“时空智能遥感”专题编委会：

张继贤  国家基础地理信息中心、莫干山地信实验室

闫   利  武汉大学

顾海燕  中国测绘科学研究院

地表异常遥感监测与预警研究进展

曹鑫^1,2，许诺¹，胡雨黎¹

1. 北京师范大学 地理科学学部，北京 100875；
 2. 北京师范大学遥感与数字地球全国重点实验室，北京 100875

摘  要：本文系统综述利用遥感技术进行地表异常监测与预警的研究进展与应用实践。随着自然灾害、环境污染及生态破坏等地表异常事件频发，遥感技术凭借其大范围、动态性和信息丰富的特点，在相关领域的监测中发挥了重要作用。本文涵盖滑坡、地震、沙尘暴、洪水、森林火灾、秸秆焚烧、违规开发等多类异常事件，通过整合多源遥感数据（包括光学、微波、高光谱等）与智能算法，系统总结各类异常事件的遥感识别特征、监测指标及预警方法，可为多源数据融合与异常信息统一化提供支撑。尽管当前技术已取得显著进展，但仍面临数据融合效率不高、跨灾种知识体系缺失、模型泛化能力及跨学科协同不足等挑战。未来研究需进一步优化实时监测能力与预警精度，以增强生态安全与灾害防控的决策支持能力。

关键词：地表异常；遥感监测；预警体系；自然灾害；环境污染；生态破坏

引用格式：曹鑫, 许诺, 胡雨黎. 2026. 地表异常遥感监测与预警研究进展. 时空信息学报, 33(1): 36-52
 Cao X, Xu N, Hu Y L.2026. Advances in remote sensing monitoring and early warning for earth surface anomalies. Journal of Spatio-temporal Information, 33(1): 36-52, doi: 10.20117/j.jsti.202601005

1  引  言

近年来，在全球气候变化与人类活动加剧的影响下，自然灾害、环境污染、安全事故等各类地表异常事件频发，对经济发展、社会稳定及人民生命财产安全构成了严峻挑战。面对地表异常事件所表现出的突发性、广域性与动态性，卫星遥感技术凭借其大尺度观测、周期性重访和多源信息获取的优势，已成为地表异常监测不可或缺的技术手段。目前，国内外已开展了大量研究，发展了针对不同应用场景的监测方法，如热异常指数（thermal anomaly index，TAI；Liu等，2021）、基于深度学习和时序分析的水质监测（Peterson等，2020）、地震评估（Stephenson等，2022）、农作物异常探测框架（León-López等，2022），以及水污染识别（Dias等，2019）等技术。这些研究充分验证了遥感技术在多类地表异常识别与评估中的潜力。然而，现有监测模式仍主要依赖于事后数据的回传与处理，普遍存在“重分析、轻预警”的现象，导致监测结果的时效性严重滞后，难以满足突发事件应急响应对“即时感知”的迫切需求。尽管国内外机构正积极探索在轨实时预警技术，如美国海军的海水参数反演（Davis等，2000）、联合国全球火灾监测系统（杨思全，2017）；但由于缺乏系统的理论指导，相关预警知识仍呈现碎片化、离散化特征，制约了预警能力的体系化提升。

从数据处理的基本原理来看，地表异常遥感监测的核心在于图像目标检测，即在无须先验信息的情况下，识别出在光谱、纹理或时空分布上显著偏离背景统计规律的异常目标。这里的“异常”并非仅指视觉上显著的目标，如正常背景中的建筑物，而是指不符合场景常规模式或预期状态的突发性变异（吕承侃等，2022）。针对这一科学问题，相关研究已发展出多种技术路径。例如，在高光谱异常检测中侧重于光谱与空间信息的联合利用，主流算法涵盖了经典的线性RX算法及其改进的非线性核函数版本（赵春晖等，2016；Racetin等，2021）；另有部分研究通过进一步引入数据空间正交基等空间约束手段，以提升检测精度（黄志鸿，2020；李楠英，2021）。高分辨率卫星影像检测中则更多依赖纹理特征提取与语义分析，以应对复杂的空间异质性（Liu等，2017；刘德连和张建奇，2006）。然而，由于遥感影像背景复杂、数据量大，上述研究的算法效率与精度相互牵制，因此不少研究致力于优化硬件与算法，以实现星上实时异常检测，为快速评估与预警提供重要技术支撑（Du等，2021；León等，2015；Grosklos 和 Theiler，2015）。

基于上述背景，本文聚焦“地表异常”这一核心概念，并将其定义为由自然或人为因素诱发的、可通过遥感手段探测到的地表状况突发性变异。针对当前预警知识缺乏系统性整合的问题，王桥（2022）提出了地表异常遥感探测与即时诊断方法研究框架，强调打破行业壁垒，对预警要素进行识别、提取与结构化重组，为构建即时服务技术体系提供理论支撑。遵循该研究框架，本文主要依据发生频率高、社会危害大及遥感技术应用较为成熟三个原则，筛选包括自然灾害、环境污染、安全事故和违规开发共三大类典型地表异常场景，合计20余类细分的地表异常灾害事件，旨在对现有的遥感监测及预警方法进行综述，致力于厘清地表异常综合监测背后的预警知识要素及其逻辑关联。这不仅有助于解决当前预警知识碎片化的问题，更能够为未来标准化和智能化的预警知识生成、管理及高效服务奠定坚实的基础。图1展示了本文内容框架。

