胶囊网络（CapsNet）是一种新型的神经网络，已被广泛应用于高光谱遥感分类。针对胶囊网络所面临的过拟合和梯度消失等问题，提出一种基于多尺度自适应胶囊网络（MSCaps）的高光谱遥感分类方法。利用多尺度（不同尺寸的输入图像）的卷积层来提取地物的空间特征与光谱特征，并采用一种非迭代自适应路由算法进一步改进CapsNet的结构，避免了耦合系数cij的稀疏化引起的过拟合问题。利用PU和SA两个公共高光谱数据集从总体分类精度（OA）和模型训练效率两方面评价了MSCaps的分类性能。在分类精度上，利用MSCaps与支持向量机（SVM）、随机森林（RF）、深度卷积神经网络（CNN）、CapsNet、多尺度的胶囊网络（MCaps）、基于非迭代自适应路由算法的胶囊网络（ARWI-Caps）、多尺度的卷积神经网络（MSCNN）对原始影像的OA进行对比；还与SVM、RF对经主成分分析（PCA）特征提取后的影像的OA进行对比，其中两种分类方法分别简称为PCA-SVM与PCA-RF。在训练效率上，对MSCaps的训练时间和CNN、CapsNet、MSCNN的训练时间进行对比。实验结果表明：MSCaps对PU和SA数据集的OA分别为99.14%和95.38%，分类精度均高于SVM、RF、PCA-SVM、PCA-RF、CNN、CapsNet、MCaps、ARWI-Caps及MSCNN；在模型训练效率方面，MSCaps在PU和SA两种数据集上的耗时分别约为CapsNet的1/3与1/4，训练效率较CapsNet有大幅提高。因此，所提MSCaps可以有效解决基于CapsNet的高光谱遥感分类问题。

植被叶面积指数（LAI）时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。 MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一, 然而MODIS LAI时间序列产品包含了一些低质量的数据, 例如由于云层、 气溶胶等的影响, 该产品在时间和空间上缺乏连续性。 MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分, 单一的线性方法或非线性方法都不能对其精确建模和预测。 首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列, 然后采用季节自回归积分滑动平均（SARIMA）方法、 BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。 在SARIMA-BP神经网络组合方法中, 各自在线性与非线性建模的优势得以充分发挥, 其中SARIMA方法用于建模及预测LAI时间序列中的线性部分, BP神经网络方法用于对非线性残差部分进行建模及预测。 实验结果显示: SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑; SARIMA-BP神经网络组合方法的决定系数为0.981, 比SARIMA和BP神经网络的0.941和0.884更接近于1; SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991, 高于SARIMA（0.971）和BP神经网络(0.942)的相关系数。 由此得出结论: SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性, 其建模和预测准确性高于SARIMA方法或BP神经网络方法。