【推荐发表期刊】

• Remote Sensing of Environment - SCI - JCR Q1 / 中科院1区 Top

• Journal of Cleaner Production - SCI - JCR Q1 / 中科院1区

• Remote Sensing - SCI - JCR Q1 / 中科院2区

【课题背景】

全球气候变化已成为人类面临的最大挑战之一，城市作为人类活动最密集的区域，贡献了全球70%以上的温室气体排放。实现“碳达峰、碳中和”目标，首要任务是建立一套科学、精准、实时的碳排放监测体系。

传统的碳核算方法主要依赖能源统计数据（IPCC清单法），这种“自下而上”的方式存在明显弊端：数据更新滞后（通常滞后1-2年）、空间分辨率低（仅能精确到省市级）、且难以进行独立的第三方核查。随着对地观测技术的飞速发展，构建“天-空-地”一体化的遥感监测体系成为国际共识。

通过融合高光谱温室气体卫星（如OCO-2/3）、夜间灯光数据（表征社会经济活动）以及高分辨率地表覆盖数据，结合深度学习算法挖掘多源异构数据间的非线性关系，能够实现对城市内部碳排放的高时空分辨率反演。

这不仅是遥感科学与环境科学交叉的前沿热点，更为政府制定精细化的区域减排政策提供了不可替代的数据支撑。

【参考方向】

• 融合夜间灯光与POI（兴趣点）数据的城市功能区碳排放估算。

• 基于Transformer架构的长时序碳排放时空预测模型开发。

• 高光谱卫星数据（如OCO-2/3）与地面监测站点的协同校正研究。

• 不同城市群（如长三角vs粤港澳）碳达峰路径的情景模拟与对比分析。

【适合人群】地理信息系统（GIS）、遥感科学、环境科学、城市规划、生态学等相关专业的学生。

【课题收获】

• 高质量论文一篇

• 期刊投递与发表指导

• 结业证书

【参考课程大纲】

• 第一阶段：遥感科学与Python基础

遥感物理基础与碳循环科学背景。

Python地理数据处理库（Geopandas, Rasterio, Xarray）实战。

常用遥感数据源（Landsat, Sentinel, NPP-VIIRS）下载与预处理。

• 第二阶段：多源数据融合与特征工程

夜间灯光数据去饱和与校正处理。

多尺度数据空间重采样与坐标系统一。

特征提取：提取NDVI、建筑密度、路网密度等关键环境因子。

• 第三阶段：深度学习反演模型构建

机器学习回归模型（RF, XGBoost）建立基准。

构建时空深度学习模型（如CNN-LSTM, ConvLSTM, Transformer）。

模型训练、超参数调优与精度验证（R², RMSE）。

• 第四阶段：时空分析与制图写作

碳排放时空分布特征分析（莫兰指数、热点分析）。

驱动力分析（地理探测器/GWR模型）。

ArcGIS/QGIS专业制图与论文撰写（结果描述与政策建议）。