地球表层特征参量反演与模拟的机理-学习耦合范式
构建物理驱动的机理模型一直是估算地球表层特征参量的核心科学范式, 发展数据驱动的机器学习模型是地学研究范式转换的重要途径, 而耦合机理模型与学习模型则可以实现“理性主义”与“经验主义”的结合, 是当前最受关注的研究热点之一. 文章针对参量估算的遥感反演与动力学模拟方法, 深入分析了机理模型与学习模型的内在瓶颈及其互补性, 搭建了以机理级联学习、学习嵌入机理、机理融进学习为核心的耦合范式框架, 归纳了预处理与初始化、...
顾及辐射限制的大叶-两叶GPP估算模型比较
光能利用率（LUE）模型是目前遥感估算植被总初级生产力（GPP）的主流方法之一，主要可以分为大叶和两叶两种类型。其中，大叶模型将整个植被冠层当成一大片叶子进行建模，而两叶模型考虑了冠层阳叶和阴叶对直接辐射和散射辐射的吸收差异。前期我们提出了一种考虑辐射限制的两叶模型（RTL-LUE），不仅提升了GPP的模拟精度，还统一了大叶与两叶之间的模型结构。然而，辐射限制是否适用于大叶模型却仍未可知，并且大叶和两叶模型的核心参数Emax也尚未得到公平的比较。...
联合误差校正的时空自适应融合方法生产NDSI产品
针对积雪指数产品时空不连续的问题，顾及积雪的复杂时空变化规律，本小组研究了MODIS归一化积雪指数（NDSI）数据的时空融合去云重建技术，提出了一种联合误差校正的时空自适应融合方法，进而生产了全国每日500米时空连续的积雪指数遥感产品，该产品较现有的积雪指数产品在连续性和精度方面都有显著的提升，主要贡献如下：1）引入高斯核函数自适应确定时空权重，充分融合时空参考信息重建缺失区域，联合邻域误差校正进一步提升空间一致性，...
融合多源卫星和模式数据的高时空分辨率无缝地表温度生成
地表温度（LST）是监测地表过程的一个关键参数。然而，云污染以及时空分辨率的制约极大阻碍了高质量热红外（TIR）遥感数据的获取，难以生成兼具空间完整性和高时空分辨率的LST。陆面模型（LSM）可以用来模拟具有高时间分辨率的无缝LST，但其空间分辨率通常较低。在本文中，我们提出了一个融合卫星观测LST和LSM模拟LST的集成融合框架，以生产60m空间分辨率和半小时时间分辨率的无缝LST。分别使用全局线性模型（GloLM）模型和日间地表温度循环（...