1、农作物遥感识别中的多源数据融合研究进展 宋茜 周清波 吴文斌 胡琼 余强毅 唐华俊 中国农业科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室 黑龙江省农业科学院遥感技术中心 华中师范大学城市和环境科学学院 摘 要： 农作物遥感识别是地理学和生态学研究的前沿和热点,多源数据在农作遥感识别中日益发挥重要作用。笔者从多源数据融合的角度,归纳了 2000 年后多源数据在农作物遥感识别中应用的总体概况,系统梳理并提炼了当前多源数据融合的主要融合技术和融合模式。围绕与多源数据融合和农作物遥感识别相关的关键词,在 Google 学术、ISI Web of Knowledge 和中国知网中对 20
2、002014 年间国内外发表的论文进行检索,并统计不同传感器的使用频率及结合方式。研究表明,以提高空间分辨率为目标的多源数据融合和以提高时间分辨率为目标的多源数据融合技术是当前的两种主要方式,可以在一定程度上实现时空尺度的扩展。前者的融合技术包括图像融合、正态模糊分布神经网络模型、成分替换、半经验数据模型融合及多分辨率小波分解等,可以提升遥感数据的空间分解力和清晰度,较好弱化混合像元产生的影响,但农作物光谱信息有一定程度的丢失或扭曲,农作物空间分布局部细节信息与纹理特征依然会缺失;后者的融合技术形式灵活多样,可分为同源数据联合扩展时序的时空优化技术和异源数据联合扩展时序的时空优化技术,其可以有
3、效排除短时间段内农作物生育期交叉,但易受不同遥感数据源间光谱反射率或植被指数转换模型及光谱波段设置差异的影响。在融合模式方面,根据数据类型分为光学数据的融合、光学数据与微波数据的融合以及遥感与非遥感数据的融合,以实现卫星资源优势互补为宗旨,充分挖掘不同类型农作物在遥感数据上呈现的光谱、时间和空间特征差异信息。同样,农作物遥感识别研究中的多源遥感数据融合也存在诸多挑战,在未来一段时间内,完善不同传感器之间的合作、更深层次挖掘融合信息以及多尺度长时间序列的中高分辨率农作物空间分布数据集的需求是多源数据融合的农作物遥感识别研究的重点发展方向和亟待解决的问题。研究结果有助于更好地理解多源遥感数据融合的
4、技术和模式,为摸清多源数据融合在农作物识别中总体进展提供支撑,同时也为其他多源数据融合研究提供借鉴。关键词： 农作物; 多源数据; 融合; 遥感; 识别; 作者简介：宋茜;E-mail:。作者简介：周清波,E-mail:作者简介：唐华俊;E-mail:。收稿日期：2014-11-24基金：国家自然科学基金(41271112)Recent Progresses in Research of Integrating Multi-Source Remote Sensing Data for Crop MappingSONG Qian ZHOU Qing-bo WU Wen-bin HU Qiong
5、YU Qiang-yi TANG Hua-jun Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences/Key Laboratory of AgriInformatics,Ministry of Agriculture; Abstract： Crop mapping by using the remotely-sensed images provide basic information for further geographical and ec
6、ological researches. A systematic review on the recent literature regarding crop mapping was carried out in order to improve our understanding on the integration and application of multi-source remote sensing data. The literature search was performed in Google Scholar, the ISI Web of Knowledge and C
7、NKI(e.g. Topic =”crop + mapping”; Topic =”classification + multi-source”; timespan = 2000-2014). According to the thorough analysis on the existing publications, it is suggested that(1) there are two main ways to identify crop types based on the integration of multi-source data in order to expand th
