胡順石，黃 英，黃春曉，李大成，王 倩

(1.湖南師范大學(xué) 地理科學(xué)學(xué)院，湖南 長沙 410081；2.湖南師范大學(xué) 地理空間大數(shù)據(jù)挖掘與應(yīng)用湖南省重點實驗室，湖南 長沙 410081；3.太原理工大學(xué) 礦業(yè)工程學(xué)院，山西 太原030024；4.天津師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院，天津 300387)

0 引言

隨著航空航天遙感技術(shù)的發(fā)展，不同遙感平臺和傳感器采集數(shù)據(jù)的能力越來越強，可向全球用戶提供越來越高的空間、時間、光譜以及輻射分辨率的遙感數(shù)據(jù)，這為人類認識、探索和研究地理要素空間分布、時空變化等提供了多源基礎(chǔ)數(shù)據(jù)。由于地理環(huán)境要素之間存在著十分復(fù)雜的非線性關(guān)系，任何單一類型的遙感數(shù)據(jù)不能全面、準確地反映和提取地物綜合信息，因此單一遙感數(shù)據(jù)源存在著其本身固有的局限性，而由不同傳感器、不同成像手段獲得的多源遙感數(shù)據(jù)為獲取地物綜合信息提供了有效的手段。多源遙感影像融合是將多個不同或相同傳感器獲取的不同空間、時間和光譜分辨率的影像進行多層次有機整合，以產(chǎn)生更加豐富的時空譜信息用以解決行業(yè)應(yīng)用問題。與單一遙感數(shù)據(jù)源相比，融合后的影像具有更高的光譜、空間和時間分辨率，能夠最大限度地利用不同數(shù)據(jù)源提供的信息，從而提高影像信息提取、分析和動態(tài)監(jiān)測的能力，改善遙感信息提取的現(xiàn)勢性和可靠性。根據(jù)遙感影像應(yīng)用的目的，多源遙感影像融合可以分為空-譜遙感影像融合、時-空遙感影像融合和時-空-譜一體化融合?？?譜遙感影像融合是將同一研究區(qū)域多幅具有不同空間分辨率、光譜分辨率的遙感影像進行融合，得到具有高空間分辨率和高光譜分辨率的融合影像；當前空-譜融合技術(shù)可以有效地保持光譜信息的同時融入空間紋理特征，得到了深入的發(fā)展和廣泛的應(yīng)用[4]。時-空遙感影像融合在遙感應(yīng)用中更關(guān)注研究區(qū)域的變化過程，隨著時間維遙感信息的引入，衍生了一系列的時-空融合方法。時-空融合通過對高空間分辨率和高時間分辨率傳感器影像進行融合處理，生成時間相對連續(xù)的高時空分辨率影像。雖然空-譜遙感影像融合和時-空遙感影像融合已經(jīng)能解決很大一部分關(guān)于時間、空間和光譜分辨率相互制約的問題，但卻無法同時得到時間、空間和光譜分辨率兼優(yōu)的融合影像。目前，大部分時-空-譜一體化融合尚處于理論方法研究階段，還需要進一步地深入研究，因此發(fā)展和挖掘時-空-譜一體化融合的統(tǒng)一融合框架及應(yīng)用研究是未來重要的研究方向。

本文從多源遙感影像協(xié)同應(yīng)用的角度出發(fā)，首先介紹了空-譜遙感影像融合、時-空遙感影像融合和時-空-譜一體化融合的相關(guān)模型和方法，著重介紹了全色、多光譜和高光譜等典型遙感影像的融合方法、影像特點及其局限性；總結(jié)了多源遙感影像融合方法的研究現(xiàn)狀和面臨的難題；然后，闡述了多源遙感影像在圖像分類、目標信息提取、動態(tài)變化監(jiān)測等方面的協(xié)同應(yīng)用情況及存在的挑戰(zhàn)；最后，對多源遙感影像協(xié)同應(yīng)用的整體發(fā)展趨勢與未來可能的研究方向進行了展望。

