Issue Ebookcover storyIssue CoverInteractive Contents
Latest Issue
Online FirstList of IssuesDocument Types
2026
2025
2024
2023
Issue 12
Issue 11
Issue 10
Issue 9
Issue 8
Issue 7
Issue 6
Issue 5
Issue 4
Issue 3
Issue 2
Issue 1
2022
2021
2020
2019
2018
2017
Abstract：遥感已成为支撑国家资源能源调查、粮食安全监测、生态环境保护、自然灾害评估、国防安全等的重要信息源。利用文献计量学方法定量分析遥感相关文献所承载知识的时空分布、数量关系和变化规律，梳理并提取遥感学科发展趋势及研究热点的时空演化特征，可为遥感学科的建设与发展提供重要科学支撑。对1962年—2021年间发表并被SCI数据库收录的遥感相关文章进行文献计量研究，对比分析了国内外典型遥感卫星的文献发表及应用情况，系统剖析了1962年—2021年美国、欧洲、中国遥感研究热点及其变化过程，总结了美国、欧洲、中国学者在合成孔径雷达（SAR）、高光谱（Hyperspectral）及激光雷达（LiDAR）3大遥感前沿技术的研究特点。结果表明：（1）遥感学科SCI文章数自1998年起呈现快速增长、加速增长的趋势。1962年—2012年全球累积发表遥感相关SCI文章69666篇，2013年—2021年全球累积发文100131篇。2014年，中国（第一作者）年度发表遥感相关SCI文章2048篇，首次超过美国（第一作者）年度1454篇跃居全球第一，此后一直领先。2021年，中国（第一作者）年度发表遥感相关SCI文章8063篇，占全球该年度遥感相关SCI文章19121篇的42.17%；（2）在遥感技术方面，卫星遥感平台从单一卫星向专业小卫星、卫星星座方向发展；卫星传感器从全色、单波段起步，逐步向SAR、高光谱、LiDAR等前沿技术快速发展；（3）在遥感数据应用方面，Landsat、MODIS、Sentinel等国外数据自出现以来就一直被全球用户广泛使用，尤其是中国学者的遥感应用研究高度依赖这些国外卫星数据，近年来国产卫星的应用呈快速发展趋势；（4）当前中外遥感科学研究热点差异显著：美国遥感学者依托Landsat、MODIS、激光雷达等先进卫星和载荷技术，遥感已广泛深入各应用领域；欧洲遥感学者十分重视Sentinel系列卫星的科学研究和应用；中国遥感研究在所有领域和卫星应用方面都表现了突出的数量优势，且中国遥感学者更关注SAR、高光谱、LiDAR以及深度学习、神经网络、特征提取等前沿技术与算法研究。Keywords：遥感;文献计量;学科发展趋势;研究热点;卫星数据;应用领域4513|3429|1<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：人类活动、极端气候、物种入侵等事件导致植物的生物多样性丧失加剧，生物多样性保护迫切需要快速准确地收集陆地植物多样性信息。高光谱遥感的出现，为大空间尺度上的植物多样性研究提供了技术基础，为群落和景观水平的生物多样性相关理论的验证提供了契机。本文简要回顾了近年来高光谱遥感技术的发展及其在植物多样性研究中的应用。重点介绍了两类高光谱遥感反演多样性的手段，即直接反演和间接反演。直接反演手段以光谱变异假说为理论基础，从光谱曲线特征入手直接建立光谱信息与植物多样性的关系；间接反演手段则通过植被指数将光谱信息关联植物多样性，或通过定量反演功能性状计算功能多样性指标，进而实现植物多样性的间接估测。论文进一步结合实例，论述了高光谱遥感技术在大尺度生物多样性相关研究中的应用，如物种入侵监测、物种分布及多样性格局制图、生物多样性与生态系统功能关系研究。最后分析了高光谱遥感技术在生态研究应用中的局限性。随着多源遥感技术的发展日渐成熟，高光谱遥感技术与地面通量监测、激光雷达、计算机可视化等其他技术的协同应用可能是在生物多样性研究领域中一个新的发展方向。Keywords：高光谱遥感;生物多样性;光谱多样性;植物功能性状;生物多样性与生态系统功能关系6518|7540|13<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Research Progress
