2026年09月01日，课题组王昶景同学博士学位论文答辩在西南交通大学犀浦校区X4431会议室举行。答辩委员会主席由中国科学院、水利部成都山地灾害与环境研究所康世昌研究员担任，答辩委员包括中国科学院青藏高原研究所张凡研究员、西南交通大学地球科学与工程学院李志林教授、朱庆教授、朱军教授，答辩秘书为西南交通大学地球科学与工程学院张国东副教授。经过答辩汇报、质询讨论及专家评议等环节，答辩委员会一致同意王昶景同学通过博士学位论文答辩，并建议授予工学博士学位。

王昶景同学的学位论文面向山地植被广域精准监测的迫切，针对已有植被参量遥感产品精度低、不连续的问题，围绕地形校正、光谱协调和时序重建，开展了多云雾复杂地形区时空连续高分辨率叶面积指数(LAI)生成方法研究。首先，提出了一种基于局部采样的山地遥感影像地形校正方法，有效提升了复杂山地地表反射率的空间一致性；随后，发展了多波段协同约束的异源传感器光谱协调方法，提升了不同传感器之间的光谱一致性；最后，集成上述成果，发展了面向多云雾复杂地形区的时空谱一致LAI生成方法，构建了川滇生态屏障区长时序、时空连续的高分辨LAI数据集。研究成果可为多云雾复杂山区植被结构动态监测、生态功能评价以及碳水循环过程模拟提供可靠的数据基础和方法支撑。围绕以上研究内容，王昶景同学博士期间表SCI论文3篇，授予发明专利2项。

在此向王昶景同学顺利通过博士学位论文答辩表示热烈祝贺！愿他始终怀揣求知的热忱与探索的勇气，奔赴人生新的征程！

高时空分辨率FAPAR对于陆地生态系统生产力模拟、植被动态监测和生态系统服务评估具有重要意义，然而现有FAPAR产品空间分辨率较低，同时Landsat观测受重访周期和频繁云污染影响，给高分辨率连续FAPAR产品的生成带来了较大挑战。针对这一问题，课题组提出了一种用于生成高分辨率、时空无缝Landsat FAPAR的物理引导机器学习（PGLGBM）方法，通过将辐射传输模型的物理知识与机器学习相结合，有效提升了FAPAR估算的精度和物理可解释性，并实现了云污染条件下缺失FAPAR的时空重建，为高时空分辨率FAPAR产品的生成提供了一种新方法。该成果近期发表于遥感领域顶刊International Journal of Applied Earth Observation and Geoinformation，得到了国家自然科学基金(42401396和42271323)、科技部基础资源调查项目(2022FY100204)以及国家重点研发计划项目(2023YFF1303602)支持。

研究背景：

FAPAR是表征植被冠层吸收光合有效辐射能力的重要生物物理参数，对植被生产力模拟、碳循环研究及生态系统动态监测具有重要意义。然而，现有全球FAPAR产品空间分辨率相对较低，难以充分刻画地表空间异质性；Landsat虽然具有30 m空间分辨率，但受16天重访周期和频繁云污染影响，难以形成连续的FAPAR观测序列。此外，传统物理模型计算成本较高，而机器学习方法又存在物理约束不足等问题。因此，如何兼顾物理机理、估算精度与计算效率，是生成高分辨率时空连续FAPAR产品面临的重要挑战。

研究方法：

研究提出一种物理引导机器学习(PGML)方法。首先，构建土壤—植被—大气耦合辐射传输模型，模拟Landsat地表反射率及FAPAR；随后融合模拟数据与实际观测数据，构建物理引导LightGBM模型(PGLGBM)，实现晴空FAPAR估算；最后综合多时相FAPAR、先验知识、地形及环境变量，建立第二个LGBM模型重建云污染区域的缺失FAPAR，最终生成30 m时空无缝Landsat FAPAR产品。

主要结果：

PGLGBM方法在高时空分辨率FAPAR反演中展现出显著优势。图2对比了LaReina和Capitanata站点五种FAPAR估算方法的表现，依次为两种纯机器学习方法和三种物理引导机器学习方法。结果表明，物理引导机器学习整体优于纯机器学习方法，单纯依赖模拟数据的模型（图2中a2和b2）精度最低。通过融合模拟样本与实测样本，PGLGBM（图2中a5和b5）兼顾了物理一致性与观测真实性，在两个站点分别取得0.936和0.950的R²，以及0.068和0.077的RMSE，表现出较高的估算精度和稳定性。

