全色图像和多光谱图像由于光谱和空间尺度上的差异，融合结果容易出现光谱失真或空间失真。如何同时实现两个尺度上的对齐，是提高融合效果的关键。传统的SFIM（Smoothing Filter-based Intensity Modulation）遥感图像融合方法可以保证光谱尺度上的一致，但在衡量空间尺度一致上还不够精确。针对此问题，本文提出了一种基于局部方差互信息的空间尺度对齐方法，并在平均梯度一致性的约束下进一步改进SFIM方法。该方法首先对多光谱各波段线性拟合生成多光谱强度图像，并对高分辨率全色图像进行高斯低通滤波，改变滤波参数循环计算2幅图像的局部方差图像间的互信息，当互信息最大时，高斯滤波参数为最佳滤波估计参数；然后，用该高斯滤波器卷积高分辨率全色图像，得到与多光谱图像空间尺度一致的低分辨率全色图像；之后，高低分辨率全色图像间比值处理得到细节图像，以高分辨率全色图像平均梯度为基准，引入调节系数控制细节图像的注入量；最后，细节图像、调节系数与多光谱图像相乘得到融合图像。为验证本文方法的有效性，在IKONOS和Quickbird两种数据集的植被区、建筑区和混合区3个不同场景六组图像开展融合实验。实验结果表明，对于KONOS数据，本文方法3组实验在光谱保持指标SAM上均位于第二，信息量EN有2组第一，对于Quickbird数据，本文方法3组实验在SAM、EN和AG3个指标上均为最优，具有较好的光谱保持能力和信息丰富程度；空间信息保持指标SCC值虽非最佳，但与SCC值最佳的AGSFIM方法相比， 4组实验的SAM、EN和AG这3个指标整体明显优于对方，而与SCC值相近的GSA或SFIM方法对比，本文方法在6组实验中其他3个指标的也均优于对方，平均提升了13.39%、39.52%和34.03%。同时，本文方法在目视效果上也有较为不错的表现，融合真彩色图像与原始真图像彩色差异较小，图像清晰度基本近似全色图像。融合场景方面，本文方法对于植被为主或混合区域，光谱保持优势明显，图像信息量较为丰富；以建筑为主的场景，融合结果的光谱、 信息的丰富程度和清晰度也具有不错效果。

静止气象卫星产品在天气监测和气候变化应用中发挥着重要作用。受天气状况影响，静止气象卫星地表温度经常存在缺失现象，严重影响着地表温度产品的深入应用。在地表温度缺失值的时间维重建过程中，现有研究大多是比较了不同时间维重建方法的精度，而有关数据缺失时段对模型能否有效重建的影响研究较少。本文以黑河流域为例，基于INA08温度日循环模型，通过模拟实验分析夏季FY-4A（风云4号A星） AGRI（Advanced Geostationary orbit Radiation Imager，先进的静止轨道辐射成像仪） LST（Land Surface Temperature，陆地表面温度）数据缺失对重建结果精度的影响，提出了不同缺失时段的数值替换方案，并采用真实数据对理论实验分析结果进行验证。结果表明：① 缺失第二时段（13—15时）对重建结果的影响可忽略不计，缺失第五时段（次日0—6时）对重建结果影响最大；② 随着缺失时段的增多，参与INA08模型拟合的遥感反演原始值减少，精度也有所下降；③ 模拟实验总结的缺失时段数值替换方案对INA08模型重建FY-4A AGRI LST具有一定指导作用,缺失时段某个时刻被替换为其他时刻地表温度后，能够显著提高缺失数据重建精度。

