遙感演算法研究
❶ 遙感信息尺度問題研究
遙感技術被廣泛用於地理學、生態學、水文學以及氣候氣象等諸多學科的研究。在這些學科中，遙感數據是最重要的數據源之一。許多傳統的通過點位觀測的變數，現在都通過遙感觀測，由於其多波段、大范圍、周期性觀測的特點，通過遙感觀測能夠解決在常規觀測下不能解決的問題。遙感已經成為許多研究和應用中不可缺少的信息源。因為遙感也是對地表各種變數分布的一種特殊觀測方式，而如前文所述，不同尺度上的觀測可能會得出不同結論，因此應用遙感數據進行研究也存在尺度問題。遙感中的尺度問題早已成為遙感基礎研究中的熱點問題。早在20世紀80年代初期，許多科學家就開始關注遙感數據空間解析度的遙感數據提取信息的精度問題。例如，Latty and Hoffer（1981），Welch（1982），Bizzell and Prior（1983），Toll（1983），Johnson and Howarth（1987）分別研究了遙感數據空間解析度對土地覆被分類精度的影響。1987年，Woodcock and Strahler發表的「遙感中的尺度因子」一文，成為研究遙感中尺度問題的經典文獻。
與遙感的應用領域中（地理學，生態學等）尺度的定義相對應，遙感中所講的尺度也有兩方面意義：一是指遙感的空間解析度（Woodcock and Strahler，1987），它對應於生態學中的粒徑（grain），或Lam（1992）所定義的測量尺度，其實質是空間采樣單元的大小；另一個意義是遙感研究的地表空間范圍，對應於生態學中尺度定義中的范圍（extent），或Lam（1992）所定義的地理尺度。如「利用遙感進行區域尺度和全球尺度的土地利用、覆被變化監測」這句話中，尺度就指研究區域的空間范圍。在本文的討論中，除非特別說明，遙感尺度的概念一般指遙感的空間解析度。
許多遙感應用問題都涉及遙感的尺度問題。在遙感信息提取過程中，從不同尺度遙感數據提取的信息可能具有不同的精度，或者不同尺度遙感數據中提取的信息反映不同的地表特性的空間分布結構。例如，對於土地利用分類，用不同解析度的遙感數據分類的精度會有很大差別。在這種情況下，我們總是希望了解所關心的信息如何隨著遙感數據空間尺度的變化而變化，並且希望了解在什麼尺度下，從遙感數據中提取的信息的精度最高，或什麼樣尺度的遙感信息能真實反映我們所關心的地表特性的空間分布特性。遙感中的尺度問題主要體現在三個方面：①從遙感中獲取的地表特性以及遙感信息模型如何隨遙感尺度的變化而變化，即遙感信息和遙感模型的尺度效應問題；②對於特定的應用，如何選取合適空間解析度的遙感數據；③如何將遙感信息從一個尺度轉換到另一個尺度?
1.遙感信息與遙感模型的尺度效應研究
對於遙感信息的尺度效應問題已經有許多研究。Woodcock and Strahler（1987）研究了遙感中尺度因子與遙感分類精度的關系後指出，遙感分類精度受遙感圖像空間解析度與圖像景的目標大小之間的相對關系決定。Marceau（1992，1994a，1994b）認為，遙感信息的尺度效應問題是可變面元問題（MAUP）的一個特例。MAUP問題源於將研究區劃分為多個互不重疊的子區以進行空間分析時，可以有不同的劃分方式，而不同的劃分方式可能導致不同的分析結果，其實質是提出了分析結果對數據獲取單元定義的靈敏性（Marceau，1999）。Jelinski and Wu（1996）指出，在遙感中，可變面元就是遙感圖像的像元，當用不同的感測器或像元被集聚時，面元就被改變了，因此，這種集聚過程可能引入很大誤差。Marceau（1994a）通過研究遙感數據空間解析度對森林分類精度的影響來證實遙感信息的MAUP問題。她的研究結果表明，單個類別的分類精度受到尺度和集聚水平變化的顯著影響。遙感數據並不獨立於其獲取時采樣柵格大小，忽略遙感數據的尺度效應可能導致與景的地理實體不相對應的結果。Arbia等（1996）用模擬的方法研究了MAUP對遙感圖像最大似然分類精度的影響，其結論顯示遙感圖像的最大似然分類誤差隨解析度降低而增加，但其增加幅度受到像元間空間依賴的影響；分類誤差的空間分布受解析度降低的影響主要在類別的邊緣部分。Benson and MacKenzie（1995）檢驗了當遙感數據空間解析度從20 m增加到1.1 km時，所獲得的描述景觀結構的景觀參數的變化。結果表明大部分的景觀參數都對空間解析度的變化反應明顯，有些增大了，而有些減小了。O'Neill等（1996）用AVHRR遙感數據計算景觀指數，結果發現當景觀結構要素分散分布並小於像元大小時，許多組成景觀的重要的斑塊消失了。Moody and Woodcock（1994，1995）利用多元回歸分析，評價當土地覆被數據被逐漸尺度轉換到粗解析度時，景觀的空間結構與土地覆被類型面積百分比的估計誤差之間的關系，其結果顯示百分比的估計誤差主要受景觀的空間特徵和聚集尺度間的相互作用決定。他們強調，標準的線性回歸模型沒有考慮估計的百分比的誤差在不同方向的尺度依賴；理解景觀的空間特徵和解析度之間的關系，對發展合適的尺度轉換方法是必要的。He等（2002）研究了空間集聚方法對衛星遙感圖像分類結果的影響。他們檢驗了基於隨機規則的集聚方法對土地覆被類型的豐度和景觀結構的影響，並與基於眾數的集聚方法進行了對比。Niemann等（1997）通過Wald-Wolfowitz檢驗等方法，從更一般的意義上探討了遙感尺度對遙感圖像信息內容的影響。Narayanan 等（2002）根據圖像分類精度，研究了空間解析度對遙感圖像信息內容的影響。他們根據目標和背景的對比度以及目標和像元大小之間的相對關系，提出了一個關於遙感圖像信息內容的指數模型。對TM圖像和SIR-C圖像之間信息內容的對比顯示，在像元較小時，TM圖像的信息內容多於SIR-C圖像；而當像元較大時，SIR-C圖像的信息內容則多於TM圖像。不同結果的轉換尺度發生在圖像像元大小為720 m時。