1 多源遙感影像及協(xié)同融合方法

1.1 多源遙感影像及協(xié)同融合

近年來，空間遙感技術(shù)取得了極大的進步，在各行業(yè)領(lǐng)域應(yīng)用十分廣泛；遙感對地觀測的平臺、遙感探測的方式越來越豐富，獲取遙感數(shù)據(jù)的空間分辨率、光譜分辨率等也越來越高。多源遙感影像一般是指通過不同平臺獲取的、具有不同成像方式且類型多樣的遙感觀測數(shù)據(jù)，這些觀測數(shù)據(jù)具有顯著的冗余性、互補性和合作性。冗余性是指它們對目標地物的表示、描述具有相同的解釋結(jié)果；互補性是指這些遙感觀測數(shù)據(jù)從不同角度、尺度、方式來表征地物目標信息，具有一定的獨立性和相互補充特性；合作性是通過綜合利用這些信息可以達到解決復(fù)雜環(huán)境下的遙感應(yīng)用問題。遙感應(yīng)用者更加希望將同一地區(qū)的多源遙感影像數(shù)據(jù)加以智能化合成處理，產(chǎn)生比單源遙感影像具有更加精確、完全和可靠信息，用以獲取目標地物更加綜合的信息。這需要發(fā)展多源遙感影像協(xié)同融合技術(shù)，它是綜合運用來自不同或相同傳感器數(shù)據(jù)源各自的優(yōu)勢，在同質(zhì)遙感數(shù)據(jù)、異質(zhì)遙感數(shù)據(jù)、遙感-站點數(shù)據(jù)、遙感-非觀測數(shù)據(jù)之間進行融合[4]，提高遙感影像的空間、時間、光譜分辨率以及分析、決策的精度。

全色、多光譜和高光譜影像反映了不同地物的反射光譜信息，但受成像指標及云、雨、霧等客觀環(huán)境的限制，這些影像很難同時獲得高分辨率的空間、時間和光譜信息[5]；相比光學(xué)遙感，合成孔徑雷達(Synthetic Aperture Radar，SAR)具有全天時、全天候?qū)Φ赜^測的優(yōu)勢[6]，獲取的影像包含了豐富的空間和幾何結(jié)構(gòu)信息，但由于其成像原理和散斑噪聲的影響，圖像的視覺效果與光學(xué)影像存在很大差異，從而使得SAR影像解譯具有一定的難度。將SAR影像與光學(xué)影像進行融合可以彌補SAR影像缺乏光譜信息等問題，提高融合影像的質(zhì)量和可解釋性[7]。此外，隨著微波傳感器的發(fā)展，多極化的SAR影像與光學(xué)影像融合也展現(xiàn)了巨大的發(fā)展?jié)摿?；熱紅外傳感器記錄地表自身發(fā)射的熱紅外輻射強度信息，廣泛應(yīng)用于地表溫度反演、城市熱島效應(yīng)等領(lǐng)域[9]。將熱紅外與多光譜數(shù)據(jù)融合能夠綜合利用溫度、光譜和紋理等特征來分析有關(guān)地表熱環(huán)境的問題；除了傳統(tǒng)的遙感影像數(shù)據(jù)外，一些新型傳感器獲得的數(shù)據(jù)正在蓬勃發(fā)展，如夜間燈光數(shù)據(jù)、LiDAR數(shù)據(jù)等。夜光遙感衛(wèi)星能在夜間無云的情況下捕捉城鎮(zhèn)等地表發(fā)射的可見光-近紅外電磁波輻射，獲取的數(shù)據(jù)能有效反映人類活動強度及城市化進程的差異。在利用夜間燈光數(shù)據(jù)開展相關(guān)研究時，夜間燈光數(shù)據(jù)存在光譜信息不足、空間分辨率較低和燈光強度過飽和等問題[13]，將夜間燈光數(shù)據(jù)與全色、多光譜影像進行特征級、決策級的融合，則可以豐富夜間燈光數(shù)據(jù)的紋理和光譜信息，從而擴大應(yīng)用范圍和領(lǐng)域；激光雷達(Light Detection And Ranging，LiDAR)是集成了激光系統(tǒng)、全球定位系統(tǒng)、慣性導(dǎo)航系統(tǒng)等于一體的主動微波傳感器，具有較為準確的三維空間信息、數(shù)據(jù)精度高和穿透性強等優(yōu)勢。LiDAR數(shù)據(jù)可以為其他遙感數(shù)據(jù)提供輔助信息，例如LiDAR數(shù)據(jù)與高光譜數(shù)據(jù)融合，可以較好地解決高光譜數(shù)據(jù)難以區(qū)分相似光譜但高程不同的地物；LiDAR數(shù)據(jù)與SAR數(shù)據(jù)融合，可以很好地消除SAR影像中的陰影[18]。

