浅谈遥感未来发展趋势

摘要：遥感作为获取信息的有效手段，在国内外得到了广泛应用。随着遥感技术的发展，遥感数据源不断丰富，传感器性能不断提高，分辨率不断提升，多源、多手段、多尺度的遥感数据获取与分析技术也得到了较大发展。本文对国内外遥感领域的研究成果进行了综述，探讨了未来遥感发展趋势。

关键词：遥感；地物分类；高光谱；红外；微波

遥感信息处理研究现状

遥感数据处理的目的是将遥感图像转换为可供进一步分析研究的数据。目前，在遥感图像处理中，主要采用基于规则的监督分类、基于规则和面向对象的分类和基于深度学习的分类等方法，通过对数据进行处理，提取出目标地物信息。其中，基于规则的监督分类方法具有较好的可解释性和普适性，是目前主要的遥感影像数据处理方法；而基于规则和面向对象的分类方法具有较高的精度，但对数据质量要求较高；深度学习是近年来发展起来的新方法，它具有强大的图像分析能力，利用其对影像数据进行分类提取出目标地物信息。近年来，深度学习在遥感数据处理中取得了良好的效果，随着深度学习技术在遥感数据处理中应用范围越来越广，该方法已逐渐成为遥感图像处理研究中新的热点。目前，深度学习在遥感图像处理中已取得了较好效果。而随着高分辨率卫星影像、航空高光谱影像等遥感数据源逐渐丰富和完善，以及随着基于深度学习技术的快速发展和广泛应用，利用这些新一代高分辨率影像遥感数据源对地物进行分类提取将会成为未来发展趋势。

基于规则的监督分类

基于规则的监督分类是最早的一种遥感影像分类方法，该方法根据一定的规则从已有的样本中进行选择，利用计算机自动处理，通过不断地修正已有规则，最后得到最优分类结果。该方法的优点是适用范围广，在遥感图像分类中具有较好的可解释性和普适性。该方法在遥感图像处理中已得到了广泛应用。

随着卫星传感器分辨率不断提高，其获取影像数据量越来越大，利用传统监督分类方法已不能满足处理需求。而基于规则的监督分类方法具有较好的可解释性和普适性，并且该方法可以根据具体情况，不断地对规则进行修正和优化，因此得到了广泛应用。目前该方法仍是遥感数据处理中主要的监督分类方法。该方法主要由遥感影像预处理、监督分类、后处理三部分组成。

（1）遥感影像预处理：主要包括选择最佳波段组合、剔除冗余信息和降噪等预处理操作，以减少影像数据量，为后续的监督分类提供足够的数据源。

（2）监督分类：这一阶段主要是利用已有的规则对影像进行处理，得到最终结果。常用的规则主要有目视解译、基于光谱特征的分析等。在遥感图像数据处理中，该方法是根据已有规则进行最大似然估计或支持向量机等分类算法进行分类，得到最终结果。

（3）后处理：主要是对经过预处理后的影像进行后处理操作，比如合并、剔除、几何纠正等操作，以达到进一步提高分类精度和可靠性目的。

基于规则和面向对象的分类

基于规则的监督分类是将遥感影像分类转化为分类规则，并根据规则进行分类，而不需要对图像进行解译。该方法适用于影像数据源较少、影像数据质量较差的情况，其可解释性较高，且可以根据影像特征自动选择最佳分类器。其优点是能够对不同尺度的图像数据进行分类，且易于自动化，但是该方法要求图像数据质量较高。在进行监督分类时，往往需要对影像特征进行选取和提取，并通过数学运算和统计分析等方法来确定最佳分类器。其中，最大似然分类是基于规则的监督分类中最常用的一种方法。

基于规则的监督分类具有较好的可解释性和普适性，是目前主要的遥感影像监督分类方法。但是该方法难以对目标地物进行精细区分和识别，且需要人为选择最佳分类器。另外，基于规则的监督分类对影像数据质量要求较高。同时，该方法不适用于目标地物发生明显变化或环境复杂的情况。

面向对象的监督分类是基于对象进行监督分类的一种新方法。该方法可以将图像数据分割成一个个具有一定结构特征和语义信息的对象，从而使图像数据更具有可解释性。面向对象监督分类利用图像信息进行分层和分级处理，将每个地物对象看作是一个有生命的个体，将图像分割成不同层次和不同尺度的对象，并在各个层次和尺度上对地物进行分析处理。因此，面向对象监督分类具有较高的精度和效率，是当前遥感影像数据处理中应用最广泛的方法之一。