Van Der Meer 等（2001）通過模擬不同解析度的MERIS數據研究了從遙感數據中估計的各種植被指數和地面生物量隨空間尺度的變化。Bian and Walsh（1993）檢驗了植被生物量與地形因子之間的關系隨空間尺度變化的響應。他們通過回歸分析探索變數之間的關系，用半方差和分形分析來描述空間尺度與空間依賴程度的有效范圍。結果發現植被生物量與地形因子之間的關系隨空間尺度的變化而變化，並且確定了一個特徵尺度（characteristic scale）。當小於特徵尺度時，變數是空間依賴的；而當大於特徵尺度時，變數的空間依賴程度減小或變得獨立。Walsh 等（1997）通過進一步的研究，檢驗了NDVI，土地覆被類型和高程之間關系的尺度依賴性。他們發現隨著尺度的變化，決定NDVI變化的主導因子也不同。在較細的解析度上（30～210 m），NDVI的變化主要受坡角以及太陽輻射的影響，說明了局部尺度的地形走向對植被生產力的重要性；當解析度變粗時，高程成為描述NDVI和區域尺度植被生產力的主要因子。Wu等（1997）研究了景觀統計特徵隨空間尺度的變化，他們發現不同采樣大小的景觀指數與TM波段和植被指數的關系受采樣大小變化的影響。隨著采樣的增大，自變數和因變數之間的相關系數和統計顯著性也隨著增大；ANOVA分析的結果表明TM波段和植被指數在相關關系中的重要性也隨著采樣大小而變化。Friedl 等（1995）綜合地面景的模型，大氣模型和感測器模型模擬不同空間解析度的圖像，以檢驗葉面積指數、主動輻射光合作用吸收分量（fraction of absorbed photosynthetically active radiation，FPAR）和歸一化植被指數之間關系的影響，結果顯示NDVI是尺度不變的（scale invariant），LAI和FPAR之間的關系隨尺度呈非線性變化，而LAI和NDVI之間的關系呈近似線性。
除了遙感信息的尺度效應，在不同的領域遙感信息模型的尺度效應也得到研究。例如，Turner 等（1996）研究了空間分布的生物化學模型（Forest-BGC）的結果隨空間尺度的變化。McNulty 等（1997）在立地、生態系統和區域三個尺度上檢驗了空間尺度對森林過程模型的影響，發現模型對生態系統變數預測的精度隨測量尺度而變化。Friedl（1997）研究了遙感數據的尺度效應以及尺度效應在以這些數據為輸入的生物物理模型中的傳播。其結果顯示，尺度變化對模擬的地表通量帶來顯著偏差。李小文等從物理學原理、定律在遙感像元尺度上的適用性出發，探討了各種物理定律的尺度效應。如Albert，Strahler and Li（1990）探討了Beer定律的尺度效應。Beer定律認為光在均勻介質中的傳播按負指數規律衰減。但在植被遙感中，當遙感解析度與葉片之間空隙大小相當或更小時，光線要麼穿過空隙，要麼被葉子截獲，這時必須用二項式分布或其他方法描述光的衰減。當解析度大於植株，而植株間存在明顯空隙時，Beer定律必須進行向上的尺度糾正。Li and Wan（1999）探討了Helmholtz互易原理的尺度效應。Helmholtz互易原理要求「源處」一對相互垂直的極化平面及其交線與測量處一對相應的垂直的極化平面及其交線位置互換。Li and Wan（1999）證明即使像元內處處滿足Helmholtz互易原理，若空間均勻的入照由於像元內的多次散射形成空間不均一的反射，則互易原理在像元尺度上失效。類似地，李小文等（1999a，1999b）探討了Planck定律的尺度效應問題，認為即使像元內處處為黑體表面，處處滿足Planck定律，像元作為一個整體也可能不滿足Planck定律。Hu Zhenglin 等（1997）致力於建立尺度不變（Scale Invariant）的遙感演算法。他們給出了一種分析和設計尺度不變遙感演算法的框架，以檢驗遙感演算法的集聚和分解特性，提供了一種參數化地表異質性的系統方法。
2.遙感應用中合適空間解析度的選取問題研究
由於遙感信息普遍存在尺度效應，因此，對於特定的應用目標，我們總是希望找到一個合適解析度的遙感信息來反映特定尺度上研究目標的空間分布結構等特性。合適空間解析度（appropriate spatial resolution）有時被稱為最優解析度。最優解析度被定義為對應於所研究的地理實體的尺度或集聚水平特徵的空間采樣單元（Marceau et al.，1999b）。其實在地理學中研究MAUP問題時，就存在選取最優面元大小的問題。Openshaw（1977，1978，1984）將選取面元作為空間分析的組成部分之一。他首先假設對給定模型或分析方法的期望結果，然後將面元逐漸集聚直到得到期望的結果。這種思路為作為MAUP特例的遙感信息尺度問題中最優解析度的選取奠定了理論基礎。Marceau等（1994b）將類似的方法用於溫帶森林環境中針葉林類型判別時遙感數據最優解析度的確定，其方法是首先定義所研究的地理實體，然後確定選取采樣系統的優化標准，將數據從細的采樣格網逐步進行空間集聚，用優化標准檢驗空間集聚的數據，選取最優的解析度，最後根據研究目標，驗證結果的合理性。在她的研究中，以各森林類別的類內方差作為選取最優解析度的標准。當類內方差最小時的空間解析度被認為最好地反映各森林類別的本質特徵。其結果顯示，對每一森林類別，都存在一個最小的類內方差，即存在最優解析度。
Woodcock and Strahler（1987）提出了一種用遙感圖像平均局部方差（local variance）確定最優解析度的方法。首先，計算不同解析度圖像的平均局部方差，然後比較平均局部方差隨空間解析度的變化，當局部方差達到最大時的解析度被認為是最優的空間解析度。此方法的基本前提之一是假設遙感圖像中的景是由離散的互不重疊的目標（object）鑲嵌而成。當圖像空間解析度小於景的目標時，相鄰像元之間屬於同一個目標而具有空間依賴；當像元大小等於景的目標時，相鄰像元屬於不同的景的對象，因此它們之間空間依賴程度最弱，因此局部方差最大；當像元進一步增大時，像元內都含有不同的目標，相鄰像元之間的空間依賴程度又開始增強，局部方差開始減小。Hyppanen（1996）將此方法用於森林景觀研究中最優空間解析度的確定。局部方差方法的局限性之一是將圖像從細解析度逐步擴展到粗解析度，並計算各解析度的平均局部方差時存在的邊界效應影響計算的局部方差的值。
