学术动态

利用跨尺度传递学习重建每小时1km全天候地表温度的两级transformer框架

针对传统热红外遥感地表温度（Land Surface Temperature，LST）观测易受云层遮挡、空间尺度差异及数据分布偏移影响，现有重建方法难以兼顾小时级时间连续性与公里级空间细节，且跨尺度数据融合易产生空间过度平滑等问题，提出一种基于两阶段Transformer与跨尺度迁移学习的全天候高时空分辨率地表温度重建方法（ST-LSTrans）。该方法首先利用中国气象局陆面数据同化系统（CLDAS）提供的小时级粗分辨率地表温度数据开展全局预训练，学习区域地表热力过程的时间演变规律与空间关联特征；随后，结合MODIS公里级地表温度观测数据进行局部微调，实现从粗尺度热力动态表征向精细尺度地表温度空间异质性重建的知识迁移。同时，引入Kullback–Leibler（KL）散度约束，缓解不同空间尺度数据之间的分布偏移及融合过程中的空间过度平滑问题，实现区域小时级、1 km空间分辨率的全天候地表温度连续重建。进一步结合SHAP可解释性分析，揭示地表温度驱动机制由粗尺度大气强迫向公里级地形与下垫面因素主导的尺度依赖性变化特征。该研究将跨尺度迁移学习、时空特征建模与可解释性分析相结合，为高时空分辨率地表温度重建、陆气相互作用研究及区域热环境动态监测提供了新的技术途径。

基于数据校准和CNN模型的复杂山区植被冠层高度反演

针对复杂山地地区植被冠层高度反演易受地形起伏、地表覆盖空间异质性及星载激光雷达对低矮植被探测能力不足等因素影响，导致冠层高度估计精度受限的问题，提出一种融合GEDI星载激光雷达高度标签区域校准与多源遥感数据的10 m空间分辨率植被冠层高度反演方法。该方法首先针对GEDI在低矮植被区域存在的冠层高度高估问题，构建结合随机森林回归（Random Forest Regression，RFR）与多元线性回归（Multiple Linear Regression，MLR）的区域校准模型，对原始GEDI高度标签进行偏差修正，提高训练样本在复杂地形及不同植被类型下的可靠性；其次，将校准后的冠层高度标签与多源遥感观测数据相结合，充分挖掘光学遥感影像及其他辅助特征与植被垂直结构之间的关联关系，实现冠层高度的高空间分辨率估计；进一步结合不同地表覆盖类型的光谱与空间特征，增强模型对森林、灌丛和草地等不同植被类型的适应能力，提高植被空间分布边界的识别精度与冠层高度表征能力。该研究将星载激光雷达观测偏差校准与多源遥感特征融合相结合，为复杂山地环境下的精细化植被冠层高度制图、地上生物量估算、生态系统结构评估及森林资源管理提供了新的技术途径。

基于LMUNet RCAM的多模态黄土洞穴提取：将山坡阴影和RGB特征与局部注意力机制相结合

针对黄土高原黄土洞穴（Loess Caves，LCs）微地貌形态复杂、空间分布不规则及地形起伏特征不明显，导致传统遥感识别方法难以准确提取其空间结构与边界信息等问题，提出一种融合全局—局部特征增强与循环卷积注意力机制的黄土洞穴智能识别网络（LMUNet-RCAM）。该方法首先利用数字高程模型（DEM）生成地形晕渲信息，增强黄土洞穴微地形特征的表达能力；其次，设计局部Transformer mMoBA（LM）模块，在U-Net主干网络特征提取前进行全局与局部信息交互，扩展有效感受野，提高模型对不规则洞穴形态及复杂空间结构的表征能力；进一步引入循环卷积注意力模块（RCAM），通过空间与通道注意力协同建模，增强黄土洞穴与周围复杂地形背景之间的语义判别能力，并结合门控Swin循环神经网络（G-S-R）重构局部特征序列，提高复杂地形条件下特征提取的稳定性与鲁棒性。该研究将DEM地形信息、全局—局部特征学习与循环注意力机制相结合，为黄土高原复杂微地貌的精细化识别、黄土洞穴空间分布调查及地质灾害风险评估提供了新的技术途径。

