多源衛(wèi)星遙感影像時空融合研究的現(xiàn)狀及展望

黃 波，趙涌泉

1. 香港中文大學(xué)地理與資源管理學(xué)系，香港； 2. 香港中文大學(xué)太空與地球信息科學(xué)研究所，香港； 3. 香港中文大學(xué)深圳研究院，深圳 518057

多源衛(wèi)星遙感影像時空融合研究的現(xiàn)狀及展望

黃 波1,2,3，趙涌泉1

1. 香港中文大學(xué)地理與資源管理學(xué)系，香港； 2. 香港中文大學(xué)太空與地球信息科學(xué)研究所，香港； 3. 香港中文大學(xué)深圳研究院，深圳 518057

高空間分辨率的地表或者大氣環(huán)境動態(tài)監(jiān)測需要高時間-空間分辨率的衛(wèi)星遙感影像作為數(shù)據(jù)支撐，但由于衛(wèi)星傳感器硬件技術(shù)及衛(wèi)星發(fā)射成本等客觀因素的限制，使得獲取高時空分辨率遙感影像的較為便捷高效、低成本的可行手段就是將分別具有高時間和高空間分辨率的多源遙感影像進行時空融合，從而生成不同研究和應(yīng)用所需的高時空分辨率衛(wèi)星影像?，F(xiàn)階段，雖然國內(nèi)外的學(xué)者進行了大量的時空融合算法研究，但是這些研究都局限于特定的數(shù)據(jù)類型、算法原理、應(yīng)用目的等客觀限制，而且其發(fā)展呈現(xiàn)出多樣性。本文對現(xiàn)有主流的時空融合算法研究進行了歸納總結(jié)，將其分為4種：①基于地物組分的時空融合;②基于地表空間信息的時空融合;③基于地物時相變化的時空融合;④組合性的時空融合。同時，本文還對時空融合算法中存在的問題和面臨的挑戰(zhàn)進行了分析，并對其未來的發(fā)展方向進行了前瞻性的展望。

多源遙感影像；時空分辨率折中；時空融合；地物組分；空間信息；時相變化

目前，隨著大量對地觀測衛(wèi)星的發(fā)射，能獲取到的遙感數(shù)據(jù)越來越多，而且新發(fā)射的衛(wèi)星傳感器均朝著具有高空間、高時間、高光譜分辨率數(shù)據(jù)獲取能力的方向發(fā)展，例如中國的高分辨率對地觀測系統(tǒng)[1]。然而，在現(xiàn)有衛(wèi)星傳感器的硬件技術(shù)條件和衛(wèi)星發(fā)射成本的限制下，衛(wèi)星傳感器空間分辨率的提高只能以犧牲衛(wèi)星傳感器在其他方面的優(yōu)勢來實現(xiàn)，例如時間分辨率、光譜分辨率、掃描幅寬等[2]，使得遙感衛(wèi)星無法獲得具有多屬性高分辨率的遙感影像，從而制約了遙感影像的應(yīng)用。

一方面，作為研究地表特征時空特性的關(guān)鍵，衛(wèi)星傳感器的空間分辨率和時間分辨率起著至關(guān)重要的作用。然而，由于衛(wèi)星傳感器時間分辨率和空間分辨率之間的矛盾，具有高空間分辨率(簡稱為高分辨率)遙感影像獲取能力的衛(wèi)星的時間分辨率往往較低，反之，具有高頻率重訪周期的衛(wèi)星的通常只具備低空間分辨率(簡稱為低分辨率)的數(shù)據(jù)獲取能力。因此，這二者之間的矛盾依然存在并且會長期存在[3-5]。另一方面，自從對地觀測的遙感衛(wèi)星發(fā)射以來[6-7]，已經(jīng)積累了大量的長時間序列歷史觀測數(shù)據(jù)，這些數(shù)據(jù)由于早期衛(wèi)星傳感器硬件技術(shù)以及衛(wèi)星建造和發(fā)射成本的限制，其空間分辨率和時間分辨率之間亦有折中，目前一些典型的光學(xué)遙感衛(wèi)星的時-空分辨率對比以及數(shù)據(jù)獲取方式見表1。因此，無論是海量歷史衛(wèi)星遙感影像時空信息的進一步挖掘，還是未來新獲取影像的充分利用，遙感影像時間-空間分辨率之間的矛盾依然是一個不可忽視、不可避免的現(xiàn)實問題。

表1 典型的光學(xué)遙感衛(wèi)星的時-空分辨率對比

此外，現(xiàn)階段的衛(wèi)星遙感數(shù)據(jù)面臨著“又多又少”的問題[8]，即可用的遙感數(shù)據(jù)越來越多，然而真正能被使用的有用數(shù)據(jù)卻相對很少。例如，由于云層的覆蓋，即使Landsat衛(wèi)星能夠在16天內(nèi)實現(xiàn)對某一地區(qū)的重復(fù)訪問，一年內(nèi)無云或少云的數(shù)據(jù)依然較少，一年之內(nèi)獲取到云覆蓋率低于10%的遙感影像的概率也只有10%左右[9]，這在很大程度上影響了對地表動態(tài)變化的監(jiān)測和研究。

