提出一种顾及姿态误差时空变化的全谱段光谱成像仪（VIMS）定位精度提升方法。通过分析高分五号02星（GF-5B卫星）181 d的星敏感器低频误差规律，以分段傅里叶级数模型为基础，利用时序化、多空间补偿策略，统一了非基准与基准定姿模式之间的低频误差特性，补偿低频误差对影像几何定位的影响。研究结果表明，所提方法将VIMS可见光近红外影像无地面控制几何定位精度从4.274 pixel优化至1.867 pixel，且对不同时相、不同区域的光学影像均有良好的精度提升效果。

目前星载高光谱传感器较少, 基于高光谱影像的土壤盐分含量估算研究仍处于探索之中。 高分五号（GF-5）是目前国内光谱分辨率最高的卫星。 目的是研究高分五号高光谱影像大面积估算干旱区盐渍化土壤盐分含量的可行性。 选择新疆焉耆为研究区域, 采集了198个土壤样本。 首先, 检测土壤样本中的全盐量、 Na+、 Ca2+、 SO2-4、 Cl-的含量, 利用ASD FieldSpec3地物光谱仪在实验室测定土壤样本的光谱反射率。 然后, 对实验室土壤光谱进行SG（Savitzky-Golay）平滑预处理, 采用竞争自适应重加权采样法选择土壤盐分的特征波段, 再利用偏最小二乘、 岭回归和支持向量机建立土壤盐分含量的回归模型, 发现实验室光谱反演土壤盐分的模型精度较高, 五种土壤盐分反演模型的校正集决定系数均大于0.97, 预测集决定系数均大于0.90。 接着, 获取土壤采样同期的高分五号高光谱影像数据并进行预处理, 根据采样点位置在影像上提取了198个土壤样本的光谱曲线, 使用与实验室光谱相同的反演方法, 建立了高分五号影像光谱与土壤盐分的反演模型, 五种土壤盐分（全盐量、 Na+、 Ca2+、 SO2-4、 Cl-）反演效果最好的模型预测集决定系数分别是0.76、 0.66、 0.76、 0.63、 0.77。 最后, 根据高分五号影像光谱对土壤盐分的反演结果, 选择精度最高的特征波段组合和建模方法, 用于整个研究区域的土壤盐分含量估算。 估算结果按盐渍化等级划分, 研究区盐土占比76%, 土地已无法耕作, 非盐渍土占比16%, 可种植农作物, 弱盐渍土、 中盐渍土和强盐渍土分布面积较小, 共占8%。 五种土壤盐分的估算图与全盐量插值图的空间分布趋势一致。 结果表明, 高分五号高光谱影像估算本研究区域的土壤盐分含量结果可信度较高。

近年来，我国卫星高光谱技术发展迅猛，高分五号、高分五号02星、资源一号02D星、资源一号02E 星等相继发射为遥感领域带来了丰富的高光谱数据源。但高光谱卫星在成像过程中不可避免地会受到云及云阴影的影响，如何准确识别成为保障后续应用的关键，Fmask 算法作为国内外诸多算法中的典型代表，已被 Landsat 和 Sentinel 业务化产品生产系统采用。Fmask算法作为国内外诸多算法中的典型代表，已被Landsat和Sentinel业务化产品生产系统采用。但该算法对于缺少热红外波段的数据精度偏低，例如对Sentinel-2数据的云和云阴影识别精度分别为84.5%和50%左右。鉴于此，本文通过在原有算法中优化云及云阴影识别算法结构、增加高亮地物识别辅助判据等改进手段，提出了一种适合高光谱卫星的Fmask改进算法，并在含有城区、山地、平原等三类不同下垫面场景的20景高分五号和资源一号高光谱影像中进行检验，结果表明：云识别的用户精度和生产者精度可达91.26%和99.97%，云阴影识别精度达到78.66%和79.41%，明显优于原始算法。本文算法对于高光谱数据的云及云阴影识别具有精度高、效果稳定和易于工程化实现的特点，可用于支撑国产高光谱卫星数据的业务化处理。

煤炭开采是我国最主要的甲烷排放源之一，建立高时空分辨率的甲烷排放清单是推动煤炭行业甲烷减排的重要抓手。以Sentinel-5P/TROPOMI、GHGSat-D/WAF-P、GF-5/AHSI为代表的遥感卫星已成功用于区域和点源尺度的煤炭行业甲烷排放检测与量化研究。介绍当前可用于煤炭行业甲烷排放研究的遥感卫星及数据，分析相应的甲烷柱浓度及排放速率遥感反演技术进展，并讨论其适用性与优缺点。建议以煤矿聚集区和单一煤矿为两个关键尺度，加快建设中国煤炭行业的“自上而下”甲烷排放清单，指出未来需要重点研究的3点内容：采用TROPOMI数据和简化质量平衡法，反演全国14个大型煤炭基地的甲烷排放；基于10 nm分辨率的高光谱遥感卫星，检测与量化全国数千家煤矿的甲烷排放量；挖掘不同尺度遥感卫星观测之间的内在联系，开展协同分析。