8、e spatial and temporal scales. The techniques of multi-source data fusion, which are aimed at improving the spatial resolution, include image fusion, normal fuzzy distributed neural networks, component substitution, semi-physical fusion approach, and multiresolution wavelet decomposition. With the i
9、ntegrated application of such approaches, the spatial resolution and clarity of remote sensing images are raised; the effect of mixed pixels is weaken to some extent. Nevertheless, crop spectral information is partly lost or distorted. The techniques of multi-source data fusion, which are aimed at i
10、mproving the temporal resolution, can be categorized into two types: the integration of the same data source, and the integration of different data sources. By using such approaches, the crossover of growth period among different crops can be effectively eliminated. But such approaches are susceptib
11、le to transformation models of spectral reflectance or vegetation indices, and the differences in band coverage among different remote sensing data.(2) The modes of multi-source data fusion can be categorized into three types according to the data types applied: integration of optical data, integrat
12、ion of optical and microwave data, and integration of remote sensing and ancillary data sources. Taking complementary advantages of various satellite data resources, these techniques of data fusion fully mine the differences of spectral, temporal and spatial characteristics, among various crop speci
13、es. However, there still remain challenges in previous researches about the crop identification based on the fusion of multi-source remotely sensed data.Keyword： crop; multi-source; combining; remote sensing; identification; Received： 2014-11-24农作物空间分布是农业生产活动对土地利用的表现形式,也是对自然资源高效利用及田间科学管理的最终结果1-2。及时准