研究城市臭氧空间分布模式有助于分析污染成因，也能够为污染防治提供科学依据。但过去多基于站点数据分析浓度平均分布的概括性特征，对全域浓度分布平面的描述有限，也很少进行分类研究，无法更全面地看待污染分布的多种模式及其时间变化。本研究利用由卫星数据建模估计的臭氧日最大8 h滑动均值分布数据，针对臭氧空间分布模式标签化的难度提出一种面向小样本的半监督学习方法，以北京市为例进行分类实验。实验发现： ① 2020年数据经预处理后以40个训练样本对249个测试样本进行分类，总体分类精度达81.12%， kappa系数达0.741 6，说明在小样本条件下半监督方法取得了较好的分类效果；② 分类得到的8种模式中，“（东）南高（西）北低或东高西低”的模式1、“（西）北高（东）南低”的模式2以及“中心低”的模式6为主要模式，分别在暖季（3—10月）、冷季（11—次年2月）和冷暖季过渡期占据主导，这一时间规律反映出区域传输和光化学反应的季节性影响； ③ 将2020年的训练样本迁移至2019年进行分类，在取得较高精度的同时也对上述规律进行了验证。以上结果表明，本研究提出的空间分布模式分类方法能够为全面确定高污染的防治区域以及分类研究不同污染事件的成因提供支持。

土壤有机质含量是衡量土壤肥力的重要指标，对粮食生产具有重要影响。我国滨海盐碱地分布广阔，土壤有机质呈现显著的空间异质性。传统的“实地采集-实验测量”的方法费时费力，难以快速描绘盐碱地区土壤有机质含量的空间分布特征。因此，采用遥感技术对土壤有机质含量进行高效且精准地反演，可以快速了解土壤肥力，从而调整与优化农业生产与管理。本研究以黄河三角洲典型滨海盐碱地裸土（0~10 cm土层）为研究对象，通过提取土壤的无人机遥感光谱与空间纹理信息，构建并筛选遥感指数。分别采用多元线性逐步回归、偏最小二乘以及随机森林模型对土壤有机质含量进行反演，并对比分析耕作与未耕作处理对反演的影响，同时探究融入对土壤盐分含量敏感的遥感信息是否可提高盐碱地区土壤有机质的反演精度。研究结果表明：① 在土壤有机质含量反演中，随机森林模型的反演精度（R²为0.83~0.95）显著高于多元线性逐步回归（R²为0.26~0.69）和偏最小二乘模型（R²为0.37~0.72）；② 与未耕作土壤（R²为0.26~0.95）相比，耕作处理下的土壤有机质的反演精度较高（R²为0.54~0.94），即土壤的耕作处理能提高光谱指数对于土壤有机质含量的响应，从而提升土壤有机质含量的反演精度，为更加精准地监测土壤有机质提供新思路；③ 融入遥感纹理信息或土壤盐分含量信息（盐分实测值和盐分敏感指数）可显著提高土壤有机质反演精度。本研究将为提升田块尺度滨海盐渍化农田的土壤有机质含量反演提供理论与技术支撑，从而促进滨海盐渍化地区现代化农业的发展。

油田高后果区是石油输送管道安全管理的关键区域，准确获取油田高后果区地表信息至关重要。针对油田高后果区内提取任务面临地物形状多样、光谱差异小、类型复杂等挑战，提取结果出现错提、漏提、道路不连续的问题，基于ResUnet模型提出了一种适用于油田高后果区地物提取SML_ResUnet模型，该模型在池化阶段引入条形池化单元，在编解码之间加入混合池化模块和标签信息注意力模块。条形池化单元能实现对长条形孤立信息的捕获，混合池化模块兼顾标准池化和条形池化优点，最大程度保留不同位置区域的特征信息，标签注意力模块引入标签信息来优化注意力模块中生成的注意力概率图，从而进一步提高模型提取结果。在油田高后果区高分辨率数据集上的消融实验结果表明，SML_ResUnet网络提取结果最优，其中OA 、MIoU、 F1-score 分别达到了97.24%、84.23%、91.26%，相较于经典模型ResUnet各评价指标均有提升，其中OA 、 MIoU、 F1-score 分别提升了0.48%、2.49%、1.55%。在山东省某油田高后果区提取任务中，提取结果的总体精度平均为97.66%，适用于具有多种复杂地物类型的大范围油田高后果区内提取任务。

