遥感算法研究
❶ 遥感信息尺度问题研究
遥感技术被广泛用于地理学、生态学、水文学以及气候气象等诸多学科的研究。在这些学科中，遥感数据是最重要的数据源之一。许多传统的通过点位观测的变量，现在都通过遥感观测，由于其多波段、大范围、周期性观测的特点，通过遥感观测能够解决在常规观测下不能解决的问题。遥感已经成为许多研究和应用中不可缺少的信息源。因为遥感也是对地表各种变量分布的一种特殊观测方式，而如前文所述，不同尺度上的观测可能会得出不同结论，因此应用遥感数据进行研究也存在尺度问题。遥感中的尺度问题早已成为遥感基础研究中的热点问题。早在20世纪80年代初期，许多科学家就开始关注遥感数据空间分辨率的遥感数据提取信息的精度问题。例如，Latty and Hoffer（1981），Welch（1982），Bizzell and Prior（1983），Toll（1983），Johnson and Howarth（1987）分别研究了遥感数据空间分辨率对土地覆被分类精度的影响。1987年，Woodcock and Strahler发表的“遥感中的尺度因子”一文，成为研究遥感中尺度问题的经典文献。
与遥感的应用领域中（地理学，生态学等）尺度的定义相对应，遥感中所讲的尺度也有两方面意义：一是指遥感的空间分辨率（Woodcock and Strahler，1987），它对应于生态学中的粒径（grain），或Lam（1992）所定义的测量尺度，其实质是空间采样单元的大小；另一个意义是遥感研究的地表空间范围，对应于生态学中尺度定义中的范围（extent），或Lam（1992）所定义的地理尺度。如“利用遥感进行区域尺度和全球尺度的土地利用、覆被变化监测”这句话中，尺度就指研究区域的空间范围。在本文的讨论中，除非特别说明，遥感尺度的概念一般指遥感的空间分辨率。
许多遥感应用问题都涉及遥感的尺度问题。在遥感信息提取过程中，从不同尺度遥感数据提取的信息可能具有不同的精度，或者不同尺度遥感数据中提取的信息反映不同的地表特性的空间分布结构。例如，对于土地利用分类，用不同分辨率的遥感数据分类的精度会有很大差别。在这种情况下，我们总是希望了解所关心的信息如何随着遥感数据空间尺度的变化而变化，并且希望了解在什么尺度下，从遥感数据中提取的信息的精度最高，或什么样尺度的遥感信息能真实反映我们所关心的地表特性的空间分布特性。遥感中的尺度问题主要体现在三个方面：①从遥感中获取的地表特性以及遥感信息模型如何随遥感尺度的变化而变化，即遥感信息和遥感模型的尺度效应问题；②对于特定的应用，如何选取合适空间分辨率的遥感数据；③如何将遥感信息从一个尺度转换到另一个尺度?
1.遥感信息与遥感模型的尺度效应研究
对于遥感信息的尺度效应问题已经有许多研究。Woodcock and Strahler（1987）研究了遥感中尺度因子与遥感分类精度的关系后指出，遥感分类精度受遥感图像空间分辨率与图像景的目标大小之间的相对关系决定。Marceau（1992，1994a，1994b）认为，遥感信息的尺度效应问题是可变面元问题（MAUP）的一个特例。MAUP问题源于将研究区划分为多个互不重叠的子区以进行空间分析时，可以有不同的划分方式，而不同的划分方式可能导致不同的分析结果，其实质是提出了分析结果对数据获取单元定义的灵敏性（Marceau，1999）。Jelinski and Wu（1996）指出，在遥感中，可变面元就是遥感图像的像元，当用不同的传感器或像元被集聚时，面元就被改变了，因此，这种集聚过程可能引入很大误差。Marceau（1994a）通过研究遥感数据空间分辨率对森林分类精度的影响来证实遥感信息的MAUP问题。她的研究结果表明，单个类别的分类精度受到尺度和集聚水平变化的显着影响。遥感数据并不独立于其获取时采样栅格大小，忽略遥感数据的尺度效应可能导致与景的地理实体不相对应的结果。Arbia等（1996）用模拟的方法研究了MAUP对遥感图像最大似然分类精度的影响，其结论显示遥感图像的最大似然分类误差随分辨率降低而增加，但其增加幅度受到像元间空间依赖的影响；分类误差的空间分布受分辨率降低的影响主要在类别的边缘部分。Benson and MacKenzie（1995）检验了当遥感数据空间分辨率从20 m增加到1.1 km时，所获得的描述景观结构的景观参数的变化。结果表明大部分的景观参数都对空间分辨率的变化反应明显，有些增大了，而有些减小了。O'Neill等（1996）用AVHRR遥感数据计算景观指数，结果发现当景观结构要素分散分布并小于像元大小时，许多组成景观的重要的斑块消失了。Moody and Woodcock（1994，1995）利用多元回归分析，评价当土地覆被数据被逐渐尺度转换到粗分辨率时，景观的空间结构与土地覆被类型面积百分比的估计误差之间的关系，其结果显示百分比的估计误差主要受景观的空间特征和聚集尺度间的相互作用决定。他们强调，标准的线性回归模型没有考虑估计的百分比的误差在不同方向的尺度依赖；理解景观的空间特征和分辨率之间的关系，对发展合适的尺度转换方法是必要的。He等（2002）研究了空间集聚方法对卫星遥感图像分类结果的影响。他们检验了基于随机规则的集聚方法对土地覆被类型的丰度和景观结构的影响，并与基于众数的集聚方法进行了对比。Niemann等（1997）通过Wald-Wolfowitz检验等方法，从更一般的意义上探讨了遥感尺度对遥感图像信息内容的影响。Narayanan 等（2002）根据图像分类精度，研究了空间分辨率对遥感图像信息内容的影响。他们根据目标和背景的对比度以及目标和像元大小之间的相对关系，提出了一个关于遥感图像信息内容的指数模型。对TM图像和SIR-C图像之间信息内容的对比显示，在像元较小时，TM图像的信息内容多于SIR-C图像；而当像元较大时，SIR-C图像的信息内容则多于TM图像。不同结果的转换尺度发生在图像像元大小为720 m时。
