注册 登录 English Version
综述 | 浏览量 : 0 下载量: 592 CSCD: 1 更多指标

  • 导出

  • 分享

  • 收藏

  • 专辑

    • 浅论中国亚热带遥感现状、任务与创新发展途径

    • On subtropical remote sensing in China： Research status， key tasks and innovative development approaches

    • 吴立新

      1 ，

      孙根云

      2 ，

      苗则朗

      1 ，

      张爱竹

      2 ，

      冯徽徽

      1 ，

      胡俊

      1 ，

      杨泽发

      1 ，

      王威

      1 ，

      陈必焰

      1 ，

      汤玉奇

      1
    • 2022年26卷第8期 页码：1483-1503   

      纸质出版日期： 2022-08-07 ，

    • DOI： 10.11834/jrs.20222173     

    扫 描 看 全 文

  • 引用

    阅读全文PDF

  • 吴立新，孙根云，苗则朗，张爱竹，冯徽徽，胡俊，杨泽发，王威，陈必焰，汤玉奇.2022.浅论中国亚热带遥感现状、任务与创新发展途径.遥感学报，26（8）： 1483-1503 DOI： 10.11834/jrs.20222173.
    Wu L X，Sun G Y，Miao Z L，Zhang A Z，Feng H H，Hu J，Yang Z F，Wang W，Chen B Y and Tang Y Q. 2022. On subtropical remote sensing in China： Research status， key tasks and innovative development approaches. National Remote Sensing Bulletin， 26（8）：1483-1503 DOI： 10.11834/jrs.20222173.
  •  
  •  
    论文导航

    摘要

    中国亚热带区域覆盖范围广，面积达240万km2。区内不仅自然景观复杂，多云多雨、多山多林，生物多样性丰富、是中国稻米主产区，而且多河多湖、多矿多污，生态环境十分敏感、自然灾害多发频发，迫切需要利用遥感技术监测其自然资源、环境变化与灾害现象。虽然近年来国内外已逐渐开展亚热带遥感应用研究，但缺乏对亚热带遥感理论与方法的系统性研究，共性与科学问题尚不明晰。本文总结分析了中国亚热带遥感的3个基本特征，按遥感数据类型梳理了中国亚热带遥感的应用实践；进而归纳出中国亚热带遥感实践的4个共性问题，指出亚热带遥感核心元素的主要特点、地理对象的复杂性与遥感信息的病态性，提出中国亚热带遥感的4项重点任务；然后，分析了当今中国亚热带遥感发展的历史机遇，阐述了中国亚热带遥感的创新发展途径，包括厘清人地现象的动态特征、聚焦亚热带遥感的科学问题、攻克不同层面的关键难题、结合应用需求开展技术攻关与重点研发。论文旨在推动亚热带遥感应用的创新发展、促进亚热带遥感理论与技术体系形成，进而助力卫星及航空遥感更好地服务于中国亚热带地区的资源环境监测、区域防灾减灾、生态文明建设与“双碳”目标。

    译

    Abstract

    The subtropical region of China covers a vast area with special and unique geographical characteristics. Typical geographical characteristics include complex natural landscape with a mass of mountains and forests, cloudy and rainy climate, and rich biodiversity. And the subtropical region is the major producing areas of rice in China. Moreover, the subtropical region has abundant rivers, lakes, and mineral resources, which induce the sewage from the mining area spread widely along the river basins. All these geographical characteristics lead to high ecological environment sensitivity and frequent natural disasters of subtropical region in China. The characteristics of remote sensing for large range of rapid observation make it essential for precise monitoring of natural resources and environmental disasters in the wide subtropical region. Furthermore, it is urgent to develop special remote sensing theory and technology for subtropical region in China, so as to support the sustainable development and ecological civilization construction. In recent years, many researchers have gradually paid their attention to the subtropical satellite remote sensing. Internationally, the research topics mainly include land use cover change, urban environmental monitoring, wetland mapping, earthquake damage and its secondary disaster monitoring, water quality monitoring, vegetation biomass inversion, and aerosol parameter inversion and so on. In China, scholars mainly focus on some specific applications, such as flood disaster monitoring, mangrove monitoring, and forest degradation etc. These works provide abundant cases and raw materials for the formation and development of the theoretical system of subtropical remote sensing. However, most of the current studies just concentrated on some particular objects, local areas, or specific problems. So far, the theory and technology system of subtropical remote sensing is still in its infancy, and lacks in systematic analysis on characteristics of research status, fundamental problems and future development. In this paper, we first described the basic characteristics of subtropical region of China and the related practice researches in remote sensing. In this part, we analyzed the practice of remote sensing in subtropical region from the perspective of remote sensing data sources, including optical, hyperspectral, microwave, and multi-source data. Furthermore, we discussed the common problems of the practical researches in subtropical remote sensing. In this part, we analyzed and pointed out the two fundamental problems of subtropical remote sensing, i.e. the problems of geographical objects and remote sensing information. Accordingly, we elucidated the key tasks and scientific problems derived from the two fundamental problems. Then, we analyzed the historical opportunity of subtropical remote sensing development, and put forward the core scientific problems and development approaches of subtropical remote sensing that should be focused on in the future. In conclusion, there are some basic features and common problems in subtropical remote sensing. The innovation and development of subtropical remote sensing, including the collaborative observations of multiple sensors and various platforms, are inevitable trend. This paper aims to explore the development ideas for theories and methods of subtropical remote sensing. Meanwhile, we commit to clarify the innovation direction of subtropical remote sensing technology and application. Most important of all, we hope to promote the application of remote sensing in resource and environment monitoring, disaster prevention and reduction, and ecological civilization construction in the subtropical region of China.

    译

    关键词

    亚热带遥感; 地理对象; 遥感信息; 资源环境; 自然灾害

    译

    Keywords

    subtropical remote sensing; geographical objects; remote sensing information; resources and environment; natural disasters

    译

    1　引言

    卫星遥感具有覆盖范围广、重访周期短、数据客观真实等优点，已成为全球多尺度对地观测的主要手段。近年来，不同波段及不同时空谱分辨率的对地观测卫星陆续升空，可获取时间连续性更好、空间分辨率更高、信息量更多的地球观测数据资源，被广泛应用于地表参数提取（

    梁顺林 等，2016；柳钦火 等，2011，2018）、灾害监测（吴立新 等，2021；眭海刚 等，2021）、全球变化（Gong等，2020；Zhang等，2021）和环境遥感（王桥 等，2018；王桥，2021）等重点领域。在遥感研究及应用中，由于某些研究区域或对象的特殊性，经常面临许多特殊难题。在解决这些难题的过程中，国内外学者不断开拓创新，逐渐形成并发展了多个遥感分支学科，如城市遥感（徐涵秋，2013；李德仁 等，2016；杜培军 等，2018；杜培军，2020；龚健雅 等，2019，林珲 等，2018）、农业遥感（吴炳方，2000；吴炳方 等，2019；陈仲新 等，2016）、大气遥感（陈良富 等，2015；李正强 等，2018）、极地遥感（Fraser等，2010；吴学伟 等，2011；胡冰 等，2021）、山地遥感（Buchroithner，1990；李爱农 等，2016a，b；Morley等，2019）、海岸带遥感（邢前国 等，2011；Brakenridge等，2013；李清泉 等，2016）、地震遥感（Wu等，2012；王晓青，2015；Qi等，2020）等，形成了百花齐放、百家争鸣的遥感生态，极大促进了遥感理论、技术与应用的丰富与发展。
    译

    亚热带又称副热带，是地球上热带与温带之间一个重要的过渡性气候带，大致分布在北半球（23.5°N—40°N）和南半球（23.5°S—40°S）之间（

    Peel等，2007）。亚热带夏季气温与热带相似，但冬季明显比热带冷，最冷月均温在零度以上。受海陆分布、行星风系、副热带高压等影响，不同亚热带区域的气候特征差别很大；一般分为4种类型，即大陆西岸型（地中海型）、大陆东岸型（季风型）、内陆型（干旱草原与荒漠型）和山地型。其中，地中海型亚热带秋冬季降水频繁，雨热不同季；远离海洋的大陆型亚热带水汽条件较差，多发展为半干旱或干旱的沙漠荒地。中国亚热带位于欧亚大陆板块的东岸、太平洋西岸的季风湿润区，地理位置十分独特（竺可桢，1958；杨勤业 等，2006）。受欧亚大陆东岸的海洋性季风和西边青藏高原地形的影响，中国亚热带地区水热条件丰富，雨热同季、气候适宜，成为举世闻名的鱼米之乡，并发育了世界上独特的亚热带常绿阔叶林（Ashton和Zhu，2020）。
    译

    中国的亚热带区域以丘陵和山地地形为主，丘陵和盆地交错，名山多姿、水网密布；不仅土地类型多样、生物资源丰富（

    林珲和张鸿生，2021），而且历史悠久、文化多彩、经济发达，是世界同纬度地区的一方宝地。但因地形多变且部分时段降水过于集中，也是世界上典型的地质灾害高发区域（Liu和Miao，2018），受滑坡、泥石流等地质灾害危害较为严重。中国亚热带地区复杂多变的自然环境与气象特点，以及零散多发的地质灾害与广域影响的流域污染，为中国亚热带资源环境与自然灾害的遥感监测分析评估带来了极大挑战。
    译

    相对于其他遥感分支学科而言，亚热带遥感受有效数据少、分析解译难等瓶颈约束而发展较晚，直到21世纪初才逐渐引起关注。按照柯本气候分类中亚热带地区的946个地名（包括国家、省份和主要河流、湖泊与典型地区），在Web of Science中限定检索类别为遥感（Remote Sensing），以亚热带（Subtropics、Subtropic、Subtropical）或亚热带地名或研究对象的中英文为关键词，检索截至2021-11-10前发表的相关文献，共得检索结果12253条，其中有6896篇研究论文、5371篇会议录论文；关于中国的检索结果有5452条，包括3821篇研究论文、2139篇会议录论文。论文发表与引用情况如图1所示。可见：2001年之前的文献很少，但2001年以后快速增长；2001年—2018年文章发表量从58篇增加到582篇，增长了10倍；2018年—2019年增幅超过30%，2020年—2021年持续保持高位增长（图1（a）），引用情况与发文量的变化趋势基本一致（图1（b））。近年亚热带遥感的发文量与被引次数的快速增长，表明亚热带遥感受到的关注越来越多，并迅速成为遥感研究的热点与前沿方向。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图1  亚热带遥感发文量及被引数（Web of Science统计）

    Fig. 1  Literature on subtropical remote sensing （data source： Web of Science）

    经过近20年快速发展，亚热带遥感研究也逐渐呈现多元化发展态势。国际上亚热带遥感的相关研究主题主要包括：土地覆盖变化监测（

    Prasad等，1990；Thenkabail等，2005；Berlanga-Robles和Ruiz-Luna，2011；Malahlela等，2014；Monteiro等，2021）、城市环境监测（Da Costa和Cintra，1999；Nichol等，2006）、湿地制图（Rio和Lozano-Garcı́a，2000；Morris等，2019）、震害及次生灾害监测（Kaya等，2005；Lacroix等，2015）、水环境与水质监测（Rajesh等，2020；Kim等，2020；Lee等，2020）、植被生物量反演（Rajapakse等，2002；Madugundu等，2008；Masemola等，2016）、气溶胶参数反演（Carvalho和Henriques，2000；Mhawish等，2021）等。
    译

    中国亚热带主体为季风湿润气候，多云多雨导致水系发达、河湖密集；由于人口增长、快速城镇化及矿产资源大规模开发，区域资源环境面临空前压力，绿色发展要求与生态文明建设背景下产生了许多新的遥感监测需求。围绕城市下垫面变化（

    徐涵秋，2013；Zeng等，2015；龚健雅 等，2019；Jing等，2021）、洪涝灾害（Liu等，2014；眭海刚 等，2021；许小华 等，2021；郭山川 等，2021；黄诗峰 等，2021）、红树林（Chadwick，2011；Jia等，2015；张雪红，2016；Chen等，2017）、森林退化（Zhang等，2014；徐欢 等，2018；陈斌 等，2019）等具体问题，学者们开展了一些独具特色的研究，丰富了亚热带遥感的应用实践。
    译

    但是，亚热带遥感理论与技术的综合、系统性研究尚处于起步阶段。目前研究大多集中于对某一特定对象、局部区域或某些具体问题，对于亚热带遥感的基本内涵、共性问题、主要任务、发展机遇和发展途径等论述较少，尚未发展成为专门的亚热带遥感理论与技术体系，综述文献几为空白。近期，

    林珲和张鸿生（2021）对当前热带和亚热带遥感研究现状进行了综述分析，总结了热带与亚热带遥感研究的主要对象、所用遥感技术，讨论了热带与亚热带遥感面临的挑战与机遇。但是，亚热带和热带存在较大差异，尤其中国亚热带覆盖区域要远多于热带，而且人口众多、地貌多样、地形复杂，经济发展水平、人文地理环境各异，亚热带面临的科学问题具有独特性和挑战性。因此，亟需针对中国亚热带地域特色、面向国家重大需求，大力发展亚热带遥感理论、方法和技术体系，支撑中国亚热带可持续发展、生态文明建设与“双碳”目标实现。
    译

    本文拟从中国亚热带遥感基本特征分析出发，按数据类型梳理中国亚热带遥感的应用实践；进而总结中国亚热带遥感实践面临的共性问题，分析亚热带遥感核心元素的特点，提出亚热带遥感的重点任务与科学问题；并响应时代主旋律，阐述中国亚热带遥感的发展机遇，探讨创新发展途径。

    译

    2　中国亚热带遥感应用实践

    2.1　中国亚热带遥感的基本特征

    亚热带区域一般自然环境复杂、气候类型多样、地物种类繁多、地表覆盖破碎，尤以中国亚热带区域为最。中国亚热带区域主要位于秦岭—淮河以南、雷州半岛以北、横断山脉以东的广大区域；属于大陆东岸型季风湿润区，面积约240万km2，占全国国土面积的25%左右；区内人口密集，约占全国总人口的50%，且社会经济发展差异较大。受季风环流和青藏高原影响，该区域多云多雨、夏季暴雨频繁，年降水量达1000—2000 mm，易诱发滑坡、泥石、崩塌、水土流失及洪涝灾害；而冬夏干湿差别不大，冬季也有相当数量的降水，冻害、冰雹及高山区雪害也时有发生（

