【问题】在城市热岛效应加剧与极端天气频发的背景下，通风廊道已成为提升城市气候适应力的重要策略。然而，当前通风廊道识别方法普遍面临“精度-效率-尺度”之间的结构性矛盾：高精度方法如CFD难以适用于大尺度建成区，而高效率方法如LCP与CTM又缺乏风流物理一致性，难以有效刻画复杂风向下的风场响应结构。【方法】针对此问题，本文提出一种风势导向-双概率各向异性方法（Wind-Oriented Dual-Probability Method，WODP）。该方法创新性地借鉴水流模拟思路，通过融合主导风流与地表空间形态双重影响因素，以轮盘赌机制模拟风向扰动采样，在空间上生成风流路径网络，并进一步通过形态学骨架提取算法识别通风主轴。【结果】 WODP在多风向模拟中显著优于CTM与LCP方法，计算速度较CFD快1~2个数量级。武汉市中心城区实验证明，WODP方法在典型城市环境中能稳定识别高连贯性、高响应度的主通风廊道网络，一次模拟15 min，兼顾风流连续性与计算效率的同时，具备良好的尺度适应能力。WODP在识别通风廊道的同时，可基于风量分级实现廊道网络的多层级解析，揭示城市尺度主导通风骨架及其内部次级支廊与局地微通道，从而刻画可解释的城市通风格局。【结论】 WODP在高成本CFD与低物理一致性GIS方法之间提供了一种兼具物理可解释性与工程可用性的折中方案，为大范围、多风向的城市通风廊道识别、分级诊断与精细化管控提供了可推广的技术路径。本研究开发的风环境模拟工具可在以下网址获取： https://github.com/HPSCIL/Wind-Environment-Simulation-WODP。

【目的】车载摄像头在夜间、隧道等弱光环境下采集的图像往往存在亮度不足、强光干扰以及标注数据有限等问题，严重影响后续道路要素提取任务的性能。现有无监督低照度图像增强方法主要依赖单一颜色空间，缺少对强光过曝区域干扰的考虑，进而容易造成信息损失。【方法】为解决上述问题，本文提出了一种融合视觉语言基础模型Contrastive Language-Image Pre-training（CLIP）与多颜色空间的无监督低照度图像增强网络——Road Low-light Enhance Net（RoadLENet），可以在无需成对标注数据的条件下，抑制强光源干扰，有效提升低照度车载图像的亮度并恢复细节，为道路要素提取任务提供更高质量的输入。具体来说，本文基于HVI（Horizontal-Vertical-Intensity）颜色空间设计了过曝区域加权机制，降低强光区域学习权重，有效抑制干扰。在此基础上， RoadLENet利用高效频域注意力分别提取RGB（Red-Green-Blue）与HVI颜色空间的特征，在RGB分支中，本文改进光照曲线估计方法来保留更多颜色与纹理信息，通过融合2个颜色空间特征以降低伪影、抑制噪声与保持细节。引入CLIP引导的提示学习损失，保证增强结果语义一致性。【结果】大量实验结果表明， RoadLENet在公开数据集LOL、GladNet、LoLI-Street以及自建车载图像数据集等上均取得了显著的图像增强效果。在自建车载数据集上， RoadLENet的NIQE降至2.905 4，较次优方法降低了0.164 6， CLIPIQA达到最优的0.006 6，说明本文方法在感知自然度和语义一致性方面具有优势。定性可视化结果进一步表明， RoadLENet能够有效提升暗区亮度、保持道路要素细节，并抑制强光过曝区域对增强结果的干扰。此外，经RoadLENet增强后， DeepLabV3Plus在车道线和交通标识类别上的F1分数分别提升3.49%和5.66%，平均交并比提升6.11%。Unet对应指标分别提升3.28%、4.47%和3.63%。结果说明，本文方法不仅能够改善低照度车载图像的视觉质量，也能有效提升下游道路要素提取任务的可靠性。