針對時空分辨率矛盾以及其他客觀因素的限制，如果從“硬件”的角度出發(fā)，需要發(fā)射更多、硬件技術(shù)要求更高的對地觀測衛(wèi)星來解決這一問題，但是考慮到成本和硬件水平的限制，這一方案往往不切實際。遙感影像時空融合[3,10-11]作為一種相對較新的影像融合手段，是從“軟件”的角度來解決衛(wèi)星傳感器的時-空分辨率矛盾的。遙感影像時空融合是利用已知的“時相密集”的低空間分辨率影像序列和與之部分時間點對應(yīng)的“時相稀疏”的高空間分辨率影像序列來融合生成與低空間分辨率影像序列時相對應(yīng)的“時相密集”的高空間分辨率影像序列。時空融合旨在將多源衛(wèi)星遙感影像的高空間分辨率和高時間分辨率結(jié)合起來，通過時空融合算法的處理，生成目標研究區(qū)域內(nèi)具有高頻次訪問的高空間分辨率遙感影像序列，其算法思想如圖1所示。相對于“硬件”的解決方案，時空融合在無需發(fā)射新的對地觀測衛(wèi)星的情況下，是一種低成本、高效率、可行性強的解決技術(shù)手段。對于進一步拓展現(xiàn)有遙感影像的應(yīng)用和研究價值，時空融合依然是一種不可或缺的技術(shù)手段[11]。

圖1 多源遙感影像時空融合示意圖 Fig.1 Spatial-temporal fusion of multi-source satellite imagery

到目前為止，國內(nèi)外的學(xué)者做了大量關(guān)于時空融合算法的研究工作，出現(xiàn)了基于不同算法原理、不同數(shù)據(jù)類型以及不同應(yīng)用目的多種時空融合算法。例如，能夠預(yù)測同質(zhì)地表季節(jié)變化的時空自適應(yīng)反射率融合模型[10]；能夠?qū)Ξ愘|(zhì)地表的季節(jié)性變化得到較好預(yù)測結(jié)果的自適應(yīng)時空融合模型[12-13]；針對地表反射率突發(fā)擾動事件制圖的時空自適應(yīng)算法[14]；能夠?qū)Φ乇砑竟?jié)和類別變化進行一體化融合的時空融合算法[3-5]；能夠生成高時空分辨率地表溫度數(shù)據(jù)的時空融合模型[15-17]。這些時空融合算法往往都是基于數(shù)據(jù)來源、不同的原理或者不同的應(yīng)用目的而提出的，其發(fā)展呈現(xiàn)出一種無序性。面對如此多樣化的時空融合算法，本文對其進行了概括總結(jié)，分析了現(xiàn)在主要時空融合算法的基礎(chǔ)理論假設(shè)和算法原理并加以歸類，指出了時空融合算法所面臨的問題和挑戰(zhàn)，并展望了未來時空融合算法的進一步發(fā)展所需解決的問題，為相關(guān)的數(shù)據(jù)融合算法以及遙感應(yīng)用研究提供理論參考和技術(shù)支撐。

1 遙感影像時空融合概述及分類

總體來說，時空融合都是基于兩種理論基礎(chǔ)來進行的：①時相變化模型的空間尺度不變性；②空間降尺度模型的時間一致性[2]。時相變化模型的空間尺度不變性是指不同空間分辨率的遙感影像序列之間的時相變化模型是相互通用的；空間降尺度模型的時間一致性是指不同時相的高-低分空間分辨率遙感影像之間的空間降尺度模型是相互通用的。

基于這兩種理論假設(shè)，時空融合算法可以分為：①基于地物類別組分的時空融合；②基于地表空間信息的時空融合；③基于地物時相變化的時空融合；④組合性的時空融合。

1.1 基于地物組分的時空融合

基于地物組分的時空融合，其理論基礎(chǔ)是不同地物類別的光譜信息在不同空間尺度下的關(guān)聯(lián)模型具有時間一致性。這種類型的時空融合是在對已知時相的高分辨率影像進行分類或者分割的基礎(chǔ)上，利用光譜混合理論建立已知時相的高分辨率影像和對應(yīng)低分辨率影像之間的光譜混合模型；進而將這種光譜混合模型應(yīng)用到待預(yù)測的未知時相的低-高分辨率影像對上，再利用不同地物組分在低分辨率影像上的時相變化信息和對應(yīng)的光譜混合模型求解出高分辨率的時相變化量，從而預(yù)測出未知時相的高分辨率影像。此外基于地物組分的時空融合還需滿足兩項假設(shè)：①低空間分辨率影像像元內(nèi)部不同組分所占的比例在觀測時段內(nèi)沒有變化；②同一組分內(nèi)部的光譜差異可以忽略不計。基于地物組分的時空融合可以表達為

(1)

