发布日期：2024-10-10 07:54 点击次数：186
节录 柚木提娜种子
新时期中国环境欺凌防治和生态娴雅斥地的要紧需求催生了环境遥感监测时刻的赶紧发展，20多年来，中国环境遥感监测从无到有，从弱到强，渐渐进入到国度生态环境保护的主战场，并成为国度环境管理决策不可或缺的纰谬时刻技能，阐述了关节性撑抓作用。面对实行最严格的生态环境保护轨制、科学治污、精确治污、照章治污的新形势和新要求，中国环境遥感监测面对前所未有的机遇和挑战。本文率先以环境监测卫星斥地和应用为干线，精雅了中国环境遥感监测责任历程；然后从典型关节时刻征询概况开首，总结了水环境遥感监测、大气环境监测、生态环境监测关节时刻的进展；临了，市欢高性能对地不雅测、大数据等先进时刻的发展，对后续环境卫星、生态环境问题遥感主动发现、环境遥感监测大数据、基于深度学习的环境遥感反演等前沿问题进行了磋商，指出了中国环境遥感急需惩办的问题和发展办法，并对相干时刻的发展和应用出息进行了分析和预测。不错看到，在国度关系部门的高度疼爱和作家所率领团队及多量相干征询东谈主员的共同死力下，中国已初步建立了环境遥感监测时刻体系，并形成了业务化应用才智，以高分辨率探伤为中枢的新一代环境监测卫星正在得到快速发展，环境专用卫星载荷的时刻性能将得到大幅晋升，同期，环境遥感机理征询正得到进一步加强，环境遥感监测的精度和效果将得到进一步晋升，中国环境遥感监测正在与东谈主工智能、大数据等新时刻加速交融，从以数理建模为中枢的模子驱动期间进入到以智能感知为特征的数据驱动期间，由此将催生新的环境遥感应用场景和大数据产物不休久了，股东环境遥感监测向智能感知、智能预警、智能决策、智能做事的办法发展。
关节词
生态环境遥感监测; 高性能环境卫星; 大数据; 深度学习
1
媒介
跟着中国环境保护责任的快速发展和不休深入，欺凌防治攻坚战、生态环境保护守护、生态环境绩效评估、生态环境风险预警等新时期环境保护责任对环境监测提倡了更多、更高的要求，以大地采样为主的传统环境监测已难以知足以全场地、全经由、全要素、全周期为特征的当代环境管理的需要（Liu 等，2018），国度要紧需要将大地的点上环境监测膨大到空间的面上监测、将定时的静态环境监测膨大到随时的动态监测、将局地的龙套环境监测膨大到全域的聚合监测，发展环境遥感监测得到了国度的高度疼爱。早在2000年国度环保总局即向国度发改委提倡构建环境卫星系统的立项建议，2001年环境减灾卫星被列入民用航天发展“十五”筹办概要，2002年环境减灾卫星系统立项获国务院批准；2003年国度环保总局造就环境遥感监测有意机构，环境卫星斥地与应用责任全面张开；2007年环境卫星应用系统款式可研叙述和初步遐想得到国度发改委和财政部认真批复；2008年中国首个环境减灾一号A/B卫星班师辐照，同庚完成在轨测试并参加使用；2009年环境保护部卫星环境应用中心获批造就，依托中心大气环境遥感部、水环境遥感部、生态环境遥感部、环评遥感部、航空遥感部、运行管理部、详尽部，平缓发展形成20余项环境遥感监测业务办法；2012年环境减灾一号C星班师辐照，2013年环境卫星应用系统建成并认真参加使用；2016年环境遥感云平台和多源卫星收受站建成，环境遥感监测产物坐褥与做事的业务运行才智基本形成；2017年国度生态保护红线监管平台款式获批立项；2018年高分五号卫星班师辐照，填补了国产卫星无法有用探伤区域大气欺凌气体的空缺，中国环境遥感监测进入了高分辨率卫星应用的新阶段；2020年环境减灾二号卫星班师辐照，中国环境遥感监测才智跃上了新的台阶。与此同期，国度还接踵实施了一系列面向国产环境卫星斥地和应用的要紧款式，如国度发改委民用卫星斥地款式“环境一号卫星应用系统工程”、科技部科技撑抓款式“基于环境一号等国产卫星的环境遥感监测关节时刻与软件征询”、国度高分要紧科技专项款式“环境保护遥感动态监测信息做事系统”、国度生态拜访专项款式“世界生态环境遥感拜访与评估”、国度重心研发筹办款式“城乡生态环境详尽监测空间信息做事及应用示范”等，冲破了一无数国度急需的环境遥感监测关节时刻，构建了环境遥感监测模范体系、时刻体系和产物体系，研发了集环境遥感监测数据处理、分析、产物坐褥、分发与做事才智为一体的环境遥感监测应用平台，系统形成了环境遥感监测业务运行才智，并在“蓝天保卫战”、“碧水保卫战”、“净土保卫战”、中央环境保护守护、国度要紧行为环境质料保险、饮用水源地保护国法检讨、“绿盾行径”等重心责任中得到了抓续应用，环境遥感监测全面进入了中国生态环境保护责任东战场，并成为不可或缺的时刻技能，有用晋升了国度环境监管的才智和水平，为中国新时期环境保护管理与决策提供了有劲撑抓（Wang 等，2016；Li 等，2020）。本文精雅和总结了中国环境监测卫星斥地、大气环境遥感监测、水环境遥感监测和生态环境遥感监测关节时刻征询的进展，分析了新期间环境遥感监测时刻发展面对的机遇和挑战，磋商了环境遥感监测时刻发展的几许前沿问题，并对中国环境遥感监测时刻发展趋势进行了预测。 2
中国环境遥感监测时刻进展
中国生态环境遥感监测波及范围大、内容多、变化快，既有复杂的内陆水体、重欺凌的区域大气，也有种种类型的生态系统，监测对象的环境配景和光谱特征极其复杂，加之环境监测办法大多为低反射体，极易受左近环境以及大气干扰，导致环境办法信号极度幽微，主要用于宏不雅大气、海洋和陆地不雅测的振奋、海洋和资源卫星无法全面知足环境监测的需要。同期，国际主要用于清洁环境的遥感监测时刻，包括面向国际卫星应用的遥感数据处理和环境参数遥感反演算法在中国也难以适用，因此，有必要研发自主环境专用卫星，发展合乎中国环境卫星和重欺凌监测对象的环境遥感监测时刻。
2.1 环境监测卫星斥地
经过20余年的发展，中国环境遥感监测取得了长足进取，终知晓从无到有、从时刻检修到业务运行的历史性跨越。在环境卫星斥地方面，环境保护部合股卫星研制部门提倡了宽障翳不雅测与详查相市欢、辐射能量测量与偏振脾性测量相市欢、多通谈与高光谱探伤相市欢、被迫探伤与主动探伤相市欢的环境卫星斥地决议，并于2008年班师辐照了中国首个环境一号卫星星座（HJ-1 A/B和HJ-1 C），初次形成了具有中高空间分辨率、高时期分辨率、高光谱分辨率、宽不雅测带宽性能、能详尽哄骗可见光、红外与微波遥感等不雅测技能的先进的环境卫星系统（Wang 等，2010），其多光谱可见光相机在30 m分辨率情况下不雅测幅宽达740 km，超光谱成像仪的平均光谱分辨率达5 nm，为终了中国环境遥感监测奠定了数据基础。当今HJ-1 A、B、C 3颗卫星当今仍在轨运行，限制2020-08-31，HJ-1 A/B星已在轨运行65185圈，C星在轨运行43225圈，3颗星共获取卫星影像数据140.2万景，数据量达200.3 TB。继环境卫星之后，中国又先后辐照了7颗可凡俗用于环境监测的高分辨率卫星，为环境遥感监测提供了900万多景高分辨率卫星数据，有用数据量达3000 TB。在这些高分辨率卫星中，2018年辐照的高分五号卫星（GF-5）是搭载载荷最多、光谱分辨率最高、研制难度最大的环境专用卫星，亦然世界上第一颗同期对陆地和大气进行详尽不雅测的卫星，初次搭载了大气痕量气体差分招揽光谱仪、主要温室气体探伤仪、大气多角度偏振探伤仪、大气环境红外甚高分辨率探伤仪、可见短波红外高光谱相机、全谱段光谱成像仪共6台载荷，可对欺凌气体、温室气体、水质参数、陆地植被等种种环境要素进行高精度不雅测，中国环境遥感监测进入高分辨率、定量遥感的新阶段。跟着国度空间基础设施策画的实施，中国还将不息辐照环境减灾后续卫星、大气欺凌监测卫星、温室气体监测卫星、高光谱环境卫星等10余颗环境监测卫星，从全色、多光谱到高光谱，从光学到雷达，从太阳同步轨谈到地球同步轨谈的多种类型卫星组成的新一代环境卫星系统正在加速形成。