Abstract：生物量是精准量化海洋大型漂浮藻类的关键参数，是反映海洋生态环境变化的有效指标。光学遥感卫星能为绿潮的精细化监测与评估提供数据支持，实现绿潮的精准识别与量化估算。针对中国海洋一号C/D卫星（HY-1C/D）海岸带成像仪CZI（Coastal Zone Imager）、美国中分辨率成像光谱仪MODIS（Moderate-resolution Imaging Spectroradiometer）、欧洲空间局哨兵2号卫星多光谱成像仪MSI （Multi Spectral Instrument）等光学遥感数据特点，基于绿潮生物量变化模拟与观测验证数据，本研究提出了适用于不同光学卫星数据的绿潮生物量估算模型与计算方法，开展了中国近海绿潮生物量光学遥感估算与交叉验证。结果表明：相较于绿潮像元面积和覆盖面积，绿潮生物量估算结果的不确定性最小，该参数能有效减少面积参数所内含的尺度效应差异，能更准确地用于海洋绿潮的量化与评估。此外，基于CZI和MODIS数据开展2021年中国近海绿潮生物量协同监测应用，有效提高了绿潮生物量监测的精度，详细量化了2021年中国近海绿潮生物量的年内变化，展现了绿潮生物量的精细空间分布格局与变化趋势。多源光学遥感数据开展绿潮生物量遥感估算，对中国近海漂浮藻类的精准、定量、动态监测，具有重要的方法与数据参考意义。Keywords：绿潮生物量;光学遥感;HY-1C/D;CZI;MODIS1858|4136|3<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：基于两种船测数据集，本文采用点对点和Beitsch共定位比较法，对被动微波遥感观测海冰密集度产品在南极普里兹湾区域适用性展开了一系列评估。首先，根据2012年—2021年中国第29、31、37次南极科考走航船测数据，依据SIC大小的不同，对8种遥感SIC产品进行了分类定量比较，结果表明NSIDC/NT2算法产品在各情况比较中均体现出最高相关性与最佳稳定性，在共定位比较结果中相关系数可达0.926，均方根差12%，平均偏差仅2%。其次，为弥补基于AMSR-2传感器系列产品历史数据缺乏难以分析长期变化的缺陷，本文同时应用1992年—2000年ASPeCt船测数据集，以相同的对比方式对4种遥感数据产品的季节循环和长期变化信号进行了评估。结果表明，该时间段反演准确度较2012年—2021年的个例比较结果有所降低，且反映出较大的季节差异，4种产品的偏差均出现从融冰期到结冰期的增长。该时间段内，基于SSM/I传感器的CDR与Bootstrap算法整体反演较好，相关系数均达到0.8以上，均方根差16%，偏差约为8%，但是在低SIC区域的反演仍然存在较大的偏差。本研究表明，目前微波遥感SIC产品在较小范围海区的精确度存在一定的不足，且随着SIC类型、季节、算法差异出现较大的波动。因此提高分辨率，尽量使用多源数据，结合冰况进行分类分析，对改善遥感SIC产品的准确性十分必要。Keywords：南极普里兹湾;海冰密集度;被动微波遥感;走航观测;数据质量评估683|2054|0<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：洞庭湖是中国第二大淡水湖，干湿季节水体波动幅度大、频率高。卫星高频观测洞庭湖水体变化对及时、准确地监测其水文动态变化具有重要意义。本研究利用Sentinel-1和Sentinel-2影像（10 m），在兼具高时频与空间分辨率条件下重建和分析2017年—2020年洞庭湖水域面积的精细时序信息。此外，本研究拟创建一种基于湖区部分清晰影像来重建全湖水域面积的方法。该方法利用湖区某个区块面积与Sentinel-1全幅影像提取的湖泊面积构建的统计拟合关系建立经验模型，从而得到更密集的洞庭湖水域面积时间序列。