式中，L(xi,yi,tk)是待預(yù)測時間點tk的低分辨率像素(xi,yi)；N是地物的組分數(shù)量；fn是每一種地物組分在低分辨率像素中所占的比例；ρ(n,tk)是組分n的光譜值；ε是線性光譜混合模型的誤差項。

由于基于地物組分的時空融合需滿足假設(shè)①，故而也就限制了其不能應(yīng)用于地物類別發(fā)生變化情況下的時空融合。因為地表的類別變化必然會導(dǎo)致不同組分所占的比例發(fā)生變化。同時，由于基于地物組分的時空融合是建立在線性光譜混合模型的基礎(chǔ)之上的，因此該類融合亦不適用于地物光譜屬于非線性混合的情況。

此外，多數(shù)基于地表組分的時空融合都是基于線性的光譜混合模型進行的，該模型中提取出各種地物的端元光譜值是很關(guān)鍵的，即得到純凈像元的像素值。但在實際應(yīng)用中由于非線性光譜混合現(xiàn)象的大量存在，以及遙感影像空間分辨率和光譜分辨率的限制，各類地物的端元光譜值很難準確地獲得，從而會對基于地表組分的時空融合產(chǎn)生不利的影響，增加其預(yù)測誤差。

1.2 基于地表空間信息的時空融合

基于地表空間信息的時空融合，其理論基礎(chǔ)是地物的空間細節(jié)信息在不同空間尺度下的關(guān)聯(lián)模型具有時間一致性。這種類型的時空融合首先建立已知時相的低-高分辨率影像對之間的空間信息對應(yīng)關(guān)系，并通過線性或者非線性的方式從已知的高分辨率影像中提取出高分辨率空間信息集合；然后將已知時相低-高分辨率影像對之間的空間信息對應(yīng)關(guān)系應(yīng)用到待預(yù)測的未知時相的低-高空間分辨率影像對上，將未知時相的低分辨率影像用對應(yīng)的高分辨率空間信息集合進行表達，從而預(yù)測出未知時相的高分辨率影像。理論上存在一個空間信息降尺度函數(shù)，使得

H(xi,yi,tk)=h[L(xi,yi,tk),SD(tk)]

(2)

式中，h是一個空間尺度映射函數(shù)；SD(tk)是待預(yù)測時間點的高分辨率空間細節(jié)信息集合，它是從已知時間點的高分辨率影像中通過線性[12]或者非線性方式[3]獲取并最終被融入到L(xi,yi,tk)之中的。

因為線性的空間信息提取和融合方式的前提假設(shè)是高分辨率影像像元和低分辨率影像像元的空間尺度轉(zhuǎn)換參數(shù)是線性的且具有時間一致性，所以線性的基于地表空間信息的時空融合只適用于土地覆蓋未發(fā)生類別變化的情況，即為地表的空間細節(jié)信息在觀測時段內(nèi)保持不變的情況。而非線性的基于地表空間信息的時空融合則能適用于地表發(fā)生類別變化的情況，因為它能從已知時間點影像的所有像元中搜索與L(xi,yi,tk)中像元對應(yīng)的空間細節(jié)信息，而無需空間尺度轉(zhuǎn)換參數(shù)具有時間一致性這一假設(shè)。例如，文獻[3]提出的SPSTFM算法(sparse representation-based spatio-temporal reflectance fusion model)就將稀疏表達的理論引入了時空融合算法，用非線性的方式提取出高-低分辨率的空間細節(jié)字典對，并用該字典對去重建待預(yù)測的高分辨率遙感影像，其空間細節(jié)字典對的訓(xùn)練過程如圖2所示。非線性的基于地表空間信息的融合方式雖然能夠更好地重建出地表細節(jié)信息，但也會帶來算法計算復(fù)雜度增加的問題[3-4]。

圖2 SPSTFM算法字典訓(xùn)練示意圖Fig.2 The dictionary training process of SPSTFM

1.3 基于地物時相變化的時空融合

基于地物時相變化的時空融合，其理論基礎(chǔ)是地物的時相變化模型具有空間尺度的不變性。這種類型的時空融合首先建立已知時相和未知時相的低分辨率影像之間的時相變化模型，然后將所得到的時相變化模型應(yīng)用于已知時相的高分辨率影像上，從而得到未知時相的高分辨率影像。這種時空融合可以用下述模型表達

H(xi,yi,tk)=ω[H(xi,yi,t0),S(t0,tk)]

(3)

式中，ω是一個時間變換映射函數(shù)；S(t0,tk)是從已知和待預(yù)測時間點的低分辨率影像中獲得的地物時相變化模型參數(shù)。因為地物的時相變化模型具有空間尺度不變性，所以通過低分辨率影像得到的時相變化模型可以應(yīng)用到對應(yīng)高分辨率影像之間的時相變換。