如图3所示，研究进一步将所提出方法与ESTARFM、Fit_FC、HCM等经典时空融合方法以及GLASS、MODIS FAPAR产品进行对比。结果表明，该方法在R²、RMSE、CC和AAD等指标上整体表现最优，并兼具较高的计算效率。在HARV站点连续时序实验中，该方法能够有效恢复云污染造成的FAPAR缺失，较好保持地表空间细节和时间连续性，相较GLASS和MODIS具有更高的空间分辨率，同时有效减少异常值，展现出良好的连续重建精度与稳定性。

长时间序列验证结果（图4）表明，该方法在不同植被类型和生态环境下均具有良好的稳定性和适用性。 2013—2021年7个GBOV站点的对比结果显示，生成的Landsat FAPAR能够较好刻画草地、落叶阔叶林、农田、灌丛和稀树草原等不同地表类型的季节变化与年际动态，并与地面观测保持较高一致性。尤其在植被生长季和物候变化明显的区域，该方法能够准确捕捉FAPAR的峰值及变化过程。相比MODIS和GLASS产品，重建结果兼具Landsat的高空间分辨率与良好的时间连续性，减少了云污染造成的数据缺失和异常波动，体现出较强的跨地表类型泛化能力和长时间序列重建稳定性。

2026年7月12日，课题组谢江流同学博士学位论文答辩在西南交通大学九里校区学术交流中心举行。答辩委员会主席由浙江大学地球科学学院杜震洪教授担任，答辩委员包括西南交通大学地球科学与工程学院朱庆教授、刘国祥教授，电子科技大学资源与环境学院何彬彬教授以及中国科学院、水利部成都山地灾害与环境研究所赵伟研究员，答辩秘书为西南交通大学地球科学与工程学院张国东副教授。经过答辩汇报、质询讨论及专家评议等环节，答辩委员会一致同意谢江流同学通过博士学位论文答辩，并建议授予工学博士学位。

谢江流同学的学位论文面向全球“碳中和”目标和气候变化有效应对的迫切需求，针对陆地生态系统碳通量估算中机理或数据单一驱动模式难以兼顾高精度与物理一致性问题，联合机理与数据驱动方法，开展了陆地生态系统碳通量协同估算与预测研究。首先，发展了顾及生态系统关键生理生态过程环境适应特性的碳通量机理模型可微参数学习方法；进一步引入质量守恒约束，构建了陆地碳通量(GPP、NEE、RE)一体化反演模型；最终，利用机理-数据联合驱动的一体化反演模型，实现了当前及未来情景下陆地碳通量高精度、物理一致协同估算与预测，揭示了生态系统环境适应特性对碳交换过程的调控作用。研究产出的理论、方法与数据成果将深化对全球变化背景下陆地碳循环的认识，从而更好地支撑气候变化缓解策略的制定并推动“碳中和”目标的实现。

谢江流同学博士期间以第一作者身份在IEEE Transactions on Geoscience and Remote Sensing、Agricultural and Forest Meteorology、Geophysical Research Letters等高水平SCI期刊发表学术论文6篇，并获2025年度博士研究生国家奖学金，展现了扎实的科研基础和较强的学术创新能力。在此向谢江流同学顺利通过博士学位论文答辩表示热烈祝贺！愿她带着求知的热忱与探索的勇气，在学术道路上不断探索、勇于创新，取得更多优秀成果！

归一化植被指数（NDVI）是定量表征植被绿度与光合活性的核心生物物理参数，广泛应用于农业监测、森林动态评估、碳循环模拟及生态系统健康评价。Landsat卫星凭借其四十余年的连续观测记录与30米空间分辨率，是生成长时序高空间分辨率NDVI产品的理想数据源。然而，多云多雾导致Landsat NDVI时间序列数据存在大量缺失，严重制约其在热带与山区的应用潜力。针对这一瓶颈，本研究提出了MI-RFE-BiLSTM框架，实现了时空无缝Landsat NDVI时间序列重建。该成果近期发表于遥感领域权威期刊《ISPRS Journal of Photogrammetry and Remote Sensing》,得到了国家自然科学基金(42401396和42271323)、科技部基础资源调查项目(2022FY100204)以及国家重点研发计划项目（2023YFF1303602)支持。

