针对传统星载合成孔径雷达（SAR）海面风场与流场反演相互独立、单一观测几何条件下风流联合反演存在欠定性，以及反演结果对背景信息依赖较强等问题，提出一种融合SAR后向散射与多普勒质心异常观测的物理约束贝叶斯海面风流联合反演框架。该方法充分利用雷达后向散射对海面风场的敏感性及多普勒质心异常对海表径向运动的响应特征，构建10 m高度海面风场与径向表层流速的联合反演模型。首先，引入经验风生漂流关系作为软物理约束，结合背景海流产品对径向流速增量进行约束，缓解单一SAR观测几何下风流参数反演的欠定问题；其次，基于贝叶斯推断理论，采用加权最大后验估计方法，融合多源观测信息、背景场先验及风流耦合物理关系，实现海面风速与径向表层流速的协同优化估计。该方法将海气相互作用物理机制与SAR多观测量信息融合相结合，增强了复杂海况下海面风流联合反演的物理一致性与稳定性，为利用常规单视几何星载SAR数据开展公里级近海风场与径向表层流场协同监测提供了新的技术途径。
针对现有土壤水分遥感产品质量评价与多源数据融合方法主要关注时间变化特征、缺乏对土壤水分空间分布结构及局部误差特征的充分考虑等问题，提出一种融合结构相似性评价与局部时空三重配置分析的多源土壤水分产品评估及融合框架。该方法首先引入结构相似性指数（Structural Similarity Index，SSIM），从均值相似性（SIM）、方差相似性（SIV）和空间模式相似性（SIP）三个维度评估土壤水分产品的空间分布特征，构建兼顾时间精度与空间结构一致性的综合评价体系；其次，在传统三重配置分析（Triple Collocation，TC）方法基础上，引入二维空间误差信息与局部空间异质性约束，提出局部二维时空三重配置融合方法（TC_2D_local），实现不同环境条件下多源土壤水分信息的自适应融合。该框架综合利用SMAP、ASCAT及ERA5-Land等多源土壤水分数据，分析不同产品在时间动态表征、空间变异刻画及区域环境适应性方面的差异，增强复杂下垫面条件下土壤水分融合结果的精度与空间结构保持能力。该研究推动土壤水分产品评价从传统时间序列精度分析向时空结构协同评价拓展，为多源土壤水分数据融合、区域水文过程模拟及农业干旱监测提供了新的方法支撑。
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。
针对城市正能源区（Positive Energy Districts，PEDs）建设中建筑能源需求评估复杂、城市建筑属性数据不完整及能源模拟结果与实际能耗存在偏差等问题，开展融合高精度三维城市建模与建筑能源模拟的正能源区建设潜力评估研究。该研究以波兰弗罗茨瓦夫市Kleczków城区为对象，构建基于CityGML标准的LoD2级精细化三维建筑模型，结合SimStadt城市能源模拟平台，建立建筑空间形态、物理属性与供暖能源需求之间的关联模型，实现建筑及城区尺度的年度与月度供暖需求模拟分析。同时，采用模拟值与实测值比率、归一化平均偏差误差（NMBE）及平均绝对百分比误差（MAPE）等指标，构建多尺度能源模拟精度评价体系，系统分析建筑属性缺失、建筑类型标准差异、能耗观测数据不足及复杂非住宅建筑建模局限等因素对模拟结果的影响。进一步强调本地化建筑热工参数、建筑使用特征及人员活动信息在能源模型校准中的重要作用，为城市建筑节能改造、可再生能源配置、能源灵活性提升及正能源区建设可行性评估提供基于三维城市模型的技术支撑。
针对现有三维扫描、摄影测量及模型格式转换生成的建筑三维模型通常以非结构化网格形式表示，缺乏参数化约束、设计意图及建模操作历史，难以直接应用于建筑信息模型（BIM）编辑、参数调整与语义分析等问题，提出一种面向非结构化建筑网格模型的自动化语义提升与参数化CAD重建框架。该方法首先分析输入建筑网格模型的几何形态与拓扑结构特征，利用深度学习模型预测潜在的CAD建模操作序列，实现从静态网格几何向程序化建模过程的推断；其次，设计二维参数化轮廓抽象与参数化模块，将建模操作涉及的几何区域转换为由直线、圆弧及圆等基本几何基元构成的二维轮廓，并建立相应的几何约束与可编辑参数，恢复模型的结构化几何表达；进一步构建参数化驱动的三维重建模块，在CAD环境中执行恢复的建模操作序列与二维参数化轮廓，程序化生成具有完整参数编辑能力的三维实体模型。该研究将深度学习驱动的建模操作推断、几何约束恢复与程序化CAD重建相结合，实现建筑三维网格模型从非结构化几何表达向具有建模语义和参数化编辑能力的结构化实体模型转换，为既有建筑BIM模型重建、数字孪生城市建设及建筑全生命周期管理提供了新的技术途径。
