淺談遙感未來發展趨勢

摘要：遙感作爲獲取信息的有效手段，在國內外得到了廣泛應用。隨着遙感技術的發展，遙感數據源不斷豐富，傳感器性能不斷提高，分辨率不斷提升，多源、多手段、多尺度的遙感數據獲取與分析技術也得到了較大發展。本文對國內外遙感領域的研究成果進行了綜述，探討了未來遙感發展趨勢。

關鍵詞：遙感；地物分類；高光譜；紅外；微波

遙感信息處理研究現狀

遙感數據處理的目的是將遙感圖像轉換爲可供進一步分析研究的數據。目前，在遙感圖像處理中，主要採用基於規則的監督分類、基於規則和麪向對象的分類和基於深度學習的分類等方法，通過對數據進行處理，提取出目標地物信息。其中，基於規則的監督分類方法具有較好的可解釋性和普適性，是目前主要的遙感影像數據處理方法；而基於規則和麪向對象的分類方法具有較高的精度，但對數據質量要求較高；深度學習是近年來發展起來的新方法，它具有強大的圖像分析能力，利用其對影像數據進行分類提取出目標地物信息。近年來，深度學習在遙感數據處理中取得了良好的效果，隨着深度學習技術在遙感數據處理中應用範圍越來越廣，該方法已逐漸成爲遙感圖像處理研究中新的熱點。目前，深度學習在遙感圖像處理中已取得了較好效果。而隨着高分辨率衛星影像、航空高光譜影像等遙感數據源逐漸豐富和完善，以及隨着基於深度學習技術的快速發展和廣泛應用，利用這些新一代高分辨率影像遙感數據源對地物進行分類提取將會成爲未來發展趨勢。

基於規則的監督分類

基於規則的監督分類是最早的一種遙感影像分類方法，該方法根據一定的規則從已有的樣本中進行選擇，利用計算機自動處理，通過不斷地修正已有規則，最後得到最優分類結果。該方法的優點是適用範圍廣，在遙感圖像分類中具有較好的可解釋性和普適性。該方法在遙感圖像處理中已得到了廣泛應用。

隨着衛星傳感器分辨率不斷提高，其獲取影像數據量越來越大，利用傳統監督分類方法已不能滿足處理需求。而基於規則的監督分類方法具有較好的可解釋性和普適性，並且該方法可以根據具體情況，不斷地對規則進行修正和優化，因此得到了廣泛應用。目前該方法仍是遙感數據處理中主要的監督分類方法。該方法主要由遙感影像預處理、監督分類、後處理三部分組成。

（1）遙感影像預處理：主要包括選擇最佳波段組合、剔除冗餘信息和降噪等預處理操作，以減少影像數據量，爲後續的監督分類提供足夠的數據源。

（2）監督分類：這一階段主要是利用已有的規則對影像進行處理，得到最終結果。常用的規則主要有目視解譯、基於光譜特徵的分析等。在遙感圖像數據處理中，該方法是根據已有規則進行最大似然估計或支持向量機等分類算法進行分類，得到最終結果。

（3）後處理：主要是對經過預處理後的影像進行後處理操作，比如合併、剔除、幾何糾正等操作，以達到進一步提高分類精度和可靠性目的。

基於規則和麪向對象的分類

基於規則的監督分類是將遙感影像分類轉化爲分類規則，並根據規則進行分類，而不需要對圖像進行解譯。該方法適用於影像數據源較少、影像數據質量較差的情況，其可解釋性較高，且可以根據影像特徵自動選擇最佳分類器。其優點是能夠對不同尺度的圖像數據進行分類，且易於自動化，但是該方法要求圖像數據質量較高。在進行監督分類時，往往需要對影像特徵進行選取和提取，並通過數學運算和統計分析等方法來確定最佳分類器。其中，最大似然分類是基於規則的監督分類中最常用的一種方法。

基於規則的監督分類具有較好的可解釋性和普適性，是目前主要的遙感影像監督分類方法。但是該方法難以對目標地物進行精細區分和識別，且需要人爲選擇最佳分類器。另外，基於規則的監督分類對影像數據質量要求較高。同時，該方法不適用於目標地物發生明顯變化或環境複雜的情況。

面向對象的監督分類是基於對象進行監督分類的一種新方法。該方法可以將圖像數據分割成一個個具有一定結構特徵和語義信息的對象，從而使圖像數據更具有可解釋性。面向對象監督分類利用圖像信息進行分層和分級處理，將每個地物對象看作是一個有生命的個體，將圖像分割成不同層次和不同尺度的對象，並在各個層次和尺度上對地物進行分析處理。因此，面向對象監督分類具有較高的精度和效率，是當前遙感影像數據處理中應用最廣泛的方法之一。