非平稳短轮伐期人工林干扰检测的上下文感知分位数基线

针对病虫害、火灾、风倒及干旱等扰动事件对人工林生态系统的影响日益加剧，以及传统近实时遥感监测方法依赖周期性、参数化或自回归植被指数模型，难以适应短轮伐期人工林冠层快速变化及非平稳时序特征等问题，提出一种面向集约经营人工林的近实时冠层扰动监测与预警框架（FOrest plantation Canopy ALert，FOCAL）。该方法基于Sentinel-2卫星植被指数时间序列，融合林分年龄、经营管理信息、环境条件、卫星观测几何及近期植被指数变化等多维特征，采用分位数回归森林（Quantile Regression Forest，QRF）动态预测无扰动条件下的植被指数合理变化区间，构建适应林分生长阶段与环境变化的上下文动态基线；随后，通过比较实际观测植被指数与预测区间下界，识别异常负偏离信号，并引入连续多时相异常判定规则，降低短期波动与观测噪声引起的误报，实现持续性冠层扰动的自动检测与近实时预警。该方法将非参数机器学习预测与时序异常持续性判别相结合，减少了对固定季节周期及平稳时间序列假设的依赖，增强了短轮伐期人工林复杂生长动态下的扰动识别能力，为人工林火灾、水分胁迫及局部林木死亡等事件的及时监测、森林经营管理与生态风险预警提供了新的技术途径。

ASFR-Net：用于异构遥感图像变化检测的对抗对齐和空间频率精化网络

针对异构遥感影像变化检测中不同传感器成像机制与光谱响应差异较大，易引入伪变化信息，导致真实地物变化与模态差异难以有效区分、检测精度和跨模态泛化能力受限等问题，提出一种端到端的对抗式空间—频率精细化变化检测网络（ASFR-Net）。该方法首先设计模态不变表征学习模块（MIR-Learner），通过对抗学习引导主干网络提取跨模态共享特征，缩小异构影像之间的特征分布差异；其次，构建空间—频率协同增强模块（SFEM），联合利用空间域与频率域信息，识别并抑制空间域中难以有效分离的传感器特有噪声及成像伪影，进一步消除残余模态差异，提高真实变化特征的判别能力；随后，基于精细化跨模态特征提取多层次差异信息，并通过级联层次引导融合模块（HGFM）实现不同尺度变化特征的协同融合与精细解码，生成高精度地物变化检测结果。同时，构建面向建筑物变化的高分辨率可见光—近红外异构变化检测数据集（VisNIR-HCD），为复杂光谱差异条件下的模型训练与泛化能力评价提供数据支撑。该研究将模态不变特征学习、空间—频率协同增强与层次化变化特征融合相结合，为复杂异构遥感影像中的伪变化抑制、建筑物变化精细识别及跨传感器变化检测提供了新的技术途径。

CSTANet：用于卫星视频中运动小目标检测的跨帧时空聚合网络

针对卫星视频中运动目标尺寸小、空间分辨率有限、背景环境复杂多变以及目标与背景对比度较低等问题，导致传统目标检测方法难以有效提取弱小运动目标特征、检测精度与鲁棒性受限的挑战，提出一种基于跨帧时空特征聚合的卫星视频运动小目标检测网络（CSTANet）。该方法充分利用卫星视频连续帧之间的时间关联性与空间互补信息，通过跨帧时空特征提取与深度融合机制，增强弱小运动目标的特征表达能力，挖掘目标在连续观测过程中的动态变化信息，降低复杂背景干扰及低目标背景对比度对检测结果的影响。同时，通过有效聚合多帧图像中的空间细节与时间上下文信息，提高运动目标与背景之间的判别能力，增强模型在复杂动态场景下的目标检测稳定性与适应能力。该研究将卫星视频时序信息建模与空间特征协同融合相结合，为低分辨率卫星视频中的弱小运动目标检测、动态目标持续感知及遥感视频智能监测提供了新的技术途径。

利用状态驱动的时空建模重建复杂退化下的无云Sentinel-2时间序列

针对长时间序列卫星光学影像易受云层、模糊及传感器噪声等复杂退化因素影响，导致时序观测不连续、重建质量受限的问题，提出一种基于定向信息路由的状态驱动时空重建方法（STRIDE）。该方法通过状态感知定向信息路由机制，依据影像退化状态引导清晰观测向退化观测传递有效信息，抑制退化特征对信息聚合的干扰；构建流形映射时间演化机制，联合建模时间连续性与季节周期性，增强时序相关特征的选择与利用；设计非对称时空Transformer，根据影像退化程度和时间相关性动态调节注意力权重，实现具有方向性和时序约束的时空特征聚合。同时，引入辅助退化估计模块，并支持融合合成孔径雷达（SAR）等互补传感器数据，以提升复杂退化条件下长时间序列卫星影像重建的鲁棒性与时空一致性。