针对复杂城市环境下无人机遥感影像易受树木、植被及其他前景遮挡物干扰，导致城市三维重建存在结构缺失、纹理污染、跨视角观测不一致，以及传统三维高斯表示难以有效区分目标建筑结构与遮挡实例等问题，提出一种融合视觉基础模型先验知识的实例级语义高斯学习框架，实现复杂遮挡条件下的城市三维场景重建。该方法首先利用视觉基础模型提取高层语义、目标分割及空间结构先验信息，引导三维空间中的实例级语义高斯表征学习，增强目标城市结构与遮挡物之间的语义区分能力；其次，设计实例级语义高斯模块，将先验增强的语义信息注入三维高斯基元，构建具有实例判别能力的三维场景表示，改善不同语义区域之间的特征混叠与实例边界重叠问题；进一步提出先验引导交互模块，建立视觉先验特征与三维高斯表示之间的协同关联机制，实现RGB外观语义与三维空间结构信息的联合编码，增强复杂遮挡条件下的实例分离、缺失区域定位及跨视角重建一致性。该研究将视觉基础模型的语义与结构先验同三维高斯表示学习相结合，为复杂城市环境下无人机影像三维重建、精细化城市地理空间建模及数字孪生城市建设提供了新的技术途径。
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。
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。
针对日本宇宙航空研究开发机构（JAXA）AMSR2卫星土壤水分产品在植被茂密区和干旱区存在系统性反演偏差，以及植被覆盖、地表粗糙度与土壤微波辐射之间复杂非线性耦合关系难以准确建模等问题，提出一种辐射传输方程（Radiative Transfer Equation，RTE）引导的混合专家网络（Mixture-of-Experts，MoE）土壤水分反演框架。该方法将微波辐射传输物理先验与数据驱动深度学习相结合，首先构建迭代式代理标签优化机制，以现有土壤水分产品为初始参考，通过逐步优化训练标签，降低原始产品系统性偏差对模型学习的影响；其次，设计基于门控机制的端到端混合专家网络，利用AMSR2卫星14通道微波亮温观测数据，学习不同地表环境下亮温与土壤水分之间的非线性映射关系，并通过门控网络自适应融合不同专家模型的预测结果，增强模型对植被覆盖、土壤粗糙度及地表环境差异的适应能力。该方法通过物理先验约束、代理标签迭代优化与多专家协同学习，有效缓解复杂下垫面条件下微波土壤水分反演的系统性偏差，提高反演结果的准确性、稳定性及跨季节适应能力，为多通道被动微波遥感土壤水分反演及复杂地表环境下的全球土壤水分监测提供了新的技术途径。
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。
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。
针对无人机红外遥感影像存在空间分辨率较低、缺乏颜色信息及语义表达能力不足等问题，以及传统非配对红外—可见光图像转换方法易受传感器噪声干扰、跨模态语义对齐不足和几何结构失真等因素影响，提出一种基于门控空间—通道特征学习的无人机红外—可见光图像转换网络（IVT-GSCNet）。该方法首先设计门控特征细化模块（GFRM），在U-Net跳跃连接中自适应抑制传感器噪声与背景杂波干扰，增强有效特征传递与图像重建能力；其次，构建层加权对比学习机制，通过提高深层全局语义特征的学习权重，增强非配对红外与可见光影像之间的语义一致性，改善场景整体结构保持与弱小目标空间定位能力；进一步引入融合边缘损失、结构相似性损失和平滑约束的复合结构约束机制，强化图像转换过程中的几何结构保持，降低目标边界模糊与结构畸变。该研究将门控特征优化、跨模态对比学习与多重结构约束相结合，在提升红外图像可见光转换感知质量的同时，兼顾场景结构一致性与视觉真实性，为夜间及低照度条件下的无人机遥感场景理解、目标感知与语义分割提供了新的技术途径。
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。
针对双基地合成孔径雷达（BiSAR）海上运动目标成像中，目标平动及三维振荡运动导致传统静止场景分辨率理论不再适用，以及运动目标成像分辨率受平台构型、目标运动状态和海况等多因素耦合影响、难以准确表征其变化规律等问题，开展双基地SAR海上运动目标二维空间分辨率建模与影响机制研究。该研究首先建立考虑目标平动与三维振荡运动的双基地SAR海上运动目标回波信号模型，基于梯度分辨率理论推导运动目标二维空间分辨率的解析模型，揭示发射平台、接收平台及目标运动对成像分辨率的共同作用机制；其次，提出方位向分辨率贡献指数（Azimuth Resolution Contribution Index，ARCI），定量表征发射机、接收机及目标运动对方位向分辨率的独立贡献，为复杂双基地观测几何下的分辨率形成机理分析提供统一的量化指标；进一步分析成像分辨率及ARCI的时变特征，系统探讨海况、目标旋转运动参数及雷达平台构型对运动目标空间分辨率的影响规律。该研究将双基地SAR成像几何、海上目标复杂运动模型与梯度分辨率理论相结合，为海上运动目标高分辨率成像性能评估、双基地SAR系统参数设计及观测构型优化提供了理论依据与技术参考。