【目的】海冰是海洋环境中的重要自然现象之一，在全球海域广泛分布，其形成对海洋生态、航运、能源开发等活动具有重要影响。海冰预测对于防灾减灾措施制定和风险评估具有重要意义。 【方法】针对海冰环境监测数据来源多样、时空分辨率差异显著的特点，本文建立了涵盖海冰密集度、海冰厚度、大气海洋环境要素等多维度信息的多源异构数据库。采用基于KDTree空间索引优化的k近邻反距离加权插值算法，将多源异构数据统一配准至0.25°×0.25°标准化经纬度网格，实现数据的时空一致性处理。通过系统化特征工程方法提取海冰演变的关键影响因子，包括时空特征、气象特征、海洋动力学特征等多维度变量。针对海冰系统的复杂非线性特征，结合LightGBM、XGBoost、Random Forest、CatBoost多种机器学习算法，构建融合原始特征的改进Stacking集成预测模型，实现海冰厚度与密集度的精准预测。 【结果】将上述方法应用于2021/2022年和2022/2023年冬季渤海海域，实验结果表明，改进Stacking集成模型在海冰密集度预测中R²达0.915 6，MAPE为8.45%；在海冰厚度预测中R²达0.892 3，MAPE为10.67%，显著优于传统单一模型和固定权重的投票集成方法。与最优单一模型LightGBM相比，海冰密集度预测R²提升24.32%，RMSE降低约89.79%；海冰厚度预测R²提升19.70%，RMSE降低约71.80%。 【结论】本研究构建的海冰预测框架突破了传统数值模拟和单一机器学习模型的局限性，为海洋环境智能监测和气候变化预警提供了理论基础和技术支撑。

【目的】高分辨率土壤湿度数据是精细化农业灌溉调度、干旱灾害监测及生态环境评估等气象业务服务的核心支撑数据，对提升区域尺度水文与气象过程研究精度具有重要意义。针对当前星载 GNSSR 土壤湿度反演主流分辨率集中在9~36 km，难以满足精细化应用需求的问题，开展高分辨率土壤湿度反演与降尺度研究。 【方法】以2022年和2023年CYGNSS卫星观测数据为基础，融合多源环境与地形因子，采用随机森林模型实现9 km分辨率土壤湿度反演；在此基础上，分别利用机器学习与图像超分2种降尺度方法，生成1 km分辨率土壤湿度数据。 【结果】与中国1 km分辨率逐日全天候地表土壤水分数据对比，XGBoost模型生成的1 km土壤湿度均方根误差为0.063 9 cm³/cm³，SRDIFF模型降尺度结果的均方根误差为0.071 3 cm³/cm³。 【结论】本文提出的先反演再降尺度框架，既可结合原始卫星数据与环境辅助数据产出优质高分辨率土壤湿度产品，又能在环境辅助数据缺失时，通过SRDIFF图像超分模型迁移应用生成高分辨率土壤湿度产品，对GNSSR高分辨率数据产品研制及区域精细观测与管理具有重要参考意义。

【目的】随着高分辨率遥感与智能算法的发展，农作物精细分类已成为提升现代农业管理的关键环节。 【方法】针对农作物精细分类中样本获取困难的问题，本研究以历史农田矢量数据与多源农作物栅格数据为基础，以Sentinel-2多季相影像为目标时相影像，提出一种基于波谱形状匹配与随机森林的样本纯化方法，用于目标时相影像的农作物分类。该方法首先基于历史农作物底图产品自动生成初始样本点，进而通过综合评估初始样本点的光谱聚集度以及对目标时相分类任务的置信度，对初始样本点进行筛选优化，最终得到多类型农作物纯化样本点。在波谱形状匹配的样本纯化阶段，通过DTW算法量化初始样本点光谱曲线与均值光谱之间的相似度，筛选出光谱特征集中且具有代表性的样本点；在随机森林样本筛选阶段，采用随机森林分类器评估样本点的分类置信度。 【结果】以四川省安宁河谷复杂农作物种植区和黑龙江省绥化市大田种植区为实验区开展实验，结果表明与采用初始样本点相比，样本纯化后2个实验区农作物分类总体精度分别提升14.18%与22.78%；DTW相似度阈值为60%，全生长季合成影像的农作物分类效果最优，与秋季合成影像相比总体精度提升22.83%；与现有3种样本纯化方法相比，本文方法在2个实验区的农作物分类总体精度分别为90.16%与93.16%，在复杂农作物种植区明显优于对比方法，表明本文方法在处理不同场景的农作物精细分类中具有鲁棒性。 【结论】本研究为利用现有农作物底图产品进行农作物精细分类提供了一种技术手段。

