2010年)的森林火灾发生的时间和空间分析, 结果表明: 火灾发生频率最多的是春季, 秋季次之, 夏天概率最低, 除非干旱。 通过对研究区域黑龙江省分析, 针叶林和温带针阔混交林过火面积所占比例分别为53.68%, 44%, 草原区过火面积较小为2.32%。 大兴安岭是主要的燃烧区域, 面积达到64.74%, 小兴安岭约为23.49%, 而其他区域面积不超过5%。 且火灾发生的较大部分森林有个平缓的斜坡(≤5°), 大部分处于中海拔(200 m≤H≤500 m)。 因此, 通过卫星遥感对森林火区区域的时间序列分析, 阐明火灾活动规律和气候、 地形、 植被类型的相互关系, 有助于预测火灾区域危险性等级。

用传统研究植被生物量实测的方法不仅耗时费力, 而且由于影响因子不易确定会导致预估精度不高。 选择永定河流域河北——北京段为研究区域, 以该地区2009年7月20日的TM影像数据为数据源, 结合当地分辨率为30米的数字高程模型(digital elevation model, DEM)数据和其他相关辅助解译资料, 并借助全站仪等高精度测量仪器进行外业调查, 归纳出永定河地区遥感因子与植被生物量可能存在的函数关系, 通过多元线性回归分析遥感影像因子并建立反演模型, 最后将反演模型进行精度分析。 通过将实测值和预测值分析对比, 得出反演模型总体相对误差为-0.025%, 平均相对误差为-0.016%, 总体预估精度高达84.56%。 模型的建立可对大范围流域生态环境因子进行及时、 快速、 准确地调查, 为永定河生态环境问题诊断提供实验数据。