1.2 多源遙感影像協(xié)同融合方法

多源遙感影像協(xié)同融合方法按方式一般可以分為空-譜、時-空、時-空-譜一體化遙感影像融合，如圖1所示，其中空-譜、時-空、時-空-譜一體化融合主要是對2個或多個原始觀測數(shù)據(jù)進行融合，生成新的融合數(shù)據(jù)，其主要目的是為了提升遙感數(shù)據(jù)空間、時間、光譜分辨率等指標的質(zhì)量，以便于提高地物解譯及決策的精度。

圖1 多源遙感影像融合方法Fig.1 Multi-source remote sensing image fusion method

1.2.1 空-譜遙感影像融合

空-譜遙感影像融合可以同時獲得高空間分辨率和高光譜分辨率的遙感影像[19]，其基本思想是將多幅高空間分辨率的影像和高光譜分辨率的影像融合，得到高空間、光譜分辨率的遙感影像?？?譜融合方法主要分為4類：成分替換類融合方法、多分辨率分析融合方法、基于變分優(yōu)化的融合方法以及基于深度學(xué)習(xí)的融合方法。

在空-譜融合方法中，成分替換類融合方法和多分辨率分析融合方法應(yīng)用最為廣泛。成分替換類遙感數(shù)據(jù)融合方法主要是高光譜分辨率影像的空間分量被高空間分辨率影像所取代用以增強空間細節(jié)等信息，該方法簡單快速但光譜失真嚴重。多分辨率分析融合方法是將多幅影像分解到不同尺度、不同分辨率下分別采用有效的融合規(guī)則對影像進行融合，該方法相比成分替換類方法能在一定程度上保持光譜的不變性[20]，代表性融合方法有小波變換、Curvelet變換和Contourlet變換等，但這些常用的遙感融合技術(shù)都無法平衡空間信息融入度與光譜信息保真度這一組相互制約的方面[21]。其主要原因是影像光譜范圍部分重疊，導(dǎo)致傳感器光譜范圍必須變化，遂產(chǎn)生光譜畸變[22]。后續(xù)不斷有學(xué)者對融合算法進行了改進，以致力于獲得最小的光譜扭曲度和最大的空間細節(jié)、紋理特征。

基于變分優(yōu)化的融合方法的核心思想是針對輸入、輸出影像之間的聯(lián)系做出假設(shè)建立條件約束構(gòu)造融合模型，將影像融合問題轉(zhuǎn)為優(yōu)化問題求解得到融合影像。與傳統(tǒng)融合方法相比，基于變分優(yōu)化的方法能有效保護光譜信息和空間細節(jié)信息，增強融合影像的視覺效果，提高融合影像的質(zhì)量[24]，但存在時間復(fù)雜度高、融合效率低和空間信息提取不充分等問題?；诖耍醯葘⒆兎址ㄅc偏微分方程理論結(jié)合應(yīng)用到影像融合中得到最小的能量函數(shù)，獲得最優(yōu)權(quán)值求解得到融合影像，解決了融合效率低、影像細節(jié)信息提取不充分等問題。