Van Der Meer 等（2001）通过模拟不同分辨率的MERIS数据研究了从遥感数据中估计的各种植被指数和地面生物量随空间尺度的变化。Bian and Walsh（1993）检验了植被生物量与地形因子之间的关系随空间尺度变化的响应。他们通过回归分析探索变量之间的关系，用半方差和分形分析来描述空间尺度与空间依赖程度的有效范围。结果发现植被生物量与地形因子之间的关系随空间尺度的变化而变化，并且确定了一个特征尺度（characteristic scale）。当小于特征尺度时，变量是空间依赖的；而当大于特征尺度时，变量的空间依赖程度减小或变得独立。Walsh 等（1997）通过进一步的研究，检验了NDVI，土地覆被类型和高程之间关系的尺度依赖性。他们发现随着尺度的变化，决定NDVI变化的主导因子也不同。在较细的分辨率上（30～210 m），NDVI的变化主要受坡角以及太阳辐射的影响，说明了局部尺度的地形走向对植被生产力的重要性；当分辨率变粗时，高程成为描述NDVI和区域尺度植被生产力的主要因子。Wu等（1997）研究了景观统计特征随空间尺度的变化，他们发现不同采样大小的景观指数与TM波段和植被指数的关系受采样大小变化的影响。随着采样的增大，自变量和因变量之间的相关系数和统计显着性也随着增大；ANOVA分析的结果表明TM波段和植被指数在相关关系中的重要性也随着采样大小而变化。Friedl 等（1995）综合地面景的模型，大气模型和传感器模型模拟不同空间分辨率的图像，以检验叶面积指数、主动辐射光合作用吸收分量（fraction of absorbed photosynthetically active radiation，FPAR）和归一化植被指数之间关系的影响，结果显示NDVI是尺度不变的（scale invariant），LAI和FPAR之间的关系随尺度呈非线性变化，而LAI和NDVI之间的关系呈近似线性。
除了遥感信息的尺度效应，在不同的领域遥感信息模型的尺度效应也得到研究。例如，Turner 等（1996）研究了空间分布的生物化学模型（Forest-BGC）的结果随空间尺度的变化。McNulty 等（1997）在立地、生态系统和区域三个尺度上检验了空间尺度对森林过程模型的影响，发现模型对生态系统变量预测的精度随测量尺度而变化。Friedl（1997）研究了遥感数据的尺度效应以及尺度效应在以这些数据为输入的生物物理模型中的传播。其结果显示，尺度变化对模拟的地表通量带来显着偏差。李小文等从物理学原理、定律在遥感像元尺度上的适用性出发，探讨了各种物理定律的尺度效应。如Albert，Strahler and Li（1990）探讨了Beer定律的尺度效应。Beer定律认为光在均匀介质中的传播按负指数规律衰减。但在植被遥感中，当遥感分辨率与叶片之间空隙大小相当或更小时，光线要么穿过空隙，要么被叶子截获，这时必须用二项式分布或其他方法描述光的衰减。当分辨率大于植株，而植株间存在明显空隙时，Beer定律必须进行向上的尺度纠正。Li and Wan（1999）探讨了Helmholtz互易原理的尺度效应。Helmholtz互易原理要求“源处”一对相互垂直的极化平面及其交线与测量处一对相应的垂直的极化平面及其交线位置互换。Li and Wan（1999）证明即使像元内处处满足Helmholtz互易原理，若空间均匀的入照由于像元内的多次散射形成空间不均一的反射，则互易原理在像元尺度上失效。类似地，李小文等（1999a，1999b）探讨了Planck定律的尺度效应问题，认为即使像元内处处为黑体表面，处处满足Planck定律，像元作为一个整体也可能不满足Planck定律。Hu Zhenglin 等（1997）致力于建立尺度不变（Scale Invariant）的遥感算法。他们给出了一种分析和设计尺度不变遥感算法的框架，以检验遥感算法的集聚和分解特性，提供了一种参数化地表异质性的系统方法。
2.遥感应用中合适空间分辨率的选取问题研究
由于遥感信息普遍存在尺度效应，因此，对于特定的应用目标，我们总是希望找到一个合适分辨率的遥感信息来反映特定尺度上研究目标的空间分布结构等特性。合适空间分辨率（appropriate spatial resolution）有时被称为最优分辨率。最优分辨率被定义为对应于所研究的地理实体的尺度或集聚水平特征的空间采样单元（Marceau et al.，1999b）。其实在地理学中研究MAUP问题时，就存在选取最优面元大小的问题。Openshaw（1977，1978，1984）将选取面元作为空间分析的组成部分之一。他首先假设对给定模型或分析方法的期望结果，然后将面元逐渐集聚直到得到期望的结果。这种思路为作为MAUP特例的遥感信息尺度问题中最优分辨率的选取奠定了理论基础。Marceau等（1994b）将类似的方法用于温带森林环境中针叶林类型判别时遥感数据最优分辨率的确定，其方法是首先定义所研究的地理实体，然后确定选取采样系统的优化标准，将数据从细的采样格网逐步进行空间集聚，用优化标准检验空间集聚的数据，选取最优的分辨率，最后根据研究目标，验证结果的合理性。在她的研究中，以各森林类别的类内方差作为选取最优分辨率的标准。当类内方差最小时的空间分辨率被认为最好地反映各森林类别的本质特征。其结果显示，对每一森林类别，都存在一个最小的类内方差，即存在最优分辨率。
Woodcock and Strahler（1987）提出了一种用遥感图像平均局部方差（local variance）确定最优分辨率的方法。首先，计算不同分辨率图像的平均局部方差，然后比较平均局部方差随空间分辨率的变化，当局部方差达到最大时的分辨率被认为是最优的空间分辨率。此方法的基本前提之一是假设遥感图像中的景是由离散的互不重叠的目标（object）镶嵌而成。当图像空间分辨率小于景的目标时，相邻像元之间属于同一个目标而具有空间依赖；当像元大小等于景的目标时，相邻像元属于不同的景的对象，因此它们之间空间依赖程度最弱，因此局部方差最大；当像元进一步增大时，像元内都含有不同的目标，相邻像元之间的空间依赖程度又开始增强，局部方差开始减小。Hyppanen（1996）将此方法用于森林景观研究中最优空间分辨率的确定。局部方差方法的局限性之一是将图像从细分辨率逐步扩展到粗分辨率，并计算各分辨率的平均局部方差时存在的边界效应影响计算的局部方差的值。
