从遥感观测数据到数据产品.docx

从遥感观测数据到数据产品Remote Sensing:Observations to Data Products 吴炳方/张淼作者简介：吴炳方（1962-），男，江西玉山人，中国科学院遥感与数 字地球研究所，中国科学院数字地球重点实验室遥感科学 国家重点实验室博士，研究员，主要研究领域包括农业遥 感与粮食平安、水资源遥感与耗水管理、生态遥感等，E- mail:wubfradi. ac. cno 北京 100101；张淼，中国科学院 遥感与数字地球研究所，中国科学院数字地球重点实验室 遥感科学国家重点实验室。北京100101原发信息：地理学报（京）2017年第201711期 第2093-2111页内容提要：本文将遥感作为一种观测手段，通过梳理遥感从观测数据 到数据产品的处理方法，分析了目标识别和参数提取所采 用的方法、特点与存在的问题，发现遥感从观测数据到数 据产品的过程至今仍未形成系统、科学的方法论，指出遥 感方法论的建立需通过挖掘多源、多角度、多时相、多光 谱、主被动协同的遥感观测数据隐含的深层指示性特征， 加强结构化方法研究，构建新型的、可重复、易于处理且 能够反映物理、化学、地学、生态学、生物学意义的遥感 指标，以数据产品为导向开展多源协同遥感观测与分析处 理方法，推动遥感从观测数据到数据产品的处理方法向标 准化、结构化转变。Remote Sensing Observations to Data Products关键词:经验/半经验模型简单、参数少、运算效率高等优点促成了其在参数 提取中得到广泛应用，但同时也存在诸多不确定性。如受地表状况、大气 环境、植被冠层结构、遥感数据质量、传感器光谱响应函数等因素的影响 121-123,遥感指数与地表生理生化参量间的关系存在线性关系、指数 关系、对数关系、幕函数关系或不同关系的阶段性变化97-98 , 121- 122 , 124-126,地表双向反射因子(受太阳高度角、观测方位角影响)以 及叶倾角分布等冠层结构信息对经验/半经验模型的影响无法有效规避 1270不同参量的提取可能会基于同种遥感信息或指数，如基于NDVI 建立的经验模型提取的植被覆盖度(fCover)、LAI、FAPAR、生物量、作 物产量等数据产品相互之间具有高度的相关性和信息冗余性，而终端用户 在使用多种数据产品时往往不得而知。经验/半经验模型的精度不高，外推性差。如基于中低分辨率遥感数 据估算海洋泥沙含量、叶绿素含量等参量的精度缺乏60% ,而基于GF- 1、Landsat等高分辨率遥感观测数据的估算精度也仅到达87% ,基于中 低分辨率植被指数的LAI估算模型精度也在60%80%的范围内波动，而 基于高分辨率数据的LAI估算精度接近81%。总体上，经验/半经验模型 参数提取的精度多接近80% ,说明遥感光谱信息能够解释物理、生理变量 80%的变异度，但很难实现精度的进一步突破。特别是一些极端现象很难 采用经验/半经验模型实现参量的估算，如作物生长高峰期，灌溉作物的 植被指数常处于饱和状态，不同年份间的变化较小，无法用于农作物长势与单产的准确监测35 , 880同时，经验/半经验模型对问题的内涵及物理机制解释不清，适用性常受实验条件限制，随着时间和地表状况等的变 化，在一个地区建立的统计模型很难用于其他区域。3.3物理模型与经验/半经验模型相对应的参数提取方法是物理模型法，该方法首 先要建立描述地表遥感像元物理过程的数学模型，将参数提取转换为数学 模型/方程的求解问题。本节中模型反演关注的是由遥感观测数据生成数 据产品的反演过程，因此未考虑同化方法。为完成模型方程的数学求解，就需要获取足够的信息量，以满足 求解方程时独立方程个数等于或大于未知参数的必要条件。然而遥感无论 是开展陆地观测、海洋观测还是大气探测，对象都是复杂开放的巨系统， 构建的参数方程中，未知量几乎是无穷的，遥感观测的有限性、自相关性 以及地表状况的复杂多变导致遥感获取的信息量无法满足求解方程的数据 需求，因此方程求解的问题本质上是病态的，是无定解的数学模 型，无法采用最小二乘法”进行迭代求解128,只能被迫采用特定的 方法和策略以解决病态方程问题（反演），大体可概括成两类：一是通 过引入新的知识源-先验知识，增加求解方程所要求的信息量，保证方程 求解结果的稳定和可靠128, 一定程度上解决了观测信息量缺乏的问题 2 , 126 , 129,提高参数提取的效果128;二是利用迭代等算法优化方 程求解方法和策略126,对物理模型进行简化130-131,并对数据空间 和参数空间进行分割，分阶段开展参数反演132-133。