14、确地识别农作物空间分布不仅是区域农作物长势监测、产量估测和灾情评估等的重要基础,也是宏观掌握粮食生产、指导农业生产和调控农产品贸易的依据3-4。遥感技术作为新型对地观测技术,因宏观性、综合性和动态性的特点,迅速成为农作物空间分布信息获取的重要手段5-6。因此,农作物遥感识别研究具有重要的理论和实践意义7。自美国Puredue 大学首次将遥感数据用于农作物监测后,涌现了大量农作物遥感识别的研究,Landsat TM8-9、 MODIS10-11、Quick Bird12等不同传感器数据在农作物空间分布及其动态变化提取中发挥了重要作用。事实上,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
15、感性的特征13;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14。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15。近年来,国内外很多学者开展了基于多源遥感数据融合的农作物空间分布信息提取方法研究,但已有研究多是利用多时相、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16-17。虽然有关多源遥感数据融合的研究日益增多,但目前还没有文献对已有的研
16、究进行系统梳理和归纳,使得农作物遥感识别中的多源数据融合研究总体进展不清。基于此,本研究以作物识别/提取、高/中/低分辨率、制图、Crop、 Classification、Mapping 等为关键词,在 Google 学术、 ISI Web of Knowledge 和中国知网中对 20002014 年间国内外发表的论文进行检索,共检索到和多源数据融合相关的文献 297 篇,在此基础上试图对农作物遥感识别中的多源数据融合总体研究进展进行总结和评述。论文框架如图 1 所示,在归纳“有什么”多源数据基础上(总体概况,见第一章节),重点阐明近 10 多年来基于多源遥感数据融合的农作物遥感识别“用什么
17、”时空优化的方法(即融合技术,见第二章节)和“怎么用”信息源整合和替代(即融合模式, 见第三章节),讨论已有研究中存在的问题,并针对多源数据融合中以上 3 个关键环节展望未来发展趋势。1 农作物遥感识别中多源数据的应用概况通过对检索的全部论文进行统计分析发现,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%)和以 Landsat TM/ETM+为代表的中等分辨率(比例为 35.0%)为主18-21(图 2)。近年来,随着微波遥感蓬勃发展, 星载合成孔径雷达(SAR)日益在农作物遥感识别中得到应用,其使用比例达到 10.1%22-23。尤其值得一提的是,
18、环境减灾小卫星星座 HJ-1A /1B 数据作为新的遥感数据源,中国国产卫星以 5.1%的使用频率应用 于农作物 识别与监 测领域24。 此外 , Quick Bird 及其他类型的传感器在农作物识别中也得到使用,两者比例约为 15.1%。同时不难发现, 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。图 3 统计了近十多年 3 个不同阶段农作物识别中的单一数据源和多数据源使用情况。可以看出,基于单数据源的农作物遥感识别文献数合计 189 篇,远高于基于多源数据的农作物遥感识
19、别文献数(108 篇)。 因此,目前农作物遥感识别中仍然以单一数据源为主, 但其有下降的趋势,与此同时,多源数据在农作物遥感识别中越来越多得到应用,呈明显的上升趋势。进一步统计分析发现,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。图 1 综述结构图 Fig.1 The review framework 下载原图图 2 农作物遥感识别中不同传感器使用频率统计 Fig.2 The categorization of crop identification based on different sensors 下载原图图 3 农作物遥感识别中采用
