针对传统SAR遥感作物播种与收获日期监测方法对作物类型和地表环境适应性不足、单一极化指标难以满足大范围监测需求的问题，提出一种基于Sentinel-1时序数据的自适应指标选择框架（ASIS），实现作物播种与收获日期的自动识别。该方法综合分析VH交叉极化后向散射强度与交叉极化比（CR）在不同作物类型及地表条件下的响应差异，揭示不同极化指标对雨养农田、灌溉农田及水田等种植环境的适用机制。首先，采用迭代式时间序列聚类策略，根据SAR时序特征对不同作物类型及地表条件进行自适应分组；其次，构建融合VH与CR信息的作物生长季指标（RCGI），实现作物生长季的可靠识别；最后，利用非生长季VH后向散射强度自动判别地表条件，并自适应选择最优极化指标进行播种与收获日期提取。该方法降低了作物类型、土壤粗糙度及水分条件差异对监测结果的影响，减少了对先验作物类别和田块边界信息的依赖，为大范围农事活动监测、作物生长建模及农业生产管理提供了新的技术途径。
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。
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。
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。
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。
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。
第 7 / 7 页 · 每页 20 篇