高光谱数据因光 谱分辨率显著提高，也是增加反演可用数据的途径，多时相、多角度、多 源高分辨率数据的引入同样能够提升模型方程求解的成功率91 , 98 , 134-136。引入先验知识的物理模型已经广泛地应用于植被冠层结构、LAI、 FAPAR、叶绿素含量等参数的反演2 , 128 , 137-138,丰富而有效的先 验知识有助于识别出模型中的有限个关键参数，并基于先验知识设定其他 非关键参数为某一常量或阈值范围。但先验知识的引入必然导致方程求解 结果受先验知识的影响，研究说明不同的先验知识（模型方程初始条件）会 造成方程求解结果的显著差异，以LAI为例，1%的观测数据变化导致LAI 反演结果变化幅度高达75%1370同时大范围获取准确的先验知识又面 临巨大挑战。目前，SMOS卫星计划利用微波辐射传输模型求解亮度温度 及土壤湿度139,并通过引入分辨率更高的土地覆盖类型作为先验知 识，解决了先验知识无法大面积获取的问题，但仍受到土地覆盖数据精度 的影响。反演模型优化策略包括数值迭代优化法、查找表法、神经网络法、支 持向量机、遗传算法等，广泛地用于植被冠层结构、LAI、FAPAR、叶绿 素含量等植被生理参数的反演96 , 140-144o MODIS陆地和海洋上空 大气气溶胶光学厚度、水汽含量等大气参量反演那么在辐射传输模型的基础 上，借助查找表法，提升大气参数的反演效率145。地球探索计划 EarthCARE卫星搭载的大气探测激光雷达、云廓线雷达、多光谱成像仪和 宽波段辐射计等四颗不同类型的传感器，通过主被动传感器的组合，利用 查找表法、神经网络模型等方法实现云、大气气溶胶的垂直和水平分布以 及大气层顶短波和长波通量数据的同步反演146-148。SMOS卫星计划 最新的第六版本海洋盐度反演算法那么是在微波辐射传输模型的基础上 149,考虑能量由大气进入泡沫层并被大小尺寸不均匀分布的泡沫层吸 收和耗散的过程，进一步优化提出了基于L波段的泡沫发射率模型，在反 演海洋盐度的同时，同步获得了亮度温度、海表粗糙度等数据149。利 用数值优化方法求解重力梯度仪解析模型、重力场模型、微波随机体散射 一地面散射组合模型、多普勒频移量模型等，实现了重力异常、高度、风 速等参数的提取150。然而，当前模型反演仍以MODIS. SPOT VGT等中低分辨率遥感观 测数据为主，其原因是现有的反演模型多假设等距邻近像元对目标像元产 生相同的影响，无法有效地描述异质性像元的邻近效应，从而使得模型对 高分辨率遥感数据不适应。但中低分辨率遥感观测的像元均是由多种不同 地物组成的混合像元，基于单一对象刻画的模型对混合像元反演时，往往 增加了模型反演结果的不确定性129,如对MODIS LAI和FAPAR产品 的验证结果显示非洲局部地区的反演误差达15%和20%151o遥感观测 的瞬时性与观测对象变化过程的动态性之间也存在不可调和的矛盾129 , 152-157。另一方面，模型反演的时间代价不容忽视。基于中低分辨率卫 星观测数据的反演算法在并行优化之后仍需要数天时间完成，但当反演所 用观测数据的分辨率提高至30 m(Landsat. HJ-1等卫星)或10 m(GF、 Sentinel-2)时,反演算法耗时将呈现指数级增加。总体上，现有反演模型 无法有效平衡高分辨率数据与低分辨率遥感数据在反演过程中的弊端。4数据产品本节以美国MODIS数据产品、欧空局哥白尼计划陆地数据产品、中 国全球陆表特征参数(GLASS)产品以及集成多源卫星数据生成的 CYCLOPES,降水和蒸散数据产品为例，分析各遥感数据产品采用的方法 及策略。MODIS数据产品(表1)有7个采用目标识别方法，1个产品所用的是 遥感指数方法，1个采用经验/半经验模型，8个采用物理模型，局部数据 产品生成过程中，采用了多种数据产品生成方法，如MODIS云综合产品 中的云掩膜产品采用的是基于决策树的目标识别方法，而云相、云光学厚 度、有效云粒径、云顶温度、云高度等参量那么基于物理模型提取。