    寇志翔 等，2020）。中国亚热带区域地形地貌、气象条件与生态系统的复杂性，造成该地区卫星观测困难、遥感应用实践不足。
    译

    结合中国亚热带的自然条件和遥感应用实践，分析认为中国亚热带遥感具有3个基本特征：（1）监测区域广、自然景观多样：中国亚热带覆盖范围广，气候类型多，经常云雾缭绕，可使用的有效光学影像少；且地形地貌复杂多样，地物之间相互影响，遥感信息复杂、定量建模困难；（2）监测要素多、人地交互强烈：中国亚热带地区降雨丰沛、温度适宜，自然资源极为丰富，不仅森林类型多，植被、作物、矿产等资源丰富，且人地交互作用与系统耦合关系强，影响因子多，演变过程复杂，遥感监测困难、定量分析不便；（3）环境变化快，生态系统复杂：中国亚热带河流湖泊众多、雨量充沛，加上山区分布广，滑坡、泥石流、旱涝等自然灾害频发，导致环境变化快，对遥感监测的时效性要求很高，单一平台、单一模式难以奏效。需要协同利用多平台、多模式遥感监测的综合优势，探索解决中国亚热带资源环境与自然灾害监测面临的具体问题。

    译

    2.2　中国亚热带遥感应用实践

    2.2.1　基于光学数据的应用实践

    光学遥感利用可见光、近红外和短波红外对地物进行成像观测，是发展最早、应用最广的遥感对地观测技术。光学遥感的优势是免费数据多，可从不同空间分辨率、长时间序列对地表进行监测和分析。典型的光学遥感数据包括Landsat、Sentinel-2、中国的高分及风云卫星系列数据等。亚热带光学遥感的典型实践包括：地表覆盖分类（

    张彦忠和张福祥，1994；李振 等，2018；何云 等，2019）、植被/水体信息提取（方朝阳 等，2016；刘鲁霞 等，2019；Lin等，2021）、土地利用变化监测（Zhang等，2014；Lu等，2015）、城市扩张及热环境效应监测分析（Feng等，2014；刘文斌 等，2018；李雅箐 等，2018）等。
    译

    早期光学遥感数据的空间和光谱分辨率都较低，只能对某些典型地表要素进行分类，难以实现地物精细分类（

    雷福光 等，1984）。随着传感器技术发展，光学影像的空间分辨率不断提高，空谱信息协同使用等有效提高了影像解译效果。亚热带应用场景随之增多，实现了亚热带竹林（Mao等，2017；Li等，2019b；Ji等，2021）、红树林（Jia等，2015；张雪红，2016）、马尾松（申鑫 等，2015；徐念旭 等，2018）等典型地物的遥感分类；在亚热带环境监测中也得到较好应用，如水体污染监测（王行行 等，2020；Lin等，2021）、大气污染（朱金盛，2015；Wang等，2019a）等。
    译

    随着卫星影像时间分辨率的不断提高，光学遥感在亚热带地表覆盖、城市扩张与大气环境监测方面开始发挥重要作用（

    Zhang等，2020；Li和Cheng，2021；Jing等，2021）。例如，汤玉奇等（2016）利用长时序Landsat数据，监测改革开放以来长株潭城市群扩张过程，揭示了长株潭的多中心发展模式；Tang等（2014）利用红外数据反演分析长株潭地表温度演化特征，发现高温区空间分布与城区范围基本一致，且随城市扩展而向外延伸；牟昱璇等（2020）利用Sentinel-2A影像，结合面向对象和决策树分类，提取了南方地形复杂地区的破碎型耕地信息。此外，光学遥感数据在洪涝灾害监测（Liu等，2014；黄诗峰 等，2021）、植被病虫害监测（赵晓阳 等，2019；Dong等，2020b）方面也得到了大量应用。
    译

    尽管如此，由于中国亚热带地区常年云雾缭绕、光学卫星有效数据少，导致现有的遥感专题产品时间分辨率不足。地表覆盖变化监测一般只能做到年际尺度，难以厘清亚热带区域人地现象的动态特征，限制了高动态、专项监测工作的有效开展。

    译

    2.2.2　基于高光谱数据的应用实践

    高光谱遥感本质上属于光学遥感，但因其纳米级的光谱分辨率，使得地物精细分类成为可能。高光谱遥感技术发展及其亚热带应用实践，带动了亚热带遥感研究开始由定性向半定量、定量转变。近年，研究提出了许多专用算法、模型与数据库，包括亚热带大气、水、植被、矿物等理化参数的提取与反演，并应用于城市环境与植被生物量评估、云检测、气溶胶反演、叶绿素反演、沉积物反演、生物多样性反演等方面（

    Nichol等，2006；Zhang等，2018；Chen等，2020b；Jiang等，2020；Lee等，2020；栗旭升 等，2020；Xie等，2022）。利用高光谱遥感可实现叶绿素信息的精确提取，对植被健康评估、水体环境监测等有重要意义（Zhang等，2018；Jiang等，2020）。MODIS作为一种广泛应用的免费高光谱数据，在气溶胶光学厚度反演（He等，2010）、植被生产力评估（周峰 等，2012；Fu等，2013）、亚热带典型地物（如橡胶林、竹林等）的物候分析（刘晓娜 等，2012；崔璐 等，2019）等方面，均有成功应用。
    译

    由于新型高光谱遥感静止卫星的时间分辨率提升，使得亚热带大气遥感连续监测成为可能。例如，

    Wang（2019c）、Li（2019a）等同步开展了静止卫星Himawari-8在中国中东部的验证工作，分析气溶胶光学厚度（AOD）产品在不同地区、不同季节、不同地表类型情况下的性能差异，并改进了反演算法，提升了L3产品精度。在大气细颗粒物浓度估算方面，Wang等（2019b）提出一种基于两级模型和静止卫星的中国中东部AOD-PM1估算模型，提高了遥感估算精度，并据此分析了2015年—2017年中国中东部PM1浓度分布特性。
    译

    近年，无人机高光谱技术发展较快，其获取影像的较高空谱分辨率使得地物遥感精细识别得以实现，已在植被病害、精细农业、水质反演等方面取得了显著效果（

    杨振 等，2020；梁辉 等，2020；邓小玲 等，2020）。但由于无人机数据获取成本高、能力有限，尤其是作业过程受云雨限制，难以在亚热带区域大范围、常态化铺开。
    译

    总之，高光谱遥感的亚热带应用面临着与光学遥感同样的问题，即受多云多雨影响，有效数据获取有限，导致现有的定量产品时间分辨率不足，地物分类与环境健康类遥感产品一般只能做到季节尺度，难以支撑亚热带可持续发展研究与生态文明及“双碳”目标管理需求。

    译

    2.2.3　基于微波数据的应用实践

    微波信号包括地物的微波辐射（对应被动微波遥感）和卫星的微波发射（对应主动微波遥感），因波长较长而能不同程度地穿云透雾，不受天气和光照条件限制，可全天候全天时获取地表信息，是亚热带遥感监测的重要手段。此外，微波遥感信号与观测对象的几何结构、介电特性、表面状态等属性特征密切相关，具备有别于光学遥感的独特观测能力（

    Jendryke等，2017）。国内外利用不同的主被动微波遥数据，在植被结构信息反演（Chen等，2017；刘雪莲 等，2020）、土壤水分反演（罗宇 等，2020；刘万侠 等，2011；Feng和Liu，2014，2015）、灾害灾情监测（Wang等，2021；孙涛 等，2021；刘小莎 等，2021）、大气与海洋参数反演（Zheng等，2019；Liu等，2020；方莎莎 等，2020）等方面开展了大量研究。例如：刘雪莲等（2020）利用Sentinel-1A的VV、VH极化后向散射系数，设计了森林蓄积量估算模型，实现了云南思茅地区森林蓄积量的遥感反演。Qi等（2020，2021a，2021b）基于AMER-E和FY-3D微波数据，分析了汶川、雅安、宜宾地震的多波段、多极化微波亮温异常显现，发现其高值异常区与地表盖层及地形有关。
    译

    星载合成孔径雷达（SAR）数据在中国亚热带也已得到实际应用（

    尹宏杰 等，2011；Jiang等，2016；Wang等，2017；Hu等，2019；刘琦 等，2019），但受茂密植被与复杂地形影响，应用性能有待提升。例如：Zhao等（2018）基于Sentinel-1A、利用DInSAR技术并结合GNSS观测，获得了2017年九寨沟地震的同震形变，但受植被影响导致同震形变场不完整。Shi等（2015）基于TerraSAR-X数据，利用点目标偏移量追踪技术获取了三峡树坪滑坡的三维形变及历史变形，并据此分析了库水位变化对滑坡形成的影响。相较于中短波SAR数据，长波SAR数据可更好克服失相干影响。Shi等（2016）基于长波ALOS PALSAR数据，获取了三峡库区大范围的地表形变，探测出大量的活动滑坡及其变形范围，并通过影像重叠区域验证了结果的可靠性。
    译

    总之，微波遥感因其斜距成像模式，易受地形尤其是险峻地形影响，监测精度有待提升；茂密植被进一步限制了InSAR和非长波SAR技术的应用。由于微波图像的空间分辨率与穿透植被能力受波长的影响互逆，亚热带地表尤其是林下地表的变形监测难以兼顾点位密度与监测精度。现阶段有效的长波SAR数据源不足，尚难形成对中国亚热带地区地表形变监测的良好技术支撑。

    译

    2.2.4　基于多源数据的应用实践

    无论是光学、高光谱还是微波遥感，单一模式的能力有限，只能从某个角度或某一方面反映地表信息，无法全面描述地物形态与属性。因此，多源遥感数据的联合使用成为必然（

    申鑫 等，2015；徐婷 等，2015；Chen等，2020b；Jiang等，2021；Miao等，2019；Wu等，2020）。主、被动遥感协同，能有效克服亚热带区域多云多雨导致有效数据不足的问题；LiDAR技术的引入，有利于解决亚热带遥感面临的实际问题。例如：徐婷等（2015）基于机载LiDAR与Landsat 8 OLI数据，开展了亚热带森林生物量估算研究，模型精度优于单一数据结果；许振宇等（2020）联合Sentinel-1A 和Landsat 8的主、被动遥感数据，实现了湖南桂东县森林生物量反演；孙涛等（2021）针对中国茂密植被山区地质灾害高位、隐蔽性特点，利用机载LiDAR开展地质灾害调查，提高了茂密植被山区地质灾害隐患的早期识别能力；刘小莎等（2021）以九寨沟震区的日则泥石流沟为例，基于机载LiDAR数据并结合卫星影像，有效开展了泥石流物源识别研究。
    译

    此外，传统遥感数据与夜光遥感卫星数据的结合，也在中国亚热带发挥了重要作用（

    Pan和Hu，2018；Chang等，2019；Chen等，2020a）。含位置信息的地理数据如地面气象监测数据、GPS数据等引入，也为亚热带遥感监测提供了新思路（Chen等，2018；Wu等，2021）。例如：赵鑫等（2020）结合NPP/VIIRS夜光和POI数据，研究了广州市人口空间变化；Wu等（2021）综合利用遥感大数据、POI和机器学习算法，研究了2000年—2015年广东惠州中心城区土地利用的细尺度扩张机制；Chen等（2018）融合气象与GNSS数据反演大气水汽，构建了湖南GNSS测站的水汽含量（PWV）垂直变化模型，生成了精度优于3 mm的PWV图，提升了天气预报能力。
    译

    多源数据为亚热带遥感提供更多信息支撑与应用可能的同时，也带来了新的难题。一是多源数据获取时间不同，期间观测对象属性可能发生了变化，难以保证数据融合的准确性；二是多源数据协同机理研究较少，难免忽略不同源数据的成像机理差异。目前，亚热带遥感实践应用主要还是面向简单场景或单一要素，面向复杂对象与多要素复合的复杂场景、复杂过程的遥感应用很少，尤其关于多要素—复杂场景—地学知识的耦合研究极为匮乏。

    译

    3　中国亚热带遥感的共性问题

    总体上，目前国内外亚热带遥感实践主要还是针对特定地区或具体问题而开展的，对共性问题缺乏总结分析，导致人们对亚热带遥感的认识与理解还比较粗浅、不够全面。因此，亟需系统性梳理，厘清中国亚热带遥感的面貌与共性问题。基于中国亚热带地区的地理特征与遥感应用现状分析，本文将其共性问题总结为4点，如图2所示。

    译

    fig

    图2  中国亚热带遥感应用现状与共性问题

    Fig. 2  Current situation and common issues of subtropical remote sensing applications in China

    icon 下载:  原图 | 高精图 | 低精图

    （1）多云多雨，光学遥感信息少。受季风气候影响，中国亚热带最显著的特征之一就是多云多雨。例如：长江中下游地区的“梅雨期”一般维持1个月以上（

    杨勤业 等，2006），导致期间光学和高光谱遥感数据难以获取。统计全年数据可知，目前亚热带光学遥感数据的单点有效日一般低于40%，区域有效日低于20%（贺军亮，2020），导致光学卫星难以有效发挥监视作用。因此，光学遥感在亚热带地理国情、地表覆盖、自然资源、粮食估产、空气质量、城市热岛、作物病害、灾害应急等领域的监测应用十分受限，现势性差。联合其他观测手段，比如微波遥感、无人机遥感，发展亚热带遥感协同监测技术，显得十分迫切。
    译

    （2）多山多林，遥感分析误差大。中国亚热带山区面积广、常绿森林覆盖率高，山林地区空气湿度大，即便是晴朗日子也常云雾缭绕、水汽多变，不仅制约了光学遥感的成像质量（

    Du等，2019；单娜 等，2009），而且会因大气延迟影响而扰乱InSAR干涉测量效果（Li等，2012）。复杂陡峻的山区地形不仅加强了地物之间的相互作用、加剧了信息混叠效应，而且造成地面目标细碎混杂、相互遮挡、形成阴影，地物信息混叠与损失严重（颜梅春，2007；Dong等，2020a）。如此，强化了“同物异谱、同谱异物”现象，增大了遥感数据解译难度与分析误差。多山多林地区有效信息缺乏、“信息灰色”，茂密林区的林下目标、林下地形和林下形变遥感监测十分困难。由此，山地地形、山地生态、水土涵养、物种分布、土地利用、道路网络、山地灾害、非法开采等监测需求均面临许多不确定性，难以实现亚热带山林地区精准监测与精细制图。
    译