空間統計學，特別是地統計學（Geostatistics）被逐步用於最優解析度的選取問題。Atkinson等（1997）通過計算不同解析度的圖像的變異函數（variogram）來確定最優解析度。該方法首先計算最小解析度圖像的實驗變異（experimental variogram）函數，並用理論變異函數模型擬合，然後通過去正則化（de-regularization）處理過程，從一定大小像元上的實驗變異函數得到點的變異函數（punctual variogram），再通過正則化（regularization）過程從點的變異函數得到任意尺度上的變異函數。這時以空間解析度為橫坐標，以不同解析度情況下一個像元步長時的半方差為縱坐標畫圖，當半方差達到最大時對應的空間解析度即為最優空間解析度。基於類似的計算過程，Wang Guangxing等（2001）以不同解析度變異函數的塊金方差（nugget variance）和基台方差（sill variance）的比作為確定最優解析度的指標。隨著像元增大，當塊金方差和基台方差的比變得穩定時，意味著測量誤差的方差相對與結構方差達到最小，此時的圖像解析度被認為是最優的空間解析度。
必須注意到，最優解析度的選擇是隨所研究的問題而變化的。對研究某一變數時最優的解析度對另一個變數可能不是最優的。不同的變數可能具有不同的空間特徵，因此在涉及多個變數的地理模型中，很難確定惟一的最優解析度。但是，每一個地理實體都具有其固有的空間特性，通過確定最優解析度可以確定一個觀測或測量地理實體的合適的尺度范圍。
3.遙感信息尺度轉換方法研究
遙感信息尺度轉換方法是遙感尺度問題研究中的難點。在遙感信息分析和應用中，常常需要將遙感信息在不同尺度之間轉換。例如，在用多源遙感信息進行專題分類時，常常需要不同類型的遙感數據（如多光譜數據和合成孔徑雷達數據）共同參與分類以提高分類精度。不同類型的遙感數據一般具有不同的空間解析度，這時就需要將遙感數據轉換為統一的解析度。再如，在地學、氣候學、水文學或生態學等學科中，許多模擬或預測模型需要遙感數據提供模型的輸入信息。對於不同的研究范圍，這些模型的輸入和輸出要求有不同的空間解析度。這時就需要將遙感信息從原始解析度轉換到模型要求的解析度。也有一些情況下需要比較從不同類型的遙感數據中提取的信息。由於不同類型的遙感數據具有不同的解析度，要求將這些信息轉換到相同的空間解析度。還有一些情況下，為了驗證從遙感數據中提取的信息，需要在地面點的觀測信息和遙感信息之間進行尺度轉換。例如，柏延臣等（2001）在用地面點的觀測值驗證從SSM/I中反演的青藏高原雪深時就注意到不同尺度的信息之間比較帶來的問題；Sanderson等（1998）用普通克里格空間插值方法將野外測量的植冠水分含量向上尺度擴展到遙感解析度的尺度，以驗證從遙感數據中估計的植冠水分含量。
遙感信息的尺度轉換包括向上尺度轉換（upscaling）和向下尺度轉換（downscaling）。向上尺度轉換是將高解析度的遙感信息轉換為低解析度的過程；反之，向下尺度轉換是將低解析度的信息轉換為高解析度的過程。有時，也將向上尺度轉換稱為尺度擴展，而將向下尺度轉換成為尺度收縮。在大部分情況下，都是將遙感數據進行向上尺度轉換。理想的向上尺度轉換方法應該是將高解析度信息轉換到低解析度上時能夠保持高解析度數據中的內在信息（inherent information）（Hay and Niemman et al.，1997）。
遙感信息的尺度擴展方法有基於統計的方法和基於地學機理的方法。無論任何尺度轉換方法，最大的挑戰在於遙感信息所反映的地表特性的空間異質性（heterogeneity）。許多在小尺度上表現為均質的地理現象或過程在更大的尺度上可能表現出異質性。
常用的基於統計的遙感信息尺度擴展的方法有局部平均方法，中值采樣法，中心采樣法，以及數字圖像處理中常用的重采樣方法，如最近鄰法、雙線性內插、立方卷積內插法等。局部平均法是將高解析度的遙感信息中一定大小窗口內的像元值平均後作為轉換後對應的低解析度遙感信息的像元值。中值采樣法是取高解析度的遙感信息中一定大小窗口內像元值的中值作為轉換後對應的低解析度遙感信息的像元值。中心像元法則是將高解析度遙感信息一定大小窗口內中心像元的像元值作為轉換後對應的低解析度的遙感信息的像元值。L.Bian等（1999）利用模擬圖像，從圖像信息均值的保持和標准差（代表圖像結構信息）保持兩個方面比較了局部平均法，中值采樣法和中心采樣法三種尺度轉換方法。結果顯示，局部平均法和中值采樣法都能很好地保持原圖像的均值，但標准差有很大變化；中心像元法的均值和標准差都有很大變化。在圖像自相關范圍內，局部平均方法能夠揭示不同尺度上潛在的圖像空間結構；在一定范圍內，中心像元法能夠保持原圖像的對比度和空間結構；當圖像解析度大於圖像空間自相關范圍時，平均法和中值法的圖像變為均質圖像，而中心像元法則引入嚴重的誤差。
最近鄰采樣法，雙線性內插和立方卷積內插是各種圖像處理軟體中的常用的方法，包括遙感圖像處理軟體。最近鄰法也稱零次插值法，它是將離原圖像中像元位置最近的像元值賦予轉換後對應位置的像元。雙線性內插也稱一次內插法，它將原圖像中兩個正交方向上的像元值按距離加權方法進行內插，然後賦予轉換後對應位置的像元。其實質是以原圖像中某像元的最近的4個像元的加權平均作為低解析度圖像中對應位置的像元值。立方卷積法的原理和雙線性內插法類似，區別在於立方卷積法中是用原圖像中某像元周圍16個像元的加權平均作為轉換後圖像中對應位置的像元值。Hay 等（1997）的分析認為，最近鄰采樣，雙線性內插和立方卷積內插法不適合於將遙感圖像從高解析度轉換到低解析度，特別是在尺度轉換因子大於5時。
