本文基于两幅Sentinel-1雷达卫星影像，利用像素偏移追踪技术提取出普若岗日冰川及4条典型冰川的表面流速信息并绘制冰川流速场，以研究普若岗日冰川在2023年9—10月的表面流速和流速分布特征。利用像素偏移追踪技术对两幅SAR影像进行精确配准，得到同名像元在水平方向的像素偏移量，从而获取冰川表面流速。基于冰川流速场对普若岗日冰川表面流速和流速分布特征进行分析，结果表明，普若岗日冰川的表面流速整体上较缓慢，平均流速约为0.05 m/d,普若岗日西北部、东北部、中部和西南部4条典型冰川主要流动区域的平均流速分别约为0.20、0.19、0.15和0.04 m/d。研究发现，普若岗日冰川空间位置分布不同的区域，其流速特征也有所不同，主要表现为普若岗日东北部典型冰川比西南部典型冰川的流速更快。

本文基于两幅Sentinel-1雷达卫星影像，利用像素偏移追踪技术提取出普若岗日冰川及4条典型冰川的表面流速信息并绘制冰川流速场，以研究普若岗日冰川在2023年9—10月的表面流速和流速分布特征。利用像素偏移追踪技术对两幅SAR影像进行精确配准，得到同名像元在水平方向的像素偏移量，从而获取冰川表面流速。基于冰川流速场对普若岗日冰川表面流速和流速分布特征进行分析，结果表明，普若岗日冰川的表面流速整体上较缓慢，平均流速约为0.05 m/d,普若岗日西北部、东北部、中部和西南部4条典型冰川主要流动区域的平均流速分别约为0.20、0.19、0.15和0.04 m/d。研究发现，普若岗日冰川空间位置分布不同的区域，其流速特征也有所不同，主要表现为普若岗日东北部典型冰川比西南部典型冰川的流速更快。

本文基于两幅Sentinel-1雷达卫星影像，利用像素偏移追踪技术提取出普若岗日冰川及4条典型冰川的表面流速信息并绘制冰川流速场，以研究普若岗日冰川在2023年9—10月的表面流速和流速分布特征。利用像素偏移追踪技术对两幅SAR影像进行精确配准，得到同名像元在水平方向的像素偏移量，从而获取冰川表面流速。基于冰川流速场对普若岗日冰川表面流速和流速分布特征进行分析，结果表明，普若岗日冰川的表面流速整体上较缓慢，平均流速约为0.05 m/d,普若岗日西北部、东北部、中部和西南部4条典型冰川主要流动区域的平均流速分别约为0.20、0.19、0.15和0.04 m/d。研究发现，普若岗日冰川空间位置分布不同的区域，其流速特征也有所不同，主要表现为普若岗日东北部典型冰川比西南部典型冰川的流速更快。

新疆内的高寒山区是高亚洲地区的重要组成部分，该区域内拥有大量规模较小的冰湖，部分冰湖在短时间内迅速扩大，并可能导致溃决洪水事件的发生。因此，提高对这些小型冰湖的制图精度对于深入理解冰川冰湖灾害机理至关重要。本研究利用Sentinel-2时序数据和DUNet语义分割模型，结合目视解译和质量控制，开展了2022年新疆高寒山区冰湖最大水域范围(≥新疆高寒山hm2)的提取；并根据冰湖与冰川的关系，将冰湖分为冰川补给湖（包括：冰面湖、冰川接触湖和冰川不接触湖3个亚类）和非冰川补给湖2类，最终得到2022年新疆高寒山区冰湖数据集。本数据集中冰湖总绝对面积误差为12.12 km，平均相对误差为6.14%。本数据集包括：（1）空间数据，即2022年研究区冰湖最大分布范围数据和新疆高寒山区分区；（2）表格数据，包括：2022年研究区不同区域、大小、类型、高程尺度下冰湖的数量与面积统计。数据集存储为shp和xlsx格式。可为新疆冰湖灾害预警、冰湖灾害评价提供数据支持和有效依据。

新疆内的高寒山区是高亚洲地区的重要组成部分，该区域内拥有大量规模较小的冰湖，部分冰湖在短时间内迅速扩大，并可能导致溃决洪水事件的发生。因此，提高对这些小型冰湖的制图精度对于深入理解冰川冰湖灾害机理至关重要。本研究利用Sentinel-2时序数据和DUNet语义分割模型，结合目视解译和质量控制，开展了2022年新疆高寒山区冰湖最大水域范围（≥新疆高寒山hm2）的提取；并根据冰湖与冰川的关系，将冰湖分为冰川补给湖（包括：冰面湖、冰川接触湖和冰川不接触湖3个亚类）和非冰川补给湖2类，最终得到2022年新疆高寒山区冰湖数据集。本数据集中冰湖总绝对面积误差为12.12 km2，平均相对误差为6.14%。本数据集包括：（1）空间数据，即2022年研究区冰湖最大分布范围数据和新疆高寒山区分区；（2）表格数据，包括：2022年研究区不同区域、大小、类型、高程尺度下冰湖的数量与面积统计。数据集存储为shp和xlsx格式。可为新疆冰湖灾害预警、冰湖灾害评价提供数据支持和有效依据。

