衛(wèi)星看不清的灌木叢，無(wú)人機(jī)+激光雷達(dá)如何“一樹(shù)一檔”精準(zhǔn)算賬？

原文 發(fā)表于《科技導(dǎo)報(bào)》2026年第6期《多源無(wú)人機(jī)遙感協(xié)同的干旱半干旱區(qū)灌木地上生物量反演》

精準(zhǔn)量化灌木地上生物量（AGB），不僅是評(píng)估區(qū)域生態(tài)修復(fù)工程成效的核心指標(biāo)，也是實(shí)現(xiàn)荒漠生態(tài)系統(tǒng)數(shù)字化表征與空間認(rèn)知的重要基礎(chǔ)。《科技導(dǎo)報(bào)》邀請(qǐng)鄂爾多斯市國(guó)際荒漠化防治技術(shù)創(chuàng)新中心孫維娜高級(jí)工程師團(tuán)隊(duì)撰寫文章，提出一種融合無(wú)人機(jī)多光譜與激光雷達(dá)特征的干旱半干旱區(qū)灌木地上生物量協(xié)同反演方法，結(jié)合激光雷達(dá)三維結(jié)構(gòu)感知優(yōu)勢(shì)和多光譜紋理，構(gòu)建對(duì)象分割、特征篩選與協(xié)同反演的技術(shù)流程，實(shí)現(xiàn)了對(duì)沙蒿、沙柳等典型灌木對(duì)象的識(shí)別與生物量精準(zhǔn)核算。

灌木林作為干旱半干旱地區(qū)的主要植被類型，憑借其獨(dú)特的形態(tài)結(jié)構(gòu)與致密的根系網(wǎng)絡(luò)，在防風(fēng)固沙、水土保持及生物多樣性保護(hù)等方面發(fā)揮著不可替代的作用，具有重要的生態(tài)價(jià)值。當(dāng)前干旱區(qū)灌木生態(tài)資產(chǎn)的精細(xì)化監(jiān)測(cè)仍面臨嚴(yán)峻挑戰(zhàn)。在植被覆蓋度較低的干旱半干旱區(qū)，受土壤背景強(qiáng)反射與混合像元效應(yīng)干擾，單一數(shù)據(jù)源難以捕捉灌木個(gè)體的細(xì)微結(jié)構(gòu)差異。因此，亟需發(fā)展一種面向?qū)ο蟪叨取⒛軌蛴行蕹尘霸肼暤母呔華GB近地面遙感估算方法。

無(wú)人機(jī)（UAV）低空遙感技術(shù)為解決上述問(wèn)題提供了新路徑。無(wú)人機(jī)多光譜（UAV?MS）可提供高分辨率的光譜與紋理信息，但在處理“異物同譜”現(xiàn)象時(shí)識(shí)別能力不足。無(wú)人機(jī)激光雷達(dá)（UAV?LiDAR）則能穿透冠層，直接獲取植被的三維垂直結(jié)構(gòu)參數(shù)，但缺乏光譜語(yǔ)義信息，難以實(shí)現(xiàn)物種的精準(zhǔn)分類。因此，構(gòu)建融合結(jié)構(gòu)特征、光譜特征與紋理特征的多源協(xié)同框架，充分發(fā)揮不同模態(tài)數(shù)據(jù)的互補(bǔ)優(yōu)勢(shì)，是實(shí)現(xiàn)復(fù)雜環(huán)境下灌木生態(tài)資產(chǎn)精準(zhǔn)反演的有效途徑。

我們的研究提出一種融合無(wú)人機(jī)多光譜與激光雷達(dá)特征的灌木地上生物量協(xié)同反演方法，并以鄂爾多斯地區(qū)7種典型灌木為研究對(duì)象，基于高分辨率無(wú)人機(jī)多源遙感數(shù)據(jù)，構(gòu)建融合對(duì)象分割、特征篩選與協(xié)同反演的技術(shù)流程，實(shí)現(xiàn)了對(duì)干旱半干旱區(qū)復(fù)雜環(huán)境下灌木對(duì)象的精準(zhǔn)識(shí)別與地上生物量的高效估算。

1

干旱區(qū)灌木監(jiān)測(cè)要素

1.1 典型灌木分類體系

依據(jù)野外實(shí)地調(diào)查與物種形態(tài)結(jié)構(gòu)差異，我們的研究參考林草生態(tài)監(jiān)測(cè)標(biāo)準(zhǔn)，構(gòu)建了涵蓋7種典型優(yōu)勢(shì)灌木的監(jiān)測(cè)對(duì)象分類體系。

