【目的】作为城市空间结构的重要组成部分，建筑物与道路信息在城市规划、灾害响应和自动驾驶等前沿领域具有重要的应用价值。鉴于二者在空间分布上的高度关联性，协同提取建筑物和道路两类地物已成为高分辨率遥感影像解译的重要研究方向。然而，现有方法尚未充分利用两类地物间的空间结构和各自的形态结构特性，存在地物边界不清晰及小尺寸对象漏检问题。【方法】为解决上述问题，本文提出了一种结构感知的协同提取网络SACE-Net，综合考虑地物的空间结构与形态结构，以提升建筑物和道路的协同提取性能。网络设计了特征空间交互模块，通过查询引导的跨注意力机制学习建筑物和道路的空间结构互补特征，增强两类地物间的特征交互与信息融合；同时，构建了形态结构感知的双分支解码模块，通过注意力引导机制与方向感知机制，实现对两类地物的形态结构的差异化解码。【结果】在Massachusetts与AIOI这2个公开数据集上的实验结果表明，SACE-Net在定量与可视化性能上均优于7种基线方法。定量结果显示，SACE-Net的平均交并比在Massachusetts和AIOI数据集上分别达到75.82%和64.14%，相较于现有最优协同提取方法分别提升了10.70%和4.90%；可视化结果进一步验证了模型在保持建筑物轮廓完整性和道路连通性方面具有显著优势，减少了边界模糊、漏检或误检等问题；消融实验结果显示，在基础网络中添加特征空间交互模块和双分支解码模块后，2个公开数据集的平均交并比相较于基础模型分别提升了18.96%和14.01%，验证了SACE-Net中各模块的有效性。【结论】本文通过强化模型对建筑物与道路空间及形态结构特征的感知，提升了地物协同提取精度，并为高分辨率遥感影像的多类地物协同提取提供了方法参考。

【目的】复杂山地地形易导致NDVI产生反演误差与地形效应干扰，且逐年主成分分析（PCA）使遥感生态指数（RSEI）权重随年份波动，制约了长期生态质量评估的稳定性。为提升复杂地形条件下生态评估的时序一致性与模型稳健性，本文提出了全局-自适应修正遥感生态指数（GW_MRSEI）。【方法】首先，采用地形校正归一化植被指数（SNDVI）替代传统NDVI，减弱地形效应对植被反演的干扰；其次，在全局主成分分析（GPCA）框架下引入局部自适应修正系数，以兼顾跨期可比性与对异常事件的响应能力；最后，以金沙江滇藏峡谷段为实验区，结合Theil-Sen趋势检验、Hurst指数与XGBoost模型开展验证与生态演变分析。【结果】 SNDVI在复杂地形下区分能力较NDVI提高了19.31%，能更准确反映植被信息； GPCA维持了更稳定的跨期权重；GW_MRSEI既保持了趋势一致性，又对局部年份表现出较强的敏感性，有效抑制了年际波动。1990—2024年，实验区约54.3%区域生态质量改善，31.6%区域将持续改善，29.5%区域将持续退化。生态质量受植被、温度与海拔共同影响，其中温度高于28 ℃时负效应显著，海拔2 500~4 000 m之间生态状况最佳。【结论】 GW_MRSEI在复杂山地环境中展现出较高的时序稳定性与地形适应性，实现了生态变化的连续刻画与异常识别，为复杂山地流域的长期生态监测与退化识别提供了可量化的方法学支持。