2  自然灾害遥感监测及预警

自然灾害种类繁多，成因复杂。基于遥感监测的物理机制与应用场景，本文将自然灾害划分为地质灾害、气象水文灾害、海洋灾害、森林火灾及生物灾害五类，分别阐述其监测预警的关键技术。

2.1  地质灾害

1）滑坡

通过多源遥感数据实现地表连续定量观测的滑坡遥感监测，构成了滑坡时空演变预测与危险性评估的基础（Scaioni等，2014；李振洪等，2019）。针对滑坡体的不同特征，多源遥感数据展现出了不同的应用优势。在光学遥感监测中，高分辨率卫星影像，如QuickBird、SPOT-5等，主要依赖变化检测技术识别地表形变特征与滑坡边界，适用于浅层滑坡（万保峰等，2009；Moine等，2009）；多光谱数据，如RapidEye，多利用归一化植被指数（normalized different vegetation index，NDVI）等植被指数的时序变化特征，来反演深层滑坡所引发的地表及植被异常（Behling等，2014）。在微波遥感监测中，合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR ）技术是该领域的核心手段。以TerraSAR-X为代表的高分辨率雷达卫星提供了毫米级地表位移监测，可有效捕捉慢速滑坡与冻土不稳定性（Wasowski 和 Bovenga，2014；Herrera等，2011，2013；Colesanti 和 Wasowski，2006）。在激光雷达监测中，通过三维建模生成高精度数字高程模型（digital elevation model，DEM），直接监测大型滑坡的地表位移与规模（Akbarimehr等，2013；Corsini等，2009）。值得注意的是，上述监测过程通常需要结合高精度的历史滑坡编目与基础DEM数据作为辅助，以修正观测误差并提升影像解译精度。此外，植被覆盖下的滑坡隐患早期识别是当前面临的主要挑战之一。由于光学遥感难以穿透茂密植被，利用具有更强穿透能力的L波段合成孔径雷达（synthetic aperture radar，SAR）数据结合时序InSAR技术，已成为实现林下复杂地形滑坡精确监测的重要突破口（Li等，2025）。

在滑坡预警方面，研究重点聚焦于灾害风险评估与发生概率预测。例如，Guzzetti等（2005）基于多时相航空影像，结合水文地质因素建立了泊松模型，以预测滑坡发生位置、频率及规模。然而，受限于地质环境的复杂性与观测数据的时空离散性，大尺度下的系统性预警研究仍面临误报率高与阈值设定困难等挑战（Casagli等，2023）。

2）地震

地震遥感监测的核心在于震后灾情评估，主要目标包括建筑物倒塌、生命线工程破坏，以及滑坡、堰塞湖等次生灾害识别。鉴于震害在空间分布、破坏尺度及表现形态上的显著差异，需采用不同数据和方法提取灾情信息（张飞舟等，2022；Dong和Shan，2013）。具体而言，高分辨率光学影像利用光谱–空间特征的变化，来检测量化灾情范围与程度，如 Rezaeian和Gruen（2007）基于航拍影像实现了倒塌建筑物的分级评估。微波遥感利用雷达数据提供后向散射系数与相干性变化检测损毁区域，单时相数据则通过纹理特征识别结构损伤。激光雷达基于三维点云数据，结合变化检测或平面提取技术，精确评估建筑物损毁等级（Adriano等，2021）。

在地震预警方面，现行技术主要依据震源位置与强度参数，来预测地震波传播时间及影响范围（张炜超等，2019）。此外，震前热异常监测是研究的重要方向（吴立新等，2017）。岩石圈应力变化可能诱发地表温度短期升高，如伊朗 Bam 地震中的地表温度异常（Choudhury等，2006）；整合大气与电离层扰动数据的岩石圈–覆盖层–大气圈耦合模型（lithosphere-coversphere-atmosphere coupling model，LCA Model）也被用于提升震中预测精度（Wu等，2012）。然而，学界对于热异常作为震前兆的可靠性仍存在争议，如 Blackett等（2011）对印度地震案例提出的质疑。现行预警体系主要依赖国家—省级—终端三级应急平台，结合遥感震害分级标准与现场核查发布警报，但仍需进一步优化时效性与准确性。

3）堰塞湖

堰塞湖通常伴随崩滑流及地震等原生灾害形成，具有极高的次生溃决风险。其遥感监测主要依赖光学卫星影像，利用多时相变化检测技术提取水体空间形态演变特征（汤志鹏和方国东，2017）。典型方法是通过构建归一化差异水体指数（normalized different water index，NDWI），实现地震诱发堰塞湖面积的动态提取（Xu等，2009）。