空间统计学，特别是地统计学（Geostatistics）被逐步用于最优分辨率的选取问题。Atkinson等（1997）通过计算不同分辨率的图像的变异函数（variogram）来确定最优分辨率。该方法首先计算最小分辨率图像的实验变异（experimental variogram）函数，并用理论变异函数模型拟合，然后通过去正则化（de-regularization）处理过程，从一定大小像元上的实验变异函数得到点的变异函数（punctual variogram），再通过正则化（regularization）过程从点的变异函数得到任意尺度上的变异函数。这时以空间分辨率为横坐标，以不同分辨率情况下一个像元步长时的半方差为纵坐标画图，当半方差达到最大时对应的空间分辨率即为最优空间分辨率。基于类似的计算过程，Wang Guangxing等（2001）以不同分辨率变异函数的块金方差（nugget variance）和基台方差（sill variance）的比作为确定最优分辨率的指标。随着像元增大，当块金方差和基台方差的比变得稳定时，意味着测量误差的方差相对与结构方差达到最小，此时的图像分辨率被认为是最优的空间分辨率。
必须注意到，最优分辨率的选择是随所研究的问题而变化的。对研究某一变量时最优的分辨率对另一个变量可能不是最优的。不同的变量可能具有不同的空间特征，因此在涉及多个变量的地理模型中，很难确定惟一的最优分辨率。但是，每一个地理实体都具有其固有的空间特性，通过确定最优分辨率可以确定一个观测或测量地理实体的合适的尺度范围。
3.遥感信息尺度转换方法研究
遥感信息尺度转换方法是遥感尺度问题研究中的难点。在遥感信息分析和应用中，常常需要将遥感信息在不同尺度之间转换。例如，在用多源遥感信息进行专题分类时，常常需要不同类型的遥感数据（如多光谱数据和合成孔径雷达数据）共同参与分类以提高分类精度。不同类型的遥感数据一般具有不同的空间分辨率，这时就需要将遥感数据转换为统一的分辨率。再如，在地学、气候学、水文学或生态学等学科中，许多模拟或预测模型需要遥感数据提供模型的输入信息。对于不同的研究范围，这些模型的输入和输出要求有不同的空间分辨率。这时就需要将遥感信息从原始分辨率转换到模型要求的分辨率。也有一些情况下需要比较从不同类型的遥感数据中提取的信息。由于不同类型的遥感数据具有不同的分辨率，要求将这些信息转换到相同的空间分辨率。还有一些情况下，为了验证从遥感数据中提取的信息，需要在地面点的观测信息和遥感信息之间进行尺度转换。例如，柏延臣等（2001）在用地面点的观测值验证从SSM/I中反演的青藏高原雪深时就注意到不同尺度的信息之间比较带来的问题；Sanderson等（1998）用普通克里格空间插值方法将野外测量的植冠水分含量向上尺度扩展到遥感分辨率的尺度，以验证从遥感数据中估计的植冠水分含量。
遥感信息的尺度转换包括向上尺度转换（upscaling）和向下尺度转换（downscaling）。向上尺度转换是将高分辨率的遥感信息转换为低分辨率的过程；反之，向下尺度转换是将低分辨率的信息转换为高分辨率的过程。有时，也将向上尺度转换称为尺度扩展，而将向下尺度转换成为尺度收缩。在大部分情况下，都是将遥感数据进行向上尺度转换。理想的向上尺度转换方法应该是将高分辨率信息转换到低分辨率上时能够保持高分辨率数据中的内在信息（inherent information）（Hay and Niemman et al.，1997）。
遥感信息的尺度扩展方法有基于统计的方法和基于地学机理的方法。无论任何尺度转换方法，最大的挑战在于遥感信息所反映的地表特性的空间异质性（heterogeneity）。许多在小尺度上表现为均质的地理现象或过程在更大的尺度上可能表现出异质性。
常用的基于统计的遥感信息尺度扩展的方法有局部平均方法，中值采样法，中心采样法，以及数字图像处理中常用的重采样方法，如最近邻法、双线性内插、立方卷积内插法等。局部平均法是将高分辨率的遥感信息中一定大小窗口内的像元值平均后作为转换后对应的低分辨率遥感信息的像元值。中值采样法是取高分辨率的遥感信息中一定大小窗口内像元值的中值作为转换后对应的低分辨率遥感信息的像元值。中心像元法则是将高分辨率遥感信息一定大小窗口内中心像元的像元值作为转换后对应的低分辨率的遥感信息的像元值。L.Bian等（1999）利用模拟图像，从图像信息均值的保持和标准差（代表图像结构信息）保持两个方面比较了局部平均法，中值采样法和中心采样法三种尺度转换方法。结果显示，局部平均法和中值采样法都能很好地保持原图像的均值，但标准差有很大变化；中心像元法的均值和标准差都有很大变化。在图像自相关范围内，局部平均方法能够揭示不同尺度上潜在的图像空间结构；在一定范围内，中心像元法能够保持原图像的对比度和空间结构；当图像分辨率大于图像空间自相关范围时，平均法和中值法的图像变为均质图像，而中心像元法则引入严重的误差。
最近邻采样法，双线性内插和立方卷积内插是各种图像处理软件中的常用的方法，包括遥感图像处理软件。最近邻法也称零次插值法，它是将离原图像中像元位置最近的像元值赋予转换后对应位置的像元。双线性内插也称一次内插法，它将原图像中两个正交方向上的像元值按距离加权方法进行内插，然后赋予转换后对应位置的像元。其实质是以原图像中某像元的最近的4个像元的加权平均作为低分辨率图像中对应位置的像元值。立方卷积法的原理和双线性内插法类似，区别在于立方卷积法中是用原图像中某像元周围16个像元的加权平均作为转换后图像中对应位置的像元值。Hay 等（1997）的分析认为，最近邻采样，双线性内插和立方卷积内插法不适合于将遥感图像从高分辨率转换到低分辨率，特别是在尺度转换因子大于5时。