地表温度是表征局地热环境的关键地表参数。无人机热红外遥感具有高空间分辨率的优点，为获取高分辨率局地地表温度提供了数据支撑，基于无人机热红外遥感数据的地表温度反演已吸引越来越多的关注。本文系统探索了基于同步大气温湿度廓线的无人机热红外遥感地表温度反演方法，以南京信息工程大学中苑校园及周边地区为研究区，利用无人机搭载WIRIS Pro Sc热像仪和温湿度观测系统同时获取热红外影像和大气温湿度廓线数据，在消除大气影响的基础上，结合地物比辐射率反演得到高精度的地表温度，利用修正后的实测地面点温度数据对地表温度反演结果进行验证，基于反演得到的地表温度分析其空间分布特征。结果表明，基于温湿度传感器获取的同步大气温湿度廓线，可以有效去除大气影响得到准确的离地辐射亮度，反演得到的地表温度与实测地表温度的温度差为0.06~4.96 K之间，R²为0.91，地表温度空间差异明显，其空间分布与地表覆盖类型密切相关，反演结果较为准确。研究为无人机热红外遥感数据的地表温度反演研究提供了借鉴与参考，并能够为局地微热环境监测提供技术支撑。

建筑物屋顶面的准确分割对建筑物模型重建具有重要意义。但是由于建筑物屋顶面的种类繁多、大小差异大、形状复杂等特点，以及机载LiDAR点云数据的密度不均、数据量大等特性，传统分割方法存在欠分割、过分割以及小平面难以准确分割等问题。针对上述问题，本文提出一种基于体素区域增长的机载LiDAR点云建筑物屋顶面分割方法，有效提升了复杂结构建筑物屋顶面的分割精度。首先，对点云数据进行体素化，根据PCA方法估计每个体素的法向量、曲率值。然后实现基于体素区域增长的初始屋顶面分割。该过程选取当前体素空间曲率最小值体素作为初始种子体素，以26邻域为增长方向，根据种子体素与待增长体素间的法向量夹角约束增长。迭代增长过程中根据当前种子体素与增长体素的曲率差绝对值确定待增长种子体素，直到未有新的种子体素出现停止增长。再次选择新的初始种子体素重复该过程，直到完成所有体素的分割。最后通过对初始分割结果中过分割屋顶面进行合并、屋顶面结构完整性修复、复杂建筑物的小平面提取等优化处理得到最终的屋顶面。本文选取ISPRS官网提供的Vaihingen和Toronto 2个地区的机载LiDAR点云数据，分别对其中代表性的单栋建筑物和区域建筑物进行屋顶面分割实验。结果表明，复杂建筑物屋顶面点云分割的完整率、正确率和分割质量结果分别为95.36%~99.58%、94.83%~100%和90.65%~98.28%。本文方法在解决欠分割和过分割问题的基础上，有效地提高了建筑物点云的屋顶面分割的精度。

本文提出了一种用于遥感影像变化检测的多尺度交叉对偶注意力网络MSCDAN（Multi-Scale Cross Dual Attention Network），该神经网络模型利用改进的ResNet18网络提取原始遥感影像中的多尺度低级特征，并通过结合交叉注意力和对偶注意力2种注意力机制的CDA（Cross Dual Attention）模块提取注意力特征信息。CDA模块可以加强输入数据中不同视角或特征图之间的关联、融合时空信息、捕捉地表变化的时间序列特征、识别周期性变化和持续性变化等时序相关的变化模式。MSCDAN模型通过全转置卷积上采样模块FTCUM（Fully Transposed Convolution Upsampling Module）对特征图中的每个点进行局部的特征融合，由神经网络判别变化边界，避免了像双线性插值等传统方法带来的模糊和锯齿等问题，且实现了端到端的训练和优化，从而能够更好地适应遥感影像变化检测任务需求。相较于现有主流方法DTCDSCN（Dual-Task Constrained Deep Siamese Convolutional Network），本文提出的方法在DSIFN数据集上的准确度提高了5.13%，在WHU-CD数据集上的准确度提高了1.3%。同时，本文方法在这两个数据集上的表现也优于现有方法ChangeNet以及LamboiseNet，在CDD数据集上的表现优于改进DeepLabv3+和SRCD-Net。这些结果表明本文方法在不同数据集上均具有良好的性能，对进一步研究遥感影像变化检测具有重要参考价值。