星载激光雷达全球生态系统动态调查（Global Ecosystem Dynamics Investigation，GEDI）在提取森林树高方面表现出很高的能力。针对现有GEDI树高产品无法实现空间连续的问题，协同多源遥感数据与深度学习方法反演森林树高。 协同GEDI产品与Sentinel-2数据，通过决策树方法对特征变量进行筛选，结合贝叶斯参数优化算法提出一种结合多尺度特征融合（Multi-scale，MS）和CBAM（Convolutional Block Attention Module，CBAM）注意力机制的卷积神经网络模型对森林树高进行反演，实现2022年思茅区森林树高区域制图。 ① 基于决策树方法筛选出对森林树高建模贡献度高的16 个特征； ② MS-CBAM-CNN（Multi-scale-Convolutional Block Attention Module-Convolutional Neural Networks，MS-CBAM-CNN）与支持向量回归（Support Vector Regression, SVR）、K最邻近（K-Nearest Neighbor, KNN）和多层感知机（Multi-Layer Perceptron, MLP）传统机器学习算法进行横向精度对比，实验结果得到R²分别为0.67、0.74、0.74和0.76， RMSE分别为3.52、3.12、3.11和3.00 m，表明MS-CBAM-CNN精度最高；③ 纵向消融实验进一步证明了多尺度特征融合和CBAM卷积注意力机制模块贡献主要性能增益，树高反演精度与未聚合2种模块相比R²从0.71提升至0.76， RMSE从3.31 m降低至3.00 m。 提出的方法能够有效实现森林树高的反演，为连续森林高度区域制图提供了新的技术支持。

【目的】 针对传统无人机影像深度估计和网格重建计算效率低，重建质量不佳等问题，本文提出一种融合TSDF与全局平面先验的在线深度估计和网格重建方法。【方法】 首先，利用历史帧深度融合的截断符号距离(TSDF)场光线投射出当前帧降采样的先验深度和法向图，在此基础上计算平面单应变换的多视图匹配代价提升大视差变化区域的匹配代价精度，在代价融合阶段考虑代价比策略剔除遮挡区域的误匹配代价提升融合代价准确性，最后使用半全局代价聚合算法获取降采样的初始深度图；其次，为了获取高分辨率深度图，在降采样初始深度基础上增量式融合全局平面信息，利用全局平面信息优化原始分辨率图像的匹配代价，提升弱纹理、重复纹理区域的深度精度，利用初始深度约束深度搜索范围降低代价计算和聚合耗时；最后，将优化后的深度图增量式融合到TSDF场提取表面网格。【结果】 通过4组典型区域的无人机影像数据对本文方法生成的深度图和网格进行定性和定量评价，结果表明本文方法能够生成精确、完整的深度图和表面网格。其中，本文方法生成的深度图和表面网格平均绝对误差分别小于0.232 m和0.196 m，相比于对比方法中精度最高的Mobile3DRecon，精度分别提升了19.2%和19.3%。此外，本文方法的平均单帧重建耗时较PatchmatchNet、 Mobile3DRecon分别降低了39.9%和32.1%，达到了优于1秒每帧的在线重建速率。【结论】 本文方法有效提升了弱纹理、重复纹理及大视差变化区域中深度估计与网格重建的精度和完整度，可以满足无人机影像在线重建的需求，对自然灾害应急响应等需要快速获取深度和网格的场景具有潜在应用价值。

【目的】 场景图生成（Scene Graph Generation）旨在构建描述目标实体及其交互关系的结构化图，是实现遥感影像高层语义理解的关键技术。然而，现有方法在面向旋转框密集目标场景（如停车场、停机坪）时面临严峻挑战。单阶段方法因依赖显式三元组查询在关系数量爆炸时模型鲁棒性差，且普遍缺乏旋转框支持；两阶段方法因先检测目标后判别关系的级联架构导致误差传播、参数量庞大难以实用化。【方法】 为突破上述瓶颈，本文提出首个面向旋转框目标的单阶段框架RotatedSGG。该架构首先集成自适应大核选择机制（LskNet），有效应对遥感影像目标尺度差异大的挑战，强化对多尺度目标及复杂上下文的感知能力。其次，摒弃显式查询，将全局关系隐式建模机制适配于单阶段旋转框目标检测器，高效鲁棒地建模密集旋转目标间的复杂关系。同时，创新性地将解码器输出的多个特征融合，构建中心点引导的关系表征，协同融合目标全局位置与局部轮廓信息，显著提升关系判别力。最后，针对大幅面影像不适配的问题，设计分块训练与全景关系图无缝融合后处理策略，避免了局部推理导致的碎片化问题，实现高精度、空间连贯的全景关系重建。【结果】 在首个用于场景图生成的大型卫星图像的大规模数据集STAR上，针对场景图检测任务SGDet。RotatedSGG在召回率R@k(k= 20/50/100)上相比主流单阶段方法EGTR提升了0.49%/0.9%/1.25%。更仅需级联两阶段方法约1/10的参数量，平均多标签召回率mMR@k(k=1 500/2 000）达到13.99%/14.47%，调和多标签召回率HMR@k(k=1 500/2 000）达到18.57%/19.10%，相比于当前最优的两阶段方法RPCM， mMR@k (k=1 500/2 000）领先2.46%/2.40%，HMR@k(k=1 500/2 000）领先2.37%/2.14%。【结论】 针对旋转框密集目标场景设计的 RotatedSGG，其轻量化设计与稳定的性能表现，有效应对了该条件下的场景图生成挑战，为遥感影像结构化理解提供了可行的解决方案。