Raffy（1994a）從地表特性的空間異質性出發，提出了一個多光譜遙感模型空間化的一般性框架，並將其用於NDVI和APAR等的尺度擴展（Raffy，1994b；Gregoire and Raffy，1994）。
基於地學機理的遙感信息尺度轉換因需要轉換的信息不同而不同。由於從遙感數據中提取的不同的地學變數受不同的地學過程式控制制，不同變數的尺度擴展需要不同的模型。例如，Wood（1995）結合植被、土壤特性和地形等因子，探討了從30 m解析度的被動微波遙感數據中反演的土壤水分向更低解析度進行尺度轉換的方法。Hall等（1992）比較了用從遙感數據提取的地表輻射溫度計算不同空間解析度的地表通量的方法。Kustas 等（1996）探討了利用遙感數據對感熱通量進行尺度擴展的方法。Hipps等（1996）提出了一種結合高解析度的遙感信息獲取不同解析度上平均地表通量的方法。張仁華等（2001）提出了具有物理基礎的將點的氣溫觀測資料擴展到區域的尺度轉換方法以及以地面粗糙度和輻射溫度為基礎的地面2 m高處氣溫和風速的空間擴展演算法。基於地學機理的尺度轉換模型一般是通過建立多個變數的模型來預測低解析度上某一地學變數的值，因此這種模型常常需要被轉換變數以外的其他與該變數有物理聯系的變數的信息。反過來，從遙感數據中提取的信息常常作為地學模型的輸入以將各種點上的信息擴展到不同尺度的面上，或將基於點觀測的地學模型擴展為不同空間尺度的空間模型。
❷ 遙感科學與技術的專業概述
遙感科學與技術專業旨在培養具備遙感和信息工程的基本理論、基本知識和基本技能，具有衛星遙感平台、感測器技術、信息獲取、遙感數據處理、多感測器數據匹配和融合、圖像自動解譯技術和虛擬模擬的基本技術與方法，能夠在城市規劃、農業、林業、水利、電力、交通、軍事、地質、測繪、環境、海洋等各類遙感領域從事遙感電子設備與系統研製、應用系統和系統集成的建設與開發，以及有關空間信息系統和管理信息系統的建設和應用高級專門人才。
培養具有較寬知識面，掌握一定的相關學科知識，了解本學科的發展與學科前沿，有創新意識，並能獨立從事本學科及其交叉學科研究的能力。
該專業主要學習遙感技術、電子技術和計算機科學與技術等方面的基本理論和基本技能，學習地理信息系統、空間定位系統與遙感信息工程集成理論和方法，並能組織和實施各類應用系統的設計、開發和管理。主要包括：
掌握數學、物理、電子技術、計算機應用技術等方面的基本理論和基本知識；
掌握遙感機理、遙感數字圖像處理、遙感信息工程及應用的基本技能與方法，了解其理論前沿、應用前景及最新發展動態；
掌握相關學科地理信息系統、空間定位系統、測繪工程等的原理和方法；
掌握資料查詢、文獻檢索及運用現代信息技術獲取相關信息的基本方法，具有一定的實驗設計、創造實驗條件，歸納、整理、分析實驗結果，撰寫論文，參與學術交流等能力。 主要開展地物微波輻射特徵以及土壤水分、雪水當量、凍融過程和植被葉片含水量等參數的微波遙感反演演算法研究。擬結合近幾年微波遙感器的快速發展，通過發展模型和地面試驗系統，促進參數反演演算法的開發和提高大尺度被動微波遙感反演的可信度。主要標志性成果包括：
（1）基於星載輻射計的土壤水分被動微波遙感估測演算法改進，以及裸露隨機粗糙地表輻射參數化模型的發展；
（2）考慮多次散射的積雪參數化模型的發展；
（3）凍土介電常數模型和開發及實驗測試系統的研製；
（4）地基4波段8通道微波輻射計試驗系統的聯合開發，並成功運行，取得了可靠數據。 重點研究水文氣象參數的遙感反演演算法，以及遙感數據在水文氣象模式中的應用方法。2000年擬以蒸發散為重點，結合陸面過程模式和地面試驗，研究地面站點觀測數據的面尺度拓展理論和方法。
（1）首次成功應用了大孔徑閃爍儀、渦度相關儀與波文比-能量平衡裝置等組成的通量觀測系統，結合足跡模型獲取了不同解析度的衛星像元尺度的通量實測值；
（2）在北京市密雲和大興、河北省館陶縣建立了以大孔徑閃爍儀、渦度相關儀與自動氣象站為主要觀測手段的遙感地面驗證站；
（3）結合多源的衛星遙感信息，建立了基於地表能量平衡方程和互補相關原理的區域水熱通量的遙感估算模型。 面向陸地表層過程、人類生存環境監測需求，以生態環境遙感監測為主要應用目標，注重解決生產實際問題，開展遙感應用研究。主要標志性成果包括：
（1）建立基於遙感數據和光能利用率的植被凈第一性生產力（NPP）模型，並估算了全國NPP；
（2）利用遙感數據計算了黃河流域地表蒸散並分析了流域植被覆蓋動態變化與氣候要素間的關系；
（3）定量分析了城市化過程對陸地生態系統碳循環的影響。
❸ 遙感演算法工程師很累嗎
很累。根據查詢遙感演算法相關信息顯示， 遙感演算法工程師很累。遙感演算法工程師崗位職責
1、主要從事遙感影像解譯與信息提取演算法研究和開發工作。
2、熟悉該領域，分析並解決研究和開發過程中出現的問題。
3、負責相關產品的分析報告設計、分析與編寫工作。
4、開展多源資料融合處理技術研究，研製高級數據產品加工演算法。
5、提供其他技術支持。
❹ 面向遙感圖像分類基於注意力機制，你有哪些了解演算法
傳統的基於像素的遙感圖像處理方法是基於遙感圖像豐富的光譜信息和地面物體之間明顯的光譜差異。對於只有幾個波段的高解析度遙感影像，傳統的分類方法會導致分類精度降低和大量的空間數據冗餘，分類結果往往是椒鹽圖像，不利於進行空間分析。為了解決這一傳統問題，模糊分類技術應運而生。模糊分類是一種圖像分類技術，它將任何范圍的特徵值轉化為0到1之間的模糊值，表示屬於某個指定類別的程度。
除此以外，所有這些背景信息在圖像分析中都非常重要，例如，城市綠地與一些濕地在光譜信息上相當相似，只要在面向對象的圖像分析中明確城市綠地的背景為城市地區，就可以很容易地區分綠地和濕地，在基於像素的分類中，幾乎不使用這種背景信息。面向對象的圖像分析技術是在空間信息技術的長期發展過程中產生的，在遙感圖像分析中具有很大的潛力。