1）高大灌木類。以沙柳和沙棘為代表，具有株型高大、冠層規(guī)整和顯著的垂直結(jié)構(gòu)特征。

2）半灌木/球狀灌木類。以沙蒿、楊柴、小葉錦雞兒及梭梭為代表，多呈球狀或半球狀分布，冠層紋理細(xì)膩。

3）匍匐型灌木類。以沙地柏為代表，其形態(tài)特殊，冠層低矮致密且貼地生長(zhǎng)，呈不規(guī)則斑塊狀格局。

1.2 多源遙感協(xié)同監(jiān)測(cè)指標(biāo)體系

針對(duì)干旱區(qū)灌木群落“異物同譜”及結(jié)構(gòu)復(fù)雜的特點(diǎn)，我們?nèi)诤蟄AV?MS與UAV?LiDAR的感知優(yōu)勢(shì)，構(gòu)建了融合結(jié)構(gòu)特征、光譜特征與紋理特征的灌木生態(tài)資產(chǎn)監(jiān)測(cè)指標(biāo)體系（表1）。

表1 研究區(qū)灌木遙感監(jiān)測(cè)指標(biāo)體系

在多光譜感知層面，充分利用傳感器獲取的藍(lán)、綠、紅、紅邊及近紅外5個(gè)特征波段作為物理基礎(chǔ)。其中，構(gòu)建植被指數(shù)，以克服傳統(tǒng)寬波段指數(shù)在干旱區(qū)稀疏植被監(jiān)測(cè)中的背景噪聲干擾與信號(hào)飽和問(wèn)題；同時(shí)，基于多波段主成分變換提取冠層紋理細(xì)節(jié)，以彌補(bǔ)單純光譜信息在物種識(shí)別中的局限性。結(jié)合激光雷達(dá)的三維結(jié)構(gòu)探測(cè)能力，形成從體積、冠層結(jié)構(gòu)特征、綠度和紋理等方面表征灌木個(gè)體特征的指標(biāo)體系。

2

多源協(xié)同反演算法

2.1 “圖譜?結(jié)構(gòu)”多維特征空間構(gòu)建

2.2.1光譜與植被指數(shù)

植被指數(shù)通過(guò)波段間的代數(shù)運(yùn)算，能夠增強(qiáng)植被信號(hào)并抑制土壤背景噪聲，是表征植被生產(chǎn)力與生物量積累的重要指標(biāo)。我們選取了對(duì)葉綠素含量及冠層結(jié)構(gòu)敏感的5種典型植被指數(shù)參與分析，包括歸一化差異植被指數(shù)（NDVI）、歸一化差異紅邊植被指數(shù)（NDRE）、綠色歸一化差異植被指數(shù)（GNDVI）、優(yōu)化土壤調(diào)節(jié)植被指數(shù)（OSAVI）、葉面葉綠素指數(shù)（LCI），各指數(shù)的表達(dá)式為

式中，BNIR 表示近紅外波段的反射率，BRed 表示紅光波段的反射率，BRedEdge 表示紅邊波段的反射率，BGreen 表示綠光波段的反射率。

2.1.2基于GLCM的紋理特征提取

為表征高分辨率影像的空間異質(zhì)性，在對(duì)多光譜波段與植被指數(shù)進(jìn)行主成分分析后，選取第一主成分（方差貢獻(xiàn)率>0.89）計(jì)算GLCM紋理特征。最終選取10個(gè)常用統(tǒng)計(jì)量作為紋理特征變量（表2）。

表2 基于灰度共生矩陣的紋理特征

2.1.3 幾何/三維結(jié)構(gòu)特征

對(duì)歸一化后的點(diǎn)云數(shù)據(jù)進(jìn)行對(duì)象尺度的特征統(tǒng)計(jì)，提取能夠反映灌木垂直結(jié)構(gòu)與體積特征的關(guān)鍵變量（表3）。