Raffy（1994a）从地表特性的空间异质性出发，提出了一个多光谱遥感模型空间化的一般性框架，并将其用于NDVI和APAR等的尺度扩展（Raffy，1994b；Gregoire and Raffy，1994）。
基于地学机理的遥感信息尺度转换因需要转换的信息不同而不同。由于从遥感数据中提取的不同的地学变量受不同的地学过程控制，不同变量的尺度扩展需要不同的模型。例如，Wood（1995）结合植被、土壤特性和地形等因子，探讨了从30 m分辨率的被动微波遥感数据中反演的土壤水分向更低分辨率进行尺度转换的方法。Hall等（1992）比较了用从遥感数据提取的地表辐射温度计算不同空间分辨率的地表通量的方法。Kustas 等（1996）探讨了利用遥感数据对感热通量进行尺度扩展的方法。Hipps等（1996）提出了一种结合高分辨率的遥感信息获取不同分辨率上平均地表通量的方法。张仁华等（2001）提出了具有物理基础的将点的气温观测资料扩展到区域的尺度转换方法以及以地面粗糙度和辐射温度为基础的地面2 m高处气温和风速的空间扩展算法。基于地学机理的尺度转换模型一般是通过建立多个变量的模型来预测低分辨率上某一地学变量的值，因此这种模型常常需要被转换变量以外的其他与该变量有物理联系的变量的信息。反过来，从遥感数据中提取的信息常常作为地学模型的输入以将各种点上的信息扩展到不同尺度的面上，或将基于点观测的地学模型扩展为不同空间尺度的空间模型。
❷ 遥感科学与技术的专业概述
遥感科学与技术专业旨在培养具备遥感和信息工程的基本理论、基本知识和基本技能，具有卫星遥感平台、传感器技术、信息获取、遥感数据处理、多传感器数据匹配和融合、图像自动解译技术和虚拟仿真的基本技术与方法，能够在城市规划、农业、林业、水利、电力、交通、军事、地质、测绘、环境、海洋等各类遥感领域从事遥感电子设备与系统研制、应用系统和系统集成的建设与开发，以及有关空间信息系统和管理信息系统的建设和应用高级专门人才。
培养具有较宽知识面，掌握一定的相关学科知识，了解本学科的发展与学科前沿，有创新意识，并能独立从事本学科及其交叉学科研究的能力。
该专业主要学习遥感技术、电子技术和计算机科学与技术等方面的基本理论和基本技能，学习地理信息系统、空间定位系统与遥感信息工程集成理论和方法，并能组织和实施各类应用系统的设计、开发和管理。主要包括：
掌握数学、物理、电子技术、计算机应用技术等方面的基本理论和基本知识；
掌握遥感机理、遥感数字图像处理、遥感信息工程及应用的基本技能与方法，了解其理论前沿、应用前景及最新发展动态；
掌握相关学科地理信息系统、空间定位系统、测绘工程等的原理和方法；
掌握资料查询、文献检索及运用现代信息技术获取相关信息的基本方法，具有一定的实验设计、创造实验条件，归纳、整理、分析实验结果，撰写论文，参与学术交流等能力。 主要开展地物微波辐射特征以及土壤水分、雪水当量、冻融过程和植被叶片含水量等参数的微波遥感反算法研究。拟结合近几年微波遥感器的快速发展，通过发展模型和地面试验系统，促进参数反算法的开发和提高大尺度被动微波遥感反演的可信度。主要标志性成果包括：
（1）基于星载辐射计的土壤水分被动微波遥感估测算法改进，以及裸露随机粗糙地表辐射参数化模型的发展；
（2）考虑多次散射的积雪参数化模型的发展；
（3）冻土介电常数模型和开发及实验测试系统的研制；
（4）地基4波段8通道微波辐射计试验系统的联合开发，并成功运行，取得了可靠数据。 重点研究水文气象参数的遥感反算法，以及遥感数据在水文气象模式中的应用方法。2000年拟以蒸发散为重点，结合陆面过程模式和地面试验，研究地面站点观测数据的面尺度拓展理论和方法。
（1）首次成功应用了大孔径闪烁仪、涡度相关仪与波文比-能量平衡装置等组成的通量观测系统，结合足迹模型获取了不同分辨率的卫星像元尺度的通量实测值；
（2）在北京市密云和大兴、河北省馆陶县建立了以大孔径闪烁仪、涡度相关仪与自动气象站为主要观测手段的遥感地面验证站；
（3）结合多源的卫星遥感信息，建立了基于地表能量平衡方程和互补相关原理的区域水热通量的遥感估算模型。 面向陆地表层过程、人类生存环境监测需求，以生态环境遥感监测为主要应用目标，注重解决生产实际问题，开展遥感应用研究。主要标志性成果包括：
（1）建立基于遥感数据和光能利用率的植被净第一性生产力（NPP）模型，并估算了全国NPP；
（2）利用遥感数据计算了黄河流域地表蒸散并分析了流域植被覆盖动态变化与气候要素间的关系；
（3）定量分析了城市化过程对陆地生态系统碳循环的影响。
❸ 遥感算法工程师很累吗
很累。根据查询遥感算法相关信息显示， 遥感算法工程师很累。遥感算法工程师岗位职责
1、主要从事遥感影像解译与信息提取算法研究和开发工作。
2、熟悉该领域，分析并解决研究和开发过程中出现的问题。
3、负责相关产品的分析报告设计、分析与编写工作。
4、开展多源资料融合处理技术研究，研制高级数据产品加工算法。
5、提供其他技术支持。
❹ 面向遥感图像分类基于注意力机制，你有哪些了解算法
传统的基于像素的遥感图像处理方法是基于遥感图像丰富的光谱信息和地面物体之间明显的光谱差异。对于只有几个波段的高分辨率遥感影像，传统的分类方法会导致分类精度降低和大量的空间数据冗余，分类结果往往是椒盐图像，不利于进行空间分析。为了解决这一传统问题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它将任何范围的特征值转化为0到1之间的模糊值，表示属于某个指定类别的程度。
除此以外，所有这些背景信息在图像分析中都非常重要，例如，城市绿地与一些湿地在光谱信息上相当相似，只要在面向对象的图像分析中明确城市绿地的背景为城市地区，就可以很容易地区分绿地和湿地，在基于像素的分类中，几乎不使用这种背景信息。面向对象的图像分析技术是在空间信息技术的长期发展过程中产生的，在遥感图像分析中具有很大的潜力。