    （3）多河多湖，灾害遥感应急难。中国亚热带以季风性湿润气候为主，一年四季降水丰沛。长江、珠江、淮河及其众多支流纵横交错，鄱阳湖、洞庭湖、太湖等大型湖泊密集，水系发达、水网稠密。多河多湖涵养了水土，也易形成泥石流、堰塞湖及洪涝灾害，加剧污染物扩散风险、延伸灾害时空影响范围。以云贵川为例，该地区面积占全国易发生自然灾害的“灾三角区”约一半。受制于地形、气候、技术等因素，现有的遥感观测能力及现行的灾害应急技术体系，均离中国亚热带灾害遥感的时效性需求差距很大。未来不仅要发展灾害信息智能化、实时化处理技术，还须加强对孕灾环境、承灾体、灾情及灾害链过程的基础研究，提升动态监测与准确分析能力，建立适合中国亚热带特点的灾害应急服务技术体系，以满足亚热带复杂环境及灾害链过程的应急任务需求。

    译

    （4）多矿多污，环境遥感任务重。中国亚热带地区涉及16个省市，其中有色金属开采量大面广，湖南硫化物矿、江西铜与稀土矿、福建金铜矿、广西铅锌矿、广东铀矿等，占据了全国有色金属开采的半壁江山。矿产资源开采与加工过程形成了大量尾矿库和排污点，在全球变化、地震扰动与强降雨背景下是生态环境安全的重大隐患。水系流经矿区，造成重金属等污染物在流域内不断迁移、富集、沉淀，威胁到流域水土环境、植被生态与粮食安全（

    饶宝文，2014；李恒凯 等，2014；黎伟田，2018；郭尚其 等，2019；Liu等，2019；华语，2020）。由于污染物遥感信息微弱、地表干扰因素众多，对矿区生态环境进行遥感监测异常困难。目前，中国亚热带矿区生态环境调查、水土气污染监测、生态风险评估、尾矿坝早期预警等，主要依赖实地取样，任务重、时效性低，基于遥感监测的定量模型和分析方法积累严重不足。
    译

    综上，中国亚热带地区的特殊地形地貌、气候特征、地表覆盖与人类活动，不可避免地给信息提取、变化检测、分析研判、遥感建模等带来诸多挑战，尤其导致亚热带遥感监测受阻、遥感信息灰色、遥感应急不便、遥感建模困难。

    译

    4　亚热带遥感核心元素与重点任务

    针对中国亚热带遥感的基本特征与国家需求，剖析亚热带遥感的核心元素及其主要特点，提出亚热带遥感的重点任务，是构建亚热带遥感理论与技术体系的基础。

    译

    4.1　亚热带遥感核心元素的特点

    顾及对象—信息的内在逻辑，本文提出亚热带遥感的2个核心元素——地理对象和遥感信息，并深入剖析其主要特点（图3）。

    译

    fig

    图3  亚热带遥感的核心元素与重点任务

    Fig. 3  Major elements and key tasks of subtropical remote sensing

    icon 下载:  原图 | 高精图 | 低精图

    （1）地理对象的复杂性：因中国亚热带地区的地理特征为多云多雨、多山多林、多河多湖、多矿多污，故其地理对象与自然场景组成复杂、成份多样、属性多变。不仅地理对象与自然场景普遍具有立体混合、层次交织、形态破碎的特点，使得遥感像元的混叠现象严重、边界特征模糊，导致地物对象精细区分难度大。而且混叠植被对象的物候变化不同步、差异交织，使得遥感影像序列的不确定性增大，导致植被对象的变化检测存在本质困难。还因地形起伏背景下地理对象相互穿插、不同地物之间相互影响，导致遥感识别的难度大幅提升。

    译

    （2）遥感信息的病态性：受山地阴影、云雾遮挡、降雨干扰等影响，遥感数据经常失效或缺失严重，遥感信息不完备。亚热带复杂环境中的地物单元破碎且相似度高，传感器的分辨率难以与之适宜；复杂自然场景与复杂地理对象经由辐散混叠效应、传输路径影响和传感器综合成像，并受环境散射、云雨及气溶胶辐射干扰，最终体现为遥感信息的病态性。具体包括：辐射观测信息零散杂乱、遥感信噪比低，同谱异物、同物异谱现象严重；地物的光谱特征常常发生峰谷偏移与阈值漂移。综上导致，亚热带遥感信息解析与参数反演困难，地物分类与定量解译的精度提升极具挑战性。

    译

    4.2　中国亚热带遥感的重点任务

    针对亚热带地理对象复杂性与遥感信息病态性问题，分析提出亚热带遥感理论、技术及应用发展的4项重点任务如下：

    译

    （1）建立一整套亚热带遥感定量模型。遥感定量模型旨在解决遥感目标的地学描述与定量反演问题，目前基于统计和基于信息物理的定量遥感模型在亚热带地区均遇到挑战。统计模型通常建立在陆表变量与遥感数据的相互关系基础上，地形简单时其表达性良好；但在亚热带复杂地形条件下因邻近效应加剧，其拓展性与适宜性受到很大限制（

    李爱农 等，2016b；靳华安 等，2016；周桃勇 等，2020）。信息物理模型是建立在对现实场景抽象概括的基础上，抽象过程中变量选择和质量控制对模型的有效性影响巨大，亚热带多山多林必然导致几何光学模型复杂化。因此，针对中国亚热带地区的特点，围绕植被净初级生产力、叶面积指数、叶绿素含量、土壤湿度与地表温度、土壤污染物成分与含量、气溶胶光学厚度、大气成份与微粒悬浮物等关键参数的定量反演需求，科学有效地处理地形影响与云雨吸收场景下的辐散变化，构建一整套基于亚热带云物理的新型辐射传输与定量反演模型，并且增强地形复杂场景下遥感定量模型的鲁棒性、可迁移性与可拓展性，是中国亚热带遥感科学研究面临的首要任务。
    译

    （2）实现精细化亚热带遥感分类制图。遥感分类制图不仅依赖高空谱分辨率的遥感数据，也依靠高质量的信息处理模型。高的光谱分辨率可提升地物目标类型的精细区分能力；高的空间分辨率对小尺度地物（如细小水体、农家作物、违章建筑、非法排放等）监测识别至关重要。但光谱及空间分辨率提升带给亚热带遥感的实效有限。以植被为例，亚热带地区植被立体混杂生长，不同种类及亚种的犬牙交接、边界模糊，区分难度大；加上植被物候带来的属性变化，仅仅依靠光谱分辨率的提升，植被分类精度改进有限。而空间分辨率的提高往往伴随地物阴影、地形效应和对象拆解，也会制约分类制图精度的提升。此外，受制于多云多雨的成像条件，原始数据可用性往往不高，需要开展大量数据预处理与质量改进工作。因此，如何提升遥感数据质量及有效性，研发轻量级、高精度的特征描述模型与精细分类方法，是中国亚热带遥感技术发展面临的首要任务。

    译

    （3）实现高精度亚热带遥感动态监测。中国亚热带地区的典型动态监测需求包括：耕地非农化非粮化、土地复垦、经济作物病虫害/生长状态监测、森林采伐迹地信息提取、非法采矿与排污监控、绿色矿山、低碳排放与“双碳”目标等。这些监测任务不仅时相要求高，而且空间分辨率要求也高，两者往往难以兼顾。一个解决方法是降低对空间分辨率的要求，提高时间分辨率，但这很难满足一些精细场景的动态监测需求。另一办法是增加可利用的数据，如引入SAR、LiDAR和众源数据来弥补光学数据的不足。但因不同类型数据的观测机理与获取模式差异巨大，多模异构数据的融合与协同还存在诸多困难。因此，如何处理和解决亚热带区域多源数据协同问题，建立连续、有效的动态监测数据集，构建面向亚热带应用的多源遥感数据处理与监测模型，是中国亚热带遥感应用发展面临的首要任务。

    译

    （4）服务亚热带灾害应急与协同观测。中国亚热带因地形复杂、河湖交错、气候多变，容易发生洪涝、滑坡、堰塞、溃坝、泥石流等自然灾害。受矿产资源开发、高速铁路修建、地下水开采、城市地下空间建设等扰动影响，经常发生地表沉降、矿区塌陷、水体污染等环境灾害。从灾害监测、预警到应急救援，再到灾害链跟踪和灾后重建评估，是一个系统工程，使得应急服务任务重、难度大、战线长。遥感技术服务亚热带地区灾害应急的研究虽有所开展，但相对分散，系统性不足；并且多数产品的时效性很低、模型可迁移性不足，不能直接应用。因此，如何整合星/机载的光学、高光谱、红外、雷达遥感及地面站点与物联网的多源观测数据，建立空—天—地—网立体协同的综合观测模型与应急服务技术体系，提高重大突发灾害的应急聚焦观测与决策服务能力，是亚热带遥感技术与应用创新的首要任务。

    译

    总之，亚热带遥感核心元素的问题分析与重点任务的确立，有利于促进亚热带遥感从面向特定区域和具体问题的专题性研究转变为对整个区域与共性问题的系统性研究，有益于从对单一遥感应用技术的研发上升到对亚热带遥感服务模式的构建，进而促进亚热带遥感理论方法与技术体系的建立。

    译

    5　中国亚热带遥感发展的机遇与途径

    中国亚热带遥感理论与技术创新及其体系构建，应响应时代脉搏、与时俱进。抓住百年变局的历史机遇，谋求中国亚热带遥感的创新发展责无旁贷。以下分别从4个方面论述中国亚热带遥感的发展机遇与创新发展途径（图4）。

    译

    fig

    图4  中国亚热带遥感发展的历史机遇与创新途径

    Fig. 4  Historical approaches to the creativity and innovation of subtropical remote sensing of China

    icon 下载:  原图 | 高精图 | 低精图

    5.1　亚热带遥感发展的历史机遇

    在人工智能、大数据、云计算等新技术蓬勃发展的大背景下，多学科综合交叉的遥感科学与地学问题研究步入了新的发展阶段，为中国亚热带遥感理论与技术发展提供了难得的历史机遇，主要体现在以下4个方面：

    译

    （1）各类遥感数据极大丰富。近年来，各种对地观测卫星陆续升空，不同分辨率（时间、空间、光谱）的卫星遥感数据爆炸式增长。光学、高光谱、微波卫星协同机载观测（多载荷无人机）与地面观测（激光雷达与物联网等），开始形成多模式空—天—地—网立体观测系统，极大丰富了对亚热带地区自然及人文要素的综合、全面感知能力，使得协同观测与精细刻画亚热带地区的复杂地表过程与人地系统相互作用成为可能。

    译

    （2）大数据地学应用渐成范式。人工智能与大数据技术蓬勃发展，大数据地学应用渐成范式，为亚热带遥感新内涵新方法的拓展及理论与技术体系构建（比如智能遥感、复杂场景认知、地灾感知认知等）提供了丰富养料与技术途径。亚热带遥感研究结合地学大数据与云计算，必将促进遥感技术和人工智能的深度融合，推动亚热带智能遥感理论的建立和技术发展。

    译

    （3）人地系统相互作用备受关注。全球变化与城市化背景下，亚热带陆表要素与人类活动的相互作用加剧，人地关系出现新格局。需要从不同时空尺度去研究水、土、气、生多要素的时空变化格局，及时分析预测人地系统的重大事件如暴雨洪涝、台风火灾、地震海啸、滑坡泥石流、水华浒苔、生态灾难及其演变过程。人地系统的这些重大议题丰富了亚热带遥感应用的主题，人地系统科学的研究成果也为亚热带遥感模型与方法的创新发展提供了新动能。

    译

    （4）生态文明与“双碳”目标任务艰巨。生态文明与“双碳”目标的提出，拓宽了亚热带遥感的视野与舞台。建立亚热带生态环境与碳收支立体监测体系，构建亚热带自然资源“山水林田湖草沙” 与亚热带环境系统“城镇乡村厂矿园”一体化监管体系，势在必行、任务艰巨。该监测/监管体系的构建，不仅将革新亚热带遥感应用方向、促进亚热带遥感理论与技术创新，而且将为亚热带生态文明建设与“双碳”目标实现提供数据保障与技术支撑。

    译

    综上，亚热带遥感未来发展应基于自身的核心元素与重点任务，面向生态文明与“双碳”目标、结合人地系统相互作用、融合地学知识与大数据范式、充分利用多源观测数据，驱动亚热带遥感理论创新、技术突破与应用拓展。

    译

    5.2　亚热带遥感的创新发展途径

    针对亚热带遥感的核心元素、重点任务和发展机遇，本文从4个方面提出并论述中国亚热带遥感的创新发展路径。

    译

    （1）厘清人地现象的动态特征。地理对象因自身特性和人地关系的不同，其变化频率差异很大，对目标及现象进行遥感监测的方式方法不能一概而论。需要厘清不同对象与现象的动态特征，按其变化规律而发展相应的遥感技术，构建与之适宜的观测系统。在中国亚热带区域，地理对象与人地现象的动态特征大体可分为4类：

    译

    1）低动态：被监测对象变化缓慢，逐月或逐年的监测频率即可对其变化实现较精确评估。典型应用包括森林植被、土壤类型、长期水量平衡、土地利用、城市环境等变化的遥感监测。

    译

    2）中动态：被监测对象变化较为缓慢，逐日或者逐月的监测频率即可满足对其变化信息的动态跟踪。典型应用包括水体养分、湿地状态、农业活动、重大工程、矿区沉降、滑坡隐患、路网结构等变化的遥感监测。

    译

    3）高动态：被监测对象变化快速，需要逐日甚至逐小时地提取其发展变化信息。典型应用包括气象过程、台风过境、洪涝灾害、战场环境、违建抢建等动态目标与现象的重点监测。

    译

    4）极高动态：被监测对象的变化非常快速，短时间内对象场景的变化直接影响相关信息处理及应急决策，需要进行逐分钟甚至逐秒的信息监测。典型应用包括地震滑坡、泥石流、火灾，以及应急抢险、交通出行等的跟踪监测。

    译

    （2）聚焦亚热带遥感的科学问题。因中国亚热带多云多雨、多山多林、多河多湖、多矿多污，地理场景复杂多样、地物对象复杂多变、地物之间混杂叠掩，导致遥感像元立体混合、遥感信息呈现复杂病态，极易产生信号失真、数据失效、特征模糊、难以区分等问题，给亚热带遥感创新发展带来了巨大挑战。笔者认为，亚热带遥感面临的科学问题包括5个方面，即：复杂场景的认知解构理论、辐射传输的三维耦合效应、多相扩散的时空反演模型、叠混像元的精细解混方法和云雨情景的辐散吸收变化。围绕这些科学问题进行基础研究与攻关突破，方能为亚热带遥感理论与技术体系构建奠定科学基础。