MODIS数据产品完全依赖MODIS单T专感器获得的遥感观测数据，生 成的数据产品虽已得到广泛应用，但无论采用的方法如何优越，生成的数 据产品均无法规避MODIS观测数据质量、传感器衰退等因素的影响。欧空局哥白尼计划陆地监测工程将利用30颗包括RADARSAT2、 ENVISAT ASAR 等 SAR 数据以及 SPOT VGT、Proba-Vs ENVISAT MERIS和6颗哨兵(Sentinel)系列卫星等多源卫星数据，提供陆表植被监 测、能量平衡和水分监测的多种数据产品。截至2017年仅提供12种数 据产品(表1),其中，NDVI及其衍生出的VQ产品的生成属于遥感指数 方法；DMP、VPI和地表温度那么利用FAPAR、NDVI或热红外波段亮度 温度建立的经验/半经验统计模型生成；LAI、FAPAR、fCover、反射率和土壤水分等产品的生成那么采用神经网络模型对反演模型进行优化;Albedo产品通过对各波段反照率经验组合计算获得；火烧迹邮口水体产 品采用目标识别方法获得。现阶段，哥白尼计划提供的数据产品仍主要依 赖SPOT VGT及其后续星Proba-V等遥感传感器，遥感观测数据的质量 直接影响数据产品的质量好坏，仅LST产品综合利用了多颗静止气象卫星 数据。集成多种卫星平台的观测数据、多种数据产品生成更高精度、质量更 可靠的遥感数据产品是常见的策略。全球陆表特征参数(GLASS)产品基于 AVHRR、MODIS和多种地球同步卫星观测数据生成19822014年长时 间序列的8种数据产品。GLASS的LAI、fCover产品基于神经网络模型 对现有数据进行融合和时空序列数据插补而成；FAPAR那么基于GLASS LAI产品采用孔隙率模型反演生成；Albed。、长波净辐射、净辐射产品采 用经验统计法获得；GPP产品那么采用经验/半经验的光能利用率模型实现 产品生产；发射率产品在裸土区采用经验统计法，在植被区那么采用查找表 优化4SAIL辐射传输模型实现参数提取；下行短波辐射、光合有效辐射那么 采用查找表法实现辐射量的反演142。CYCLOPES工程集成AVHRR、 VEGETATION. POLDER、MERIS和MSG数据，利用模型反演(基于神 经网络算法的辐射传输模型)方法生成了 LAI、fCover、FAPAR、反照率 (Albedo)等生物物理参数产品137 , 143。以LAI数据产品为例，比照 MODIS、VGT、CYCLOPES 和 GLASS 产品的精度俵 2) , MODIS 上午 星和下午星双星联合反演的精度较单一卫星数据产品高，而结合多颗卫星搭载的多颗传感器联合反演获得的CYCLOPES和GLASS数据产品精度较 双星反演精度更高。IrI多传感器联合反演降水(Multi-sensor Precipitation Estimation , MPE)的方法同样是为了克服从单一来源的遥感观测数据到降水数据产品 反演过程的缺点162。热带降雨测量计划(Tropical Rainfall Measurement Mission , TRMM)多卫星降水分析数据产品以TRMM微 波成像仪、先进微波扫描辐射仪(AMSR-E)、专用微波成像仪(SSMI)、专 用微波成像声呐(SSMIS)、高级微波温度计(AMSU)、大气湿度廓线探测仪 (MHS)和微波调节融合红外仪(IR)7种遥感观测数据为基础，形成空间分 辨率为0.25。、时间分辨率3h的降水产品。全球降水观测计划(Global Precipitation Measurement, GPM)携带的双频降雨雷达和GPM微波 成像仪，同现有的MPE方法所用观测数据结合，加上欧洲第三代气象卫 星、美国的GOES-R卫星和已经发射升空的中国风云四号(FY-4)卫星，为 全球多传感器联合反演降水提供新的观测数据源，提升降水数据产品的精 度162。基于遥感的区域蒸散量监测方法(ETWatch)25 , 26 , 153 , 163充分 利用不同卫星数据产品在相关地表参数或地表通量模型构建时能够提供的 优势信息，开展了基于风云静止气象卫星云产品数据的净辐射模型 164、基于MODIS/AIRS大气廓线产品的大气边界层高度模型165、 基于光学一红夕微波数据的空气动力学粗糙度模型166以及基于不同下垫面、不同气候环境参量的感热通量模型167等，最终通过模型集 成，构建了多尺度一多源数据协同的陆表蒸散遥感模型参数化方法 163。