尾矿库作为高势能的人造泥石流危险源, 在尾砂含水量过高时有溃坝风险, 低含水量状态下产生扬尘则会危害周围环境。 尾砂含水量实时、 动态监测对于尾矿库安全状况及矿区环境保护具有重要意义。 相比传统采样化验手段, 高光谱遥感拥有观测面积大、 数据实时易获取、 光谱信息丰富的特点, 为快速、 高精度尾矿水分监测提供了手段。 以鞍山-本溪铁矿群中的高硅型铁尾矿为研究区, 实地采集尾砂样品77个, 利用可见光-近红外(350～2 500 nm)光谱仪获取其光谱数据, 分析不同含水率尾砂光谱特征及机理； 引入竞争性自适应加权重采样法(CARS)筛选水分敏感波段, 并基于敏感波段建立三维波段光谱指数(TBI), 结合随机森林(RF)、 粒子群优化的极限学习机(PSO-ELM)及卷积神经网络(CNN)算法建立尾砂水分反演模型, 以国产高分五号高光谱卫星为数据源进行模型应用, 获取尾矿库表层含水时空分布特征。 结果表明: (1)尾砂光谱反射率随含水率升高明显下降, 在1 455和1 930 nm处出现O—H吸收特征, 吸收深度随含水率减小而逐渐减小； (2)基于CARS方法能够对高光谱数据(305波段)有效降维, 筛选出18个水分敏感波段, 进一步利用敏感波段构建不同形式的尾砂含水率TBI指数集, 其中三维差值指数TBI5=(R1 097.47-R1 990.67)-(R1 990.67-R437.39), 与水分含量相关性最高, 达到0.84； (3)对比RF, PSO-ELM及CNN方法以及不同形式的输入数据, 基于尾砂含水率TBI指数联合反射率数据集作为输入数据进行CNN建模, 室内光谱模型达到验证精度R2=0.92, 相对分析误差RPD=3.43, 基于该模型利用高分五号卫星数据反演可获取研究区尾砂含水率空间分布结果, 实地验证R2达到0.79, 相对分析误差RPD=2.20, 获得较好的预测效果。 可为基于高光谱技术的铁尾矿水分含量大面积实时快速监测提供参考。

煤矿开采是最重要的甲烷排放源, 然而其排放清单的准确性很低, 一个关键的原因在于缺乏精准识别和定位该类排放源的能力。近年来, 前沿研究表明可以利用卫星高光谱数据反演高分辨率的甲烷异常, 从而帮助识别排放源。但是, 在地表类型复杂地区该算法会完全失效。针对这一问题, 率先提出一种基于 L1 重加权和迭代收缩阈值算法 (ISTA) 匹配滤波器的算法。利用高分五号 (GF-5) 数据在山西地区的实验表明, 该方法性能显著优于现有的其他方法。实验中, 本方法识别出 23 个甲烷强点源, 这些点源全部位于 TROPOMI 的甲烷高值区内, 且高分辨遥感影像显示这些点源处存在典型的煤矿开采设施。该方法的提出为利用 GF-5 卫星数据在世界范围实现甲烷点源排查奠定了技术基础。

在卫星遥感研究中, 云检测是基础环节, 其结果影响大气、地表各种参数的定量遥感, 同时也影响云微物理特性的反演。本研究针对多角度偏振卫星载荷 (高分五号 DPC 传感器), 建立了一种改进的光谱特征云检测算法。该算法综合利用云像元和非云像元在可见光反射率光谱、氧 A 波段吸收、蓝光偏振反射率以及偏振虹等特性上的差异, 分别提出了陆地、海洋上空的云检测方案, 并进一步建立了多角度云检测融合策略以标记云、晴空和未定像元。在陆地检测中, 通过增加表观压强检测和偏振虹检测分别改进了高层薄云和低层薄云的识别; 在海洋检测中, 利用表观压强与云层的退偏特性改进了耀光区云像元的识别。全球云检测结果示例显示该算法整体检测效果较好, 同时典型区域的检测结果与 MODIS 云产品也具有较好的一致性。该研究可为高分五号 02 星上的多角度偏振传感器云检测提供方法基础。

悬浮泥沙浓度是水体监测中极为重要的指标。本论文基于神经网络具有弥补传统经验算法固有误差的潜力，设计并开发了基于人工神经网络的神经网络校正器来对经验反演结果进行二次校正。为了防止在小数据集的情况下出现过拟合问题，采用了特殊设计的正则化项。基于高分五号高光谱遥感数据以及在长江口和沿海水域同时收集的悬浮泥沙浓度实地测量结果，研究了4种基线经验模型，并评估了使用神经网络校正器后的精度。在每个基线模型上都测试了神经网络校正器模型的两个典型应用，包括基线模型校正和时间校正。在这两种应用中，结果均表明，经校正的D'Sa模型具有最高的准确性。通过使用基线模型校正，均方根误差从0.1495 g/L降低至0.1436 g/L，平均绝对百分比误差从0.7821降低至0.7580，决定系数从0.6805升高至0.6926。实施时间校正后，平均绝对百分比误差从0.8657降低至0.7817，决定系数从0.6688升高至0.7155。最后，基于神经网络校正器校正后精度最高的模型处理了整幅高分五号高光谱图像。本论文结果为各种经验反演算法提供了一种通用的二次校正方法，以最大程度地减少基线模型的固有误差，并且保证了反演精度。