从风云-3D X波段观测中检索到的第一个植被光学深度产品

针对卫星微波遥感植被光学厚度（VOD）反演中辐射传输模型参数化不确定性较大、植被散射反照率与土壤表面粗糙度缺乏生态系统适应性等问题，提出一种基于模型参数校准的X波段植被光学厚度（X-VOD）反演方法。该方法利用风云三号D星（FY-3D）微波亮温观测数据，以地面实测土壤水分和ERA5再分析土壤水分数据为约束，对微波辐射传输模型中的植被有效散射反照率和土壤表面粗糙度参数进行校准，降低模型参数不确定性对反演精度的影响，提高不同生态系统条件下VOD反演的可靠性。在此基础上，构建FY-3D全球X-VOD数据产品，实现对植被生物量、冠层结构及植被水分状态的动态监测，并为森林损失识别、生态系统变化分析、气候变化影响评估及农业遥感应用提供新的微波遥感数据支持。

使用BTSAD和CBPA方法在36年的密集Landsat和HLSv2.0时间序列上监测全球红树林的空间演变和功能退化

针对传统红树林遥感监测侧重面积变化识别、难以刻画复杂演替过程及空间稳定区域潜在功能退化风险的问题，提出一种融合时序状态感知、时空模式挖掘与滞后响应分析的红树林时空演变及生态功能退化监测框架。该方法基于Landsat和HLS长时间序列多光谱遥感数据，依托Google Earth Engine（GEE）平台，构建双向时间状态感知检测算法（BTSAD），识别红树林扩张、退化及二次演替等非线性演变轨迹；融合时空模式挖掘（STPM）与DTW-Kmeans聚类方法，建立自适应生态信号分析框架（CBPA），刻画红树林生态功能的时空变化特征并量化潜在退化风险；进一步构建时间滞后响应结构方程模型（TLR-SEM），揭示盐度、风速、降水、温度及人类活动等驱动因素对红树林生态演变的滞后影响与作用机制。该研究实现了从传统红树林面积变化监测向复杂演替过程识别、生态功能退化风险评估及驱动机制解析的拓展，为大尺度红树林生态退化预警、生态韧性评估及保护修复决策提供了新的遥感监测方法与技术支撑。

在水分有限的环境中，利用卫星土壤湿度对农田生产力异常进行分季节预测

针对农业干旱影响预测中植被生产力变化响应滞后、传统遥感预测方法对土壤水分先导信息利用不足的问题，提出一种融合卫星根区土壤水分与植被时序特征的次季节作物生产力异常预测方法。该方法利用SMAP卫星四级（L4）根区土壤水分（RZSM）产品和植被近红外反射率（NIRv）数据，基于土壤水分亏缺先于植被生产力下降的时滞响应机制，构建卷积长短期记忆网络（ConvLSTM），联合建模植被生产力的局部空间依赖关系与土壤水分变化的时间滞后特征。通过融合植被历史状态、同期根区土壤水分及显式滞后土壤水分信息，实现未来8至40天作物植被生产力异常的时空预测。同时，结合不同干旱程度区域的水分—植被耦合特征，分析根区土壤水分在水分限制型与能量限制型农田中的差异化预测贡献，增强对干旱胁迫下植被生产力变化的提前感知能力。该研究为非洲干旱易发农田的农业干旱早期预警、作物生长状态监测及农业风险评估提供了新的卫星遥感预测方法与技术支撑。

鸽子星监测世界海岸线的能力

针对传统Landsat和Sentinel-2等卫星受空间分辨率与重访周期限制，难以有效捕捉海岸带生态系统精细尺度变化及短时动态过程的问题，开展基于Planet Dove（PlanetScope）高时空分辨率卫星影像的全球海岸带观测能力评估研究。该研究利用Planet Dove星座米级空间分辨率与近每日重访的观测优势，系统分析全球海岸线周边影像的时空覆盖特征、有效观测频率及区域差异，重点探讨云覆盖、潮汐变化及观测时机对海岸带遥感监测能力的影响。通过结合潮汐状态与卫星影像获取时间，评估不同潮位条件下的有效观测覆盖能力，揭示影像数量、重访周期与实际生态监测需求之间的关系，强调高频影像获取并不必然转化为更高的有效监测能力。同时，分析Planet Dove影像在近岸泥沙羽流等短时过程监测、小尺度破碎化海岸生境制图及潮汐敏感型生态变化识别中的应用潜力，并讨论传感器辐射定标、几何精度及数据成本等制约因素，为全球海岸带高分辨率遥感数据选用、观测策略优化及生态系统动态监测提供参考。

