生物多样性是人类赖以生存的基础。 受环境和气候变化的影响, 全球生物多样性丧失日趋严重, 研究区域生物多样性对保护濒危物种栖息地、 合理规划与利用区域资源具有重要意义。 基于2002年—2018年多光谱遥感植被产品中的NDVI、 EVI、 FPAR、 LAI、 GPP数据集, 构建了累积、 最小和差值三种动态生境指数(DHI), 结合气象数据和物种分布数据, 采用多元回归分析分别研究了①基于NDVI、 EVI、 FPAR、 LAI、 GPP多光谱遥感指数构建的DHIs评价生物多样性的适用性； ②累积、 最小和差值DHIs表达物种多样性的互补性； ③气候变化对我国生物多样性的影响； ④累积、 最小和差值DHIs表达物种丰富度的能力。 研究表明: ①基于同种MODIS多光谱植被指数的同一DHIs之间具有很强的相关性(相关系数0.77到0.98之间), 可相互替代； 同一植被指数的累积、 最小和差值DHIs之间有一定关联性, 但三者不可相互替代。 ②与基于NDVI、 EVI、 FPAR、 LAI产品数据构建的DHIs相比, GPP-DHIs监测我国生物多样性的能力最强, 且与物种丰富度之间存在良好的相关性(相关系数0.32到0.84之间)。 ③持续发生的气候变化会显著影响区域内的植被总生产力, 极端气候对大区域内的影响不大； 蒸散量对大尺度区域的植被总生产力影响比气温和降水的影响更显著。 ④环境变化对两栖动物物种丰富度影响最大, 其次是鸟类, 受影响最小的是哺乳动物。 ⑤我国累积DHI与最小DHI表现为自西北内陆向东南沿海地区逐渐增大的格局, 西北和华北地区, 高山、 高纬度地区, 以及西北沙漠地区最小DHI很小, 表明东南沿海区域的生态环境更适合生物生存, 恶劣的环境严重影响生物多样性； 差值DHI表现为东北、 华北较高, 华中、 华南较低的空间格局, 表明东北、 华北地区物种生存环境的变化较大, 华中、 华南地区物种的生存环境比较稳定。

化学需氧量(COD)是水体污染监测的常用水质指标之一, 传统采集手段耗时耗力; 利用遥感反演COD浓度能够快速获取整个水域的COD浓度空间分布状况, 对于水污染治理和水环境保护具有重要意义。 目前利用多光谱遥感数据反演COD浓度精度较低, 主要原因是目前的反演模型多是以皮尔逊相关系数大小为指标选取建模波段的经验方法, 对于多光谱遥感数据而言, 其光谱波段范围较宽, 波段的组合数量有限, 难以找到有效的变量作为建模变量。 针对这一问题, 以郑州市天德湖为例, 基于Planet多光谱高分辨率遥感影像, 对遥感影像进行预处理和分析水样的高光谱数据, 利用卷积神经网络对天德湖COD浓度进行反演; 同时选取单变量回归模型、 多变量回归模型进行精度对比。 主要研究结论有: (1)相比于以皮尔逊相关系数为衡量标准选择不同波段组合的反演方式, 卷积神经网络反演具有更高的空间反演精度, 其决定系数为0.89, RMSE为2.22 mg·L-1, 这是因为卷积神经网络不仅充分利用了遥感影像的光谱特征, 而且能够提取目标像元周围的领域空间信息, 学习到图像深层的抽象特征以及水质参数浓度和遥感数据之间的“内在规律”, 可以在一定程度上避免传统方法建模带来的不稳定性; (2)选取最优的卷积神经网络模型制作天德湖水质COD浓度空间分布专题图; 天德湖具有典型的内陆水体光谱特征, 其COD浓度空间分布整体呈现西部高、 东部较低、 东南方向的进水口浓度较低、 东北方向的出水口浓度较高的特征, 卷积神经网络反演的天德湖区域浓度平均值为23.96 mg·L-1, 标准差为7.11 mg·L-1, 变异系数为0.29, 更加接近实际采样点的统计值。 基于卷积神经网络模型结合多光谱影像反演COD的结果表明卷积神经网络在水质参数COD遥感反演中具有较好的应用潜力。