2.2 大气环境遥感监测关节时刻征询
中国大气欺凌物身分和时空特征复杂，区域大气环境欺凌严重，国际主流算法无法知足中国重欺凌配景下大气环境遥感监测的需要（Qin 等，2020）。近20年来，环境保护部卫星应用中心合股中国科学院遥感与数字地球征询所等抓续开展时刻攻关，系统冲破了气溶胶、可吸入颗粒物、灰霾、SO2、NO2、O3、HCHO秸秆烧毁、欺凌企业等遥感监测关节时刻，建立了基于国产卫星等多源遥感数据的大气环境遥感监测时刻体系（Wang等，2011，2017）。典型进展主要有：（1）利用地表二向反射模子和非朗伯反射率先验数据相市欢的方法，修正地表反射率校正罪状，班师惩办城市地表反射噪声估算的国际性艰难；提倡基于反射低值像元重构正向辐射值的伪暗办法识别等新时刻，建立了基于植被指数暗像元识别与伪暗办法识别相市欢的气溶胶反演算法，将城市群气溶胶光学厚度反演精度从经常65%提高到80%以上；基于MODIS卫星载荷250 m通谈的红蓝波段与短波红外线性关系，将国际通用气溶胶产物空间分辨率从10 km提高到1 km，并基于自主环境卫星终知晓30 m分辨率的气溶胶反演；（2）征询揭示了卫星光学厚度与近大地消光扫数之间的垂直漫衍、消光扫数的湿度影响、卫星光学探伤与PM2.5质料探伤之间定量关系，建立了PM2.5遥感反演中城市气溶胶光学厚度垂直纠正与吸湿增长纠正方法，基于激光雷达不雅测反演的范围层高度和实践得回颗粒物吸湿增长模子，基于区域大气模式RAMS得回范围层高度与相对湿度，发展了区域圭臬逐格网惩办消光扫数垂直漫衍与吸湿影响的方法，建立了区域圭臬PM2.5卫星遥感反演机理模子，反演精度达80%以上；（3）冲破了重欺凌配景下基于扩散限定凝华表面的灰霾粒子光散射脾性模拟、地表反射率耦合求解、动态灰霾模式构建等关节时刻，提倡基于物理机制来细目灰霾组成身分的新念念路，禁受大气化学模式CMAQ模拟灰霾组分等方法，惩办了灰霾气溶胶模式问题，禁受地表二向反射率先验学问库数据和卫星不同不雅测角度因素带来非朗伯脾性罪状效应抵偿算法，惩办了灰霾遥感中地表反射噪声分离问题，建立了灰霾卫星遥感识别算法，班师终知晓中国灰霾漫衍、欺凌品级的卫星遥感监测（Wang 等，2017）；（4）针对影响欺凌气体卫星遥感反演精度的大气拉曼散射Ring效应剔除艰难，提倡利用卫星在轨不雅测太阳光谱和经地表反射辐射信息开展实时大气Ring效应估算的新时刻，惩办了国际上把年均太阳辐射和大气状态规划的Ring效应用于每一天卫星探伤所带来的罪状问题，终知晓实时Ring效应剔除，将NO2反演精度由经常的70%提高到80%；针对国际上OMI载荷反演SO2出现的罪状问题，提倡轨谈罪状校正方法，有用减小了SO2反演中的噪声，将SO2反演精度由经常的60%提高到75%；（5）针对秸秆烧毁遥感监测伪火点去除的艰难，利用中国自主环境卫星可见、近红外通谈的反射率与不雅测几何条目识别耀雀斑，利用环境卫星第三、第四两个红外通谈识别潜在火点，将高下文算法应用于秸秆烧毁探伤，建立了高温中红外与配景热辐射各异物理探伤、太阳耀斑与固定点高温伪火点自动识别算法，建立了基于中国自主环境卫星中红外波段探伤数据的热极度点反演模子，终知晓世界秸秆烧毁高精度遥感监测；（6）针对“散、乱、污”大气欺凌企业监管艰难，在惩办PM2.5、PM10、NO2、SO2、O3、HCHO等企业欺凌特征参数高精度遥感反演艰难的基础上，提倡了基于橡树岭大气质料指数方法的一种新式大气欺凌高发指数，创建了响应区域特征欺凌物详尽影响和大气欺凌严重进度的遥感量化方针和算法，攻克了大气欺凌企业高分遥感监管重心神气网格和大气欺凌企业高分遥感影像特征库构建时刻，形成了大气欺凌企业漫衍遥感监测成套时刻，疑似大气欺凌企业遥感识别率可达90%以上。
2.3 水环境遥感监测关节时刻征询
中国内陆水体受到浮游植物、悬浮颗粒物、有色可溶性有机物等多种水色要素的详尽影响，水体光学性质复杂、时空分异性强，现存清洁大洋水体的国际熟谙遥感反演算法难以适用。近20年来，环境保护部卫星环境应用中心合股南京师范大学、中国科学院空天信息立异征询院等抓续开展时刻攻关，系统冲破了叶绿素a、悬浮物、透明度、水华、黄色物资、养分状态指数、黑臭水体、溢油、面源欺凌、饮用水源地安全等遥感监测关节时刻，建立了基于国产卫星等多源遥感数据的水环境遥感监测时刻体系（Wang 等，2013，2010）。典型进展主要有：（1）抓续开展郊外与室内相市欢的水质遥感参数光谱蚁集与分析实践，构建了具有5.5万条光谱数据的模拟数据库和水体固有光学脾性参数率定模子，系统揭示了我典型内陆水体组份的招揽、散射、后向散射光学脾性和季节变化特征；（2）揭示了内陆水体铜绿微囊藻、斜生栅藻、小球藻等藻类生消经由的光学脾性，定量评价了CDOM浮游植物和非色素颗粒物对总招揽、散射的孝敬大小，征询了悬浮物浓度变化对藻类信息的干扰效应，建立了铜绿微囊藻在蓝藻中所占百分比的遗传算法优化反演模子，提倡了包含藻蓝卵白色素的水体招揽扫数见解模子，进而建立了藻蓝卵白色素遥感反演模子；（3）针对中国内陆水体浑浊所导致的水质遥感反演精度不高的问题，引入位于近红外波段的第4波段，以缩小纯水和无机颗粒物招揽对叶绿素浓度反演的影响，建立了叶绿素浓度反演4波段模子，有用提高了模子的褂讪性和精度，该模子以辐射传输为表面基础，但不依赖于各组份招揽扫数、散射扫数的实践不雅测，克服了机理模子在本色应用中缺少实测数据支抓的缺点，提高了参数反演精度，具有较强的实行性；（4）针对内陆富养分化水体提倡了“先分类，后反演”的水质遥感参数反演方法，左证水体光谱的招揽、散射特征、形态特征等，建立水体光学分类模范，并左证所获取的遥感影像进行逐像元匹配，将分类信息定位到每个像元，临了针对各像元光学类型，采用与之匹配的模子进行参数反演，惩办了中国内陆水体里面组成复杂、光学脾性时空各异大所导致的模子缺少通用性等难点，拓展了水质反演模子的适用性范围；（5）提倡基于国产卫星的自恰当水华遥感索要方法，利用灰度—梯度的邻域映射函数特征自动获取合适的指数阈值用于判别水华像元，惩办了基于灰度直方图分割时不可充分利用图像细节特征等问题，晋升了水华反演精度；基于叶绿素光谱指数、藻青卵白光谱指数、水草光谱指数、近红外平均Rrs指数构建了水草与水华遥感判别公式，终知晓水草和水华的遥感离别，识别精度达90%傍边，有用惩办了水华遥感识别中水草剔除的艰难；（6）针对水环境管理急需的面源欺凌遥感监测需求，在二元结构模子的基础上，耦合定量遥感时刻，提倡了基于农田径流型、农村生涯型、畜禽滋生型、城市径流型和水土流失型5种面源欺凌类型的多圭臬面源遥感估算方法，冲破了模子应用圭臬和下垫面数据缺失的局限，并班师应用于环境一号卫星多光谱数据；（7）针对黑臭水体遥感监测的空缺，系统征询了中国城市黑臭水体遥感机理，揭示了黑臭水体表不雅光学特征和固有光学特征措施，包括遥感反射率特征、颗粒物和有色可溶性有机物特征等，提倡了基于训诫算法、色度方针、东谈主工智能方法、半分析算法的4类黑臭水体遥感监测方法，并建立了基于招揽扫数的黑臭水体遥感分级模子，终知晓基于国产卫星等多源数据的黑臭水体高精度遥感监测（Wang 等，2018）；（8）针对水环境遥感监测中的卫星数据时期不聚合、大地不雅测数据空间不聚合问题，构建了大地聚合不雅测—水能源模子—遥感数据的同化系统，在遥感反演中引入水能源模式，并通过大地浮标等不雅测数据修正模子罪状，通过数据同化，交融大地不雅测数据与卫星遥感数据，终知晓水质参数的大面积存合监测。