【目的】在采动、水文、地质等多源因素耦合作用下，露天矿滑坡隐患呈现出分布范围广、在采场边坡处聚集分布等特点，且其InSAR形变信号与背景环境相似，导致现有滑坡隐患检测算法容易产生误判或漏判。同时，滑坡隐患的多源触发机制与检测模型的“黑箱”特性之间的矛盾，削弱了检测结果的可解释性，限制了现有模型在矿区中的应用。【方法】针对该问题，本研究以YOLOv5n为基线模型，提出一种整合InSAR技术及可解释性深度学习的增强检测框架，以提升矿区滑坡隐患检测的准确性与效率。① 利用SBAS-InSAR技术反演年均形变速率及时间序列，构建滑坡隐患检测InSAR数据集，并引入地理环境相似性准则对数据集的空间分布进行优化； ② 基于InSAR形变信息和光学影像的形态特征构建综合识别方法，快速识别潜在滑坡隐患； ③ 利用SHAP技术优选关键孕灾因素，构建SHAP-RF/SVM模型生成矿区滑坡易发性区划图，以刻画滑坡隐患在采场边坡的聚集特征； ④ 提出融合易发性分区的机理驱动空间先验项与梯度调控策略，构建风险感知监督惩罚机制，引导模型在隐患高聚集区增强特征关注度。【结果】以内蒙古自治区锡林郭勒盟某露天矿为研究区，基于2020年1月—2022年1月的Sentinel-1A SAR影像，进行检测行为的可解释建模与滑坡隐患的增强检测。研究结果表明，该检测框架不仅在滑坡隐患检测与易发性评估结果之间表现出较高的空间一致性与模型可解释性，还显著提高了检测准确率。mAP50、F1分数分别达到95.9%和91.7%，比YOLOv5、Attention U-Net等其他代表性模型性能至少提高了8.76%和10.11%。【结论】本文所提框架在不同地表类型的露天矿中也表现出令人满意的精度和工程适用性，可为InSAR与深度学习方法在露天矿滑坡隐患检测中的应用研究提供重要技术指导。

【意义】集中式光伏电站在荒漠化地区的开发兼具能源转型与生态修复的双重功能。针对当前研究存在的3个主要问题： ① 荒漠高反射背景下光伏阵列识别精度不足； ② 缺乏可靠的光伏板下植被固碳效益定量评估机制； ③ 尚未形成同时纳入“板上减排”与“板下固碳”的碳效益核算体系。提出一种融合深度学习与多源遥感数据的荒漠化地区集中式光伏电站提取与碳效益核算方法。【方法】首先，基于高分辨率遥感影像构建荒漠化地区样本库，采用以ResNet50为骨干网络的DeepLabv3+语义分割模型，实现高反射背景下光伏电站的高精度提取；其次，通过生命周期评估计算光伏电力碳排放因子，结合电网排放因子和发电量数据精确估算减排效益。进一步，利用多时序NPP遥感数据对比光伏区与背景区植被生产力，量化板下植被恢复带来的固碳效益；最后，将减排效益与固碳效益，通过碳交易价格进行货币化评估，并系统分析其空间分布规律。【结果】以甘肃河西走廊地区为例进行验证，共识别出集中式光伏469.63 km²；在25年生命周期内，光伏直接减排累计4 861.07万tCO₂e，生物间接固碳276.92万tCO₂e，总碳效益达41.10亿元，其中武威市固碳能力最强，嘉峪关市单位面积碳减排密度高，酒泉市减排总量居首但生态增汇相对有限。【结论】研究提出的方法在光伏电站识别精度和碳效益评估体系上均实现了突破。与随机森林等传统机器学习提取方法相比，本方法将光伏阵列与裸岩等高反射背景的识别误差降低了47%，与U-Net模型相比，本方法在总体精度上表现出更高的稳健性，提升了复杂环境中集中式光伏电站的提取能力；研究建立的板下植被固碳效益的定量评估方法，验证了光伏带动生态恢复的固碳效益；研究构建的碳效益核算体系首次将“板上减排”与“板下固碳”纳入统一核算框架，增强了评估的系统性和空间显式能力，为荒漠化地区光伏开发的生态能源协同发展提供了可推广的方法论支撑与科学决策依据。