    译

    （3）攻克不同层面的关键难题。本文尝试从遥感技术、信息处理和遥感应用3个层面，分别对中国亚热带遥感面临的关键难题进行剖析。

    译

    1）遥感技术层面：虽然已有包括主被动星载、机载在内的多模态遥感数据，但缺乏专门面向亚热带的遥感数据资源。针对中国亚热带的地理特点与遥感需求，应创新遥感载荷与探测参数，发展针对中国亚热带地表监测的新型卫星与载荷体系，包括优先发展长波段微波遥感卫星。此外，需要联合多平台多载荷实现多星虚拟组网，构建针对亚热带遥感的专用卫星体系和观测平台，解决亚热带遥感连续观测与数据缺失问题。

    译

    2）信息处理层面：针对亚热带遥感信息特点，应大力发展多源遥感匹配和融合处理技术，实现亚热带多源遥感信息的互补增强。亚热带地区场景复杂，应融合地学知识，研建典型要素—场景—知识图谱模型，构建亚热带地物遥感信息库，实现亚热带区域典型地物的智能提取和自动分析。在处理方法上，需要发展空谱卷积神经网络等智能提取技术，解决亚热带遥感信息处理面临的瓶颈问题。

    译

    3）遥感应用层面：遥感应用涉及人类生产生活的方方面面，每一具体应用都有其特定需求。比如：针对亚热带独特的马尾松、竹林、红树林、水稻、辣椒等物候特征的遥感识别，应发展多尺度时间序列的物候监测技术，服务生态质量评估与碳中和目标；针对亚热带地区的滑坡、泥石流、洪涝等灾害监测需求，应发展灾害智能感知认知技术；针对亚热带自然资源调查监测需求，应发展大数据协同处理和共享服务技术。

    译

    总之，每个层面的问题不同，对亚热带遥感发展提出了不同要求。因此，要紧扣3个层面的需求与目标，聚焦关键问题、典型要素和特定应用，建立不同层面的亚热带遥感技术体系。

    译

    （4）结合应用需求开展技术攻关与重点研发。在应用层面，需要结合不同的应用需求开展相应的技术攻关与重点研发，具体对策包括：

    译

    1）融合多源时空谱数据，提升遥感总体分辨能力：光学、高光谱、SAR、InSAR、LiDAR、众源等数据为亚热带对象识别提供了新的可能，多平台、多时相、多角度、多参量和多极化数据的空谱融合与联合运用，可谓变化无穷。以亚热带耕地功能变更、撂荒与消退状况调查为例，其精细识别依赖于辐射传输与物候信息模型；故可利用多源数据，综合提取植物颜色、纹理、光谱、介电特性等随物候变化的物理信息与关键参数。

    译

    2）协同主被动微波遥感，实现云雾及林下地物观测：主被动遥感信息具有很好的互补性，考虑星载与机载结合、极化与干涉结合、辐射与散射联合，可望解决多云多雨多雾条件下光学数据失效、可用性低的问题，有效提高云雾下地物观测精度。长波段微波对茂密植被有较好的穿透性，对林下道路、地形及形变观测也十分有益，是解决亚热带林下道路遥感制图与地表形变监测的关键技术。

    译

    3）发展多模组网综合观测，提升遥感数据时空覆盖能力：亚热带地区卫星观测有效数据少，时空覆盖有限。顾及不同卫星的遥感原理、技术特点与信息能力，从不同轨道和观测角度对目标场景进行成像，可获得不同模式、多种时相和不同分辨率的有用有效信息。因此，综合利用极轨、静止和视频等卫星资源，发展多模组网综合观测，是提升遥感数时空覆盖能力的必由之路。

    译

    4）进行天—空—地—网立体协同，实现参数互补增强及异常发现识别：亚热带区域的灾害应急监测需求大，但灾后常伴有阴雨天气和次生灾害，导致数据获取困难，难以精准把握灾情变化及灾害链演进过程。这就需要开展天—空—地—网立体协同观测，做到时、空、谱、参多种信息的互补，实现数据获取模式、获取能力与时效性的增强，提升灾前异常信息的快速发现能力与灾变过程的跟踪监测能力。比如：亚热带区域的非法采矿活动与违章排污行为的遥感监察、山体及矿山坡坝的滑坡隐患识别等，均对多模数据的协同应用与时效性有很高的技术要求。

    译

    6　结语

    目前，中国亚热带遥感应用主要侧重于特定问题、特定对象或特定区域，存在光学遥感信息少、遥感分析误差大、灾害遥感应急难、环境遥感任务重的共性问题。应用实践虽已取得不少成效，但这些应用研究在很大程度上相互独立、不成体系，研究成果缺乏整体性与普适性。要实现中国亚热带地区长时序、大范围、高精度的智能化遥感监测，还有很长的路要走。鉴于中国亚热带多云多雨、多山多林、多河多湖、多矿多污的地理特征，亟需面向亚热带遥感的国家需求与重点任务，基于亚热带地物对象复杂性与遥感信息病态性问题，研究构建亚热带遥感理论、方法与技术体系。

    译

    机遇与挑战并存。亚热带遥感的创新发展须着力抓住当前多源遥感数据极大丰富、大数据地学应用渐成范式、人地系统相互作用备受关注、生态文明与“双碳”目标明确的历史机遇，立足重点任务落实亚热带遥感发展途径，包括：厘清人地现象的动态特征，研发与之相适宜的遥感技术与观测系统；聚焦亚热带遥感的科学问题，夯实遥感物理与模型方法的基础研究；从遥感技术、信息处理与遥感应用层面，攻克亚热带遥感关键难题；结合特定应用需求、开展多方位的技术攻关与重点研发。

    译

    参考文献（References）

    Ashton P and Zhu H. 2020. The tropical-subtropical evergreen forest transition in East Asia: an exploration. Plant Diversity, 42(4): 255-280 [DOI: 10.1016/j.pld.2020.04.001] [百度学术] 

    Berlanga-Robles C A and Ruiz-Luna A. 2011. Integrating remote sensing techniques, geographical information systems (GIS), and stochastic models for monitoring land use and land cover (LULC) changes in the northern coastal region of Nayarit, Mexico. GIScience and Remote Sensing, 48(2): 245-263 [DOI: 10.2747/1548-1603.48.2.245] [百度学术] 

    Brakenridge G R, Syvitski J P M, Overeem I, Higgins S A, Kettner A J, Stewart-Moore J A and Westerhoff R. 2013. Global mapping of storm surges and the assessment of coastal vulnerability. Natural Hazards, 66(3): 1295-1312 [DOI: 10.1007/s11069-012-0317-z] [百度学术] 

    Buchroithner M. 1990. High-mountain remote sensing cartography//1st Internat. Symp. on High-Moutain Remote Sensing Cartography. At: Schladming, Germany [百度学术] 

    Carvalho F and Henriques D. 2000. Use of brewer ozone spectrophotometer for aerosol optical depth measurements on ultraviolet region. Advances in Space Research, 25(5): 997-1006 [DOI: 10.1016/S0273-1177(99)00463-9] [百度学术] 

    Chadwick J. 2011. Integrated LiDAR and IKONOS multispectral imagery for mapping mangrove distribution and physical properties. International Journal of Remote Sensing, 32(21): 6765-6781 [DOI: 10.1080/01431161.2010.512944] [百度学术] 

    Chang Y, Wang S X, Zhou Y, Wang L T and Wang F T. 2019. A novel method of evaluating highway traffic prosperity based on nighttime light remote sensing. Remote Sensing, 12(1): 102 [DOI: 10.3390/rs12010102] [百度学术] 

    Chen B, Zhao G S, Han S and Lu L. 2019. Approach for annual deforestation extraction in subtropical zone combing GF-1 with LiDAR. Geomatics and Spatial Information Technology, 42(3): 79-83, 86 [百度学术] 

    陈斌, 赵国帅, 韩尚, 鲁林. 2019. 结合高分一号和LiDAR的亚热带森林年度采伐迹地提取. 测绘与空间地理信息, 42(3): 79-83, 86 [DOI: 10.3969/j.issn.1672-5867.2019.03.021] [百度学术] 

    Chen B Q, Xiao X M, Li X P, Pan L H, Doughty R, Ma J, Dong J W, Qin Y W, Zhao B, Wu Z X, Sun R, Lan G Y, Xie G S, Clinton N and Giri C. 2017. A mangrove forest map of China in 2015: analysis of time series Landsat 7/8 and Sentinel-1A imagery in google earth engine cloud computing platform. ISPRS Journal of Photogrammetry and Remote Sensing, 131: 104-120 [DOI: 10.1016/j.isprsjprs.2017.07.011] [百度学术] 

    Chen B Y, Dai W J, Liu Z Z, Wu L X, Kuang C L and Ao M S. 2018. Constructing a precipitable water vapor map from regional GNSS network observations without collocated meteorological data for weather forecasting. Atmospheric Measurement Techniques, 11(9): 5153-5166 [DOI: 10.5194/amt-11-5153-2018] [百度学术] 

    Chen J Q, Wei H, Li N, Chen S Q, Qu W Q and Zhang Y. 2020a. Exploring the spatial-temporal dynamics of the Yangtze River Delta urban agglomeration based on night-time light remote sensing technology. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 5369-5383 [DOI: 10.1109/JSTARS.2020.3022178] [百度学术] 

    Chen L F, Tao J H, Wang Z F, Li S S, Zhang Y, Fan M, Li X Y, Yu C, Zou M M, Su L and Tao M H. 2015. Review of satellite remote sensing of air quality. Journal of Atmospheric and Environmental Optics, 10(2): 117-125 [百度学术] 

    陈良富, 陶金花, 王子峰, 李莘莘, 张莹, 范萌, 李小英, 余超, 邹铭敏, 苏林, 陶明辉. 2015. 空气质量卫星遥感监测技术进展. 大气与环境光学学报, 10(2): 117-125 [DOI: 10.3969/j.issn.1673-6141.2015.02.004] [百度学术] 

    Chen Y L, Feng L P, Mo J F, Mo W H, Ding M H and Liu Z P. 2020b. Identification of sugarcane with NDVI time series based on HJ-1 CCD and MODIS fusion. Journal of the Indian Society of Remote Sensing, 48(2): 249-262 [DOI: 10.1007/s12524-019-01042-1] [百度学术] 

    Chen Z Y, Ren J Q, Tang H J, Shi Y, Leng P, Liu J, Wang L M, Wu W B, Yao Y M and Hasiyuya. 2016. Progress and perspectives on agricultural remote sensing research and applications in China. Journal of Remote Sensing, 20(5): 748-767 [百度学术] 

    陈仲新, 任建强, 唐华俊, 史云, 冷佩, 刘佳, 王利民, 吴文斌, 姚艳敏, 哈斯图亚. 2016. 农业遥感研究应用进展与展望. 遥感学报, 20(5): 748-767 [DOI: 10.11834/jrs.20166214] [百度学术] 

    Cui L, Du H Q, Zhou G M, Li X J, Mao F J, Xu X J, Fan W L, Li Y G, Zhu D E, Liu T Y and Xing L Q. 2019. Combination of decision tree and mixed pixel decomposition for extracting bamboo forest information in China. Journal of Remote Sensing, 23(1): 166-176 [百度学术] 

    崔璐, 杜华强, 周国模, 李雪建, 毛方杰, 徐小军, 范渭亮, 李阳光, 朱迪恩, 刘腾艳, 邢璐琪. 2019. 决策树结合混合像元分解的中国竹林遥感信息提取. 遥感学报, 23(1): 166-176 [DOI: 10.11834/jrs.20187155] [百度学术] 

    Da Costa S M F and Cintra J P. 1999. Environmental analysis of metropolitan areas in Brazil. ISPRS Journal of Photogrammetry and Remote Sensing, 54(1): 41-49 [DOI: 10.1016/S0924-2716(98)00024-0] [百度学术] 

    Deng X L, Zeng G L, Zhu Z H, Huang Z X, Yang J C, Tong Z J, Yin X B, Wang T W and Lan Y B. 2020. Classification and feature band extraction of diseased citrus plants based on UAV hyperspectral remote sensing. Journal of South China Agricultural University, 41(6): 100-108 [百度学术] 

    邓小玲, 曾国亮, 朱梓豪, 黄梓效, 杨佳诚, 童泽京, 殷献博, 王天伟, 兰玉彬. 2020. 基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取. 华南农业大学学报, 41(6): 100-108 [DOI: 10.7671/j.issn.1001-411X.202006042] [百度学术] 

    Dong L F, Du H Q, Mao F J, Han N, Li X J, Zhou G M, Zhu D E, Zheng J L, Zhang M, Xing L Q and Liu T Y. 2020a. Very high resolution remote sensing imagery classification using a fusion of random forest and deep learning technique—subtropical area for example. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 113-128 [DOI: 10.1109/JSTARS.2019.2953234] [百度学术] 

    Dong Y Y, Xu F, Liu L Y, Du X P, Ren B Y, Guo A T, Geng Y, Ruan C, Ye H C, Huang W J and Zhu Y N. 2020b. Automatic system for crop pest and disease dynamic monitoring and early forecasting. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 4410-4418 [DOI: 10.1109/JSTARS.2020.3013340] [百度学术] 

    Du P J. 2020. Progress of high resolution remotely sensed image progressing and urban application examples. Modern Surveying and Mapping, 43(1): 1-9 [百度学术] 

    杜培军. 2020. 高分辨率遥感影像处理进展与城市应用若干实例. 现代测绘, 43(1): 1-9 [DOI: 10.3969/j.issn.1672-4097.2020.01.001] [百度学术] 

    Du P J, Bai X Y, Luo J Q, Li E Z and Lin C. 2018. Advances of urban remote sensing. Journal of Nanjing University of Information Science and Technology (Natural Science Edition), 10(1): 16-29 [百度学术] 

    杜培军, 白旭宇, 罗洁琼, 李二珠, 林聪. 2018. 城市遥感研究进展. 南京信息工程大学学报(自然科学版), 10(1): 16-29 [DOI: 10.13878/j.cnki.jnuist.2018.01.003] [百度学术] 

    Du W H, Qin Z H, Fan J L, Gao M F, Wang F and Abbasi B. 2019. An efficient approach to remove thick cloud in VNIR bands of multi-temporal remote sensing images. Remote Sensing, 11(11): 1284 [DOI: 10.3390/rs11111284] [百度学术] 

