【论文分享】农作物遥感识别中的多源数据融合研究进展

遥感的多源融合能够将多时相、多空间分辨率的影像数据在象元层次上进行融合,扩展时空尺度,得到更丰富的作物光谱特性、空间异质性信息以及作物键物候历特征,提高作物识别能力和精度。本文介绍这篇农业遥感多元数据融合的论文。

1. 论文引用

[1]宋茜,周清波,吴文斌,等.农作物遥感识别中的多源数据融合研究进展[J].中国农业科学,2015,48(06):1122-1135.

2. 多源数据融合在农作物遥感识别中的意义

农作物遥感识别主要包括农作物空间分布及其动态变化提取。然而，单一遥感数据在实际应用中呈现出复杂的时空异质性和尺度敏感性的特征;同时,受农作物光谱重叠与交叉、遥感影像时间分辨率与空间分辨率相互制约,以及成像过程诸多干扰因素的限制,基于单一数据源的农作物识别效果往往不理想。因此,多源遥感数据融合在农作物遥感识别中日益发挥重要作用,其在很大程度上弥补了单一数据和分类方法的缺陷。

3. 农作物遥感识别中多源数据的常见应用

目前国内外农作物遥感识别中使用的传感器以MODIS为代表的低分辨率(比例为34.7%)、以Landsat TM/ETM+为代表的中等分辨率(比例为35.0%)、星载合成孔径雷达(SAR) (比例为10.1%)、中国国产卫星（比例为5.1%）、Quick Bird及其他类型的传感器（(比例为15.1%）为主。其中，SAR数据多以融合的形式参与识别,而高空间分辨率Quick Bird以单一的形式开展农作物识别居多, 其他类型传感器用于单数据源研究和多源数据融合的比例基本相当。

农作物遥感识别中多源数据应用包括融合技术和融合模式。融合技术包括提高空间分辨率的多源遥感数据融合，提高时间分辨率的多源遥感数据融合。融合模式包括光学遥感数据的融合，光学遥感数据与微泼数据的融合，遥感与非遥感的融合。

单一数据源更多应用于单一农作物的识别和提取，而多源数据在农作物种植结构提取中的应用要优于单数据源。

4. 农作物遥感识别中常见的多源遥感数据融合技术

（1）以提高空间分辨率为目标的多源数据融合技术

图像融合是最为常见的以提高空间分辨率为目标的多源数据融合技术,将多源遥感数据按照一定规则进行运算、处理,获得一幅具有新的空间和波谱特征的合成影像。

图像融合方法：如基于色彩相关技术的HIS变换法或基于统计方法的PCA、Brovey和小波变换等,可以广泛应用于不同传感器、不同空间分辨率以及不同时相的遥感数据, 尤其在多时相的低空间分辨率遥感数据与中等空间分辨率遥感数据的融合方面应用较多。

图像融合对象：不仅可以是光谱反射率、后向散射系数,还可以为时间序列植被指数,获得一幅具有新的空间特征的高分辨率合成影像。

图像融合遥感常用方法：Brovey变换、 IHS变换、高通滤波和小波变换4种融合方法；小波变换法；多频段和多极化方式的融合方法；STARFM模型、成分替换、半经验数据模型、多分辨率小波分等融合技术

不足之处：多源遥感数据具有多样性和时相差异性特点,使得不同类型的农作物光谱信息在融合时均有一定程度的丢失与扭曲,而空间分辨率虽有所提高但其局部细节信息与纹理特征依然会缺失。

（2）以提高时间分辨率为目标的多源数据融合技术

提高时间分辨率的原理：通常按照时相顺序对可获取的不同空间和不同时间分辨率的多源遥感数据进行复合, 扩展对地重复观测的频率,达到提高“时间分辨率” 目的。

方法一：针对多期同源传感器数据进行时间插补,以提高农作物观测的频率。包括时序插补模型、时空融合技术、组建“光谱-时序”曲线等。

方法二：进行异源传感器的复合,实现卫星数据有效利用。包括拓展数据时序、采用最小距离分类器区分、构建生长期内农作物动态生长变化数据集并采用改进的最大似然分类法、C5.0决策树分类方法等。

5. 农作物遥感识别中常见的多源遥感数据融合模式

（1）光学遥感数据的融合

中等分辨率和高分辨率光学遥感数据的结合可以充分挖掘像元的空间、纹理、上下文等特征信息,弥补光谱特征的不足,实现农作物的高精度识别。如多尺度分割技术、使用随机森林分类器建立分类规则等。

中和低空间分辨率光学数据结合的农作物遥感识别研究更为广泛。如光谱耦合技术、小波变换方法、光谱特征聚类识别、增强型时空图像融合模型及改进等。

存在的问题：光学遥感数据的融合受光谱波长的限制,同物异谱与同谱异物的问题尚未完全解决,在一定程度上会影响农作物识别精度。

（2）光学遥感数据与微波遥感数据的融合

微波遥感具有全天候、多模式、多极化等技术优势,在几何特性、辐射特性以及分辨率等方面与光学影像差异明显,光学遥感与微波数据融合的农作物遥感识别得到长足发展,为提高农作物识别准确率提供了新的技术途径。

光学遥感数据与微波遥感数据反映了农作物不同层面的物理属性,因此二者的结合可以充分利用多种信息之间的优势互补和协同,提高农作物遥感识别效果。如采用神经网络法进行融合、采用Landsat ETM与SPOT HRV的光学联合、ERS与Radarsat的SAR联合、光学-SAR协同、主成分分析法融合、面向对象和支持向量机分类技术等。

（3）遥感数据与非遥感数据的融合

农作物种植与地形、气候、耕作制度等多种因素密切相关。因此,在农作物遥感识别中,除遥感信息外,其他非遥感信息,如统计数据、地形信息、专家知识等,可以作为辅助参量参与到农作物识别与分类