到目前为止，面向对象的方法是一种比较理想的方法，可以建立一个与现实世界相匹配的地面模型。面向对象的处理方法中最重要的部分是图像分割。随着地球观测任务的逐步细化，高分辨率的遥感卫星图像得到了越来越广泛的应用。这给遥感图像分类方法带来了挑战。现有的研究表明，基于像素的高分辨率遥感图像分类存在着明显的局限性。近年来，基于对象的图像分析（OBIA）被认为是遥感和地理信息科学的一个重要趋势，在高分辨率遥感图像处理中变得越来越突出。
❺ 我科学家提高更高分辨率卫星遥感算法
融合效果对比图（左图为原始Landsat 图像，中图为新算法CRC图像，右图为经典融合算法STARFM图像。）中国农科院供图
中国农科院区化所研究员孙亮介绍，在卫星遥感数据中，有两个重要要素，一个是高时效性，也就是高时间分辨率，另外一个是高清晰度，也就是高空间分辨率。但受到卫星传感器的限制，这两个要素很难在同一卫星上同时具备。更多时候，它们是不同卫星的特征。一类卫星具有高重访周期，如MODIS系列卫星，具备每天观测的能力，但其空间分辨率只有500~1000米。另一类卫星具有较高空间分辨率，但重访周期较长，例如Landsat系列卫星，其空间分辨率为30米，但重访周期则长达16天。
此次，中美科学家联合开发的融合算法，则将这两类卫星数据的优点结合在一起，形成一套同时具备高时间和高空间分辨率的数据，这对农情监测至关重要。
不过，这类算法的基本假设，也导致其应用于农作物种植结构复杂地区时，小地块信息无法被准确获取。遥感数据时空融合算法针对该问题，研究提出了以作物参考曲线为基础的高时空分辨率植被指数重建算法。通过与现有的多种融合算法比较，该算法重建的精度最高，表现最稳定，尤其适用于云雨天气较多时高空间分辨率数据较少情况下的植被指数时间序列重建，未来可进一步应用于精细化农作物长势监测和产量预测研究中。
该研究得到院青年英才引进工程和NASA相关项目资助。相关研究成果在线发表在《环境遥感（Remote Sensing of Environment）》上。
编辑 唐峥 校对 危卓
❻ 各种遥感数据分类方法比较
常用的遥感数据的专题分类方法有多种，从分类判别决策方法的角度可以分为统计分类器、神经网络分类器、专家系统分类器等；从是否需要训练数据方面，又可以分为监督分类器和非监督分类器。
一、统计分类方法
统计分类方法分为非监督分类方法和监督分类方法。非监督分类方法不需要通过选取已知类别的像元进行分类器训练，而监督分类方法则需要选取一定数量的已知类别的像元对分类器进行训练，以估计分类器中的参数。非监督分类方法不需要任何先验知识，也不会因训练样本选取而引入认为误差，但非监督分类得到的自然类别常常和研究感兴趣的类别不匹配。相应地，监督分类一般需要预先定义分类类别，训练数据的选取可能会缺少代表性，但也可能在训练过程中发现严重的分类错误。
1.非监督分类器
非监督分类方法一般为聚类算法。最常用的聚类非监督分类方法是 K-均值（K-Means Algorithm）聚类方法（Duda and Hart，1973）和迭代自组织数据分析算法（ISODATA）。其算法描述可见于一般的统计模式识别文献中。
一般通过简单的聚类方法得到的分类结果精度较低，因此很少单独使用聚类方法进行遥感数据专题分类。但是，通过对遥感数据进行聚类分析，可以初步了解各类别的分布，获取最大似然监督分类中各类别的先验概率。聚类分析最终的类别的均值矢量和协方差矩阵可以用于最大似然分类过程（Schowengerdt，1997）。
2.监督分类器
监督分类器是遥感数据专题分类中最常用的一种分类器。和非监督分类器相比，监督分类器需要选取一定数量的训练数据对分类器进行训练，估计分类器中的关键参数，然后用训练后的分类器将像元划分到各类别。监督分类过程一般包括定义分类类别、选择训练数据、训练分类器和最终像元分类四个步骤（Richards，1997）。每一步都对最终分类的不确定性有显着影响。
监督分类器又分为参数分类器和非参数分类器两种。参数分类器要求待分类数据满足一定的概率分布，而非参数分类器对数据的概率分布没有要求。
遥感数据分类中常用的分类器有最大似然分类器、最小距离分类器、马氏距离分类器、K-最近邻分类器（K-Nearest neighborhood classifier，K-NN）以及平行六面体分类器（parallelepiped classifier）。最大似然、最小距离和马氏距离分类器在第三章已经详细介绍。这里简要介绍 K-NN 分类器和平行六面体分类器。
K-NN分类器是一种非参数分类器。该分类器的决策规则是：将像元划分到在特征空间中与其特征矢量最近的训练数据特征矢量所代表的类别（Schowengerdt，1997）。当分类器中 K=1时，称为1-NN分类器，这时以离待分类像元最近的训练数据的类别作为该像元的类别；当 K ＞1 时，以待分类像元的 K 个最近的训练数据中像元数量最多的类别作为该像元的类别，也可以计算待分类像元与其 K 个近邻像元特征矢量的欧氏距离的倒数作为权重，以权重值最大的训练数据的类别作为待分类像元的类别。Hardin，（1994）对 K-NN分类器进行了深入的讨论。
平行六面体分类方法是一个简单的非参数分类算法。该方法通过计算训练数据各波段直方图的上限和下限确定各类别像元亮度值的范围。对每一类别来说，其每个波段的上下限一起就形成了一个多维的盒子（box）或平行六面体（parallelepiped）。因此 M 个类别就有M 个平行六面体。当待分类像元的亮度值落在某一类别的平行六面体内时，该像元就被划分为该平行六面体代表的类别。平行六面体分类器可以用图5-1中两波段的遥感数据分类问题来表示。图中的椭圆表示从训练数据估计的各类别亮度值分布，矩形表示各类别的亮度值范围。像元的亮度落在哪个类别的亮度范围内，就被划分为哪个类别。
图5-1 平行六面体分类方法示意图