    Fang C Y, Wu H, Tao Z H, Gao D and Zhou H. 2016. The wetland information extraction research of Nanji wetland in Poyang Lake based on high resolution remote sensing image. Journal of Geo-Information Science, 18(6): 847-856 [百度学术] 

    方朝阳, 邬浩, 陶长华, 高丹, 周华. 2016. 鄱阳湖南矶湿地景观信息高分辨率遥感提取. 地球信息科学学报, 18(6): 847-856 [DOI: 10.3724/SP.‍J.‍1047.2016.00847] [百度学术] 

    Fang S S, Lu P C, Liao K W, Wu F, Hu D P and Zhang W G. 2020. Analysis of typical winter thick fog events in Wuhan based on microwave radiometer data. Meteorological and Environmental Sciences, 43(4): 81-87 [百度学术] 

    方莎莎, 陆鹏程, 廖可文, 吴芬, 胡东平, 张文刚. 2020. 基于微波辐射计资料对武汉市冬季典型大雾个例的探测分析. 气象与环境科学, 43(4): 81-87 [DOI: 10.16765/j.cnki.1673-7148.2020.04.011] [百度学术] 

    Feng H H and Liu Y B. 2014. Trajectory based detection of forest-change impacts on surface soil moisture at a basin scale [Poyang Lake Basin, China]. Journal of Hydrology, 514: 337-346 [DOI: 10.1016/j.jhydrol.2014.04.044] [百度学术] 

    Feng H H and Liu Y B. 2015. Combined effects of precipitation and air temperature on soil moisture in different land covers in a humid basin. Journal of Hydrology, 531: 1129-1140 [DOI: 10.1016/j.jhydrol.2015.11.016] [百度学术] 

    Feng H H, Zhao X F, Chen F and Wu L C. 2014. Using land use change trajectories to quantify the effects of urbanization on urban heat island. Advances in Space Research, 53(3): 463-473 [DOI: 10.1016/j.asr.2013.11.028] [百度学术] 

    Fraser A D, Massom R A and Michael K J. 2010. Generation of high-resolution east Antarctic landfast sea-ice maps from cloud-free MODIS satellite composite imagery. Remote Sensing of Environment, 114(12): 2888-2896 [DOI: 10.1016/j.rse.2010.07.006] [百度学术] 

    Fu Y C, Lu X Y, Zhao Y L, Zeng X T and Xia L L. 2013. Assessment impacts of weather and land use/land cover (LULC) change on urban vegetation net primary productivity (NPP): a case study in Guangzhou, China. Remote Sensing, 5(8): 4125-4144 [DOI: 10.3390/rs5084125] [百度学术] 

    Gong J Y, Zhang X, Xiang L G and Chen N C. 2019. Progress and applications for integrated sensing and intelligent decision in smart city. Acta Geodaetica et Cartographica Sinica, 48(12): 1482-1497 [百度学术] 

    龚健雅, 张翔, 向隆刚, 陈能成. 2019. 智慧城市综合感知与智能决策的进展及应用. 测绘学报, 48(12): 1482-1497 [DOI: 10.11947/j.AGCS.2019.20190464] [百度学术] 

    Gong P, Li X C, Wang J, Bai Y Q, Chen B, Hu T Y, Liu X P, Xu B, Yang J, Zhang W and Zhou Y Y. 2020. Annual maps of global artificial impervious area (GAIA) between 1985 and 2018. Remote Sensing of Environment, 236: 111510 [DOI: 10.1016/j.rse.2019.111510] [百度学术] 

    Guo S C, Du P J, Meng Y P, Wang X, Tang P F, Lin C and Xia J S. 2021. Dynamic monitoring on flooding situation in the middle and lower reaches of the Yangtze River region using Sentinel-1A time series. Journal of Remote Sensing, 25(10): 2127-2141 [百度学术] 

    郭山川, 杜培军, 蒙亚平, 王欣, 唐鹏飞, 林聪, 夏俊士. 2021. 时序Sentinel-1A数据支持的长江中下游汛情动态监测. 遥感学报, 25(10): 2127-2141 [DOI: 10.11834/jrs.20210547] [百度学术] 

    Guo S Q, Zhou J J and Nong Z X. 2019. Hydrogeological investigation and heavy metal migration regularity study of a Pb-Zn deposit in Guangxi. Mineral Resources and Geology, 33(3): 567-572 [百度学术] 

    郭尚其, 周洁军, 农泽喜. 2019. 广西某铅锌矿水文地质调查与重金属迁移规律研究. 矿产与地质, 33(3): 567-572 [百度学术] 

    He J L. 2020. Study on the influence of cloud adjacency effects on the aerosol optical depth retrieval and its reducing method. Acta Geodaetica et Cartographica Sinica, 49(1): 132 [百度学术] 

    贺军亮. 2020. 云邻近效应对气溶胶光学厚度遥感反演的影响及其消减方法研究. 测绘学报, 49(1): 132 [DOI: 10.11947/j.AGCS.2020.20190060] [百度学术] 

    He Q S, Li C C, Tang X, Li H L, Geng F H and Wu Y L. 2010. Validation of MODIS derived aerosol optical depth over the Yangtze River Delta in China. Remote Sensing of Environment, 114(8): 1649-1661 [DOI: 10.1016/j.rse.2010.02.015] [百度学术] 

    He Y, Huang C, Li H, Liu C S, Liu G H, Zhou Z C and Zhang C C. 2019. Land-cover classification of random forest based on Sentinel-2A image feature optimization. Resources Science, 41(5): 992-1001 [百度学术] 

    何云, 黄翀, 李贺, 刘庆生, 刘高焕, 周振超, 张晨晨. 2019. 基于Sentinel-2A影像特征优选的随机森林土地覆盖分类. 资源科学, 41(5): 992-1001 [DOI: 10.18402/resci.2019.05.15] [百度学术] 

    Hu B, Chen J Y and Zhang X F. 2019. Monitoring the land subsidence area in a coastal urban area with InSAR and GNSS. Sensors, 19(14): 3181 [DOI: 10.3390/s19143181] [百度学术] 

    Hu B, Yu M, Li Z Y, Wang D Y and Chen X D. 2021. Study of ice condition on the northeast route during window period based on onboard observation. Journal of Ship Mechanics, 25(8): 1001-1009 [百度学术] 

    胡冰, 于淼, 李志远, 王德禹, 陈晓东. 2021. 基于实船观测的北极东北航线窗口期海冰冰情研究. 船舶力学, 25(8): 1001-1009 [DOI: 10.3969/j.issn.1007-7294.2021.08.003] [百度学术] 

    Hua Y. 2020. Ecological Risk Assessment of Heavy Metals in Sulfide Mining Area of Shuikoushan, Hunan. Beijing: China University of Geosciences (Beijing) [百度学术] 

    华语. 2020. 湖南水口山硫化物矿区重金属生态风险评价. 北京: 中国地质大学(北京) [DOI: 10.27493/d.cnki.gzdzy.2020.001189] [百度学术] 

    Huang S F, Ma J W and Sun Y Y. 2021. Situation and prospect of flood disaster monitoring by remote sensing in China. China Water Resources, (15): 15-17 [百度学术] 

    黄诗峰, 马建威, 孙亚勇. 2021. 中国洪涝灾害遥感监测现状与展望. 中国水利, (15): 15-17 [DOI: 10.3969/j.issn.1000-1123.2021.15.017] [百度学术] 

    Jendryke M, McClure S C, Balz T and Liao M S. 2017. Monitoring the built-up environment of Shanghai on the street-block level using SAR and volunteered geographic information. International Journal of Digital Earth, 10(7): 675-686 [DOI: 10.1080/17538947.2016.1216616] [百度学术] 

    Ji J Y, Li X J, Du H Q, Mao F J, Fan W L, Xu Y X, Huang Z H, Wang J Y and Kang F F. 2021. Multiscale leaf area index assimilation for moso bamboo forest based on Sentinel-2 and MODIS data. International Journal of Applied Earth Observation and Geoinformation, 104: 102519 [DOI: 10.1016/j.jag.2021.102519] [百度学术] 

    Jia M M, Wang Z M, Zhang Y Z, Ren C Y and Song K S. 2015. Landsat-based estimation of mangrove forest loss and restoration in Guangxi Province, China, influenced by human and natural factors. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(1): 311-323 [DOI: 10.1109/JSTARS.2014.2333527] [百度学术] 

    Jiang G J, Loiselle S A, Yang D T, Ma R H, Su W and Gao C J. 2020. Remote estimation of chlorophyll a concentrations over a wide range of optical conditions based on water classification from VIIRS observations. Remote Sensing of Environment, 241: 111735 [DOI: 10.1016/j.rse.2020.111735] [百度学术] 

    Jiang R, Sanchez-Azofeifa A, Laakso K, Xu Y, Zhou Z Y, Luo X W, Huang J H, Chen X and Zang Y. 2021. Cloud cover throughout all the paddy rice fields in Guangdong, China: impacts on Sentinel 2 MSI and Landsat 8 OLI optical observations. Remote Sensing, 13(15): 2961 [DOI: 10.3390/rs13152961] [百度学术] 

    Jiang Y N, Liao M S, Wang H M, Zhang L and Balz T. 2016. Deformation monitoring and analysis of the geological environment of Pudong international airport with persistent scatterer SAR interferometry. Remote Sensing, 8(12): 1021 [DOI: 10.3390/rs8121021] [百度学术] 

    Jin H A, Li A N, Bian J H, Zhao W, Zhang Z J and Nan X. 2016. Leaf area index (LAI) estimationfrom remotely sensed observations in different topographic gradients over southwestern China. Remote Sensing Technology and Application, 31(1): 42-50 [百度学术] 

    靳华安, 李爱农, 边金虎, 赵伟, 张正健, 南希. 2016. 西南地区不同山地环境梯度叶面积指数遥感反演. 遥感技术与应用, 31(1): 42-50 [DOI: 10.11873/j.issn.1004-0323.2016.1.0042] [百度学术] 

    Jing C B, Zhou W Q, Qian Y G, Yu W J and Zheng Z. 2021. A novel approach for quantifying high-frequency urban land cover changes at the block level with scarce clear-sky Landsat observations. Remote Sensing of Environment, 255: 112293 [DOI: 10.1016/j.rse.2021.112293] [百度学术] 

    Kaya Ş, Curran P J and Llewellyn G. 2005. Post‐earthquake building collapse: a comparison of government statistics and estimates derived from SPOT HRVIR data. International Journal of Remote Sensing, 26(13): 2731-2740 [DOI: 10.1080/01431160500099428] [百度学术] 

    Kim G, Baek I, Stocker M D, Smith J E, Van Tassell A L, Qin J W, Chan D E, Pachepsky Y and Kim M S. 2020. Hyperspectral imaging from a multipurpose floating platform to estimate Chlorophyll-a concentrations in irrigation pond water. Remote Sensing, 12(13): 2070 [DOI: 10.3390/rs12132070] [百度学术] 

    Kou Z X, Yao Y H and Hu Y F. 2020. Delimitation of the northern boundary of the subtropical zone in China by geodetector. Geographical Research, 39(12): 2821-2832 [百度学术] 

    寇志翔, 姚永慧, 胡宇凡. 2020. 基于地理探测器的中国亚热带北界探讨. 地理研究, 39(12): 2821-2832 [DOI: 10.11821/dlyj020191026] [百度学术] 

    Lacroix P, Berthier E and Maquerhua E T. 2015. Earthquake-driven acceleration of slow-moving landslides in the Colca Valley, Peru, detected from Pléiades images. Remote Sensing of Environment, 165: 148-158 [DOI: 10.1016/j.rse.2015.05.010] [百度学术] 

    Lee D, Son S, Joo H, Kim K, Kim M J, Jang H K, Yun M S, Kang C K and Lee S H. 2020. Estimation of the particulate organic carbon to chlorophyll-a ratio using MODIS-aqua in the East/Japan Sea, South Korea. Remote Sensing, 12(5): 840 [DOI: 10.3390/rs12050840] [百度学术] 

    Lei F G, Wang J H and Chen S W. 1984. Preparation of vegetation map of liangshuangbanna nature reserve by using aerial photos. Forest Inventory and Planning, (3): 24-26 [百度学术] 

    雷福光, 王建浩, 陈述旺. 1984. 利用航摄照片编制两双版纳自然保护区植被图. 林业调查规划, (3) : 24-26 [百度学术] 

    Li A N, Bian J H, Zhang Z J, Zhao W and Yin G F. 2016a. Progresses, opportunities, and challenges of mountain remote sensing research. Journal of Remote Sensing, 20(5): 1199-1215 [百度学术] 

    李爱农, 边金虎, 张正健, 赵伟, 尹高飞. 2016a. 山地遥感主要研究进展、发展机遇与挑战. 遥感学报, 20(5): 1199-1215 [DOI: 10.11834/jrs.20166227] [百度学术] 

    Li A N, Yin G F, Jin H A, Bian J H and Zhao W. 2016b. Principles and methods for the retrieval of biophysical variables in mountainous areas. Remote Sensing Technology and Application, 31(1): 1-11 [百度学术] 

    李爱农, 尹高飞, 靳华安, 边金虎, 赵伟. 2016b. 山地地表生态参量遥感反演的理论、方法与问题. 遥感技术与应用, 31(1): 1-11 [DOI: 10.11873/j.issn.1004-0323.2016.1.0001] [百度学术] 

    Li D, Qin K, Wu L X, Xu J, Letu H, Zou B, He Q and Li Y F. 2019a. Evaluation of JAXA himawari-8-AHI level-3 aerosol products over eastern China. Atmosphere, 10(4): 215 [DOI: 10.3390/atmos10040215] [百度学术] 

    Li D R, Luo H and Shao Z F. 2016. Review of impervious surface mapping using remote sensing technology and its application. Geomatics and Information Science of Wuhan University, 41(5): 569-577, 703 [百度学术] 

    李德仁, 罗晖, 邵振峰. 2016. 遥感技术在不透水层提取中的应用与展望. 武汉大学学报(信息科学版), 41(5): 569-577, 703 [DOI: 10.13203/j.whugis20160038] [百度学术] 

    Li H K, Wu L X and Liu X S. 2014. Change detection of ground-surface environment in rare earth mining area based on multi-temporal remote sensing: a case in Lingbei rare earth mining area. Journal of China University of Mining and Technology, 43(6): 1077-1094 [百度学术] 

