研究采用卫星遥感技术获取高分辨率遥感影像水体样本数据集，基于深度卷积神经网络从高分辨遥感影像中提取水体并进行黑臭水体智能监测，提出了一种改进U-Net的黑臭水体检测网络模型(IWDNet)。基于U-Net结构引入跳跃式多尺度特征融合，结合通道注意力机制、卷积注意力模块、通道与空间注意力机制生成不同多尺度特征融合注意力机制(MFFAM)模块进行对比，并引入空洞卷积扩大网络感受野，最终实现黑臭水体的识别检测。实验证明: 基于跳跃式多尺度融合与CBAM注意力机制的黑臭水体检测网络(MFFCBAM-IWNet)模型有效提升了识别精度，在高分辨遥感影像水体样本数据集上表现最佳，总体精度达98.56%，Kappa系数达0.9784。

珠三角城市群作为我国最具发展活力的都市经济圈之一, 近年来经济发展势头迅猛, 但与此同时, 珠三角地区大气污染问题也引起了广泛关注。在众多大气污染监测手段中, 卫星遥感方法具有观测范围广、观测种类多、可长期连续观测、成本低等优点。 EMI (Environmental trace gases monitoring instrument) 是我国首台星载大气监测光谱仪, 于 2018 年 5 月 9 日搭载于高分五号 (GF-5) 卫星发射运行, 已广泛应用于中国和全球众多区域的大气污染物空间分布与时间变化监测, 对于我国卫星高光谱遥感反演算法的研发和大气污染防治具有重要意义。本文基于 EMI 遥感数据和中国科大的卫星遥感产品, 分析了珠三角地区 2019 年 1-8 月期间对流层 NO2 柱浓度时空变化特征。结果表明: (1) 在 2019 年 1-8 月期间, 珠三角地区对流层 NO2 柱浓度整体呈现“内凹型”特征, 表现为 1-6 月呈下降趋势, 7-8 月呈上升趋势; (2) 珠三角地区的主要 NO2 污染重心集中在佛山市中部, 以及珠江入海口沿海海岸, 在 1-8 月期间, NO2 污染源重心不断由佛山市中部向深圳及香港特区方向移动; (3) 珠三角地区对流层 NO2 柱浓度分布与城市的经济状况、产业结构、常住人口数量及机动车保有量具有一定的相关关系, 其中, 城市的整体经济状况与第二产业占比对于其对流层 NO2 柱浓度影响较大, 因此各地在大气污染防治中需注意当地经济状况的发展及产业结构的持续优化。

利用中国科学技术大学开发的 GF-5/EMI 对流层 NO2 柱总量产品, 结合排放清单和地面降水、气温数据, 研究了 2019 年 1-8 月华北平原对流层 NO2 的时空变化趋势。结果表明, NO2 污染集中在河南省、河北省和天津市, 河南省焦作市 (1.670×1016 molecules·cm－2) 和河北省石家庄市 (1.426×1016 molecules·cm－2) 尤为严重; 周变化总体呈现“ 反周末效应”, 但部分农业城市趋势相反; 月变化从 1 月 (1.635×1016 molecules·cm－2) 起持续下降, 8 月降至最低水平 (1.839×1015 molecules·cm－2), 与月降水、月气温的相关系数分别为 －0.8622 (p = 0.0059 < 0.01) 和 －0.9162 (p = 0.0014 < 0.01), 与人为生活源月排放的相关系数为 0.9778 (p = 2.69×10－5< 0.01); 以天津市为代表的华北平原工业城市污染严重, 在未来大气污染治理中需继续关注。

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能, 及时、 准确地估算叶绿素含量对于农作物长势、 养分含量监测、 品质评价和产量估算具有重要意义。 Sentinel-2卫星的重访周期为5 d, 空间分辨率为10 m, 具有13个光谱波段, 其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段, 是叶绿素含量估算的理想数据源。 植被指数是基于农作物在不同波段的反射特性, 通过不同波段组合方式刻画长势和叶绿素含量的差异, 可用于大区域范围内的玉米冠层叶绿素含量快速、 精确估算。 以Sentinel-2A影像为数据源, 开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。 课题组于2016年8月6—11日在河北省保定市（115°29′—116°14′E, 39°5′—39°35′N）进行玉米冠层叶绿素含量的实地测量, 并在每个采样位置上采用中绘i80 智能RTK(real-time kinematic)测量系统进行定位。 Sentinel-2A影像预处理工作包括几何校正、 辐射定标和大气校正, 其中大气校正使用Sen2Cor模型和SNAP模型。 首先, 基于预处理后的Sentinel-2A遥感影像, 分别计算CIgreen(green chlorophyll index), CIred-edge(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。 然后, 建立样方位置上实测叶绿素含量与各植被指数的统计关系, 从而构建玉米冠层叶绿素含量估算模型, 并以野外实测玉米冠层叶绿素含量为依据, 对基于各植被指数的估算结果进行精度评价。 最后, 利用筛选出的最优叶绿素含量估算模型, 估算研究区内的玉米冠层叶绿素含量。 研究的目标为: （1）通过比较分析, 构建合适的玉米冠层叶绿素含量估算模型, 估算精度以决定系数R2、 均方根误差RMSE以及相对误差RE作为评价指标; （2）确定最优波段组合方案: 在红边波段中选择与可见光、 近红外波段组合效果更优的波段组合方案; （3）确定参与植被指数计算的红边波段的最优数量。 精度评价结果表明: （1）选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系, 其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果; 红边波段引入后明显提高了可见光、 近红外波段对叶绿素含量的拟合的精度, CIgreen(560, 705)指数比CIgreen(560, 842)的回归模型R2提高0.516, 红边波段参与计算的DVI相对于RVI来说, 估算结果更稳定。 （2）对于不同的植被指数, 参与运算的Sentinel-2A影像的两个红边波段, 估算精度的提高程度不同。 对于可见光波段参与计算的植被指数来说, 在红边波段1（中心波长为705 nm）的估算精度较高, 如LCI, CIgreen, DVI和RVI等; 对于近红外波段参与计算的植被指数来说, 在红边波段2（中心波长为740 nm）的估算精度较高, 如CIred-edge, NDRE和NAVI等。 （3）对于Sentinel-2A影像来说, 两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。 选用的植被指数中, MTCI(665, 705, 740)指数与玉米冠层叶绿素含量估算精度最高, 回归模型拟合精度R2为0.803, 模型验证R2为0.665, RMSE为3.185, 相对误差RE为4.819%。 MTCI(665, 705, 740)指数计算中使用了两个红边波段, 突出红边波段反射率差值变化, 与玉米冠层叶绿素含量表现出很好的相关性。 最后, 利用优选出的基于MTCI指数的叶绿素含量估算模型, 对研究区范围内的叶绿素含量进行估算并完成空间制图。

从图像工程质量评价和影像应用质量评价两个方面，对环境一号卫星CCD影像的质量进行了评价与分 析，通过将其与同时相Landsat TM影像的相关特征参数进行比较，客观评价了环境一号卫星CCD影像的质量。图像工程质量评价从影像的 统计特征、纹理特征和能量特征三方面进行，结果表明该卫星影像能够提供地物目标的形状、细节、纹理特征；影像应 用质量评价则是通过将该卫星影像应用于北京市城市绿地信息提取的具体工作来进行的，结果表明该卫星影像的 绿地信息提取精度较高，总分类精度达到84.45%，适用于城市绿地信息的提取。