到目前為止，面向對象的方法是一種比較理想的方法，可以建立一個與現實世界相匹配的地面模型。面向對象的處理方法中最重要的部分是圖像分割。隨著地球觀測任務的逐步細化，高解析度的遙感衛星圖像得到了越來越廣泛的應用。這給遙感圖像分類方法帶來了挑戰。現有的研究表明，基於像素的高解析度遙感圖像分類存在著明顯的局限性。近年來，基於對象的圖像分析（OBIA）被認為是遙感和地理信息科學的一個重要趨勢，在高解析度遙感圖像處理中變得越來越突出。
❺ 我科學家提高更高解析度衛星遙感演算法
融合效果對比圖（左圖為原始Landsat 圖像，中圖為新演算法CRC圖像，右圖為經典融合演算法STARFM圖像。）中國農科院供圖
中國農科院區化所研究員孫亮介紹，在衛星遙感數據中，有兩個重要要素，一個是高時效性，也就是高時間解析度，另外一個是高清晰度，也就是高空間解析度。但受到衛星感測器的限制，這兩個要素很難在同一衛星上同時具備。更多時候，它們是不同衛星的特徵。一類衛星具有高重訪周期，如MODIS系列衛星，具備每天觀測的能力，但其空間解析度只有500~1000米。另一類衛星具有較高空間解析度，但重訪周期較長，例如Landsat系列衛星，其空間解析度為30米，但重訪周期則長達16天。
此次，中美科學家聯合開發的融合演算法，則將這兩類衛星數據的優點結合在一起，形成一套同時具備高時間和高空間解析度的數據，這對農情監測至關重要。
不過，這類演算法的基本假設，也導致其應用於農作物種植結構復雜地區時，小地塊信息無法被准確獲取。遙感數據時空融合演算法針對該問題，研究提出了以作物參考曲線為基礎的高時空解析度植被指數重建演算法。通過與現有的多種融合演算法比較，該演算法重建的精度最高，表現最穩定，尤其適用於雲雨天氣較多時高空間解析度數據較少情況下的植被指數時間序列重建，未來可進一步應用於精細化農作物長勢監測和產量預測研究中。
該研究得到院青年英才引進工程和NASA相關項目資助。相關研究成果在線發表在《環境遙感（Remote Sensing of Environment）》上。
編輯 唐崢 校對 危卓
❻ 各種遙感數據分類方法比較
常用的遙感數據的專題分類方法有多種，從分類判別決策方法的角度可以分為統計分類器、神經網路分類器、專家系統分類器等；從是否需要訓練數據方面，又可以分為監督分類器和非監督分類器。
一、統計分類方法
統計分類方法分為非監督分類方法和監督分類方法。非監督分類方法不需要通過選取已知類別的像元進行分類器訓練，而監督分類方法則需要選取一定數量的已知類別的像元對分類器進行訓練，以估計分類器中的參數。非監督分類方法不需要任何先驗知識，也不會因訓練樣本選取而引入認為誤差，但非監督分類得到的自然類別常常和研究感興趣的類別不匹配。相應地，監督分類一般需要預先定義分類類別，訓練數據的選取可能會缺少代表性，但也可能在訓練過程中發現嚴重的分類錯誤。
1.非監督分類器
非監督分類方法一般為聚類演算法。最常用的聚類非監督分類方法是 K-均值（K-Means Algorithm）聚類方法（Duda and Hart，1973）和迭代自組織數據分析演算法（ISODATA）。其演算法描述可見於一般的統計模式識別文獻中。
一般通過簡單的聚類方法得到的分類結果精度較低，因此很少單獨使用聚類方法進行遙感數據專題分類。但是，通過對遙感數據進行聚類分析，可以初步了解各類別的分布，獲取最大似然監督分類中各類別的先驗概率。聚類分析最終的類別的均值矢量和協方差矩陣可以用於最大似然分類過程（Schowengerdt，1997）。
2.監督分類器
監督分類器是遙感數據專題分類中最常用的一種分類器。和非監督分類器相比，監督分類器需要選取一定數量的訓練數據對分類器進行訓練，估計分類器中的關鍵參數，然後用訓練後的分類器將像元劃分到各類別。監督分類過程一般包括定義分類類別、選擇訓練數據、訓練分類器和最終像元分類四個步驟（Richards，1997）。每一步都對最終分類的不確定性有顯著影響。
監督分類器又分為參數分類器和非參數分類器兩種。參數分類器要求待分類數據滿足一定的概率分布，而非參數分類器對數據的概率分布沒有要求。
遙感數據分類中常用的分類器有最大似然分類器、最小距離分類器、馬氏距離分類器、K-最近鄰分類器（K-Nearest neighborhood classifier，K-NN）以及平行六面體分類器（parallelepiped classifier）。最大似然、最小距離和馬氏距離分類器在第三章已經詳細介紹。這里簡要介紹 K-NN 分類器和平行六面體分類器。
K-NN分類器是一種非參數分類器。該分類器的決策規則是：將像元劃分到在特徵空間中與其特徵矢量最近的訓練數據特徵矢量所代表的類別（Schowengerdt，1997）。當分類器中 K=1時，稱為1-NN分類器，這時以離待分類像元最近的訓練數據的類別作為該像元的類別；當 K ＞1 時，以待分類像元的 K 個最近的訓練數據中像元數量最多的類別作為該像元的類別，也可以計算待分類像元與其 K 個近鄰像元特徵矢量的歐氏距離的倒數作為權重，以權重值最大的訓練數據的類別作為待分類像元的類別。Hardin，（1994）對 K-NN分類器進行了深入的討論。
平行六面體分類方法是一個簡單的非參數分類演算法。該方法通過計算訓練數據各波段直方圖的上限和下限確定各類別像元亮度值的范圍。對每一類別來說，其每個波段的上下限一起就形成了一個多維的盒子（box）或平行六面體（parallelepiped）。因此 M 個類別就有M 個平行六面體。當待分類像元的亮度值落在某一類別的平行六面體內時，該像元就被劃分為該平行六面體代表的類別。平行六面體分類器可以用圖5-1中兩波段的遙感數據分類問題來表示。圖中的橢圓表示從訓練數據估計的各類別亮度值分布，矩形表示各類別的亮度值范圍。像元的亮度落在哪個類別的亮度范圍內，就被劃分為哪個類別。
圖5-1 平行六面體分類方法示意圖