20、的数据源数量统计 Fig.3 Statistics of the remote sensing sources used for crop identification 下载原图2 多源遥感数据融合技术农作物遥感识别原理总体上分为两类:一是基于农作物的光谱特征和空间异质性特征;二是基于农作物的物候特征。基于农作物光谱和空间纹理特征的识别方法易受分辨率的限制,“同物异谱”和“异物同谱”现象普遍存在。单一高分辨率数据的光谱信息不足,难以覆盖大区域范围;单一中分辨率数据源受传感器重访周期和云雨天气影响,数据获取频率低于理论周期;而单一低分辨率数据源混合像元现象严重25-27。基于农作物季相节律和物候
21、特征识别农作物类型需要利用时间序列遥感数据,然而,遥感数据的时间分辨率与空间分辨率之间相互制约,单一高时间分辨率遥感数据有助于精确区分作物生育周期,但通常空间分辨率低,刻画空间异质性能力差,而单一中高空间分辨率遥感数据很难获得覆盖作物整个生育期的长时间序列信息,重复观测能力低28-29。因此,农作物遥感识别中的多源遥感数据融合的关键任务是解决遥感数据的时空优化问题,提高农作物识别效率和识别精度30-32。2.1 以提高空间分辨率为目标的多源数据融合技术中国农作物种植结构复杂多样、田块破碎,光谱混合现象严重,其准确识别对遥感数据的空间分辨率要求高33。针对低空间、高时间分辨率遥感数据对农作物生长
22、过程动态变化描述的优势,引入中高空间分辨率遥感数据,通过数据融合可以有效提高对农作物空间分布细节描述的能力。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34。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。融合的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
23、征的高分辨率合成影像。图像融合技术在农作物遥感识别中的应用研究较多,取得了较好的效果。如蒋楠等35采用 Brovey 变换、 IHS 变换、高通滤波和小波变换 4 种融合方法对 HJ-1A 卫星多波段影像与 ALOS 卫星 2.5 m 全色影像分别进行融合,得到了高空间分辨率多光谱影像,并选用最佳融合效果的小波变换法合成影像,进行江苏省金湖地区水稻识别,发现其估算精度比 HJ-1A 多光谱影像提高了 12.39%。以 2008 年河南省原阳县的玉米种植信息为识别目标,何馨36利用小波变换的方法将时间序列 MODIS NDVI 与 TM NDVI 数据进行融合,获取 30 m 分辨率的 NDVI
24、 时间变化信息,构建主要秋季作物的 NDVI 标准时序生长曲线,以最小距离分类器进行分层分类,获得研究区内玉米种植面积总量信息和空间分布,总体精度达 78.76%,该方法既保证作物生长过程中原有的光谱特征,使空间分辨率从 250 m 提高至 30 m。赵天杰等37基于 12.5 m 分辨率 ASAR-VV 极化、PALSAR-HH 极化以及 30 m分辨率 TM 的多光谱数据,使用 MIMICS 模型模拟北京昌平区玉米和果林的后向散射系数,构建了模糊神经网络模型,完成了双频多极化 SAR 数据与多光谱数据的整合,以 93.54%的精度在 12.5 m 分辨率尺度上开展了玉米种植分布识别,研究表
25、明:多频段和多极化方式的融合方法可以利用不同的波谱频段提取农作物固有属性, 在高空间分辨率尺度上提高农作物光谱分离性,为农作物类型识别提供有力支持。以上研究表明,图像融合可以提高遥感数据的空间分辨率,与单源遥感数据相比,多源遥感数据融合后所提供的信息具有互补性和合作性,在农作物遥感识别方面呈现出较大的潜力。 此外还有 一些其他 技术可以 用于数据 扩展 , 如 STARFM 模型38、成分替换39、半经验数据模型40、 多分辨率小波分解41等融合技术实现了将不同分辨率的多源遥感数据进行整合,以提高空间分辨率,并且未来在农作物遥感识别中有广泛的应用前景(表 1)。以提高空间分辨率为目标的多源数据
26、融合技术提升了影像的空间分解力和清晰度,一定程度上弱化了混合像元存在所产生的影响。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。因此,需要针对特定的地表覆盖状况,选取适当的融合算法与融合质量评价体系,以应对多源遥感数据上农作物种植分布呈现出复杂的时空异质性和尺度敏感性等特征。2.2 以提高时间分辨率为目标的多源数据融合技术农作物具有明显的生长过程和季相变化特征42, 利用这一特征,基于长时间序列的遥感数据,可以有效地进行农作物遥感识别与分类。因此,以提高“时间分辨率”为目标的多源