【目的】黄土高原地区耕地分布范围广、数量多、分散且地块碎小。当前卫星数据源丰富、分辨率多样，是耕地调查监测的理想数据源。针对卫星数据在黄土高原不同地貌单元的耕地识别能力和精度评估研究不足，科学、准确评估卫星数据源的耕地识别能力和精度可为耕地调查监测数据源选择和精度评估提供参考。【方法】本文以兰州市榆中县为研究区，以GF-1、Sentinel-2、GF01-WFV、Landsat-8 OLI遥感影像为主要数据源，通过构建位置准确度、面积准确率、漏分率、错分率、最小可识别图斑等评价指标，运用空间统计分析方法，定量评估4种卫星数据在不同黄土地貌单元耕地识别能力并分析影响因素。 【结果】 ① 耕地识别精度与影像空间分辨率高度相关，但各精度指标间差异显著。耕地提取位置准确度受空间分辨率变化影响较小，GF-1、Sentinel-2、GF01-WFV、Landsat-8 OLI的平均位置准确度分别为95.02%、94.81%、91.96%和91.66%。面积准确率、错漏分率、地块边界准确度和最小可识别图斑随影像空间分辨率降低变化较明显。面积准确率由94.88%下降至85.94%，错分率由3.91%上升至16.57%，漏分率由7.62%升至19.22%，GF-1、Sentinel-2、GF01-WFV、Landsat-8 OLI的平均地块边界准确度分别为89.69%、83.93%、79.11%和74.74%。② 耕地识别精度受地形影响较大，空间分辨率越高越容易受地形影响。总体上，黄土塬区结果精度高于黄土沟壑区3%~5%，高于黄土丘陵区5%~10%。黄土塬区漏分率相对较高；黄土沟壑区错分情况显著，区域平均错分率达到15.94%，Sentinel-2和GF01-WFV均大于16%；黄土丘陵区不同影像数据之间的精度差异缩小。③ 黄土高原地区地形破碎、沟谷纵横，裸露黄土与休耕、翻耕耕地光谱容易混淆，制图结果表明空间分辨率为2~15 m的卫星数据提取耕地面积偏少，30 m数据耕地提取面积偏大，GF-1耕地提取准确率在95%以上，最接近实际耕地面积。④ 优于10 m空间分辨率遥感影像基本可满足黄土高原地区耕地面积、位置、种植状态监测和制图需求，可结合数据源、监测内容、精度要求具体综合考虑选择卫星影像。【结论】本文研究结果可为黄土高原区耕地遥感监测数据源选择和精度评价的提供参考。

【目的】准确监测火烧迹地的动态变化对森林管理与恢复生态环境具有重要的意义，针对传统的火烧迹地提取方法在应对大范围且地形复杂的区域时，存在效率低、对微小火烧迹地提取效果欠佳的问题。本文提出了一种基于深度学习的特征融合与注意力机制结合的网络模型FFANet (Feature Fusion and Attention Mechanism)，将其应用于火烧迹地提取研究中。【方法】首先对数据进行预处理后制作森林火灾变化检测数据集，构建一种特征融合注意力机制的轻量化模型并进行训练，通过提取双时相图像的特征、融合特征信息和解码后分类输出变化结果图来进行过火区域的提取。模型以U-Net网络为基准模型，在特征提取部分引入双时特征融合策略（Bitemporal Feature Fusion, BFF），使模型可以充分提取双实相特征中的差异信息，设计了中值增强空间通道注意力模块（Median-Enhanced Spatial and Channel Attention Block, MESC），通过多种空洞率并整合通道和空间注意力机制捕获图像中的细节信息，在模型的解码器部分，利用一种轻量化的上采样模块，通过跳跃连接的方式与上一级的特征进行结合，在保证特征融合效果的同时又能够降低计算成本，模型的最后一个阶段通过分类器来输出变化检测结果图。【结果】本文以2023年4月13日云南省玉溪市发生的森林火灾为实验区，选取火灾发生前后的Sentinel-2影像进行火烧迹地提取实验。结果表明：① 模型采用轻量化架构设计实现端到端的学习，通过减少参数量与计算量，实现了推理速度的优化，使模型能快速识别变化区域； ② 将本文模型FFANet基于各评价指标与Change Former、BIT和STANet模型进行对比， FFANet模型的F1分数达到87.11%，相比于其他3种模型分别提升3.19%、6.06%和1.4%，其 IoU值达到82.64%，与其他3种模型相比分别提升4.06%、0.97%和6.86%，验证了本文模型FFANet在提取火烧迹地中的适用性。【结论】本文提出的FFANet有效提升了模型在复杂地形及微小火烧迹地条件下的提取精度，为实现更加快速准确地提取火烧迹地提供了技术支持，也为今后相关的研究提供了更多的探索思路。

【目的】火星石块是了解火星地貌、研究地质演化和着陆选址等火星探测任务的重要研究内容。Boulder Halo是火星中高纬度地区的典型地貌，提取和分析Boulder Halo地貌及周边地区的石块，能够加深对该地貌的了解，明确其周围石块的空间分布特征，进而有助于后续的相关研究。【方法】文中利用一种基于阴影和滑动窗口的石块提取方法提取火星石块（最大直径大于1.5 m的石块），即根据火星石块阴影的位置和范围建立初始窗口，通过滑动窗口的初始位置和终止位置确定石块的范围，石块的提取结果通过拟合椭圆来表示。该方法在HiRISE图像中进行石块提取，并以火星60° N—70° N之间的23个Boulder Halo地貌为研究区，对其内部及周边地区的石块开展空间分布特征分析。【结果】Boulder Halo地貌多位于石块高密度区附近；在Boulder Halo地貌的3倍半径范围内最大直径为1.5~2.5 m的石块数量最多；多数情况下，Boulder Halo地貌在1~1.5倍半径范围内石块最大直径的均值相对较大；在3倍半径范围内，1倍半径范围附近石块密度相对较高。【结论】本文的分析结果可作为参考数据，为未来深入分析Boulder Halo地貌的形成过程及进一步探测提供辅助。