新疆内的高寒山区是高亚洲地区的重要组成部分，该区域内拥有大量规模较小的冰湖，部分冰湖在短时间内迅速扩大，并可能导致溃决洪水事件的发生。因此，提高对这些小型冰湖的制图精度对于深入理解冰川冰湖灾害机理至关重要。本研究利用Sentinel-2时序数据和DUNet语义分割模型，结合目视解译和质量控制，开展了2022年新疆高寒山区冰湖最大水域范围(≥新疆高寒山hm2)的提取；并根据冰湖与冰川的关系，将冰湖分为冰川补给湖（包括：冰面湖、冰川接触湖和冰川不接触湖3个亚类）和非冰川补给湖2类，最终得到2022年新疆高寒山区冰湖数据集。本数据集中冰湖总绝对面积误差为12.12 km，平均相对误差为6.14%。本数据集包括：（1）空间数据，即2022年研究区冰湖最大分布范围数据和新疆高寒山区分区；（2）表格数据，包括：2022年研究区不同区域、大小、类型、高程尺度下冰湖的数量与面积统计。数据集存储为shp和xlsx格式。可为新疆冰湖灾害预警、冰湖灾害评价提供数据支持和有效依据。

新疆内的高寒山区是高亚洲地区的重要组成部分，该区域内拥有大量规模较小的冰湖，部分冰湖在短时间内迅速扩大，并可能导致溃决洪水事件的发生。因此，提高对这些小型冰湖的制图精度对于深入理解冰川冰湖灾害机理至关重要。本研究利用Sentinel-2时序数据和DUNet语义分割模型，结合目视解译和质量控制，开展了2022年新疆高寒山区冰湖最大水域范围(≥新疆高寒山hm2)的提取；并根据冰湖与冰川的关系，将冰湖分为冰川补给湖（包括：冰面湖、冰川接触湖和冰川不接触湖3个亚类）和非冰川补给湖2类，最终得到2022年新疆高寒山区冰湖数据集。本数据集中冰湖总绝对面积误差为12.12 km，平均相对误差为6.14%。本数据集包括：（1）空间数据，即2022年研究区冰湖最大分布范围数据和新疆高寒山区分区；（2）表格数据，包括：2022年研究区不同区域、大小、类型、高程尺度下冰湖的数量与面积统计。数据集存储为shp和xlsx格式。可为新疆冰湖灾害预警、冰湖灾害评价提供数据支持和有效依据。

Key messageIntegrating airborne laser scanning and satellite time series data across the forest rotation enhances decision-making in precision forestry. This review supports forest managers by illustrating practical applications of these remote sensing technologies at different stages of intensive forest plantation management-such as site assessment, monitoring, and silviculture-helping improve productivity, sustainability, and operational efficiency.ContextIntensively managed forest plantations depend on high-resolution, timely data to guide silviculture and promote sustainability.AimsThis review explores how airborne laser scanning (ALS) and satellite time series data support precision forestry across key stages, including site assessment, establishment, monitoring, inventory updates, growth tracking, silvicultural interventions, and harvest planning.ResultsThe review highlights several key applications. ALS-derived digital elevation models and canopy metrics improve site productivity estimation by capturing micro-topographic variables and soil formation factors. Combining ALS with multispectral data enhances monitoring of seedling survival and health, although distinguishing seedlings from non-living components remains a challenge. ALS-based Enhanced Forest Inventories provide spatially detailed forest metrics, while satellite time series and vegetation indices support continuous monitoring of growth and early detection of drought, fire, and pest stress. ALS individual tree detection models offer insights into competition, stand structure, and spatial variability, informing thinning and fertilization decisions by identifying trees under stress or with high growth potential. These models also help mitigate drought and wind damage by guiding density and canopy structure management. ALS terrain data further support harvest planning by optimizing machinery routes and reducing environmental impacts.ConclusionDespite progresses, challenges remain in refining predictive models, expanding remote sensing applications, and developing tools that translate complex data into field operations. A major barrier is the technical expertise needed to interpret spatial data and integrate remote sensing into workflows. Continued research is needed to improve accessibility and operational relevance. High-resolution data still offer strong potential for adaptive management and sustainability.

受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。

受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。