微信链接：

期刊链接：

本期荐读精选了近年发表在期刊 与环境主题相关的文章，旨在呼吁人们对森林资源的重视，唤起公众的节水意识，加强水资源保护以及宣传气象工作的重要作用，希望能为相关领域学者提供新的思路和参考。

01 Object Oriented Classification for Mapping Mixed and PureForest Stands Using Very-High Resolution Imagery

使用超高分辨率图像绘制混交林和纯森林的面向对象分类

Loredana Oreti et al.

左图为研究区的 VHR 航拍图像 (红外假色)，其中“没有森林”地区以白色突出显示；右图为针叶、阔叶和混交林覆盖的森林区域地图。

文章亮点：

(1) 本研究的主要目的是评估基于对象的图像分析和超高分辨率图像检测和绘制具有最小映射单位 (500m2) 的阔叶和针叶树混交林的潜力；

(2) 本研究评估了与非参数方法 K- 最近邻配对的基于分割的分类，使用独立于验证的数据集进行训练；

(3) 研究结果表明，超高分辨率图像可以可靠地用于检测稀有混交林的细粒度模式，从而支持在精细空间尺度上对森林资源进行监测和管理。

02 Evaluation of the Performances of Radar and Lidar AltimetryMissions for Water Level Retrievals in Mountainous Environment: The Case of theSwiss Lakes

山区环境中雷达和激光雷达测高任务在水位检索中的性能评估：以瑞士湖泊为例

Frédéric Frappart et al.

(a) 研究区位于西欧的瑞士 (红色)；(b) 湖泊 (蓝色) 组成：(1) 日内瓦湖、(2) 纳沙泰尔湖、(3) 图恩湖、(4) 卢塞恩湖、(5) 楚格湖、(6) 苏黎世湖、(7) 苏黎世湖、(8) 瓦伦湖、(9) 森帕赫湖、(10) 萨尔嫩湖。(c) 这些湖泊位于瑞士海拔300-4000多米不等的阿尔卑斯山区。

文章亮点：

(1) 本研究旨在根据雷达测高任务的捕获和跟踪模式以及在可能发生信号跟踪丢失的山区的捕获频率对过去和当前的雷达测高任务以及最近发射的 ICESat-2 和 GEDI 激光雷达性能进行综合评估；

(2) 本文使用新开发的 ALtimetry 时间序列软件评估了1995年之后在瑞士八个湖泊上发射的大多数雷达测高任务的水位反演质量；

(3) 研究结果表明来自 ICESat-2 的数据非常准确，GEDI 雷达也获得了更具对比性的结果。

03 The Root-Soil Water Relationship Is Spatially Anisotropic inShrub-Encroached Grassland in North China: Evidence from GPR Investigation

华北灌木草地根-土-水关系的空间各向异性：来自GPR调查的证据

Xihong Cui et al.

(a) 位于明升中国内蒙古锡林浩特市的研究地点；(b) 地块1和地块2的卫星图像；(c)地块1；(d)地块2。

文章亮点：

(1) 本文将探地雷达 (GPR) 与绘制土壤含水量 (SWC) 分布图的土壤核心采样相结合，分析了林分水平的根-土壤水分关系；

(2) 研究发现，在纵向上根分布密度与垂直方向的土壤含水量呈正相关；

(3) 本文还讨论了可能导致林分水平上根分布和土壤含水量之间空间各向异性关系的可能机制。

04 Automatic Detection of Inland Water Bodies along AltimetryTracks for Estimating Surface Water Storage Variations in the Congo Basin

沿着高轨道自动检测内陆水体，以估算刚果盆地地表水储量变化

Frédéric Frappart et al.

来自 Hydroweb 的基于高度测量的水位与自动生成的水位之间的比较。VS位置使用点 (Jason-2) 或三角形 (ENVISAT) 表示。

文章亮点：

(1) 在本文研究中，作者对雷达测高后向散射系数应用了一种无监督分类方法，以区分刚果中央比色皿的淹水和非淹水区域；

(2) 本文使用 ENVISAT 和 Jason-2 的雷达测高后向散射对水的良好检测率高于0.9，并根据这些结果，自动生成水位时间序列；

(3) 研究表明，河流和湿地水位时间序列的使用，改善了 Cuvette Centrale 年度蓄水幅度的空间格局。

05 Local PM2.5 HotspotDetector at 300 m Resolution: A Random Forest–Convolutional Neural NetworkJoint Model Jointly Trained on Satellite Images and Meteorology

分辨率为 300 m 的局部 PM2.5 热点探测器：基于卫星图像和气象学联合训练的随机森林-卷积神经网络联合模型

Tongshu Zheng et al.

显示了 RF-CNN 联合模型在预测2018年1月1日至2020年6月30日期间的频率分布。

文章亮点：

(1) 本研究开发了一种随机的森林-卷积神经网络-局部对比度归一化 (RF-CNN-LCN) 管道，该管道使用卫星图像和气象信息以 300 m 的分辨率检测局部 PM2.5 热点；

(2) RF-CNN-LCN 管道通过捕捉 PM2.5 的主要城市内空间趋势和 PM2.5 随城市景观的局部变化，合理预测城市 PM2.5 局部热点和冷却点，局部热点与紧凑的城市空间结构有关，冷却点为开放区域和绿地；

(3) 这项工作提供了一种自动识别在污染严重的特大城市中 300 m 处局部PM2.5 热点的可能方法。

期刊介绍

主编：Prasad S. Thenkabail, USGS Western Geographic Science Center (WGSC), USA

期刊范围涵盖遥感app所有领域，从传感器的设计、验证和校准，到遥感在地球app、环境生态、城市建筑等各方面的广泛应用。

2020 Impact Factor：4.848

2020 CiteScore：6.6

Time to First Decision：18 Days

Time to Publication：43 Days