3.统计分类器的评价
各种统计分类器在遥感数据分类中的表现各不相同，这既与分类算法有关，又与数据的统计分布特征、训练样本的选取等因素有关。
非监督聚类算法对分类数据的统计特征没有要求，但由于非监督分类方法没有考虑任何先验知识，一般分类精度比较低。更多情况下，聚类分析被作为非监督分类前的一个探索性分析，用于了解分类数据中各类别的分布和统计特征，为监督分类中类别定义、训练数据的选取以及最终的分类过程提供先验知识。在实际应用中，一般用监督分类方法进行遥感数据分类。
最大似然分类方法是遥感数据分类中最常用的分类方法。最大似然分类属于参数分类方法。在有足够多的训练样本、一定的类别先验概率分布的知识，且数据接近正态分布的条件下，最大似然分类被认为是分类精度最高的分类方法。但是当训练数据较少时，均值和协方差参数估计的偏差会严重影响分类精度。Swain and Davis（1978）认为，在N维光谱空间的最大似然分类中，每一类别的训练数据样本至少应该达到10×N个，在可能的条件下，最好能达到100×N以上。而且，在许多情况下，遥感数据的统计分布不满足正态分布的假设，也难以确定各类别的先验概率。
最小距离分类器可以认为是在不考虑协方差矩阵时的最大似然分类方法。当训练样本较少时，对均值的估计精度一般要高于对协方差矩阵的估计。因此，在有限的训练样本条件下，可以只估计训练样本的均值而不计算协方差矩阵。这样最大似然算法就退化为最小距离算法。由于没有考虑数据的协方差，类别的概率分布是对称的，而且各类别的光谱特征分布的方差被认为是相等的。很显然，当有足够训练样本保证协方差矩阵的精确估计时，最大似然分类结果精度要高于最小距离精度。然而，在训练数据较少时，最小距离分类精度可能比最大似然分类精度高（Richards，1993）。而且最小距离算法对数据概率分布特征没有要求。
马氏距离分类器可以认为是在各类别的协方差矩阵相等时的最大似然分类。由于假定各类别的协方差矩阵相等，和最大似然方法相比，它丢失了各类别之间协方差矩阵的差异的信息，但和最小距离法相比较，它通过协方差矩阵保持了一定的方向灵敏性（Richards，1993）。因此，马氏距离分类器可以认为是介于最大似然和最小距离分类器之间的一种分类器。与最大似然分类一样，马氏距离分类器要求数据服从正态分布。
K-NN分类器的一个主要问题是需要很大的训练数据集以保证分类算法收敛（Devijver and Kittler，1982）。K-NN分类器的另一个问题是，训练样本选取的误差对分类结果有很大的影响（Cortijo and Blanca，1997）。同时，K-NN分类器的计算复杂性随着最近邻范围的扩大而增加。但由于 K-NN分类器考虑了像元邻域上的空间关系，和其他光谱分类器相比，分类结果中“椒盐现象”较少。
平行六面体分类方法的优点在于简单，运算速度快，且不依赖于任何概率分布要求。它的缺陷在于：首先，落在所有类别亮度值范围之外的像元只能被分类为未知类别；其次，落在各类别亮度范围重叠区域内的像元难以区分其类别（如图5-1所示）。
各种统计分类方法的特点可以总结为表5-1。
二、神经网络分类器
神经网络用于遥感数据分类的最大优势在于它平等地对待多源输入数据的能力，即使这些输入数据具有完全不同的统计分布，但是由于神经网络内部各层大量的神经元之间连接的权重是不透明的，因此用户难以控制（Austin，Harding and Kanellopoulos et al.，1997）。
神经网络遥感数据分类被认为是遥感数据分类的热点研究领域之一（Wilkinson，1996；Kimes，1998）。神经网络分类器也可分为监督分类器和非监督分类器两种。由于神经网络分类器对分类数据的统计分布没有任何要求，因此神经网络分类器属于非参数分类器。
遥感数据分类中最常用的神经网络是多层感知器模型（multi-layer percep-tron，MLP）。该模型的网络结构如图5-2所示。该网络包括三层：输入层、隐层和输出层。输入层主要作为输入数据和神经网络输入界面，其本身没有处理功能；隐层和输出层的处理能力包含在各个结点中。输入的结构一般为待分类数据的特征矢量，一般情况下，为训练像元的多光谱矢量，每个结点代表一个光谱波段。当然，输入结点也可以为像元的空间上下文信息（如纹理）等，或多时段的光谱矢量（Paola and Schowengerdt，1995）。
表5-1 各种统计分类器比较
图5-2 多层感知器神经网络结构
对于隐层和输出层的结点来说，其处理过程是一个激励函数（activation function）。假设激励函数为f（S），对隐层结点来说，有：
遥感信息的不确定性研究
其中，pi为隐层结点的输入；hj为隐层结点的输出；w为联接各层神经之间的权重。
对输出层来说，有如下关系：
遥感信息的不确定性研究
其中，hj为输出层的输入；ok为输出层的输出。
激励函数一般表达为：
遥感信息的不确定性研究
确定了网络结构后，就要对网络进行训练，使网络具有根据新的输入数据预测输出结果的能力。最常用的是后向传播训练算法（Back-Propagation）。这一算法将训练数据从输入层进入网络，随机产生各结点连接权重，按式（5-1）（5-2）和（5-3）中的公式进行计算，将网络输出与预期的结果（训练数据的类别）相比较并计算误差。这个误差被后向传播的网络并用于调整结点间的连接权重。调整连接权重的方法一般为delta规则（Rumelhart，et al.，1986）：
遥感信息的不确定性研究
其中，η为学习率（learning rate）；δk为误差变化率；α为动量参数。
将这样的数据的前向和误差后向传播过程不断迭代，直到网络误差减小到预设的水平，网络训练结束。这时就可以将待分类数据输入神经网络进行分类。