27、数据融合在农作物遥感识别中日益得到应用,其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,有助于捕获农作物光谱可分的最佳时相,提高完整刻画农作物生长发育动态变化过程的能力。针对多期同源传感器数据进行时间插补,可以提高农作物观测的频率。顾晓鹤等43针对省域尺度农作物识别中 TM 影像时相不一致和覆盖能力不足的问题,在长时间序列 MODIS 全覆盖影像的支持下,构建玉米生长过程的时序插补模型,将6 景不同物候期的 TM 影像插补为玉米乳熟期的同期数据集,提高了中空间分辨率遥感数据的采集频率;邬明权等44基于时空融合技
28、术,结合早期 Landsat TM影像的纹理信息,以 Landsat 红波段和近红外波段为融合波段,从时序 MODIS 数据中提取水稻像元反射率时间变化特征,插补出既具备中分辨率影像高空间分辨率特征, 又具备低空间分辨率高时间分辨率特征的水稻关键生育期数据,与真实影像的相关系数达到 0.8 以上,可以实现较高精度的水稻填图。与传统的方法相比,时空融合技术是针对获取的前后两期中分辨率影像,从低分辨率时序影像中提取对应像元反射率的时间变化特征,从而获得时间段内任意一时间节点的中分辨率影像,提高“时间分辨率”。Singh45-46、Watts47、 Wu48等均在不同的区域和尺度基于 Landsat
29、-MODIS 像对,采用时空融合方法对小麦、水稻等主要作物进行提取,有效解决利用中等分辨率数据进行农作物识别时的关键期数据缺失问题,其推广应用效果较好。 此外,部分研究人员收集逐月内数据质量最好的历史存档卫星影像组建“光谱-时序”曲线,如 Foerster 等49在 30 m 分辨率尺度上使用 17 年 Landsat TM/ETM 历史存档数据构建时序数据集,提取德国东北部 12 种主要作物 NDVI 时序参考曲线,为分层分类提供物候特征的依据。同时,也有很多研究进行异源传感器的复合,实现卫星数据有效利用。郝鹏宇等50集成 2011 年 4 月至 10 月 TM 和 HJ-1 两种异源同尺度
30、数据,联合组成了 30 m 空间分辨率的数据集,利用线性回归模型将 MODIS 植被指数转换为对应的TM/HJ-1 植被指数, 在 30 m 尺度上扩展了 NDVI、EVI2、WRDVI 数据的时序,基于此,采用最小距离分类器有效区分出棉花等 4 类同生长季作物,3 种时序植被指数最终识别精度分别为 90.53%、91.35%和 90.83%。该研究巧妙地降低了异源数据时间和空间的不一致性对作物提取的影响,且基于历史参考曲线的方法省去了人工训练样本的环节,实现了中等空间分辨率上长时间序列的作物种植面积的自动提取,为多源数据复合提供新思路。 Maselli 等51选取年内 12 期逐月 TM N
31、DVI 和 AVHRR NDVI 影像数据构建生长期内农作物动态生长变化数据集,扩展了时间序列长度,采用改进的最大似然分类法提取了包括春季作物在内的 4 类植被类型空间分布;Esch 等52联合多种现有的信息增强技术,在多尺度分割的基础上,利用 C5.0 决策树分类方法,从 2 期高空间分辨率 LISS-3 和 3 期中等分辨率AWi FS 数据集合中提取出玉米、油菜等 4 类作物种植结构,该研究一定程度上化解了高空间分辨率和中等空间数据保障率低的难题,完成了在中高空间分辨率尺度上的农作物高精度识别。融合可获取的多源对地观测遥感数据,以提高“时间分辨率”为目标,可以充分利用农作物的物候特征,
32、弥补因作物品种及类型、灌溉方式以及土壤属性不同使得农作物光谱可分性不大的缺陷,排除短时间段内生育期交叉的影响,提高了农作物遥感识别的可信度和准确度,但易受异源遥感数据光谱反射率或植被指数转换模型以及不同传感器光谱波段设置差异的影响 (表 2)。3 多源遥感数据融合模式不同遥感探测器具有独特的成像机理和成像方式,每种遥感数据在农作物识别中具有各自的适用范围和局限性,任何单一数据源都不能全面地反映农作物的时空特性53。如农作物在可见光-近红外波段特征显著,但光学遥感数据易受云雨天气的影响,数据保障率低;与光学传感器相比,微波遥感能全天时、全天候实时观测,并且其空间分辨率不受观测距离的限制,但雷达图
33、像相干斑噪声影响存在,农作物识别精度有限54。而农作物遥感识别主要基于不同类型农作物在遥感数据上呈现的光谱、时间和空间特征差异实现信息挖掘55-56。因此,“用什么”数据源融合以实现卫星资源优势互补成为农业遥感应用中的研究热点。总的来说,根据数据类型可以将多源遥感数据融合模式分为光学数据的融合、光学数据与微波数据的融合以及遥感与非遥感数据的融合。3.1 光学遥感数据的融合光学遥感受传感器重访周期和天气影响大,遥感数据获取能力不够稳定,时间分辨率与空间分辨率相互制约,使得难以利用同源遥感数据实现大区域农作物遥感高精度识别。国内外学者对光学遥感数据之间的整合开展了大量研究,采用了形式多样的结合方式