针对复杂背景下船舶目标检测率低和光学遥感传感器的多光谱近红外(NIR)波段利用率低的问题,提出一种四波段多光谱遥感图像船舶目标显著性检测算法。所提算法利用四波段遥感数据中可见光波段图像的色彩内容饱满、NIR图像细节突出的特点,首先将可见光蓝、绿、红三通道图像变换到CIE-Lab色彩空间;然后对NIR图像进行非下采样轮廓波变换分解,对得到的高频分量进行非线性增强,以抑制噪声并增强细节,对低频分量进行反锐化掩模处理增强,以改善图像亮度的均匀性,并将高频分量和低频分量与Lab空间的亮度图像相结合,得到新的Lab图像;最后利用最大对称环绕模型对Lab图像进行显著性分析,得到船舶目标的显著性图像。实验结果表明,所提算法能够充分抑制云层、海浪尾迹等杂波干扰的复杂背景信息,同时在低对比度背景下能够突出船舶目标,具有高的查准率和查全率。

传统的以“点采样+实验室分析”为主的土壤重金属含量分析技术成本高、 效率低下, 而基于多光谱遥感的土壤重金属高精度定量反演中存在重金属含量影响因子的优化这一难题, 以陕西大西沟矿区这类山区地形条件下的金属矿区为例, 利用Landsat8/OLI多光谱卫星影像、 DEM数据以及外业土壤采样分析数据, 开展了矿区土壤重金属含量指示因子分析及定量反演研究。 首先, 考虑研究区地形地貌特点, 设计了沿研究区地形特征线及其两侧坡面均匀分布的样点分布方案, 采集了45个样本。 并对45个样本的混合样中的8种重金属含量进行了兴趣度分析, 根据含量超标程度及矿的类型选取了铜、 铅、 砷3种元素作为分析对象。 其次, 根据研究区土地利用现状及地形特点, 提出了以Landsat8/OLI影像B2至B7波段光谱反射率、 粘土矿物比(CMR)、 改进归一化水体指数(MNDWI)、 差异植被指数(DVI)等八种光谱指数、 以及反映研究区地形坡度和坡向三类因子作为反映土壤重金属含量空间分布特征的侯选因子。 进而, 对上述三类侯选因子与样本中3种金属含量进行了最小二乘相关性分析。 根据分析结果, 引入了基于估算误差最小准则的金属含量估算模型——基于规则的M5模型树的分段线性估算模型。 以上述三大类共17个指示因子作为模型的输入, 利用80%的土壤样本分析数据作为模型的训练数据, 经过M5模型树的构建、 平滑和树枝修剪过程, 建立了3种金属的反演模型实现了研究区中土壤中3种金属含量的估算。 同时, 基于均方根误差(RMSE)最小准则确定了以光谱因子为主的最利于反演的最佳指示因子集。 最后, 用随机选取的20%的检验样本对模型进行了反演精度分析, 验证了该模型对铜、 铅、 砷3种金属含量的反演精度比普通的线性模型分别提高了27.3%, 24.6%, 20.9%, 同时, 铜、 铅元素的可信度也有所提高。 利用上述模型的反演结果实现了3种金属含量的空间分布制图, 并将反演结果与1990年公布的国家土壤元素背景值进行了对比。 此外, 分析了研究区铜、 铅、 砷3种金属的空间分布规律, 并利用野外调查结果进行了验证。