2.4 生态环境遥感监测关节时刻征询
中国生态系统类型种种、漫衍凡俗，复杂性、异质性特征昭彰，终了高精度、高效果的世界及区域生态环境遥感监测面对一系列时刻艰难。近20年来，环境保护部卫星环境应用中心合股中国科学院地舆科学与资源征询所、生态环境征询中心等抓续开展时刻攻关，系统冲破了生物物理参数遥感反演、地表遥感参数反演、生态系统遥感自动分类、生态质料评价因子遥感信息索要、生态系统遥感评估等关节时刻，建立了基于国产卫星等多源遥感数据的生态环境遥感监测时刻体系（Wang等，2015）。典型进展主要有：（1）面向中国生态系统特征，征询提倡了由8个I级类、22个II级类、42个III级类组成的基于遥感的生态系统分类体系，建立了顾及分区单位地物光谱特征的基于轨则自恰当学习的生态系统自动分类方法，通过教诲区自动考取和地物类型光谱三维特征空间的自动构建、分割、聚类，将生态系长入级分类精度由经常的80%提高到95%，单景分类效果与传统监督分类比拟提高3—5倍；提倡了基于决策树与面向对象分类时刻的生态系统自动分类方法，昭彰提高了环境一号卫星在复杂地形区域的生态系统分类精度；（2）提倡基于数据同化的多种地表生态参数时期序列重构方法，为生态环境监测与评价提供了时空相对完备的地表环境参数数据集；提倡基于改进的S-G滤波的植被指数重构方法，并应用于环境一号卫星 NDVI数据时期序列重构，大幅度镌汰了包括云障翳、大气效应等因素形成的噪声；提倡了基于卡尔曼滤波的多种能量、水分参数时期序列重构方法，昭彰的改善了相干参数数据时期序列的均值和模范差，举例，辐射参数模范差镌汰10%—15%，温度参数模范差镌汰8%—15%；（3）建立了基于环境一号卫星等多源遥感数据的生物物理参数、地表物理参数、生态景不雅指数、生态评价因子等生态遥感参数的业务化索要方法，举例，通过优化APAR、光能利用率和水分威迫因子，改进了传统CASA模子，并基于优化模子建立了国度圭臬月度净低级坐褥力产物；发展了面向自主高分卫星的基于广义转头神经收集的叶面积指数遥感反演时刻，利用SCE-UA全局优化算法求取最优平滑参数来进行教诲，通过修改隐层中神经元的转化函数，得到最优LAI猜度；基于植被指数遥感机理，利用神经收集法构建了世界圭臬FPAR遥感估算方法，终知晓国度圭臬月度FPAR产物坐褥；引入MODTRAN4大气辐射传输模子，对“劈窗”算法中的劈窗扫数进行了改进，终知晓多光谱地表温度遥感反演；通过圭臬转化，构建基于多源数据的泥土水分耦合模子；利用RossThick核函数与LiSparseR核函数，拟合地表二向性反射特征，建立了地表大约度反演方法等；（4）建立了基于学问发现的宏不雅生态要素类型变化快速检测方法，以历史时期地盘利用/地盘障翳数据为本底，自动抽取当前遥感影像的大样本，构建生态要素类型的特征光谱空间，终了变化像元检测和变化像元自动归类，且样本彩选、分类器构建经由中不需要东谈主工侵略；提倡基于“地舆对象”的高分辨率遥感影像多圭臬分割时刻，基于自主高分辨率卫星终知晓重心区域生态遥感监测数据的动态更新与生态要素变化高精识别；（5）针对国度生态环境守护国法的需要，冲破多源异构生态遥感监测数据的时空圭臬匹配、东谈主类行为对生态系统变化孝敬率定量识别等关节时刻，提倡了东谈主类干扰指数、开发斥地强度等定量遥感监测方针，建立了国度自然保护区、纰谬生态功能区、生物种种性优先保护区、要紧生态工程斥地区、矿产资源开发区等东谈主类干扰行为和生态保护奏效业务化遥感监测时刻体系，终知晓基于国产环境卫星等多源遥感卫星的生态环境监管；（6）提倡基于“样式—质料—功能—问题—威迫”范式的国度生态环境拜访评估时刻方法，建立了由315个方针、416个模子组成的天—地一体化的世界生态拜访评估方法体系，揭示了世界生态系统时空变化特征及漫衍措施，找出了生态系统变化的主要驱能源，明确了国度生态安全底线（Wang 等，2014）。
3
环境遥感监测几许前沿问题磋商
跟着高性能对地不雅测、物联网、5G、大数据等当代时刻的快速发展（Li 等，2012），以及实行最严格的生态环境保护轨制、精确治污、科学治污、照章治污等新责任要求的不休提倡，环境遥感监测时刻发展面迎来了前所未有的机遇和挑战。因此，有必要对下一步时刻发展带来影响的前沿问题进行磋商，加速高性能环境监测卫星的发展，股东终了高空间分辨率、高光谱分辨率、高时期分辨率、全天候、全天时、全谱段的环境遥感监测，同期，要利用大数据、深度学习等新时刻大幅晋升环境遥感监测的效果和精度，股东终了集成化、定量化、智能化、业务化的环境遥感监测。
3.1 对于高性能环境监测卫星
惩办环境欺凌和生态坎坷“发现难、反演难、监管难”，使遥感监测的精度和效果跟上生态环境保护管理的需要，是环境遥感时刻发展遭遇的新挑战，亦然环境监测卫星研制面对的新任务。现存高分五号卫星、16 m光学星、5 m微波卫星等环境卫星的时刻才智距高精度环境遥感监测的本色需要尚有较大差距，如光学成像类有用载荷在空间分辨率、光谱分辨率、不雅测幅宽、辐射测量精度、光谱带宽等方面还难以知足大范围区域大气环境、复杂内陆水体水质等高精度遥感监测和欺凌治理奏效评估等本色需要；红外高光谱探伤类有用载荷在聪惠度、短波波段性能方针随时期变化的褂讪度等方面难以知足欺凌企业夜间偷排、温度场、热排放等遥感监测的本色需要；可见近红外探伤类有用载荷在辐射定标精度、光谱分辨率等方面难以知足环境欺凌源探伤、欺凌强度评估、生物物理参数反演、东谈主类干扰行为识别等遥感监测的本色需要；紫外高光谱类有用载荷在光谱分辨率，不雅测频次等方面难以知足臭氧、气溶胶等变化细节遥感监测的本色需要；微波成像类有用载荷在C波段、L波段等低频通谈的成立、不雅测刈幅等方面难以知足泥土湿度、植被水分、泥土重金属欺凌等遥感监测的本色需要（Jin 等，2019）。为此，需要进一步加强高性能环境监测卫星的研发，（1）针对受低轨卫星轨谈和不雅测幅展期定，抓续不雅测才智不及、时效性不高级问题，发展极轨多角度多光谱偏振及微光成像载荷，全面晋升多角度多光谱偏振成像和夜间微光成像才智，在显赫晋升杂光收敛和光谱辐射定标精度的基础上，将探伤聪惠度在现存基础上提高2—3倍；发展静轨全天时超高分辨率可见近红皮毛机，终了静止轨谈可见-红外波段10 m量级、分钟级的高时空分辨率、0.1 K量级的高精度的详尽不雅测，强化对种种欺凌物排放源，欺凌物传输、聚集和解除情况的大范围监测，形成高轨定点抓续监测、低轨高分辨率细巧遥感的动静市欢的环境卫星不雅测体系；（2）针对现存环境监测卫星有用载荷以均分辨率光学载荷为主，缺少环境专用载荷的问题，加强差分招揽光谱（DOAS）、可调谐半导体激光招揽光谱（TDLAS）、傅里叶转化红外光谱（FTIR）等新式环境监测专用载荷的研发，进一步晋升环境定量遥感的才智和水平，额外是针对现存环境监测卫星单星过顶有用获取数据时期短、种种卫星过顶时期较为辘集，难以获取不同期段、不同光照条目、温湿条目下多要素、复杂生态环境特征的问题，进一步优化环境监测成像模式，发展姿态敏捷高分辨率详查卫星，增多微光探伤才智、视频动态监测才智、红外夜间探伤才智，强化环境欺凌和生态坎坷的高聪惠、高速即、高重访探伤；针对中国精确治污、科学治污、照章治污、生态保护与规复等对卫星遥感监测方针和精度方面的新需求，重心发展高光谱环境监测专用载荷，包括超高分辨率全谱段高光谱成像仪、超宽幅全谱段高光谱成像仪、高光谱泥土欺凌监测仪、基于天底和临边两种体制的大气身分超光谱探伤仪等，以恰当环境欺凌多办法详尽探伤、生态坎坷行为快速索要、环境风险高精度识别等责任需要。同期进一步发展激光环境探伤新载荷，如用于特定红外招揽谱段的欺凌物高分辨率探伤的红外激光外差探伤、用于近大地高精度臭氧探伤的臭氧探伤激光雷达、用于气溶胶和雾霾探伤的高重频微脉冲激光雷达、用于大气身分垂直探伤的激光掩星探伤仪、用于大气身分高精度三维探伤的飞秒白光探伤激光雷达等，建立形成更高性能、更优布局、更好成立的生态环境卫星不雅测体系。