在一個局部窗口內(nèi)，根據(jù)時相變化模型具有尺度不變性這一理論假設(shè)，時相變化模型一般可劃分為3類：①差值變化，即為H(xi,yi,tk)=H(xi,yi,t0)+[L(xi,yi,tk)-L(xi,yi,t0)]；②比值變化，即為H(xi,yi,tk)=H(xi,yi,t0)·[L(xi,yi,tk)/L(xi,yi,t0)]；③比率變化，即為H(xi,yi,tk)=a·H(xi,yi,t0)+b，其中參數(shù)a、b由L(xi,yi,tk)=a·L(xi,yi,t0)+b求得。比較有代表性的時空自適應(yīng)反射率融合模型STARFM[10](spatial and temporal adaptive reflectance fusion model)，就是基于局部移動窗口內(nèi)的差值變化模型實現(xiàn)的。

基于地物時相變化的時空融合應(yīng)用比較廣泛，例如在地表反射率[18]、地表溫度[15,19]、地表蒸散[20]、植被指數(shù)[21]和葉面積指數(shù)[22]等時序數(shù)據(jù)的生成；植被季節(jié)變化監(jiān)測[23]、作物長勢監(jiān)測[24]等方面的應(yīng)用。然而，地物的時相變化模型在不同空間尺度的不變性要求高分辨率影像的像元要位于對應(yīng)的低分辨率影像像元的內(nèi)部，或者位于對應(yīng)低分辨像元臨近像元集合的內(nèi)部，如此這些高-低分辨率像素才能具有相同的變化率。這一要求就限制了這類時空融合在異質(zhì)地表覆蓋情況下的應(yīng)用，因為異質(zhì)的土地覆蓋對應(yīng)的低分辨率像元，可能包含了不同種類的高分辨率像元，故而不能保證空間上對應(yīng)的高-低分辨率像元具有相同的變化率。

1.4 組合性的時空融合

對于組合性的時空融合，主要是指利用以上3種類型中的某兩種類型的時空融合進行組合而成的一種組合性時空融合模型。

1.4.1 基于地物組分內(nèi)空間信息的時空融合

這種類型的時空融合的理論假設(shè)是不同地物組分內(nèi)部的空間信息在不同的空間尺度下的關(guān)聯(lián)模型具有時間一致性。它是在對已知時間點的高分辨率圖像進行分割或者分類之后，在不同的組分內(nèi)部進行基于地物空間細節(jié)信息的時空融合算法處理，進而預(yù)測未知時相的高分辨率影像。文獻[5]提出了一個“變化趨勢率”的概念，如圖3所示，假設(shè)Landsat和MODIS的地表反射率數(shù)據(jù)在兩個觀測時間段內(nèi)的時間變化趨勢率是相同的。在此基礎(chǔ)上，假設(shè)每一種組分內(nèi)部的空間細節(jié)在不同空間分辨率影像之間的關(guān)系具有時間一致性并解算出待預(yù)測的高分辨率影像。

圖3 U-STFM“變換趨勢率”解算示意圖[5]Fig.3 Illustration of “change trend ratio” calculation [5]

1.4.2 基于地物組分內(nèi)時相變化的時空融合

這種組合性的時空融合是基于不同的地物組分而不是低分辨率像素來建立地物的時相變化模型，在對已知時相的高分辨率圖像進行分割或者分類從而得到不同的地物組分之后，假設(shè)不同組分的時相變化模型具有空間尺度不變性，再預(yù)測未知時相的高分辨率影像。文獻[25]首先對高分辨率的圖像進行分類從而獲取高分辨率的地物組分，假設(shè)不同組分的時相變化具有空間一致性，然后針對不同的組分進行基于地物時相變化的時空融合。文獻[26]首先對低分辨率影像進非監(jiān)督分類獲取低分辨率的地表組分圖，通過對應(yīng)組分內(nèi)部無云的純凈像元建立回歸關(guān)系來獲得不同時相之間像素的時相變化關(guān)系。

2 時空融合面臨的問題和挑戰(zhàn)

多源遙感影像的時空融合需要融合來自不同衛(wèi)星、不同傳感器、不同時相、不同類型的遙感影像，融合結(jié)果的精度也理所當(dāng)然地受這些多源遙感數(shù)據(jù)的輻射和幾何不一致性的影響[25]。因此，也有一部分研究將高分辨率的影像進行降采樣之后的模擬低分辨率影像作為低分辨率數(shù)據(jù)源進行時空融合研究[13,25,27]。因此，就能排除數(shù)據(jù)在輻射和幾何方面的不一致性所帶來的負面影響，從而聚焦于時空融合算法本身的研究，因為在這種情況下，誤差的來源只會是時空融合算法自身[13]。但是，這種實驗策略在實際應(yīng)用情況中是不現(xiàn)實的，因為在處理真實的多源遙感數(shù)據(jù)時，其幾何和空間不一致性不可避免地會給融合精度帶來不可忽視的誤差[2]。

2.1 多源遙感影像的輻射差異

由于地表和大氣環(huán)境的變化、不同衛(wèi)星獲取數(shù)據(jù)時的雙向反射分布函數(shù)(bidirectional reflectance distribution function，BRDF)的差異、多源傳感器光譜分辨率的差異、不同衛(wèi)星輻射定標精度的差異，以及不同空間分辨率的像元混合效應(yīng)的差別等因素的影響[2,25,28-29]，導(dǎo)致多源傳感器、多時相以及多分辨率的遙感影像相互之間具有輻射亮度的差異。