表3 灌木垂直結(jié)構(gòu)與體積特征變量表

2.2 特征優(yōu)選與協(xié)同建模策略

2.2.1基于RF?RFECV的特征優(yōu)選

為解決多源數(shù)據(jù)引入的高維特征冗余及多重共線性問(wèn)題，我們采用基于隨機(jī)森林的遞歸特征消除與交叉驗(yàn)證（RF?RFECV）方法，利用隨機(jī)森林處理非線性關(guān)系的優(yōu)勢(shì)，在保證模型精度的同時(shí)，顯著降低模型復(fù)雜度。

2.2.2 模型構(gòu)建與參數(shù)設(shè)定

選取3種代表性的機(jī)器學(xué)習(xí)回歸算法進(jìn)行AGB反演建模。

1）隨機(jī)森林（RF）。一種基于Bagging策略的集成算法，具有較強(qiáng)的抗噪性和泛化能力。

2）支持向量回歸（SVR）。適合小樣本的高維回歸問(wèn)題。

3）極端梯度提升（XGBoost）。在模型結(jié)構(gòu)中引入正則化項(xiàng)，優(yōu)化損失函數(shù)與特征拆分策略、并行處理等措施提高訓(xùn)練效率。

所有模型均基于Python Scikit?learn與XGBoost庫(kù)實(shí)現(xiàn)。樣本集按照7∶3的比例隨機(jī)劃分為訓(xùn)練集與獨(dú)立測(cè)試集。

2.3 精度評(píng)價(jià)與驗(yàn)證

采用決定系數(shù)（R2）和均方根誤差（RMSE）2個(gè)指標(biāo)對(duì)模型性能進(jìn)行綜合評(píng)價(jià)。計(jì)算公式如下：

3

實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)區(qū)

鄂爾多斯（37°35′N~40°51′N，106°42′E~111°27′E）位于內(nèi)蒙古自治區(qū)西南部，地處中國(guó)北方農(nóng)牧交錯(cuò)帶與干旱半干旱氣候過(guò)渡區(qū)，是黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展的關(guān)鍵區(qū)域，也是構(gòu)筑北方生態(tài)安全屏障的重要組成區(qū)域。遵循地貌類型與植被群落相結(jié)合的采樣原則，在烏審旗、鄂托克旗等5個(gè)旗縣內(nèi)選取9個(gè)典型樣區(qū)（圖1）。樣區(qū)涵蓋了流動(dòng)沙地、半固定沙丘、丘陵及硬梁地等主要生境類型，確保了樣本在物種組成、覆蓋度及立地條件等方面的多樣性與代表性。

圖1 研究區(qū)概況

3.2 多源遙感數(shù)據(jù)獲取與數(shù)字化預(yù)處理

數(shù)據(jù)采集工作于2023年7月植被生長(zhǎng)旺季開(kāi)展，采用無(wú)人機(jī)低空遙感與地面樣地調(diào)查結(jié)合的同步觀測(cè)方式，以最大限度減少時(shí)相差異帶來(lái)的不確定性。

1）無(wú)人機(jī)多光譜影像。采用大疆Phantom 4 Multispectral平臺(tái)。傳感器集成1個(gè)可見(jiàn)光波段與5個(gè)窄波段（藍(lán)、綠、紅、紅邊、近紅外）相機(jī)。利用DJI Terra軟件進(jìn)行輻射校正與正射鑲嵌處理，生成數(shù)字正射影像圖（DOM），并據(jù)此計(jì)算植被指數(shù)，以增強(qiáng)對(duì)灌木葉綠素含量及生長(zhǎng)狀況的表征能力。

2）無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)。規(guī)采用D2000s多旋翼飛行平臺(tái)搭載D?LiDAR 2200激光雷達(dá)模塊進(jìn)行采集，主要技術(shù)指標(biāo)見(jiàn)表4。原始點(diǎn)云數(shù)據(jù)經(jīng)軌跡解算、航帶平差與去噪處理后，利用漸進(jìn)加密三角網(wǎng)（TIN）算法分離地面點(diǎn)與非地面點(diǎn)。基于分類后的點(diǎn)云構(gòu)建數(shù)字高程模型（DEM）與數(shù)字表面模型（DSM），通過(guò)差值運(yùn)算（CHM = DSM?DEM）生成冠層高度模型（CHM）。

表4 激光雷達(dá)模塊參數(shù)

