冰湖溃决洪水是一种严重的山地自然灾害，威胁着中国高寒区的居民及铁路公路等重要基础设施，自动高效的冰湖遥感制图方法是冰湖灾害评估、监测预警的基础，然而现有自动制图方法在实际冰湖提取应用上难以达到传统人工和半自动冰湖提取方法上的精度，仍需进一步提高。文章在原生U-Net模型基础上，在各桥连接部分融合极化自注意力机制，将输入影像特征分别在空间和通道层保持高分辨率，并通过非线性合成输出细腻的特征，构建了一种改进的U-Net冰湖遥感深度学习制图方法，并将其成功应用在高原铁路关键区。研究结果表明：1）与PSPNet、DeepLabV3+、原生U-Net三种经典模型相比，改进模型在冰湖预测数据集上的各项指标上都有提升，精确率、召回率、交并比和F₁值分别达到了0.972 5、0.966 5、0.940 8和0.969 4，相较于原生U-Net网络，精确度、召回率、交并比和F₁值分别提高了5.01%、6.05%、10.73%和5.53%；2）基于Landsat-8卫星遥感数据，应用改进模型完成了2013—2022年帕隆藏布和易贡藏布案例区冰湖信息自动高效提取，如2020年冰湖总体精度为98.16%，与参照数据的重叠度达到96.66%，提取的精度满足冰湖灾害评估和监测预警研究需求，可用于铁路等重大工程沿线冰湖灾害防治的实践。

随着遥感技术在铁路行业应用的深入，应用多源遥感对铁路设施状态进行观测成为学界和产业界关注的热点。针对铁路设施状态定量化监测问题，应用InSAR技术可以获得铁路设施沉降信息，沉降信息的分析提取往往要借助设施的类别、位置等属性，否则无法进一步对特定铁路设施的沉降进行量化评估。文章综合利用星基光学与微波遥感影像，通过目标检测技术对铁路设施进行自动提取，确定铁路设施微波散射点与光学属性中类别与位置的对应关系；选取典型区域，以接触网立柱为例，利用多源遥感影像对文中提出的提取方法进行验证，结果显示：综合光学遥感影像的高空间分辨率以及SAR影像对铁路设施特异性散射的特征对铁路设施进行提取，提取准确率较光学遥感影像提取准确率提高2.8%，较SAR影像提取准确率提高9.2%，同时提取结果中设施位置更准确，可减少因设施的错误监测造成的行车安全影响，为InSAR对铁路设施形变的定量化监测提供参考。

随着中国铁路运营里程的不断增加，铁路外部环境日益复杂，以彩钢瓦房、防尘网、塑料大棚、地膜、塑料垃圾为主的铁路外部环境隐患层出不穷，频繁引发铁路交通重大事故，已经成为铁路安全运营的重要制约因素。铁路外部环境隐患的高效监测是实现治理的重要前提，而遥感技术是目前实现大范围、低成本铁路外部环境隐患监测的最佳手段。为此，文章对光学遥感、合成孔径雷达、激光雷达、地基视频监控等4类遥感监测技术的优势、局限及应用现状进行了梳理；分析了基于人工特征和基于深度学习这两类监测识别方法的特点及不足；最后，从铁路外部环境多源遥感数据多层次融合、铁路外部环境隐患精准识别模型构建、知识引导的铁路外部环境隐患智能动态监测等方面，对基于多源遥感数据融合的铁路外部环境隐患智能监测进行了展望。

利用卫星遥感技术开展铁路灾害监测与评估，对于保障铁路建设和运行安全、提升铁路防灾减灾救灾能力具有重要意义。通过分析当前铁路灾害卫星遥感应用存在的问题，结合中国卫星遥感发展和新时代应急管理工作实际，探讨了卫星遥感技术在铁路减灾、备灾、应急和恢复重建等灾害管理全过程中的实践应用需求。针对影响铁路安全的主要灾害，分析总结了卫星遥感监测与评估技术在铁路应急管理中的应用方法和应用能力。针对洪涝、地质、森林火灾和雪灾等典型灾害实例，建立卫星遥感监测评估铁路灾害的技术流程，进一步分析卫星遥感对于铁路灾害应急管理的作用效果。结果表明：卫星遥感技术能够实现铁路主要灾害的灾前风险监测和灾后损失评估，可有效支撑铁路的全过程灾害管理。通过多手段的融合运用和动态监测能提升遥感信息的决策支持作用，使其在铁路灾害的应急管理中有着广阔的应用前景。