基于深度学习的分类

在遥感图像分类中，深度学习具有强大的图像分析能力，同时其数据可解释性较好，因此被广泛应用于遥感数据处理中。与传统的监督分类不同，深度学习可以从大量样本数据中提取出有用信息。因此，将深度学习方法应用于遥感影像分类具有较好的效果。其中，卷积神经网络（Convolutional Neural Networks, CNN）、循环神经网络（Recurrent Neural Networks, RNN）和条件随机场（Conditional Random Fields, CRF）是目前应用最为广泛的三种深度学习模型。CNN是基于卷积操作的神经网络模型，而 RNN和 CRF是基于循环操作的神经网络模型。CNN和 CRF都可以用来进行图像分类。CNN作为卷积神经网络的一种，可以通过多个卷积层对图像特征进行提取和分析； CRF作为循环神经网络的一种，也可以通过多个卷积层对图像特征进行提取。因此， CNN和 CRF在遥感图像分类中都有着良好的效果。

遥感发展趋势

随着遥感技术的发展，遥感数据的获取、处理和应用等技术水平也在不断提升，目前已经有很多的方法被应用于遥感领域，如基于地物分类的图像识别、基于单波段的图像分析、基于多波段的图像融合、基于统计特征和机器学习等方法。针对不同应用领域，这些方法存在一定差异。然而，这些方法都有一个共性：都是通过分析目标与背景在波段上的差异，将目标识别出来。

随着计算机技术和计算机图形学的快速发展，遥感技术正在由传统单一传感器向多源信息获取、处理和综合分析方向发展。多源数据获取和处理技术的快速发展，使得遥感信息处理从简单数据处理向多源、多手段、多尺度的方向发展。同时，各种传感器技术及图像处理技术的进步也为遥感信息提取和分析提供了更丰富、更全面的数据源。多源数据处理技术的发展和应用也推动了遥感数据向多光谱、高光谱、微波等波段扩展，增加了遥感分析和提取信息的深度和广度，为实现遥感数据在不同领域应用提供了基础。在此基础上，随着多源遥感数据融合技术以及深度学习等方法的出现，未来遥感领域将会呈现以下几个趋势：

多源数据融合

由于遥感技术具有高时空分辨率和多波段等优点，在国民经济各领域的应用越来越广泛。遥感数据源的增加和获取手段的不断改进，使得遥感数据量越来越大，导致图像处理技术变得更加复杂。同时，由于成像原理的不同，各种传感器获取的数据也存在一定差异，因此遥感数据源之间的互补性、相似性、差异性都比较明显。多源遥感数据融合是指利用多源遥感数据信息互补和互操作等特征，通过综合处理与分析来提取所需信息的过程。目前已有大量关于多源遥感数据融合的研究和应用。多源遥感数据融合研究已成为当今遥感领域的研究热点之一。针对不同应用目标，如提高对地表变化监测能力、改善影像质量、提高解译精度等，通过综合利用多源信息，在最大限度地保留原影像特征信息基础上，生成对原影像具有互补或增强作用的新影像。多源遥感数据融合可以充分发挥各种传感器优势，实现资源共享、优势互补，提高数据质量和数据获取能力，解决“信息孤岛”问题。

深度学习

随着深度学习的快速发展，其在多个领域都取得了一定的进展。深度学习是机器学习的一个分支，其理论基础是神经网络，它通过对大量数据的学习，使系统能够自动地发现隐藏在数据中的规律。目前深度学习已成为机器学习领域最热门的研究方向之一，它在很多领域都取得了很好的效果。

与传统机器学习相比，深度学习有三个特点：（1）在训练过程中，无需手工设计复杂的特征工程；（2）在训练过程中，不需要明确设定目标函数和损失函数；（3）通过学习大量数据，能自动学习到数据间存在的复杂关系。深度学习基于神经网络对数据进行建模，通过建立复杂的神经网络模型实现对数据的分析和预测。由于深度学习模型具有很强的自适应能力和泛化能力，因此可以为解决大规模遥感数据信息处理问题提供新思路。