叶面积指数Leaf Area Index(LAI)是表征植被冠层结构的重要参数，其遥感产品常常因云、气溶胶、积雪、算法和仪器问题等因素影响，导致数据质量差或缺失，严重影响LAI数据集的应用。本文提出了一种基于改进S-G滤波和非监督分类局部核回归的LAI时序数据融合方法，并利用2014—2020年MODIS LAI、PROBA-V LAI、VIIRS LAI产品数据，开展归一化融合研究，以提高产品的一致性、连续性和精确性。结果表明，融合LAI与源产品及其他LAI产品(MCD15A2H、MOD15A2H、VNP15A2H、PROBA-V) 的LAI值频率分布、时序变化表现出良好的一致性，并有较好的相关性， R²分别为0.85、0.77、0.84和0.89，与这4个产品相比，数据缺失频率总体下降，时间连续性有所提高，相较于MCD15A2H LAI(19.59%)、MOD15A2H LAI (25.54%)、VNP15A2H LAI(23.33%)和PROBA-V LAI(9.64%)，融合LAI平均缺失频率降低为5.04%。与其他产品比较，融合LAI与地面实测值的相关性最好，决定系数（R²）达0.76，比其他产品高0.03~0.2，均方根误差(RMSE)为1.16 m²/m²，比其他产品低（0.1~0.66）m²/m²，具有较高的精度。

利用遥感图像变化检测对建筑物进行实时监测是国土资源环境部门调查管理工作开展的关键技术手段。本文针对遥感图像变化检测任务中未充分利用双时相图像间的依赖关系和空间细节信息丢失导致检测精度下降的问题，提出了一种基于双时相特征筛选的轻量级遥感图像变化检测模型。在编码部分，利用精简MobileNetV3分别提取双时相遥感图像不同层级的特征，将同级特征输入特征筛选模块后通过注意力机制和阈值筛选的方式建立双时相图像间的关系，生成更具判别性的特征。在解码部分，为解决普通上采样导致边界像素被分配错误的问题引入了位置指导上采样模块，通过与特征筛选模块协同工作利用双时相图像间的关系指导上采样过程。针对下采样操作导致空间细节信息丢失的问题，采用多尺度特征融合模块来聚合多级特征生成更具空间细节信息的变化图。通过在CDD和DSIFN变化检测数据集上的综合实验表明，本文所提模型在F1分数上分别达到89.42%和79.43%，模型计算量和参数量分别为5.72GFLOPs和1.89 MB，预测时间达到0.02 s，相较于其他模型在精度和实时性上均具有显著优势，更适合在移动端部署，且本文模型检测的可视化结果更为完整，对于变化边界的检测也更加平滑。

挪威每年约有210万只羊在森林和山区自由放牧，在放牧季节结束时，农民们必须找到并围拢他们的羊，而这个过程非常耗时费力。现有跟踪羊群的方法包括铃铛、无线电铃、电子耳标和无人机等，这些方法受限于单价、信号覆盖、自动化程度低等缺点，无法高效自动地找到野外的羊。本文提出了一种基于无人机图像的羊群自动检测算法，使用ResNet和ResNeXt作为主干网络，设计了一种针对RGB和红外图像的羊群自动检测模型网络结构。本文分别利用RGB、红外和二者融合图像作为输入数据，对比模型检测效果，同时探讨了不同模型复杂性，并验证了模型泛化能力。实验结果表明，使用融合数据比单独使用一种数据能够获得更好的平均精度结果。不同复杂度和不同输入数据类型，其模型的验证数据集平均精度在69.6%~96.3%之间，处理时间在0.1~0.6 s之间。在置信阈值为0.5时，最优模型取得了97.9%的网格准确率和90.1%的召回率，这对应于在验证数据集中检测到97.5%的羊，因此，本文提出的基于无人机RGB和红外图像的羊群自动检测算法可以为改进羊群围捕做出一定贡献。