3.2 对于生态环境问题遥感主动发现
强化生态环境守护与国法是实行最严格的生态环境保护轨制的压根体现，其难点在于生态环境问题的主动发现，急需环境遥感监测提供时刻撑抓。但传统环境遥感监测模式总体上是被迫的，过后和管理驱动的，难以实时、主动发现环境欺凌和生态坎坷问题。若何终了基于卫星遥感时刻的生态环境问题主动发现，额外是对重心区域、重心生态环境问题的实时锁定，已成为中国环境遥感监测时刻发展要紧需要惩办的问题。一个值得神气的征询念念路是利用航天遥感中低分辨率卫星数据重访周期短、高分辨率遥感数据成像质料好、无东谈主机或东谈主工大地核查精度高的脾性，建立中低分辨率卫星遥感张望、高分辨率卫星详查、无东谈主机与大地核查相市欢的新式遥感监测时刻体系，形成以遥感数据驱动的生态环境极度主动发现机制，终了对生态环境问题的预先、事中、过后的全经由遥感监控。这里所说的张望等于基于现势和历史的中低空间分辨率遥感影像以及历史本底数据，进行大范围疑似极度区域的快速查找，以主动发现疑似生态环境问题；详查等于在张望得到的极度区域和疑似问题的基础上，基于高空间分辨率遥感影像终了生态环境问题的精确识别与索要；核查等于确切详查收尾进行最终阐明和补充完善。为此，（1）要冲破张望经由中基于中低分辨率遥感图像自动变化检测时刻，包括征询若何利用基准网进行全色数据的区域级平差改正，并以此为限制基准进行多光谱数据的单片平差改正，并进行正射校正与图像交融，终了时序影像与限制基准网之间的十足几何定位以及序列影像之间的相对几何一致性保抓，以使多分辨率影像数据之间达到变化检测所需要的匹配精度；征询影像信息智能索要问题，如将矩阵式影像团员、美艳为龙套的对象，再市欢速即丛林、boosting及神经收集等监督分类时刻，融入体现监测对象自身特征的相貌化学问和与环境相干的提拔语义学问，将光谱和空间上各自颓唐的像素单位赋予生态环境问题特征，最终终了从像元到对象的特征挖掘和从下到上的空间团员；征询生态环境变化遥感发当前刻问题，如从遥感监测的角度构建不同的监测场景和识别轨则，建立全样本对象多元多维特征模子，并应用学问驱动下的“语义-场景-轨则”终了生态环境问题的主动发现，还可基于多圭臬分割算法或者矢量经管的图像分割算法，通过对分割后的影像对象的光谱、纹理、几何特征等进行特征规划，再利用高斯转头、贝叶斯分析等方法对汇总的特征进行分析，最终以概率模子的方式终了对遥感极度信息的主动发现；（2）要冲破详查经由中基于高分辨率遥感图像的半自动交互裁剪时刻，征询若何利用高空间分辨率遥感影像剔除中低分辨率环境遥感检测的罪状，并市欢群众学问，在规划机东谈主机交互的支抓下进行极度图斑范围、类别判定、极度检测收尾修改与属性裁剪，终了生态环境问题及变化的精确索要。这里的关节问题是若何左证高分辨率的遥感图像细节信息丰富、地物几何结构等脾性主动细目已发生环境问题的空间漫衍和办法的范围。对有细目范围的特定地物或典型办法，不错禁受办法范围自动轨则的时刻方法，对于一些羼杂复杂的环境地物，则可禁受基于影像分割的多圭臬分析方法终了图斑的半自动化、细巧化索要。一种念念路是禁受自底朝上区域合并的方法产生对象，即从淘气一个像元初始，先将单个像元合并为较小的影像对象，进而合并成较大的多边形对象，使得较大的异质性不休增大，当大于由圭臬值决定的阈值时，合并经由住手；另外还要征询矢栅一体化的数据结构，将矢量面向对象的组织方法和栅格像元填充的组织方法市欢起来，通过禁受矢栅一体化的数据裁剪模式，惩办裁剪经由中的漫游、浏览和拓扑构建等问题，为终了问题发现的快速交互式裁剪提供有意的底层模子；（3）要冲破核查经由中基于大地拜访数据的业务协同等关节时刻，征询基于“云+端”的核查时刻模式，针对详查后仍不够明确或准确的问题，开发集生态环境问题数据集成管理、核查任务逐级下发、实地拜访取证、天—空—地数据高精度匹配、实时核查调节与多维展示等才智为一体的业务协同时刻。另外，针对外业核查无法到达区域，还要征询基于袖珍化、智能化载荷的无东谈主机核查数据蚁集与实时回传时刻。总之，有必要效力发展环境问题遥感主动发当前刻，扭转环境遥感监测滞后、被迫的局面，晋升环境监督国法的针对性、主动性和有用性。
3.3 对于环境遥感监测大数据
跟着大数据、物联网、云规划等新时刻的快速发展，环境遥感监测也进入了大数据期间（Zhang 等，2018）。环境遥感监测大数据是哄骗大数据念念维与方法，对多源异构、海量遥感数据进行高效蚁集、处理、分析，并从中发现新学问、创造新价值、晋升新才智的新一代环境遥感监测时刻与管行状态。生态环境监测大数据类型种种，不仅数据量庞杂、类型蕃昌、格式各异大，况且时期、空间和属性圭臬不一致，更新速率极快，具有昭彰的全场地、全天候、全天时、全要素、全周期、高精度、时空聚合的新特征，它更强调不同种类数据的整合、交融、关联、协同反演和合股索要，尤其强调东谈主工智能支抓下的详尽感知和智能分析，因此，现存环境遥感监测数据分析处理方式已很难恰当，需要利用环境遥感监测大数据时刻，把来自多种不雅测技能的环境监测数据资源进行汇聚和交融和分享，使孑然、单方面的多种环境要素有机关联，挖掘出更多、更有价值的环境遥感学问，晋升环境遥感监测的精确化、普适化、智能化和自动化水平（Vasit 等，2020）。一是发展环境遥感监测大数据样本智能生成时刻，在顾及不同传感器、不同分辨率、不同区域、不同期相遥感数据各异性的基础上，索要出卫星遥感、大地监测、无线传感器、众包、收集媒体等数据样本额外对应关系，并利用智能化方法，摒除可靠度低、稠浊和噪声数据，并自动筛选出可靠、精确、代表性的数据看成样本，从已有环境遥感大数据中自动索要和建立样本库；二是发展环境遥感监测大数据时空智能交融时刻，左证多源数据中地物光谱等信息在时空域的依赖性和关联性，把分片的、龙套的、孑然的数据处理成大范围的、一致的、时空分辨率密集的数据，以惩办由多传感器、多时相、多类型数据的辐射各异、几何配准各异、羼杂像元、地表异质性等因素带来的环境遥感监测时空不聚合等艰难；三是发展环境遥感监测大数据时空关联分析时刻，包括不同来源数据的关联性、影像光谱特征和大地监测方针的关联性、归并地物在不同来源数据中的关联性、不同圭臬地物的关联性、不同要素的关联性、光谱特征和地物的关联性、不同欺凌物的关联性瓜分析时刻，以体现生态环境监测大数据的举座上风，揭示环境遥感监测大数据的基本特征和内在学问；四是发展环境遥感监测大数据时空转少顷刻，使环境遥感模子或方法能在不同领域、不同来源、不同期间、不同区域的数据间自恰当移动，最大可能地终了环境遥感参数、模子和学问的分享，惩办传统环境遥感监测模子难以恰当环境地物特征、时空措施和关联学问跟着传感器、区域、时期等变化而变化的艰难；五是发展环境遥感监测大数据智能挖掘时刻，包括环境欺凌变量和生态环境参量自身关联学问智能挖掘，结构化、半结构化、非结构化环境要素间依赖学问智能挖掘，环境变化经由额外驱动因素间的量化关系智能挖掘，生态环境时空变化措施和环境欺凌发展趋势智能挖掘等时刻，以揭示生态环境变化时空演变特征和措施；六是发展环境遥感监测大数据智能识别时刻，通