针对不同土地覆盖类型特别是作物空间分布, 提出一种顾及火点像元地物类别先验概率的排放因子加权策略, 并结合热辐射功率 (FRP) 昼夜周期分布的假设, 建立了我国逐日 1 km 的田块尺度露天生物质燃烧氮氧化物 (NO x ) 遥感排放清单。为验证 FRP 昼夜周期分布假设的合理性, 与 Himawari-8 FRP 反演结果进行比较, 两者相关系数约为 0.65。 同时, 为验证排放清单的有效性, 将估算结果与全球火情数据库 (GFED)、湖北省内三个环境监测站点观测资料、臭氧监测仪 (OMI) 遥感观测数据等进行了对比验证。对比结果显示所建立的排放清单与其中两站点观测数据的相关系数分别为 0.56 和 0.65, 与 GFED 数据库以及 OMI 数据具有较好的一致性, 且具有更高的时空分辨率。

在遥感定量反演的地面同步实测环节中，人为因素、环境变化、条件限制等测量不确定性因素会不可避免地引入数据噪声，致使水体悬浮物浓度反演精度降低。为此，提出一种顾及测量不确定性的水体悬浮物浓度遥感定量反演方法，即自适应抽样一致性极限学习机（ASAC-ELM）算法。该算法结合了极限学习机（ELM）、随机抽样一致性（RANSAC）和N邻近点抽样一致性（NAPSAC）方法的优势与特点，利用参数维度自适应地选取RANSAC或NAPSAC算法进行参数估计，避免了ELM算法易受非零均值正态分布数据噪声影响的缺陷。ASAC-ELM算法通过选取局内点（非噪声点）数据建立模型，可去除噪声数据的干扰，提升模型的精度与适应性。通过模拟多组不同数量级且服从非零均值正态分布的随机数，将加性噪声引入训练数据中，实现不同噪声比条件下对ASAC-ELM算法的检验，并与ELM算法、传统反向传播（BP）神经网络算法进行了对比。结果表明，不同噪声比条件下，ASAC-ELM算法的水质悬浮物浓度反演精度高于ELM算法和传统BP神经网络算法，且反演结果稳定性较高。