研究方法

MI-RFE-BiLSTM框架由四个核心模块构成(图1)。第一步，基于GLASS NDVI的预填充：利用250m分辨率GLASS NDVI产品对稀疏Landsat时间序列进行初始化，通过时间序列形态匹配识别相似像元，构建相关性加权参考序列，并经线性校正消除传感器间系统性差异，最终结合SG滤波生成平滑预填充序列。第二步，双向长短时记忆网络时序建模：BiLSTM通过前向与后向两条并行LSTM层同时捕获时间序列的双向依赖关系，以晴空Landsat NDVI观测值为训练目标，充分利用植被物候的前后时序上下文信息提升预测精度。第三步，多重插补迭代精化框架：针对缺失值估计与模型训练之间的循环依赖问题，采用迭代策略交替更新BiLSTM模型参数与缺失值估计。第四步，递归特征消除优化时序特征选择：基于梯度敏感性分析对输入时步进行重要性评分，逐步剔除贡献最低的特征，通过交叉验证确定最优特征子集，将输入维度压缩约40–60%，实现在不损失精度前提下约两倍的计算效率提升。

主要结果

针对农田、草地和混交林三类典型植被区的空间重建结果对比表明，所有方法均能生成保留细尺度空间细节的30米分辨率NDVI图像。然而，不同方法的重建质量存在显著差异：BiLSTM（无预填充）、BiLSTM及RFE-BiLSTM在部分像元中出现明显低估伪影；BiGRU、BiTCN-Attention和Transformer的重建结果存在系统性色偏问题。相比之下，MI-BiLSTM与MI-RFE-BiLSTM在空间一致性方面表现最优，有效抑制了低估现象。精度统计结果上，MI-BiLSTM与MI-RFE-BiLSTM在R²与RMSE两项指标上均显著优于其他对比方法，证明多重插补迭代精化机制是提升空间重建质量的关键因素。

基于2016–2017年八个覆盖不同植被类型研究区的时序重建对比实验，MI-RFE-BiLSTM在所有土地覆盖类型中均取得最优表现，RMSE介于0.01至0.09之间；BiLSTM、BiGRU、BiTCN-Attention及Transformer方法的RMSE集中在0.03至0.17；无预填充BiLSTM表现最差。分植被类型来看，常绿阔叶林重建精度最高（RMSE = 0.01），其次为落叶阔叶林与常绿针叶林（RMSE均为0.04），稀树草原同样表现良好（RMSE = 0.02）。混交林因物候动态复杂、时序变异性强，重建误差相对最高（RMSE = 0.08）。农田、灌木地与草地居中，MI-RFE-BiLSTM对应RMSE为0.04至0.09，整体优于其他对比方法。

以西南山区（124/038，2021年5月9日）为典型持续云污染场景开展大规模应用验证，目标日期前后约一个半月内几乎无可用晴空观测。MI-RFE-BiLSTM重建结果实现完整空间覆盖，成功保留山地复杂地形下的细尺度植被空间异质性，包括沟谷植被、坡面梯度及山脊线特征。与参考Landsat NDVI的定量比较显示，重建精度达R² = 0.923、RMSE = 0.031、Bias = 0，散点图在全NDVI值域内均沿1:1线密集分布，无系统性偏差，验证了该框架在严重云污染条件下的业务化应用潜力，为山区长时序植被参数产品生成提供了可靠的技术路径。

2026年5月24日，课题组马杜娟博士研究生博士学位论文答辩在西南交通大学犀浦校区X4520会议室举行。答辩委员会由来自高校和科研院所的5名相关领域专家组成，电子科技大学李世华教授担任答辩委员会主席，中国科学院成都山地灾害与环境研究所靳华安研究员、西南交通大学曹云刚教授、吴小丹教授以及张瑞教授担任答辩委员，答辩秘书为西南交通大学张国东副教授。经过答辩汇报、质询讨论及专家评议等环节，答辩委员会一致同意马杜娟通过博士学位论文答辩，并建议授予工学博士学位。