34、, 如高空间分辨率光学数据和中等空间分辨率光学数据融合、低空间分辨率光学数据和中等空间分辨率光学数据的复合,尤其后者在农作物遥感识别研究中得到广泛使用。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 Conrad等57利用多尺度分割技术对 SPOT 图像进行图斑提取,结合双时相 ASTER 数据穗帽变换得到的绿度和亮度分量,以知识规则定义分类的隶属度函数法成功识别了棉花、冬小麦和水稻等作物。此外,Conrad 等58利用 7 个时相的 IRS-P6 AWi FS 影像提取了 35 个特征量(包括光谱值、NDV
35、I 及其统计量),对 ETM+ 多光谱与全色波段融合的数据进行图像分割提取地块,结合中等空间分辨率数据提取的多特征量,输入到数据挖掘能力强的随机森林分类器,建立分类规则, 高精度提取了德国西南地区的农作物种植结构。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。蔡学良等59融合 ETM+全色波段与 MODIS NDVI 异源多时相遥感影像数据,获得 1 个包含 24 个变量的宏影像,运用光谱耦合技术对非监督分类聚类结果进行优化,确定出漳河灌区作物类型,并且获取灌区作物轮作制度;顾晓鹤等60采用小波变换方法,融合了低空间分辨率 MODIS NDVI 时间序列数据和中等空间分辨率 TM
36、NDVI 数据,利用非监督分类器有效地识别出生长状态相似的秋季作物种植空间分布情况;李颖等61利用 MODIS NDVI 数据构建时间序列特征数据集,剔除非冬小麦区域,基于 TM 遥感数据,采用最大似然监督分类法对胶东半岛的冬小麦进行光谱特征聚类识别,充分结合时相特征和光谱特征,识别精度达 92.39%。Zhang 等62在时序 MODIS 数据支撑下,利用滑动窗口技术和时间权重法对增强型时空图像融合模型(ESTDFM) 改进,合成了 30 m 空间分辨率的 ETM+模拟图像,弥补了多云季内数据的缺失,通过基于地块的 ISODATA 分类方法,在模拟图像上识别出 40 类地物,此方法的意义在于
37、用像元的时序相似性代替像元光谱的相似性,模拟出农作物关键生育期影像,应用于农作物遥感识别研究领域中。 以上研究多选用以Landsat 为代表的中分辨率与以 MODIS 为代表的低分辨率的光学遥感数据结合方式, 尽管二者传感器的光谱设置、卫星过境时间均不相同, 但具有相近的波谱范围,便于异源数据协同,该融合方式是大范围、全覆盖农作物识别研究的有效结合技术。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,因此,如何筛选不同光谱、时间、空间分辨率的遥感数据进行有机结合,并建立客观的融合评价指标体系,以满足特定研究对象、研究尺度范围以及应用目
38、标的需求是光学遥感数据融合亟待解决的难点问题之一。3.2 光学遥感数据与微波遥感数据的融合虽然光学遥感是目前农作物遥感识别的主要技术手段,但光学遥感数据的获取和农作物识别精度仍有待完善。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63-67。Bruzzone 等68基于贝叶斯最小误差原理,融合 2 个时相 TM 和 ERS-1 构成的 11个特征量的数据集, 采用神经网络法进行融合,成功提取出意大利北部玉米、水稻和谷物类作物。Brisco 等69
39、利用多时相 SAR 和 TM 数据提取了加拿大西部农作物种植信息。研究发现,单期多光谱数据识别效果优于 SAR 数据;增加 SAR数据观测频率后,比单时相 SAR 农作物提取精度提高了 44%;将 SAR 与 TM 融合进行农作物种植结构提取,精度较多光谱数据提高 2%。因此,光学遥感与微波数据融合可以得到更全面的农作物生长信息,增强不同农作物之间的可分性,减少理解的模糊性70。Blaes 等71将研究区内的 6 571 个地块划分成 39 个类别,获取了作物生长季内 15 景 ERS 和 Radarsat 及 3 景光学影像,采用 Landsat ETM与 SPOT HRV 的光学联合、ER
