【目的】 现有的语义变化检测方法对于遥感影像的局部和全局特征利用不足，且忽略了不同时相间的时空依赖性，导致土地覆盖语义分类结果不精确。此外，检测的变化对象存在边缘模糊问题，检测结果和实际变化区域的一致性有待提升。【方法】 针对这些挑战，受具有长序列处理能力的视觉状态空间模型（Vision State Space Model， VSSM）启发，本文提出了一种融合卷积神经网络（Convolutional Neural Networks， CNN）与VSSM的语义变化检测网络CVS-Net。该网络有效结合了CNN的局部特征提取优势与VSSM捕捉长距离依赖关系的能力，并嵌入基于VSSM的双向时空关系建模模块以引导网络深入理解影像间的时空变化逻辑关系。此外，为增强模型对变化对象边缘的识别精度，提出了边缘感知强化分支，通过联合拉普拉斯算法和多任务架构自动集成边界信息，增强模型对于变化地物的形状模式的学习能力。【结果】 在SECOND和FZ-SCD数据集上，将本方法与HRSCD.str4、Bi-SRNet、ChangeMamba、ScanNet及TED五种主流的SCD方法进行对比。实验结果显示，本方法的语义变化检测性能优于其他对比方法，验证了本方法的有效性。在SECOND数据集上实现了23.95%的分离卡帕系数（Sek）和72.89%的平均交并比（mIoU），在FZ-SCD数据集上的SeK达到23.02%， mIoU达到72.60%。消融实验结果中，随着在基础网络中添加各模块， SeK值逐步提升至21.26%、23.04%和23.95%，证明了CVS-Net中各模块的有效性。【结论】 本方法可有效提升了语义变化检测的属性和几何精度，可为城市可持续发展、土地资源管理等应用领域提供技术参考和数据支撑。

【目的】 基于模型驱动的机载LiDAR建筑物点云三维模型重建依赖于建筑物点云与预定义基元间的拟合，受建筑物点云密度不均与噪声影响，基元拟合过程中在结构细节上极易产生误差，导致模型重建结果的精度较低。为提高模型重建的精度，本文提出了联合序列二次规划及高程步长校正的机载LiDAR建筑物点云三维模型重建方法。【方法】 首先，建立一个含有经典屋顶结构的基元库，包含简单屋顶、复杂屋顶以及阶跃型屋顶，并结合各屋顶面片间的邻接关系与脊线属性构建邻接矩阵，根据邻接矩阵在基元库中选取最佳匹配的基元；其次，通过序列二次规划算法计算基元形状参数，获得在全局最佳拟合状态下的参数配置，得到初始的建筑物三维模型，通过旋转、平移建筑物模型来校正其与建筑物点云在三维空间中的相对位置；最后，利用城市地理标记语言(City Geography Markup Language, CityGML)储存结构清晰、拓扑正确的建筑物三维模型。【结果】 选取Building3D数据集中10组经典的建筑物点云用于建筑物三维模型重建实验，将本文方法与现有相同基于模型驱动方法的重建结果进行对比，并使用经典的精度评定指标对结果进行定量分析。所选用实验数据对应的目标函数平均值为0.32 m，相较于对比方法精度提升0.03 m，建筑物基元与建筑物点云的水平平均偏差为0.10 m，竖直平均偏差为0.04 m。【结论】 本文通过序列二次规划算法求得的最佳形状参数可构建拓扑完整，形状规则的建筑物三维模型；以屋顶点云平均点间距为步长的高程梯度校正可以有效提高建筑物三维模型重建精度。