如果地表覆蓋異質(zhì)性較高，或者時相變化較為復(fù)雜，則多源遙感數(shù)據(jù)的輻射度差異會導(dǎo)致更嚴重的時空融合誤差。此外，如果在融合過程中不對多源數(shù)據(jù)的輻射度差異進行處理，則會導(dǎo)致基于地表組分的時空融合與其他類型的時空融合結(jié)果具有不同的輻射度特征。即為基于地表組分的時空融合結(jié)果具有類似于低分辨率影像的輻射度特征，其他類型時空融合方法的結(jié)果具有類似于高分辨率影像的輻射度特征[2]。

2.2 多源遙感影像的幾何配準差異

由于上述的時空融合算法基本都是像素級或者特征級[30]的圖像融合算法，故而這些算法都要求待融合的多源遙感影像具有很高的幾何配準精度[5,13,25]。然而，由于不同衛(wèi)星的數(shù)據(jù)獲取方式的不同、不同時刻衛(wèi)星姿態(tài)的不同及擾動等因素的影響，導(dǎo)致多源傳感器、多時相的遙感影像相互之間往往都不是精確配準的。此外，由于數(shù)據(jù)預(yù)處理步驟的不同或者高級數(shù)據(jù)產(chǎn)品生產(chǎn)過程中重采樣、重投影等處理也會影響遙感影像的幾何精度[2]。例如，采用全球正弦投影的MODIS數(shù)據(jù)標準產(chǎn)品在中緯度和兩極地區(qū)的圖像幾何畸變尤為明顯[31]。

2.3 混合像元模型的復(fù)雜性

衛(wèi)星遙感影像的單個像元記錄的是衛(wèi)星傳感器在瞬時視場角內(nèi)所覆蓋的地面范圍內(nèi)總的地物輻射能量。由于衛(wèi)星傳感器空間分辨率的限制、自然界地物的復(fù)雜多樣性、地表輻射多次散射等因素的影響[8]，混合像元普遍存在，且低分辨率影像像元的混合程度更加明顯。

一般的，低分辨率的混合像元可以被認為是對應(yīng)高分辨率影像中純凈像元的加權(quán)之和?，F(xiàn)有的絕大部分時空融合算法，例如基于地表組分的時空融合模型，所采用的混合像元模型都是線性的[5，13，25]，即假設(shè)到達衛(wèi)星傳感器的地表輻射是由唯一的光譜端元組分直接反射而來[8]。線性的混合像元模型適用于較大面積的同質(zhì)地物覆蓋的情況，當(dāng)?shù)匚飶?fù)雜度較高、異質(zhì)性較強的時候，不同地物之間的相互多次散射也會增加，從而使得入瞳輻射產(chǎn)生非線性混合。線性的混合像元模型僅僅是非線性混合像元模型的特例。因此，在時空融合模型中恰當(dāng)?shù)匾敕蔷€性的混合像元模型并提高時空融合的精度，是一個有待進一步研究的問題。

2.4 地物時相變化模型的復(fù)雜性

針對已知時間點和待預(yù)測時間點之間的地物時相變化，多數(shù)時空融合算法都是采用線性的地物變化模型[12,32]。然而在實際情況中，人為因素引起的土地利用變化模型往往是非線性的，例如文獻[33]就用WRF/UCM(weather research forecast/urban canopy model)系統(tǒng)來模擬和預(yù)測未來城市擴張對城市熱島效應(yīng)的影響；自然因素引起的地物時相變化也不一定都遵循線性的變化趨勢，文獻[3]用稀疏表達理論以非線性的方式重建了待預(yù)測高分辨率影像中的空間細節(jié)信息。因此，將非線性的地物時相變化模型恰當(dāng)?shù)匾霑r空融合模型用以模擬復(fù)雜多樣的地物時相變化，并提高時空融合的精度是必要的。

3 時空融合的前瞻

3.1 算法的通用性

雖然現(xiàn)在已經(jīng)涌現(xiàn)了多種多樣的時空融合算法，但這些算法都被局限于特定的數(shù)據(jù)源、算法原理或者應(yīng)用目的。一方面，由于不同的數(shù)據(jù)源具有不同的幾何、輻射、量綱屬性[2，13]，使得即使是同一種融合算法在應(yīng)用于不同的數(shù)據(jù)源時，其融合結(jié)果的精度差異都比較大，例如STARFM在應(yīng)用于同質(zhì)地表反射率數(shù)據(jù)時能獲得較好的預(yù)測效果，但在用于地表溫度的時空融合時就難以獲得較好的預(yù)測效果[15]。另一方面，時空融合算法研究時段內(nèi)地物的時相變化以及地表覆蓋情況是非常復(fù)雜的，包括季節(jié)變化[10]、類別變化[3-4]以及突發(fā)擾動事件[14]；同質(zhì)的地表[10]和異質(zhì)的地表覆蓋[12-13]等。在應(yīng)對復(fù)雜的時相變化和地表覆蓋時，采用不同的時空融合算法得到的融合結(jié)果差異性較大，例如STARFM在捕捉較為同質(zhì)的地表覆蓋的季相變化時效果較好，但在預(yù)測異質(zhì)地表的時相變化時效果就較差[12]。雖然文獻[12]針對異質(zhì)地表覆蓋地貌的時空融合做了改進，但依然無法捕捉到地物的類別變化[3-5]。SPSTFM采用了稀疏表達的理論去重建未知時間點的高分辨率影像，能夠?qū)崿F(xiàn)季節(jié)變化和類別變化的一體化融合，但是在應(yīng)用于大批量、大范圍內(nèi)的遙感影像的時空融合時，其較高的算法復(fù)雜度需要采用并行計算或者進一步的算法優(yōu)化來提高其運行效率。