过自动、实时抽取样本，进行环境遥感、欺凌源、排放清单、社会经济、环境质料等数据驱动的深度学习，挖掘环境欺凌强度和各致污因子间内在关联和量化关系，识别遥感影像的几何、光谱、纹理等极度，自动识别和动态索要环境变化；七是发展环境遥感监测大数据智能模拟时刻，通过东谈主工智能方法挖掘出不同环境要素的时空样式变化、相互作用措施、多圭臬耦合关系，从而终了多要素相互作用和动态耦合关系下生态环境变化经由系统模拟和情景分析，如环境欺凌事故的发生、发展和趋势，环境欺凌扩散经由和影响范围、生态环境保护策略实施前后的奏效、水量调控对水质的影响、经济结构调控带来的生态效益等等，股东生态环境经由模拟从单一要素的不雅测与模拟向大气、水、生态、泥土和东谈主类社会行为等多要素/经由耦合的详尽不雅测与模拟的漂浮；八是发展环境遥感监测大数据云做事时刻，针对传统环境遥感监测做事面窄、做事水平低的问题，构建基于环境遥感监测大数据云基础（硬件）、云规划（模子）、云器具（软件）的云做事平台，统筹环境遥感、大地监测、无线传感器、众包、互联网等种种数据源，撑抓环境遥感监测大数据分析与生态环境监管协同联动，以终了环境遥感监测大数据产物的云坐褥、云发布和云分享，并提供基于环境遥感监测大数据的生态环境态势研判、生态环境问题会诊、生态环境风险预测预警、环境欺凌源感知与溯源、生态环境保护奏效评估等新式环境遥感监测大数据产物和做事。
3.4 对于基于深度学习的环境遥感反演柚木提娜种子
环境遥感反演经常是通过基于遥感成像机理和陆表经由的物理模子终了的，自然物理模子不错来抒发从卫星不雅测到环境参数的物理经由，但它在很猛进度上要依赖于模子参数的先验学问，一方面由于先验学问的局限性及不雅测数据的不完备性，可能导致环境遥感的病态反演问题，另一方面由于先验知知趣关的区域、时相、传感器、大气条目等各异，可能导致模子缺少普适性，遥感监测精度和效果经常低于使用者的预期；另外，还有一些环境参数锐利光学活性的，遥感机理不解确，无法进行径直反演。进入大数据期间，种种卫星遥感数据、提拔数据和监测数据多量久了，通过样本数据教诲学习自动构建信息索要模子的深度学习方法快速发展，环境遥感反演时刻迎来了新的发展机会——由模子驱动反演向数据驱动的智能化反演漂浮，即通过种种环境监测数据与不同传感器、不同季节、不同区域的遥感大数据的自动教诲，学习挖掘卫星遥感数据与反演参数间的关联学问，发现与种种环境参数最具关联度的光谱特征组合，从而揭示环境参数与响应光谱之间非线性复杂关系，形成数据驱动的、恰当于不同传感器、不同区域的反演模子，为惩办传统遥感反演模子普适性差、精度低的问题提供新的惩办念念路。正因为深度学习方法不错通过其刚劲的模拟才智，有用地建立卫星遥感信息与现场环境参数之间的统计关系，而不需要物理模子那样复杂的规划，不仅不错简化环境遥感反演经由，况且不错得回较高的反演精度，是以，深度学习方法在环境遥感反演中得到了越来越多的疼爱和应用。在水环境遥感反演方面，深度学习已被用于蓝藻色素、叶绿素、可溶性有机物、融化氧等水质参数遥感反演，标明深度学习着实不错从多源光学影像数据中挖掘出水质参数与光谱之间的复杂定量关系，且反演精度高于传统模子（Yim，2019；Pyo，2019；Peterson，2020；Zhang，2020）。关系征询标明，基于贝叶斯概率神经收集的深度学习反演叶绿素a浓度收尾与传统的基于光谱特征的训诫算法、半分析模子比拟，均方根罪状、平均十足百分比罪状皆得到显赫镌汰，拟合优度得到显赫提高（深度学习算法R2为0.96，而半分析模子、训诫模子的R2分别为0.62和0.61）；基于均方很卷积神经收集的深度学习反演的藻蓝卵白浓度和叶绿素a浓度反演收尾的R2分别可达0.86和0.73，均方根无东谈主小于10 mg/m3，算法发扬优异；在大气环境遥感反演方面，深度学习已被班师用于气溶胶光学厚度、可吸入颗粒物、气温、大气层顶部热辐射等参数的遥感反演（Li，2017；Joharestani，2019；Kleynhans，2017；Xu，2018）。如气溶胶光学厚度反演的传统方法主淌若通过大气辐射传输模子，但物理模子受到气溶胶和名义性质等好多假定限定，精度不够设想，自然也可通过统计模子对原位气溶胶光学厚度进行多量不雅测来进行估算，但模子并不具有普适性。关系征询标明，基于多层感知器（MLP）的深度学习方法、基于多个神经收集集成的深度学习方法、以及将复杂折射率、单次散射倒映率、粒径漫衍等气溶胶参数引入神经收集的深度学习方法等在推断统计关系方面皆具有细密性能，可昭彰晋升气溶胶光学厚度反演精度；另外，在PM2.5遥感反演中引入了基于深度信念收集（DBN）的深度学习、基于贝叶斯正则化神经收集（BRNN）的深度学习等方法后，反演精度比广义多元线性转头模子（MLR）、支抓向量机模子（SVM）等现存方法也有昭彰改善；在生态环境遥感反演方面，利用深度学习方法进行叶面积指数、生物量、植被障翳度、植被高度、植被含水量、地表温度等生态参数遥感反演也取得了一系列值得神气的进展（Wolanin，2019；Gao，2018），如相干学者利用基于罪状传播学习神经收集的深度学习方法从水柔顺垂直偏振的L波段和X波段的亮温反演泥土含水量、利用基于非线性自转头收集（NARX）的深度学习方法从4个光谱波段与加权差值植被指数和叶面积指数之间的关系中反演叶面积指数（Chen ，2014）、利用基于深度神经收集（DNN）的深度学习方法从高光谱植被指数反演生物量、利用基于BP神经收集的深度学习方法从物理模子和神经收聚会合来反演植被障翳度、利用基于卷积神经收集（CNN）的深度学习方法从MERRA-2、Terra / MODIS影像数据中反演近地表气和善地盘障翳数据等（Ai ，2019；Zhang 等，2018），标明了深度学习方法较传统的线性转头等方法具有昭彰上风。总之，基于深度学习的环境遥感参数反演不错充分利用多源卫星大数据的上风和后劲，在很猛进度上幸免以物理模子为主的传统方法的复杂处理和规划经由，减少定量遥感病态反演、以及辐射定标、大气校正、辐射归一化、几何校正等处理方法带来的罪状，为惩办现存环境遥感反演模子普适性不彊、反演精度和效果不高级艰难提供了有用的时刻道路。
4
预测
经过卫星研制、时刻开发、应用管理等多部门20多年来的不懈死力，中国已初步建立了环境遥感监测时刻体系，并形成了业务化应用才智，环境遥感监测正在从东谈主工化走向实时化、自动化、智能化。可是从总体上看，中国环境遥感监测时刻发展距环境监测“三个说清（说清欺凌源情景、说清环境质料近况额外变化趋势、说清潜在环境风险）”的总体要求尚有昭彰差距，还不可恰当新期间中国环境欺凌治理和生态保护与规复的新形势和新任务，环境遥感监测时刻发展正面对前所未有的机遇与挑战。面对新的历史时期环境监管 “看的更远”、“看的更快”、“看的更准”的新要求，咱们还缺少具有大范围、高频次、高分辨率、业务化不雅测才智的环境专用卫星，需要加紧股东以高分辨率探伤为中枢的新一代环境监测卫星的研发，大幅晋升可见光、热红外、微波、激光雷达等环境专用载荷的时刻性能，额外是要加强光学与生物、质谱、色谱等环境监测技能的市欢。对于大气中的臭氧额外前体物、可蒸发性有机物，水中的氨氮、总磷，泥土中的镉、砷等一系列急需的环境遥感监测，由于环境遥感机理征询不够，尚缺少可用的遥感模子，环境遥感监测的精度和效果还存在昭彰差距。