1）研究团队在遥感领域，运用文献计量分析和案例研究的方法，系统梳理了471种光谱指数的应用现状与问题，揭示了命名混淆、可比性等关键问题，并提出了土壤属性遥感监测中光谱指数使用的优化建议。 https://www.sciencedirect.com/science/article/pii/S0034425725003220 2）研究人员在农作物类型识别领域，运用基于Transformer的深度学习模型处理高分辨率时间序列遥感数据，显著提高了作物分类的准确性和时效性，比现有方法提前一个月达到高精度分类效果。 https://www.sciencedirect.com/science/article/pii/S0034425725003542 3）研究团队在干旱监测领域，运用基于多波段遥感数据的相对表面蒸散发指数（RSETI）方法，显著提升了澳大利亚干旱评估的准确性和敏感性。 https://www.sciencedirect.com/science/article/pii/S0034425725003529 4）研究团队在青藏高原冻土相关滑坡运动监测领域，运用多时相干涉合成孔径雷达（InSAR）数据分解方法，成功量化了区域尺度滑坡运动的幅度与空间分布，揭示了冰缘层融化导致的基底土壤剪切是高速滑坡的主要驱动机制。 https://www.sciencedirect.com/science/article/pii/S003442572500330X

1）研究者在植被病害监测领域，运用三维辐射传输模型（3D RTM）与多准则决策方法（熵权TOPSIS）相结合的综合分析策略，系统评估了40种植被指数（VIs）的性能，确定了针对不同苹果病害的最优监测指数，并揭示了树形、病害分布和观测几何对指数性能的影响，提升了遥感植物病害评估的精确性。 https://www.sciencedirect.com/science/article/pii/S0034425725003578 2）研究团队在森林生态领域，运用YOLOv8模型对无人机RGB影像进行实例分割，成功检测和分割了立木和倒木，在两个芬兰研究区域分别取得了0.682和0.651的mask mAP50分数，并验证了跨区域数据对模型性能的提升作用。 https://www.sciencedirect.com/science/article/pii/S0034425725003104 3）研究团队在红树林生态系统监测领域，运用全球分数阶敏感性分析（G-FOSA）方法和域自适应迁移学习（DTL）模型，成功实现了红树林叶片氮磷含量的高精度跨场景反演，并将误差降低了0.6%–41.1%。 https://www.sciencedirect.com/science/article/pii/S003442572500327X 4）作者在海洋和淡水环境塑料垃圾遥感检测领域，运用光谱反射率分析和信号异常检测方法，指出了现有研究中逻辑推理的不足，并提出了通过像素平均和减法来区分信号异常的必要步骤。 https://www.sciencedirect.com/science/article/pii/S0034425725003153

1）研究者在遥感图像处理领域，运用结合污染传输动力学和梯度上升算法的方法，有效提高了卫星图像缺失数据的插值精度。 https://www.sciencedirect.com/science/article/pii/S2211675325000454 2）美国农业部森林资源调查与分析（FIA）项目在森林资源监测领域，运用基于高斯过程的空间-时间模型，成功推断出两个美国国家森林20年间的生物量变化。 https://www.sciencedirect.com/science/article/pii/S2211675325000399 3）研究者在全球滑坡风险评估领域，运用了基于CMIP6降水数据和静态指标的多种机器学习模型，预测了2021至2100年四种共享社会经济路径下的全球滑坡敏感性，发现全球滑坡敏感性总体呈上升趋势，尤其在SSP5-8.5情景下2081-2100年期间增加了约1%，并识别出印度为受气候变化影响最严重的国家。 https://www.sciencedirect.com/science/article/pii/S1674987125000799 4）研究团队在滑坡灾害预防领域，运用多源域适应卷积神经网络（MDACNN）方法，显著提升了跨区域滑坡敏感性预测的准确性，平均指标提升16.58%。 https://www.sciencedirect.com/science/article/pii/S1674987125000581