为了解决现有陆地气溶胶光学厚度(AOD)反演算法精度和空间分辨率较低的问题,基于深度学习的思想,使用深度置信神经网络(DBN),实现了具有30 m空间分辨率的陆地气溶胶光学厚度反演。算法的训练样本包括全球长时间序列的AERONET站点数据以及在时空上与之对应的Landsat8 OLI的观测几何数据和表观反射率数据。为了保证反演的精度和稳定性,研究了AERONET站点数据的处理方法、卫星与站点数据的时空匹配方法以及DBN结构的设置。使用独立于训练样本的AERONET站点数据,对不同地表类型的550 nm处的AOD估算结果进行了整体验证,并对研究区域进行小尺度精度验证。结果表明,该方法的均方根误差和平均绝对误差分别为0.11与0.072。该方法打破了现有的气溶胶光学厚度反演方法依赖于其他遥感产品或者其他时相数据的局面,有效提高了气溶胶光学厚度反演的效率和空间分辨率。

以南京市为例,利用陆地卫星和夜间灯光卫星的光学遥感信息并结合地理信息,构建了气象观测站局地(周边2 km缓冲区)探测环境表征参数:人为活动影响参数(人口密度和人为热通量)、几何参数(土地利用类型的面积占比和海拔)和物理光学参数(不透水表面面积占比和植被指数),研究了它们对气温观测的影响。结果表明,在相同的天气背景下,当不透水表面面积占比和建成区面积占比减少,植被指数和水体面积占比增加时,气温下降。建立了气象观测站局地的植被指数、不透水表面面积占比和水体面积占比与气温关系的定量回归模型,该模型通过了99.9%的置信度检验。所提方法可用于定量评估某一区域高空间分辨率气温的分布。

牧草生物量的估算对于草地资源合理利用和载畜平衡监测具有重要的意义, 是评价草地生态系统与草地资源可持续发展的关键指标。 基于Landsat遥感技术快速、 无损的大面积植被生物量估算研究已广泛应用, 当前大多基于单一变量或几个常用植被指数构建反演模型, 这些指数往往不能从多方面反映植被理化特征。 归纳了不同Landsat8光谱衍生数据所反映的植被理化特征及它们间的关联方式, 构建了Landsat8光谱衍生数据的分类体系； 在此基础上提出了一种基于随机梯度Boosting(SGB)算法的多变量、 非线性生物量估算模型, 探讨不同类型光谱衍生数据组合对于牧草生物量反演结果的影响。 以青海省海晏县为研究区进行方案可行性探讨。 结果表明常用的Landsat8光谱衍生数据主要从植被的绿度、 黄度、 盖度、 水分含量、 纹理特征以及通过消除大气干扰和土壤背景干扰等7个方面反映植被的理化特征（7个小类）, 可归纳为直接因子（绿度、 黄度、 盖度、 水分含量）、 间接因子（消除大气干扰和消除土壤背景干扰）和空间因子（纹理特征）3大类型。 在牧草生物量反演中, 这些光谱衍生数据类型间具有较好的互补性, 单一的直接因子模型估算结果最差, 引入间接因子和空间因子均能提高模型的估算结果, 而由直接因子（GNDVI, TCW, NDTI, NDSVI, TCD）、 间接因子（SAVI, VARI）和空间因子（Mean_B3, Mean_B6, Hom_Ⅱ, Dis_B5）共同构建的SGB模型估算精度最优, R2达到了0.88； RMSE为141.00 g·m-2。 与5种常用的生物量估算模型结果对比, 该方法具有明显的优势。 较单变量模型, R2提高了42%～60%, RMSE降低47%以上, R2cv提高了31%～53%, RMSEcv降低29%； 较多变量模型, R2提高了29%～42%, RMSE降低35%以上, R2cv提高了2%～18%, RMSEcv降低2%以上。 此外, 所提出方法在消除反演模型过饱和方面也具一定成效。 综上, 利用Landsat8数据从反映植被不同理化特征角度构建反演模型实现了牧草生物量的精准估算, 对于后期牧草生长状况实时监测以及草地资源可持续利用与管理具有重要的指导意义。 研究结果还可以为今后进行大面积区域草地动态监测以及其他农业领域的研究提供参考和借鉴。

以百色市田阳县右江河谷为研究样区,定量比较喀斯特地区的高分一号与Landsat8影像归一化水体指数 (Normalized difference water Index, NDWI),以期为喀斯特地区的水资源研究提供科学支撑。选择喀斯 特河谷盆地和喀斯特石山两类不同地貌类型为研究区,分别计算两类地区两类影像的NDWI,结合目视解译, 对两类影像的水体识别阈值和精度进行比较,进而分析两类影像的归一化水体指数的相互定量关系。 结果表明:1)从水体识别阈值看,高分一号影像的水体混合像元NDWI 值多在0.6～0.8之间,水体的NDWI值 大多为1.0,而Landsat8的水体混合像元NDWI值在-0.2～0之间,水体的NDWI值多为0以上; 2)从识别 精度而言,在河谷地带和山区,高分一号影像都明显优于Landsat8,特别是对混合水体混合像元的识别, 高分一号影像有比较好的优势; 3)两类影像NDWI值具有一定的线性关系,但定量回归结果不太理想。 高分一号和Landsat8在喀斯特地区水体识别的山地地带和河谷地带都有较好的效果,但高分一号的的估算精度和效果都优于Landsat8。