深度学习在遥感领域主要应用于目标检测、目标识别、图像分类及语义分割等方面。目前深度学习在遥感领域应用已经取得了较好效果，如在遥感影像分类方面已取得很大进展。同时，深度学习也被应用到遥感影像中地物分割方面，如利用卷积神经网络（CNN）进行遥感影像地物分割。基于深度学习算法在目标检测和识别方面也有良好效果。基于卷积神经网络（CNN）算法对遥感影像中地物目标检测进行研究，可以通过自适应卷积神经网络（ACNN）进行图像特征提取与特征选择，并在此基础上进行分类、分割及对象检测等工作。另外，基于卷积神经网络（CNN）算法实现对遥感影像目标分类方法也取得了较好效果。基于卷积神经网络（CNN）算法的目标识别方法主要应用于城市建筑、植被、水体等地物目标识别。目前，卷积神经网络已被应用到城市建筑、植被、水体等多个领域中进行信息提取与分类工作。

面向应用的遥感数据处理

在传统的遥感应用中，数据处理都是针对某个单一应用场景，这在一定程度上限制了遥感数据的应用范围和深度。随着遥感数据的不断增加和处理技术的不断提升，遥感数据将会逐渐由简单的统计特征提取向综合分析发展。因此，针对不同应用场景下的遥感数据处理方法也将会成为未来研究的热点之一。目前，对于遥感数据的应用研究主要集中在遥感图像分类、目标检测和提取以及土地利用/覆盖变化监测等领域，其中分类技术已经比较成熟，而目标检测和提取方面还存在很多挑战，需要进一步发展。针对目前存在的问题，未来研究重点将会集中在以下几个方面：

（1）如何将高分辨率卫星遥感数据与地面特征结合起来，进而提高目标检测和识别能力；

（2）如何利用机器学习方法，对海量影像数据进行有效分析和挖掘；

（3）如何从现有遥感数据中挖掘更多有用信息；

（4）如何将多源、多尺度、多类型、多时相的遥感数据融合起来；

（5）如何利用深度学习算法解决大数据量和高维遥感影像的分类问题；

（6）如何利用多源遥感数据进行地物分类、目标检测、提取等应用研究。

未来，随着大数据时代的到来，遥感数据将会呈现出海量化和多样化的趋势。传统的人工处理方法已经很难适应海量、多源、多尺度、多类型遥感数据的分析需求。因此，基于大数据处理技术的高分辨率遥感数据综合分析将会成为未来研究方向之一。在此基础上，面向应用的遥感数据处理方法也将会成为未来研究重点之一，通过对海量、多源和多尺度的高分辨率遥感数据进行有效分析和综合处理，从而提高对地物信息和变化检测等应用问题的解决能力。

遥感现存问题

近年来，随着遥感技术的发展，遥感数据来源越来越丰富，分辨率越来越高，各种类型的传感器得到了广泛的应用。但是，在遥感应用中仍存在一些问题。

（1）传感器性能限制。不同传感器有不同的特性，比如多光谱传感器，由于光谱分辨率高，因而它能够提供更丰富的信息；高空间分辨率和高时间分辨率传感器所能提供的信息量较少。不同传感器的性能各有优势，由于数据本身不能直接提供信息，要将多个传感器信息综合利用才能充分发挥其优势。

（2）数据处理与分析技术制约。目前遥感技术主要用于对地球表面进行监测和监测区域的大尺度信息获取。对单个空间单元而言，遥感数据处理技术对处理速度有较大的影响。处理速度过慢会导致大量无用信息的产生，而处理速度过快又会导致信息丢失。因此必须在保证数据精度的前提下合理选择数据处理方法以获得较高质量的信息。

（3）遥感应用难以推广与普及。在一些发达国家和地区，遥感技术已经得到了广泛应用。但是，由于其发展历史短、技术水平相对较低、认识水平有限等原因，很多国家和地区还不能充分利用遥感技术进行各种资源调查与监测、环境污染与监测、灾害评估与应急响应等工作。

（4）缺乏高精度数据源支持。目前遥感应用中存在着多种数据源，每种数据源都有各自的优点和缺点。在一些遥感应用中必须综合利用多种数据源信息以获得准确的结果，才能进行合理准确的评价和预测。

（5）缺少统一标准和规范。目前还没有专门针对遥感应用进行统一规范和标准的技术方法与研究成果。不同领域对同一问题的认识不一、同一领域不同技术人员对同一问题认识不一导致了不同领域间数据获取和应用结果差异较大。