【目的】 精准可靠的逐日卫星降水产品（Satellite Precipitation Product， SPP）是气象和水文研究中不可或缺的基础数据源。然而，现有逐日SPP存在局部降水细节捕捉不足、部分地区误差较大等问题，导致降水空间刻画不清、预测精度不高。【方法】 基于此，本研究提出一种精准捕捉降水空间异质性的加权堆叠遥感日降水产品质量提升方法（Spatial Heterogeneity Weight Stacking， SHW-Stacking）。该方法首先耦合特征重要性与非线性相关性进行自适应特征优选，然后利用高斯混合聚类获得描述日降水空间异质性的同质子区，最后构建加权堆叠机器学习模型融合SPP与站点数据以获得高质量降水产品。【结果】 选取中国区域2016—2020年逐日IMERG降水数据为研究对象，将SHW-Stacking与基于传统分区的类别型梯度提升（TC-Catboost）、5种经典机器学习方法（Catboost、lightGBM、XGBoost、RF、ELM）和原始SPP进行比较。 结果表明，SHW-Stacking能够准确再现实测降水空间分布，其多时间尺度性能均表现最优，在日、季和年尺度上MAE分别至少降低4.6%、3.1%和2.7%， KGE分别至少提高3.4%、1.9%和2.0%，且在降水强度大于1 mm/day时对降水事件的捕捉能力明显优于其他对比方法。此外，聚类分区因素贡献度仅次于IMERG，其作为首要和次要影响因子的天数占比达39.6%和33.9%，凸显空间异质性对降水融合的关键作用。【结论】 SHW-Stacking能够有效捕捉局部降水细节，精确刻画降水空间分布，为精细化降水数据生产提供了一种切实可行的思路和方法。

【目的】 深度卷积神经网络(DCNNs)已经成功应用于高分辨率遥感图像的语义分割，但高分辨率遥感图像普遍存在类内方差大，类间方差小、目标尺度变化显著等问题。卷积运算因其局部性，在处理这些复杂问题时受到了限制。基于Transformer的方法则拥有强大的全局信息建模能力，但在局部信息的提取方面存在缺陷。【方法】 本文提出一种增强多尺度目标感知的双路径高分辨率遥感图像分割算法DMFPNet，模型采用基于DCNN和Transformer的非对称双编码器结构。首先，基于深度卷积构建可变通道空间金字塔模块（SCSP），动态提取融合多通道信息。其次，提出一种多尺度特征增强Transformer模块，通过特征锚点预处理，为模块提供空间偏置信息，同时在自注意力机制中构建可学习余弦相似矩阵，引导模块聚焦图像中不同尺度的目标。最后，构建了一种双边特征引导融合模块(BFGF)，实现2条分支之间不同尺度特征的融合与信息交换。【结果】 本文在Vaihingen和Potsdam数据集上进行了对比实验与消融实验，结果表明：本模型在Vaihingen数据集上分别获得了83.29%、90.65%、 91.69%的平均交并比（mIoU）、mF1（mean F1-Score）和OA（Overall Accuracy），在Potsdam数据集上获得了73.29%、83.98%、88.47%的mIoU、mF1和OA；相较于本文所对比的最佳方法，mIoU在Vaihingen和Potsdam数据集分别提升0.76%和1.42%。【结论】 证明了本模型在解决高分辨率遥感图像语义分割中类内类间方差变化大、目标尺度多变等复杂问题方面具有良好的性能和较高的分割准确性。

