煤炭开采是我国最主要的甲烷排放源之一，建立高时空分辨率的甲烷排放清单是推动煤炭行业甲烷减排的重要抓手。以Sentinel-5P/TROPOMI、GHGSat-D/WAF-P、GF-5/AHSI为代表的遥感卫星已成功用于区域和点源尺度的煤炭行业甲烷排放检测与量化研究。介绍当前可用于煤炭行业甲烷排放研究的遥感卫星及数据，分析相应的甲烷柱浓度及排放速率遥感反演技术进展，并讨论其适用性与优缺点。建议以煤矿聚集区和单一煤矿为两个关键尺度，加快建设中国煤炭行业的“自上而下”甲烷排放清单，指出未来需要重点研究的3点内容：采用TROPOMI数据和简化质量平衡法，反演全国14个大型煤炭基地的甲烷排放；基于10 nm分辨率的高光谱遥感卫星，检测与量化全国数千家煤矿的甲烷排放量；挖掘不同尺度遥感卫星观测之间的内在联系，开展协同分析。

尾矿库作为高势能的人造泥石流危险源, 在尾砂含水量过高时有溃坝风险, 低含水量状态下产生扬尘则会危害周围环境。 尾砂含水量实时、 动态监测对于尾矿库安全状况及矿区环境保护具有重要意义。 相比传统采样化验手段, 高光谱遥感拥有观测面积大、 数据实时易获取、 光谱信息丰富的特点, 为快速、 高精度尾矿水分监测提供了手段。 以鞍山-本溪铁矿群中的高硅型铁尾矿为研究区, 实地采集尾砂样品77个, 利用可见光-近红外(350～2 500 nm)光谱仪获取其光谱数据, 分析不同含水率尾砂光谱特征及机理； 引入竞争性自适应加权重采样法(CARS)筛选水分敏感波段, 并基于敏感波段建立三维波段光谱指数(TBI), 结合随机森林(RF)、 粒子群优化的极限学习机(PSO-ELM)及卷积神经网络(CNN)算法建立尾砂水分反演模型, 以国产高分五号高光谱卫星为数据源进行模型应用, 获取尾矿库表层含水时空分布特征。 结果表明: (1)尾砂光谱反射率随含水率升高明显下降, 在1 455和1 930 nm处出现O—H吸收特征, 吸收深度随含水率减小而逐渐减小； (2)基于CARS方法能够对高光谱数据(305波段)有效降维, 筛选出18个水分敏感波段, 进一步利用敏感波段构建不同形式的尾砂含水率TBI指数集, 其中三维差值指数TBI5=(R1 097.47-R1 990.67)-(R1 990.67-R437.39), 与水分含量相关性最高, 达到0.84； (3)对比RF, PSO-ELM及CNN方法以及不同形式的输入数据, 基于尾砂含水率TBI指数联合反射率数据集作为输入数据进行CNN建模, 室内光谱模型达到验证精度R2=0.92, 相对分析误差RPD=3.43, 基于该模型利用高分五号卫星数据反演可获取研究区尾砂含水率空间分布结果, 实地验证R2达到0.79, 相对分析误差RPD=2.20, 获得较好的预测效果。 可为基于高光谱技术的铁尾矿水分含量大面积实时快速监测提供参考。

悬浮泥沙浓度是水体监测中极为重要的指标。本论文基于神经网络具有弥补传统经验算法固有误差的潜力，设计并开发了基于人工神经网络的神经网络校正器来对经验反演结果进行二次校正。为了防止在小数据集的情况下出现过拟合问题，采用了特殊设计的正则化项。基于高分五号高光谱遥感数据以及在长江口和沿海水域同时收集的悬浮泥沙浓度实地测量结果，研究了4种基线经验模型，并评估了使用神经网络校正器后的精度。在每个基线模型上都测试了神经网络校正器模型的两个典型应用，包括基线模型校正和时间校正。在这两种应用中，结果均表明，经校正的D'Sa模型具有最高的准确性。通过使用基线模型校正，均方根误差从0.1495 g/L降低至0.1436 g/L，平均绝对百分比误差从0.7821降低至0.7580，决定系数从0.6805升高至0.6926。实施时间校正后，平均绝对百分比误差从0.8657降低至0.7817，决定系数从0.6688升高至0.7155。最后，基于神经网络校正器校正后精度最高的模型处理了整幅高分五号高光谱图像。本论文结果为各种经验反演算法提供了一种通用的二次校正方法，以最大程度地减少基线模型的固有误差，并且保证了反演精度。