5讨论对遥感的理解有不同的角度，本文仅将遥感作为一种观测手段，剖析 从遥感观测数据到数据产品的数据处理方法。遥感开展了 50余年，大量 的研究解决了特定时间、特定区域的应用问题，推动了利用遥感观测数据 生成数据产品方法的进步，形成的数据产品及信息服务能力也不断提升， 但均在一定程度上受时间、区域、使用者经验的影响，导致在解决相同问 题时，存在结果不一、结论矛盾的现象。遥感从观测数据到生成数据产品 的过程至今仍未形成系统性、科学性的方法论，还有很长的路要走。准确性更高、更可靠的数据产品是用户使用遥感数据产品时最关注的 问题，产品生成过程的复杂性用户并不在意。目标识别方法重点解决识别 地物类型的问题，但精度不高且受专家经验知识的影响；前文提到的 ChinaCover 土地覆盖数据产品采用面向对象的变化检测和决策树方法 29,48 , 168 , 20002014年全球森林年度动态变化数据产品采用决 策树分类方法169,在建立分类体系和不同类别区分标准的前提下，具 有显著的结构化特征而得到广泛应用。参数提取解决的是从遥感观测数据 中提取具有物理、化学、地学、生态学、生物学等实际意义的数据产品， 其中遥感指数产品的物理意义不明确或不唯一；基于经验/半经验模型的参数提取方法对问题的内涵及物理机制解释不清，能够有效地解决一时一 地的实际应用问题，但模型适用性常受实验条件限制，外推性较差，只能 是解决遥感从观测数据生成数据产品的权宜之计；基于物理模型的参数提 取方法为地表参量数据产品的生成提供了具有物理内涵的解决途径，但方 法本身的病态性决定了方程无定解的现状，模型对地表状态和物 理过程刻画的精确度即模型本身的质量直接导致模型反演精度受限 129;通过数值迭代优化、查找表法、遗传算法等模型反演优化策略， 多通过数值逼近、相似性比照等方法，实质上是从预先模拟出的结果 库中筛选出模型反演结果。以上各类方法均存在缺乏，没有一种方法能够 让终端用户信心十足。即便是现有的遥感主流产品，如LAI遥感产品，采 用的方法、形成的产品间仍存在差异97 , 128 , 158-161。未来需要对 数据分析处理策略进行仔细的分析和梳理、科学论证和验证，去伪存真， 明确哪些方法是结构化的，哪些方法能够改造成结构化方法，哪些方法只 是权宜之计，哪些方法能获得定量数据，哪些方法只能获得定性的数据， 哪些方法实质上是在“伪造数据，以及这些方法的精度水平及改进空 间，从而指明现有方法如何向结构化方法转变，逐步构建以结构化为特征 的、科学的从遥感观测数据生成数据产品的遥感数据产品方法论。(1)开展新型遥感指数产品。遥感指数作为一种凸显不同地物差异的参 数产品，其构建方法符合结构化方法的特征，但现有的遥感指数的物理意 义欠缺，在应用时往往存在适应性限制。需结合遥感信息自身的优势，从 问题出发，开展出一些易于处理且能够反映生态学、地学、气象学意义的特征指标，充分挖掘遥感观测数据隐含的深层指示性特征，构建具有指示 性意义的新型遥感指数数据产品。例如对地表水下渗、自然地表蒸散、城 市热岛效应、城市内涝等具有重要影响的不透水面要素71-72,能够利 用不透水面指数实现快速提取，识别方法相对简单170-171;用于粮食 平安早期预警的作物生长早期的耕地种植比例指数，较传统的作物类型的 识别精度大幅度提高172,如2015年9月之后南非出现严重旱情，耕地 种植比例较2014年同期偏低达34% ,全球农情遥感速报系统 (CropWatch)基于该信息对南非玉米生产形势做出了早期预警。(2)以数据产品为导向。现有的数据产品多以卫星为导向，每种卫星观 测数据都有一套各自的数据产品，数据产品各成体系。同时不同卫星获得 数据产品受限于遥感传感器的不一致性，相互间的时空连续性和一致性较 差，为数据产品的广泛应用造成障碍95。遥感数据产品生成方法应该以 形成高质量的数据产品为目标,如前文提到的CYCLOPES工程138 , 144、多传感器联合反演降水数据产品16、基于遥感的区域蒸散量监测 方法(ETWatch)及其产出的多尺度-多源数据协同的陆表蒸散发数据产品 25-26 , 153 , 163,充分利用所有可用的遥感观测数据，发挥不同遥感 观测数据的优势，已经成为反演高精度、高分辨率遥感数据产品的主流途 径162。