【目的】通用基础模型展现出的优秀泛化能力使其成为了人工智能领域的热门课题，然而受制于遥感影像的特殊性，这些基础模型无法直接应用于遥感视觉任务。此外，现有的变化检测方法往往依赖于大量的人工标注样本，缺乏对现有矢量数据的有效利用，无法满足高效自动化检测的要求。针对这些问题，本文提出了一种自上而下的变化检测方法，挖掘基础模型和矢量数据中的宝贵信息以减少人工参与。【方法】首先，使用改进的简单线性迭代聚类（Simple Linear Iterative Clustering, SLIC）算法，以矢量边界为约束对同一区域的双时相影像进行分割与标注，分别生成训练与测试数据。随后，利用CLIP (Constrastive Language-image Pre-training) 模型的泛化推理能力来纯化训练数据；接着，利用基于通道注意力机制的双线性神经网络(Channel Attention Bilinear Convolutional Neural Network, CAB-CNN)进行细粒度场景分类；最后，结合变化规则和后处理方法来识别变化的矢量图斑，并使用SAM（Segment Anything Model）对变化图斑进行细化。为了验证方法的有效性与普适性，本文选取两块区域作为研究对象进行定量实验： ① 江苏省扬州市广陵区，数据包含2022年和2023年的遥感影像以及2022年的土地利用矢量； ② 江苏省无锡市惠山区前洲街道，数据包含2018年和2020年的遥感影像以及2018年的土地利用矢量。【结果】本文方法在广陵区达到了86.47%和90.46%的准确率与召回率，较基于变化像元统计的方法提升了6.28%和7.90%。前洲街道研究区上的准确率与召回率分别达到了89.75%和91.37%，较基于变化像元统计的方法提升了8.65%和6.79%。【结论】本方法能够利用现有的矢量数据与基础模型，在大幅减少人工成本的情况下，定位变化的矢量图斑并对其进行细化，对于诸如耕地“非农化”检测、违法用地检查、林地覆盖调查等需要检测变化并更新图斑的任务提供了一定的辅助作用。

【目的】针对现有遥感影像建筑物提取模型中因冗余导致的特征表示能力差、建筑物边界不清晰及微小建筑物丢失问题。【方法】提出一种细节增强与跨尺度几何特征融合网络DCS-Net，由信息解耦与聚合模块（IRDM）、局部互相似性细节增强模块（LMSE）和引导小目标推理的跨尺度几何特征融合模块（CGFF）组成。IRDM模块通过分配权重将冗余特征分离并重构，从空间和通道2个维度抑制冗余，促进有效特征学习； LMSE模块通过动态选择窗格以及编-解码特征之间的局部互相似性指定像素聚类，提升建筑物边缘信息的准确性和完整性； CGFF模块计算原始图像与不同语义级特征图间的特征分块关系，补偿信息损失以提升微小建筑物的提取性能。【结果】本文的实验基于2个公开数据集： WHU航拍数据集和Massachusetts建筑物检测数据集。实验结果表明，与UNet、PSPNet、Deeplab V3+、MANet、MAPNet、DRNet、Build-Former、MBR-HRNet、SDSNet、HDNet、DFFNet、UANet等现有建筑物提取算法相比，DCS-Net在各项评价指标中得到了显著提升，验证了所提方法的有效性。在WHU数据集上的交并比、 F1值和95%HD达到92.94%、96.35%和75.79，对比现有最佳算法分别提升了0.79%、0.44%和1.90；在Massachusetts数据集上的指标为77.13%、87.06%和205.26，分别提升了0.72%、0.43%和13.84。【结论】DCS-Net能更为准确完整地提取出遥感影像中的建筑物，并显著缓解微小建筑物丢失的问题。