马杜娟同学的学位论文面向西南山地生态安全屏障建设的迫切需求，围绕西南山地植被绿度精细化时空演变及地形调节作用解析展开研究。发展了适用于多云山区的高分辨率NDVI重构方法与山地微气候模拟方法，构建了高分辨率植被绿度与微气候产品，解析了复杂地形条件下山地微气候变化对植被绿度动态的调节作用，为西南山地生态过程认知和生态安全屏障建设提供科学支撑。围绕以上研究内容，马杜娟同学博士期间共发表4篇论文，包括3篇SCI论文及一篇EI论文。

春华秋实，岁月成章，砥砺深耕，终得硕果。在此向马杜娟同学顺利通过博士学位论文答辩表示热烈祝贺！愿她带着求知的热忱与探索的勇气奔赴新的征程，在未来的道路上心怀热爱、脚踏实地，乘风破浪、前程似锦！

2026年5月20日晚，植被定量遥感课题组召开智能体应用线上研讨会。会议由尹高飞教授主持，硕士研究生胡江川、刘伟分别结合开发实践和使用经验进行分享，课题组师生围绕智能体工具在科研学习中的应用场景与实践路径展开交流。

胡江川结合相关工具架构，介绍了智能体在环境感知、规划推理、工具调用、记忆管理和工作流扩展等方面的基本能力，并结合具体项目开发案例，分享了自身的实践经验与应用体会。刘伟结合遥感影像分析、数据下载与处理、代码调试、结果绘图、信息调研以及科研汇报材料制作等具体案例，介绍了智能体在科研工作中的实际应用。随后，课题组师生围绕提示词设计、工具接入以及学生科研训练中的应用场景等问题进行了交流讨论。

本次研讨进一步加深了课题组成员对智能体工具及其科研应用场景的认识，也为后续探索更加规范、高效、可复用的科研辅助工作流提供了参考。课题组将继续关注人工智能工具在科研训练与项目实践中的合理应用，积极探索智能体赋能科研学习的新路径。

光合作用最适温度(Topt)是指光合作用达到峰值时对应的温度，是影响总初级生产力(GPP)估算的关键参数。然而，目前多数模型采用生物群系特定的Topt，忽略了植物热适应与热驯化导致的Topt在空间和时间上的动态变化，从而给GPP估算带来系统性误差。本研究以卫星反演的植被近红外反射率(NIRv)作为光合作用代理指标，逐像元提取了1982~2018年青藏高原草地Topt，并基于“空间代替时间”方法，预测了不同共享社会经济路径(SSPs)情景下未来Topt的时空趋势。随后，利用EC-LUE光能利用率模型，系统评估了Topt热适应对当前GPP估算以及热驯化对未来GPP预测的影响。研究结果表明，在EC-LUE模型中引入Topt热适应后，GPP估算精度显著提升，R²提高7.19%，RMSE降低11.40%。与采用生物群系特定Topt相比，考虑热适应后，青藏高原77.9%的草地区域GPP估算值增加，整个青藏高原草地平均GPP提高约7.07%。此外，若忽略Topt对持续气候变暖的驯化过程，将导致未来GPP及其年际变化趋势被系统性高估。该成果近期发表于国际知名期刊Global Change Biology上，并得到了国家自然科学基金(42271323)及国家重点研发计划课题(2023YFF1303602)支持。

研究背景：

总初级生产力(Gross Primary Production，GPP)定义为单位时间单位面积生态系统通过光合作用固定的二氧化碳总量，是陆地生态系统碳循环中最大的碳通量组成部分，对于评估陆地碳汇能力、认识全球气候变化及理解生态系统功能具有重要意义。目前，涡度协方差观测能够直接获取生态系统尺度的碳交换信息，但受观测站点空间覆盖有限的制约，大尺度GPP估算仍主要依赖模型模拟。其中，光能利用效率(LUE)模型因结构简单、易于结合遥感数据且具有明确生理机制，被广泛应用于区域和全球尺度的GPP估算。