未来应利用多源协同遥感观测与分析处理方法，充分结合多种 遥感观测数据的优势，形成合力，提高数据产品的精度。数据产品为导向 的遥感处理方法需进一步拓展至卫星传感器设计、卫星发射计划等方面， 围绕现有数据产品分析处理过程中的缺陷和需求，有针对性的开展新型传 感器和卫星计划，以实现数据产品质量的提高。遥感观测/数据产品/目标识别/参数提取/经验/半经验模型 /物理模型期刊名称：地理复印期号：20印年01期1引言遥感通过探测电磁波谱、重力或电磁场扰动，在不直接接触物体的条 件下对物体进行观测1。遥感作为一种观测手段，与其他观测方法的相同 点是为了获取有价值的数据产品，均需要对观测获取的信号/样品进行处 理；不同点在于遥感不接触物体便能够实现对物体的观测，观测方法更加 灵活；以像元为观测单元的信息获取方式是遥感观测与传统观测方法最大 的不同点2。长期以来，地学、生态学等学科通过在有限的、分散的点上 要素观测推算宏观的、区域的要素变化状况3-8,无形中增加了客观认识 的不确定性。遥感观测通过全覆盖观测，获取细至厘米级、粗至千米级的 长期、持续性的观测数据，极大地克服了以点带面的观测弊端，为全球变 化研究、地球系统科学研究等提供了独特的观测手段9。任何观测方法，最初获得的信号、数据或样品都需通过有效地分析处 理后才能得到有意义的数据产品。基于站点的水文气象数据需要经过空间 插值转换得到流域降水量等信息3 , 5,通过水量平衡方程推算流域出口 断面的径流量口0；实地采集的水、大气、土壤、农产品等样品，需要通 过实验仪器分析解析采样点水质、大气质量、土壤属性、农作物品质等信 息7-8;森林蓄积量、树龄测定那么需通过量测胸径、树高、钻取树芯后获得11。(3)与前沿计算机技术充分结合。当前全球覆盖的遥感数据产品多为中低分辨率的产品，空间分辨率多低于250 m ,高分辨率遥感数据产品十分 匮乏，特别是时间连续、空间无缝的数据产品缺失，使得精细尺度遥感应 用的需求无法满足口73。另一方面，大数据时代，遥感传感器的开展使 得遥感观测数据的时空分辨率逐步提高，产生的遥感观测数据的数据量呈 几何级数增长，对海量遥感观测数据的快速自动化处理依赖于计算机技术 的创新174。近年来，深度学习方法逐渐被引入到图像分割、目标识别 和分类中175-176,利用机器学习的过程对图像所包含的具有生态学、 地理学、农学意义的深层特征信息进行挖掘，开展高精度的建筑、水体、 裸地等不同地物类型的分类以及飞机、舰船等目标识别。ImageNet大规 模视觉识别挑战赛举办以来，图像识别的错误率从2012年的29.6%降到 了 2015年的3.6% ,充分显示了深度学习在目标识别中的作用177- 179。Google针对地球观测大数据，开发了全球尺度PB级数据处理能 力的Google Earth Engine云平台180,极大提升了地球观测大数据的 处理与信息挖掘能力。Google Earth Engine内置全球经预处理的长时间 序列的Landsat/MODIS等系列数据，能够快速实现长时间序列大范围农 作物种植区的提取与分析、全球尺度森林动态变化监测等169 , 180,为 遥感与先进计算机技术结合提供应用典范。利用非遥感大数据充分挖掘待 分类识别目标的深层隐含特征180,将为基于遥感的目标分类识别方法 提供新的解决途径。未来结合深度学习、大数据处理等技术，有望解决传 统处理方法无法有效解决的复杂难题，依托集群、云技术的数据密集型计 算方法，突破高分辨率遥感数据分析处理的时间瓶颈，实现高分辨率时空 连续的遥感数据产品的快速生成与动态追加更新182。国家重点研发计 划全球变化及应对重点专项全球变化大数据的科学认知与云共享平 台”工程拟结合大数据与深度学习方法，基于Landsat系列卫星数据，结 合其他光学、SAR等多源遥感数据，实现20世纪70年代以来多年度30 m分辨率森林覆盖、火烧迹地、陆面水体、不透水面、耕地和极地冰盖冻 融6种关键地表覆盖类型的快速生成183,将为全球变化研究提供更加 全面细致的数据支撑。(4)建立遥感处理方法标准体系。标准是产品是否达标、是否合规的标 志，其能减少人为主观因素影响，防止相同的观测数据获得的数据质量因 方法、因地域、因人而异。