The nonlinear errors of Position Sensitive Detectors (PSD) will cause the less tracking accuracy of the laser trackers. To address the issue, in this paper we proposed a nonlinear compensation method, combining Sparrow Search Algorithm (SSA) with BP neural network. The SSA was employed to find optimal initial thresholds and weights of the BP neural network. An SSA-BP neural network model was created and tested using 443 sets of experimental data. The experimental results show that this method reduces the peak error of the BP neural network by over 7 times and lowers the average error by more than 2 times, significantly enhancing the measurement accuracy of the detector.

Land surface temperature (LST) is an important parameter for the study related to land-air coupled systems. Satellite-based passive microwave (PMW) sensor is a significant approach to retrieving LSTs, which can penetrate the atmosphere conditions. However, soil moisture is one of the variables affecting PMW brightness temperature, yet few existing methods have considered it into the procedure of retrieving LSTs. On this basis, we propose a retrieval algorithm for PMW-based LST that comprehensively considers soil moisture changes and land scenarios (RA-PLST-SM) to take the soil moisture into account. Additionally, two fusion strategies one of which fuses the landform and soil moisture, and the other further fusing with land cover are proposed to construct the land environment description. Besides, we also propose a fusion strategy to integrate the LSTs from the time interval-based models of month, quarter, and year. The mean RMSE referring to MODIS LSTs shows that RA-PLST-SM LSTs gain 3.13 K and 2.32 K at day/night time. Also, referring to advanced LST data product, RA-PLST-SM LSTs present a yearly mean STD of 4.12 K and 2.48 K at day/night time. Furthermore, the metric results according to 6 in-situ stations demonstrate that RA-PLST-SM LST is significantly enhancing the consistency of actual LSTs, obtaining mean RMSE of 4.42 K/3.48K at day/night time. Moreover, the LST fusion strategy proposed in this article can effectively improve the quality of results. The progress of this article can promote the research fields to acquire cloudy LSTs, and even provide the technique reference for PMW-based LST retrieval.

Unmanned aerial vehicle (UAV) image localization can be used in global navigation satellite system (GNSS)-denied environments for UAV self-navigation. This study proposes a fast localization method for UAV images in GNSS-denied environments based on image sequence relationships. First, the LightGlue network extracts features from adjacent UAV images and combines these features with the sequence relationship of the UAV images to perform feature matching within the overlapping range. After eliminating errors, the affine transformation matrix is calculated to realize adjacent image positioning of the UAV. Experiments conducted on multiple image datasets show that the proposed method successfully completes the rapid positioning of UAV images in GNSS-denied environments, with positioning errors less than 0.5 m, indicating potential for practical applications