堰塞湖预警的关键是基于水体扩张趋势的溃坝风险评估。通过监测数据反演水位与库容变化，结合水力学模型模拟溃坝参数，可有效评估下游潜在灾损（吕杰堂等，2002）；还可以通过实时监测预警系统，以提升应急响应的时效性（Liu等，2013）。

2.2  气象水文灾害

1）沙尘暴

沙尘气溶胶具有独特的光谱特征，显著影响地气系统的辐射平衡。因此，沙尘暴遥感监测主要利用光谱特征、热红外波段差（如11～12 μm）及地表温度产品，来识别沙尘信息（赵仕伟等，2009）；并反演气溶胶光学厚度，以评估大气载沙量（李海萍等，2003）。监测内容包括识别沙尘暴、沙尘运移路径变化及下垫面的风害等次生灾害。静止气象卫星Himawari-8、多光谱MODIS等是常用遥感数据，通过构建归一化差异沙尘指数（normalized different dust index，NDDI）、红外差值沙尘指数（infrared different dust index，IDDI）等实现沙尘空间分布、强度及迁移路径的追踪（Qu等，2006；王威等，2019）；同时，可量化风蚀、污染等次生灾害影响（祁佳丽等，2018；Kunte和Aswini，2015）。

沙尘暴预警内容包括分级、定量描述影响程度、预测走势等，中国气象局基于国家标准《沙尘天气等级》（GB/T 20480—2017），结合瞬间极大风速与最小能见度两个关键指标，构建了沙尘强度分级标准（表1）。此外，中国气象局还通过国家级预警系统发布沙尘时空分布及灾情评估报告。然而，沙尘天气遥感数据的统一分级标准仍亟须完善（Sprigg，2016）。

2）台风

台风气象特征监测通常利用气象卫星遥感、微波遥感等数据（Pan等，2013）。气象卫星用于追踪台风路径，微波遥感中的散射计可反演海面风场以分析台风强度（胡潭高等，2013）；SAR 影像可进一步辅助确定台风眼位置（Liu等，2014）；降水水汽（precipitable water vapor，PWV）等关键参数可解析台风移动特征，为路径预测提供支撑（Zhao等，2019）。针对台风所造成的地面灾损监测，多光谱数据常通过光谱指数，如归一化差分红外指数（normalized different infrared index，NDII），来评估植被损害程度（Peereman等，2022）。高分辨率光学、雷达影像则被广泛应用于受损建筑物与淹没区的快速识别。

台风预警的核心是风险评估。例如，可基于遥感及相关空间数据绘制台风风险区划图（Hoque等，2017）；或结合 14 项指标及层次分析法构建区域差异化的复合风险评价模型（Yin等，2013）。

3）水灾

洪涝及次生灾害，如山体滑坡，遥感监测主要依靠光学、雷达卫星数据。气象卫星提供宏观动态监测；SAR影像则利用水体发生镜面反射所导致后向散射系数较低的特性，有效提取洪涝空间范围。如光学遥感依据光谱特征、NDWI、改进归一化差异水体指数（NDWI  extended/modified，NDWI_ EX）等指数分割方法，以实现城镇内涝精确识别（解文欢等，2020；李文慧等，2012）。

洪水预警旨在定性或定量地预测特定区域未来洪水强度、分布和损失影响（周月华等，2019）。如Munawar等（2022）系统梳理了洪水预测与风险评估等相关研究。洪水预警通过结合降雨径流模型与机器学习算法，来预测洪水强度、分布及影响（Thakur等，2020；Shahabi等，2020）。在遥感获取的淹没范围、持续时间等时空信息基础上，借助地理信息系统（geographic information system，GIS）整合人口、房屋、农作物等社会属性数据，并从脆弱性、影响性和适应性等维度开展风险分析，从而划分洪涝等级并支撑灾损预判（Sadiq等，2022）。

4）雪灾

雪灾异常监测主要利用多光谱数据的光谱特性识别积雪范围，并通过微波遥感散射强度反演积雪深度。例如，可基于 MODIS 反射率利用机器学习算法，反演积雪覆盖图（Luo等，2022）；或通过 NDVI、增强植被指数（enhanced vegetation index，EVI）等评估森林受损程度；结合基础地理数据及 GIS，进一步分析交通与农牧业受灾情况（Wang等，2019）。

雪灾预警以风险评估为核心，在积雪分布与深度监测的基础上，综合畜牧业影响、救灾难度等社会因素构建风险模型。在此基础上，通过结合天气预报信息划分雪灾可能的演变区域，最终实现对灾情强度的科学预判（杨思全等，2011）。