總的來說，目前尚未有一種能夠適用于不同數(shù)據(jù)源和應(yīng)用目的的時空融合算法出現(xiàn)，不僅能夠考慮數(shù)據(jù)的多樣性，而且能針對不同衛(wèi)星傳感器或者不同類型的數(shù)據(jù)都獲得較好的融合效果，從而達到具有廣泛實用性的價值。

3.2 算法的魯棒性

現(xiàn)有的時空融合算法都有特定的一些算法參數(shù)，這些算法參數(shù)都會在一定程度上影響最終融合結(jié)果的精度。例如在STARFM中，預(yù)估的地物類別數(shù)和移動窗口的尺寸是非常重要的兩個參數(shù)。預(yù)估的地物類別數(shù)越高，預(yù)測結(jié)果的精度越高；移動窗口的尺寸越大，預(yù)測結(jié)果的精度越高[25]；基于一對已知影像進行字典學(xué)習(xí)的時空融合方法[4]需要設(shè)置訓(xùn)練字典的尺寸大小，尺寸過大或者過小都不太適宜。但是當(dāng)用戶在實際應(yīng)用中面對大批量、多樣化的遙感影像時，用戶很難去逐個對每一次的時空融合算法處理去設(shè)定合適的或者普適的算法參數(shù)。因此，降低時空融合算法對模型參數(shù)的敏感度、減少時空融合算法對參數(shù)的依賴性，以提升算法本身的魯棒性，對于時空融合算法的推廣使用是有很重要的實際意義的。

4 結(jié) 語

遙感影像的時空融合是一種針對地觀測系統(tǒng)中衛(wèi)星傳感器的時間-空間分辨率折中而提出的一種成本低、靈活性強、可行性高的解決方案。時空融合既很好地解決了現(xiàn)階段衛(wèi)星遙感數(shù)據(jù)“又多又少”的問題，又為多種遙感應(yīng)用了高時空分辨率的遙感影像，例如地表反射率、地表溫度、植被指數(shù)等重要環(huán)境因子的時間序列分析研究。時空融合極大地提高了遙感數(shù)據(jù)的利用率，其數(shù)據(jù)融合思想也為其他研究領(lǐng)域的數(shù)據(jù)融合或者數(shù)據(jù)集成利用奠定了理論參考和科學(xué)支撐，并提供了可行的技術(shù)手段。

現(xiàn)有時空融合算法的基礎(chǔ)理論假設(shè)主要包括時相變化模型的空間尺度不變性和空間降尺度模型的時間一致性?；谶@兩種假設(shè)機制，時空融合算法可以分為基于地物類別組分的時空融合、基于地表空間信息的時空融合、基于地物時相變化的時空融合以及組合性的時空融合。現(xiàn)階段基于不同原理、不同假設(shè)、不同應(yīng)用、不同數(shù)據(jù)源的時空融合方法研究層出不窮，并且已經(jīng)成功應(yīng)用于多種遙感應(yīng)用之中。

然而，無論是基于何種原理或者何種應(yīng)用的時空融合算法，它們都有各自的優(yōu)點和局限性，時空融合算法的發(fā)展還未達到成熟的程度。多源遙感影像的幾何和輻射特性差異的校正、異質(zhì)地表混合像元模型的非線性散射特征的處理、地物時相變化模型的精確建模，以及算法的通用性和魯棒性提升等方面仍有待進一步的深入研究。

[1] TONG Xudong, ZHAO Wenbo, XING Jin, et al. Status and Development of China High-resolution Earth Observation System and Application[C]∥Proceedings of 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Beijing: IEEE, 2016: 3738-3741.

[2] ZHANG H K, HUANG Bo, ZHANG Ming, et al. A Generalization of Spatial and Temporal Fusion Methods for Remotely Sensed Surface Parameters[J]. International Journal of Remote Sensing, 2015, 36(17): 4411-4445.

[3] HUANG Bo, SONG Huihui. Spatiotemporal Reflectance Fusion via Sparse Representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(10): 3707-3716.

[4] SONG Huihui, HUANG Bo. Spatiotemporal Satellite Image Fusion Through One-pair Image Learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(4): 1883-1896.