精准、自动化的耕地非农化监测对严守耕地红线和保障社会经济的可持续发展具有重要意义。为精准监测建筑物和大棚房非法占用耕地现象并及时预警，本文提出了一种先验知识引导深度学习的耕地非农化监测方法。首先，根据“三调”数据库获取耕地的矢量范围和类别属性等先验知识;其次，利用前时相耕地矢量数据对后时相高分辨率遥感影像进行地块级分割，实现检测区域的快速定位;接着，使用本文设计的融入先验知识的潜在非农化图斑提取网络模型（SRAM-SegFormer）对潜在非农化图斑进行获取;最后，对提取结果进行镶嵌、重分类、叠加等后处理操作得到最终的耕地非农化监测结果。以徐州市沛县为研究区，对比分析常用的语义分割网络模型Deeplabv3+、PSPNet、U-Net、HRNet、SegFormer和本文设计的SRAM-SegFormer提取潜在非农化图斑的能力。实验结果表明： Deeplabv3+和PSPNet对复杂区域易出现漏检和误检现象; U-Net 容易漏检大尺度的建筑物; HRNet提取的非农化图斑边界不规则; SegFormer对小尺度的建筑物和房提取能力较差，提取密集区域的建筑物和大棚房易出现粘连现象; SRAM-SegFormer提取的效果最佳，特别是针对小尺度的建筑物和大棚房的提取，在平均像素准确率（MPA）、平均交并比（MIoU）和总体精度（OA）上均取得了最高精度，分别为84.30%、73.76%和97.91%。因此，本文提出的方法能够更加高效、自动化的实现耕地非农化监测。

作为保护性耕作的主要方式之一，作物留茬对农田生态系统的物质和能量循环有重要影响。及时、准确地获取作物残茬生物量分布状况对定量了解保护性耕作实施状况、评估残茬影响具有重要意义。本文利用AIEM-Oh模型和水云模型（Water Cloud Model，WCM）构建残茬后向散射模型，分离出去除土壤散射影响后玉米残茬后向散射系数；在此基础上选择适宜的雷达指数特征构建玉米残茬生物量反演模型，以Sentinel-1 SAR数据为主数据源，以梨树县为研究区实现其玉米残茬生物量估算。结果表明：基于残茬后向散射模型可以有效地消除土壤后向散射的干扰，选择合适特征参数构建的反演模型能够获得较好的残茬生物量反演效果。其中，基于双极化散射积（Product）的秋季生物量反演精度R²大于0.75，RMSE达85 g/m²以下。与去除土壤散射干扰前的生物量反演模型相比，去除土壤散射干扰后，采用常见指数特征的生物量反演精度R²增加至少0.15，RMSE减少至少17 g/m²。本研究验证了利用去除土壤散射干扰后残茬后向散射数据进行残茬生物量反演的可行性，为今后利用SAR遥感数据进行玉米残茬生物量的动态监测提供了有益的尝试。

滑坡灾害对国家基础设施工程产生了严重的威胁，开展工程区域滑坡灾害危险性评价对于铁路运行安全至关重要。滑坡危险性评价通常可以概括为频率分析法、概率分析法以及确定性分析法，其中基于降雨入渗-积水机制角度建立物理确定性模型可以获得更为客观的评价结果，具有良好的适用性，但其通常需要大量的岩土参数参与计算，易受岩土参数的时空变异性以及不确定性等因素影响，存在一定的局限性。为进一步提升滑坡危险性评价的预测精度，本文以高家湾滑坡为研究区，基于粒子滤波算法，利用SBAS-InSAR观测数据对TRIGRS模型中的安全系数（Fs）进行同化，同时更新模型的内摩擦角参数。结果表明：同化后高家湾滑坡的安全系数呈现出逐渐降低的趋势，且坡体前缘的安全系数明显低于坡体后缘，与当前观测更为接近；实现了内摩擦角参数的实时更新，使参数逐渐向观测值方向修正；模型的均方根偏差从0.17降低至0.04，使模型预测结果与实际观测更为接近。因此，基于粒子滤波同化方法的滑坡危险性评价可以更准确地体现当前滑坡的实际情况，具有更高的预测精度。