【目的】近年来，机载LiDAR点云数据的应用日益广泛，其语义分割是实现三维场景理解的重要环节，但现有部分分割方法存在一定的缺陷。例如，基于局部聚合的PointNet++和KPConv等方法难以有效捕捉长距离依赖；而引入Transformer等全局注意力机制虽能扩大感受野，但其高昂的计算成本不适用于大规模机载LiDAR数据；同时，多数方法未能充分利用机载数据中蕴含的丰富高程信息。【方法】本文提出了一种融合投影注意力和高程注意力机制的点云分割网络（Projection Attention and Elevation Attention Network, PE-Net)。首先，为实现高效的全局依赖建模，投影注意力模块将传统自注意力中的键和值投影至一个低秩子空间，从而以线性计算复杂度捕捉长距离关系。其次，为充分利用机载数据的垂直结构先验知识，高程注意力模块直接从点的Z坐标学习注意力权重，显式地增强了模型对地形变化的敏感度。最后，局部-全局特征增强模块通过并行的最大池化与平均池化操作聚合了多尺度上下文信息，实现了局部几何细节与全局语义的深度融合，有效提升了对复杂空间结构的表达能力。【结果】利用ISPRS Vaihingen3D 和GML等主流机载LiDAR点云数据集对本文方法进行了验证，实验结果表明：PE-Net在ISPRS Vaihingen3D数据集上取得了82.6%的OA分数和72.1%的Avg.F1分数，在GML数据集上则达到97.0%的OA分数和72.8%的Avg.F1分数；同时，在LASDU数据集上也展现出较优的分割结果。与基线方法KPConv相比， PE-Net在GML数据集上的OA分数和Avg.F1分数上分别提升了7.0%和20.4%。【结论】相较于现有主流方法，本文提出的PE-Net在总体精度和Avg.F1分数上均取得了显著提升，证明了PE-Net在复杂三维场景点云语义分割任务中的有效性和鲁棒性。

【目的】敏捷型光学遥感卫星通过同轨多条带拼幅成像能够快速获取过境区域的大范围影像，但由于成像过程中卫星视角多变、条带间误差特性不同等原因，导致影像存在几何畸变。需对多条带影像高精度拼接技术开展研究。【方法】提出了一种适用于敏捷型光学卫星的多条带影像高精度拼接处理方法：通过区域网平差、开源地形数据辅助下几何粗纠正、正射影像匹配引导的几何精纠正和拼接输出等处理，实现多条带影像的高精度拼接处理。在处理中提出了矢量数据引导的连接点提取技术；引入样条函数优化影像配准技术；借助区域网平差思想优化影像匀色方案。【结果】为验证方法有效性，利用高景二号与北京三号卫星所获4个区域的影像开展试验。【结论】结果表明几何精纠正的精度可以达到平原地区1.90像素，丘陵山地地区2.56像素。该方法能够有效解决敏捷型光学卫星影像区域高精度拼接问题，实际作业可操作性强、输出影像产品精度高，具有重要的应用价值。