[5] HUANG Bo, ZHANG Hankui. Spatio-temporal Reflectance Fusion via Unmixing: Accounting for Both Phenological and Land-cover Changes[J]. International Journal of Remote Sensing, 2014, 35(16): 6213-6233.

[6] IRONS J R, DWYER J L, BARSI J A. The Next Landsat Satellite: The Landsat Data Continuity Mission[J]. Remote Sensing of Environment, 2012, 122: 11-21.

[7] CHANDER G, MARKHAM B L, HELDER D L. Summary of Current Radiometric Calibration Coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI Sensors[J]. Remote Sensing of Environment, 2009, 113(5): 893-903.

[8] 趙英時. 遙感應(yīng)用分析原理與方法[M]. 2版. 北京: 科學(xué)出版社, 2013.

ZHAO Yingshi. The Teory and Methods of Remote Sensing Application Analysis[M]. 2nd ed. Beijing: Science Press, 2013: 108-136.

[9] LECKIE D G. Advances in Remote Sensing Technologies for Forest Surveys and Management[J]. Canadian Journal of Forest Research, 1990, 20(4): 464-483.

[10] GAO Feng, MASEK J, SCHWALLER M, et al. On the Blending of the Landsat and MODIS Surface Reflectance: Predicting Daily Landsat Surface Reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2207-2218.

[11] GAO Feng, HILKER T, ZHU Xiaolin, et al. Fusing Landsat and MODIS Data for Vegetation Monitoring[J]. IEEE Geoscience and Remote Sensing Magazine, 2015, 3(3): 47-60.

[12] ZHU Xiaolin, CHEN Jin, GAO Feng, et al. An Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model for Complex Heterogeneous Regions[J]. Remote Sensing of Environment, 2010, 114(11): 2610-2623.

[13] ZHU Xiaolin, HELMER E H, GAO Feng, et al. A Flexible Spatiotemporal Method for Fusing Satellite Images with Different Resolutions[J]. Remote Sensing of Environment, 2016, 172: 165-177.

[14] HILKER T, WULDER M A, COOPS N C, et al. A New Data Fusion Model for High Spatial- and Temporal-Resolution Mapping of Forest Disturbance Based on Landsat and MODIS[J]. Remote Sensing of Environment, 2009, 113(8): 1613-1627.

[15] HUANG Bo, WANG Juan, SONG Huihui, et al. Generating High Spatiotemporal Resolution Land Surface Temperature for Urban Heat Island Monitoring[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(5): 1011-1015.

[16] WU Penghai, SHEN Huanfeng, AI Tinghua, et al. Land-surface Temperature Retrieval at High Spatial and Temporal Resolutions Based on Multi-sensor Fusion[J]. International Journal of Digital Earth, 2013, 6(S1): 113-133.

[17] WU Penghai, SHEN Huanfeng, ZHANG Liangpei, et al. Integrated Fusion of Multi-scale Polar-orbiting and Geostationary Satellite Observations for the Mapping of High Spatial and Temporal Resolution Land Surface Temperature[J]. Remote Sensing of Environment, 2015, 156: 169-181.

[18] EMELYANOVA I V, MCVICAR T R, VAN NIEL T G, et al. Assessing the Accuracy of Blending Landsat-MODIS Surface Reflectances in Two Landscapes with Contrasting Spatial and Temporal Dynamics: A Framework for Algorithm Selection[J]. Remote Sensing of Environment, 2013, 133: 193-209.

[19] KIM J, HOGUE T S. Evaluation and Sensitivity Testing of A Coupled Landsat-MODIS Downscaling Method for Land Surface Temperature and Vegetation Indices in Semi-arid Regions[J]. Journal of Applied Remote Sensing, 2012, 6(1): 063569.

[20] HASSAN Q K, BOURQUE C P A, MENG Fanrui. Application of Landsat-7 ETM+ and MODIS Products in Mapping Seasonal Accumulation of Growing Degree Days at an Enhanced Resolution[J]. Journal of Applied Remote Sensing, 2007, 1(1): 013539.

[21] OUYANG Wei, HAO Fanghua, SKIDMORE A K, et al. Integration of Multi-sensor Data to Assess Grassland Dynamics in a Yellow River Sub-watershed[J]. Ecological Indicators, 2012, 18: 163-170.

[22] ZHANG Hankui, CHEN J M, HUANG Bo, et al. Reconstructing Seasonal Variation of Landsat Vegetation Index Related to Leaf Area Index by Fusing with MODIS Data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(3): 950-960.

[23] BHANDARI S, PHINN S, GILL T. Preparing Landsat Image Time Series (LITS) for Monitoring Changes in Vegetation Phenology in Queensland, Australia[J]. Remote Sensing, 2012, 4(6): 1856-1886.

[24] SINGH D. Generation and Evaluation of Gross Primary Productivity Using Landsat Data Through Blending with MODIS Data[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(1): 59-69.

[25] GEVAERT C M, GARCíA-HARO F J. A Comparison of STARFM and an Unmixing-based Algorithm for Landsat and MODIS Data Fusion[J]. Remote Sensing of Environment, 2015, 156: 34-44.