冰川对气候变化极为敏感, 其变化对区域气候、 生态及水资源等有重要影响。 对于高原山地区域而言, 使用遥感数据开展冰川变化研究时, 影像经常会有较大面积的山体阴影。 阴影使地物目标反映的信息量有所损失或受到干扰, 在遥感影像数据上难以判读。 因此, 基于遥感影像的山体阴影区冰川识别成为一个技术难点。 选择青藏高原上的大型山地冰川群为实验区, 基于Landsat 8 OLI影像数据, 分析了山体阴影区冰川与非冰川的波段反射特征, 结果表明由于阴影区直射光被遮挡, 波长较短的蓝光波段因具有更高的散射强度, 是阴影区冰川识别的优势波段; 长波波段在阴影区无论是冰川还是非冰川区域反射率都很低, 难以区分。 在此基础上提出针对山体阴影区冰川信息提取的增强指数算法, 并与常规的冰川信息提取方法进行效果对比, 结果表明增强指数方法得到的直方图分割阈值更为明显。 从冰川信息提取结果来看, 无论是空间分布还是面积误差比例, 采用优势波段的增强指数法效果最好。 在高原山地区域进行大规模冰川提取时, 采用所提出的山体阴影区冰川信息增强指数算法, 有助于提高整体工作效率。

黄河每年输送大量泥沙进入渤海。 研究黄河口海域悬浮物浓度， 对于黄河输沙以及周边海域的环境监测具有重要意义。 利用2011年夏、 冬两季实测遥感反射率以及同步测量悬浮物浓度数据， 开展了黄河口海域悬浮物浓度分段线性反演研究。 结果表明， 不同浓度范围下， 悬浮物浓度反演的敏感波段不同； 浓度小于等于50 mg·L-1（≤50 mg·L-1）， 敏感比值波段为(600~700 nm)/(400~600 nm)， 浓度高于50 mg·L-1（＞50 mg·L-1）， 敏感比值波段为(750~900 nm)/(420~720 nm)， Landsat8 OLI的对应组合方式分别为B4/B2和B5/B3； 根据上述浓度分段范围分别建立线性模型， 其精度R2， RMSE和APD分别为0.873 5， 4.08 mg·L-1和22.81%（≤50 mg·L-1）， 以及0.969 3， 102.96 mg·L-1和17.51%（＞50 mg·L-1）， 整个浓度下三个精度参数分别为0.975 3， 67.03 mg·L-1和20.45%， 均优于常用单一模型在分段和整体浓度下的相应参数， 且具有良好的稳定性。 分段线性模型， 更适合浓度变化大的黄河口海域悬浮物浓度反演。

光学遥感影像可以快速提取大面积玉米冠层信息，但无法提供冠层垂直结构信息，导致反演玉米叶面积指数(LAI)时存在无法表达植被冠层内部叶片贡献而使反演LAI偏低的问题；地基激光雷达能够获取玉米冠层的高精度三维结构信息，但是每次只能在有限样区内获取。结合这两种技术的优势，利用将激光雷达数据体素化的方式，通过冠层分析法提取高精度的冠层结构信息；利用Landsat8光学影像获得大面积玉米冠层反射率，与得到的冠层结构信息进行回归分析，从而反演得到大面积的玉米冠层精确LAI结果。研究结果表明，归一化植被指数(NDVI)与激光点云计算的LAI相关性最强，相关系数R2=0.8086，均方根误差(RMSE)为0.1230，比值值被指数(RVI)相关性最差，R2=0.7079，RMSE 为0.1520，通过实测值验证分析，三种模型的平均相对误差均小于10%，模型的可信度较高。

利用Landsat8-OLI时间序列图像数据对高分一号(GF-1)的16 m宽覆盖多光谱传感器进行交叉定标。试验首先通过安排GF-1夜间深海成像，确定GF-1传感器的定标公式的截距，再选取定标靶标场的双星同步观测数据，利用回归分析得到定标公式的增益。利用交叉定标系数结果计算的GF-1辐亮度值与同步观测的Landsat8的辐亮度值相关性在95%以上，4个波段定标精度相对误差分别是4.25%、6.21%、5.83%和5.66%。结果表明该方法获得的定标系数精度与Landsat8定标数据辐射定标精度相当，GF-1卫星可以满足定量化应用的要求。

植被含水量是作物长势好坏的指示因子, 利用遥感技术及时准确监测植被含水量对农业生产、 作物估产和干旱状况评价具有重要意义。 基于新一代对地观测计划Landsat 8 OLI传感器(Operational Land Imager, 陆地成像仪), 评价其植被含水量反演的能力与局限性。 首先, 利用ProSail冠层模型模拟冠层光谱反射率数据集, 分析OLI传感器的植被含水量敏感波段以及土壤背景对各波段反射率的影响, 然后利用基于Landsat OLI影像计算的植被水分指数和2013年6月1日—8月14日期间采样的植被含水量数据, 比较12种植被水分指数与地面实际采样的植被含水量的相关性, 评价估算植被含水量的最佳植被水分指数。 结果表明: OLI传感器的红、 近红外和两个短波红外对植被含水量敏感, 其中近红外波段最为敏感;在低植被覆盖度时, 土壤背景反射率的太阳辐射将达到光谱传感器影响植被水分指数与植被含水量之间的关系, 利用ProSail模拟干湿土壤背景反射率结果也表明土壤背景对植被冠层反射率的影响很大;引入优化土壤调整植被指数(OSAVI)去除土壤背景对植被水分指数的影响;在12种植被水分指数中, MSI2与植被含水量的拟合关系最好(R2=0.948), 植被含水量的平均拟合误差为0.52 kg·m-2;在植被生长晚期即植被含水量大于2 kg·m-2时, 各植被水分指数出现饱和情况, 植被含水量的估算结果不佳。