纵观农业、生态、气象、水文、国土资源、测 绘等遥感应用常见领域，均有各自的成体系的国家标准，例如土地用现 状分类国家标准明确规定了土地利用的类型、含义，为土地调查观测提供 标准章程。与遥感高度相关的测绘学科，早在1984年便由国家测绘地理 信息局设立了测绘标准化研究所，专门从事测绘标准化研究，先后制定了 大地、航测、制图等多个领域的系列国家标准以及测绘地理信息行业标准 制修订184。遥感领域也有少量的国家标准与行业标准，如卫星遥感影 像植被指数产品规范，但针对从遥感观测数据到生成数据产品这一分析方 法的标准相对缺失，需大力推进遥感从观测数据到数据产品的分析处理方 法的标准规范制定。为建立遥感处理方法标准体系，需要对现有的遥感数据产品生成方法进行全面，分析不同类型的数据产品所用的方法特点，以及相同遥感数据处理方法用于生成不同数据产品时的差异性，综 合分析归纳，并将从遥感观测数据到生成数据产品的全过程进行步骤细 分，逐渐形成各个步骤的标准输入、输出流程，制定出输入输出的标准规 范，形成从遥感观测数据到生成数据产品的全流程标准体系。6结语现代科学以观测为基础。从遥感观测数据到获取具有实际物理意义的 数据产品的过程所采用的各类方法均存在一定问题，根本原因是遥感从观 测数据到生成数据产品过程的系统、科学方法的缺失。未来需要建立遥感从观测数据到数据产品的系统性方法演口处理方法 标准体系，包括建立结构化方法、开展新型遥感指标、以数据产品为导 向、与前沿技术结合等方面，实现遥感从观测数据到数据产品的方法向科 学化与结构化转变，推动遥感从观测数据到生成数据产品的标准化、规范 化。系统性方法论的形成有望提升遥感在各行各业的应用前景，改变遥感 在传统行业饱受质疑的现状。致谢：特别感谢中国科学院遥感与数字地球研究所曾红伟副研究员、 赵旦博士、邢强博士和朱伟伟博士以及联合国粮农组织前副总干事何昌垂 先生在文章成稿和修改过程中提供的珍贵意见和建议。全球农情遥感速报（2016年2月5日），遥感观测方法也不例外，最初获得的电磁波信号，需要经过处理和分 析后才能转换为可直接应用的数据产品，这一过程中辐射定标、大气纠 正、几何纠正只是得到遥感观测数据的预处理过程，是生成遥感数据产品 的基础，而更重要的是从遥感观测数据生成有价值的数据产品的方法；如 植被结构参数12-13、生理生化参数14-22、河流湖泊水质23-24、水 循环与水资源管理25-28、地物类型29-31、植被生长状况32-35、生 物多样性36-38等，与之相关的数据产品生成方法，局部简单，局部又 极其复杂，相同的处理方法常因原始遥感观测数据的不同、研究区域的转 变、专家知识的差异而产生截然不同的数据产品，以作物种植面积遥感监 测为例，不同分辨率遥感产品，即使采用相同方法估算的作物种植面积受 尺度影响也可能存在较大差异；植被叶面积遥感估算的方法多种多样，但 都只能适用于特定区域与特定环境。遥感从观测数据到数据产品的不确定 性极大地阻碍了遥感走出象牙塔。本文通过系统回顾现有的从遥感观测数据中获得有价值的数据产品的 方法，总结分析现有的目标识别和参数提取两大类处理方法及各自的优 势，阐述各类方法的局限性及其原因，重点指出遥感数据产品生成方法未 来的开展方向，希望促进遥感从观测数据到数据产品的结构化与科学性。2目标识别对遥感影像进行解译和判读进而识别地物类型，提取土地覆盖和土地 利用类型、识别地物目标并开展动态变化监测，以及云识别、灾害损毁监 测、海表异常探测等均属于目标识别范畴3 9 -41。最初的基于遥感观测数据的目标识别是通过目视判读的方式实现的， 其首先应用在军事要塞、电厂、机场等敏感目标的识别。目视判读因其直 观易懂一直沿用至今，受限于遥感数据质量、监测系统的自动化水平等诸 多因素，国家级农情遥感监测系统在开展农作物种植区提取时，仍局部依 赖目视判读的方法；中国土地资源数据42、第2次全国土地调查工作同 样采用人机交互目视判读的方法43。但目视解译需要大量的人工投入， 并受解译人员知识经验等主观因素的影响，存在效率低、精度与质量难以 控制、解译经验要求高等缺点。随着遥感技术的迅速开展，全球卫星遥感 数据总量已达艾字节(EB)级44,目视判读早已无法充分发挥海量遥感数 据在目标识别中的作用。