基於深度學習的分類

在遙感圖像分類中，深度學習具有強大的圖像分析能力，同時其數據可解釋性較好，因此被廣泛應用於遙感數據處理中。與傳統的監督分類不同，深度學習可以從大量樣本數據中提取出有用信息。因此，將深度學習方法應用於遙感影像分類具有較好的效果。其中，卷積神經網絡（Convolutional Neural Networks, CNN）、循環神經網絡（Recurrent Neural Networks, RNN）和條件隨機場（Conditional Random Fields, CRF）是目前應用最爲廣泛的三種深度學習模型。CNN是基於卷積操作的神經網絡模型，而 RNN和 CRF是基於循環操作的神經網絡模型。CNN和 CRF都可以用來進行圖像分類。CNN作爲卷積神經網絡的一種，可以通過多個卷積層對圖像特徵進行提取和分析； CRF作爲循環神經網絡的一種，也可以通過多個卷積層對圖像特徵進行提取。因此， CNN和 CRF在遙感圖像分類中都有着良好的效果。

遙感發展趨勢

隨着遙感技術的發展，遙感數據的獲取、處理和應用等技術水平也在不斷提升，目前已經有很多的方法被應用於遙感領域，如基於地物分類的圖像識別、基於單波段的圖像分析、基於多波段的圖像融合、基於統計特徵和機器學習等方法。針對不同應用領域，這些方法存在一定差異。然而，這些方法都有一個共性：都是通過分析目標與背景在波段上的差異，將目標識別出來。

隨着計算機技術和計算機圖形學的快速發展，遙感技術正在由傳統單一傳感器向多源信息獲取、處理和綜合分析方向發展。多源數據獲取和處理技術的快速發展，使得遙感信息處理從簡單數據處理向多源、多手段、多尺度的方向發展。同時，各種傳感器技術及圖像處理技術的進步也爲遙感信息提取和分析提供了更豐富、更全面的數據源。多源數據處理技術的發展和應用也推動了遙感數據向多光譜、高光譜、微波等波段擴展，增加了遙感分析和提取信息的深度和廣度，爲實現遙感數據在不同領域應用提供了基礎。在此基礎上，隨着多源遙感數據融合技術以及深度學習等方法的出現，未來遙感領域將會呈現以下幾個趨勢：

多源數據融合

由於遙感技術具有高時空分辨率和多波段等優點，在國民經濟各領域的應用越來越廣泛。遙感數據源的增加和獲取手段的不斷改進，使得遙感數據量越來越大，導致圖像處理技術變得更加複雜。同時，由於成像原理的不同，各種傳感器獲取的數據也存在一定差異，因此遙感數據源之間的互補性、相似性、差異性都比較明顯。多源遙感數據融合是指利用多源遙感數據信息互補和互操作等特徵，通過綜合處理與分析來提取所需信息的過程。目前已有大量關於多源遙感數據融合的研究和應用。多源遙感數據融合研究已成爲當今遙感領域的研究熱點之一。針對不同應用目標，如提高對地表變化監測能力、改善影像質量、提高解譯精度等，通過綜合利用多源信息，在最大限度地保留原影像特徵信息基礎上，生成對原影像具有互補或增強作用的新影像。多源遙感數據融合可以充分發揮各種傳感器優勢，實現資源共享、優勢互補，提高數據質量和數據獲取能力，解決“信息孤島”問題。

深度學習

隨着深度學習的快速發展，其在多個領域都取得了一定的進展。深度學習是機器學習的一個分支，其理論基礎是神經網絡，它通過對大量數據的學習，使系統能夠自動地發現隱藏在數據中的規律。目前深度學習已成爲機器學習領域最熱門的研究方向之一，它在很多領域都取得了很好的效果。

與傳統機器學習相比，深度學習有三個特點：（1）在訓練過程中，無需手工設計複雜的特徵工程；（2）在訓練過程中，不需要明確設定目標函數和損失函數；（3）通過學習大量數據，能自動學習到數據間存在的複雜關係。深度學習基於神經網絡對數據進行建模，通過建立複雜的神經網絡模型實現對數據的分析和預測。由於深度學習模型具有很強的自適應能力和泛化能力，因此可以爲解決大規模遙感數據信息處理問題提供新思路。