在LUE模型中，温度是影响植被光合作用的重要环境因子，也是导致GPP估算不确定性的关键来源之一。光合作用对温度通常呈单峰响应，即随着温度升高，光合作用逐渐增强，在达到峰值后迅速下降，而峰值对应的温度被称为光合作用最适温度(Topt)。目前，大多数LUE模型通常采用生物群系特定的Topt来描述温度对光合作用的影响。然而，植被对生长环境的长期适应，使得温暖地区植被通常具有较高的Topt，而寒冷地区植被则具有较低的Topt。这种由长期环境驱动形成的热适应过程，使采用生物群系特定的Topt难以准确反映局地植被真实的温度响应特征，从而导致GPP估算出现系统性偏差。此外，随着全球持续变暖，植物还会通过生理调节产生热驯化，使Topt随气候变化发生年际动态调整，进而影响未来GPP预测。然而，在LUE模型中引入热适应与热驯化机制，能否有效提升生态系统尺度GPP的估算与未来预测能力，仍有待深入探索。为此，本研究结合由NIRv提取得到的Topt与EC-LUE模型，首先量化了植物对原生生长环境长期热适应(Topt空间变化)对青藏高原草地GPP估算的影响。随后，进一步分析了Topt与多年平均气温之间的关系，并在多种未来气候情景下预测Topt的动态变化，以评估植物热驯化对未来GPP预测的影响。

研究方法：

本研究首先基于1982~2018年NIRv及气温数据提取青藏高原草地Topt。具体而言，将每个像元对应的温度按1 ℃进行分组，提取各温度区间内NIRv的90%分位值以表征最优光合作用状态，构建温度-NIRv响应曲线，Topt定义为NIRv达到最大值时的温度。进一步基于Topt与多年平均气温之间的关系，采用“空间代替时间”方法，结合CMIP6不同共享社会经济路径（SSPs）情景数据，预测2040~2080年未来Topt的时空趋势。随后，在EC-LUE模型中引入光合作用热适应机制，即利用提取得到的空间显式Topt替代原模型中采用的生物群系固定Topt，对模型进行改进，并基于改进后的EC-LUE模型开展青藏高原草地GPP估算与未来预测。通过比较采用生物群系固定Topt与考虑Topt空间变化(即考虑热适应)条件下的GPP估算结果，评估热适应对当前GPP模拟的影响；同时，比较采用历史Topt与未来预测Topt条件下的GPP预测结果差异，评估热驯化过程对未来GPP预测的影响。

主要结果：

青藏高原草地Topt呈现东北高、西南低的空间格局，并与多年平均气温显著正相关。未来不同SSP情景下，Topt均持续升高，且在变暖更迅速的SSP5-8.5情景下增速更大。

在EC-LUE模型中考虑热适应后，GPP估算精度明显提高，R²提升了7.19%，RMSE降低了11.40%。青藏高原GPP呈现东南高、西北低的空间分布格局，且在1982~2018年期间，大部分区域呈增加趋势；在EC-LUE模型中，采用空间变化Topt估算的GPP在77.9%的区域高于采用生物群系特定Topt估算的GPP，整个青藏高原草地平均GPP高约7.07%，表明忽略热适应会导致青藏高原草地GPP被低估。

未来不同SSP情景下，青藏高原草地GPP在大部分区域持续增加；在EC-LUE模型中采用未来Topt预测的GPP在70%以上区域低于采用历史Topt预测的GPP，表明忽略热驯化会高估青藏高原草地GPP。

2026年05月10日，在西南交通大学建校130周年之际，课题组尹高飞教授与张国东副教授共同指导的汤承玉、胡江川和李宗岩三位硕士生顺利通过了硕士学位论文答辩。

答辩委员会主席由西南交通大学袁林国教授担任，答辩委员包括西南交通大学游为教授、李小军教授、张同刚副教授以及成都市勘察设计院尚金光高级工程师，答辩秘书为西南交通大学王美莲老师。经投票表决，五位答辩专家一致同意三位同学通过学位论文答辩，并建议授予硕士学位。