2.3  海洋灾害

1）赤潮、金潮、绿潮

赤潮是海水中某些浮游生物在适宜条件下爆发增殖或集聚引起的生态异常现象。赤潮遥感监测主要基于光学影像的光谱特征识别藻类聚集区域与密度（黄韦艮等，1998）。学界已构建了包括归一化赤潮指数（normalized red tide index，NRTI）、浮藻指数（floating algae index，FAI）、藻华指数（algal bloom index，ABI）及红带差值（red band difference，RBD）在内的多维指数体系（Lee等，2021；Hu，2009；Hu 和 Feng，2017；Amin等，2009）。针对不同藻类特征，监测策略各有侧重。其中，赤潮多利用红光波段特征反演动态变化（Wang等，2011）；金潮侧重于覆盖面积估算与长距离迁移路径追踪（Xing等，2017）；绿潮则常结合微波纹理特征与光学短波红外（short-wave infrared，SWIR）波段指数，以量化聚集度（Shi 和 Wang，2009）。

藻华预警旨在通过监测关键环境因子，如海表温度 SST、叶绿素 a 浓度，来预报藻类的发生、演变及消亡过程。核心思路在于建立环境诱导因子与藻类暴发趋势的非线性关联模型，基于实时遥感数据流分级发布短、中、长期预报，为防灾减灾提供决策支持（Nguyen等，2024）。

2）海啸、风暴潮

海啸监测主要依赖海洋卫星、SAR及卫星高度计等遥感数据，以有效监测海啸传播路径、淹没区范围及结构损毁特征（Koshimura等，2020）。此外，结合地形高程与坡度分析的空间脆弱性评估也是重要的研究方向（Sambah 和Miura，2016）。风暴潮监测则依赖海洋卫星与SAR数据捕捉风暴中心位置、强度及移动轨迹，并利用光学、雷达影像联合评估淹没灾情，结合致灾强度与承灾体防御能力划分综合灾害等级（贾宁等，2018；石先武等，2015）。

在预报预警方面，风暴潮主要依靠数值模拟模型，将海面风场、气压场及热带气旋动态作为核心输入参数，来预测沿海淹没风险（Kohno等，2018）。由于海啸的发生具有极强的突发性与非线性特征，目前遥感技术多侧重于灾后评估，实时精准预测仍是较大难题（Behrens等，2021）。

2.4  森林火灾

森林火灾的遥感监测数据主要包括地表温度/辐射数据产品、热红外遥感数据和雷达数据，如Barmpoutis等（2020）对此进行了系统性综述。遥感监测内容在时序上分为如下两类：一是灾时主动火点监测，聚焦于火点的时空分布特征与燃烧强度；二是灾后火烧迹地评估，利用光谱指数量化烧毁面积与燃烧严重度（俞昊天等，2021；Chuvieco等，2008）。常用的遥感指数包括归一化燃烧率（normalized burn ratio，NBR）、差分归一化燃烧率（differenced NBR，dNBR）及相对归一化燃烧率（relative dNBR，RdNBR）等，对植被燃烧后的光谱变化具有高度敏感性（Chu等，2013）。

森林火灾预警的核心在于火险等级评估与发生概率预测。火险等级评估是一个综合气象条件、植被类型与历史数据的系统性过程，通常采用国际通用的火灾天气指数（fire weather index，FWI）系统，来量化火灾发生与蔓延的可能性（Chu等，2013；Ahmed等，2019）。而森林火灾预测的主要思路是利用遥感温度产品、遥感指数和相关环境参数描述森林火灾的危险情况，并将其与实际森林火灾情况对比（Chowdhury 和 Hassan，2015）。

2.5  生物灾害

植被病虫害的遥感监测机理在于捕捉受胁迫植被在光谱特征上的异常变化。目前已有多项区域研究利用多光谱/高光谱数据，如HJ-1、Landsat等，构建重归一化差异植被指数（renormalized different vegetation index，RDVI）等实现灾害分级；部分研究结合地形、太阳辐射等环境因子，引入最大熵模型精准定位了虫害分布（李娜，2012；臧红婷，2014；俞琳锋，2020；马望等，2016）。

病虫害的发生受虫源数、作物生长状况及防治情况等因素影响，温度、降水、光照等气象要素影响其发生程度。因此，病虫害预警可以采取针对性措施，如对于玉米黏虫灾害可以融合冠层水分与地形数据预判灾情区域及程度（臧红婷，2014）；对于松树林病害可以结合水分胁迫指数（moisture stress index，MSI）与气象参数预测枯梢率，从而指导精准防控措施的制定（俞琳锋，2020）。

3  环境污染遥感监测及预警

利用污染物在光谱特征、热辐射效应及空间纹理上的特异性响应，遥感技术为环境监管提供了关键的物理依据。本文聚焦于黑臭水体、秸秆焚烧、垃圾填埋场、工业污染源、水华、温排水、海上溢油七类典型场景，综合阐述各类污染从异常特征提取、定量参数反演到风险预警的技术实现路径。