3）地面樣地調(diào)查數(shù)據(jù)。在無(wú)人機(jī)作業(yè)覆蓋范圍內(nèi)，同步開(kāi)展地面樣地調(diào)查。在每個(gè)樣區(qū)內(nèi)按“中心+四角”模式布設(shè)5個(gè)10 m×10 m 的標(biāo)準(zhǔn)樣方，利用實(shí)時(shí)動(dòng)態(tài)差分定位技術(shù)（RTK）記錄樣方中心及角點(diǎn)的高精度坐標(biāo)（水平誤差<±1 cm），并詳細(xì)記錄海拔、坡度、覆蓋度及主要伴生草本信息。

為獲取灌木生物量真值，采用全收獲法進(jìn)行野外實(shí)測(cè)，共采集7種典型優(yōu)勢(shì)灌木樣本486株，對(duì)每株樣本進(jìn)行人工收割，隨后抽取部分樣品帶回實(shí)驗(yàn)室，最后，基于ArcGIS平臺(tái)將實(shí)測(cè)樣木的形態(tài)參數(shù)（株高、冠幅等）、生物量數(shù)據(jù)與高精度地理坐標(biāo)進(jìn)行空間匹配，構(gòu)建地面樣木空間屬性數(shù)據(jù)庫(kù)。

3.3 典型灌木數(shù)字化提取結(jié)果

3.3.1灌木對(duì)象自動(dòng)化識(shí)別與提取結(jié)果

基于構(gòu)建的對(duì)象級(jí)多維特征集，利用隨機(jī)森林算法對(duì)研究區(qū)486個(gè)灌木對(duì)象進(jìn)行分類識(shí)別，結(jié)果如圖2所示。混淆矩陣統(tǒng)計(jì)結(jié)果（表5）表明該方法在復(fù)雜荒漠背景下取得了較好的識(shí)別效果，為后續(xù)分物種地上生物量反演模型的構(gòu)建提供了可靠的數(shù)據(jù)基礎(chǔ)。

圖2 典型灌木分類結(jié)果

表5 典型灌木分類混淆矩陣

從物種層面看，小葉錦雞兒的識(shí)別精度最高，這主要?dú)w因于其獨(dú)特的冠層紋理結(jié)構(gòu)與光譜特征，易于與其他物種區(qū)分。相比之下，楊柴的分類精度相對(duì)較低，主要表現(xiàn)為與沙蒿、小葉錦雞兒的混淆。究其原因，一方面在于楊柴與沙蒿在生長(zhǎng)季具有相似的光譜反射特性；另一方面，在植被覆蓋度較低的區(qū)域，裸土背景的強(qiáng)反射干擾了冠層邊緣的像元信號(hào)，導(dǎo)致分類器對(duì)形態(tài)相近的灌木產(chǎn)生誤判。

3.3.2多維特征優(yōu)選與重要性分析

綜合光譜、植被指數(shù)、紋理及點(diǎn)云結(jié)構(gòu)特征，共提取58個(gè)候選變量，采用RF?RFECV特征優(yōu)選策略，篩選出各物種對(duì)應(yīng)的最優(yōu)特征子集（圖3、圖4）。結(jié)果表明，不同灌木物種對(duì)特征維度的依賴程度存在顯著差異：沙柳的模型復(fù)雜度最高（需37個(gè)特征），而小葉錦雞兒的模型最為精簡(jiǎn)（僅需25個(gè)特征）。

圖3 特征重要性排序

圖4 回歸模型特征維數(shù)與驗(yàn)證精度關(guān)系

3.3.3AGB反演精度驗(yàn)證與泛化性評(píng)估

基于優(yōu)選特征子集，對(duì)比分析 XGBoost、RF與SVR這3種機(jī)器學(xué)習(xí)模型在7種典型灌木AGB反演中的性能（表6）。總體而言，XGBoost模型在所有物種中均表現(xiàn)出最優(yōu)的擬合精度與泛化穩(wěn)定性。這一優(yōu)勢(shì)主要?dú)w因于XGBoost引入的正則化項(xiàng)有效抑制了過(guò)擬合現(xiàn)象，且對(duì)非線性特征關(guān)系具有更強(qiáng)的捕捉能力。RF模型次之，而SVR在處理高維特征時(shí)的泛化能力相對(duì)較弱，反演精度最低。