【目的】无人机及卫星遥感技术已经被成功地应用在土壤有机碳等属性的估算研究，但对土壤质地的估算相对较少，因此开展该方面的研究具有重要的应用价值。本研究以青海湟水流域互助县卓扎滩村、湟中区拦隆口镇泥隆口村和鲁沙尔镇白土庄村3个田块为研究对象，探索了无人机和卫星遥感技术在田间尺度上估算土壤质地含量的应用潜力。【方法】基于无人机平台分别搭载2台高光谱相机对各农田土壤进行无人机成像、利用地物光谱仪收集土壤野外原位光谱、采集土壤样品，共获得2022—2024年838份土壤样品；此外，获得相近时间的GF1/2/7 (Gaofen1/2/7)、Sentinel-2 A和ZY1-02D (Ziyuan 1-02D)影像数据；实验室测试各样品的土壤粒径并采集土壤室内光谱数据。在上述数据的支持下，利用XGBoost (Extreme Gradient Boosting)方法分别对土壤质地含量与实验室、野外原位、无人机、GF、ZY1-02D和Sentinel-2光谱进行统计建模与估算，进一步对土壤质地含量进行空间分布制图。【结果】① 在XGBoost方法的模型结果中，无人机影像光谱的最优模型精度RPD为2.441，GF1/2/7、ZY1-02D和Sentinel-2卫星影像的最优模型精度RPD分别为1.815、1.601和1.561； ② 基于无人机和卫星影像的估算精度要低于地物光谱仪测得的光谱估算精度，具体为：实验室光谱>野外原位光谱>无人机影像光谱>GF1/2/7卫星影像光谱>ZY1-02D卫星影像光谱>Sentinel-2卫星影像光谱；在土壤质地含量的估算结果中，黏粒含量的精度最高， RPD最高可达2.70，粉粒次之，RPD为2.24，砂粒含量的精度最低， RPD为1.91； ③ 砂粒和黏粒含量与土壤光谱反射率呈现出负相关关系，而粉粒含量则呈正相关关系，砂粒、粉粒和黏粒的敏感波段主要集中在近红外波段范围（780~2 400 nm）； ④ 砂粒、粉粒和黏粒的含量在3年内变化较小，表现出相对稳定的状态，3个田块通过制图结果得到的土壤质地含量主要为：67%<砂粒≤83%、10.6%<粉粒≤19.1%和3.2%<黏粒≤6.6%。【结论】对田间尺度来说，无人机影像是土壤质地含量制图的最佳数据源，能够有效服务于精准农业管理，而GF1/2/7与ZY1-02D卫星影像基本满足质地制图的要求， Sentinel-2卫星影像对田块尺度制图则较为粗糙。

【目的】 干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】 使用InSAR技术和CNN-BiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory, BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】 模型估计值与俄博岭实测数据验证的RMSE为0.065 m，与2018—2020年青藏高原活动层变化数据验证的RMSE分别为0.697、0.639和0.776 m，结果表明模型具有较高的精度。【结论】 本文方法为监测多年冻土区活动层厚度提供了新的思路。

【目的】 针对可见光和红外遥感影像之间因灰度差异大、存在非线性辐射畸变等原因所造成的二者匹配困难问题，设计了一种融合跳跃连接网络与双重注意力机制的可见光与红外遥感影像匹配方法。【方法】 首先，利用卷积神经网络提取异源影像的多尺度特征，并进行特征聚合，通过部分可微分的关键点检测模块实现异源影像特征点提取；然后，利用跳跃连接的深度卷积神经网络对以关键点为中心的64像素×64像素大小的图像块构建256维局部深度特征描述符；最后，通过融合自注意力与交叉注意力机制的图神经网络实现可见光与红外遥感影像的准确匹配。【结果】 在Five-Billion-Pixels数据集与自制数据集上进行联合训练，并在城市、农田、沙漠、戈壁场景开展了异源遥感影像匹配实验，与SURF+暴力匹配方法、D2-Net、SuperPoint+SuperGlue、RIFT、CNN-Matching进行对比，结果表明该方法在城市、农田、沙漠、戈壁场景下的平均正确匹配率达到85.95%。其中，在纹理丰富的城市场景平均匹配正确率比效果较好的RIFT和SuperPoint+SuperGlue方法分别提高了5.92%、4.99%；农田场景下匹配正确率较第二名D2-Net方法提升了8.1%；沙漠、戈壁场景下匹配准确率较第二名SuperPoint+SuperGlue分别提升了3.34%、3.79%。【结论】 该方法在可见光与红外遥感影像上匹配正确率较高，为二者在灾害预警、环境监测及辅助无人机定位等方面的实际应用提供了技术支持。