热带森林具有重要的经济价值和生态价值，快速准确地监测其扰动对促进热带森林的可持续发展有重要意义。为探究适用于热带森林扰动快速监测的方法，本研究基于1987年以来海南岛所有Landsat 5/7/8和Sentinel-2时间序列光学影像和野外调研数据，在谷歌地球引擎（Google Earth Engine, GEE）云平台利用LandTrendr算法快速监测海南岛1990—2020年的森林年度扰动时空分布特征，并结合7期天然橡胶种植历史分布图、林业政策和自然灾害等因素探讨森林扰动的驱动因子。研究表明：① 1990—2020年海南岛森林扰动总面积为2.53×103 km²（占2020年森林总面积的11.78%），集中分布在中部、北部和西北部地区，扰动面积最大的3个市县分别是儋州市、琼中县和白沙县；② 海拔300 m以下区域的森林扰动占83.40%，坡度25°以下的森林扰动占94.86%，高海拔地区森林保存完好，鲜有大面积的森林扰动发生；③ 2000—2010年森林扰动发生最频繁，其中2005年的扰动面积最大，2010年后森林扰动趋势明显减缓；④ 森林主要受橡胶种植、桉树发展和严重自然灾害（如台风与干旱）共同影响，其中因橡胶种植导致的森林扰动面积占全岛森林扰动总面积的43.48%。本研究建立的森林扰动快速监测方法和研制的海南岛热带森林扰动数据集可为森林监测研究及林业部门决策提供参考。

水体是支撑西北地区生态环境健康与社会经济持续发展重要的地表环境要素。在气候变化与人类活动的综合影响下，西北地区水体的时空分布发生着显著的变化，并反过来影响着区域内社会经济的发展和生态环境的保护与建设。为深入认识气候变化背景下西北地区水体的时空变化规律，本文基于高分辨率全球地表水数据集（JRC Monthly History v1.3），分析了2000—2020年西北地区水体面积及其空间分布的变化规律。从年内变化看，西北地区水体面积在6月和9月有较显著的扩张，而10月起随着区内水分来源的减少水体面积开始缩减。从年际变化看，自2000—2020年，西北地区水体面积从3.48×10⁴ km²增加到4.82×10⁴ km²，年变化率达到682.64 km²/a。其中，塔里木河沿线区域及青海省西部水体面积扩张较为显著。塔里木河、和田河、台吉乃尔湖、达布逊湖和青海湖等常年水体周围，水体面积持续增加。本文同时利用高分辨率气候再分析数据（CMFD）分析了西北地区气候变化对水体面积及其分布的影响。研究结果表明，区内西北部较为干旱的区域（年降水量小于400 mm）暖湿化趋势明显，降水相对充足的东南部则主要呈现温暖化或暖干化趋势。西北地区水体扩张主要发生在暖湿化或湿润化地区。水体面积与气候变化的联合概率分析表明，气温、降水与水体面积之间呈正相关关系。特别是塔里木河流域、新疆北部以及青海省内水体面积扩张的区域与气温的升高和降水的增加关系密切，相关系数均大于0.4，表明暖湿化对西北地区水体面积变化有显著影响。西北地区水体面积的变化一定程度上加强了水体之间的连通性，有利于区域生态环境建设与保护。