3.統計分類器的評價
各種統計分類器在遙感數據分類中的表現各不相同，這既與分類演算法有關，又與數據的統計分布特徵、訓練樣本的選取等因素有關。
非監督聚類演算法對分類數據的統計特徵沒有要求，但由於非監督分類方法沒有考慮任何先驗知識，一般分類精度比較低。更多情況下，聚類分析被作為非監督分類前的一個探索性分析，用於了解分類數據中各類別的分布和統計特徵，為監督分類中類別定義、訓練數據的選取以及最終的分類過程提供先驗知識。在實際應用中，一般用監督分類方法進行遙感數據分類。
最大似然分類方法是遙感數據分類中最常用的分類方法。最大似然分類屬於參數分類方法。在有足夠多的訓練樣本、一定的類別先驗概率分布的知識，且數據接近正態分布的條件下，最大似然分類被認為是分類精度最高的分類方法。但是當訓練數據較少時，均值和協方差參數估計的偏差會嚴重影響分類精度。Swain and Davis（1978）認為，在N維光譜空間的最大似然分類中，每一類別的訓練數據樣本至少應該達到10×N個，在可能的條件下，最好能達到100×N以上。而且，在許多情況下，遙感數據的統計分布不滿足正態分布的假設，也難以確定各類別的先驗概率。
最小距離分類器可以認為是在不考慮協方差矩陣時的最大似然分類方法。當訓練樣本較少時，對均值的估計精度一般要高於對協方差矩陣的估計。因此，在有限的訓練樣本條件下，可以只估計訓練樣本的均值而不計算協方差矩陣。這樣最大似然演算法就退化為最小距離演算法。由於沒有考慮數據的協方差，類別的概率分布是對稱的，而且各類別的光譜特徵分布的方差被認為是相等的。很顯然，當有足夠訓練樣本保證協方差矩陣的精確估計時，最大似然分類結果精度要高於最小距離精度。然而，在訓練數據較少時，最小距離分類精度可能比最大似然分類精度高（Richards，1993）。而且最小距離演算法對數據概率分布特徵沒有要求。
馬氏距離分類器可以認為是在各類別的協方差矩陣相等時的最大似然分類。由於假定各類別的協方差矩陣相等，和最大似然方法相比，它丟失了各類別之間協方差矩陣的差異的信息，但和最小距離法相比較，它通過協方差矩陣保持了一定的方向靈敏性（Richards，1993）。因此，馬氏距離分類器可以認為是介於最大似然和最小距離分類器之間的一種分類器。與最大似然分類一樣，馬氏距離分類器要求數據服從正態分布。
K-NN分類器的一個主要問題是需要很大的訓練數據集以保證分類演算法收斂（Devijver and Kittler，1982）。K-NN分類器的另一個問題是，訓練樣本選取的誤差對分類結果有很大的影響（Cortijo and Blanca，1997）。同時，K-NN分類器的計算復雜性隨著最近鄰范圍的擴大而增加。但由於 K-NN分類器考慮了像元鄰域上的空間關系，和其他光譜分類器相比，分類結果中「椒鹽現象」較少。
平行六面體分類方法的優點在於簡單，運算速度快，且不依賴於任何概率分布要求。它的缺陷在於：首先，落在所有類別亮度值范圍之外的像元只能被分類為未知類別；其次，落在各類別亮度范圍重疊區域內的像元難以區分其類別（如圖5-1所示）。
各種統計分類方法的特點可以總結為表5-1。
二、神經網路分類器
神經網路用於遙感數據分類的最大優勢在於它平等地對待多源輸入數據的能力，即使這些輸入數據具有完全不同的統計分布，但是由於神經網路內部各層大量的神經元之間連接的權重是不透明的，因此用戶難以控制（Austin，Harding and Kanellopoulos et al.，1997）。
神經網路遙感數據分類被認為是遙感數據分類的熱點研究領域之一（Wilkinson，1996；Kimes，1998）。神經網路分類器也可分為監督分類器和非監督分類器兩種。由於神經網路分類器對分類數據的統計分布沒有任何要求，因此神經網路分類器屬於非參數分類器。
遙感數據分類中最常用的神經網路是多層感知器模型（multi-layer percep-tron，MLP）。該模型的網路結構如圖5-2所示。該網路包括三層：輸入層、隱層和輸出層。輸入層主要作為輸入數據和神經網路輸入界面，其本身沒有處理功能；隱層和輸出層的處理能力包含在各個結點中。輸入的結構一般為待分類數據的特徵矢量，一般情況下，為訓練像元的多光譜矢量，每個結點代表一個光譜波段。當然，輸入結點也可以為像元的空間上下文信息（如紋理）等，或多時段的光譜矢量（Paola and Schowengerdt，1995）。
表5-1 各種統計分類器比較
圖5-2 多層感知器神經網路結構
對於隱層和輸出層的結點來說，其處理過程是一個激勵函數（activation function）。假設激勵函數為f（S），對隱層結點來說，有：
遙感信息的不確定性研究
其中，pi為隱層結點的輸入；hj為隱層結點的輸出；w為聯接各層神經之間的權重。
對輸出層來說，有如下關系：
遙感信息的不確定性研究
其中，hj為輸出層的輸入；ok為輸出層的輸出。
激勵函數一般表達為：
遙感信息的不確定性研究
確定了網路結構後，就要對網路進行訓練，使網路具有根據新的輸入數據預測輸出結果的能力。最常用的是後向傳播訓練演算法（Back-Propagation）。這一演算法將訓練數據從輸入層進入網路，隨機產生各結點連接權重，按式（5-1）（5-2）和（5-3）中的公式進行計算，將網路輸出與預期的結果（訓練數據的類別）相比較並計算誤差。這個誤差被後向傳播的網路並用於調整結點間的連接權重。調整連接權重的方法一般為delta規則（Rumelhart，et al.，1986）：
遙感信息的不確定性研究
其中，η為學習率（learning rate）；δk為誤差變化率；α為動量參數。
將這樣的數據的前向和誤差後向傳播過程不斷迭代，直到網路誤差減小到預設的水平，網路訓練結束。這時就可以將待分類數據輸入神經網路進行分類。