在大數(shù)據(jù)時代背景下，基于深度學(xué)習(xí)的融合方法引起了廣泛的關(guān)注，除了應(yīng)用在光學(xué)遙感中，激光雷達和高光譜數(shù)據(jù)融合的領(lǐng)域也出現(xiàn)了大量的應(yīng)用?；谏疃葘W(xué)習(xí)的融合方法在大量訓(xùn)練數(shù)據(jù)的基礎(chǔ)上從多層特征、結(jié)構(gòu)中獲得多層次的信息用于提取深層抽象的融合特征，同時深度神經(jīng)網(wǎng)絡(luò)具有多個隱藏層和大量參數(shù)，具有強大的非線性表達能力，適合描述不確定的復(fù)雜系統(tǒng)，但由于大量網(wǎng)絡(luò)參數(shù)及樣本數(shù)據(jù)的存在，該方法存在累積誤差且對計算機的性能有一定的要求。因此，有學(xué)者通過更改神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以學(xué)習(xí)更多、更深層的空間和光譜特征，減少累積誤差。

1.2.2 時-空遙感影像融合

時-空遙感影像融合技術(shù)是將高時間分辨率影像與高空間分辨率影像融合成高時空分辨率影像。目前常見的時空融合方法主要分為基于變換的模型、基于像元重構(gòu)的模型和基于學(xué)習(xí)模型。

基于變換模型的融合方法主要包括小波變換和主成分分析，其中小波分析方法的應(yīng)用最為廣泛。小波變換是從空-譜融合領(lǐng)域引進的方法，它將影像進行小波分解，然后對分解后的各個層進行融合，再經(jīng)過反變換，從而獲得高分辨率時空影像。小波變換的時空融合能夠很好地保留光譜信息，但是該方法在進行混合像元融合時容易出現(xiàn)“圖斑”問題，且在地物變化較大的地區(qū)，融合結(jié)果與真實值會有一定的差異，因此該方法并沒有得到廣泛的應(yīng)用。

國內(nèi)外對多源遙感影像時空融合時，使用最多的是基于像元重構(gòu)的模型，其主要思想是將目標像元周邊的像素考慮到融合過程中，是一種降尺度的方法[31]。最早的學(xué)者Gao[34]提出的時空自適應(yīng)反射率融合模型(Spatial and Temporal Adaptive Reflectance Fusion Model，STARFM)是應(yīng)用最為廣泛的融合算法，該方法將高時間分辨率的MODIS和中空間分辨率的Landsat影像進行融合，考慮了時間、光譜和空間3個方面的距離問題。但是該方法在對異質(zhì)性較強的區(qū)域進行融合時精度并不高，因此Zhu等[36]在STARFM的基礎(chǔ)上，提出了改進型時空自適應(yīng)融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM)，該模型將兩景高空間分辨率的影像加入融合算法中，可以很好地解決混合像元的問題。STARFM模型另外一個明顯的不足就是忽略了變化信息，例如土地覆蓋、環(huán)境等在多數(shù)情況下是隨著時間變化的，因此多個時空融合模型相繼被提出來解決此類問題。

基于學(xué)習(xí)模型的時空融合模型主要分為基于稀疏表達及字典學(xué)習(xí)和基于深度學(xué)習(xí)兩大類。2012年Huang等[42]提出基于稀疏表示理論的時空反射率融合模型(Sparse Representation-Based Spatial-Temporal Reflectance Fusion Model，SPSTFM)，該模型首先通過非線性的方法提取出MODIS和Landsat影像的字典對，然后使用了耦合字典模型以及稀疏表達理論完成Landsat影像與MODIS影像的融合。同時，基于深度學(xué)習(xí)的理論在時空融合中應(yīng)用也越來越多，利用卷積神經(jīng)網(wǎng)絡(luò)[46]、基于條件生成對抗網(wǎng)絡(luò)的時空融合方法能更好地學(xué)習(xí)融合影像之間的復(fù)雜非線性映射，保留更多細節(jié)信息，是一種低成本高效率的融合方法，且評價指標顯示該方法明顯優(yōu)于其他基于稀疏表達及字典的方法。