拟合结果显示，每个区块的面积与总面积呈显著正相关，平均R2值为0.94。将2017年—2020年获取的119景Sentinel-1影像和38景Sentinel-2影像用于提取洞庭湖区块水体淹没范围，以重建整个湖区面积。结合Sentinel-1和Sentinel-2影像，平均每个月可获取的观测影像为6景，某些月内监测次数可达10次，时间间隔为3—6 d。此外，本研究重建的水域面积时间序列可以精确地刻画显著的季节波动和年际变化，水域面积在7月达到峰值，11—2月达到谷值。研究发现一个月内最大面积与最小面积的平均比率为1.36；地表水域最剧烈的波动发生在11月，比率为1.52。整合Sentinel-1/2影像确定，2017年—2020年洞庭湖的平均水域面积约为1147.13 km2。与基于Sentinel-1/2影像构建的洞庭湖水域面积时间序列相比，结合Landsat 8影像的水体面积时间序列能够在某些月将水体观测的时间分辨率提高，但是对于水域面积的月均值和年均值影响较小。综上，本研究联合高时空分辨率的哨兵系列雷达与光学影像发展高时频水域面积序列的精细提取方法，可为提升洞庭湖及长江中下游高动态湖泊水域遥感监测和水资源精细管理提供科技支撑。Keywords：遥感监测;洞庭湖;Sentinel;水域面积;时间序列;长江流域3375|4479|8<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Atmosphere and Ocean
Abstract：光谱库优化学习是将光谱库中的光谱数据作为训练样本，在严格理论推导下构建字典优化学习过程。基于光谱库优化学习，本研究提出了一种光谱超分辨率重建方法，该方法在稀疏表示框架下，通过波段匹配，将光谱库映射为与待重建高光谱图像波段相对应的特定光谱库；并利用映射后的特定光谱库与高分多光谱图像，从理论上推导、并构建基于ADMM算法的光谱字典与稀疏系数优化学习过程。多种数据集上的对比分析表明，即使仅使用一幅高分多光谱图像，本研究方法仍能恢复重建出高质量的高分高光谱图像，同时光谱超分辨率重建后的高分高光谱图像可显著提升地物分类精度。结果表明，本研究实现了仅由一幅高分多光谱图像到高分高光谱图像的高质量光谱超分辨率重建。Keywords：光谱超分辨率;光谱库;稀疏表示;优化学习;地物分类3170|2415|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：地表反照率在陆面气候和生物圈模型中起着至关重要的作用。为了更好地满足多领域研究的要求，拓宽定量遥感参数的应用，许多研究学者及团队正在利用不同的算法开发高分辨率地表反照率产品。本文提出的算法基于中国高分一号卫星WFV传感器数据和500 m分辨率的GLASS反照率产品生成高空间分辨率的反照率产品。算法思路首先用直接反演算法反演GF-1 WFV数据得到16 m分辨率初级反照率产品，再将500 m分辨率的GLASS反照率产品与16 m分辨率初级产品的纹理信息进行降尺度融合，最终得到16 m分辨率的融合反照率产品。以2016年—2017年黑河实验区的8个站点的地面观测值对算法结果进行验证，实测数据与反演融合数据的时间序列图表明融合后的16 m分辨率反照率与实测值一致性较好；同时，通过2016年—2017年所有站点散点图分析，融合反照率均方根误差为0.02439，初级反照率则为0.05135，融合反照率比初级反照率更接近实测值。16 m分辨率反照率产品在平均值与500 m分辨率的GLASS反照率产品一致的前提下丰富了空间纹理信息，能够更好地支持在区域尺度研究人类活动对环境的影响。Keywords：遥感;反照率;算法;降尺度融合;高分辨率;验证;高分一号卫星（GF-1）;黑河1346|1162|0<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：通过COSI-Corr软件处理Landsat 5 TM可以较好地量化沙丘的迁移模式和速度大小，为防沙治沙工程的实施提供具体的指导和建议。目前关于Landsat 5 TM迁移场误差源分析和时序反演研究仍然较少。