叶绿素含量是植物生长中的重要参数, 与农作物产量密切相关。 无人机遥感技术作为一种新的数据获取手段, 在农业中已得到广泛应用。 以玉米为目标作物, 将具有不同光谱响应函数的两种轻小型多光谱传感器(MCA和Sequoia), 同时搭载在六旋翼无人机上, 获取不同氮肥水平下大田玉米花期的多光谱影像。 利用无人机影像空间分辨率高的特点, 在小区尺度上, 分别计算了基于两种多光谱传感器的各26种植被指数, 并将其与地面实测的叶绿素含量(SPAD)值进行回归分析, 研究不同波段反射率对SPAD值的敏感性, 利用不同多光谱传感器及植被指数预测SPAD值的精度及稳定性。 结果表明, 对于具有较宽波段的Sequoia, 在550 nm(绿波段)、 735 nm(红边波段)的反射率对SPAD值的变化较敏感, 其中, 550 nm与SPAD值的相关系数最大(R2=0.802 9)。 而对于较窄波段的MCA, 720 nm(红边波段)的反射率与SPAD值具有较高的相关性(R2=0.724 8), 550 nm(绿波段)次之。 此外, 由于两传感器红波段的中心波长和波段宽度不同, 660 nm(Sequoia)反射率与SPAD值的相关系数为0.778 6, 而680 nm(MCA)反射率与SPAD值的相关性较小, 仅为0.488 6。 利用无人机多光谱遥感技术预测大田玉米的SPAD值精度较高, 但对于不同的多光谱传感器而言, 同一植被指数却表现出较大的差异, 其中, 红波段和近红外波段组合构造的植被指数RVI, NDVI, PVI和MSR差异较大, 具有较宽波段的Sequoia传感器优于窄波段的MCA; 此外, 对于Sequoia相机, GNDVI与RENDVI预测SPAD值的精度较高, RMSE分别为3.699和3.691; 对于MCA相机, RENDVI预测精度最高(RMSE=3.742), GNDVI预测精度低于RENDVI(RMSE=3.912); 两传感器中MCARI/OSAVI预测SPAD值精度均较低, RMSE分别为7.389(Sequoia)和7.361(MCA)。 在所有的植被指数中, 利用绿波段和近红外波构造的植被指数(G类), 以及用红边波段和近红外波段构造的植被指数(RE类), 预测SPAD值精度更高, 均高于红外和近红外波段构造的植被指数; 利用更多波段(三个及以上)组合构造的复杂植被指数, 并不能显著提高预测精度。 就预测模型而言, MCARI1更适用于对数模型, 可有效提高预测精度, 而其他植被指数变化不显著。 研究还发现, 在小区水平SPAD值的预测方面, 除NDVI和TVI, Sequoia相机对于不同氮肥条件下植被覆盖度、 阴影和裸露土壤等环境背景因素具有较强的抗干扰能力; 而对于MCA相机来说, TVI, DVI, MSAVI2, RDVI和MSAVI对环境背景因素非常敏感, 预测SPAD精度低; 此外, 去除环境背景因素并不总是能够提高SPAD值的预测精度。 本研究对于利用无人机多光谱遥感技术进行高精度的叶绿素含量预测具有指导意义, 对于精准农业的推广和应用具有一定的借鉴价值。

为了提高红外遥感图像地物 信息自动提取的精确性，同时避免人工提取遥感 信息的低效性，提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先，对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪，并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型，并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练，并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后，运 用Jaccard指数对测试结果进行精度评定。实验结果表明，该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合，对于不同种类地物 的定位和分类都取得了较高精度。

2013年4月20日芦山7.0级大地震发生后, 产生大面积滑坡、 崩塌、 碎屑流等次生地质灾害, 造成大量人员财产损失, 并严重阻碍了应急救援和灾后重建工作的顺利开展。 利用快速获取的震前和震后航空、 航天等多源遥感数据、 地形地貌和地质构造数据, 首先结合次生地质灾害在高分辨率多光谱影像上的形态、 结构和纹理特征, 对地震重灾区次生地质灾害的数量和空间分布进行了有效监测。 结果显示: 芦山县、 宝兴县和天全县次生地质灾害最为严重, 各有164处、 126处和71处大型次生地质灾害点。 并结合GIS技术对这些次生地质灾害的空间分布规律, 特别是同区域地质构造、 烈度和地形地貌之间的关系进行了综合分析和评估。 评估结果显示: 在监测区存在四个次生地质灾害高发区, 其中一个聚集在震中6公里范围内, 其他三个沿本区域两个主要地质断层分布; 超过97%的次生地质灾害位于烈度Ⅶ～Ⅳ度、 坡度25°～50°且海拔800～2 000 m之间的区域。 最后结合震害遥感监测评估结果, 对震后恢复重建规划及实施提出建议。