3.1  黑臭水体

黑臭水体遥感监测主要利用水体在特定污染状态下的光谱畸变与色度特征。高分辨率光学影像常采用波段比值、反射率差值及色度阈值等算法实现大范围筛查（王旭等，2016）；高光谱数据能通过精细光谱分析消除悬浮物等背景干扰，实现污染信息的精准提取（申茜等，2017）。许多研究表明比值算法在南京等城市应用中效果最优，可同步获取污染范围、长度及环境关联因素（陈帅等，2021；温爽等，2018；Shen等，2019；占玲骅，2019；李佳琦等，2019）。然而，遥感技术本质上反映的是水体光学属性，难以直接量化“致臭”物质浓度，需结合实地调查验证。此外，城乡水环境的差异性也导致了监测策略的不同。部分研究表明，利用亚米级高分辨率卫星影像结合实测光谱构建分级识别模型，是提升农村全域监测效率的有效途径（崔艳智等，2022；曹红业，2017）。

3.2  秸秆焚烧

秸秆焚烧的遥感监测主要包括火点识别、迹地提取两个方面。监测过程主要利用中红外波段对高温目标的敏感性锁定火点位置，并结合土地利用数据排除非农田热源（王婷等，2022；生态环境部，2019；张景源等，2019）。对于过火面积与焚烧严重度的评估，则多通过图像增强与分类技术，识别焚烧迹地在可见光、近红外波段的光谱差异，通常采用直接像元统计法或混合像元分解法来实现。由于秸秆焚烧直接驱动区域大气污染，监测工作常与空气质量反演紧密耦合。例如，通过NBR量化焚烧强度后，结合 NO_x、SO₂等污染物浓度数据及后向轨迹模型，可深入分析污染物的排放通量与区域传输机制（Chawala 和 Sandhu，2020；Singh等，2021；Shen等，2021；程良晓等，2017）。

在预警层面，焚烧行为受人为因素主导，使得传统意义上的突发预警实现难度较大。目前的重点转向基于农时、气象扩散条件及空气质量预测模型的综合风险预判，以为政府实施禁烧管控与区域联防联控提供科学依据（毕于运等，2009）。

3.3  垃圾填埋场

垃圾填埋场异常主要指非正规垃圾堆放点及未达标填埋场，相比正规设施具有更高的土壤、水体及大气污染风险，是环境治理的重点对象（尹朋建，2016；胡馨然等，2019）。针对此类对象的遥感监测技术主要分为如下两类：一是基于光学特征的识别，利用高分辨率卫星影像的空间几何与纹理特征，结合机器学习算法定位垃圾堆体的边界与类型（刘亚岚等，2009；王晨等，2016；Silvestri 和 Omri，2008；Torres等，2021）；二是基于热红外特征的反演，利用垃圾厌氧分解产生的生物热效应，通过地表温度产品识别异常热区（Ye?iller等，2005；Gill等，2019）。此外，随着高光谱遥感技术的发展，针对填埋场甲烷（CH₄）等温室气体异常排放的点源监测也逐渐成为研究热点，为填埋气体的收集利用与减排评估提供了新的技术手段。目前的监测成果已能支撑基于邻避效应（如距居民点、水系距离）的环境风险评估，但在针对渗滤液泄漏或堆体失稳的实时预警体系构建方面，仍存在技术空白（Vaverková，2019）。

3.4  工业污染源

工业污染源异常的遥感监测主要借助高分辨率卫星遥感技术定位污染源，并结合实地勘探核查信息。针对“散乱污”企业的空间分布特征，马鹏飞等（2019）提出了基于大气污染的溯源路径，即利用MODIS、OMI、TROPOMI等卫星数据反演区域性 NO₂、SO₂ 浓度高值区，从而锁定污染高发集聚区。此外，利用热红外、多光谱遥感监测工业温排水及污水偷排口的水色异常特征，也是锁定沿江沿海工业污染源的重要手段。如王桥等（2021）综合几何、纹理与光谱特征识别了污染企业图斑，融合大气污染反演结果与土地利用数据，并通过人工解译与地面走航核查实现了精准定位。

3.5  水华

水华是富营养化淡水水体中藻类异常增殖的生态灾害，与海洋赤潮在发生机理上具有相似性，但对饮用水安全构成直接威胁。遥感监测主要依据藻类色素（叶绿素a、藻蓝蛋白）的光谱响应机制，利用多光谱数据，如 MODIS、HJ-1、MERIS，构建经验波段比值或半分析算法，反演水体叶绿素a浓度与藻密度，从而量化水华的覆盖范围与演变趋势（Lian，2021；Urquhart等，2017；于洋等，2017）。针对复杂光学水体，反射峰法与荧光峰法等改进算法被证实能有效提升反演精度（罗婕纯一等，2021）。

水华预警本质上是对水体生化参数阈值的超前研判。现有研究多融合遥感反演数据与地面观测指标，如总氮、总磷、营养盐等，建立基于生物密度与营养状态指数的分级预警模型（郭皓等，2014；熊晶等，2015）。