利用卫星遥感反演水体中的悬浮物浓度对水质监测和保护具有重要意义，在悬浮物浓度反演过程中，如何避免或最大程度降低水体中叶绿素a、有色可溶性有机物（Colored Dissolved Organic Matter，CDOM）的干扰是当前的技术难点。文章针对可持续发展科学卫星1号（SDGSAT-1）MII传感器，利用Hydrolight辐射传输模型，从理论上挖掘只与悬浮物强相关的反演因子，以此构建适用于MII影像的太湖悬浮物浓度反演模型，通过水体的实测数据和遥感数据对模型应用效果进行验证。结果表明：反演因子$ R'{\text{(}}{B_{\text{5}}}{\text{/}}{B_{\text{3}}}{\text{)}} $与悬浮物浓度为强相关，同时与叶绿素a、CDOM浓度弱相关；利用$ R'{\text{(}}{B_{\text{5}}}{\text{/}}{B_{\text{3}}}{\text{)}} $作为反演因子构建的幂函数模型为最优反演模型；将幂函数模型分别应用于实测数据和2022年5月4日的太湖SDGSAT-1 MII数据，两次验证试验显示反演结果和现场测量结果具有较强一致性，模型适用性较好。该研究可为SDGSAT-1卫星在湖泊水体悬浮物浓度监测、水资源评估与保护等提供一些技术参考。

针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异，导致传统阈值算法对云识别精度不高的问题，文章提出了一种顾及样本优化选择，耦合物理阈值方法和机器学习的云检测算法模型，利用“葵花8号”卫星（Himawari-8）数据进行日间云检测。通过样本优化选择，使样本中尽可能包括不同情形下的云特征，为机器学习模型提供良好的样本基础，增加模型泛化能力；同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外，还加入了基于反照率和亮温差的物理阈值方法云识别结果；最后基于极限随机树模型进行云检测。结果表明：模型云检测交叉验证精度为96.41%，总漏检率和总虚检率分别为2.08%和0.91%；通过云-气溶胶激光雷达与红外探路者卫星观测（CALIPSO）产品数据进行对比分析，结果显示云检测总体精度为97.1%。

滑坡实时自动识别技术研究对于保护人民生命财产和生态安全都具有极其重要的意义，可以解决现阶段缺乏对滑坡进行及时识别而导致滑坡风险的排查与防治时效性差的问题。考虑植被覆盖指数（NDVI）的变化可作为滑坡检测的重要依据之一，文章模型结合NDVI变化检测技术、自动阈值选取算法和形态学技术实现滑坡的实时、自动识别。与现阶段已有研究算法相比，增加了滑坡自动识别过程中一些重要参数（如：NDVI、山体阴影等）。自适应设置的自动阈值选取算法，减少了人工参与，在保证较高识别准确率的同时显著增强其时效性。文章基于两幅光学影像，以北京市门头沟区某块区域为研究区，对该地区2021年9月7日—2022年9月7日的滑坡进行实时、自动识别，以人工目视解译的结果作为正确标准，将文章的识别结果与其进行精度验证，滑坡检测率达到92.31%，证明了该方法用于检测滑坡的准确性和高效性。最后将该方法应用于都江堰市中部，进一步证明了该方法的有效性和泛化能力。

精准高效地从高分辨率遥感影像中提取建筑物信息对国土规划和地图制图意义重大，近年来基于卷积神经网络进行建筑物信息提取已经取得了很大的进展，然而在处理高分辨率遥感影像时仍存在影像的高级语义特征利用不够充分，难以获得细节丰富高精度分割影像的问题。文章针对以上问题提出了一种用于建筑物自动提取的深度学习网络结构空洞空间与通道感知网络(Atrous Space and Channel Perception Network，ASCP-Net）。该模型将空洞空间金子塔池化（Atrous Spatial Pyramid Pooling, ASPP）和空间与通道注意力 （Spatial and Channel Attention, SCA）模块融入到编码器-解码器结构中，通过ASPP模块来捕获和聚合多尺度上下文信息，采用SCA模块选择性增强特定位置和通道中更有用的信息，并将高低层特征信息输入解码网络完成建筑物信息的高效提取。在WHU建筑数据集（WHU Building Dataset）上进行实验，结果表明：文章提出的方法总体精度和F₁评分分别达到了97.4%和94.6%，相比其他模型能够获得更清晰的建筑物边界，尤其对图像边缘不完整建筑的提取效果较好，有效提升了建筑物提取的精度和完整性。

针对高分辨率遥感影像中道路形状结构错综复杂，出现窄小型道路提取错误或漏分的问题，提出一种基于空洞空间金字塔池化和注意力机制的轻量化遥感影像道路提取方法。首先，在原始高分辨率网络（HRNet）基础上，通过引入空洞空间金字塔池化模块，实现多尺度道路信息融合；再引入挤压激励通道注意力机制，增强网络特征表征质量；最后使用深度可分离卷积方法改进网络残差模块实现模型轻量化，以降低模型计算复杂度。在公开数据集上进行了模型性能测试，实验结果表明，文章所提算法的准确率、精确率、召回率、F1分数和平均交并比，相比原始HRNet分别提升了5.35 %、2.15 %、4.1 %、3.15 %和14.34 %，且减少了36.1 %的参数数量；相比其他网络，该算法突出了细小道路的特征，道路预测结果连续性、完整性好，并且模型小易于部署在实时检测设备中，有效改善了道路提取任务中错分和缺失的情况，是一种适应性更强、分割精度更高、更轻量化的多尺度道路提取算法。