1.2.3 時-空-譜一體化融合

衛(wèi)星傳感器的特點是在空間、時間和光譜分辨率之間存在制約、權(quán)衡，為了同時獲得高空間、時間、光譜分辨率的融合影像，構(gòu)建時空譜一體化模型成為必要手段，時-空-譜一體化模型在充分利用各傳感器所包含的互補信息的同時，還融合了空間、時間和光譜特性[4]。早在2012年Shen[48]嘗試基于最大后驗概率(MAP)為多個時空譜遙感影像建立綜合融合框架。Huang等[49]在Shen提出模型的基礎(chǔ)上，擴展了模型并提出統(tǒng)一融合的概念，在實驗結(jié)果中證明了模型的潛力和靈活性，但該模型僅實現(xiàn)了在2個傳感器上的時-空-譜一體化融合。Wu等[50]提出一種在統(tǒng)一框架下對任意多個傳感器的集成融合，但該框架沒考慮多個時間、空間和光譜的同時融合。而在2016年Shen等[51]提出一種多傳感器遙感影像時空譜融合的集成框架，不僅可以完成不同遙感數(shù)據(jù)類型的融合任務(wù)，還可以對空間、時間、光譜信息進行綜合互補融合，但由于該集成框架算法復(fù)雜，導(dǎo)致算法執(zhí)行時間較長、效率低。未來，在保證算法效率的基礎(chǔ)上如何更全面、有效地利用時、空、譜特征及其相互之間的關(guān)系變得尤為重要。

2 多源遙感影像協(xié)同應(yīng)用

多源遙感影像協(xié)同應(yīng)用是指將衛(wèi)星、航空和地面等遙感平臺所記錄的多種不同空間、時間、光譜分辨率以及不同成像類型的遙感數(shù)據(jù)加以綜合利用，獲得不同源數(shù)據(jù)的優(yōu)勢特征，用以解決復(fù)雜的地理現(xiàn)象和復(fù)雜環(huán)境下遙感應(yīng)用問題。多源遙感影像協(xié)同應(yīng)用的過程，其應(yīng)用領(lǐng)域包括自然災(zāi)害監(jiān)測與識別、農(nóng)業(yè)、林業(yè)和氣象等，如圖2所示。鑒于許多遙感應(yīng)用十分關(guān)注目標地物類別、信息變化，本文將著重介紹多源遙感影像在圖像協(xié)同分類、目標信息提取和動態(tài)變化檢測3個方面協(xié)同應(yīng)用進展情況。

2.1 圖像協(xié)同分類

遙感圖像分類主要根據(jù)目標地物的輻射光譜特征，依據(jù)特征判斷識別目標地物的屬性，進而為目標信息提取、動態(tài)變化檢測等其他應(yīng)用提供了輔助信息。遙感圖像分類方法按分類單元的大小，可分為基于像元的分類、基于對象的分類以及基于混合像元分解的分類[52]。

基于像元的分類是以每個像元為單位，主要依賴像元的光譜向量將像元劃分到相應(yīng)的類別。光學(xué)遙感是基于像元分類的主要數(shù)據(jù)源，可反映地物的光譜特征，但對地物的空間、紋理和形狀等特征不敏感，且易受云雨天氣的影響。微波遙感在一定程度上具有穿云透霧的能力，并且對地物的形狀、紋理特征敏感，但微波圖像受固有散斑噪聲的干擾，缺乏光譜特征。將光學(xué)數(shù)據(jù)與微波數(shù)據(jù)融合分類，可在一定程度上減少“同物異譜”或“異物同譜”現(xiàn)象的發(fā)生，同時實現(xiàn)了光譜特征及空間紋理特征的互補。例如，馬騰等[54]將高分一號多光譜數(shù)據(jù)與RADARSAT-2雷達數(shù)據(jù)相結(jié)合，利用決策樹分類器對土地利用類型進行分類。