在大气环境遥感监测方面，要重心晋升京津冀、长三角、珠三角等重心城市群及中东部环境空气欺凌较重区域的颗粒物、灰霾、硫氧化物、氮氧化物、臭氧、氨气、蒸发性有机物等遥感监测的精度和效果，赶走加强国控重心欺凌源，以及煤炭、火电、冶金、钢铁、石油化工、建材、有色金属等行业的工业废气点源欺凌的遥感监管；进一步加强世界主要农业区的秸秆烧毁额外环境影响遥感监测、重心区域沙尘和扬尘遥感监测；要以二氧化碳、甲烷、臭氧等为重心，开展温室气体重心排放源遥感监测，并对环球变化明锐区域的环境空气质料变化进行遥感监测与评估。在水环境遥感监测方面，要重心晋升内陆水体和近岸海岸的叶绿素、悬浮物、透明度、富养分化指数等遥感监测的精度和效果，赶走加强长江等大型河流、以及太湖、巢湖、滇池等大型湖泊水质、水华、岸边带东谈主为行为等遥感监管；开展辘集式饮用水水源保护区、汇水区内排污口和风险源遥感排查；进一步强化城市黑臭水体漫衍、范围、黑臭进度、治理奏效的遥感监管；以总氮、总磷、氨氮、化学需氧量等为主要监测方针，开展世界重心流域面源欺凌遥感估算，并针对沿江沿河的石油化工、造纸、印染、浑水处理厂、范围畜禽滋生场、食物酿造、皮革、制药等类大型企业，开展无益物资工业欺凌源及工业浑水排放口遥感拜访；开展世界纰谬口岸、船埠、核电厂等左近水环境影响遥感监测；开展世界重心流域水生态极度、重心海域赤潮、溢油和浒苔等环境遥感济急监测。在生态遥感监测方面，要重心晋升中国典型生态系统植被指数、生物量、净低级坐褥力、地表倒映率、比辐射率、地表蒸散等陆表参数遥感监测的精度和效果；开展区域生态财富和生态承载力遥感估算，以及水源修养、急流调蓄、防风固沙、水土保抓等生态做事功能遥感评估，加强世界生态系统样式、质料、做事功能、问题与威迫的遥感拜访与评估；进一步强化国度自然保护区、国度公园、生态保护红线区、纰谬生态功能区、生物种种性优先区等生态保护地的东谈主类干扰行为遥感监管；对城镇额外左近生涯垃圾堆放、危机抛弃物产生重心企业，以及铬渣等历史堆存和留传危机抛弃物局面进行遥感动态监测，对城市绿地、城市热岛、城市地盘开发利用等进行遥感监测与评估；开展重心流域、区域农村面源欺凌遥感拜访；对自然林保护、自然草原规复、退耕还林、退牧还草、退田还湖、防沙治沙、水土保抓等生态治理工程奏效进行遥感监测，对对污灌区、固体废料堆放区、矿山区、油田区、工业抛弃地等泥土欺凌情景进行遥感监测和评估。跟着对地不雅测时刻和当代信息时刻的快速发展，空间时刻、物联网、东谈主工智能、云规划、5G、大数据等新时刻正与环境遥感监测加速交融，环境遥感监测时刻将从以数理建模为中枢的模子驱动期间进入到以智能感知为特征的数据驱动期间，由此将股东环境遥感监测向智能感知、智能预警、智能决策、智能做事办法发展，因此，要赶走开展“环境遥感云”斥地，加速大数据赋能环境遥感监测，在环境遥感监测全链路引入深度学习、移动学习、机器视觉、寥落示意、进化规划等东谈主工智能时刻，开发与环境地物光谱、辐射、纹理、几多么特征深度交融的环境遥感深度学习收集模子（Tan，2019），催生新的环境遥感应用场景和大数据产物，股东环境遥感监测做事从“有什么给什么”向“要什么给什么”的飞跃。
参考文件（References）
Wolanin A, Camps-Valls G, Gómez-Chova L, Mateo-García G, van der Tol C, Zhang YG and Guanter L. 2019. Estimating crop primary productivity with Sentinel-2 and Landsat 8 using machine learning methods trained with radiative transfer simulations. Remote Sensing of Environment, 225: 441-457 [DOI: 10.1016/j.rse.2019.03.002] [百度学术]
Ai B, Wen Z, Jiang Y C, Gao S and Lv G N. 2019. Sea surface temperature inversion model for infrared remote sensing images based on deep neural network. Infrared Physics and Technology, 99: 231-239 [DOI: 10.1016/j.infrared.2019.04.022] [百度学术]
Zhang C, Sargent I, Pan X, Li H P, Gardiner A, Hare J and Atkinson P M. 2019. Joint Deep Learning for land cover and land use classification. Remote Sensing of Environment, 221:173-187 [DOI: 10.1016/j.rse.2018.11.014] [百度学术]
Chen B Q, Wu Z X, Wang J K, Dong J W, Guan L M, Chen J M, Yang K and Xie G S. 2015.Spatio-temporal prediction of leaf area index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network. ISPRS Journal of Photogrammetry and Remote Sensing,102: 148-160 [DOI: 10.1016/j.isprsjprs.2014.12.011] [百度学术]
Chen K Y, Chen H X, Zhou C L, Huang Y C, Qi X Y, Shen R Q, Liu F R, Zuo M, Zou X Y, Wang J F, Zhang Y, Chen X G, Deng Y F and Ren H Q. 2020. Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data. Water Research, 171: 115454 [DOI:10.1016/j.watres.2019.115454] [百度学术]
Gao Y N, Li Q, Wang S S and Gao J F. 2018. Adaptive neural network based on segmented particle swarm optimization for remote-sensing estimations of vegetation biomass. Remote Sensing of Environment, 211: 248-260 [DOI: 10.1016/j.rse.2018.04.026] [百度学术]
Yim I, Shin J, Lee H, Park S, Nam G, Kang T, Cho K H and Cha Y. 2020. Deep learning-based retrieval of cyanobacteria pigment in inland water for in-situ and airborne hyperspectral data. Ecological Indicators, 110: 105879 [DOI: 10.1016/j.ecolind.2019.105879] [百度学术]
