随着定量遥感技术的飞速发展，其对地面“真值”数据的依赖日益增强。这些地面观测数据不仅作为遥感模型反演（如植被指数、叶面积指数、地表温度等）的验证基准，还作为遥感智能解译（如深度学习、机器学习模型）的训练样本与标签源，用以构建高精度的识别与反演模型。然而，将地面站点观测数据与遥感像元数据进行联合应用时，面临三个根本性的科学挑战：
    尺度不匹配与代表度误差问题：单点或小范围地面测量值难以代表整个像元的空间平均值，从而引入巨大的代表度误差。开展像元尺度上的代表性观测，是降低这种不确定性的关键。
    区域代表性不足问题：当前观测站点常受限于地形、可达性、电力等因素，多设置在条件便利、地表均一的区域，其观测值可能存在系统性偏差，缺乏区域典型性，导致训练出的模型或验证的产品在区域应用时出现精度下降。
    观测碎片化与参数孤立问题：传统的野外观测实践中，不同地表参量的观测设备往往独立布设在不同点位。导致观测成本高昂，数据不同步，多参数间缺乏关联性。
    因此，迫切需要发展一种能够同时兼顾像元尺度代表性和区域尺度典型性的多参数协同观测网络，而构建相应的站点优化选址方法是实现这一目标的关键基础。现有方法无法同时兼顾区域尺度插值最优和像元尺度代表度最高这两个不同且时常冲突的目标，且为单一参数设计的，无法在有限站点数量的严格约束下，实现多参数协同观测的整体最优，难以满足多参数遥感产品验证与模型训练的需求。本报告介绍一种创新的站点优化选址方法，能够突破现有技术的局限，为实现高效、精准、经济的多参数协同地面观测网络建设提供核心技术支撑。
 

多参数协同、高时空代表性、优化采样、区域尺度、像元尺度、真实性检验