【目的】 遥感图像因成像传感器、气候及地理环境等不同而存在显著的领域差异，导致目标检测模型在实际场景中泛化性能下降。这一现象在特征稀疏、对风格变化敏感的小目标上尤为明显。【方法】 针对上述问题，本文提出一种基于FFCA-YOLO的遥感小目标域适应检测方法（DA-FFCA）。本模型创新性主要体现在2个部分： ① 在均值教师框架中设计了面向目标域的数据增强模块，融合约束式自适应实例归一化策略（C-AdaIN）与特征级小目标掩码保护机制（F-SOMP），在强化风格多样性的同时有效保留小目标的结构特征； ② 设计了多粒度自适应伪标签分配器（MG-SPA），通过为不同类别设计自适应阈值，缓解了训练初期低质量伪标签对模型的负面影响，从而在长尾分布场景下生成高质量标签。【结果】 在不同卫星、无人机到卫星、虚拟到真实三类跨域场景下的实验结果表明，本文方法在目标域上的mAP分别达到63.8%、67.3%和72.2%，不仅显著优于仅在源域训练的基准模型（提升幅度达12.0%~14.4%），也超越了SFA、EPM、SFYOLO等多种主流对比方法。消融实验证实，所提SO-SAAM与MG-SPA模块可分别为模型带来5.7% 和3.5% 的精度提升，且在推理阶段参数量仅7.1 M、速度达107 FPS，达到了精度和效率的平衡。【结论】 DA-FFCA方法在不同成像条件、平台来源和虚实场景之间均表现出稳定的域适应能力，验证了其在现实跨域场景中具有良好的有效性与鲁棒性，为解决遥感目标检测中的域偏移问题提供了可行方案。

【目的】 单木尺度树种分类可为森林资源调查与稀有/保护树种监测提供关键数据支撑，但无人机激光雷达（ULS）单木点云常呈现“冠层高密—树干低密”的垂直密度异质性，导致常规下采样易对冠层过采样、削弱树干等关键低密度结构信息。 【方法】 以 SYSSIFOSS 项目在德国 12 块 1 hm² 样地获取的 ULS 点云为研究对象，数据采集覆盖 2019 年 8—9 月、2020 年 12 月与 2021 年 3—4 月多个物候阶段，原始点云密度约 797~1 554 pts/m²；在去噪、地面点滤波与单木分割后，构建 11 类树种单木分类数据集 TreeNetXplorer（共 18 749 株单木点云样本，其中训练/验证/测试分别为 11 175/3, 637/3 937，约 6:2:2），训练阶段统一输入点数为 4 096，并采用绕 Z 轴旋转与尺度缩放增强。【结果】 在 PyTorch 平台下，以 OA、 Kappa与Macro-F1等指标评估，并与PointNet++、DGCNN、PointTransformer、PointNeXt、PointMLP、Mamba3D、PointConT 等方法对比。结果表明，TreeConT 在 11 类任务中取得 OA=93.12%、 Macro-F1=91.66%、 Kappa=0.920 7，优于强基线 PointConT（OA=91.31%、 Kappa=0.900 0）。受控对比进一步显示，仅替换网络内部逐层下采样策略（FPS→Tree-FPS）即可降低若干易混类别的混淆，例如 CarBet 的召回率由53.82% 提升至66.18%。特征消融实验表明，强度特征与几何描述子均能提升性能，且 xyz+DA1-DA3+强度的组合获得最优OA=93.12%，相比仅xyz（OA=78.85%）提升14.27%。【结论】 通过引入垂直结构感知的 Tree-FPS 逐层下采样机制，并融合几何描述子与强度特征增强输入表征， TreeConT 能更充分保留树干-树冠纵向结构线索，从而有效提升混交林条件下的单木点云树种分类性能。