    李恒凯, 吴立新, 刘小生. 2014. 稀土矿区地表环境变化多时相遥感监测研究——以岭北稀土矿区为例. 中国矿业大学学报, 2014, 43(6): 1087-1094 [DOI: 10.13247/j.cnki.jcumt.000260] [百度学术] 

    Li L W, Li N, Lu D S and Chen Y Y. 2019b. Mapping Moso bamboo forest and its on-year and off-year distribution in a subtropical region using time-series Sentinel-2 and Landsat 8 data. Remote Sensing of Environment, 231: 111265 [DOI: 10.1016/j.rse.2019.111265] [百度学术] 

    Li Q Q, Lu Y, Hu S B, Hu Z W, Li H Z, Liu P, Shi T Z, Wang C S, Wang J J and Wu G F. 2016. Review of remotely sensed geo-environmental monitoring of coastal zones. Journal of Remote Sensing, 20(5): 1216-1229 [百度学术] 

    李清泉, 卢艺, 胡水波, 胡忠文, 李洪忠, 刘鹏, 石铁柱, 汪驰升, 王俊杰, 邬国锋. 2016. 海岸带地理环境遥感监测综述. 遥感学报, 20(5): 1216-1229 [DOI: 10.11834/jrs.20166168] [百度学术] 

    Li T W and Cheng X. 2021. Estimating daily full-coverage surface ozone concentration using satellite observations and a spatiotemporally embedded deep learning approach. International Journal of Applied Earth Observation and Geoinformation, 101: 102356 [DOI: 10.1016/j.jag.2021.102356] [百度学术] 

    Li W T. 2018. Distribution Characteristics and Sources of Cd-Contamination in Shizhuyuan Mine and its Surrounding Soils, Hunan Province. Beijing: China University of Geosciences (Beijing) [百度学术] 

    黎伟田. 2018. 湖南柿竹园矿区及周边土壤镉污染分布特征与来源研究. 北京: 中国地质大学(北京) [百度学术] 

    Li X S, Li H, Chen D H, Liu Y F, Liu S S, Liu C F and Hu G Q. 2020. Multiple classifiers combination method for tree species identification based on GF-5 and GF-6. Scientia Silvae Sinicae, 56(10): 93-104 [百度学术] 

    栗旭升, 李虎, 陈冬花, 刘玉锋, 刘赛赛, 刘聪芳, 胡国庆. 2020. 联合GF-5与GF-6卫星数据的多分类器组合亚热带树种识别.林业科学, 56(10): 93-104 [DOI: 10.11707/j.1001-7488.20201010] [百度学术] 

    Li Y Q, Liang W and Cao W. 2018. Urban heat island pattern analysis of typical city in the subtropical region: a case study of Nanning. Urban Development Studies, 25(7): C14-C18 [百度学术] 

    李雅箐, 梁炜, 曹伟. 2018. 亚热带地区典型城市热岛格局分析—以南宁为例. 城市发展研究, 25(7): C14-C18 [DOI: 10.3969/j.‍issn.‍1006-3862.2018.7/ier07.020] [百度学术] 

    Li Z, Hu H P, Yang M H and Chen M. 2018. Forest classification based on Landsat-8 multi-temporal remote sensing image. Geomatics and Spatial Information Technology, 41(9): 147-149 [百度学术] 

    李振, 胡慧萍, 杨敏华, 陈鸣. 2018. Landsat-8多时相遥感影像亚热带森林分类. 测绘与空间地理信息, 41(9): 147-149 [DOI: 10.3969/j.issn.1672-5867.2018.09.040] [百度学术] 

    Li Z Q, Chen X F, Ma Y, Qie L L, Hou W Z and Qiao Y L. 2018. An overview of atmospheric correction for optical remote sensing satellites. Journal of Nanjing University of Information Science and Technology (Natural Science Edition), 10(1): 6-15 [百度学术] 

    李正强, 陈兴峰, 马, 伽丽丽, 侯伟真, 乔延利. 2018. 光学遥感卫星大气校正研究综述. 南京信息工程大学学报(自然科学版), 10(1): 6-15 [DOI: 10.13878/j.cnki.jnuist.2018.01.002] [百度学术] 

    Li Z W, Xu W B, Feng G C, Hu J, Wang C C, Ding X L and Zhu J J. 2012. Correcting atmospheric effects on InSAR with MERIS water vapour data and elevation-dependent interpolation model. Geophysical Journal International,189(2): 898-910 [DOI: 10.1111/j.1365-246X.2012.05432.x] [百度学术] 

    Liang H, He J and Lei J J. 2020. Monitoring of corn canopy blight disease based on UAV hyperspectral method. Spectroscopy and Spectral Analysis, 40(6): 1965-1972 [百度学术] 

    梁辉, 何敬, 雷俊杰. 2020. 无人机高光谱的玉米冠层大斑病监测. 光谱学与光谱分析, 40(6): 1965-1972 [DOI: 10.3964/j.issn.1000-0593(2020)06-1965-08] [百度学术] 

    Liang S L, Cheng J, Jia K, Jiang B, Liu Q, Liu S H, Xiao Z Q, Xie X H, Yao Y J, Yuan W P, Zhang X T and Zhao X. 2016. Recent progress in land surface quantitative remote sensing. Journal of Remote Sensing, 20(5): 875-898 [百度学术] 

    梁顺林, 程洁, 贾坤, 江波, 刘强, 刘素红, 肖志强, 谢先红, 姚云军, 袁文平, 张晓通, 赵祥. 2016. 陆表定量遥感反演方法的发展新动态. 遥感学报, 20(5): 875-898 [DOI: 10.11834/jrs.20166258] [百度学术] 

    Lin H and Zhang H S. 2021. Tropical and subtropical remote sensing: needs, challenges, and opportunities. Journal of Remote Sensing, 25(1): 276-291 [百度学术] 

    林珲, 张鸿生. 2021. 热带与亚热带遥感: 需求、挑战与机遇. 遥感学报, 25(1): 276-291 [DOI: 10.11834/jrs.20210237] [百度学术] 

    Lin H, Zhang H S, Lin Y Y, Wei S and Wu Z F. 2018. Spatiotemporal changes of gridded urban population in the Guangdong-Hong Kong-Macao greater bay area based on impervious surface-population correlation. Progress in Geography, 37(12): 1644-1652 [百度学术] 

    林珲, 张鸿生, 林殷怡, 魏姗, 吴志峰. 2018. 基于城市不透水面—人口关联的粤港澳大湾区人口密度时空分异规律与特征. 地理科学进展, 37(12): 1644-1652 [DOI: 10.18306/dlkxjz.2018.12.006] [百度学术] 

    Lin Y, Li L, Yu J, Hu Y, Zhang T H, Ye Z L, Syed A and Li J. 2021. An optimized machine learning approach to water pollution variation monitoring with time-series Landsat images. International Journal of Applied Earth Observation and Geoinformation, 102: 102370 [DOI: 10.1016/j.jag.2021.102370] [百度学术] 

    Liu J, Wang S Y and Li D M. 2014. The analysis of the impact of land-use changes on flood exposure of Wuhan in Yangtze River Basin, China. Water Resources Management, 28(9): 2507-2522 [DOI: 10.1007/s11269-014-0623-1] [百度学术] 

    Liu L X, Pang Y, Ren H B and Li Z Y. 2019. Predict tree species diversity from GF-2 satellite data in a subtropical forest of China. Scientia Silvae Sinicae, 55(2): 61-74 [百度学术] 

    刘鲁霞, 庞勇, 任海保, 李增元. 2019. 基于高分2号遥感数据估测中亚热带天然林木本植物物种多样性. 林业科学, 55(2): 61-74 [DOI: 10.11707/j.1001-7488.20190207] [百度学术] 

    Liu M K, Guan L, Chen G and Zhao W. 2020. Retrieval of sea surface temperature from HY-2A scanning microwave radiometer. IEEE Transactions on Geoscience and Remote Sensing, 58(10): 7216-7231 [DOI: 10.1109/TGRS.2020.2980975] [百度学术] 

    Liu M L, Skidmore A K, Wang T J, Liu X N, Wu L and Tian L W. 2019. An approach for heavy metal pollution detected from spatio-temporal stability of stress in rice using satellite images. International Journal of Applied Earth Observation and Geoinformation, 80: 230-239 [DOI: 10.1016/j.jag.2019.04.012] [百度学术] 

    Liu Q, Yue G S, Ding X B, Yang K, Feng G C and Xiong Z Q. 2019. Temporal and spatial characteristics analysis of deformation along foshan subway using time series InSAR. Geomatics and Information Science of Wuhan University, 44(7): 1099-1106 [百度学术] 

    刘琦, 岳国森, 丁孝兵, 杨坤, 冯光财, 熊志强. 2019. 佛山地铁沿线时序InSAR形变时空特征分析. 武汉大学学报(信息科学版), 44(7): 1099-1106 [DOI: 10.13203/j.whugis20190025] [百度学术] 

    Liu Q H, Zhong B, Tang P, Zhang H H, Li H Y, Wu S L, Xin X Z, Li J, Jia L, Shan X J, Zhang Z, Wen J G, Du Y M, Li L, Yang A X, Li H, Hu G C, Zhao J, Zhang H L, Yu S S, Dou B C and Wu J J. 2018. Remote sensing data products oriented quantita-tive computing system——the GSC best practice data computing environment. Journal of Global Change Data and Discovery, 2(3): 271-278 [百度学术] 

    柳钦火, 仲波, 唐娉, 张宏海, 李宏益, 吴善龙, 辛晓洲, 李静, 贾立, 单小军, 张正, 闻建光, 杜永明, 李丽, 杨爱霞, 历华, 胡光成, 赵静, 张海龙, 余珊珊, 窦宝成, 吴俊君. 2018. 多源协同定量遥感产品生产系统——2018年中国地理学会地理大数据计算环境“优秀实用案例”. 全球变化数据学报, 2(3): 271-278 [DOI: 10.3974/geodp.2018.03.04] [百度学术] 

    Liu Q H, Zhong B, Wu J T, Xiao Z Q and Wang Q. 2011. Quantitative Inversion and Assimilation for Remote Sensing of Environment. Beijing: Science Press [百度学术] 

    柳钦火, 仲波, 吴纪桃, 肖志强, 王桥. 2011. 环境遥感定量反演与同化. 北京:科学出版社 [百度学术] 

    Liu W B, Tao J B, Chen H P and Chen R Q. 2018. Moritoring of urbanization process by VPAUI index in central China from 2001 to 2013-take Wuhan, Changsha and Nanchang as examples. Journal of Huazhong Normal University (Natural Sciences), 52(4): 557-564 [百度学术] 

    刘文斌, 陶建斌, 程会平, 陈瑞卿. 2018. VPAUI指数监测中部城市群2001年～2013年建设用地扩张——以武汉、长沙和南昌为例. 华中师范大学学报(自然科学版), 52(4): 557-564 [DOI: 10.19603/j.cnki.1000-1190.2018.04.019] [百度学术] 

    Liu W X, Liu X L, Weng F H and Zhou C P. 2011. Monitoring of soil moisture variation based on AMSR-E passive microwave remote sensing. Tropical Geography, 31(3): 272-277 [百度学术] 

    刘万侠, 刘旭拢, 翁丰惠, 周常萍. 2011. 基于AMSR-E被动微波遥感数据的广东省土壤水分变化监测. 热带地理, 31(3): 272-277 [DOI: 10.13284/j.cnki.rddl.001491] [百度学术] 

    Liu X L and Miao C. 2018. Large-scale assessment of landslide hazard, vulnerability and risk in China. Geomatics, Natural Hazards and Risk, 9(1): 1037-1052 [DOI: 10.1080/19475705.2018.1502690] [百度学术] 

    Liu X L, Ou S L, Lu S F and Yue C R. 2020. Estimation of forest volume based on Sentinel-1 a microwave remote sensing data. Journal of West China Forestry Science, 49(6): 128-136 [百度学术] 

    刘雪莲, 欧绍龙, 陆双飞, 岳彩荣. 2020. 基于Sentinel-1A微波遥感数据的森林蓄积量估测. 西部林业科学, 49(6): 128-136 [DOI: 10.16473/j.cnki.xblykx1972.2020.06.018] [百度学术] 

    Liu X N, Feng Z M, Jiang L G and Zhang J H. 2012. Rubber plantations in xishuangbanna: remote sensing identification and digital mapping. Resources Science, 34(9): 1769-1780 [百度学术] 

    刘晓娜, 封志明, 姜鲁光, 张景华. 2012. 西双版纳橡胶林地的遥感识别与数字制图. 资源科学, 34(9): 1769-1780 [百度学术] 

    Liu X S, Dong X J, Qian J R, Guo C, Zhao J C and Zhan J Q. 2021. Airborne LiDAR-based debris flow source area recognition in lush mountainous area. Geomatics and Information Science of Wuhan University, 45(11): 1-16 [百度学术] 

    刘小莎, 董秀军, 钱济人, 郭晨, 赵俊丞, 詹佳琪. 2021. 高植被山区泥石流物源LiDAR遥感精细识别方法研究. 武汉大学学报(信息科学版), 45(11): 1-16 [DOI: 10.13203/j.whugis20210486] [百度学术] 

    Lu N, Hernandez A J and Ramsey R D. 2015. Land cover dynamics monitoring with Landsat data in Kunming, China: a cost-effective sampling and modelling scheme using Google Earth imagery and random forests. Geocarto International, 30(2): 186-201 [DOI: 10.1080/10106049.2014.894583] [百度学术] 

    Luo Y, Luo M, Fan J Z, Luo L Y and Duan S R. 2020. Precision evaluation of FY-3B MWRI based soil moisture product in Hunan Province. Guizhou Agricultural Sciences, 48(7): 113-118 [百度学术] 

    罗宇, 罗曼, 范嘉智, 罗林艳, 段思汝. 2020. 基于风云三系列卫星B的湖南省土壤湿度数据的精度评价. 贵州农业科学, 48(7): 113-118 [DOI: 10.3969/j.issn.1001-3601.2020.07.026] [百度学术] 

    Madugundu R, Nizalapur V and Jha C S. 2008. Estimation of LAI and above-ground biomass in deciduous forests: western ghats of Karnataka, India. International Journal of Applied Earth Observation and Geoinformation, 10(2): 211-219 [DOI: 10.1016/j.jag.2007.11.004] [百度学术] 