【目的】遥感影像目标检测是遥感影像智能解译的关键技术，旨在自动搜索并定位影像中的感兴趣目标。尽管通用目标检测算法在自然影像上已取得显著进展，但由于遥感影像固有的背景复杂、目标尺度与形状变化剧烈（多尺度、极端长宽比目标）等特性，其直接应用于遥感领域时性能受限。【方法】为应对上述挑战，本文提出了一个尺度和形状感知方法用于检测遥感影像复杂背景下的多尺度和极端长宽比目标，并将其命名为BSPDet（Background, Scale, and Profile Detector）。该网络由3个协同工作的核心模块构成： ① 以全局和局部交叉融合网络（Global-Local Contexts Crossing Fusion Network, GLCCFNet）作为主干网络，有效捕获多尺度目标的深层特征，实现尺度感知； ② 引入一个可挑选焦点特征融合网络（Select Focus Feature Pyramid Network, SFFPN），通过语义精炼与空间选择机制，精准过滤复杂的背景噪声，增强对目标的专注度； ③ 设计了形状感知解耦检测头（Shape Sensitive Decoupled Head, SSDHead），专门用于提升对极端长宽比目标的特征提取能力，实现形状感知。这3个模块有机结合，共同提升了模型在复杂场景下的检测鲁棒性。【结果】为验证BSPDet的有效性，本文在3个光学遥感数据集（DIOR, RSOD, HRRSD）和一个SAR数据集（SSDD）上进行了综合实验。结果表明， BSPDet在3个光学数据集上的平均精度均值（mAP）分别达到了73.7%、96.5%和94.4%，显著优于PKINet、 YOLOv12等先进算法。在SAR影像的SSDD数据集上， mAP更是高达98.7%，超越了LWM-YOLO和DEPDet等最新方法，展示了优越的性能和良好的泛化能力。【结论】本文提出的BSPDet通过融合尺度感知、背景抑制与形状感知机制，有效提升了遥感影像目标检测的精度。该方法为解决遥感图像中多尺度和极端长宽比目标的检测难题提供了新的思路，可为道路病害识别、舰船监测等应用领域提供有力的技术参考。

【目的】目前遥感影像建筑物变化检测方法中存在双时相图像融合信息利用不充分和图像对准等问题，导致变化检测结果不准确。【方法】针对存在的问题，本文提出了一种基于双时相图像特征交互和差分对齐的Mamba网络FIDAMamba（Feature Interaction and Differential Alignment Mamba）。该方法使用编码器-解码器结构，在特征提取阶段通过将特征交互模块嵌入到分层的Mamba编码器中，将双时相特征投影到特征空间中并获得共同特征，以增强融合双时相图像特征信息的能力。在预测差分图阶段，通过估计并校正双时相图像特征之间的偏移量，提高特征对齐的能力。最后，将聚合多级特征的差异图通过解码器，以预测最终变化图。【结果】 FIDAMamba在LEVIR-CD和WHU-CD数据集上F₁值分别达到91.89%和91.12%， mIoU值分别达到84.99%和83.68%。相较于现有方法ChangeFormer以及ChangeMamba，本文提出的方法在LEVIR-CD数据集上F₁值分别提高了1.49%、2.09%， mIoU值分别提高了2.52%、3.50%。与现有方法相比， FIDAMamba在背景变化较大或图像错位时，通过引入特征交互、差分对齐模块，增强了模型捕捉和对齐图像差异信息的能力，能够更好地识别变化的建筑物，减少误检和漏检的情况。【结论】该方法有效地提升了变化检测的精度，为遥感影像在建筑物变化检测任务中的深入研究与应用提供了有力的支撑。

【目的】为了对自然灾害发生后的快速响应与救援提供有力支持，针对建筑物遥感图像的损伤分类中出现的评估精度与效率不足的问题，提出一种基于两阶段卷积神经网络(BDDNET)的建筑物损伤评估模型。【方法】该模型以Unet++模型为基础，引入SE、CBAM和ASPP模块，通过模块间的协同作用处理复杂背景与多尺度损伤区域，增强模型特征提取能力；同时，为应对数据集类别不平衡问题，采用CutMix数据增强技术，提升模型泛化能力与鲁棒性。实验采用xBD遥感卫星数据集具体分析了该方法的可行性，并通过消融实验证明了所添加模块的有效性，将评估指标与基于Unet++、 FCN、 Deeplabv3 模型的结果进行了对比。【结果】实验验证显示，BDDNET 模型在建筑物提取任务中的F1分数达到92.25%， IoU达到86.2%；在损伤分类任务中的F1分数达到76.55%， IoU达到64.15%。均较目前的主流模型均有一定程度的提升，能够有效完成建筑物提取与损伤分类任务。【结论】基于BDDNET的建筑物损伤评估模型，通过融合深度学习与遥感技术，结合模块优化与数据增强策略，显著提升了灾后建筑物损伤评估的精度与效率，具备良好的实用性与可靠性，可助力灾害后的快速响应与救援工作。