【目的】 气候变化引发的极端天气事件频发，严重威胁全球环境与人类健康。现有热舒适度数据集在时间或空间分辨率方面存在一定的局限性，难以满足区域尺度精细化评估的需求，亟需发展高分辨率的热舒适度指数集。【方法】 为此，本文基于Google Earth Engine（GEE）平台，融合多源时空数据，构建了一套高精度热舒适度多指数数据集的生产框架。首先，评估了不同机器学习算法估算关键气象变量（气温、风速、湿度）时的精度，选取最优模型估算1 km气象变量；其次，结合平均辐射温度（MRT）和估算所得1 km关键气象变量，利用各指数计算模型得到1 km逐日各热舒适度指数。【结果】 所构建的2019年陕西省逐日1 km多种热舒适度指数数据集包含通用热气候指数（UTCI）、表观温度（AT）、酷热指数（HI）、湿润指数（Humidex）、风寒温度（WCT）。评估结果表明： ① 相较于GEE所支持的其他机器学习模型，随机森林在气温、风速和相对湿度估算中均表现最佳， R²分别为0.982、0.667和0.870； ② 气温和相对湿度估算结果在时间上和空间上与站点观测高度一致，而风速在复杂地形区域精度相对较低； ③ 基于2019年陕西省站点观测数据的五折交叉验证结果表明，高分辨率关键气象变量作为指数模型输入时，显著提升了热舒适度指数的空间细节和估算精度， 5种指数的R²均在0.968以上， RMSE在1.362~2.441 ℃之间。与现有热舒适度数据集及站点观测数据的对比分析表明本文数据集时空分辨率较高，空间细节表达更丰富，估算精度更高。【结论】 本文提出的热舒适度生产框架可为区域尺度热环境演变研究及热风险评估提供高分辨率数据支撑。

【目的】 基于异构遥感影像的多模态变化检测（MMCD）是监测地表变化的关键技术。然而，该技术面临重大挑战，主要集中在于弥合多源成像系统（如光学-SAR）固有的模态差异，同时实现跨模态语义对齐与异构地理空间变化的精准识别。但现有方法多聚焦于单模态特征优化或多模态浅层特征融合，未能充分解决跨模态语义对齐这一核心问题。【方法】 针对以上问题，本文提出了一种多粒度对齐与频率自适应融合的多模态遥感影像变化检测方法（Multi-granularity Alignment and Frequency Adaptive Fusion Network， MAFFNet），专门用于处理异构遥感影像。该方法通过多粒度语义对齐与频率自适应的模态特征融合，有效弥合了异构影像间的知识鸿沟。首先，在特征级对齐阶段，采用预训练的视觉基础模型（VFM），实现光学模态向异构成像域（如SAR）的分层视觉知识迁移。其次，在图像级对齐时，通过结合损失约束的深度结构表征学习与对比学习机制，加强跨模态高层特征的语义一致性。最后，为获取多模态异构影像的空间细节，引入了模态耦合注意力机制，利用频率加权的注意力机制动态融合模态特有的互补特征。【结果】 本文在2个基准多模态变化检测数据集（Wuhan和BRIGHT）上进行了实验，实验结果表明， MAFFNet在Wuhan数据集上，与DTCDN、HGINet、HeteCD等主流方法相比，较次优模型HeteCD， F1分数提升1.21%， mIoU提升0.68%。这些增益在更具挑战性的BRIGHT数据集上，相较于次优模型Sigma扩展到8.20%（F1）和4.39%（mIoU）。这种跨数据集的性能一致性验证了MAFFNet在复杂场景中的有效性和鲁棒性。【结论】 本文方法有效提升了基于异构遥感影像的多模态变化检测精度，为灾害响应和环境监测等应用领域提供关键技术支持和信息支撑。