    Malahlela O, Cho M A and Mutanga O. 2014. Mapping canopy gaps in an indigenous subtropical coastal forest using high-resolution WorldView-2 data. International Journal of Remote Sensing, 35(17): 6397-6417 [DOI: 10.1080/01431161.2014.954061] [百度学术] 

    Mao F J, Li X J, Du H Q, Zhou G M, Han N, Xu X J, Liu Y L, Chen L and Cui L. 2017. Comparison of two data assimilation methods for improving MODIS LAI time series for bamboo forests. Remote Sensing, 9(5): 401 [DOI: 10.3390/rs9050401] [百度学术] 

    Masemola C, Cho M A and Ramoelo A. 2016. Comparison of Landsat 8 OLI and Landsat 7 ETM+ for estimating grassland LAI using model inversion and spectral indices: case study of Mpumalanga, South Africa. International Journal of Remote Sensing, 37(18): 4401-4419 [DOI: 10.1080/01431161.2016.1212421] [百度学术] 

    Mhawish A, Sorek-Hamer M, Chatfield R, Banerjee T, Bilal M, Kumar M, Sarangi C, Franklin M, Chau K, Garay M and Kalashnikova O. 2021. Aerosol characteristics from earth observation systems: a comprehensive investigation over South Asia (2000—2019). Remote Sensing of Environment, 259: 112410 [DOI: 10.1016/j.rse.2021.112410] [百度学术] 

    Miao Z L, Xiao Y L, Shi W Z, He Y G, Gamba P, Li Z B, Samat A, Wu L X, Li J and Wu H. 2019. Integration of satellite images and open data for impervious surface classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(4): 1120-1133 [DOI: 10.1109/JSTARS.2019.2903585] [百度学术] 

    Monteiro A T, Carvalho-Santos C, Lucas R, Rocha J, Costa N, Giamberini M, da Costa E M and Fava F. 2021. Progress in grassland cover conservation in southern European mountains by 2020: a transboundary assessment in the iberian peninsula with satellite observations (2002—2019). Remote Sensing, 13(15): 3019 [DOI: 10.3390/rs13153019] [百度学术] 

    Morley P J, Donoghue D N M, Chen J C and Jump A S. 2019. Quantifying structural diversity to better estimate change at mountain forest margins. Remote Sensing of Environment, 223: 291-306 [DOI: 10.1016/j.rse.2019.01.027] [百度学术] 

    Morris M, Chew C, Reager J T, Shah R and Zuffada C. 2019. A novel approach to monitoring wetland dynamics using CYGNSS: everglades case study. Remote Sensing of Environment, 233: 111417 [DOI: 10.1016/j.rse.2019.111417] [百度学术] 

    Mu Y X, Wu M Q, Niu Z, Huang W J and Yang J. 2020. Method of remote sensing extraction of cultivated land area under complex conditions in southern region. Remote Sensing Technology and Application, 35(5): 1127-1135 [百度学术] 

    牟昱璇, 邬明权, 牛铮, 黄文江, 杨尽. 2020. 南方地区复杂条件下的耕地面积遥感提取方法. 遥感技术与应用, 35(5): 1127-1135 [DOI: 10.11873/j.issn.1004] [百度学术] 

    Nichol J, Wong M S, Fung C and Leung K K M. 2006. Assessment of urban environmental quality in a subtropical city using multispectral satellite images. Environment and Planning B: Planning and Design, 33(1): 39-58 [DOI: 10.1068/b31195] [百度学术] 

    Pan J H and Hu Y X. 2018. Spatial Identification of multi-dimensional poverty in rural China: a perspective of nighttime-light remote sensing data. Journal of the Indian Society of Remote Sensing, 46(7): 1093-1111 [DOI: 10.1007/s12524-018-0772-4] [百度学术] 

    Peel M C, Finlayson B L and McMahon T A. 2007. Updated world map of the Köppen-Geiger climate classification. Hydrology and Earth System Sciences, 11(5): 1633-1644 [DOI: 10.5194/hess-11-1633-2007] [百度学术] 

    Prasad C R S, Thayalan S, Reddy R S and Reddy P S A. 1990. Use of Landsat imagery for mapping soil and land resources for development planning in parts of northern Karnataka, India. International Journal of Remote Sensing, 11(10): 1889-1900 [DOI: 10.1080/01431169008955136] [百度学术] 

    Qi Y, Wu L X, Ding Y F, He M, Mao W F, Xie B S and Zhou S Y. 2020. Mining seismic thermal anomalies from massive satellite passive microwave images. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B3-2020: 281-286 [DOI: 10.5194/isprs-archives-XLIII-B3-2020-281-2020] [百度学术] 

    Qi Y, Wu L X, Mao W F, Ding Y F and He M. 2021b. Discriminating possible causes of microwave brightness temperature positive anomalies related with May 2008 Wenchuan earthquake sequence. IEEE Transactions on Geoscience and Remote Sensing, 59(3): 1903-1916 [DOI: 10.1109/TGRS.2020.3004404] [百度学术] 

    Qi Y, Wu L X, Mao W F, Ding Y F and Liu Y J. 2021a. Satellite passive microwave remote sensing for seismic thermal anomaly: phenomena and mechanisms//Proceedings of 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. Brussels: IEEE: 8696-8699 [DOI: 10.1109/IGARSS47720.2021.9553690] [百度学术] 

    Rajapakse R M S S, Tripathi N K and Honda K. 2002. Spectral characterization and LAI modelling for the tea (Camellia sinensis (L.) O. Kuntze) canopy. International Journal of Remote Sensing, 23(18): 3569-3577 [DOI: 10.1080/01431160110114583] [百度学术] 

    Rajesh A, Jiji G W and Raj J D. 2020. Estimating the pollution level based on heavy metal concentration in water bodies of tiruppur district. Journal of the Indian Society of Remote Sensing, 48(1): 47-57 [DOI: 10.1007/s12524-019-01058-7] [百度学术] 

    Rao B W. 2014. The Research of Heavy Metals Migration Simulation Under The Tailing Geotechnical Seepage and Pollution Control. Changsha: Central South University [百度学术] 

    饶宝文. 2014. 重金属在尾矿库岩土渗流场中的迁移模拟及污染防治研究. 长沙: 中南大学 [百度学术] 

    Rio J N R and Lozano-Garcı́a D F. 2000. Spatial filtering of radar data (RADARSAT) for wetlands (brackish marshes) classification. Remote Sensing of Environment, 73(2): 143-151 [DOI: 10.1016/S0034-4257(00)00089-4] [百度学术] 

    Shan N, Zhen T Y and Wang Z S. 2009. High-speed and high-accuracy algorithm for cloud detection and its application. Journal of Remote Sensing, 13(6): 1147-1162 [百度学术] 

    单娜, 郑天垚, 王贞松. 2009. 快速高准确度云检测算法及其应用. 遥感学报, 13(6): 1147-1162 [DOI: 10.11834/jrs.20090612] [百度学术] 

    Shen X, Cao L, Xu T and She G H. 2015. Classification of Pinus massoniana and secondary deciduous tree species in northern subtropical region based on high resolution and hyperspectral remotely sensed data. Chinese Journal of Plant Ecology, 39(12): 1125-1135 [百度学术] 

    申鑫, 曹林, 徐婷, 佘光辉. 2015. 基于高分辨率与高光谱遥感影像的北亚热带马尾松及次生落叶树种的分类. 植物生态学报, 39(12): 1125-1135 [DOI: 10.17521/cjpe.2015.0109] [百度学术] 

    Shi X G, Liao M S, Li M H, Zhang L and Cunningham C. 2016. Wide-area landslide deformation mapping with multi-path ALOS PALSAR data stacks: a case study of Three Gorges Area, China. Remote Sensing, 8(2): 136 [DOI: 10.3390/rs8020136] [百度学术] 

    Shi X G, Zhang L, Balz T and Liao M S. 2015. Landslide deformation monitoring using point-like target offset tracking with multi-mode high-resolution TerraSAR-X data. ISPRS Journal of Photogrammetry and Remote Sensing, 105: 128-140 [DOI: 10.1016/j.isprsjprs.2015.03.017] [百度学术] 

    Sui H G, Zhao B F, Xu C, Zhou M T, Du Z T and Liu J Y. 2021. Rapid extraction of flood disaster emergency information with multi-modal sequence remote sensing images. Geomatics and Information Science of Wuhan University, 46(10): 1441-1449 [百度学术] 

    眭海刚, 赵博飞, 徐川, 周明婷, 杜卓童, 刘俊怡. 2021. 多模态序列遥感影像的洪涝灾害应急信息快速提取. 武汉大学学报(信息科学版), 46(10): 1441-1449 [DOI: 10.13203/j.whugis20210465] [百度学术] 

    Sun T, Xu M Y, Dong X J and Pan X. 2021. Application of airborne LiDAR technology in geological hazard investigation in mountainous area with dense vegetation. Bulletin of Surveying and Mapping, (4): 90-97 [百度学术] 

    孙涛, 徐明宇, 董秀军, 潘星. 2021. 机载LiDAR技术应用于茂密植被山区地质灾害调查. 测绘通报, (4): 90-97 [DOI: 10.13474/j.cnki.11-2246.2021.0117] [百度学术] 

    Tang H J and Li Z L. 2014. Land surface temperature retrieval from thermal infrared data//Tang H J and Li Z L, eds. Quantitative Remote Sensing in Thermal Infrared. Berlin: Springer: 93-143 [DOI: 10.1007/978-3-642-42027-6_5] [百度学术] 

    Tang Y Q, Feng L P, Li M, Nie P and Lan C Y. 2016. Land use change analysis of Changzhutan urban area from 1978 to 2015. Geomatics and Spatial Information Technology, 39(10): 5-10 [百度学术] 

    汤玉奇, 冯兰平, 李明, 聂品, 兰翠玉. 2016. 1978—2015年长株潭主城区土地利用变化分析. 测绘与空间地理信息, 39(10): 5-10 [DOI: 10.3969/j.issn.1672-5867.2016.10.002] [百度学术] 

    Thenkabail P S, Schull M and Turral H. 2005. Ganges and Indus River basin land use/land cover (LULC) and irrigated area mapping using continuous streams of MODIS data. Remote Sensing of Environment, 95(3): 317-341 [DOI: 10.1016/j.rse.2004.12.018] [百度学术] 

    Wang H, Li J W, Gao Z Q, Yim S H L, Shen H F, Ho H C, Li Z Y, Zeng Z L, Liu C, Li Y B, Ning G C and Yang Y J. 2019a. High-spatial-resolution population exposure to PM2.5 pollution based on multi-satellite retrievals: a case study of seasonal variation in the Yangtze River Delta, China in 2013. Remote Sensing, 11(23): 2724 [DOI: 10.3390/rs11232724] [百度学术] 

    Wang H H, Wang J and Cui Y H. 2020. Remote sensing monitoring on spatial differentiation of suspended sediment concentration in a river-lake system based on Sentinel-2 MSI imaging:a case for Shengjin Lake and connected Yangtze River section in Anhui Province. Environmental Science, 41(3): 1207-1216 [百度学术] 

    王行行, 王杰, 崔玉环. 2020. 基于Sentinel-2 MSI影像的河湖系统水体悬浮物空间分异遥感监测: 以安徽省升金湖与连接长江段为例. 环境科学, 41(3): 1207-1216 [DOI: 10.13227/j.hjkx.201907164] [百度学术] 

    Wang H Q, Feng G C, Xu B, Yu Y P, Li Z W, Du Y N and Zhu J J. 2017. Deriving spatio-temporal development of ground subsidence due to subway construction and operation in delta regions with ps-insar data: a case study in Guangzhou, China. Remote Sensing, 9(10): 1004 [DOI: 10.3390/rs9101004] [百度学术] 

    Wang J, Han P and Li G X. 2021. The extraction and analysis of deformation features of hualien earthquake based on Sentinel-1A/B SAR data. Journal of the Indian Society of Remote Sensing, 49(9): 2069-2077 [DOI: 10.1007/s12524-021-01377-8] [百度学术] 

    Wang Q, Yang Y P, Zhao S H and Liu S H. 2018. Application of HJ-1 in China’s ecological environment. Space International, (9): 16-19. [百度学术] 

    王桥, 杨一鹏, 赵少华, 刘思含. 2018. 环境减灾卫星在中国生态环境中的应用. 国际太空, (9): 16-19 [DOI: 10.3969/j.issn.1009-2366.2018.09.004] [百度学术] 

    Wang Q. 2021. Progress of environmental remote sensing monitoring technology in China and some related frontier issues. Journal of Remote Sensing, 25(1): 25-36 [百度学术] 

    王桥. 2021. 中国环境遥感监测技术进展及若干前沿问题. 遥感学报, 25(1): 25-36 [DOI: 10.11834/jrs.20210572] [百度学术] 

    Wang W, Mao F Y, Pan Z X, Gong W, Yoshida M, Zou B and Ma H Y. 2019c. Evaluating aerosol optical depth from Himawari-8 with sun photometer network. Journal of Geophysical Research: Atmospheres, 124(10): 5516-5538 [DOI: 10.1029/2018JD028599] [百度学术] 

    Wang W, Mao F Y, Zou B, Guo J P, Wu L X, Pan Z X and Zang L. 2019b. Two-stage model for estimating the spatiotemporal distribution of hourly PM1.0 concentrations over central and east China. Science of the Total Environment, 675: 658-666 [DOI: 10.1016/j.scitotenv.2019.04.134] [百度学术] 

    Wang X Q, Dou A X, Ding X and Li Y W. 2015. Advance on the RS-based emergency seismic intensity assessment. Journal of Geo-Information Science, 17(12): 1536-1544 [百度学术] 

    王晓青, 窦爱霞, 丁香, 李旖雯. 2015. 地震烈度应急遥感评估研究与应用进展. 地球信息科学学报, 17(12): 1536-1544 [DOI: 10.3724/sp.‍j.‍1047.2015.01536] [百度学术] 

    Wu B F. 2000. Operational remote sensing methods for agricultural statistics. Acta Geographica Sinica, 55(1): 25-35 [百度学术] 

    吴炳方. 2000. 全国农情监测与估产的运行化遥感方法. 地理学报, 55(1): 25-35 [DOI: 10.3321/j.issn:0375-5444.2000.01.004] [百度学术] 

    Wu B F, Zhang M, Zeng H W, Yan N N, Zhang X, Xing Q and Chang S. 2019. Twenty years of cropwatch: progress and prospect. Journal of Remote Sensing, 23(6): 1053-1063 [百度学术] 