深度學習在遙感領域主要應用於目標檢測、目標識別、圖像分類及語義分割等方面。目前深度學習在遙感領域應用已經取得了較好效果，如在遙感影像分類方面已取得很大進展。同時，深度學習也被應用到遙感影像中地物分割方面，如利用卷積神經網絡（CNN）進行遙感影像地物分割。基於深度學習算法在目標檢測和識別方面也有良好效果。基於卷積神經網絡（CNN）算法對遙感影像中地物目標檢測進行研究，可以通過自適應卷積神經網絡（ACNN）進行圖像特徵提取與特徵選擇，並在此基礎上進行分類、分割及對象檢測等工作。另外，基於卷積神經網絡（CNN）算法實現對遙感影像目標分類方法也取得了較好效果。基於卷積神經網絡（CNN）算法的目標識別方法主要應用於城市建築、植被、水體等地物目標識別。目前，卷積神經網絡已被應用到城市建築、植被、水體等多個領域中進行信息提取與分類工作。

面向應用的遙感數據處理

在傳統的遙感應用中，數據處理都是針對某個單一應用場景，這在一定程度上限制了遙感數據的應用範圍和深度。隨着遙感數據的不斷增加和處理技術的不斷提升，遙感數據將會逐漸由簡單的統計特徵提取向綜合分析發展。因此，針對不同應用場景下的遙感數據處理方法也將會成爲未來研究的熱點之一。目前，對於遙感數據的應用研究主要集中在遙感圖像分類、目標檢測和提取以及土地利用/覆蓋變化監測等領域，其中分類技術已經比較成熟，而目標檢測和提取方面還存在很多挑戰，需要進一步發展。針對目前存在的問題，未來研究重點將會集中在以下幾個方面：

（1）如何將高分辨率衛星遙感數據與地面特徵結合起來，進而提高目標檢測和識別能力；

（2）如何利用機器學習方法，對海量影像數據進行有效分析和挖掘；

（3）如何從現有遙感數據中挖掘更多有用信息；

（4）如何將多源、多尺度、多類型、多時相的遙感數據融合起來；

（5）如何利用深度學習算法解決大數據量和高維遙感影像的分類問題；

（6）如何利用多源遙感數據進行地物分類、目標檢測、提取等應用研究。

未來，隨着大數據時代的到來，遙感數據將會呈現出海量化和多樣化的趨勢。傳統的人工處理方法已經很難適應海量、多源、多尺度、多類型遙感數據的分析需求。因此，基於大數據處理技術的高分辨率遙感數據綜合分析將會成爲未來研究方向之一。在此基礎上，面向應用的遙感數據處理方法也將會成爲未來研究重點之一，通過對海量、多源和多尺度的高分辨率遙感數據進行有效分析和綜合處理，從而提高對地物信息和變化檢測等應用問題的解決能力。

遙感現存問題

近年來，隨着遙感技術的發展，遙感數據來源越來越豐富，分辨率越來越高，各種類型的傳感器得到了廣泛的應用。但是，在遙感應用中仍存在一些問題。

（1）傳感器性能限制。不同傳感器有不同的特性，比如多光譜傳感器，由於光譜分辨率高，因而它能夠提供更豐富的信息；高空間分辨率和高時間分辨率傳感器所能提供的信息量較少。不同傳感器的性能各有優勢，由於數據本身不能直接提供信息，要將多個傳感器信息綜合利用才能充分發揮其優勢。

（2）數據處理與分析技術制約。目前遙感技術主要用於對地球表面進行監測和監測區域的大尺度信息獲取。對單個空間單元而言，遙感數據處理技術對處理速度有較大的影響。處理速度過慢會導致大量無用信息的產生，而處理速度過快又會導致信息丟失。因此必須在保證數據精度的前提下合理選擇數據處理方法以獲得較高質量的信息。

（3）遙感應用難以推廣與普及。在一些發達國家和地區，遙感技術已經得到了廣泛應用。但是，由於其發展歷史短、技術水平相對較低、認識水平有限等原因，很多國家和地區還不能充分利用遙感技術進行各種資源調查與監測、環境污染與監測、災害評估與應急響應等工作。

（4）缺乏高精度數據源支持。目前遙感應用中存在着多種數據源，每種數據源都有各自的優點和缺點。在一些遙感應用中必須綜合利用多種數據源信息以獲得準確的結果，才能進行合理準確的評價和預測。

（5）缺少統一標準和規範。目前還沒有專門針對遙感應用進行統一規範和標準的技術方法與研究成果。不同領域對同一問題的認識不一、同一領域不同技術人員對同一問題認識不一導致了不同領域間數據獲取和應用結果差異較大。

