及时、精准地监测不透水面的动态变化是评估城市化进程与区域可持续发展的重要基础。然而，在多云、雨雪等气象条件复杂的地区，光学遥感观测常受云层覆盖和积雪干扰，导致有效观测数据匮乏，严重制约了高时空分辨率不透水面动态监测的开展。针对这一技术瓶颈，江西师范大学自然灾害监测预警与评估江西省重点实验室联合武汉大学、中国地质大学（武汉）、多伦多大学、伊斯坦布尔工业大学等单位，提出了一种基于多源遥感数据的密集时间序列不透水面自动提取框架，成功克服了光学观测受限区域的监测难题。
研究立足“多源融合——层级迭代——自动建模”的技术思路，以北京（雪覆盖区）和武汉（多云雨区）为典型研究区，系统整合了Sentinel-1雷达数据、Sentinel-2光学影像、NPP VIIRS夜间灯光数据及ALOS地形数据，构建了覆盖年、季节、月、半月四个时间尺度的密集观测数据集。研究创新性地提出了层级迭代优化策略，以粗时间尺度的高精度结果作为约束，逐级优化季节、月及半月尺度的不透水面提取结果，有效抑制了高频监测中的时序噪声与误判。此外，研究还发展了基于多源土地覆盖产品融合与光谱一致性检验的自动化训练样本生成与跨年迁移机制，显著降低了人工标注成本，保障了长时间序列建模中的样本质量与稳定性。
研究结果表明，该方法在北京和武汉的半月中尺度不透水面提取精度分别达到97.65%和96.96%，较传统方法提升超过6.5%。层级迭代优化策略显著改善了高频监测中的时序一致性与分类稳定性，尤其在光学数据严重缺失的冬季雪盖期和雨季云覆盖期，仍能保持稳健的提取性能。该研究为复杂气候环境下城市扩张监测、灾害损失评估、应急制图与智慧城市建设提供了高时效、高精度的技术支撑。
该研究由江西师范大学自然灾害监测预警与评估江西省重点实验室主导，联合武汉大学、中国地质大学（武汉）、多伦多大学、伊斯坦布尔科技大学等单位共同完成，成果发表于遥感领域国际权威期刊IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，并获得国家自然科学基金项目（42201438）、江西省人才支持项目（20232BCJ23086）、江西省自然科学基金项目（20242BAB27001）等项目资助。该研究为多云雨雪覆盖区的城市扩张动态监测、灾害应急响应中的地表覆盖快速制图以及高时效城市可持续发展评估提供了关键技术支撑与科学依据。
图 1 研究方法总体框架图
图 2 北京与武汉半月尺度不透水面提取精度对比图
论文信息：
标题：Overcoming Optical Observation Limitations: Automatic Dense Time-Series Mapping of Impervious Surfaces in Cloudy and Snow-covered Regions
作者：黄敏、李焕芬、陈能成、林珲、朱道也、龚道宏、陈勇、Orhan Altan、龚健雅
期刊：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing
论文链接：https://doi.org/10.1109/JSTARS.2026.3701406
第一单位：江西师范大学