【目的】遥感目标检测是地理信息智能解译的核心技术，然而现有方法在边缘设备上的轻量化与实时性不足，且小目标检测精度亟待提升。【方法】针对上述问题，本文提出轻量化遥感目标检测模型DSNR-YOLO(Depthwise Separable Convolution with Normalization Attention and Residual block-YOLO)。该模型在主干部分引入改进的DSNRblock，通过双支路选择策略融合深度可分离卷积、基于归一化的注意力模块（Normalization-based Attention Module， NAM）和残差连接，在降低参数量和计算复杂度的同时维持检测精度；在特征提取与融合阶段嵌入幽灵卷积（Ghost Convolution， GhostConv）进一步削减模型功耗；在颈部网络部署双向特征金字塔网络（Bidirectional Feature Pyramid Network， BiFPN）实现多尺度特征高效交互，强化小目标检测能力；同时设计自适应权重混合损失函数，优化模型对难易样本的学习效果。【结果】在DIOR数据集上的实验表明，DSNR-YOLO的mAP与mAP50分别达到66.9%和89.0%， GFLOPs仅18.3，参数量为7.15 M，每秒检测帧率（Frames Per Second,FPS）为128，在提高检测精度的同时减少了硬件资源需求，检测精度优于近年出现的遥感检测模型。SIMD数据集上与主流轻量化模块及网络的对比结果表明，同样部署条件下DSNR-YOLO在保证较高轻量化水平的同时， mAP实现不同程度上领先（2.5%~6.3%），展示了模型整体性能的优越性。【结论】DSNR-YOLO作为一款面向遥感目标检测场景的轻量化深度学习模型，深度融合了轻量化架构设计、实时推理优化与高精度检测算法的核心优势，在模型体积、运行效率与检测性能三大维度实现了精准平衡。适配资源受限的遥感设备，为实时遥感目标检测提供了高效轻量化方案，具备重要实用价值与广阔应用前景。

【目的】本文总结了具备高穿透和高分辨率特点的星载激光雷达技术在森林群落空间分布结构以及物种多样性方面的应用研究进展。相比传统遥感，该技术主动获取森林三维垂直信息，精确刻画森林剖面结构，为理解空间异质性与物种多样性关系提供了关键技术支撑。【进展】系统梳理并深度剖析了其在森林群落结构参数估测领域的研究进展、方法体系及其适用条件，包括星载激光雷达数据的探测精度评估、不同方法的校正成果，并客观评述了该技术现存优势与不足。进一步探讨了不同星载激光雷达数据衍生的结构指标在估测森林结构多样性，以及区分森林类型与判别森林演替阶段的当前研究焦点与未来发展趋势。【意义】星载激光雷达技术有助于理解森林群落变化对生态系统组成功能的影响、监测并优化森林生态系统的养分循环状况、强化水土保持工作、开展恢复力评估以及了解土壤微生物功能群等。【展望】未来研究可进一步完善在不同环境条件下模型反演植被结构参数的精度和迁移性，以及多源数据协同和林下灌木层空间分析的深度研究。

【目的】高光谱图像因其丰富的光谱信息而备受关注，然而，由于成像硬件条件的限制，通常很难直接获得高空间分辨率的高光谱图像。为了提高分辨率，将高光谱图像与从同一场景采集的高空间分辨率的多光谱图像融合是一种经济有效的方法。然而，现有的大多数基于深度学习的方法未充分挖掘图像间空间和光谱相关性，导致融合性能受限。【方法】本文提出了一种结合图像去噪、光谱特征与空间特征增强的高光谱图像超分辨率融合方法。首先，通过使用不同标准差的高斯模糊核对高光谱与多光谱图像进行高斯模糊处理，有效减少这2种模态图像中包含的噪声。其次，为了提高融合图像的精确度，在利用不同模态图像间光谱和空间相关性重建高分辨率图像时，分别引入通道注意力和空间注意力，利用增强图像关键信息的方式获得不同模态间更好的空间和光谱相关性。最后，利用增强的空间和光谱相关性，将映射得到的高分辨率图像特征聚合起来，重建出高空间分辨率的高光谱图像。【结果】在ZY-m和Chikusei数据集上融合结果的PSNR分别为53.586和53.738，在ZY-m数据集上较次优方法空谱解耦互引导网络（Spatial-Spectral Unfolding Network with Mutual Guidance，SMGU-Net）提高2.8%，在Chikusei数据集上较次优方法带有双条件调制模块的扩散模型（Diffusion Model with two Conditional Modulation Modules，DDIF）提高1.70%； SAM值达到0.006和0.018，在ZY-m数据集上较次优方法SMGU-Net降低14.28%，在Chikusei数据集上较次优方法DDIF降低5.26%。【结论】本文方法具有良好的光谱保真度和空间细节增强能力，为高光谱图像的超分辨率提供了一种有效技术方案，展示了其在国土资源勘查、环境监测等领域的良好应用潜力。