地上生物量和土壤水分干旱对基于VOD的全球等水调节估计的影响

针对基于卫星植被光学厚度（VOD）的生态系统等水性评估易受植被生物量季节变化、干旱事件及不同遥感数据集差异影响，导致生态系统水分调节策略表征存在不确定性的问题，开展多源被动微波VOD数据驱动的生态系统等水性指标稳健性评估研究。该研究以VOD日变化特征为基础，重点分析等水性指标σ和Rslope对植被生物量动态、干旱强度及微波观测频率的响应差异，揭示季节性生物量变化对冠层水分信号的干扰机制及不同指标的适用性。通过引入干旱强度分箱策略，优化不同干旱条件下的样本分布，降低采样不均衡对等水性参数估计的影响，并结合涡度协方差观测数据评估遥感指标对生态系统水分调节特征的表征能力。进一步综合不同VOD数据集、等水性指标的一致性及样本充足程度，构建全球生态系统等水性估计可靠性空间分布图，识别不同生态环境下遥感反演结果的适用范围与不确定性。该研究为提高卫星微波遥感生态系统水分利用策略评估的可靠性、理解植被对干旱胁迫的响应机制及开展大尺度生态水文监测提供了方法依据。

SMFS-RF：一种从高分辨率植被指数数据中提取作物物候的知识引导机器学习方法

针对传统遥感作物物候监测方法在种植结构复杂、空间异质性较强的区域存在物候阶段提取数量有限、识别精度不足及模型迁移能力较弱等问题，提出一种融合物候阶段分段形状模型拟合与随机森林回归的知识引导机器学习框架（SMFS-RF），实现水稻关键物候阶段的精细化识别。该方法基于高空间分辨率归一化植被指数（NDVI）时间序列，首先采用分物候阶段形状模型拟合方法（SMF-S），结合水稻不同生育阶段的植被指数变化特征，提取具有物候学意义的关键时间节点；随后，将形状模型拟合得到的物候日期作为训练样本，引入随机森林（RF）回归模型，学习植被时序变化与作物生育进程之间的非线性映射关系，实现从移栽、返青、分蘖、拔节、孕穗、抽穗到乳熟和成熟等八个关键物候阶段的自动估计。该方法融合了物候过程先验知识与数据驱动模型的非线性建模能力，增强了复杂种植环境下物候识别的空间适应性与泛化能力，为大范围、高空间分辨率水稻物候动态监测、精准农业管理及气候变化适应性研究提供了新的技术途径。

通过多模态鲁棒性和多功能应用推进全球城市制图

针对现有全球城市遥感制图方法高度依赖完整多模态数据、在部分观测数据缺失情况下性能下降，以及城市制图模型的预训练特征难以充分应用于其他城市遥感任务等问题，提出一种基于师生学习框架的鲁棒多模态全球城市制图方法（Global Urban Mapper 2.0，GUM 2.0）。该方法融合光学遥感、合成孔径雷达（SAR）及地形数据，构建能够适应不同模态组合和数据缺失场景的学生模型，并通过上下文集成的教师模型提供知识指导，结合解耦预测头实现跨模态知识迁移与特征学习，增强模型在多源观测条件下的适应能力与制图鲁棒性。在此基础上，利用GUM 2.0预训练权重构建可迁移的城市遥感特征表征，支持道路提取、建筑物识别、建筑物高度估计及局部气候区（LCZ）分类等多种下游任务，提升复杂城市环境下多任务遥感解译的泛化能力。该研究推动全球城市遥感监测从单一制图产品生成向多模态基础模型驱动的多任务智能解译拓展，为全球城市化进程监测、城市空间结构分析及可持续城市发展研究提供了新的技术支撑。

Physics-constrained cross-resolution enhancement network for optics-guided thermal UAV image super-resolution