3.6  温排水

温排水是指核电或火电厂向邻近水域排放的高温冷却水，所形成的热羽流具有流量大、热惯性强等特征，易改变局部热环境并胁迫海洋生态（魏超等，2013；魏新渝等，2018）。遥感监测的核心手段是利用热红外遥感，如Landsat TIRS、HJ-1B IRS等载荷的热红外波段反演海表温度，从而识别温排水的扩散范围、温度梯度及核心区分布。部分研究表明，温排水的扩散形态显著受潮汐动力、海底地形及电厂装机容量的综合影响（朱利，2012；张晓峰等，2019）。为提升环境影响评价的可靠性，通常需结合同步的实地调查数据，如浮标测温、叶绿素a浓度、盐度等，对遥感反演结果进行校验与综合分析（Tang等，2003；Ma等，2017）。

3.7  海上溢油

根据《国家重大海上溢油应急处置预案》（交溢油函〔2018〕121号），海上溢油是指通过任何方式溢出并进入海洋的油类，包括原油、燃料油、润滑油、油泥等。作为一种突发性海洋污染灾害，海上溢油具有扩散快、危害持久等特点（柯丽娜等，2022）。遥感监测主要依赖光学、SAR影像，通过光谱、纹理等特征提取油膜信息，SAR因具有全天候能力及对油膜厚度的敏感性应用更广，但易受到风场影响（王传远等，2009；Li等，2016）。使用多源遥感数据可以弥补单一数据的缺陷，如柯丽娜等（2022）使用高分（GF）系列、环境（HJ）系列、哨兵（Sentinel）系列等多源卫星遥感影像，获取了海洋溢油事件时空分布。此外，机器学习算法的引入提升了识别精度（Al-Ruzouq等，2020）。

海上溢油预警备受我国关注，2018年交通运输部印发《国家重大海上溢油应急处置预案》（交溢油函〔2018〕121号），明确了国家重大海上溢油的判别标准（表2）。此外，许多国家也已建立成熟的业务化预警系统，如美国 OILMAP、英国OSIS、挪威 OSCAR和西班牙MOHID-TESEO等。溢油预警的关键在于漂移轨迹预测，技术原理是将卫星反演的溢油初始位置、范围及油膜性质作为关键输入参数，耦合海流、风场及波浪等动力学数值模型，模拟油膜在海洋环境中的漂移路径与风化过程（Klemas，2012）。这不仅能预测油膜抵达环境敏感区的时间，更能为国家级重大海上溢油应急处置提供科学的决策依据（鹿宏宇等，2022）。

4  安全事故和违规开发遥感监测及预警

社会经济的高速发展伴随着资源开发强度的加剧与城市化进程的加速，使得各类安全事故与违规开发行为频发，对公共安全与生态红线构成了严峻挑战。相较于自然灾害与环境污染，此类人为干扰事件具有更强的突发性、隐蔽性及高致灾性。本文针对厂房塌陷与交通事故、人为火灾类安全事故，以及资源违规开发与城市违规建设、生态违规变更的监管难点，探讨如何利用多时相、高分辨率遥感技术及多源遥感数据融合手段，实现对风险源的精准识别、动态追踪与合规性预警。

4.1  厂房塌陷与交通事故

厂房塌陷通常是指脆弱地质条件所造成的建筑物塌陷现象，会导致矿井报废、土地损毁、地裂缝、崩塌、滑坡等灾害（张浩伟，2020；刘爱斌等，2017）。遥感通过多时相光学影像的光谱、纹理及高程特征，来监测地表形变与塌陷区时空变化（Zhao等，2015）；还可以结合无人机影像与形态特征检测、实地验证识别典型塌陷目标（张浩伟，2020）。此外，InSAR /永久散射体InSAR（persistent scatterer InSAR，PS-InSAR）可构建形变预测模型，但受限于地质机制的复杂性，仍需多源遥感数据支持以提高解释能力（Mohamadi等，2020）。

交通事故具有极强的突发性与随机性，遥感技术目前主要应用于间接风险评估与路网状态监测（王琳等，2018）。通过高分辨率卫星影像与 SAR 影像提取车流密度、速度及道路拥堵状态，可反演交通流的时空分布特征，从而辅助识别事故高发路段或潜在风险区（Wang等，2016；Suchandt等，2010）。

4.2  人为火灾

根据2020～2022年国家消防救援局数据（表3），人为因素，如违规生产、电气使用等，已主导了近年来的火灾事件，特别是在农村与人员密集区，人为火灾会导致较高死亡率与财产损失（Hantson等，2022）。同时，在城市建筑区，火灾具有突发性、偶然性和复杂性等特点，也会对生命财产安全、建筑结构、生态环境造成损失（Kodur等，2019）。