解决方法

遥感技术在发展过程中也遇到了很多困难，比如空间分辨率的限制、传感器性能的限制、影像几何畸变的影响等等。尤其是对高光谱遥感来说，空间分辨率对光谱分辨率的影响是很明显的，通常情况下，空间分辨率越高，光谱分辨率越低。在卫星上获得一个高光谱图像，需要几百到几千个波段才能得到一个完整的地物信息，而在陆地卫星上一个普通传感器所能获得的波段通常只有几十个甚至十几个。因此，在传感器性能上，高分辨遥感系统与低分辨率遥感系统存在着很大的差别。因此，针对高光谱遥感的特点提出一些解决方法是非常有必要的。

首先要解决数据融合问题，不同传感器获取图像时会产生不同类型数据。这些类型数据如果能进行融合就可以避免图像之间相互干扰而导致地物分类结果出现错误。目前主要有三种融合方法：主成分分析法、决策树法、神经网络法。主成分分析法和决策树法都是对原始图像进行降维和投影变换以减少地物信息间的相互干扰；神经网络法将机和机之间进行信息传递来代替人工提取特征；而决策树法则是利用一系列的规则对数据进行处理。

主成分分析法

主成分分析（PCA）是一种对高光谱数据进行降维处理的方法，它可以从多波段数据中提取出几个特征来描述地物的空间分布特征，而且不需要任何先验知识。PCA方法主要用于图像融合，它将原始图像看作是由多个特征子集构成的高维空间，然后通过对多个特征子集的降维处理，得到一个新的低维空间，最后利用这些低维流形对原始数据进行融合。PCA方法应用范围很广，可以用于融合光谱和空间特征信息，也可以用于融合影像和样本图像之间的相似度。其基本思想是：从原始图像中选取一些较少的特征子集，将其变换成较少个数的线性组合，使它们之间具有一定的相关性。通过主成分分析法对高光谱图像进行降维处理可以使降维和融合后的图像之间具有更多的相关性，从而提高融合图像在整体上的分类精度。

Kohonen等[33]对Sentinel-2影像进行了主成分分析处理，得到了几个新特征，然后采用改进的最大似然分类算法（MNF）对融合后图像进行了分类。结果表明，用Sentinel-2影像进行主成分分析处理可以很好地改善影像分类结果。

Ajak等[34]将 PCA应用于遥感图像融合中，从光谱特征和纹理特征两个方面提取影像的特征以提高融合影像的分类精度。融合后的影像在保持了原始影像基本信息不变的情况下，降低了数据量并提高了遥感图像融合质量。但是由于 PCA方法存在着对原图像的降维作用和在进行主成分分析时需预先给定一个权重系数W的问题。

W取值范围为[0,1]，使得在进行主成分分析时存在着很大误差。而如果W取值范围过大，则会使得在进行主成分分析时使原始数据维度过高，造成计算复杂度和计算时间增加；而如果W取值范围过小，则会导致融合图像出现误差。

因此在选择W取值时必须综合考虑原数据和 PCA方法中所涉及到的各个因素。在实际应用中通常选取两种方法：一是通过综合分析图像和数据来选择最优W值；二是通过选择合适的融合算法来减少主成分分析法带来的误差。

虽然PCA方法可以解决数据融合问题，但是在实际应用中却存在着一些问题：（1）由于 PCA方法本身具有一定局限性，很难获得一组最优W值；（2）为了获取最优W值需要对原始数据进行一定程度上的压缩；（3）由于 PCA方法计算复杂度较高，对于影像数据量较大时计算时间会延长。因此在实际应用中一般采用多种算法组合来改善融合效果。

决策树法

决策树法是用来处理分类问题的，它是一种对数据进行特征提取，然后选择最优分类结果的算法。在分类中，通常会采用一些规则对数据进行处理，这些规则通常被称为决策树。决策树法的基本思想就是将一些没有特征的数据从原始数据中挑选出来，然后用一些特定的规则对这些没有特征的数据进行处理，再通过多次迭代计算来生成最优分类结果。这种方法可以对复杂的数据进行分类，还能有效地提取图像特征。

在遥感图像处理中，最常用的方法就是决策树法，其基本流程为：（1）从原始数据中提取出能够反映地物特性的特征；（2）将特征按类别进行划分；（3）利用特征训练决策树；（4）根据决策树输出结果对所选样本进行分类。在决策树法中，关键问题就是如何确定每一层的特征。在计算某一特征时，可以通过计算其与其他特征之间的相关性来确定该特征的重要性，还可以通过计算该特征与其它特征之间的差异来确定该特征对于分类结果起到的作用。