Jin X L, Li Z H, Feng H K, Ren Z B and Li S K. 2020. Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index. The Crop Journal, 8(1): 87-97 [DOI: 10.1016/j.cj.2019.06.005] [百度学术]
Peterson K T, Sagan V and Sloan J J. 2020. Deep learning-based water quality estimation and anomaly detection using Landsat-8/Sentinel-2 virtual constellation and cloud computing. GIScience and Remote Sensing, 57(4): 510-525 [DOI:10.1080/15481603.2020.1738061] [百度学术]
Li D R, Tong Q X, Li R X, Gong J Y and Zhang L P. 2012. Current issues in high-resolution earth observation technology. Science China Earth Sciences, 55(7): 1043-1051 [百度学术]
李德仁, 童庆禧, 李荣兴, 龚健雅, 张良培. 2012. 高分辨率对地不雅测的几许前沿科学问题. 中国科学:地球科学, 42(6): 805-813 [DOI: 10.1007/s11430-012-4445-9] [百度学术]
Li J, Pei Y Q, Zhao S H, Xiao R L, Sang X and Zhang C Y. 2020. A review of remote sensing for environmental monitoring in China. Remote Sensing, 12(7): 1130 [DOI:10.3390/rs12071130] [百度学术]
Li T W, Shen H F, Yuan Q Q, Zhang X C and Zhang L P. 2017. Estimating ground-level PM2.5 by fusing satellite and station observations: a geo-intelligent deep learning approach.Geophysical Research Letters, 44(23): 11985-11993 [DOI: 10.1002/2017GL075710] [百度学术]
刘开国, 孟德硕, 桂华裔, 殷高方, 张甫, 张曙, 张红振, 王金南. 2018. 环境监测领域颠覆性时刻的发展与预测. 中国工程科学, 20(6): 50-56 [百度学术]
Liu J G, Meng D S, Gui H Q, Yin G F, Zhang F, Zhang S, Zhang H Z and Wang J N. 2018.Development and prospects of disruptive technologies in environmental monitoring. Chinese Engineering Science, 20(6): 50-56 [百度学术]
Joharestani M Z, Cao C X, Ni X L, Bashir B and Talebiesfandarani S. 2019. PM2.5 prediction based on random forest, XGBoost, and deep learning using multisource remote sensing data.Atmosphere, 10(7): 373 [DOI: 10.3390/atmos10070373] [百度学术]
Pyo J C, Duan H T, Baek S, Kim M S, Jeon T, Kwon Y S, Lee H and Cho K H. 2019. A convolutional neural network regression for quantifying cyanobacteria using hyperspectral imagery. Remote Sensing of Environment, 233: 111350 [DOI: 10.1016/j.rse.2019.111350][百度学术]
Qin K, Han X, Li D H, Xu J, Loyola D, Xue Y, Zhou X R, Li D, Zhang K F and Yuan L M. 2020.Satellite-based estimation of surface NO2 concentrations over east-central China: a comparison of POMINO and OMNO2d data. Atmospheric Environment, 224: 117322 [DOI:10.1016/j.atmosenv.2020.117322] [百度学术]
Tan J C, NourEldeen N, Mao K B, Shi J C, Li Z L, Xu T R and Yuan Z J. 2019. Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China. Sensors, 19(13): 2987 [DOI: 10.3390/s19132987] [百度学术]
Kleynhans T, Montanaro M, Gerace A and Kanan C. 2017. Predicting top-of-atmosphere thermal radiance using MERRA-2 atmospheric data with deep learning. Remote Sensing, 9(11): 1133 [DOI: 10.3390/rs9111133] [百度学术]
Vasit S, Kyle T, Peterson, et al) Sagan V, Peterson K T, Maimaitijiang M, Sidike P, Sloan J, Greeling B A, Maalouf S and Adams C. 2020. Monitoring inland water quality using remote sensing: potential and limitations of spectral indices, bio-optical simulations, machine learning, and cloud computing. Earth-Science Reviews, 205: 103187 [DOI:10.1016/j.earscirev.2020.103187] [百度学术]
王桥, 厉青, 陈良富, 张好意思根, 张兴赢. 2011. 大气环境卫星遥感时刻额外应用. 北京: 科学出书社[百度学术]
Wang Q, Li Q, Chen L F, Zhang M G and Zhang X Y. 2011. Atmospheric Environment Satellite Remote Sensing Technology and its Application. Beijing: Science Press [百度学术]