本文以毛乌素沙地西北部为研究区域获取了1991年—2000年的沙丘迁移时间序列和年平均速度场，发现Landsat 5 TM迁移场的主要误差为轨道误差、姿态角误差和失相关噪声，这些误差消除后，精度相继提升23%—34%、4%—20%、2%—5%，再利用最小二乘法反演后可提升13%—14%。监测结果表明，1991年—2000年毛乌素沙地西北部沙丘向东南方向持续推进，最大速度可超过6 m/a，但受到西北—东南向的风力作用下，沿西北—东南向存在周期性往返运动；研究区域速度为0—1 m/a的占63.9%，大于3 m/a的则只有4.2%。Landsat 5 TM的误差消除和时序反演能有效地提高迁移场精度，进而获取更加准确可靠的时间序列。与以往研究不同的是，沙丘迁移场的误差消除和时序反演后可以更细致地反映出沙丘地表的实际风能环境。Keywords：Landsat 5 TM;COSI-Corr;误差分析;沙丘迁移;毛乌素沙地1166|2194|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：在过去几年里，卷积神经网络已经在高光谱图像分类上取得良好的效果，然而高光谱图像的高维性和卷积神经网络对所有波段的平等处理，限制了这些方法性能。本文提出了一种端到端的光谱空间注意力双边网络SSABN（Spectral-Spatial Attention Bilateral Network），直接将原始图像3D块作为输入数据，而不需要进行预处理。首先，通过光谱空间注意力模块从原始数据中增强有用波段，抑制无效波段。然后，设计双边网络两条路径。其中，空间路径用于提取空间信息，上下文路径用于提供更大的感受野，并通过特征融合模块有效的结合特征。实验结果表明，SSABN在3个公开数据集上取得了更高的分类精度，同时有效的减少训练时间。Keywords：遥感;卷积神经网络;深度学习;特征融合;Indian Pine数据;Pavia University数据;Salinas数据集2526|3447|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08Remote sensing image semantic segmentation method combining cosine annealing with atrous convolution
Abstract：为了捕捉遥感影像中丰富的上下文信息与多尺度的地物信息，改进集成模型的策略，提高语义分割精度，提出一种融合周期递增余弦退火与多尺度空洞卷积的高分辨率遥感影像语义分割方法。方法引入多尺度并行的空洞卷积，有利于捕捉更大范围的上下文信息，在不增加参数的情况下，提高网络对多尺度对象的辨识能力；使用全连接条件随机场引入空间和边缘的上下文信息，提高网络对遥感影像的细节分割能力；引入周期递增的余弦退火策略调整学习率，获得合适数量的局部最优解，集成局部最优解进一步提升网络在像素上的分类能力。在Gaofen Image Dataset数据集上的实验结果表明，多尺度并行空洞卷积可以充分捕捉遥感影像上的多尺度地物信息，能有效辨识复杂对象；空间和边缘上下文信息的引入使语义分割对象的边界辨识更精准；周期递增余弦退火策略能明显减少集成模型的推理时间，模型的总体精度与Kappa系数均优于目前主流的语义分割模型。Keywords：高分辨率遥感影像;语义分割;周期递增余弦退火;多尺度并行空洞卷积;目标提取;上下文学习;条件随机场;多尺度学习3443|3166|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：高分辨率遥感图像语义分割在航空图像分析领域中具有重要的理论价值和应用价值。但由于高分辨率遥感图像中建筑物语义的丰富性和图像背景的复杂性，以往的分割方法往往容易产生边缘模糊、细节信息丢失和分辨率低等缺点。为了解决高分辨率卫星图像语义分割边界模糊和信息丢失的问题，本文提出一种端到端的卷积神经网络Dilated-UNet（D-UNet）。