40、S 与 Radarsat 的 SAR 联合、光学-SAR 协同 3 种不同的方式识别出小麦、玉米、马铃薯、甜菜、大麦等农作物,结果表明,在农作物识别中,光学数据对总体精度提升做出了主导性的贡献,光学 -SAR 的结合使农作物识别精度进一步提升了 5%。 Mc Nairn 等72选取 1 景光学图像和 2 景Envisat ASAR 图像构建时间序列数据,根据农作物生长的季相节律特征,采用决策树法成功判断出加拿大主要农作物种植方式,精度达 85%以上,并认为 VV-VH双极化模式是农作物遥感识别的首选组合。国内学者贾坤等73将环境星多光谱数据与 ASAR-VV 极化后向散射数据采用主成分分析法进
41、行融合,充分利用 VV极化数据所含的丰富的地物结构信息,增强不同地物之间的光谱差异,突出田间耕地边界信息,其融合后分类精度比单独使用环境星数据分类精度提高了约5%。刘达74选取水稻为研究对象,获取了江苏省苏州市东桥镇不同时相的全极化 Radarsat-2、TM 影像数据以及同步的水稻实地测量数据,利用面向对象和支持向量机分类技术识别水稻分布范围,其总体分类精度达 87.5%。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。然而光学图像和 SAR 图像的成像机理完全不同, 农作物光谱信息与 SAR 图像的极
42、化散射信息在灰度表现上存在极大的差异,并且不同成像过程的数据融合一定程度上会带来农作物信息表达一致性的风险, 基于此,光学与微波遥感数据结合的方式可以通过扩展时间序列长度,充分利用农作物物候信息以弥补信息不一致的风险。3.3 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75-76。Thenkabail 等77在整合 AVHRR 和 SPOT VGT 不同空间分辨率影像数据的基础上,融入了 GTOPO301 km高程、CRU 1 km
43、降水及 JERS-1 SAR 等多种非遥感信息,基于 ISODATA 聚类算法,采用时空螺旋曲线法、穗帽变换、NDVI 时序曲线等特征分析,借助光谱耦合技术与目标定量匹配,提取了 10 km 分辨率全球 28 类灌溉面积,形成了 GIAM 和GMRCA 全球土地覆盖产品。彭代亮78以湖南省为研究区,利用 MODIS、ALOS 及SPOT-5 数据及行政区划、2000 2008 年县级面积统计数据、土地利用现状数据、物候数据、SRTM DEM 及统计局统计抽样调查地块实测数据完成基于典型生育期光谱特征的水稻面积遥感信息提取。董芳79利用 30 m 分辨率 Landsat TM、19.5 m 分辨
44、率 CBERS 和 10 m 分辨率 ALOS 多光谱影像, 充分利用 DEM 数据和遥感影像的光谱特征,结合地面实测资料,根据苹果树物候期确定苹果园地遥感识别的最佳时相,利用多源遥感信息进行果树种植面积的提取,建立快速、准确的遥感图像苹果园地识别方法 。 基于交叉 信息熵原 理的作物 空间分配 模型 (SPAM)即综合遥感和统计等数据的模型之一,该模型集成耕地分布、作物统计面积与产量、农业灌溉分布、农作物适宜性分布等多源空间信息数据,将农作物的种植面积与总产精确分配至像元,已在全球尺度及南美、非洲区域尺度上模拟出作物时空分布80-81。 刘珍环等82基于该模型获得了中国 10 km 像元尺度
45、的水稻分布信息,并重点分析了 20 世纪 80 年代以来水稻种植面积与产量的时空变化特征。基于遥感与非遥感数据融合的识别技术,尤其是利用统计数据及地面抽样调查数据开展的农作物识别研究,实现了属性数据空间化,为全球变化与粮食安全研究奠定良好的农作物数据基础。然而,调查数据等非遥感数据与遥感数据的尺度往往不一致,尺度效应影响是融合时需要考虑的难点问题,因此,非遥感数据与遥感数据融合时需要重点解决尺度转化对融合效果的影响。4 存在问题与展望近年来,服务于农作物遥感识别的多源遥感数据融合研究取得了长足进展,极大推动了农业遥感的发展。但是,现有的研究还存在一些不足,成为将来重点的发展方向。一是如何完善不同传感器之间的协同,实现现有卫星资源有效利用是多源遥感数据融合研究面临的基础问题。研究发现,单一遥感数据难以同时兼顾高光谱、高空间和高时间分辨率的特性,多源遥感数据融合和协同一定程度上排除“同物异谱,同谱异物”现在的有效途径。然而,不同传感器数据协同涉及多源信息数据处理、图像理解等多学科知识,是一个理论性与实用性兼具的研究领域,面临着很多挑战。一方面,具有不同的光谱分辨率、空间分辨率、时间分辨率、极化方式与方向的多源遥感数据,其传感器太阳光照角度、观测视角以及云的条件随时间而异,探测波段和光谱响应函数存在显著差异,因此,多源数据融合需要消除异