利用计算机技术实现目标的自动判别与分类，已成为遥感技术与应用 研究的重点45-47,包括参数化分类器、非参数化分类器在内的多样化 分类器被广泛地用于土地利用分类29,48-52、不同植被类型识别30 , 53-60、关键目标识别61-63等多个应用领域。遥感数据源的丰富也为 目标识别能力的提高提供了保障。高光谱遥感观测获取的光谱信息在反映 地物波谱特征方面能力突出，能够甄别地物特殊的光谱特征，使得高光谱 图像中相似目标的探测成为可能64。微波遥感因其全天候的观测能力， 在多云雨区开展目标识别的能力突出，广泛地应用于水稻种植区提取、洪 泛区识别56 , 65-67等。多时相、光学与SAR数据等多源遥感协同观测 因充分结合不同时间获取的遥感数据以及不同数据源自身的优势，目标识别的精度有所提升45,56 , 65。然而，遥感目标识别的精度并没有质的飞跃。2000年全球有代表性 的1 km分辨率土地覆盖数据集中的IGBP Discover. GLC 2000、 MODIS 土地覆被数据产品的总体精度分别为66.9%, 68.6%和 78.3%68 , ESA利用20032012年间的中分辨率光谱成像仪(MERIS) 数据生成的2000年、2005年、2010年3个时段的全球土地覆盖数据 集，空间分辨率提高到300 m ,水体要素产品的空间分辨率提高到150 m，总体分类精度为73%69-71;而利用2006年之后的Landsat系列 卫星生成的全球30 m分辨率土地覆盖数据集(FROM-GLC)的总体精度为 71.5%49;利用像素分类一对象提取一知识检核”方案生成的2000 年、2010年全球30 m分辨率土地覆盖数据集(GlobalLand 30)50-51 , 72,总体精度到达80%50;采用面向对象分类技术以及变化检测方法 生成的中国1990年、2000年、2005年、2010年4个年度的30 m分 辨率土地覆盖数据集(ChinaCover)48,通过分类后人工修正将总体精度 提高到86%29,勉强到达实际应用要求的85%的分类识别精度目标 73。外表上，目标识别的对象因同物异谱及同谱异物导致识别的难度大、 精度低。如针叶林与针阔混交林、小麦与大麦、黄豆和绿豆等，同时识别 精度又受到如训练样本差异、复杂地形状况、非均一性地表信息、数据预 处理质量、分类方法差异、人为主观干预等诸多因素影响68,且不同目 标的识别精度因区域与监测时段的差异而截然不同29,48 , 50-51 , 68-71,目标识别在小区域能够取得较高的精度59-60,但在其他区域的适 应性和拓展性往往缺乏60,730数据源对目标识别的影响同样引起了广 泛关注；基于光学遥感数据的目标识别精度受到天气条件的显著影响，高 光谱数据波段数量大，数据冗余，维数灾难、Hughes现象等问题对目标 识别与精细分类精度的影响不容忽视65 , 74-75,对监督分类的样本量 要求更高；微波数据分类中斑点噪声现象为准确识别目标、精细分类带来 困难56 , 640但导致目标识别精度受限的根源在于当前的目标识别方法 没有扬长避短，海量多时相、多源遥感数据蕴含的具有生态学、地理学、 农学意义的丰富信息未得到有效挖掘，多数目标识别方法达不到输入输出 数据标准化的要求。3参数提取参数提取是利用遥感提取地球外表目标的物理、地学、化学、生态学 等状态参数的过程。参数提取方法可划分为经验/半经验模型和物理模型 两种；遥感指数最初提出是作为一种突出不同地物间差异性的中间产品， 但经过长时间开展，因其简单易用，一些遥感指数已经作为表征地表参数 的数据产品被直接使用。本节分别对遥感指数、经验/半经验模型和物理 模型三种方法进行论述。3.1 遥感指数地物波谱特征的独特性为遥感指数的构建提供了物理基础。利用不同 地物的波谱特征建立特定的遥感指数能够定量探测特殊地物的特征，目前 已开展出包括植被指数、水体指数、土壤水分指数、云检测指数、大气污 染指数等一系列不同类型的遥感指数。当前，仅植被指数已多达40余种76-80,这些指数多利用红光波 段、近红外波段、红边波段为主的不同波段组合，或者复合指数组合计算 获得，早期开展出的植被指数没有考虑大气影响、土壤亮度和土壤颜色的 影响以及土壤、植被间的相互作用，导致诸如NDVI等植被指数受植被冠 层背景影响较为显著，调整土壤亮度的植被指数、红边植被指数综合了相 关波段的光谱信号，在一定程度上增强了植被信号，弱化了非植被信号 77 , 80-81o面向特定应用提出的遥感指数很多。