目前国内外常用的决策树方法有：决策树C4.5、随机森林、支持向量机（SVM）等。决策树法通常由三个步骤组成：第一步是从原始数据中提取出能够反映地物特性的信息；第二步是对这些信息进行分类处理，得到一棵决策树；第三步是根据这棵决策树来进行分类。

决策树法最大优点就是它能有效地处理带有噪声、模糊和非线性等特征的数据。但在处理含有模糊信息、非线性信息时，存在着信息丢失和噪声问题。因为当用决策树对数据进行分类时，如果出现类别与类别之间以及类别内部出现交叉或重叠等情况，就会造成错误分类或误分现象。因此，决策树法还需要在一定程度上对数据进行优化处理。此外，决策树法还存在着容易受到人为因素影响、计算效率较低等问题。

神经网络法

人工神经网络是由大量的神经元连接而成，通过对输入神经元的计算，输出神经元的输出就可以与前一个神经元的输入进行比较，从而判断出系统的输入状态。目前，神经网络已成功地应用于模式识别、图像处理、自动控制、信息检索、预测分析等许多领域。由于高光谱遥感影像具有不同于常规影像的特性，它是在有限的波段内所反射的光强信号具有一定的规律性，因此利用神经网络进行数据融合时，可以根据某一波段或波段组合内不同像元反射率的差异来确定变换参数，从而选择最佳变换参数，提高融合图像的质量。神经网络融合技术能够有效地将多源遥感数据中的冗余信息进行重组和结合，有效地降低了影像分类过程中所需要计算的数据量。采用神经网络法融合高光谱遥感影像时，由于各个波段所代表信息不同，为了使融合图像具有良好的一致性和较高分类精度，采用神经网络法融合高光谱遥感影像时必须对各波段间关系进行合理选择。目前神经网络法在高光谱遥感数据融合中应用最多的是主成分分析法。主成分分析法是一种对原始数据进行降维处理以减少图像之间相互干扰，提高分类精度的方法。通过主成分分析法得到两个波段图像与原始图像之间存在相关性最强的几个主成分作为特征矢量输入到神经网络分类器中进行分类，分类后再对训练样本进行一次主成分分析，使其结果更接近实际情况。

模糊方法

模糊数学理论在遥感图像处理中的应用，是从传统的数理统计理论中分离出来的一门新兴学科。模糊数学的主要思想是通过建立数学模型，运用模糊集理论、模糊逻辑等方法来解决实际问题。在遥感图像处理中，常常遇到许多不能用数学方法表示或描述的问题，比如光谱空间与空间结构、各种地物类型之间的关系等等，而这些问题往往又与它们所处的环境有关。因此，利用模糊理论进行信息提取是一个新的研究方向。模糊方法对于解决上述问题具有较强的优越性，而且在图像处理中有广泛应用。

由于高光谱图像含有大量的地物信息，要在其上进行分类处理难度很大，为了避免在分类时出现过拟合现象，有学者提出了一种基于模糊聚类和粒子群算法的高光谱遥感图像分类方法。该方法首先利用高光谱图像进行聚类分析将其分为5类，然后再利用模糊聚类方法将同类地物归为一个类别。最后用粒子群算法对分类器进行优化并使用k-近邻法对新的类别进行划分。与传统分类方法相比，该方法具有较高的分类精度，在图像处理中具有良好的应用前景。但是由于高光谱图像中不同地物类型之间存在着较大差异，而且不同地物类型之间也存在着很大差异，因此该方法在实际应用中也存在一定的难度。

总结

遥感技术在全球变化、土地覆盖分类、生态环境监测、土地利用/覆被变化监测、资源勘探与开发、灾害监测与评估等方面得到了广泛应用，取得了显著的社会和经济效益。但遥感技术仍处于发展阶段，其发展潜力依然巨大。在数据获取和处理方面，遥感技术将会实现高时空分辨率的遥感数据获取，在此基础上，基于遥感数据进行地物分类、监测等将成为主流；在图像处理方面，基于高光谱成像的智能解译、基于多源异构数据的融合、遥感影像处理与分析等技术也将得到快速发展。