首先，通过改进U-Net网络结构，采用Dilation技术拓展四通道的多尺度空洞卷积模块，每个通道采用不同的卷积扩张率来识别多尺度语义信息，从而提取更丰富的细节信息。其次，设计了一种交叉熵和Dice系数的联合损失函数，更好的训练模型以达到预期分割效果。最后，在Inria航空图像数据集上进行综合评估与检验。实验结果表明，本文提出的遥感图像分割方法能够有效地从高分辨率遥感图像中进行像素级城市建筑物的分割，与其他方法相比，分割精度更高，具有较高的实际应用价值。Keywords：遥感图像;语义分割;多尺度;空洞卷积;图像处理4789|4584|12<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：高光谱盲解混是解决混合像元问题的重要技术。其中，非负矩阵分解凭借其明确的物理意义，为无监督线性光谱解混的发展奠定了基础。由于传统非负矩阵分解采用欧氏距离度量原始矩阵与重构矩阵之间的误差，因而不能有效挖掘各维度特征间关系，影响解混精度。为充分利用高光谱图像中丰富的相关特征，本研究在地球移动距离的基础上引入熵正则约束，用Sinkhorn距离代替欧氏距离，建模不同维度特征之间的关系。同时，为刻画数据的流形结构，将图正则项作为丰度的约束条件，提出了一种基于Sinkhorn距离和图正则约束的非负矩阵解混算法。本研究采用乘性迭代规则对提出的解混模型进行求解，在模拟数据集、Urban数据集以及Jasper数据集上进行实验，实验结果验证了所提出算法的有效性。Keywords：高光谱解混;非负矩阵分解;Sinkhorn距离;熵正则;图正则1070|2593|1<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Models and Methods
Abstract：短轮伐期人工林SRPs（Short-Rotation Plantations）作为主要的经济型林类，对于生态环境保护以及社会经济发展都有着重要的影响，但精细的SRPs时空分布信息十分缺乏。本研究以中国SRPs种植最为广泛的广西壮族自治区（以下简称广西）为研究区域，基于Google Earth Engine云平台以及1986年—2019年的Landsat影像数据，应用LandTrendr时间序列分割算法对SRPs的时空分布信息进行了提取。结果分析表明：（1）广西SRPs种植面积近30年呈逐年稳定快速增加的态势，1990年种植面积仅1.93×105 ha，到2019年达到了4.04×106 ha，年均增长速度达到1.33×105 ha；（2）从空间分布来看，广西东部、南部SRPs分布较为集中，其主要分布在海拔500 m以下的低海拔地区以及地表坡度在20°左右的坡地，且河池市是广西SRPs种植分布面积最大的地级市；（3）SRPs种植面积变化趋势与林业产值存在很强的相关性（r=0.83，p<0.001），表明SRPs是影响林业经济的重要因素。本文提出的基于长时序的SRPs时空变化信息的提取方法，可以为林业管理提供决策支持，并为森林碳循环的研究提供基础数据。Keywords：遥感;短轮伐期人工林;LandTrendr;Landsat;时空分布制图;长时间序列;时序分割1240|1584|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：作物留茬覆盖作为保护性耕作的重要方式之一，快速、准确地获取其不同方式的分布情况对保护性耕作的实施现状监测及效果评估具有重要意义。现有的留茬监测方法主要集中于留茬覆盖度估算，而对不同留茬方式识别的研究较少。本文以Sentinel-1 SAR数据为主数据源，尝试探究其对玉米留茬方式的识别能力。利用留茬后向散射模型分离土壤散射贡献和留茬散射贡献，以消除土壤散射贡献干扰。提出融合留茬指数FRI（Fusion Residue Index），结合雷达指数与SAR纹理，分析不同特征组合对留茬方式的识别能力。采用最优特征集进行玉米留茬方式的识别，完成实验区的不同玉米留茬方式制图。结果表明：采用消除土壤影响后的VH极化后向散射系数、FRI和SAR纹理等8个特征的识别表现最好，OA和Kappa系数分别为89.28%、0.84。