【目的】海岸带遥感监测为海岸带资源管理和环境保护提供了有力的数据支持，深度学习的发展为海岸带遥感监测提供了新思路，然而由于海岸带遥感影像的复杂性和样本的稀缺性，实际应用效果不理想。为了丰富海岸带遥感样本数据集，提高模型精度和泛化能力，构建了数据自动增强网络RS_FAA，提出了一种样本增强效果评估方法，以实现海岸带遥感样本数据的高效自动增强。【方法】首先针对海岸带遥感影像的成像特点及光谱特征，设计了包含几何增强与色彩增强的策略搜索空间，绑定几何与色彩增强策略以克服现有增强方法过度依赖几何增强的缺点；然后改进Fast AutoAugment网络，引入U-Net模块、数据增强评估模块和增强策略筛选模块，实现海岸带遥感样本的多种增强策略最优选择与组合；最后采用欧式距离与余弦相似度来评估增强后样本数据集的多样性，采用6种性能评估指标来评估增强后数据集对模型泛化能力的提升。【结果】以福建省漳州市海岸带为研究区，对样本增强效果和模型性能进行评估，增强后数据集的特征差异与多样性明显增强，整体精度在U-Net、PsPNet、SegNet、Deeplab V3+这4类网络上均有提升，分别提高了2.4%、1.5%、1.3%、0.8%，跨区域数据召回率提升了4.8%。【结论】该方法可显著提升海岸带遥感样本集的多样性和模型性能，降低模型对特定区域数据分布的依赖，可有效应用于海岸带遥感监测任务中。

【目的】针对高分辨率遥感影像幅宽大、背景复杂，舰船目标细节特征丰富以及易受相似目标干扰等特点，本文提出一种基于多尺度高斯上下文特征激励的舰船目标检测方法。【方法】首先，设计了联合空间和通道注意力机制的高斯上下文转换模块（Spatial and Channel- Gaussian Context Transformer，SC-GCT），实现了前景目标的可辨识性表达，有效缓解了背景噪声以及相似性目标干扰等问题。其次，引入了多尺度特征自适应加权融合方法（Multi-scale Feature Adaptive Fusion，MFAF），构建信息表达更充分的特征图，实现了目标语义与空间位置的精确表征。【结果】本文在HRSC2016数据集上进行了对比实验，结果表明，本文算法的检测精度mAP值达到了96.8%，相较于基线模型YOLOv8提升了1.3%，且检测精度和效率均优于现有主流舰船目标检测算法；在基础网络中添加SC-GCT以及MFAF模块后，mAP值分别提升了0.7%和1.1%，验证了本文算法中各模块的有效性。为进一步验证本文算法的实际应用价值，选取横须贺港、旅顺港、梅波特港等不同真实港口场景下的遥感影像测试，结果表明算法在复杂真实环境中仍能保持稳定性能。【结论】本文算法有效提升了舰船目标检测精度，在复杂背景舰船检测任务中具有良好的实用性与泛化性。

【目的】城市化进程中，考古遗址保护面临挑战，而传统预测模型在复杂地形下精度不足，为解决此问题，本研究旨在通过融合遥感影像纹理特征与传统环境因子，探索提升考古遗址预测精度与效率的新方法。【方法】本研究整合ASTER GDEM、OpenStreetMap、Sentinel-2及Sentinel-1 SAR等多源数据，提取高程、坡度等12项环境因子与9类基于灰度共生矩阵的纹理特征，分别构建频率比（FR）、最大熵（MaxEnt）和随机森林（RF） 3种预测模型。通过频率比揭示古人选址偏好，利用最大熵与随机森林分析各环境因子对遗址分布的重要性贡献，并采用ROC曲线下面积（AUC）评估整体模型精度，使用增益（Gain）指标分析不同概率区空间分布的预测效能。【结果】以西安市为实验区，融合遥感纹理特征对不同模型的性能影响各异，随机森林模型对纹理特征利用最充分， AUC值从0.85提升至0.86；而最大熵和频率比模型的AUC值则无显著变化。在空间分布预测性能上，随机森林模型在较大面积区域（44.53%）内实现了高效识别（92.56%的遗址识别率），其在较高概率区（5级）的增益值从0.59显著提升至0.67； MaxEnt模型则在极小面积区域（0.1%）内实现了极高增益值（0.90）；频率比模型表现最弱，其在较高与高概率区的遗址数量仅占总遗址数量的7.79%，判别能力有限。【结论】研究证实，融合遥感影像纹理特征是提升考古预测精度的有效路径，但模型选择需服务于具体目标。随机森林最适合用于大范围、高效率的考古普查规划； MaxEnt在精确定位小范围、高准确性的核心遗址区时价值突出。本研究提出的多模型评估框架为不同考古目标下的方法选择提供了科学依据，对文化遗产的预防性保护具有重要实践意义。