【目的】 异源影像变化检测是遥感领域的研究热点，现有研究通常先把异源影像通过域迁移方法得到伪同源影像，再从伪同源影像中提取变化信息，存在异源影像中地物特征的互补信息利用不充分问题。本文围绕域迁移得到的多时相异源影像对（每个时相都有一对异源影像）开展变化检测，为解决多时相异源影像对的时相-空间-频谱联合特征融合提取，并在无标注样本情况下进行无监督变化检测等极具挑战性的问题，提出了一种联合混合卷积网络和相似性评估的异源影像无监督变化检测方法。【方法】 首先利用本文提出的基于斑块相似性评估的伪标签样本数据集生成方法，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，构建了融合异源影像的2维、3维混合卷积神经网络模型，用于提取变化信息。【结果】 该模型不仅可充分利用异源影像之间的特征互补优势，还可有效提取多时相异源影像对的时相-空间-频谱联合特征，可在伪标签样本数据驱动下实现无监督变化检测。为了验证本文提出方法的有效性，在基于循环一致生成对抗网络获取的多时相异源影像对数据上进行了实验，包括曙光和格洛斯特数据集，并与传统方法、深度学习方法和本文方法的消融方法进行了定性和定量比较。【结论】 本文方法通过样本数据的无监督选取，提高了异源影像变化检测的自动化程度；同时，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2.54%，有效提高了变化检测结果的可靠性。

【目的】 高分辨率遥感图像具有丰富和精细的空间信息，但其丰富的细节却模糊了不同土地覆盖类型间的界限，增加了分割的模糊性和不确定性。针对遥感图像分割领域的这一问题，本文提出一种改进区间二型模糊神经网络的新型遥感图像分割方法。【方法】 该方法通过引入空间邻域信息及模型混合策略，构建混合回归隶属函数，实现对数据复杂特征的精细表达，以提升模型的适应性和特征提取能力；通过构建混合回归隶属函数的不确定区域来映射模糊和不确定的遥感数据特征，提高模型的鲁棒性；使用全连接神经网络结构进行特征整合，进一步增强模型的学习能力，同时引入焦点损失函数缓解类别不平衡问题的影响。【结果】 在WHDLD和Potsdam数据集上进行的地物类别分割实验中，提出方法的分割精度优于DeepLab v3+和UNet++，与区间二型模糊神经网络方法相比，总体精度平均提升了8.31%和10.48%，Kappa值提升14.07%和14.59%，F1-score提升16.36%和12.31%。【结论】 实验结果表明，提出方法成功应对了遥感图像分割中的模糊性和不确定性，有效缓解了土地覆盖分割中区域噪声造成的影响，具有分割精度高、泛化能力强等特点。

【目的】探究利用时序形变分形特征识别高山冰川区滑坡的方法并分析其适用性。【方法】基于查莫利滑坡及其相邻冰川的形变时间序列描述其斜率（平均形变速率）及分形特征差异，利用聚类分析区分滑坡区域与冰川并进行影响因素分析。【结果】与冰川相比，滑坡的形变时序具有较高的分形维数和较低的分形拟合优度。虽然滑坡与冰川在形变时序的斜率（平均形变速率）上也存在较大差异，但仅使用形变速率难以对滑坡进行聚类识别，准确率仅为61.70%；而使用形变时序的分形指标（包括分形维数和分形拟合优度）可将聚类分析的准确率显著提升至近84.00%。基于形变时序分形特征进行高山冰川区滑坡识别的适用性，根本原因在于滑坡和冰川在物质组成、影响因素和发展演化等方面存在差异。相较冰川，滑坡物质组成更复杂、更易受多种因素影响、形变时序的波动性更强。【结论】利用形变时序分形特征能够成功识别高山冰川区滑坡，在全球变暖背景下，该方法预期可为高山冰川区的滑坡识别、进而为高山冰川区的防灾减灾提供一定的支撑。