相比采用消除土壤散射影响前，识别精度和Kappa系数提高了5.44%和0.09。研究结果为Sentinel-1 SAR影像在留茬研究的广泛应用提供一种新的思路。Keywords：遥感;Sentinel-1 SAR数据;玉米留茬;留茬方式识别;后向散射模型;最优特征集1391|2664|1<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：川西亚高山针叶林位于中国西南地区，受多云、多雨、多雾的影响，难以通过卫星影像进行植被分类的研究。为了解决这一难题，本研究选取川西亚高山针叶林的典型区域王朗自然保护区作为研究区，使用多旋翼无人机获取研究区域北部高分辨率RGB影像，结合卷积神经网络进行植被分类；为进一步挖掘卷积神经网络在无人机遥感影像上的潜力，选择语义分割方法（U-Net）进行分类，并根据不同分辨率的无人机影像和不同尺寸下的样本集构建植被分类模型，建立森林指纹库。结果表明：（1）结合无人机可见光影像和CNN模型进行分类能够获得高精度分类结果。在空间分辨率为5 cm，尺寸为256×256像素的情况下达到最优，总体精度为93.21%，Kappa系数为0.90；（2）选择合适的尺寸大小能够提高模型的分类精度。在5 cm的空间分辨率下，尺寸为128×128像素的模型总体精度为82.30%，Kappa系数为0.76；尺寸为256×256像素的模型总体精度为93.21%，Kappa系数为0.90；（3）超高空间分辨率的升高对模型精度的提升是有限的。当空间分辨率从10 cm升到5 cm时，模型的总体精度提高了0.02，Kappa系数提高了0.03，模型的分类精度并没有明显提升。（4）对于区域内代表性不足的植被类型来说，受空间分辨率和尺寸大小的影响要远高于区域内优势树种，特别是空间分辨率的影响最大。在20 cm的空间分辨率下落叶灌木的生产者精度和用户精度均低于70%。综上，利用无人机高分辨率RGB影像结合CNN模型对川西亚高山针叶林的植被分类能够取得高精度分类结果，本研究可为该区域植被分类提供一种自动、准确的方法。Keywords：无人机RGB影像;卷积神经网络;川西亚高山针叶林;植被分类;输入尺寸;空间分辨率1248|2380|2<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Abstract：针对陆表植被物候监测已发展了很多遥感指数，但不同遥感指数表征陆表植被季节性变化的能力存在差异。目前，有关陆表植被物候遥感指数的评估大多在不同标准下开展，导致研究结果间的可比性较差，致使无法根据不同区域选择出最佳的遥感指数，从而影响大尺度（如半球乃至全球）的陆表物候监测精度。本文在北半球中高纬度地区，以75个碳通量塔站点的406条记录和129个物候相机站点的482条记录为参考标准，对10种遥感指数应用于陆表物候监测的能力进行了系统性评估，并从两个精度评估视角（物候提取准确度、物候变化趋势一致性）、4个维度（植被类型、地理环境、物候类型、物候事件）对比分析了各种情况下的最佳遥感指数及其精度。虽然部分遥感指数在多数情况下均表现最佳，但不同植被类型、地理环境、物候类型（功能物候、结构物候）、物候事件（春季、秋季）组合情况下的最佳遥感指数并不聚焦于少数几种，而是散布于各类遥感指数之中；即使是采用了最佳遥感指数，但在某些情况下，其用于陆表物候监测的误差仍较大。从不同的精度评估视角来看，物候提取准确度高的遥感指数并不一定与物候变化趋势一致性高的遥感指数相对应，说明应根据关注视角来选择最佳遥感指数。本文研究结果可为不同情况下的陆表植被物候监测提供最佳遥感指数选择依据，从而有利于提高大尺度的陆表植被物候监测精度以及评估其不确定性。Keywords：遥感指数;陆表植被物候;植被类型;地理环境;结构物候;功能物候1415|3119|4<HTML><L-PDF> <Enhanced-PDF> <Meta-XML>Updated：2023-12-08
Forestry and Agriculture