由于卫星过境周期的限制，遥感技术难以满足城市火灾的实时发现需求，目前主要作为气象参数提供者或灾后火情蔓延分析的辅助工具（Martin等，2016）。其监测和预警数据主要来自政府部门。现有的城市火灾风险评估仍以统计与GIS分析为主，通过整合人口密度、建筑耐火等级等统计数据构建风险模型（杜姗姗等，2020）。因此，目前人为火灾监测主要依赖灾后建立的标准化数据库，如加拿大火灾资源评估计划（fire analysis and resource planning，FARP）、美国林务火灾计划分析–火灾发生数据库（fire program analysis-fire occurrence database，FPA-FOD）（Balch等，2017）。针对此类异常事件，遥感监测通常结合光学遥感、LiDAR及植被、气候等多源数据，主要利用中红外、热红外遥感波段结合光谱特征描述火灾特征，多用于监测火势行为、严重程度和灾后评估，但火灾成因需借助数据库进行区分。常用的监测方法包括计算火灾辐射功率（fire radiative power，FRP）、火线强度（fire line intensity，FLI）等，并结合气象与地表特征进行分析（Smith 和 Wooster，2005；Miller 和 Yool，2002）。但仍缺乏专门针对人为火灾的预警系统（Chowdhury 和Hassan，2015）。遥感参数与实地测量之间存在定义和机理差异，亟须统一标准。

4.3  资源违规开发与城市违规建设

资源与农业开发活动若脱离监管，易引发生态退化与地质灾害。违规采矿活动会对地表造成影响，若未得到及时遏制，极易诱发滑坡、泥石流及严重的土地损毁（李军等，2022）。遥感监测致力于识别地表扰动痕迹，如利用高分辨率卫星影像与机器学习算法，自动提取露天采坑、废石堆场等典型图斑；结合多时相无人机或卫星立体像对生成的 DEM 差分数据，可进一步量化土方填挖体积，为判定开采规模与性质提供定量依据（Kozińska和Górniak-Zimroz，2021；赵家乐和陈浩，2019；章梦霞等，2017）。随着监测业务的常态化，该技术已开始支撑生态修复成效评价与开采活动的动态全生命周期追踪（李军等，2022；谭力，2017）。此外，在违规养殖方面，不合理的扩张是水体富营养化的重要诱因。遥感监测主要聚焦于养殖区域空间分布与面积变化提取，如利用Sentinel、Landsat系列数据提取水产养殖池塘（Ottinger等，2021；Ren等，2019）；或基于光谱与纹理特征识别畜牧设施（陈俊松，2020）。尽管目前针对“违规”属性的直接预警研究尚少，污染监测与风险评估尚属初步探索阶段。但已有研究基于遥感反演，为养殖污染风险评估提供了重要的技术支撑（王英刚等，2020）。

城市化进程中常存在城市违规建设问题，尽管主流监测方法仍是实地调查，目前遥感监测正从单纯的辅助手段逐渐转向业务化应用。部分研究通过高分辨率卫星影像，如Pleiades、WorldView，进行变化检测，提取新增建筑物图斑，并将其与城市规划矢量数据、审批红线进行叠加分析，从而快速筛查疑似违建点（李晏婷，2019；吕永磊等，2022；王儒壮等，2021）。遥感监测技术尤其在城市绿地侵占及规划执法中已趋于成熟，显著提升了核查效率（梁昊，2019）。

4.4  生态违规变更

生态违规变更涵盖了广义的生态用地占用与狭义的红线内属性变更。生态用地是指区域或城镇土地中以提供生态系统服务功能为主的土地利用类型，其属性变更通常源于无序的城市扩张与基础设施建设（邓红兵等，2009）。遥感监测关键在于变化识别，如通过多时相Sentinel、Landsat影像数据，结合光谱、纹理等特征与机器学习算法，可识别新增建设用地并分析生态红线内的占用情况（梁昊，2019）。有研究结合利用不透水地表变化与社会经济数据，评估了生态用地占用强度及其与GDP、人口的相关性（翟俊等，2016）。生态用地占用指标可用于区域生态承载力预警体系，如西藏水资源与生态安全评价中应用的多层次指标与权重系统（肖建华等，2020；高洁等，2018）。

根据生态环境部发布的《生态保护红线监管技术规范数据质量控制（试行）》（HJ 1145—2020），当非法占用、开发或改变自然属性等行为发生在生态保护红线范围内时，即构成性质更为严重的违规变更，直接威胁区域生态安全。生态红线作为强制性保护边界，是判定违规的关键依据。相关遥感监测研究目前较少，而多集中于生态风险预警。例如，通过海洋生态红线区内用地与自然属性变化，来监测海洋生态侵害（刘晓颖，2016）；或基于土地利用变化检测、扰动识别与物候分析，以及结合不透水面变化与红线区管控指标，构建生态风险空间预警模型（Willis，2015；李杨帆等，2017）。这类方法支持了生态环境监管中的变化识别与风险防范。