利用可见光和热红外遥感观测资 料建立的遥感指数在干旱监测中发挥了重要作用81-82;基于微波遥感 的干旱指数83-84克服了光学遥感观测受云雨影响的缺陷。利用高光谱 遥感数据建立的全谱段植被指数(VIUPD)模型与传感器无关，能够更准确 的反映植被的细微变化65 , 85;针对不同病虫害胁迫的作物光谱特征， 建立的区分特定病虫害的新型光谱指数，包括健康指数(Health Index , HI)、白粉病指数(Powdery Mildew Index, PMI)、黄锈病指数(Yellow Rust Index , YRI)和蛆虫指数(Aphids Index , AI)等86。利用植被覆盖 度修正植被指数获得的植被茂盛程度的纯化植被指数，能够更准确的表征 草地地上生物量的高低87;类似的植被指数修改方法也被用于修正年度 间耕地种植状况、灌溉强度差异导致的作物长势异常信号，实现耕地种植 状况归一化的作物长势遥感定量监测，其结果能够更准确的反映作物长势 真实状况35 , 88。植被生产力指数(VPI)基于NDVI数据在历史同期NDVI直方分布中所处位置构建，用以评价植被生产力水平89。利用磁 力指数可以实现高精度的磁场强度和方向的直接测量90。止匕外，基于高 光谱遥感的岩矿指数91、水体组分指数65也得到广泛应用。受益于遥感指数计算方式简单和标准，遥感指数产品的生成以及应用 较其他遥感数据产品有先天优势，已经成为运行化系统中应用最为广泛的 数据产品。全球农情遥感速报系统(CropWatch)提出了多个具有特定指示 意义的农情指标，如利用生长季内的植被指数峰值与历史同期植被指数峰 值的最大值，开展出生长季最正确植被状况指数(VQx),用于评价作物生长 季总体长势，能够有效去除物候偏移对长势监测的影响33,该方法适用 于不同传感器数据，不因数据源的不同而产生认知上的差异。农业胁迫指 数(Agriculture Stress Index , ASI)用于全球不同生长季异常植被生长情 况以及可能发生的旱情监测与预警92。基于遥感指数的遥感数据产品为 天气预报的业务化运行提供了丰富的数据产品信息，能够准确指示云微物 理特性、扬尘、热带气旋等83 , 93。不同形式的遥感指数虽已得到广泛应用，但仍面临一定的问题，如大 局部遥感指数在构建时缺乏合理的物理解释，导致其指示的生理意义解释 不清。NDVI作为最常用的植被指数之一，常被用于作物长势监测32- 35,但相同的NDV1值的指示意义并不唯一，既可以代表作物生长茂盛 程度或植被健康未受病虫害侵扰，也可以代表植被的强壮程度。在植被覆 盖度高的状况下，NDVI等植被指数出现的饱和现象进一步增加了用户使 用植被指数时的困惑。基于不同时空分辨率卫星数据获取的植被指数间存在着非线性关系，导致多源数据的协祠使用面临困难。受大气条件、观测 条件、地形、定标水平等以及遥感传感器信号获取的不确定性因素的影 响，导致不同遥感观测源获取的遥感指数缺乏一致性和可比照性94,无 法形成一致性较高的长时间序列遥感指数95,进而影响到遥感指数在长 时序分析中(如全球变化领域)的可信度9。3.2 经验/半经验模型基于地面观测/实验数据，应用统计方法分析遥感参量与地面观测数 据(物体状态的物理、生理、生化参数)的统计关系，通过建立经验/半经验 模型来获得地物参数也是常见的参数提取方法之一。自遥感诞生之日起，经验/半经验模型就被广泛地用于植被覆盖度、 植被叶面积指数(LAI)96-98、植被光合有效辐射吸收比率(FAPAR)99、 植被地上生物量21-22 , 79 , 100-104.森林高度105-10刀、植被凋落 物生物量/覆盖度20 ,79、冠层叶绿素浓度108、冠层/土壤水分含量 109-113,氮磷钾等养分浓度U4-115、土壤水分116-11刀等陆表物 理化学参量以及海洋表层参数(海洋表层叶绿素含量、近海泥沙含量和黄色 物质浓度等)的估算；最新推动的生物量卫星(BIOMASS)、冰云和地面高 度二号卫星(ICESAT-2)等仍建议采用经验/半经验模型实现森林生物量、 森林树高等参量的提取103-104 , 107o经验/半经验模型还被广泛地用 于农作物单产遥感估算32-33 , 118,地表实际蒸散发遥感估算119, 85、湖