【意义】多年冻土监测是合成孔径雷达干涉测量（Synthetic Aperture Radar Interferometry, InSAR）技术重要的应用领域之一。近年来，随着SAR卫星系统的升级、InSAR技术算法的发展以及多源遥感技术的深度融合，多年冻土监测InSAR监测应用取得了重要的进展，为监测和评估气候变暖背景下的冻土退化提供了有效的技术手段。【进展】本文系统梳理了InSAR冻土监测研究的创新性进展，并挖掘其学科交叉潜力。介绍了常用的合成孔径雷达（Synthetic Aperture Radar, SAR）卫星系统，InSAR方法的基本原理与发展，梳理了已有多年冻土研究区的地理分布特征及多年冻土InSAR领域文章数量统计。全面评述了InSAR在冻土形变监测、物理机制驱动模型构建、形变预测及活动层厚度反演中的前沿成果，重点探讨了如何通过融合多模式雷达遥感与冻土模型突破干涉失相干、冻土参数建模不完善等长期瓶颈问题。【展望】面向多年冻土区可持续发展需求，分析了InSAR研究多年冻土在深度学习、多源数据融合以及多年冻土地区的可持续发展评估等方面的发展趋势。本文不仅为冻土InSAR研究提供了方法集成与挑战应对的路线图，也为北极工程安全、生态系统稳定性评估等重大应用研究奠定了技术理论基础。

【目的】无监督变化检测是合成孔径雷达（Synthetic Aperture Radar，SAR）影像信息提取领域的研究热点之一。然而，现有研究通常使用单一方法获取伪标签，致使伪标签可靠性不足。此外，现有方法主要利用多时相影像的空间域特征提取变化信息，在空间-频率双域特征融合利用方面的探索研究较少。为此，本文提出了一种基于Mamba的空间-频率双域特征融合UNet模型，用于SAR影像无监督变化检测。【方法】首先，该方法利用本文提出的差异影像分割-聚簇融合的伪标签生成方法，获得高质量的伪标签样本数据，以克服深度学习变化检测模型对人工标注样本数据的依赖。然后，构建了基于Mamba和小波卷积的空间-频率双域特征融合UNet变化检测模型，用于提取变化信息。该模型一方面利用Mamba高效提取全局特征，并与卷积网络提取的局部空间特征相融合，另一方面利用小波卷积增强频率域特征提取，进而在类UNet模型上采样过程中实现空间-频率双域特征的互补融合。【结果】为了验证本文提出方法的有效性，在2个SAR影像数据集上进行了实验，并与传统方法和深度学习方法进行了定性和定量比较。与前述对比方法中最好的变化检测结果相比，本文方法在2个数据集上的平均F1_Score提高了2.35%， Kappa系数提高了2.65%，有效提高了变化检测结果的可靠性。【结论】本文提出的方法有效提高了SAR影像变化检测的自动化程度和变化检测结果的可靠性，可为环境监测、城市扩张和灾害评估等研究提供技术支撑。

【目的】矿产资源是人类生存和经济发展的重要物质基础，开展矿山监测、建立矿山监测模型对矿产资源的高效开发和矿区环境保护具有重要意义。针对露天矿区背景复杂、目标尺度多样且小目标聚集的特点，本研究旨在构建兼顾监测精度与效率的轻量化模型，以提升矿区目标地物监测的准确性和效率。【方法】现有遥感数据集存在的样本单一、地域局限等问题，因此本文基于0.9 m天地图与1.8 m谷歌影像构建了不同气候背景、大范围和多种地物的六大露天煤矿基地OMTSFD（Open-pit Mine Typical Surface Features Dataset）数据集，提出改进的YOLO11-DAE算法进行模型训练与验证。首先，在骨干网络和特征金字塔中引入C3K2-DBB模块以增强多尺度特征捕获能力；其次，采用ADown模块替换网络下采样卷积，增强了模块对不同特征的表征能力，减少了低对比度场景的细节丢失；最后，采用E_Detect高效检测头降低模型复杂度和参数量，实现模型轻量化。【结果】实验表明，YOLO11-DAE的每秒帧数（Frames Per Second， FPS）为528.100，模型推理速度较快，精确率（Precision，P）、召回率（Recall，R）、综合评价指标（F1-Score， F1）、平均精度均值（Mean Average Precision， mAP）分别达到0.932、0.894、0.913和0.950，显著优于YOLOv5n、YOLOv8n和YOLOv10n算法，相较于YOLOv11n各项指标分别提高7.600%、10.000%、8.800%、8.000%。【结论】YOLO11-DAE算法能够满足矿区实时监测，并适用于多尺度、多背景等复杂场景的目标识别，实现了高精度、低漏检率的监测目标，达到了模型可应用性与实时性的平衡。