5  技术挑战与创新方向

尽管地表异常遥感预警技术在灾害监测、环境治理等领域展现了显著的应用价值，进一步发展仍会面临多维度技术挑战与创新需求。首要挑战源于多源遥感数据的异构性融合问题。由于地表异常事件具有突发性、多尺度特征，通常需整合光学、微波、雷达等不同模态的遥感数据，但各类数据在空间分辨率、时间频率及物理反演机制上存在显著差异，制约了协同分析的精度与效率（Liu等，2021）。近年来，基于深度学习的多源遥感数据融合方法通过自动提取跨模态特征，为提升信息互补性提供了新思路（Du等，2021）。然而，其在复杂环境下的稳健性仍需进一步验证。

另一项根本性挑战在于跨灾种综合预警知识体系的缺失与碎片化。尽管针对单一灾种的监测技术已日趋成熟，但在面对复杂的综合预警需求时，现有知识体系仍缺乏统一的语义描述与结构化表达标准。其根本难点在于，各类地表异常事件在成因机理与传统评级标准上存在显著的行业差异。例如，地震的灾损评估侧重于烈度与建筑物倒塌率，火灾预警则聚焦于燃烧强度与过火面积，而水环境监测又关注化学指标浓度。这种评价维度的天然差异，长期以来构成了跨灾种综合预警难以逾越的“知识壁垒”。然而，遥感技术为打破这一壁垒提供了统一的物理视角。无论灾害形式如何多变，其在地表所引起的物理属性变化均可被解构为光谱、辐射、纹理、散射等底层遥感特征的异常波动。遥感手段凭借客观一致的观测基准，能够跨越灾种界限，利用相同的观测要素实现对不同事件影响范围与强度的同构化评估。正是基于这种利用观测同质性克服事件异质性的科学逻辑，构建一套可共享、可计算的标准化结构化知识体系，已成为当前提升综合预警能力的迫切需求与关键创新方向。

在智能化监测方法方面，尽管机器学习技术已广泛应用于遥感影像分析，现有模型的泛化能力与自动化水平仍显不足。许多异常检测算法依赖人工特征工程与领域先验知识，难以适应大范围、实时性要求高的监测任务（Leon-López等，2022）。因此，开发端到端的深度学习框架，实现从数据预处理到异常识别的全流程自动化，成为提升监测效能的关键方向（Peterson等，2020）。同时，模型可解释性构成另一核心挑战。当前许多预警模型虽在预测精度上表现良好，但其决策过程缺乏透明性，限制了在应急决策中的实际应用（吕承侃等，2022）。亟需引入因果推断、贝叶斯网络等理论框架，增强模型对异常形成机制的解释能力（Wu等，2012）；同时，结合不确定性量化方法，以提升预警结果的可靠性。

总之，地表异常遥感预警本质上具有高度学科交叉性，需融合遥感科学、GIS、环境工程、防灾减灾等多领域知识。构建协同创新平台，整合云计算、边缘计算等新型计算架构，可显著提升数据处理效率与系统响应能力（Grosklos和Theiler，2015）。此外，需通过政策引导建立标准化数据共享机制，完善跨部门协作流程，推动技术成果的转化应用（王桥，2022）。为实现技术突破与落地应用，需系统规划多层级实施路径：在政策层面加大研发投入与示范项目支持；在标准层面建立统一的数据质量评价与系统互操作规范；在人才层面构建跨学科培养体系，强化国际合作网络建设（Chowdhury 和 Hassan，2015）。通过对多源遥感数据融合算法的持续优化、智能监测模型的创新研发、可解释性分析框架的建立及跨学科协同机制的有效完善，地表异常遥感预警技术将逐步实现从数据采集到知识服务的全链条能力提升。这一系统性进展将显著增强对自然灾害、环境污染等突发事件的动态感知与精准预警能力，为全球范围内的生态环境保护、灾害防控提供更加强大的科技支撑。

6  结  论

本文系统探讨了地表异常遥感监测与预警技术的理论框架、方法体系及应用实践。通过全面综述滑坡、地震、沙尘暴、洪水等20余类地表异常事件的识别与评估方法，可为自然灾害、环境污染、安全事故和违规开发等突发事件的监测与预警提供了明确参考。

研究表明，地表异常遥感监测与预警技术所具有的大范围、动态性的监测能力，为政府部门提供了科学的决策支持，有效提升了生态安全与灾害防控的响应效率。然而，当前技术仍面临数据融合效率、跨灾种知识体系缺失、模型泛化能力和跨学科协同等多重挑战，特别是在实时监测能力与预警精度方面仍有待进一步提升。未来研究应着重关注以下四个发展方向：①优化多源遥感数据的融合算法，提升监测的时空分辨率与准确性；②构建一套标准化的“地表异常遥感预警知识结构化体系”；③开发基于深度学习的端到端智能监测模型，增强系统的自动化水平；④推动遥感科学与GIS、环境工程等学科的深度融合，构建协同创新的技术体系。同时，建议从政策支持、标准建设、人才培养等多个维度系统规划实施路径，以促进技术的转化应用。通过不断完善理论方法、强化实践应用，地表异常遥感监测与预警技术有望在应对全球气候变化、维护生态安全等方面发挥更加重要的作用，为实现可持续发展目标提供科技保障。