NO₂是损害健康和破坏生态的主要大气污染物。本文基于NASA提供的Aura OMI遥感反演NO₂浓度，利用采样点8 km内的经济、人口、路网和坡度数据，以及气象、植被和高程的点值数据，采用随机森林算法、地理加权回归 (GWR) 和多尺度GWR方法提高NO₂浓度的预测精度。NASA原浓度R²为0.48，以上三种模型把交叉验证R²分别提高到0.74、0.71和0.70，其中随机森林算法的精度最高，该算法的均方根误差 (RMSE) 和平均绝对误差 (MAE) 分别只有6.4 μg/m³和4.98 μg/m³，且其速度远快于多尺度GWR，预测精度也高于大部分现有的同等范围研究。在浓度修正方面，局部化经济人口路网因子对预测精度提高的贡献至少为11.24%。此外，基于随机森林算法还给出全国县级城市NO₂浓度估计值的分布图。

快速、准确地掌握作物空间分布，估算不同作物种植面积及范围，这对制定宏观农业政策并指导农民进行农业生产具有重要意义。以我国内蒙古自治区扎赉特旗现代农业示范园区为研究区域，基于2019年5月至10月共9景多时相Sentinel-2卫星遥感影像，通过计算并分析不同作物归一化差值植被指数（NDVI）、比值植被指数（RVI）、增强型植被指数（EVI）等多种典型植被指数和近红外波段Ref(NIR)的时序变化特征，采用随机森林（Random Forest, RF）、决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）和最大似然法（Maximum Likelihood, ML）4种分类方法对研究区多种作物进行分类识别，成功提取园区内主要作物（水稻、玉米、甜叶菊、旱稻和大豆等）空间分布情况。将RF结果与DT、SVM和ML分类结果对比，结果显示，RF总体分类精度最高，达到95.8%，Kappa系数为0.944；DT、SVM和ML分类精度分别为92.2%、91.6%和86.5%。上述研究结果表明，多时相Sentinel-2遥感影像经过光谱指数时序变化特征提取后，利用随机森林算法进行作物分类可得到精度较高的结果，这为精细指导规模化园区农业生产提供了有效的技术支持。

高光谱图像技术在农产品检测及识别方面有广阔的应用前景。 野生黑枸杞经济效益显著, 经常被种植黑枸杞冒充。 提出一种利用高光谱图像对野生黑枸杞无损快速识别的方法。 主要内容和结果如下: (1)共采集256份(野生、 种植各128份)黑枸杞在900~1 700 nm范围的高光谱反射光谱, 每份平均光谱作为此样品的光谱; (2)采用标准正态变换(SNV)对采集的光谱预处理; 基于Kennard-Stone法, 按照校正集和预测集比例为2:1对样品划分, 用连续投影算法(SPA)对光谱进行降维处理, 提取特征波长30个; 分别将全光谱和SPA 提取的30个特征波长作为模型输入, 建立支持向量机(SVM)、 极限学习机(ELM)和随机森林(RF)识别模型。 (3)结果表明, 在识别野生黑枸杞模型中, 基于全光谱和SPA建立的SVM, ELM和RF模型校正集识别率均高于98.8%, 基于全光谱和SPA建立的SVM, ELM和RF模型预测集识别率均高于97.7%。 基于全光谱(FS)建立的三种识别模型略优于基于SPA建立的三种识别模型。 但从简化模型方面, SPA提取的特征波常数仅为全光谱的11.8%, 大大降低了模型运算量。 三种模型中, 基于随机森林模型无损识别野生黑枸杞效果最好, 均达到100%。 研究表明, 利用高光谱图像技术结合分类模型可快速识别野生黑枸杞。