【目的】本文旨在提升高分辨率遥感图像的目标检测性能，针对小目标检测、复杂背景处理和密集目标分布等关键问题，提出了一种解决方案。【方法】本文基于YOLOv11框架，提出了一种融合多尺度特征协同与情景感知的遥感目标检测方法。设计了3个创新模块： ① 多核特征融合模块（Parallel Kernel Feature Fusion Module, PKFFM），用于跨尺度特征整合以增强表示能力； ② 级联双分支注意力模块（Cascaded Dual-Branch Attention Module, CDBAM），通过突出相关空间和通道信息优化特征提取； ③ 情景感知模块（Scenario-Aware Module, SAM），增强网络捕获全局上下文信息的能力。此外，引入了RS-WIoU（Remote Sensing Wise Intersection over Union）损失函数，以更好地适应高分辨率遥感数据，进一步提升检测性能。【结果】为验证本文方法的有效性，本文在高分辨率遥感数据集TGRS-HRRSD、NWPU VHR-10和DOTA-v1.0上进行实验。实验结果表明，本文方法在各数据集上的平均精度(mP)分别达到97.3%、87.3%和84.3%，相较于基线模型YOLOv11，精度分别提升2.1%、3.8%和2.9%， mAP_50-95分别提升3.0%、1.2%和1.5%；此外，本文模型展现出轻量化特性和强鲁棒性，优于其他遥感目标检测算法。【结论】本文方法通过PKFFM、CDBAM、SAM以及RS-WIoU损失函数的协同作用，显著提升了高分辨率遥感图像目标检测的精度与鲁棒性，为遥感影像目标检测提供了高效的解决方案。未来可进一步探索这些模块在其他数据集和任务中的适用性，以提升模型的泛化能力并推动遥感技术的进步。

【目的】旋转目标检测在遥感影像目视解译中发挥着重要作用，为地理信息的高效提取、精确目标识别及动态监测提供了有力支撑。【方法】针对旋转目标检测中存在的边界不连续、对不同几何形状目标（细长型与类正方形）表征能力不足等关键问题，本文提出一种在频域空间中融合几何与角度信息的旋转目标检测方法（FGAF-RCNN）。该方法通过形状自适应振幅建模模块（SA2M）增强形状感知，使用频域振幅作为形状的间接表征，将目标的长宽比等几何先验动态映射至振幅编码，实现对目标形状的精准隐式建模。此外，该方法还引入了旋转自适应频谱优化模块（RASOM），通过将物体的角度映射到频谱的相位分量来整合方位信息，结合几何约束将目标形状和方位耦合到统一的频率表示中。合成频谱随后通过傅立叶去噪进行细化，从而有效解决了边界不连续问题。【结果】本文在DOTA-v1.0和HRSC2016数据集上进行实验，结果表明FGAF-RCNN在以上2个数据集上的mAP度量指标分别达到达77.4%和97.2%，相较于基础模型提升了2.3%和0.7%。此外，在DOTA-v1.0数据集上的平均方向误差降至7.37。为进一步测试模型泛化能力，在DIOR-R数据集上进行验证，本文方法在mAP达到64.3%，展示了其在复杂场景中优越的检测性能。【结论】与主流的旋转目标检测算法PSC、YOLOv11等对比，本算法不仅有效提升了角度预测性能，还实现了对不同形状目标的精准检测，为复杂场景下旋转目标检测中的形状适应性与边界不连续难题提供了新的解决方案。

【目的】针对光学与SAR影像在实际应用中因数据缺失导致融合模型性能下降的问题，本研究旨在实现一种仅需单一模态输入即可获得接近双模态融合模型性能的轻量化建筑提取方法。【方法】提出了一种基于在线知识蒸馏的跨模态融合框架，其核心包含一个双模态输入的教师网络和一个单模态输入的学生网络。框架的主要特点在于：在教师网络中设计了自适应门控注意力机制（AGAFM）以实现光学与SAR特征的有效互补；在学生网络中引入了伪特征生成模块（LDAF/ESAR）以模拟缺失模态的信息；并构建了特征层与输出层的多层次知识蒸馏损失，以迫使学生网络学习教师网络的融合表征能力。针对建筑几何特性，在网络中引入了可变形卷积（DCM）和边界感知增强模块（MAC-BEM）。【结果】在DDHRNet_DATA数据集的山东省和韩国浦项市子数据集上的实验表明：在SAR模态缺失时，学生网络的IoU分别达到83.68%和77.24%，相较于次优算法分别提升了3.06%和2.66%；在光学模态缺失时，学生网络的IoU分别达到77.78%和77.20%，相较于次优算法分别提升了4.01%和1.31%，性能显著优于SegNet、 Deeplabv3、 Deeplabv3+、 UNetFormer、 MFFDeeplabV3+、 SC_Deep等单模态对比模型，消融实验验证了各核心模块的有效性。【结论】本文方法有效解决了测试阶段模态缺失的实用化瓶颈，为多模态遥感建筑提取技术的实际部署提供了可靠、高效的解决方案。