不同灌木物種的AGB反演精度呈現(xiàn)顯著分異，其中沙柳與沙棘的估算效果最佳。這2種灌木株型高大、冠層規(guī)整，點(diǎn)云數(shù)據(jù)能高質(zhì)量地重構(gòu)其三維形態(tài)特征。小葉錦雞兒、沙蒿、楊柴與梭梭模型表現(xiàn)穩(wěn)健，能夠滿足區(qū)域尺度生態(tài)監(jiān)測(cè)的實(shí)際需求。沙地柏的估算難度最大。這主要是由于沙地柏屬于匍匐型灌木，冠層低矮且呈致密貼地生長(zhǎng)態(tài)勢(shì)，導(dǎo)致激光雷達(dá)點(diǎn)云在地面點(diǎn)與植被點(diǎn)分離時(shí)易產(chǎn)生誤差，進(jìn)而影響株高及冠層體積等關(guān)鍵參數(shù)的提取精度。

基于性能最優(yōu)的XGBoost模型，生成了灌木AGB空間分布圖（圖5）。結(jié)果表明，該方法能夠精細(xì)刻畫不同生境下灌木生物量的空間異質(zhì)性特征，為鄂爾多斯地區(qū)生態(tài)系統(tǒng)碳儲(chǔ)量的精準(zhǔn)核算與動(dòng)態(tài)監(jiān)測(cè)提供了高精度的基礎(chǔ)數(shù)據(jù)支撐。

圖5 典型灌木地上生物量結(jié)果

4

4.1 多源特征對(duì)灌木生物量反演的協(xié)同表征機(jī)制

研究證實(shí)，在個(gè)體尺度灌木AGB反演中，激光雷達(dá)提供的三維結(jié)構(gòu)特征貢獻(xiàn)度顯著高于光譜及紋理特征，這一發(fā)現(xiàn)與Xie等在干旱區(qū)的研究結(jié)論一致。相比之下，光譜指數(shù)NDRE、LCI雖然對(duì)葉綠素含量敏感，但在荒漠灌叢中，受“綠度”飽和效應(yīng)及非光合作用組織（枯枝、樹(shù)干）比例較高的影響，其對(duì)總生物量的解釋力相對(duì)有限。

然而，本研究同時(shí)發(fā)現(xiàn)，在沙柳等葉面積指數(shù)較高的物種中，紅邊指數(shù)與紋理特征仍可作為關(guān)鍵補(bǔ)充變量，修正單純依靠幾何體積進(jìn)行估算時(shí)產(chǎn)生的偏差，充分體現(xiàn)了“結(jié)構(gòu)為主、圖譜為輔”的多源協(xié)同反演優(yōu)勢(shì)。

4.2 誤差傳遞與不確定性來(lái)源解析

盡管XGBoost模型整體反演精度較高，但不同物種間的估算效果仍存在顯著分異，其誤差主要源于以下2個(gè)環(huán)節(jié)的級(jí)聯(lián)效應(yīng)。

1）分類誤差的傳播。楊柴與沙蒿在生長(zhǎng)季存在顯著的“異物同譜”現(xiàn)象，且兩者株型尺度相近，導(dǎo)致分類混淆。這種誤分類將導(dǎo)致錯(cuò)誤的異速生長(zhǎng)關(guān)系被引入AGB估算，是制約楊柴反演精度的主要因素。

2）點(diǎn)云結(jié)構(gòu)提取的局限性。沙地柏在所有模型中反演精度均最低。這一結(jié)果主要?dú)w因于其特殊的“匍匐?貼地”生長(zhǎng)形態(tài)：一方面，低矮致密的冠層使得激光雷達(dá)難以準(zhǔn)確分離地面點(diǎn)與植被點(diǎn)；另一方面，沙地柏樣本量相對(duì)較少（35株），泛化能力受到小樣本效果的顯著制約。

4.3 方法適用性與未來(lái)優(yōu)化方向

我們提出的對(duì)象分割、特征篩選與協(xié)同反演方法，有效解決了傳統(tǒng)衛(wèi)星遙感在離散灌叢監(jiān)測(cè)中面臨的混合像元問(wèn)題。該方法無(wú)需依賴大量地面破壞性采樣，僅基于無(wú)人機(jī)低空遙感數(shù)據(jù)即可實(shí)現(xiàn)區(qū)域尺度灌木碳儲(chǔ)量的高效估算，具有較高的工程化應(yīng)用價(jià)值。