【目的】基于合成孔径雷达(SAR)影像的舰船检测已广泛用于海洋搜救、港口侦察、领海防御等领域。然而，随着在轨智能处理技术的快速发展，对星载SAR影像舰船目标的实时检测能力提出了更高的要求。【方法】因此针对当前SAR影像舰船目标尺度多样，靠岸船只背景复杂，各类遥感平台硬件资源受限等问题，本文提出了一种轻量级SAR影像舰船检测模型LWM-YOLO。首先，采用优化骨干网络结合注意力机制降低网络复杂度及参数量，提出一个轻量化骨干网络（LWCA）；其次，针对解决目标尺度多样问题，构建了一个轻型特征融合模块（LGS-FPN），在增强SAR影像中舰船目标细节信息提取能力的同时减少计算复杂度；然后，为优化定位精度，提出基于MPD-Head的检测架构，提升复杂环境中微小舰船目标的检测效果；最后，在LS-SSDD和SSDD舰船目标检测数据集上，将本文算法与主流算法进行对比实验。【结果】实验结果表明，本文提出的算法平均精度值（mAP）分别达到了74.7%和97.3%，较基础模型提升了1.5%和1.0%。同时，本文所提算法参数规模缩减至原模型的36%，计算复杂度降至80%。【结论】与其他方法相比，本文提出的算法不仅在精度上有所提升，而且在检测速率上也具有显著优势。这一研究成果可为智能化目标检测、空间在轨应用等领域提供有力支撑。

高分辨率遥感图像中存在物体视觉特征模糊和同物异谱的问题，在单一模态下对相似地物和阴影遮挡的地物分割较为困难，因此本文提出了一种基于多模态特征提取与层级感知的遥感图像分割模型。本文引入了多模态特征提取模块来提 取不同模态的特征信息，并通过坐标注意力机制充分融合不同模态的特征。抽象特征提取模块采用具有双路径瓶颈块的MobileNetV3作为主干网络，并引入了层级感知网络来提取深层次的抽象特征，通过嵌入像素的场景感知来改进注意力机制，实现高效且准确的类级上下文建模。解码部分设计了多尺度聚合双重融合，将低级特征与高级抽象语义特征相结合，利用逐步上采样实现特征恢复。本文基于ISPRS Vaihingen和Potsdam数据集上的高分辨率遥感图像，实验结果表明： ① 在包括C3Net、AMM-FuseNet、MMFNet、CMFet、CIMFNet和EDGNet在内的一系列对比模型中，MFEHPNet在各项性能指标上得到了显著提高，验证了遥感图像的语义分割性能； ② MFEHPNet在ISPRS Vaihingen和Potsdam的总体精度为92.21%和93.45%、平均交并比为83.24%和83.94%、Kappa为0.85、频率加权交并比为89.24%和90.12%，显著提高了遥感图像的语义分割性能，能有效解决分割中的特征边界模糊和同物异谱等问题。

隧道断面的精确提取是隧道形变分析中的一个关键环节，然而，隧道内部复杂的形状和环境使得点云处理算法变得复杂，传统的断面提取与变形分析算法已经不适用于点云数据，因此亟需更高效和更鲁棒的算法。针对这一问题，本文提出了一种基于点云数据的隧道断面连续提取方法。首先，引入结合随机样本一致性（Random Sample Consensus，RANSAC）圆柱拟合与半径滤波的方法，以有效滤除离群点及附着在隧道壁上的噪声点；接着，通过双向投影获取隧道中轴线，并根据“与隧道中轴线正交旋转的直线相交于隧道壁”建立数学模型，从而实现对隧道点云断面的连续提取；最后，以断面点的拟合圆心坐标和设计半径为参数计算隧道的形变量，并通过可视化渲染直观展示隧道整体变形情况。为证明本文方法的有效性，实验选取了成都市某地铁线路三段地铁隧道的激光点云数据，结果表明，该方法滤除噪声时I类误差、II类误差和总误差均值分别为1.48%、1.03%和1.21%，Kappa系数达到97.45%。相比传统的最小二乘法、密度聚类法以及法向偏差法，本方法的3类误差之和分别降低了9.34%、10.61%和4.41%，Kappa系数则提高了5.36%、6.38%和3.65%。这充分展现出本方法更优越的鲁棒性和准确性；此外，该方法所提取出的隧道断面拟合半径与设计半径的偏差均值低至1.36 mm。相比目前的1.60 mm方法及6.00 mm方法，本文方法的偏差均值分别降低了2.5 mm和2.7 mm。而求得隧道形变量范围在0~18 mm之间，同时通过点云渲染方式直观展示了隧道整体变形情况。本研究的方法为隧道安全监测工作提供了可靠依据和基础支持。