【目的】传统光学遥感变化检测方法步骤繁琐、自动化程度低，而深度学习变化检测方法具有启发继承式特征表达能力，可自动学习变化模式、实现端到端变化检测，显著提升变化检测算法的精度与自动化程度，是遥感大数据时代主流变化检测方法。然而，高分遥感影像地物时空分布复杂度高，现有深度学习变化检测方法往往采用孪生编码器架构提取多时相影像特征并通过特征差值方式提取差异信息，导致差异信息建模能力不足且容易受到复杂背景、阴影和光照等因素干扰。【方法】针对以上问题，本文提出一种基于多尺度差异特征增强的全卷积变化检测网络(Multi-Scale Differential Feature Enhancement Network，MSDFENet)，MSDFENet采用孪生编码器架构从双时相遥感影像中提取多尺度特征，通过引入非对称部分双卷积模块（Asymmetric Partial Double Convolution，APDC）降低参数数量、减少冗余信息。进一步地，通过差分运算提取差异特征以捕捉变化信息的多尺度细节。在解码阶段，设计多尺度特征注意力模块（Multi-scale Feature Attention， MSFA），通过引入空间坐标注意力机制实现深层语义特征与浅层几何特征的协同优化。最后，通过渐进式上采样逐级恢复变化区细节信息，并利用简单卷积层输出变化图。【结果】为验证本文方法的有效性，在 LEVIR-CD、CDD和WHU-CD数据集上与主流深度学习变化检测方法进行对比实验与分析，定量结果表明，MSDFENet在3个数据集上均取得更优精度指标，其F1分数分别达到90.68%、94.65%和91.64%， IoU分别达到82.96%、89.78%和84.56%。目视结果显示MSDFENet可有效抑制复杂背景干扰，提高边缘定位精度，取得最优目视效果。模型复杂度分析表明，MSDFENet实现了精度与效率的最佳平衡。【结论】本文提出的MSDFENet可有效增强差异特征表达，在有效抑制复杂背景噪声干扰的同时，显著提升多尺度变化捕捉能力、改善变化检测效果。

【意义】影像匹配是完成多景影像空间位置对齐的方法和过程，而自动化影像匹配是现代摄影测量与遥感数据处理中关键的一环。【进展】随着对地观测技术的发展和多源遥感数据获取能力的提高，综合协同处理多源数据的能力需求推动多模态遥感影像的匹配技术研究不断深入，近年来基于深度学习的思想深刻影响了影像匹配领域技术的发展。本文在介绍传统遥感影像匹配框架的基础上，分析了多模态遥感影像的类型、特点与匹配难点，重点论述了针对多模态遥感影像不同深度学习方法研究的新进展，并分析了其优缺点，归纳总结了目前适应多模态遥感影像匹配任务的数据集，对深度学习方法在多模态遥感影像匹配中的发展成果和当前挑战进行了总结。成果方面，该领域算法在高效、鲁棒和精度上显著提升，多模态融合策略和多种创新框架与模型推动了研究发展并反映了该领域从模块化适配到整体建模的转变，揭示了数据驱动的表征学习与几何推理的更深度融合。但当前研究仍存在显著瓶颈，多模态差异方面，异构性严重制约匹配效能，模型泛化能力不足；数据与计算层面，高质量标注数据稀缺、计算资源需求大；工程部署层面，算法实战能力欠缺，误匹配剔除困难，模型在混合模态数据处理中泛化性差。【展望】最后对多模态遥感影像深度学习匹配方法领域的发展趋势与未来展望进行了深入探讨，包括模态无关的设计、物理信息约束的网络架构以及适应复杂环境的轻量化方案等。