除了多层感知器神经网络模型，其他结构的网络模型也被用于遥感数据分类。例如，Kohonen自组织网络被广泛用于遥感数据的非监督聚类分析（Yoshida et al.，1994；Schaale et al.，1995）；自适应共振理论（Adaptive Resonance Theory）网络（Silva，S and Caetano，M.1997）、模糊ART图（Fuzzy ART Maps）（Fischer，M.M and Gopal，S，1997）、径向基函数（骆剑承，1999）等也被用于遥感数据分类。
许多因素影响神经网络的遥感数据分类精度。Foody and Arora（1997）认为神经网络结构、遥感数据的维数以及训练数据的大小是影响神经网络分类的重要因素。
神经网络结构，特别是网络的层数和各层神经元的数量是神经网络设计最关键的问题。网络结构不但影响分类精度，而且对网络训练时间有直接影响（Kavzoglu and Mather，1999）。对用于遥感数据分类的神经网络来说，由于输入层和输出层的神经元数目分别由遥感数据的特征维数和总的类别数决定的，因此网络结构的设计主要解决隐层的数目和隐层的神经元数目。一般过于复杂的网络结构在刻画训练数据方面较好，但分类精度较低，即“过度拟合”现象（over-fit）。而过于简单的网络结构由于不能很好的学习训练数据中的模式，因此分类精度低。
网络结构一般是通过实验的方法来确定。Hirose等（1991）提出了一种方法。该方法从一个小的网络结构开始训练，每次网络训练陷入局部最优时，增加一个隐层神经元，然后再训练，如此反复，直到网络训练收敛。这种方法可能导致网络结构过于复杂。一种解决办法是每当认为网络收敛时，减去最近一次加入的神经元，直到网络不再收敛，那么最后一次收敛的网络被认为是最优结构。这种方法的缺点是非常耗时。“剪枝法”（pruning）是另一种确定神经网络结构的方法。和Hirose等（1991）的方法不同，“剪枝法”从一个很大的网络结构开始，然后逐步去掉认为多余的神经元（Sietsma and Dow，1988）。从一个大的网络开始的优点是，网络学习速度快，对初始条件和学习参数不敏感。“剪枝”过程不断重复，直到网络不再收敛时，最后一次收敛的网络被认为最优（Castellano，Fanelli and Pelillo，1997）。
神经网络训练需要训练数据样本的多少随不同的网络结构、类别的多少等因素变化。但是，基本要求是训练数据能够充分描述代表性的类别。Foody等（1995）认为训练数据的大小对遥感分类精度有显着影响，但和统计分类器相比，神经网络的训练数据可以比较少。
分类变量的数据维对分类精度的影响是遥感数据分类中的普遍问题。许多研究表明，一般类别之间的可分性和最终的分类精度会随着数据维数的增大而增高，达到某一点后，分类精度会随数据维的继续增大而降低（Shahshahani and Landgrebe，1994）。这就是有名的Hughes 现象。一般需要通过特征选择去掉信息相关性高的波段或通过主成分分析方法去掉冗余信息。分类数据的维数对神经网络分类的精度同样有明显影响（Battiti，1994），但Hughes 现象没有传统统计分类器中严重（Foody and Arora，1997）。
Kanellopoulos（1997）通过长期的实践认为一个有效的ANN模型应考虑以下几点：合适的神经网络结构、优化学习算法、输入数据的预处理、避免振荡、采用混合分类方法。其中混合模型包括多种ANN模型的混合、ANN与传统分类器的混合、ANN与知识处理器的混合等。
三、其他分类器
除了上述统计分类器和神经网络分类器，还有多种分类器被用于遥感图像分类。例如模糊分类器，它是针对地面类别变化连续而没有明显边界情况下的一种分类器。它通过模糊推理机制确定像元属于每一个类别的模糊隶属度。一般的模糊分类器有模糊C均值聚类法、监督模糊分类方法（Wang，1990）、混合像元模型（Foody and Cox，1994；Settle and Drake，1993）以及各种人工神经网络方法等（Kanellopoulos et al.，1992；Paola and Schowengerdt，1995）。由于模糊分类的结果是像元属于每个类别的模糊隶属度，因此也称其为“软分类器”，而将传统的分类方法称为“硬分类器”。
另一类是上下文分类器（contextual classifier），它是一种综合考虑图像光谱和空间特征的分类器。一般的光谱分类器只是考虑像元的光谱特征。但是，在遥感图像中，相邻的像元之间一般具有空间自相关性。空间自相关程度强的像元一般更可能属于同一个类别。同时考虑像元的光谱特征和空间特征可以提高图像分类精度，并可以减少分类结果中的“椒盐现象”。当类别之间的光谱空间具有重叠时，这种现象会更明显（Cortijo et al.，1995）。这种“椒盐现象”可以通过分类的后处理滤波消除，也可以通过在分类过程中加入代表像元邻域关系的信息解决。
在分类过程中可以通过不同方式加入上下文信息。一是在分类特征中加入图像纹理信息；另一种是图像分割技术，包括区域增长/合并常用算法（Ketting and Landgrebe，1976）、边缘检测方法、马尔可夫随机场方法。Rignot and Chellappa（1992）用马尔可夫随机场方法进行SAR图像分类，取得了很好的效果，Paul Smits（1997）提出了保持边缘细节的马尔可夫随机场方法，并用于SAR图像的分类；Crawford（1998）将层次分类方法和马尔可夫随机场方法结合进行SAR图像分类，得到了更高的精度；Cortijo（1997）用非参数光谱分类对遥感图像分类，然后用ICM算法对初始分类进行上下文校正。
❼ 遥感图像分类法
图像分类是与图像信息提取和增强不同的遥感图像处理中另一重要的方面，与图像增强后仍需人为解译不同，它企图用计算机做出定量的决定来代替人为视觉判译步骤。因此，分类处理后输出的是一幅专题图像。在此图像中，原来图像中的每一个象元依据不同的统计决定准则被划归为不同的地表覆盖类，由于是一种统计决定，必然伴随着某种错误的概率。因此，在逻辑上的合理要求是，对每一个象元所做的决定，应是使整个被分类面积即对大量单个象元的分类的某个错误判据为最小。