    吴炳方, 张淼, 曾红伟, 闫娜娜, 张鑫, 邢强, 常胜. 2019. 全球农情遥感速报系统20年. 遥感学报, 23(6): 1053-1063 [DOI: 10.11834/jrs.20198156] [百度学术] 

    Wu L X, Li J, Miao Z L, Wang W, Chen B Y, Li Z W, Dai W J and Xu W B. 2021. Pattern and directions of spaceborne-airborne-ground collaborated intelligent monitoring on the geo-hazards developing environment and disasters in glacial basin. Acta Geodaetica et Cartographica Sinica, 50(8): 1109-1121 [百度学术] 

    吴立新, 李佳, 苗则朗, 王威, 陈必焰, 李志伟, 戴吾蛟, 许文斌. 2021. 冰川流域孕灾环境及灾害的天空地协同智能监测模式与方向. 测绘学报, 50(8): 1109-1121 [DOI: 10.11947/j.AGCS.2021.20210107] [百度学术] 

    Wu L X, Qin K and Liu S J. 2012. GEOSS-based thermal parameters analysis for earthquake anomaly recognition. Proceedings of the IEEE, 100(10): 2891-2907 [DOI: 10.1109/JPROC.2012.2184789] [百度学术] 

    Wu R, Wang J Y, Zhang D C and Wang S J. 2021. Identifying different types of urban land use dynamics using point-of-interest (POI) and random forest algorithm: the case of Huizhou, China. Cities, 114: 103202 [DOI: 10.1016/j.cities.2021.103202] [百度学术] 

    Wu W, Miao Z L, Xiao Y L, Li Z B, Zhang A S, Samat A, Du N C, Xu Z K and Gamba P. 2020. New scheme for impervious surface area mapping from SAR images with auxiliary user-generated content. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 5954-5970 [DOI: 10.1109/JSTARS.2020.3027507] [百度学术] 

    Wu X W, Yin F Z and Sun J Q. 2011. The key technical analysis on remote sensing dynamic monitoring in antarctic based on image processing. Geomatics World, 9(2): 74-79 [百度学术] 

    吴学伟, 殷福忠, 孙剑桥. 2011. 南极遥感动态监测影像处理关键技术分析. 地理信息世界, 9(2): 74-79 [DOI: 10.3969/j.issn.1672-1586.2011.02.016] [百度学术] 

    Xie B S, Zhou S Y, Wu L X, Mao W F, Wang W. 2022. RockSL: an integrated rock spectral library for better global shared services. Big Earth Data [DOI: 10.1080/20964471.2021.2017111] [百度学术] 

    Xing Q G, Zheng X Y, Shi P, Hao J J, Yu D F, Liang S Z, Liu D Y and Zhang Y Z. 2011. Monitoring “green tide” in the Yellow Sea and the East China Sea using multi-temporal and multi-source remote sensing images. Spectroscopy and Spectral Analysis, 31(6): 1644-1647 [百度学术] 

    邢前国, 郑向阳, 施平, 郝佳佳, 禹定峰, 梁守真, 刘东艳, 张渊智. 2011. 基于多源、多时相遥感影像的黄、东海绿潮影响区检测. 光谱学与光谱分析, 31(6): 1644-1647 [DOI: 10.3964/j.issn.1000-0593(2011)06-1644-04] [百度学术] 

    Xu H, Li M L, Liang H B, Li Z S and Wu X. 2018. Review of the evaluation index system for degraded forest ecosystems. Acta Ecologica Sinica, 38(24): 9034-9042 [百度学术] 

    徐欢, 李美丽, 梁海斌, 李宗善, 伍星. 2018. 退化森林生态系统评价指标体系研究进展. 生态学报, 38(24): 9034-9042 [DOI: 10.5846/stxb201805301196] [百度学术] 

    Xu H Q. 2013. A remote sensing urban ecological index and its application. Acta Ecologica Sinica, 33(24): 7853-7862 [百度学术] 

    徐涵秋. 2013. 城市遥感生态指数的创建及其应用. 生态学报, 33(24): 7853-7862 [DOI: 10.5846/stxb201208301223] [百度学术] 

    Xu N X, Tian Q J, Shen H F and Xu K J. 2018. Classification of Pinus massoniana and Cunninghamia lanceolata using hyperspectral image based on differential transformation. Remote Sensing for Land and Resources, 30(4): 28-32 [百度学术] 

    徐念旭, 田庆久, 申怀飞, 徐凯健. 2018. 基于微分变换的高光谱马尾松和杉木识别. 国土资源遥感, 30(4): 28-32 [DOI: 10.6046/gtzyyg.2018.04.05] [百度学术] 

    Xu T, Cao L, Shen X and She G H. 2015. Estimates of subtropical forest biomass based on airborne LiDAR and Landsat 8 OLI data. Chinese Journal of Plant Ecology, 39(4): 309-321 [百度学术] 

    徐婷, 曹林, 申鑫, 佘光辉. 2015. 基于机载激光雷达与Landsat 8 OLI数据的亚热带森林生物量估算. 植物生态学报, 39(4): 309-321 [DOI: 10.17521/cjpe.2015.0030] [百度学术] 

    Xu X H, Huang P, Huang S F, Sun Y Y and Zhang X P. 2021. Application of satellite radar remote sensing for emergency monitoring of flood disasters in Poyang Lake. China Flood and Drought Management, 31(4): 10-14 [百度学术] 

    许小华, 黄萍, 黄诗峰, 孙亚勇, 张秀平. 2021. 鄱阳湖洪涝灾害卫星雷达遥感应急监测应用. 中国防汛抗旱, 31(4): 10-14 [DOI: 10.16867/j.issn.1673-9264.2021082] [百度学术] 

    Xu Z Y, Li Y C, Li M Y, Li C and Wang L. 2020. Forest biomass retrieval based on Sentinel-1A and Landsat 8 image. Journal of Central South University of Forestry and Technology, 40(11): 147-155 [百度学术] 

    许振宇, 李盈昌, 李明阳, 李超, 汪霖. 2020. 基于Sentinel-1A和Landsat 8数据的区域森林生物量反演. 中南林业科技大学学报, 40(11): 147-155 [DOI: 10.14067/j.cnki.1673-923x.2020.11.018] [百度学术] 

    Yan M C. 2007. Research and contrast on several vegetation-classification methods of high-resolution satellite image data. Journal of Remote Sensing, 11(2): 235-240 [百度学术] 

    颜梅春. 2007. 高分辨率影像的植被分类方法对比研究. 遥感学报, 11(2): 235-240 [DOI: 10.11834/jrs.20070232] [百度学术] 

    Yang Q Y, Zheng D and Wu S H. 2006. On subtropical zone of China. Journal of Subtropical Resources and Environment, 1(3): 1-10 [百度学术] 

    杨勤业, 郑度, 吴绍洪. 2006. 关于中国的亚热带. 亚热带资源与环境学报, 1(3): 1-10 [DOI: 10.3969/j.issn.1673-7105.2006.03.002] [百度学术] 

    Yang Z, Lu X P, Wu Y B, Miao P J and Zhou J L. 2020. Retrieval and model construction of water quality parameters for UAV hyperspectral remote sensing. Science of Surveying and Mapping, 45(9): 60-64, 95 [百度学术] 

    杨振, 卢小平, 武永斌, 苗沛基, 周俊利. 2020. 无人机高光谱遥感的水质参数反演与模型构建. 测绘科学, 45(9): 60-64, 95 [DOI: 10.16251/j.cnki.1009-2307.2020.09.010] [百度学术] 

    Yin H J, Zhu J J, Li Z W, Ding X L and Wang C C. 2011. Ground subsidence monitoring in mining area using DInSAR SBAS algorithm. Acta Geodaetica et Cartographica Sinica, 40(1): 52-58 [百度学术] 

    尹宏杰, 朱建军, 李志伟, 丁晓利, 汪长城. 2011. 基于SBAS的矿区形变监测研究. 测绘学报, 40(1): 52-58 [百度学术] 

    Zeng C, Liu Y L, Stein A and Jiao L M. 2015. Characterization and spatial modeling of urban sprawl in the Wuhan Metropolitan Area, China. International Journal of Applied Earth Observation and Geoinformation, 34: 10-24 [DOI: 10.1016/j.jag.2014.06.012] [百度学术] 

    Zhang J L, Pjam T T H, Kalacska M and Turner S. 2014. Using Landsat thematic mapper records to map land cover change and the impacts of reforestation programmes in the borderlands of southeast Yunnan, China: 1990—2010. International Journal of Applied Earth Observation and Geoinformation, 31: 25-36 [DOI: 10.1016/j.jag.2014.01.006] [百度学术] 

    Zhang M N, Huang H B, Li Z C, Hackman K O, Liu C, Andriamiarisoa R L, Raherivelo T N A N, Li Y X and Gong P. 2020. Automatic high-resolution land cover production in madagascar using Sentinel-2 time series, tile-based image classification and google earth engine. Remote Sensing, 12(21): 3663 [DOI: 10.3390/rs12213663] [百度学术] 

    Zhang X, Liu L Y, Chen X D, Gao Y, Xie S and Mi J. 2021. GLC_FCS30: global land-cover product with fine classification system at 30 m using time-series Landsat imagery. Earth System Science Data, 13(6): 2753-2776 [DOI: 10.5194/essd-13-2753-2021] [百度学术] 

    Zhang X H. 2016. Decision tree algorithm of automatically extracting mangrove forests information from Landsat 8 OLI imagery. Remote Sensing for Land and Resources, 28(2): 182-187 [百度学术] 

    张雪红. 2016. 基于决策树方法的Landsat8 OLI影像红树林信息自动提取. 自然资源遥感, 28(2): 182-187 [DOI: 10.6046/gtzyyg.2016.02.28] [百度学术] 

    Zhang Y Z, Huang Z J, Fu D Y, Tsou J Y, Jiang T C, Liang X S and Lu X. 2018. Monitoring of chlorophyll-a and sea surface silicate concentrations in the south part of Cheju Island in the East China Sea using MODIS data. International Journal of Applied Earth Observation and Geoinformation, 67: 173-178 [DOI: 10.1016/j.jag.2018.01.017] [百度学术] 

    Zhang Y Z and Zhang F X. 1994. Application of Landsat thematic mapper data to landuse classification and thematic information extraction in subtropical economic forest zone. Remote Sensing for Land and Resources, 6(2): 28-33 [百度学术] 

    张彦忠, 张福祥. 1994. TM数据用于亚热带桔果林区的土地利用分类和专题信息提取. 国土资源遥感, 6(2): 28-33 [DOI: 10.6046/gtzyyg.1994.02.05] [百度学术] 

    Zhao D Z, Qu C Y, Shan X J, Gong W Y, Zhang Y F and Zhang G H. 2018. InSAR and GPS derived coseismic deformation and fault model of the 2017 Ms7.0 Jiuzhaigou earthquake in the Northeast Bayanhar block. Tectonophysics, 726: 86-99 [DOI: 10.1016/j.tecto.2018.01.026] [百度学术] 

    Zhao X, Song Y Q, Liu Y L, Chen F X and Hu Y M. 2020. Population spatialization based on satellite remote sensing and POI data: Guangzhou as an example. Tropical Geography, 40(1): 101-109 [百度学术] 

    赵鑫, 宋英强, 刘轶伦, 陈飞香, 胡月明. 2020. 基于卫星遥感和POI数据的人口空间化研究——以广州市为例. 热带地理, 40(1): 101-109 [DOI: 10.13284/j.cnki.rddl.003179] [百度学术] 

    Zhao X Y, Zhang J, Zhang D Y, Zhou X G, Liu X H and Xie J. 2019. Comparison between the effects of visible light and multispectral sensor based on low-altitude remote sensing platform in the evaluation of rice sheath blight. Spectroscopy and Spectral Analysis, 39(4): 1192-1198 [百度学术] 

    赵晓阳, 张建, 张东彦, 周新根, 刘小辉, 谢静. 2019. 低空遥感平台下可见光与多光谱传感器在水稻纹枯病病害评估中的效果对比研究. 光谱学与光谱分析, 39(4): 1192-1198 [DOI: 10.3964/j.issn.1000-0593(2019)04-1192-07] [百度学术] 

    Zheng G, Yang J S, Li X F, Zhou L Z, Ren L, Chen P, Zhang H G and Lou X L. 2019. Using artificial neural network ensembles with crogging resampling technique to retrieve sea surface temperature from HY-2A scanning microwave radiometer data. IEEE Transactions on Geoscience and Remote Sensing, 57(2): 985-1000 [DOI: 10.1109/TGRS.2018.2863948] [百度学术] 

    Zhou F, Xu Y P and Lv H H. 2012. Analysis of the vegetation change in the Yangtze River delta based on MODIS-EVI time series data. Resources and Environment in the Yangtze Basin, 21(11): 1363-1369 [百度学术] 

    周峰, 许有鹏, 吕慧华. 2012. 基于MODIS-EVI数据的长江三角洲地区植被变化的特征. 长江流域资源与环境, 21(11): 1363-1369 [百度学术] 

    Zhou T Y, Wang Z H, Qin H Y and Zeng Y Q. 2020. Remote sensing extraction of geothermal anomaly based on terrain effect correction. Journal of Remote Sensing, 24(3): 265-276 [百度学术] 

    周桃勇, 王正海, 秦昊洋, 曾雅琦. 2020. 地形效应校正的遥感地热异常提取. 遥感学报, 24(3): 265-276 [DOI: 10.11834/jrs.20208299] [百度学术] 

    Zhu J S. 2015. Research on aerosol inversion method of high resolution satellite. Global City Geography, 5(10): 251-252 [百度学术] 

    朱金盛. 2015. 高分辨率卫星反演气溶胶方法研究. 城市地理, 5(10): 251-252 [DOI: 10.3969/j.issn.1674-2508.2015.10.221] [百度学术] 

    Zhu K Z. 1958. Subtropical zone in China. Chinese Science Bulletin, 9(17): 524-528 [百度学术] 

    竺可桢. 1958. 中国的亚热带. 科学通报, 9(17): 524-528 [百度学术] 

    文章被引用时，请邮件提醒。
    提交

    相关文章

    相关作者

    暂无数据

    相关机构

    海南省地球观测重点实验室
    中国科学院遥感与数字地球研究所 数字地球重点实验室
    杭州电子科技大学自动化学院
    宁波市农业技术推广总站
      中国海洋大学  
    0