【目的】建筑物信息对于城市规划、环境监测、灾害应急等领域具有重要应用价值。随着高分辨率遥感影像的普及，如何高效、精确地实现建筑物自动提取已成为遥感领域的研究热点。尽管深度学习方法提升了遥感影像建筑物提取的效率与精度，但现有算法在轮廓完整性、抗干扰能力和模型轻量化方面仍面临挑战。本文旨在通过融合卷积与自注意力机制的优势，构建一种兼顾高精度与低复杂度的建筑物提取网络，以推动该方法在资源受限环境下的实际应用。【方法】为解决这些问题，本文将U²-Net网络与Transformer模块相融合，提出了一种新的轻量化全局注意力网络模型U²-former。该方法在U²-Net网络基础上采取了3个方面的改进： ① 在编码部分引入通道注意力机制来强化局部特征捕获能力； ② 将解码器重构为Transformer模块，通过优化的多头注意力机制与通道增强型多层感知机建立全局空间依赖； ③ 采用多级特征融合策略整合不同解码层输出，以提升边界完整性。【结果】在WHU航空影像、Massachusetts及Inria航空图像三大基准数据集上的实验结果表明：U²-former模型仅有6 M参数量，但IoU指数仍然分别达到了91.69%、74.96%和80.13%的精度，优于当前的主流深度学习算法；消融实验进一步证明了3种改进措施的有效性：相对于U²-Net，所提出的U²-former模型在3种数据集上的IoU值相比U²-Net分别提升了1.33%、3.54%和2.24%。同时，可视化结果进一步显示，U²-former在复杂场景中能有效保持建筑物轮廓完整性，减少错检、漏检，尤其对阴影遮挡、结构复杂建筑具有较强的鲁棒性。【结论】U²-former通过融合CNN的局部特征提取能力与Transformer的全局上下文建模优势，在较低参数量下实现了高精度的建筑物提取。该方法有效解决了轻量化与特征完整性、局部细节与全局依赖、边界精度与抗干扰能力之间的关键矛盾，不仅在高分辨率遥感影像建筑物提取任务中表现优异，也为边缘计算等资源受限场景下的遥感影像智能解译提供了新的技术路径。

【目的】青藏高原作为中国最大，世界海拔最高的高原，地表温度垂直递减率（Land Surface Temperature Lapse Rate，LTLR）的时空分布特征对气候变化、生态系统以及水文过程研究具有重要意义。已有研究无法准确表达复杂地形条件下的山区近地表气温直减率在时空分布与变化上的精细特征。因此本研究利用地表温度日变化模型估算出青藏高原逐小时地表温度，进而计算出逐小时月均LTLR，以获得青藏高原地区高时空分辨率的LTLR分布。【方法】本研究基于2022年中国西部逐日1 km全天候地表温度数据集TRIMS，利用地表温度日变化模型对青藏高原逐小时地表温度进行估算，进而采用滑动窗口法计算逐小时月均LTLR，分析了研究区LTLR在季节尺度上的时空分布与差异特征。弥补了青藏高原地区缺少高时空分辨率LTLR研究的现状。【结果】① 4 个季节平均LTLR分别为-6.12 、-7.63、-5.89和-3.23 ℃/km，春夏季节整体高于秋冬季节，但横断山脉区域相反，冬季平均LTLR较夏季高出约0.57 ℃/km； ② 春夏季最大LTLR分别为-14.45 ℃/km、-13.92 ℃/km，相对于秋、冬季最大LTLR的-13.60 ℃/km、-11.61 ℃/km，更高，因高海拔和干旱晴朗天气影响，羌塘高原区不同季节的最大LTLR差异显著，其中冬季最大LTLR最小，为-13.67 ℃/km； ③ 夏季最小LTLR最为大，高出其他季节约3.05 ℃/km，其中横断山脉四季最小LTLR均较大，其中春季最小LTLR为-1.16 ℃/km，比其他3个季节更高，最小的秋季最小LTLR为0.03 ℃/km，而羌塘高原区四季最小LTLR最小； ④ 日变化曲线显示，春秋冬3个季节的LTLR在11:00—14:00最大，春季最小LTLR出现在20:00—23:00，秋季最小LTLR出现时间较春季提前了约1 h，而夏季一天中出现2次最大LTLR，分别在4:00—7:00和 15:00—18:00，在21：00—23：00呈现出日最小LTLR特征。【结论】本研究对深入揭示青藏高原地表温度垂直递减率在季节尺度上的时空变化特征与相关影响机制有重要作用。