我国是受地质灾害影响最大的国家之一，研究高精度、高可靠性的滑坡形变监测与预测方法对于防灾减灾工作具有切实意义。以三峡库区藕塘特大滑坡为例，针对时序InSAR技术滑坡形变提取过程中面临大气干涉效应问题，在时序InSAR滑坡形变提取中引入GACOS进行大气校正，并通过GNSS观测数据进行验证对比；针对滑坡形变预测前较少考虑时空分析的问题，计算莫兰指数、Hurst指数分析滑坡形变时空特征；针对滑坡形变不仅受历史形变影响，还与多种影响因子密切相关的问题。本文提出将滑坡影响因子与形变量耦合用于滑坡形变预测，并采用结合变分模态分解（Variational Mode Decomposition, VMD）和麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的长短期记忆网络（Long Short-Term Memory, LSTM）模型进行预测。通过VMD分解滑坡位移数据为趋势项、周期项和随机项，构建LSTM网络结构并使用SSA寻找LSTM模型最优的隐藏单元数目、最大训练周期和初始学习率，同时通过数据归一化、正则化和模型评估等方法提升LSTM模型的性能和稳定性，最后利用影响因子与分解后的位移数据训练LSTM模型并完成预测，得到滑坡形变的预测结果。结果表明： ① 2021年1月—2023年6月藕塘滑坡形变最高与最低速率分别为-72.75 mm/a、50.74 mm/a； ② 研究区形变具有正向空间自相关性、沉降区域滑坡形变具有持续趋势； ③ 结合VMD和SSA优化的LSTM模型滑坡形变预测误差仅为0.37 mm，较LSTM的精度提升了11.004%。本文基于时序InSAR技术，结合时空分析结果，构建了一种耦合多个影响因子与滑坡形变的高精度预测模型，为滑坡灾害的防治提供了重要的参考依据。

识别城市黑臭水体对于水环境整治、城市水生态保护具有重要作用，小微黑臭水体因其规模小、分散性强、流动性差、污染源复杂等特点采用传统遥感技术难以识别。本文为提高小微黑臭水体识别精度，提出一种基于高分影像的综合遥感“识别算法-识别标志”协同识别技术。以河北省保定市14个建成区小微黑臭水体为实验区，选取2023年春季、夏季、秋季的GF-2遥感影像数据，利用波段比值法构建城市小微黑臭水体遥感识别模型，结合黑臭水体形成机理及成因分析，在GF-2影像上建立水体颜色、形状、纹理、次生环境、沟渠淤塞、岸线垃圾等遥感识别标志，综合识别算法和识别标志得到最终识别结果，利用“目测+无人机航拍+水质检测”的方式进行了精度验证。结果表明： ① 通过精度验证分析，黑臭水体点位识别精确率（P₁）为85.29%、灵敏度（P₂）为90.63%、准确率（P₃）为94.74%，黑臭水体面积识别精度（P₄）为91.19%，该方法可有效识别城市小微黑臭水体； ② 对比波段比值法和遥感识别标志所占权重可知，识别算法和水体颜色权重分别占比25.38%和21.11%，二者对城市小微黑臭水体识别起主要判识作用； ③ 遥感识别错误的小微黑臭水体占比17.1%，识别遗漏的小微黑臭水体占比8.57%，错分率、漏分率相对较低； ④ 对比春季、夏季、秋季同一水体特征表明，综合遥感识别技术能够较好地反映黑臭水体时空变化特征。在精度指标中，本研究的“算法-标志”方法较红绿波段比值法、差值法、WCI指数法等，点位识别精度至少提升1.88%，面积识别精度至少提升1.95%，说明该方法具有更好的识别精度，可为其它城市黑臭水体“长制久清”提供技术支撑。

