2025年08月31日
星期日
随着精准监测、动态感知等时空智能应用推广，其对遥感空间分辨率有了更高的需求，开展多源遥感数据融合与降尺度研究，实现低分辨率数据向高保真、高细节信息的转化，以及多维度数据的协同增效具有重要意义。
针对多光谱遥感影像在地表覆盖分类中受混合像元影响导致边界模糊、识别精度低的问题，团队联合自然资源部华南热带亚热带自然资源监测重点实验室、中国科学院精密测量科学与技术创新研究院同行提出一种空间‒光谱特征协同融合（CSSF）的遥感影像制图策略，实现空间与光谱信息双向交互与联合优化，从而提升地物分类的精度，可为城市发展监测、生态系统监管以及灾害快速响应提供技术支撑。相关工作发表在遥感领域顶级期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（DOI: 10.1016/j.isprsjprs.2025.05.011）。殷志祥博士为上述论文的第一作者，吴鹏海教授与中国科学院精密测量科学与技术创新研究院凌峰研究员为共同通讯作者，安徽大学为第一单位。
图1 光谱‒空间特征协同融合（CSSF）的遥感影像制图框架
针对传统模式模拟地表温度降尺度方法依赖辅助变量、普适性受限的技术瓶颈，团队联合长安大学、安徽农业大学、安徽师范大学等同行提出了基于多源参考的地表温度超分辨率降尺度的深度学习思路，通过构建多注意力多残差超分辨率网络，有效提升了中国陆面数据同化系统（CLDAS）地表温度数据的空间分辨率，可为区域气候变化提供技术支撑。相关成果发表于遥感领域顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》（DOI: 10.1109/TGRS.2025.3588692）。资源与环境专业硕士生许诺为上述论文的第一作者，吴鹏海教授与殷志祥博士为共同通讯作者，安徽大学为第一单位。
图2 多注意力多残差超分辨率网络结构图
新闻链接：https://www.ahu.edu.cn/2025/0806/c15059a371762/page.htm
网站内容来源于互联网，由网络编辑负责审查，目的在于传递信息，提供专业服务，不代表本网站平台赞同其观点和对其真实性负责。如因内容、版权问题存在异议的，请与我们取得联系，我们将协调给予处理（按照法规支付稿费或删除），联系方式：ahos@aiofm.ac.cn 。网站平台将加强监控与审核，一旦发现违反规定的内容，按国家法规处理，处理时间不超过24小时
版权所有：安徽省光学学会（社证字第 0156号）
地址：安徽省合肥市蜀山湖路350号中科院安徽光机所一号楼
EMAIL：ahos@aiofm.ac.cn