花开花落万物道，聚散离别终有时。三年千日，始于金秋，终于盛夏。在此对三位同学顺利通过学位论文答辩表示祝贺，愿此去山高水长，初心不改，前程似锦，未来皆有所成！

叶面积指数(LAI)是表征植被冠层结构与能量吸收能力的关键生物物理参数，在生态系统模型、农业监测和气候变化研究中发挥着不可替代的作用。MODIS LAI产品因其理论基础扎实、时间覆盖完整而被广泛应用，然而其产品存在大量噪声，极大地制约了其应用价值。针对这一问题，提出了一种三步时空约束填充方法(TSCGF)，实现了高质量无缝MODIS LAI产品的实时生成。该成果近期发表于遥感领域权威期刊International Journal of Applied Earth Observation and Geoinformation。

研究背景

全球气候变化背景下，陆地生态系统动态的精准监测需求日益迫切。叶面积指数(LAI)作为控制光合作用、蒸腾过程及植被与大气能量交换的核心生物物理变量，是理解植被-气候相互作用与生态系统响应的关键参数。MODIS LAI产品凭借其扎实的理论基础、完整的时间覆盖和系统的验证体系，已成为全球植被动态监测的基础数据集，并在生态系统建模、农业监测及气候变化研究中发挥着不可替代的作用。然而，MODIS LAI产品中噪声显著、时空不连续问题突出，在云覆盖频繁和大气条件复杂的区域尤为严重，严重制约了产品的实际应用价值。本研究提出一种能够协同整合空间与时间约束、支持实时运行的高质量LAI重建新框架。

研究方法

TSCGF方法由三个核心步骤组成。1.基于空间相似性的间隙填充(SSGF)：在以目标像元为中心的50km×50km窗口内，依据物候曲线相关性（R²>0.9）筛选相似像元，采用相关系数加权平均方案生成初步完整的LAI时序。2.全球代表性样本生成：对每个MODIS分块内的预填充LAI数据执行时序K均值聚类，依据轮廓系数自适应确定最优聚类数，在288个分块中共提取约24,280个全球分布训练样本，保证各植被类型的均衡代表性。3.基于双向时间卷积网络(BiTCN)的高质量重建：以三年历史预填充时序(137时间步)为输入，以高质量主算法反演值为目标，训练BiTCN模型重建缺失LAI值，支持实时运行。

主要结果

基于DIRECT2.1 (100站点，231次测量)和GBOV (52站点，8423次测量)地面验证结果表明，TSCGF LAI相比原始MODIS LAI产品RMSE从0.95降至0.88，在高LAI范围(4~6)的森林生态系统中改善尤为显著。时序分析显示，TSCGF LAI在保留真实物候季节变化的同时，有效消除了异常波动。自2000年起，该方法已在全球尺度实时生成覆盖至今的高质量MODIS LAI数据集。

该研究得到了国家自然科学基金(42401396和42271323)、科技部基础资源调查项目(2022FY100204)以及国家重点研发计划(2023YFF1303602)支持。

近日，西南交通大学地球科学与工程学院刘国祥教授、尹高飞教授课题组博士研究生陈霄博士学位论文答辩会在犀浦校区X4520会议室举行。答辩委员会由来自高校和科研院所的5名相关领域专家组成，成都理工大学邵怀勇教授担任答辩委员会主席，西南交通大学黄建熙教授、曹云刚教授、吴小丹教授，中国科学院、水利部成都山地灾害与环境研究所赵伟研究院担任答辩委员。华中农业大学徐保东教授副教授、成都市勘察测绘研究院尚金光老师以及学院相关师生参与答辩会。经过答辩汇报、质询讨论及专家评议等环节，答辩委员会一致同意陈霄通过博士学位论文答辩，并建议授予工学博士学位。

陈霄博士学位论文立足森林生态系统垂直结构精细化监测需求，针对传统光学遥感LAI反演难以刻画林冠与林下垂直分层差异、星载激光雷达观测空间连续性不足等问题，联合GEDI激光雷达和Sentinel-2多光谱数据，开展森林分层叶面积指数反演方法研究。论文系统比较了多源高分辨率LAI产品的一致性，构建了联合星载激光雷达与光学遥感数据的分层LAI反演方法，并进一步分析了林冠与林下LAI对干旱胁迫的差异化响应特征。研究成果为复杂森林分层结构参数遥感反演、区域森林生态监测及气候变化背景下森林响应机制研究提供了重要参考。