针对全波形激光雷达和多光谱数据下土地覆盖误分类问题，提出了融合陆地卫星（Landsat）多光谱遥感影像数据和星载全波形激光雷达全球生态系统动态调查（GEDI）数据进行土地覆盖分类的方法。首先，根据实地调查数据建立数据集；然后，采用支持向量机（SVM）方法来实现激光雷达足迹的土地覆盖分类；最后，对土地覆盖的分类结果进行评价。结果表明，在SVM方法下联合使用光谱特征和波形特征的总体准确率可以达到90.68%，相比仅使用光谱特征或波形特征时总体准确率可以提升8个百分点以上。融合光谱特征和波形特征的方法可以提高土地覆盖分类的准确性。

传统气溶胶反演方法通常先基于模型假设确定地表反射率，但反演结果会受到假设的影响；而深度学习方法基于数据驱动，能在气溶胶定量反演中得到更加准确、高效的结果，但模型训练需要充足的优质样本数据支持。为此，使用大气辐射传输模型构建模拟样本，支持深度学习方法实现气溶胶定量反演，旨在解决当前训练数据代表性不足、数据获取困难的问题。利用辐射传输模型模拟不同参数条件下传感器获得的辐射信息，考虑概率组合及筛选标准限制进行模拟数据构建，并使用深度置信网络（DBN）对模拟样本进行训练，获得气溶胶反演模型。将模型应用于Landsat-8数据，在中国北京地区开展气溶胶反演实验。最后使用AERONET地面站点的实测数据对反演结果进行精度验证。验证结果表明，模型估算的气溶胶与站点测量值吻合良好，相关系数为0.8989，均方根误差为0.1029，约74.05%的估算值在误差标准内。本文提供了一种基于辐射传输方程构建样本数据集的思路，可减少样本质量与数量导致的局限性，实现深度学习方法对气溶胶光学厚度的高精度反演。

利用覆盖典型海岛的Landsat-8 OLI多光谱卫星遥感影像和收集到的水深数据，分别采用传统多元线性回归模型、机器学习中的back propagation（BP）神经网络模型和随机森林模型对目标海域水深进行整体反演，并对三种方法的反演精度进行评价。结果表明：相比于多元线性回归模型，机器学习方法的水深反演精度更高；随机森林模型的水深反演精度最高，平均绝对误差为1.94 m，平均绝对百分比误差为18.29%，模型的鲁棒性更加出色，整体精度较多元线性回归模型有明显提高。本研究比较三种方法构建的浅海水深模型的性能，为后续更加高效地获取高精度浅海水深信息提供参考价值。

准确监测蓝藻水华是湖泊富营养化研究的基础, 可为水环境部门的管理和决策提供依据。以淀山湖为研究对象, 利用Sentinel-2/MSI、Landsat-8/OLI两种影像数据, 并通过改进的浮游藻类指数(Floating Algae Index, FAI)监测了2019~2021年共21幅淀山湖区域影像的水华情况, 然后在此基础上分析了淀山湖富营养化的分布规律。结果表明: (1)淀山湖连续三年都有蓝藻水华出现, 存在富营养化情况; (2)每年的6~9月份是蓝藻水华的高发期, 湖体富营养化发生的面积较大、频率较高, 2020年9月和2021年8月爆发水华面积超过20 km2; (3)水华爆发速度较快, 持续时间较短。

美国地质调查局(USGS) 2020年12月正式发布了基于Landsat热红外光谱数据生产的2级地表温度产品(Landsat Collection 2 Level-2 surface temperature, LC2L2ST), 但目前还鲜有该地表温度产品的相关研究报道。 由于美国地质调查局已宣布自2022年开始将不提供除该产品之外的其他地表温度数据, 因此有必要对该产品进行适时的评估。 在同类遥感卫星产品中, MODIS地表温度产品的质量最被广大用户认可, 应用也最为广泛, 因此首次将Landsat新型热红外地表温度产品与MODIS地表温度产品进行交互对比, 以评估新产品与MODIS地表温度产品的一致性。 分别选取了我国的不同地区(福州、 太湖、 银川、 敦煌)作为试验区, 以20对同日过空的LC2L2ST与MODIS地表温度影像为数据源进行交互对比。 影像涵盖植被、 水体、 建筑、 荒漠等地物以及不同的季节。 在试验区影像上选取一系列均质样区(ROI), 通过各样区的地表温度均值散点进行拟合回归分析, 研究二者地表温度间的差异及定量关系, 并提出彼此转换的模型。 结果表明, Landsat地表温度新产品与MODIS地表温度产品具有很高的相关性, 4个试验区的决定系数(R2)皆大于0.98, 集成4个试验区的总R2也接近0.98; 但LC2L2ST比MODIS的地表温度平均高0.90 ℃(RMSE=2.29 ℃)。 分析发现, 二者地表温度数据间的差异与其在空间分辨率、 观测角度、 地物类型和季节的不同有关。 从不同地物和季节来看, LC2L2ST在晚秋和冬季略低于MODIS的地表温度, 而在夏季极端高温的城镇、 荒漠地区则明显高于MODIS的地表温度, 且偏差可近7 ℃。 总的看来, Landsat新型地表温度产品与MODIS同类产品的相关性显著, 但在夏季的城市和沙漠地区的差异较大, 因此, LC2L2ST新产品在夏季高温季节的适用性仍有待进一步基于地面实测温度的验证。 鉴于两种地表温度数据产品仍存在着一定差距, 因此二者如要协同使用, 需要进行转换。 本研究基于4个试验区的560个ROI样区构建了二者地表温度间的转换方程, 并通过验证发现, 经转换后的两数据差异性得到大幅缩小。 因此, 必要的数据转换有利于二者数据的协同使用, 可为长时间序列的地表温度变化监测提供连续的遥感数据。

由于高质量的对地观测需要时空连续的高分辨率遥感图像,故对时空融合的研究广泛开展,并且集中在Landsat和MODIS卫星之间。目前已经提出了使用卷积神经网络进行时空融合的方法,但是网络较浅,故融合性能有限。针对应用最广泛的单对图像时空融合问题,建立了一种基于深度神经网络的新时空融合方法。首先,基本网络框架由两个级联的4倍上采样器构成以近似Landsat和MODIS卫星之间的空间差异和传感器差异。然后,利用卷积神经网络学习重建图像与真实图像之间的残差,使重建图像与真实图像更接近。接着,使用高通调制策略进行时间上的预测。最后,将所提方法在不同的Landsat和MODIS卫星图像上进行了测试,并与多种时空融合算法进行了比较。实验结果表明,与现有融合算法相比,所提方法的重建效果更好,且处理速度更快。

长江口青草沙水库是重要的饮用水源,其水质评估非常关键。为客观、科学地评估青草沙水库的水质状况,以水体悬浮物作为评估水质的一个关键参数,利用Landsat-8 OLI高空间分辨率数据开展了相关研究。采用与现场观测匹配的卫星资料,建立了青草沙水库悬浮颗粒物(SPM)的反演算法,利用现场观测资料进行精度验证,结果显示相关系数较高,均方根误差较小,由此表明该算法的反演精度较高,结果可信。利用建立的算法,对Landsat-8 OLI数据进行处理得到2013—2019年的SPM平均空间分布和时间分布特征。结果发现:河口范围内青草沙水库SPM浓度最低;水库上部SPM浓度随季节变化较大,在冬季最大,春季最小;水库中部与下部SPM浓度较低且变化很小。研究结果表明,长江口青草沙水库水体清澈,水质较好。