针对传统卫星雷达高度计利用差商法反演垂线偏差（Deflection of the Vertical，DOV）时，随着空间分辨率提高易产生显著噪声放大效应，导致海洋重力场高频信号提取精度受限等问题，提出一种基于垂直多普勒（Vertical Doppler，V-Doppler）频率提取的高精度海洋垂线偏差反演方法。该方法首先利用快速傅里叶变换（FFT）将雷达高度计回波信号由时域转换至频域，构建延迟—多普勒图（Delay/Doppler Map，DDM），从中提取与海面坡度相关的垂直多普勒信息；其次，引入Segment Anything Model 2（SAM 2）基础模型，构建混合深度学习边缘提取网络（HDLEE），增强复杂噪声背景下DDM特征边缘的识别能力，提高垂直多普勒频率提取的准确性与鲁棒性；进一步设计加权多窗口校准算法，利用传统差商法在低频信息估计方面的稳定性，对垂直多普勒频率中的低频系统性偏差进行校正，实现高频信号提取与低频误差抑制的协同优化。在此基础上，利用CryoSat-2、Sentinel-3及Sentinel-6等多源卫星雷达高度计观测数据，开展逐突发脉冲组的垂直多普勒频率估计与沿轨垂线偏差反演。该研究将雷达高度计多普勒信号处理、视觉基础模型与多尺度误差校准相结合，为高空间分辨率海洋垂线偏差反演、海洋重力场精细结构探测及卫星测高数据深度应用提供了新的技术途径。
针对高光谱异常检测中弱小目标易受高维光谱数据及复杂异质背景干扰、传统方法依赖较强的背景分布假设，以及现有特征提取方法对频域信息利用不足、难以有效区分微弱异常与背景等问题，提出一种基于分数阶域感知与对比统计正则化网络的高光谱异常检测方法（FDCRN）。该方法以扩散模型为基础框架，通过频域特征增强、空间—光谱信息融合及特征分布校正三个方面提升复杂场景下的背景抑制与异常识别能力。首先，设计轻量化分数阶傅里叶变换（LFrFT）模块，利用可学习的分数阶参数自适应调节光谱频率分量，挖掘弱小异常目标与复杂背景之间的细微频域差异；其次，构建多尺度空间—光谱增强（MSSE）模块，采用深度可分离卷积提取多尺度空间特征，并与光谱信息协同融合，增强弱小目标的空间—光谱关联表征能力；进一步引入统计自适应与对比学习（SACL）模块，动态校正特征分布偏移，扩大异常目标与背景特征之间的判别距离，提高复杂背景下的异常区分能力。该研究将分数阶频域分析、多尺度空间—光谱建模与对比统计约束相结合，为复杂场景下高光谱弱小异常目标的精细识别与鲁棒检测提供了新的技术途径。
针对现有高光谱目标检测方法高度依赖目标先验光谱或像素级标注、易受光照条件、大气环境及传感器差异影响，以及传统弱监督多实例学习方法对像素空间依赖关系建模不足、目标定位精度受限等问题，提出一种基于图结构与位置感知的弱监督多实例学习高光谱目标检测方法（GSPT-MIL）。该方法无需目标先验光谱及像素级标注，仅利用区域级（包级）标签实现像素级目标检测，显著降低模型训练对精细标注信息的依赖。首先，构建基于期望最大化（EM）的迭代优化框架，通过交替执行目标位置推断与特征模型优化，实现弱监督条件下的目标定位与判别特征学习；在期望步（E-step）中，设计局部相似性图卷积模块，利用像素间的局部相似关系与空间依赖信息推断潜在目标位置；在最大化步（M-step）中，引入多尺度上下文位置编码器，融合绝对位置信息与多尺度空间上下文特征，并结合光谱—空间特征对齐网络增强目标与背景之间的特征判别能力。该研究将图结构空间关系建模、位置感知特征学习与弱监督迭代优化相结合，为减少高光谱目标检测对先验光谱及精细标注数据的依赖、提升复杂场景下的目标定位与识别能力提供了新的技术途径。
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。
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。
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。
第 6 / 7 页 · 每页 20 篇