除了多層感知器神經網路模型，其他結構的網路模型也被用於遙感數據分類。例如，Kohonen自組織網路被廣泛用於遙感數據的非監督聚類分析（Yoshida et al.，1994；Schaale et al.，1995）；自適應共振理論（Adaptive Resonance Theory）網路（Silva，S and Caetano，M.1997）、模糊ART圖（Fuzzy ART Maps）（Fischer，M.M and Gopal，S，1997）、徑向基函數（駱劍承，1999）等也被用於遙感數據分類。
許多因素影響神經網路的遙感數據分類精度。Foody and Arora（1997）認為神經網路結構、遙感數據的維數以及訓練數據的大小是影響神經網路分類的重要因素。
神經網路結構，特別是網路的層數和各層神經元的數量是神經網路設計最關鍵的問題。網路結構不但影響分類精度，而且對網路訓練時間有直接影響（Kavzoglu and Mather，1999）。對用於遙感數據分類的神經網路來說，由於輸入層和輸出層的神經元數目分別由遙感數據的特徵維數和總的類別數決定的，因此網路結構的設計主要解決隱層的數目和隱層的神經元數目。一般過於復雜的網路結構在刻畫訓練數據方面較好，但分類精度較低，即「過度擬合」現象（over-fit）。而過於簡單的網路結構由於不能很好的學習訓練數據中的模式，因此分類精度低。
網路結構一般是通過實驗的方法來確定。Hirose等（1991）提出了一種方法。該方法從一個小的網路結構開始訓練，每次網路訓練陷入局部最優時，增加一個隱層神經元，然後再訓練，如此反復，直到網路訓練收斂。這種方法可能導致網路結構過於復雜。一種解決辦法是每當認為網路收斂時，減去最近一次加入的神經元，直到網路不再收斂，那麼最後一次收斂的網路被認為是最優結構。這種方法的缺點是非常耗時。「剪枝法」（pruning）是另一種確定神經網路結構的方法。和Hirose等（1991）的方法不同，「剪枝法」從一個很大的網路結構開始，然後逐步去掉認為多餘的神經元（Sietsma and Dow，1988）。從一個大的網路開始的優點是，網路學習速度快，對初始條件和學習參數不敏感。「剪枝」過程不斷重復，直到網路不再收斂時，最後一次收斂的網路被認為最優（Castellano，Fanelli and Pelillo，1997）。
神經網路訓練需要訓練數據樣本的多少隨不同的網路結構、類別的多少等因素變化。但是，基本要求是訓練數據能夠充分描述代表性的類別。Foody等（1995）認為訓練數據的大小對遙感分類精度有顯著影響，但和統計分類器相比，神經網路的訓練數據可以比較少。
分類變數的數據維對分類精度的影響是遙感數據分類中的普遍問題。許多研究表明，一般類別之間的可分性和最終的分類精度會隨著數據維數的增大而增高，達到某一點後，分類精度會隨數據維的繼續增大而降低（Shahshahani and Landgrebe，1994）。這就是有名的Hughes 現象。一般需要通過特徵選擇去掉信息相關性高的波段或通過主成分分析方法去掉冗餘信息。分類數據的維數對神經網路分類的精度同樣有明顯影響（Battiti，1994），但Hughes 現象沒有傳統統計分類器中嚴重（Foody and Arora，1997）。
Kanellopoulos（1997）通過長期的實踐認為一個有效的ANN模型應考慮以下幾點：合適的神經網路結構、優化學習演算法、輸入數據的預處理、避免振盪、採用混合分類方法。其中混合模型包括多種ANN模型的混合、ANN與傳統分類器的混合、ANN與知識處理器的混合等。
三、其他分類器
除了上述統計分類器和神經網路分類器，還有多種分類器被用於遙感圖像分類。例如模糊分類器，它是針對地面類別變化連續而沒有明顯邊界情況下的一種分類器。它通過模糊推理機制確定像元屬於每一個類別的模糊隸屬度。一般的模糊分類器有模糊C均值聚類法、監督模糊分類方法（Wang，1990）、混合像元模型（Foody and Cox，1994；Settle and Drake，1993）以及各種人工神經網路方法等（Kanellopoulos et al.，1992；Paola and Schowengerdt，1995）。由於模糊分類的結果是像元屬於每個類別的模糊隸屬度，因此也稱其為「軟分類器」，而將傳統的分類方法稱為「硬分類器」。
另一類是上下文分類器（contextual classifier），它是一種綜合考慮圖像光譜和空間特徵的分類器。一般的光譜分類器只是考慮像元的光譜特徵。但是，在遙感圖像中，相鄰的像元之間一般具有空間自相關性。空間自相關程度強的像元一般更可能屬於同一個類別。同時考慮像元的光譜特徵和空間特徵可以提高圖像分類精度，並可以減少分類結果中的「椒鹽現象」。當類別之間的光譜空間具有重疊時，這種現象會更明顯（Cortijo et al.，1995）。這種「椒鹽現象」可以通過分類的後處理濾波消除，也可以通過在分類過程中加入代表像元鄰域關系的信息解決。
在分類過程中可以通過不同方式加入上下文信息。一是在分類特徵中加入圖像紋理信息；另一種是圖像分割技術，包括區域增長/合並常用演算法（Ketting and Landgrebe，1976）、邊緣檢測方法、馬爾可夫隨機場方法。Rignot and Chellappa（1992）用馬爾可夫隨機場方法進行SAR圖像分類，取得了很好的效果，Paul Smits（1997）提出了保持邊緣細節的馬爾可夫隨機場方法，並用於SAR圖像的分類；Crawford（1998）將層次分類方法和馬爾可夫隨機場方法結合進行SAR圖像分類，得到了更高的精度；Cortijo（1997）用非參數光譜分類對遙感圖像分類，然後用ICM演算法對初始分類進行上下文校正。
❼ 遙感圖像分類法
圖像分類是與圖像信息提取和增強不同的遙感圖像處理中另一重要的方面，與圖像增強後仍需人為解譯不同，它企圖用計算機做出定量的決定來代替人為視覺判譯步驟。因此，分類處理後輸出的是一幅專題圖像。在此圖像中，原來圖像中的每一個象元依據不同的統計決定準則被劃歸為不同的地表覆蓋類，由於是一種統計決定，必然伴隨著某種錯誤的概率。因此，在邏輯上的合理要求是，對每一個象元所做的決定，應是使整個被分類面積即對大量單個象元的分類的某個錯誤判據為最小。