基于對象的分類是以圖像分割所得到的“對象”為處理單元，綜合考慮地物的光譜、紋理和形狀等信息對“對象”劃分類別。高空間分辨率的遙感數(shù)據(jù)能較好地提取地物的空間紋理特征，中空間分辨率的遙感數(shù)據(jù)能探測一定范圍的光譜、紋理和時間等信息，低空間分辨率的遙感數(shù)據(jù)往往有較高的時間分辨率。綜合利用多源遙感數(shù)據(jù)在空間、時間和光譜分辨率上的優(yōu)勢，能夠提取多層次的遙感特征、提高圖像分類精度。例如，李曉紅等[55]綜合提取GF-1寬幅多光譜圖像的光譜、紋理、形狀等特征及MODIS NDVI時間序列遙感數(shù)據(jù)的時序特征，基于分類回歸樹分類器完成面向?qū)ο蟮耐恋馗采w分類，結(jié)果表明綜合應(yīng)用多源遙感數(shù)據(jù)的面向?qū)ο蠓诸惥纫黠@優(yōu)于單源影像。

基于混合像元分解的分類是將基于混合像元分解的思想融入到遙感圖像分類中，從“亞像元”級對圖像進行分類，可以有效提高圖像分類精度及效率。混合像元由于空間分辨率的限制，廣泛地分布于中低空間分辨率影像，高空間分辨率影像存在的混合像元較少，但因為觀測尺度原因無法對研究區(qū)域進行大范圍快速的監(jiān)測與評估。將高空間分辨率影像與中低空間分辨率影像融合進行混合像元分類分解，能有效提升高空間分辨率的時效性及應(yīng)用尺度，有效克服中低空間分辨率混合像元的影響。例如，陳潔等[60]利用風云三號氣象數(shù)據(jù)高觀測頻次和高分一號數(shù)據(jù)高空間分辨率的特點，基于遙感圖像光譜分析和混合像元分解技術(shù)的多源衛(wèi)星遙感農(nóng)作物的分類與估算，既保證了高時效的需求又保證了分類精度。

基于像元的分類方法簡單且應(yīng)用廣泛，但影像分類時僅考慮單個像元的特征并未考慮相鄰像元之間的關(guān)系，并且混合像元廣泛分布于中低分辨率圖像中，導(dǎo)致基于像元的分類方法對像元的各種特征提取不充分，無法有效處理“同物異譜”的現(xiàn)象。面向?qū)ο蟮姆诸惙椒ňC合考慮“對象”的各種屬性特征，能有效避免“同物異譜、異物同譜”“椒鹽現(xiàn)象”等現(xiàn)象的發(fā)生，具有更為準確的分類結(jié)果，但該方法往往會造成圖像光譜信息損失、光譜混淆的現(xiàn)象。基于混合像元分解的分類方法廣泛應(yīng)用于中低分辨率圖像中，對目標“亞像元”級的探測與識別，能夠提高精細化分類水平、多源遙感影像定量化協(xié)同應(yīng)用水平，但如何有效處理光譜間冗余信息、噪聲及有效提取端元信息成為亟待解決的問題之一。