滨海自然与人工湿地监测对水环境和自然资源保护具有重要意义。考虑水位变化等动态影响，湿地遥感监测涉及多时段影像合成、水位动态过程表征、不同区分度特征指数选择和聚类算法边界分割等技术难题。基于谷歌地球引 擎（Google Earth Engine，GEE）遥感云平台提供的Landsat卫星遥感数据，增加淹没红树林指数（Inundated Mangrove Forest Index，IMFI）等指标作为随机森林（Random Forest，RF）算法的特征变量，通过K-means方法进行自动聚类，将非监督分类与监督分类方法结合起来开发一种自然与人工湿地提取方法。面向粤港澳大湾区，采用生产者精度、用户精度、总体精度和Kappa系数评价基于长时序影像的滨海自然与人工湿地识别。结果表明： ① 相比现有指数，IMFI能更有效区分水域、养殖坑塘和滩涂； ② 通过协同增加的K-means分类结果与IMFI，以分割人工湿地和将滩涂聚类，能增强湿地类间、湿地与其他地物的区分性，方法可以有效解决湿地类间、湿地与水域间的错分与漏分问题； ③ 方法在粤港澳大湾区滨海区域分类的平均总体精度为89.23%，平均Kappa系数为0.873 1，在时间上波动小。整体上，该方法为高精度滨海自然与人工湿地动态监测预警提供技术支撑。

城市绿地是城市生态系统的关键组成部分，对改善生态环境和提高人居质量具有无法替代的作用。高精度的城市绿地识别是城市更新及绿色基础设施优化的基础，目前针对超大城市绿地的识别与空间异质性研究相对较少。本研究以西安市为例，结合城市街景图像与高分二号（GF-2）遥感影像，采用ISODATA分类、K-Means分类及卷积神经网络模型等方法，对绿地进行多维度、降尺度、高精度的识别与分析。结果表明： ① K-Means分类方法的识别精度（84.5%）显著高于ISODATA分类方法（62.4%），且更能准确映射绿地的空间特征与异质性规律， K-Means方法识别的绿地覆盖率为0.277 0，低于ISODATA的0.360 7； ② 西安主城区内街道平均绿视率为0.156 0，表明整体绿化水平良好，但不同道路存在明显的两极分化，其中30%的采样点的绿视率低于0.080 0；主城区整体呈现出高等级道路平均绿视率高于低等级道路的趋势，即主要道路>次要道路>干道>三级道路； ③ 西安主城区内街道绿视率与片区植被覆盖率整体呈现正相关，但在部分路段关联性较小，反映了街道地面纵剖面与天空俯视图的差异，二者结合可以更准确地评估和量化城市绿地。本研究可为西安市绿地规划、绿色基础设施建设和智慧管理提供一定借鉴，同时可为其他城市绿地的高精度识别与空间解析提供技术参考。

合成孔径雷达（SAR）影像船舶检测在海上监视、海上贸易和海上救援等领域有着广泛的实际应用价值，随着星上在轨自主处理发展的需求，对星上SAR影像船舶在轨实时检测提出了更高的要求。因此针对当前卫星硬件资源有限、SAR影像船舶目标特征尺度多样化、易受噪声干扰等问题，本文提出了一种复杂背景下轻量级SAR影像船舶检测算法。首先，采用FasterNet结合注意力机制提取目标的高低级特征；其次，为解决目标多尺度问题，构建了一种特征增强模块(FEM)，在增加感受野的同时，提高了目标检测能力；然后，构造结合特征增强的多尺度特征融合结构，将主干网络提取的多尺度特征进行增强和融合，加强不同层级特征联系的同时获取目标多尺度的上下文信息，并在输出特征图中进行SAR影像船舶检测；最后，在SSDD、HRSID以及二者合并的数据集上，将本文方法与主流算法进行对比实验。实验结果表明，本文方法平均准确率分别为98.6%、92.3%和93.0%，召回率分别为95.10%、85.10%和86.8%，模型尺寸和参数量仅为8.8 MB和4.2 M，均明显优于其他方法，并且查准率和检测速率也具有很大的优势，有利于迁移到实际的应用中。