針對(duì)當(dāng)前研究存在的局限，未來(lái)工作可聚焦于以下3個(gè)方面：一是增強(qiáng)時(shí)相維度信息，利用物種間物候差異特征解決楊柴與沙蒿的光譜混淆問(wèn)題；二是優(yōu)化小樣本建模策略，探索遷移學(xué)習(xí)或小樣本生成技術(shù)（GAN）以提升模型的魯棒性；三是深化機(jī)理模型融合，以提升模型在復(fù)雜生境下的物理可解釋性與外推能力。

5

結(jié)論

我們針對(duì)干旱半干旱區(qū)典型灌木生態(tài)資產(chǎn)監(jiān)測(cè)需求，構(gòu)建了融合無(wú)人機(jī)多光譜與激光雷達(dá)特征的對(duì)象分割、特征篩選與協(xié)同反演的技術(shù)方法，主要結(jié)論如下。

1）構(gòu)建了高精度的灌木對(duì)象數(shù)字化識(shí)別體系。針對(duì)荒漠背景下“異物同譜”的分類難題，提出的多源協(xié)同分類方法在地形破碎、植被覆蓋度低的荒漠生境中表現(xiàn)出良好的魯棒性，實(shí)現(xiàn)了對(duì)沙蒿、沙柳等7種典型灌木對(duì)象的精準(zhǔn)識(shí)別，能夠有效抑制“異物同譜”現(xiàn)象及背景噪聲干擾，為區(qū)域尺度灌木精細(xì)化管理與碳儲(chǔ)量估算提供了可靠的數(shù)據(jù)支撐。

2）揭示了三維結(jié)構(gòu)特征在灌木生物量反演中的主導(dǎo)機(jī)制。UAV?LiDAR提取的高度分位數(shù)與冠層參數(shù)是生物量估算的核心解釋變量，而UAV?MS的光譜紋理特征在沙柳等葉面積指數(shù)較高的物種中起到了重要的補(bǔ)充作用，驗(yàn)證了融合三維結(jié)構(gòu)特征、光譜特征與紋理特征的多源協(xié)同反演優(yōu)勢(shì)。

3）明確了XGBoost模型在小樣本、高維特征條件下的反演優(yōu)勢(shì)。在3種機(jī)器學(xué)習(xí)模型對(duì)比中，XGBoost綜合性能最優(yōu)，顯著優(yōu)于RF與SVR模型。研究所構(gòu)建的方法體系具有較強(qiáng)的泛化能力，能夠滿足干旱區(qū)主要灌木類型生態(tài)監(jiān)測(cè)的實(shí)際需求。

本文作者：王亞欣、吳家敏、賀振平、李澤江、郭躍、孫維娜、馬志杰、由海霞、呂文

作者簡(jiǎn)介：王亞欣，中國(guó)林業(yè)科學(xué)研究院資源信息研究所、林草遙感與監(jiān)測(cè)評(píng)估國(guó)家林業(yè)和草原局重點(diǎn)實(shí)驗(yàn)室，副研究員，研究方向?yàn)椴菰突哪b感；孫維娜（通信作者），鄂爾多斯市國(guó)際荒漠化防治技術(shù)創(chuàng)新中心，高級(jí)工程師，研究方向?yàn)榛哪乐巍?/strong>

文章來(lái) 源 ： 王亞欣, 吳家敏, 賀振平, 等. 多源無(wú)人機(jī)遙感協(xié)同的干旱半干旱區(qū)灌木地上生物量反演[J]. 科技導(dǎo)報(bào), 2026, 44(6): 57?67.

本文有刪改，

內(nèi)容為【科技導(dǎo)報(bào)】公眾號(hào)原創(chuàng)，歡迎轉(zhuǎn)載
白名單回復(fù)后臺(tái)「轉(zhuǎn)載」

《科技導(dǎo)報(bào)》創(chuàng)刊于1980年，中國(guó)科協(xié)學(xué)術(shù)會(huì)刊，主要刊登科學(xué)前沿和技術(shù)熱點(diǎn)領(lǐng)域突破性的研究成果、權(quán)威性的科學(xué)評(píng)論、引領(lǐng)性的高端綜述，發(fā)表促進(jìn)經(jīng)濟(jì)社會(huì)發(fā)展、完善科技管理、優(yōu)化科研環(huán)境、培育科學(xué)文化、促進(jìn)科技創(chuàng)新和科技成果轉(zhuǎn)化的決策咨詢建議。常設(shè)欄目有院士卷首語(yǔ)、科技新聞、科技評(píng)論、本刊專稿、特色專題、研究論文、政策建議、科技人文等。