以下是几种常用的遥感图像分类方法：
1.最大似然分类（maximum likelihood classification）
最大似然分类是一种基于贝叶斯判别准则的非线性监督分类方法，需要知道已知的或确定的训练样区典型标准的先验概率P（wi）和条件概率密度函数P（wi，x）。P（wi）通常根据各种先验知识给出或假定它们相等：P（wix）则是首先确定其分布形式，然后利用训练样本估计其参数。一般假设为正态分布，或通过数学方法化为正态分布。其判别函数集为：
Di（x）=P（wix），i=1，2，…，m （2-2）
如果Di（x）≥ Dj（x），则x属于wi类。其中，j≠i，j=1，2，…，m。m为类别数。
从上述最大似然分类的说明看，其关键就在于已知类别的定义，先验概率的确定，参与分类的变量的好坏和结果误差评价。直到现在，最大似然分类至少还有两个缺点：一是事先大量人力已知光谱类的选择和定义：二是需要长时间的计算机分类计算时间。实际上这也使得最大似然分类法遥感应用受到了限制，因此许多人专门研究改进算法以便解决和缩减图像分类的时间，提高分类的精度。Solst和Lillesand（1991）为了解决已知类别定义消耗大量人力的缺点，发展了半自动训练法进行已知光谱类的定义。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非参数分类器计算出各已知类训练集的先验概率，然后将它们插入常规的最大似然分类过程中进行分类。该方法融合了非参数和参数分类过程的优点，提高了分类的精度。
通常情况下，地形会影响到训练集数据，这样训练集光谱数据就偏离了最大似然分类的假设条件正态分布，从而常规的最大似然分类法在地形起伏较大的地区效果并不太好。为了解决这一问题，C.Conese和G.Maracchi和F.Maselli（1993）提出了一种改进的最大似然分类算法，即去掉每一类数据集中与第一主成分相关的信息（地形信息）然后再进行分类。通过试验，这种方法是有效的，分类精度得到了提高。
K.Arai（1993）用光谱和空间信息进行分类改进了最大似然分类方法。该方法简单易行，大大提高了正确分类的概率。C.Conese和Fabio Maselli（1992）用误差矩阵提高最大似然分类面积估计的精度。Irina Kerl（1996）加最大似然分类精度的一种方法，即多概率比较法。他对同一遥感数据的原始波段、主成分和植被指数的22种组合进行了最大似然分类，发现没有一种波段组合的分类能给出图像中所有土地利用类型的精确分类，每一波段组合仅对图像中的一两类土地利用类型分类有效。因此他提出将能有效区分出所要决定的土地利用类型的几个波段组合的分类结果进行组合来进行图像分类，并称这种方法为多概率比较法，这种方法的基础就是图像数据不同波段组合的分类结果之间分类概率大小的比较。应用这种方法提高了分类的精度。
2.最小距离分类（minimum distance classification）
最小距离分类是一种线性判别监督分类方法，也需要对训练区模式样本进行统计分析，是大似然分类法中的一种极为重要的特殊情况。最小距离分类在算法上比较简单，首先需选出要区分类别的训练样区，并且从图像数据中求出各类训练样区各个波段的均值和标准差，然后再计算图像中其他各个象元的灰度值向量到各已知类训练样区均值向量之间的距离。如果距离小于指定的阈值（一般取标准差的倍数），且与某一类的距离最近，就将该象元划归为某类。因此称为最小距离分类。该方法的精度主要取决于已知类训练样区的多少和样本区的统计精度。另外，距离度量的方法不同，分类的结果也不相同，常见的有：
（1）明氏距离（minkowski distance）
中亚地区高光谱遥感地物蚀变信息识别与提取
式中Tij=-Tij。
③经过①②步后，随机象元X被划归为正确的类。
另外，通过对参与计算变量的排序和部分一总和逻辑的考虑，可大大降低该算法计算的时间。与最小距离（欧氏距离）和最大似然分类器相比，整体平均分类器所用时间最少，分类精度与最小距离大致相同，对像农田面积和森林这样的名义类型的分类十分有效。
Haluk Cetin（1996）提出了一种分类方法：类间距离频率分布法（interclass distance frequency dis-tribution），这是多光谱数据非参数分类方法的一种。类间距离频率分布过程简单，是一种有力的可视化技术，它图形地显示多光谱数据和类分布。首先选择感兴趣的类，这些类的统计信息从典型的训练样区可获得。利用类的平均测量矢量计算多光谱数据中每个象元的距离，并存放在一个两维数据分布数组中。选择其他类的训练区，训练区数据的分布通过距离计算可获得。通过可视化地检查结果，建立分类查询表（look-up table），然后利用分类查询表进行多光谱图像数据的分类，具体细节请参见原文。
H.N.Srikanta Prakash等（1996）改进了遥感数据凝聚聚类分析，这是一种基于相互近邻概念，用来进行多光谱数据分类的非参数、层次、凝聚聚类分析算法。该方法定义了围绕象元的感兴趣区域（area of interest around each pixel），然后在它内部寻找分类时初始合并操作需要的k最近邻，将象元的特征值、波段值和象元的相对位置值一起考虑，提出了改进的距离量度，这样，大大减少了计算的时间和内存的需求，降低了分类的误差概率。
Steven E.Franklin和Bradley A.Wilson（1992）设计了3阶段分类器进行遥感图像的分类，它由一个基于四叉树的分割算子、一个高斯最小距离均值测试和一个包括辅助地理网数据和光谱曲线测量的最终测试构成。与最大似然分类技术相比，3阶段分类器的总体分类精度得到了提高，减少计算时间，另外仅需最少的训练样区数据（它们在复杂地形区很难获得）。