解決方法

遙感技術在發展過程中也遇到了很多困難，比如空間分辨率的限制、傳感器性能的限制、影像幾何畸變的影響等等。尤其是對高光譜遙感來說，空間分辨率對光譜分辨率的影響是很明顯的，通常情況下，空間分辨率越高，光譜分辨率越低。在衛星上獲得一個高光譜圖像，需要幾百到幾千個波段才能得到一個完整的地物信息，而在陸地衛星上一個普通傳感器所能獲得的波段通常只有幾十個甚至十幾個。因此，在傳感器性能上，高分辨遙感系統與低分辨率遙感系統存在着很大的差別。因此，針對高光譜遙感的特點提出一些解決方法是非常有必要的。

首先要解決數據融合問題，不同傳感器獲取圖像時會產生不同類型數據。這些類型數據如果能進行融合就可以避免圖像之間相互干擾而導致地物分類結果出現錯誤。目前主要有三種融合方法：主成分分析法、決策樹法、神經網絡法。主成分分析法和決策樹法都是對原始圖像進行降維和投影變換以減少地物信息間的相互干擾；神經網絡法將機和機之間進行信息傳遞來代替人工提取特徵；而決策樹法則是利用一系列的規則對數據進行處理。

主成分分析法

主成分分析（PCA）是一種對高光譜數據進行降維處理的方法，它可以從多波段數據中提取出幾個特徵來描述地物的空間分佈特徵，而且不需要任何先驗知識。PCA方法主要用於圖像融合，它將原始圖像看作是由多個特徵子集構成的高維空間，然後通過對多個特徵子集的降維處理，得到一個新的低維空間，最後利用這些低維流形對原始數據進行融合。PCA方法應用範圍很廣，可以用於融合光譜和空間特徵信息，也可以用於融合影像和樣本圖像之間的相似度。其基本思想是：從原始圖像中選取一些較少的特徵子集，將其變換成較少個數的線性組合，使它們之間具有一定的相關性。通過主成分分析法對高光譜圖像進行降維處理可以使降維和融合後的圖像之間具有更多的相關性，從而提高融合圖像在整體上的分類精度。

Kohonen等[33]對Sentinel-2影像進行了主成分分析處理，得到了幾個新特徵，然後採用改進的最大似然分類算法（MNF）對融合後圖像進行了分類。結果表明，用Sentinel-2影像進行主成分分析處理可以很好地改善影像分類結果。

Ajak等[34]將 PCA應用於遙感圖像融合中，從光譜特徵和紋理特徵兩個方面提取影像的特徵以提高融合影像的分類精度。融合後的影像在保持了原始影像基本信息不變的情況下，降低了數據量並提高了遙感圖像融合質量。但是由於 PCA方法存在着對原圖像的降維作用和在進行主成分分析時需預先給定一個權重係數W的問題。

W取值範圍爲[0,1]，使得在進行主成分分析時存在着很大誤差。而如果W取值範圍過大，則會使得在進行主成分分析時使原始數據維度過高，造成計算複雜度和計算時間增加；而如果W取值範圍過小，則會導致融合圖像出現誤差。

因此在選擇W取值時必須綜合考慮原數據和 PCA方法中所涉及到的各個因素。在實際應用中通常選取兩種方法：一是通過綜合分析圖像和數據來選擇最優W值；二是通過選擇合適的融合算法來減少主成分分析法帶來的誤差。

雖然PCA方法可以解決數據融合問題，但是在實際應用中卻存在着一些問題：（1）由於 PCA方法本身具有一定侷限性，很難獲得一組最優W值；（2）爲了獲取最優W值需要對原始數據進行一定程度上的壓縮；（3）由於 PCA方法計算複雜度較高，對於影像數據量較大時計算時間會延長。因此在實際應用中一般採用多種算法組合來改善融合效果。

決策樹法

決策樹法是用來處理分類問題的，它是一種對數據進行特徵提取，然後選擇最優分類結果的算法。在分類中，通常會採用一些規則對數據進行處理，這些規則通常被稱爲決策樹。決策樹法的基本思想就是將一些沒有特徵的數據從原始數據中挑選出來，然後用一些特定的規則對這些沒有特徵的數據進行處理，再通過多次迭代計算來生成最優分類結果。這種方法可以對複雜的數據進行分類，還能有效地提取圖像特徵。

在遙感圖像處理中，最常用的方法就是決策樹法，其基本流程爲：（1）從原始數據中提取出能夠反映地物特性的特徵；（2）將特徵按類別進行劃分；（3）利用特徵訓練決策樹；（4）根據決策樹輸出結果對所選樣本進行分類。在決策樹法中，關鍵問題就是如何確定每一層的特徵。在計算某一特徵時，可以通過計算其與其他特徵之間的相關性來確定該特徵的重要性，還可以通過計算該特徵與其它特徵之間的差異來確定該特徵對於分類結果起到的作用。