[26] GAO Feng, MASEK J G, WOLFE R E, et al. Building a Consistent Medium Resolution Satellite Data Set Using Moderate Resolution Imaging Spectroradiometer Products as Reference[J]. Journal of Applied Remote Sensing, 2010, 4(1): 043526.

[27] WU Mingquan, NIU Zheng, WANG Changyao, et al. Use of MODIS and Landsat Time Series Data to Generate High-resolution Temporal Synthetic Landsat Data Using a Spatial and Temporal Reflectance Fusion Model[J]. Journal of Applied Remote Sensing, 2012, 6(1): 063507.

[28] TEILLET P M, FEDOSEJEVS G, THOME K J, et al. Impacts of Spectral Band Difference Effects on Radiometric Cross-calibration Between Satellite Sensors in the Solar-reflective Spectral Domain[J]. Remote Sensing of Environment, 2007, 110(3): 393-409.

[29] ZHANG Hankui, HUANG Bo. Support Vector Regression-based Downscaling for Intercalibration of Multiresolution Satellite Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(3): 1114-1123.

[30] POLH C, VAN GENDEREN J L. Multisensor Image Fusion in Remote Sensing: Concepts, Methods and Applications[J]. International Journal of Remote Sensing, 1998, 19(5): 823-854.

[31] LUO Yi, TRISHCHENKO A P, KHLOPENKOV K V. Developing Clear-sky, Cloud and Cloud Shadow Mask for Producing Clear-sky Composites at 250-Meter Spatial Resolution for the Seven MODIS Land Bands over Canada and North America[J]. Remote Sensing of Environment, 2008, 112(12): 4167-4185.

[32] HAZAYMEH K, HASSAN Q K. Spatiotemporal Image-fusion Model for Enhancing the Temporal Resolution of Landsat-8 Surface Reflectance Images Using MODIS Images[J]. Journal of Applied Remote Sensing, 2015, 9(1): 096095.

[33] WANG Juan, HUANG Bo, FU Dongjie, et al. Response of Urban Heat Island to Future Urban Expansion over the Beijing-Tianjin-Hebei Metropolitan Area[J]. Applied Geography, 2016, 70: 26-36.

(責(zé)任編輯：張艷玲)

Research Status and Prospect of Spatiotemporal Fusion of Multi-source Satellite Remote Sensing Imagery

HUANG Bo1,2,3,ZHAO Yongquan1

1. Department of Geography and Resource Management, The Chinese University of Hong Kong, Hong Kong, China; 2. Institute of Space and Earth Information Science, The Chinese University of Hong Kong, Hong Kong, China; 3. Shenzhen Research Institute, The Chinese University of Hong Kong, Shenzhen 518057, China

High spatial resolution monitoring of land surface and atmospheric environment dynamics requires high spatiotemporal resolution satellite remote sensing imagery as data support. However, the efficient, low-cost, and feasible solution is to blend the multi-source images with high-spatial and high-temporal resolution respectively to produce the desired high spatiotemporal resolution imagery required by different research or applications, which is subject to the limitations of satellite sensor’ hardware technology and the budget constraints of launching more satellites. Although plenty of spatiotemporal image fusion research has been conducted, they are limited to specific data types, algorithm principles, application purposes, etc. Furthermore, the development of spatiotemporal image fusion algorithm presents a phenomenon of disorder. This study summarizes and generalizes the existing mainstream spatiotemporal fusion methods and classified them into four categories: ①spatiotemporal fusion based on land components; ②spatiotemporal fusion based on spatial information; ③spatiotemporal fusion based on temporal changes; ④combined spatiotemporal fusion. Meanwhile, the study analyzes the problems and challenges faced by spatiotemporal fusion; and informs the prospects of the future development of spatiotemporal fusion method.

multi-source remote sensing imagery; spatiotemporal resolution compromise; spatiotemporal fusion; land component; spatial information; temporal change

The National Natural Science Foundation of China (No. 41371417)

HUANG Bo (1968—), Male, PhD, professor of the Yangtze River Scholar, majors in remote sensing image fusion, big spatiotemporal data analytics, and sustainable urban spatial planning.

黃波，趙涌泉.多源衛(wèi)星遙感影像時空融合研究的現(xiàn)狀及展望[J].測繪學(xué)報，2017,46(10)：1492-1499.

10.11947/j.AGCS.2017.20170376.

HUANG Bo,ZHAO Yongquan.Research Status and Prospect of Spatiotemporal Fusion of Multi-source Satellite Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica,2017,46(10):1492-1499. DOI:10.11947/j.AGCS.2017.20170376.

P236

A

1001-1595(2017)10-1492-08

國家自然科學(xué)基金(41371417)

2017-07-03

修回日期： 2017-09-14

黃波(1968—)，男，博士，長江學(xué)者講座教授，研究方向為遙感圖像融合、時空大數(shù)據(jù)分析、可持續(xù)城市空間規(guī)劃等。

E-mail： bohuang@cuhk.edu.hk