Wang Q, Li Q, Wang Z T, Chen H, Mao H Q and Chen C H. 2017. A quantitatively operational judging method for the process of large regional heavy haze event based on satellite remote sensing and numerical simulations. Atmosphere, 8(11): 222 [DOI:10.3390/atmos8110222] [百度学术]
王桥, 厉青, 高健, 王自觉, 于海燕. 2017. PM2.5卫星遥感时刻额外应用. 北京: 中国环境出书社[百度学术]
草榴电影Wang Q, Li Q, Gao J, Wang Z F and Yu H Y. 2017. PM2.5 Monitoring Technology and Application using Satellite Remote Sensing. Beijing: China Environmental Press [百度学术]
Wang Q and Liu S H. 2016. Research and implementation of national environmental remote sensing monitoring system. Journal of Remote Sensing, 20(5): 1161-1169 [百度学术]
王桥, 刘念念含. 2016. 国度环境遥感监测体系征询与终了. 遥感学报, 20(5): 1161-1169 [DOI:10.11834/jrs.20166201] [百度学术]
环境保护部. 2014. 世界生态环境十年变化(2000—2010年)遥感拜访与评估. 北京: 科学出书社[百度学术]
Ministry of Environmental Protection. 2014. Remote sensing survey and assessment of ten years' change of ecological environment in China (2000-2010). Beijing: Science Press[百度学术]
Wang Q, Sun D Y, Li Y M, Le C F and Huang C C. 2010. Mechanisms of remote-sensing reflectance variability and its relation to bio-optical processes in a highly turbid eutrophic lake: lake Taihu (China). IEEE Transactions on Geoscience and Remote Sensing,48(1): 575-584 [DOI: 10.1109/TGRS.2009.2027316] [百度学术]
王桥, 魏斌, 王昌佐, 张峰. 2010. 基于环境一号卫星的生态环境遥感监测. 北京: 科学出书社[百度学术]
Wang Q, Wei B, Wang C Z and Zhang F. 2010. Remote Sensing Monitoring of Ecological Environment based on HJ-1 Satellite. Beijing: Science Press [百度学术]
王桥, 吴传庆. 2013. 水环境遥感应用旨趣与案例. 北京: 科学出书社 [百度学术]
Wang Q and Wu C Q. 2013. Application Principle and Case of Water Environment Remote Sensing. Beijing: Science Press [百度学术]
王桥. 2015. 区域生态保护的遥感监管方法与应用. 北京: 中国环境出书社 [百度学术]
Wang Q. 2015. Remote Sensing Methods and Applications in Regional Ecological Supervision.Beijing: China Environmental Press [百度学术]
王桥, 朱利. 2018. 城市黑臭水体遥感监测时刻与应用示范. 北京: 中国环境出书社 [百度学术]
Wang Q and Zhu L. 2018. Urban Black and Odorous Water Monitoring Technique and Application using Remote Sensing. Beijing: China Environmental Press [百度学术]
Xu Y M, Ho H C, Wong M S, Deng C B, Shi Y, Chan T C and Knudby A. 2018. Evaluation of machine learning techniques with multiple remote sensing datasets in estimating monthly concentrations of ground-level PM2.5. Environmental Pollution, 242: 1417-1426 [DOI:10.1016/j.envpol.2018.08.029] [百度学术]
Zhang B. 2018. Remotely sensed big data era and intelligent information extraction.Geomatics and Information Science of Wuhan University, 43(12): 1861-1871 [百度学术]
张兵. 2018. 遥感大数据期间与智能信息索要. 武汉大学学报·信息科学版, 43(12): 1861-1871 [DOI:10.13203/j.whugis20180172] [百度学术]
Zhang Y S, Wu L, Ren H Z, Deng L C and Zhang P C. 2020. Retrieval of water quality parameters from hyperspectral images using hybrid Bayesian probabilistic neural network.Remote Sensing, 12(10): 1567 [DOI: 10.3390/rs12101567] [百度学术]
出书信息
基本信息
DOI：10.11834/jrs.20210572
援用信息
王桥.2021.中国环境遥感监测时刻进展及几许前沿问题.遥感学报，25（1）：25-36Wang Q. 2021. Progress of environmental remote sensing monitoring technology in China and some related frontier issues. Journal of Remote Sensing（Chinese）柚木提娜种子， 25（1）：25-36