以下是幾種常用的遙感圖像分類方法：
1.最大似然分類（maximum likelihood classification）
最大似然分類是一種基於貝葉斯判別准則的非線性監督分類方法，需要知道已知的或確定的訓練樣區典型標準的先驗概率P（wi）和條件概率密度函數P（wi，x）。P（wi）通常根據各種先驗知識給出或假定它們相等：P（wix）則是首先確定其分布形式，然後利用訓練樣本估計其參數。一般假設為正態分布，或通過數學方法化為正態分布。其判別函數集為：
Di（x）=P（wix），i=1，2，…，m （2-2）
如果Di（x）≥ Dj（x），則x屬於wi類。其中，j≠i，j=1，2，…，m。m為類別數。
從上述最大似然分類的說明看，其關鍵就在於已知類別的定義，先驗概率的確定，參與分類的變數的好壞和結果誤差評價。直到現在，最大似然分類至少還有兩個缺點：一是事先大量人力已知光譜類的選擇和定義：二是需要長時間的計算機分類計算時間。實際上這也使得最大似然分類法遙感應用受到了限制，因此許多人專門研究改進演算法以便解決和縮減圖像分類的時間，提高分類的精度。Solst和Lillesand（1991）為了解決已知類別定義消耗大量人力的缺點，發展了半自動訓練法進行已知光譜類的定義。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非參數分類器計算出各已知類訓練集的先驗概率，然後將它們插入常規的最大似然分類過程中進行分類。該方法融合了非參數和參數分類過程的優點，提高了分類的精度。
通常情況下，地形會影響到訓練集數據，這樣訓練集光譜數據就偏離了最大似然分類的假設條件正態分布，從而常規的最大似然分類法在地形起伏較大的地區效果並不太好。為了解決這一問題，C.Conese和G.Maracchi和F.Maselli（1993）提出了一種改進的最大似然分類演算法，即去掉每一類數據集中與第一主成分相關的信息（地形信息）然後再進行分類。通過試驗，這種方法是有效的，分類精度得到了提高。
K.Arai（1993）用光譜和空間信息進行分類改進了最大似然分類方法。該方法簡單易行，大大提高了正確分類的概率。C.Conese和Fabio Maselli（1992）用誤差矩陣提高最大似然分類面積估計的精度。Irina Kerl（1996）加最大似然分類精度的一種方法，即多概率比較法。他對同一遙感數據的原始波段、主成分和植被指數的22種組合進行了最大似然分類，發現沒有一種波段組合的分類能給出圖像中所有土地利用類型的精確分類，每一波段組合僅對圖像中的一兩類土地利用類型分類有效。因此他提出將能有效區分出所要決定的土地利用類型的幾個波段組合的分類結果進行組合來進行圖像分類，並稱這種方法為多概率比較法，這種方法的基礎就是圖像數據不同波段組合的分類結果之間分類概率大小的比較。應用這種方法提高了分類的精度。
2.最小距離分類（minimum distance classification）
最小距離分類是一種線性判別監督分類方法，也需要對訓練區模式樣本進行統計分析，是大似然分類法中的一種極為重要的特殊情況。最小距離分類在演算法上比較簡單，首先需選出要區分類別的訓練樣區，並且從圖像數據中求出各類訓練樣區各個波段的均值和標准差，然後再計算圖像中其他各個象元的灰度值向量到各已知類訓練樣區均值向量之間的距離。如果距離小於指定的閾值（一般取標准差的倍數），且與某一類的距離最近，就將該象元劃歸為某類。因此稱為最小距離分類。該方法的精度主要取決於已知類訓練樣區的多少和樣本區的統計精度。另外，距離度量的方法不同，分類的結果也不相同，常見的有：
（1）明氏距離（minkowski distance）
中亞地區高光譜遙感地物蝕變信息識別與提取
式中Tij=-Tij。
③經過①②步後，隨機象元X被劃歸為正確的類。
另外，通過對參與計算變數的排序和部分一總和邏輯的考慮，可大大降低該演算法計算的時間。與最小距離（歐氏距離）和最大似然分類器相比，整體平均分類器所用時間最少，分類精度與最小距離大致相同，對像農田面積和森林這樣的名義類型的分類十分有效。
Haluk Cetin（1996）提出了一種分類方法：類間距離頻率分布法（interclass distance frequency dis-tribution），這是多光譜數據非參數分類方法的一種。類間距離頻率分布過程簡單，是一種有力的可視化技術，它圖形地顯示多光譜數據和類分布。首先選擇感興趣的類，這些類的統計信息從典型的訓練樣區可獲得。利用類的平均測量矢量計算多光譜數據中每個象元的距離，並存放在一個兩維數據分布數組中。選擇其他類的訓練區，訓練區數據的分布通過距離計算可獲得。通過可視化地檢查結果，建立分類查詢表（look-up table），然後利用分類查詢表進行多光譜圖像數據的分類，具體細節請參見原文。
H.N.Srikanta Prakash等（1996）改進了遙感數據凝聚聚類分析，這是一種基於相互近鄰概念，用來進行多光譜數據分類的非參數、層次、凝聚聚類分析演算法。該方法定義了圍繞象元的感興趣區域（area of interest around each pixel），然後在它內部尋找分類時初始合並操作需要的k最近鄰，將象元的特徵值、波段值和象元的相對位置值一起考慮，提出了改進的距離量度，這樣，大大減少了計算的時間和內存的需求，降低了分類的誤差概率。
Steven E.Franklin和Bradley A.Wilson（1992）設計了3階段分類器進行遙感圖像的分類，它由一個基於四叉樹的分割運算元、一個高斯最小距離均值測試和一個包括輔助地理網數據和光譜曲線測量的最終測試構成。與最大似然分類技術相比，3階段分類器的總體分類精度得到了提高，減少計算時間，另外僅需最少的訓練樣區數據（它們在復雜地形區很難獲得）。