生物质燃烧排放大量烟雾和温室气体对于全球气候变化有显著影响，而准确及时地提取火烧迹地面积对于火灾补救、植被恢复、估算大气排放至关重要。中分辨率成像光谱仪MODIS较高的时间分辨率可以快速获取全球每日的火烧迹地产品，但对于小型和破碎度高的火烧迹地的遗漏率比较高。据此，本研究融合MODIS与Landsat-8 OLI（Operational Land Imager 陆地成像仪）的时空优势，提出了基于地表反射率数据集支持的火烧面积提取算法。首先，使用MODIS地表反射率产品MOD09GA构建燃烧日期前后在红、绿、蓝、近红外和短波红外的先验地表反射率数据集。然后，采用自适应遥感图像时空融合算法 (Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM)以及线性拟合的方法对MODIS与Landsat-8地表反射率数据进行空间和光谱一致化处理。最后，运用自动阈值的方法厘定火烧区域的最佳阈值。此外，通过选取4个不同的燃烧规模样地/样区验证了该算法的火烧迹地面积提取准确率在75%以上。本研究将MODIS的高时间分辨率和Landsat-8的高空间分辨率的优势结合，既解决了单独使用MODIS对小型、破碎度高的火烧迹地提取不足的问题，也验证了基于地表反射率数据集的算法对于火烧迹地实时提取能力。

及时准确的洪涝范围提取可以提高应急管理部门对于洪涝灾害的响应能力，减轻灾害影响。SAR遥感不受云雨影响，是洪涝灾害监测的有效工具。然而，由于卫星重返周期的限制，基于SAR的洪涝连续观测较难实现。在应急背景下，如何快速、实时进行洪涝范围提取是急需解决的问题。本文提出了一种结合遥感、VGI等多源数据的洪涝范围提取与模拟方法： ① 构建Albert+CNN的文本分类模型提取社交媒体洪涝信息；② 基于异常值剔除方法利用社交媒体和OSM等VGI数据代替人工采样对Sentinel-1 SAR数据进行分类，提取洪涝范围；③ 结合社交媒体、水位数据等多源数据基于SNIC分割和成本距离等方法模拟无可用SAR数据时的洪涝淹没情况，提高洪涝的淹没范围提取频次。研究表明，本文基于Albert+CNN与异常值剔除的样本自动生成方法，可以有效辅助SAR数据的洪涝分类；利用VGI数据结合水情、DEM等多源数据进行了洪涝范围的模拟可以增加洪涝监测的时间分辨率。本研究有助于提高洪涝信息提取能力，为VGI支持洪涝灾害的应急管理提供参考。

内陆水体叶绿素a浓度是衡量水体富营养化程度的主要指标，是影响水体反射率光谱特征的重要因素之一。本文以白洋淀烧车淀、圈头乡各村庄等水域为研究区，采集了高光谱数据和水样，并在实验室测定叶绿素a等水质参数，应用于白洋淀区域的叶绿素a高光谱遥感反演。针对线性降维方法特征提取能力不足和神经网络构建叶绿素a遥感反演模型时学习效率低、泛化能力差的问题，提出了堆栈自编码器粒子群优化BP神经网络模型。该模型利用堆栈自编码器强大的非线性变换能力，通过最小化重构误差来学习高光谱数据特征，在实现数据降维的同时最大程度保留原始光谱数据中的水体辐射信息，提取出实测水体光谱的深度特征，将BP神经网络初始权重作为粒子的位置向量，通过粒子群算法搜寻网络初始权重的最优值，降低出现局部极值的概率，提高模型的稳定性和反演的精确度。堆栈自编码器粒子群优化BP神经网络模型(R²=0.82， RMSE=2.65 μg/L， MAE=1.89 μg/L)相较于对高光谱数据不降维的BP神经网络模型(R²=0.75， RMSE=3.16 μg/L， MAE=2.39 μg/L)、基于主成分分析法降维的BP神经网络模型(R²=0.79，RMSE=2.85 μg/L，MAE=2.29 μg/L)和基于逐步回归分析法降维的BP神经网络模型(R²=0.80， RMSE=2.79 μg/L， MAE=2.38 μg/L)反演结果相比，堆栈自编码器粒子群优化BP神经网络模型对内陆水体叶绿素a高光谱遥感反演具有较高的精度，为内陆二类水体叶绿素a高光谱遥感反演提供一定的理论依据和技术支持，助力白洋淀水质持续监测，也为以后高光谱卫星遥感影像反演叶绿素a提供新思路。