目前國內外常用的決策樹方法有：決策樹C4.5、隨機森林、支持向量機（SVM）等。決策樹法通常由三個步驟組成：第一步是從原始數據中提取出能夠反映地物特性的信息；第二步是對這些信息進行分類處理，得到一棵決策樹；第三步是根據這棵決策樹來進行分類。

決策樹法最大優點就是它能有效地處理帶有噪聲、模糊和非線性等特徵的數據。但在處理含有模糊信息、非線性信息時，存在着信息丟失和噪聲問題。因爲當用決策樹對數據進行分類時，如果出現類別與類別之間以及類別內部出現交叉或重疊等情況，就會造成錯誤分類或誤分現象。因此，決策樹法還需要在一定程度上對數據進行優化處理。此外，決策樹法還存在着容易受到人爲因素影響、計算效率較低等問題。

神經網絡法

人工神經網絡是由大量的神經元連接而成，通過對輸入神經元的計算，輸出神經元的輸出就可以與前一個神經元的輸入進行比較，從而判斷出系統的輸入狀態。目前，神經網絡已成功地應用於模式識別、圖像處理、自動控制、信息檢索、預測分析等許多領域。由於高光譜遙感影像具有不同於常規影像的特性，它是在有限的波段內所反射的光強信號具有一定的規律性，因此利用神經網絡進行數據融合時，可以根據某一波段或波段組合內不同像元反射率的差異來確定變換參數，從而選擇最佳變換參數，提高融合圖像的質量。神經網絡融合技術能夠有效地將多源遙感數據中的冗餘信息進行重組和結合，有效地降低了影像分類過程中所需要計算的數據量。採用神經網絡法融合高光譜遙感影像時，由於各個波段所代表信息不同，爲了使融合圖像具有良好的一致性和較高分類精度，採用神經網絡法融合高光譜遙感影像時必須對各波段間關係進行合理選擇。目前神經網絡法在高光譜遙感數據融合中應用最多的是主成分分析法。主成分分析法是一種對原始數據進行降維處理以減少圖像之間相互干擾，提高分類精度的方法。通過主成分分析法得到兩個波段圖像與原始圖像之間存在相關性最強的幾個主成分作爲特徵矢量輸入到神經網絡分類器中進行分類，分類後再對訓練樣本進行一次主成分分析，使其結果更接近實際情況。

模糊方法

模糊數學理論在遙感圖像處理中的應用，是從傳統的數理統計理論中分離出來的一門新興學科。模糊數學的主要思想是通過建立數學模型，運用模糊集理論、模糊邏輯等方法來解決實際問題。在遙感圖像處理中，常常遇到許多不能用數學方法表示或描述的問題，比如光譜空間與空間結構、各種地物類型之間的關係等等，而這些問題往往又與它們所處的環境有關。因此，利用模糊理論進行信息提取是一個新的研究方向。模糊方法對於解決上述問題具有較強的優越性，而且在圖像處理中有廣泛應用。

由於高光譜圖像含有大量的地物信息，要在其上進行分類處理難度很大，爲了避免在分類時出現過擬合現象，有學者提出了一種基於模糊聚類和粒子羣算法的高光譜遙感圖像分類方法。該方法首先利用高光譜圖像進行聚類分析將其分爲5類，然後再利用模糊聚類方法將同類地物歸爲一個類別。最後用粒子羣算法對分類器進行優化並使用k-近鄰法對新的類別進行劃分。與傳統分類方法相比，該方法具有較高的分類精度，在圖像處理中具有良好的應用前景。但是由於高光譜圖像中不同地物類型之間存在着較大差異，而且不同地物類型之間也存在着很大差異，因此該方法在實際應用中也存在一定的難度。

總結

遙感技術在全球變化、土地覆蓋分類、生態環境監測、土地利用/覆被變化監測、資源勘探與開發、災害監測與評估等方面得到了廣泛應用，取得了顯著的社會和經濟效益。但遙感技術仍處於發展階段，其發展潛力依然巨大。在數據獲取和處理方面，遙感技術將會實現高時空分辨率的遙感數據獲取，在此基礎上，基於遙感數據進行地物分類、監測等將成爲主流；在圖像處理方面，基於高光譜成像的智能解譯、基於多源異構數據的融合、遙感影像處理與分析等技術也將得到快速發展。