2.2 目標信息提取

遙感目標信息提取是為了獲得遙感圖像上目標地物的光譜、紋理和形狀等特征信息，在土地利用、水體提取和地質(zhì)災(zāi)害等方面得到了廣泛應(yīng)用，揭示了研究對象本身的特征及其與周圍環(huán)境的聯(lián)系，為目標的定量反演、動態(tài)變化和質(zhì)量評價等提供了依據(jù)。高分遙感多以IKONOS、SPOT等為數(shù)據(jù)源，能有效地綜合圖像的光譜、空間紋理等特征。中等分辨率遙感數(shù)據(jù)多以Landsat TM為數(shù)據(jù)源用于信息提取，雖然中高分辨率數(shù)據(jù)能提取較好的信息提取結(jié)果，但由于硬件、傳感器等限制，使得中高分辨率數(shù)據(jù)無法大面積觀測。低分辨率遙感數(shù)據(jù)多以MODIS作為數(shù)據(jù)源，受混合像元的限制，信息提取精度不理想，但低分辨率遙感數(shù)據(jù)在大面積監(jiān)測方面具有明顯優(yōu)勢。將中高分辨率遙感數(shù)據(jù)與低分辨率數(shù)據(jù)結(jié)合，就可以實現(xiàn)時間、空間和光譜分辨率的信息互補，實現(xiàn)全方位、快速、準確地提取大尺度信息。例如，崔璐等將MODIS NDVI產(chǎn)品、反射率產(chǎn)品數(shù)據(jù)和Landsat數(shù)據(jù)結(jié)合，利用決策樹結(jié)合混合像元分解的方法提取竹林的時空分布信息，不僅實現(xiàn)了大尺度時空信息的提取，還在一定程度上減輕了混合像元的影響。除了傳統(tǒng)的遙感影像數(shù)據(jù)，一些新型傳感器獲取的數(shù)據(jù)在目標信息提取中也發(fā)揮了其獨特的優(yōu)勢。如LiDAR數(shù)據(jù)包含高度、強度和波形等特征，利用高度信息可以判別傳統(tǒng)光學(xué)遙感難以區(qū)分的不同高程、相同光譜的地物[67]。相比普通光學(xué)數(shù)據(jù)，夜光遙感數(shù)據(jù)能在夜間獲取城市燈光、人類活動等信息，與光學(xué)數(shù)據(jù)結(jié)合可有效減少夜間燈光數(shù)據(jù)存在的光譜信息不足、空間分辨率較低、燈光強度過飽和等問題的影響。

遙感目標信息提取在面臨地理環(huán)境復(fù)雜、云雨天氣頻發(fā)等難題時，存在光學(xué)影像質(zhì)量不佳、目標樣本數(shù)據(jù)不充分和不豐富等問題，影響著目標信息提取的精度。此外，目標信息提取在具體應(yīng)用領(lǐng)域方面的發(fā)展良莠不齊，如我國在農(nóng)業(yè)熟制信息提取方面研究較成熟，但撂荒等種植制度變化的信息提取與動態(tài)監(jiān)測能力有待加強。隨著遙感數(shù)據(jù)產(chǎn)品的不斷涌現(xiàn)，使用機器學(xué)習(xí)、深度學(xué)習(xí)等智能化方法融合多源遙感數(shù)據(jù)以形成更高維度的空間、光譜、時間數(shù)據(jù)，是提升遙感數(shù)據(jù)挖掘與提取深層特征能力的重要手段。

2.3 動態(tài)變化檢測

遙感動態(tài)變化檢測是綜合利用各時相的遙感數(shù)據(jù)，通過時空融合的方法定量地分析和確定地表變化特征及過程，作為遙感的一項關(guān)鍵性技術(shù)，越來越多的遙感動態(tài)變化檢測應(yīng)用在城市規(guī)劃、農(nóng)林業(yè)監(jiān)測和國土資源管理等方面[70]。遙感動態(tài)變化檢測按時相的不同可以分為單時相分類比較法、雙時相比較法及時序分析法[70]。

單時相分類比較法是在進行變化檢測時，只輸入一個單時相的遙感數(shù)據(jù)，常用分類后比較法來分析變化區(qū)域及類別，該方法簡單、應(yīng)用廣泛，但處理過程耗時耗力、效率低下。雙時相比較法輸入2個時相的遙感數(shù)據(jù)，兩兩組合進行變換檢測，對時間分辨率沒有很高的要求，故雙時相比較法多用中高分辨率遙感數(shù)據(jù)，如Landsat，Quickbird等[70]。時序分析法輸入一系列的時相序列遙感數(shù)據(jù)，利用特征統(tǒng)計或數(shù)學(xué)統(tǒng)計方法分析地物的變化、發(fā)展趨勢及規(guī)律，相比單、雙時相動態(tài)變化檢測，時序分析法對遙感圖像時間分辨率要求更高，適用于時間分辨率較高的中低空間分辨率遙感數(shù)據(jù)，如MODIS，AVHRR等。在進行動態(tài)變化檢測時，常因為大尺度、高時間、空間和光譜分辨率的要求，需要融合多源遙感數(shù)據(jù)來解決研究區(qū)域觀測頻次、范圍和信息精細度等問題。例如，武喜紅等[59]根據(jù)高時間、空間分辨率的需求，將多源數(shù)據(jù)(Landsat8，GF-1，HJ-1 A/B)融合來提高Landsat8中分辨率數(shù)據(jù)的觀測頻次，采用時序分析法揭示秸稈焚燒現(xiàn)象的蔓延過程。

動態(tài)變化檢測在進行多源遙感影像融合時，不僅要考慮不同的傳感器對光譜響應(yīng)的差別還需考慮融合遙感數(shù)據(jù)之間的時相差異，時相差異過大會導(dǎo)致結(jié)果與真實值產(chǎn)生很大的偏差，難以進行后續(xù)的工作。隨著新型傳感器數(shù)據(jù)的層出不窮，多源遙感數(shù)據(jù)與新型傳感器數(shù)據(jù)的融合也是待解決的難題之一，如將構(gòu)成時間序列的影像數(shù)據(jù)與遙感視頻數(shù)據(jù)融合等。

3 結(jié)束語

經(jīng)過幾十年的發(fā)展，多源影像融合技術(shù)在圖像分類、目標信息提取和動態(tài)變化監(jiān)測等領(lǐng)域已得到了廣泛的應(yīng)用。本文介紹了不同類型遙感影像的特點與局限性，分析了不同類型遙感影像協(xié)同應(yīng)用的優(yōu)勢。此外，根據(jù)遙感影像應(yīng)用的目的，介紹了多源遙感影像在時-空-譜融合中所面臨的挑戰(zhàn)和未來發(fā)展的趨勢。最后，簡單介紹了不同領(lǐng)域中多源遙感影像協(xié)同應(yīng)用的現(xiàn)狀與挑戰(zhàn)。然而，多源遙感影像協(xié)同應(yīng)用發(fā)展還未成熟，具有前瞻性的方向包括：

① 不同傳感器，特別是一些新型傳感器獲得的多源遙感數(shù)據(jù)之間的融合仍是未來重要研究熱點。不同傳感器之間影像的地物電磁波特性存在較大差異，它們之間的融合仍面臨重要挑戰(zhàn)；新型傳感器獲得的多源遙感數(shù)據(jù)與傳統(tǒng)光學(xué)影像之間的融合仍是較前沿的研究熱點，如夜間燈光影像、視頻衛(wèi)星影像和LiDAR數(shù)據(jù)等。

② 時-空、時-空-譜一體化融合的拓展。時-空遙感影像融合正在蓬勃發(fā)展，但大多數(shù)的時空融合模型局限于MODIS和Landsat影像上，在不改變精度的前提下，將時-空融合模型擴展到其他類型的遙感影像中去，是未來可研究的趨勢之一。而時-空-譜一體化模型還需要完成從理論到實踐再到廣泛應(yīng)用的巨大飛躍，針對復(fù)雜場景的融合應(yīng)用還有待研究、發(fā)展。

③ 面向應(yīng)用的遙感影像融合。傳統(tǒng)的多源遙感影像融合需要人為地根據(jù)特定的對象、目的選擇融合數(shù)據(jù)、融合方法等。而面向應(yīng)用的遙感影像融合方法，針對某一類應(yīng)用，利用多源遙感數(shù)據(jù)融合的先驗知識構(gòu)建融合規(guī)則知識庫、融合算法庫，從數(shù)據(jù)集中自動選取該類應(yīng)用中的最優(yōu)影像數(shù)據(jù)，從算法庫中自動選擇滿足該類應(yīng)用融合的最佳算法資源，以實現(xiàn)自動化、流程化、系統(tǒng)化融合該類應(yīng)用的多源遙感影像。

④ 隨著具有不同時、空、譜特征遙感影像資源的增加，多源遙感影像融合也迎來了遙感大數(shù)據(jù)時代。面對海量、不同類型的遙感數(shù)據(jù)，有效地挖掘遙感影像的多源特征、建立統(tǒng)一的融合框架、構(gòu)建融合規(guī)則知識庫以實現(xiàn)遙感影像的智能融合，已成為未來多源遙感影像協(xié)同應(yīng)用的新趨勢。