关键词：遥感；信息提取；数据源
中图分类号：C93文献标志码：A文章编号：1673-291X（2011）12-0305-03
引言
遥感是20世纪60年展起来的综合性对地观测技术，它的产生和发展是人们认识和探索自然界的客观需要[1]。它拓展了人眼观察的光谱范围，大大提高了数据获取的空间详细程度，可应用于军事、农业、林业、地矿、水利和环保等领域。但通过遥感器观测的遥感数据，由于受到太阳和大气等条件的影响，必须经过人工判读或计算机处理，才能最终应用于各种领域。本文综述了基于遥感影像提取地物信息的方法，并列举一些应用实例。
一、多源遥感数据概述
遥感技术作为一种准确、客观、及时获取宏观信息的手段，在城市规划、土地利用监测、农业、林业以及自然灾害预报等方面越来越得到广泛的重视和应用[2]。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提[3]。地物信息提取常用的遥感图像可以分为以下几类。
1.多光谱和全色影像。全色影像具有较高的空间分辨率，而多光谱图像可以更精细地描述目标光谱。全色图像与多光谱图像融合，既可以利用全色图像的高分辨改善多光谱图像分辨率，又可以充分利用多光谱图像有的对目标某些独特特征的精细描述，使融合图像包含更丰富的信息[4]。多光谱影像及融合影像是目前地物信息提取研究的主要信息源。
2.SAR影像。合成孔径雷达（syntheticapertureradar，SAR）是一种主动遥感方式，与光学遥感相比，具有全天时、全天候、多波段、多极化工作方式、可变侧视角穿透能力强和高分辨率等特点[5]。SAR影像在水体覆盖区域具有反射值低的特征，能够与其他地物形成明显的反差，在研究水体覆盖变化方面具有独特的优势。SAR图像中还含有丰富的纹理结构信息，不同的地表粗糙度呈现出不同的纹理特征。原始的光谱信息加上纹理信息可以提高影像的精确性，建立和充分应用基于纹理特征的地物分类及信息提取方法，将是今后研究高分辨率遥感影像信息提取的方向之一[6~8]。
3.高光谱影像。高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。高光谱遥感数据有更多的波段，更高的波谱分辨率，使得高光谱数据在生态领域有更广泛的应用[9~10]。对高光谱数据特征的研究和分析对于准确地获得目标地物的有用信息是极其重要的。
4.航片。航空影像数据以其直观、信息量丰富、可读性强等诸多优点，使它既是基础地理数据产品的重要组成部分，又是生产或合成其他基础地理数据产品的信息来源与基础。许多学者在城市防震减灾、沟谷侵蚀定量监测以及测绘中都进行了成功应用[11~12]。
二、遥感影像提取地物信息的方法
1.目视解译。卫星影像的解译是应用遥感技术的一个关键环节，目视解译基于专家经验和智能，是遥感应用的一项很重要的基本功，它是根据样本的图像特征和空间特征（形状、大小、阴影、图形、纹理、位置和布局），并与多种非遥感信息资料相结合，运用生物、地学等相关规律，采用对照分析的方法，由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程[13~15]。目视解译的方法目前在遥感解译中的应用非常普遍。赵兴实等[14]在土壤侵蚀现状调查中，张芳等[15]在森林资源调查中都运用了遥感影像目视解译的方法。
2.非监督分类法。遥感影像的非监督分类也称为聚类或点群分析，是在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督算法是按照某种相似性准则对样本进行合并或分类，不需要人工选择训练样本，仅需极少的人工初始输入，计算机按一定规则自动地根据像元光谱或空间特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到每一类中[16~17]。但由于“同物异谱、异物同谱”等现象的存在，其结果一般不能令人满意。
3.监督分类法。监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式把影像中的各个像元点划归到各个给定类的分类[17]。监督分类方法由于引入了部分先验知识，故其分类精度相对于非监督分类算法往往较高，同时，算法的稳健性也能得到较大程度地提高[18]。
4.最大似然法。最大似然方法通过对研究区域的统计和计算，得到各个类别的均值和方差等参数，从而确定一个分类函数，然后将待分类图像中的每一个像元代入各个类别的分类函数，将函数返回值最大的类别作为被扫描像元的归属类别，从而达到分类的效果[19]。最大似然法分类一直受到许多学者的关注，张亮等[20]将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数，有机地将光谱角这一特征信息加入影像分类；吴连喜等[21]将一种改进的最大似然法用于地物识别；陈敬柱等[22]提出了“先主要后次要，层次化推进原则”，应用最大似然方法进行植被信息识别提取，降低了“异质同像”的误判率，较大程度上避免了“混合像元”的不确定因素，同时将“混合像元”作为进一步区分不同植被类型的参考依据，使可解译的植被信息量增加，取得良好的效果。
三、实例分析
1.植被信息提取。遥感技术提取植被信息已经有很长的历史，遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。由于植被在不同波段内表现出不同的吸收反射特征，这些特征可以有效地监测出植被的各类信息[23]。丁丽霞等[24]利用TM和SPOT遥感影像，采用目视解译和图像勾绘的方法，得出天目山部级自然保护区毛竹林信息；官凤英等[25]以TM影像为数据源，应用ERDAS提供的非监督分类、最大似然分类和子象元分类三种方法，对典型地物进行了分类和精度评价；李敏等[26]讨论了面向对象的高分辨率遥感信息提取的技术，并从IKONOS影像中提取耕地信息与传统分类方法提取的结果进行了对比。
2.水体信息提取。水资源分布的调查与监测是控制水污染和生态保护的前提，而遥感影像具有监测范围广、获取周期短、地物信息丰富的特点，对调查与监测水资源分布起着重要的作用[27]。黄海波等应用ASTER遥感影像研究了水体信息提取的方法；遥感影像上陆地和水体的边界线被定义为水边线，郑宗生等[28]利用遥感信息提取水边线，可以监测海岸带潮滩的动态变化，也可以利用不同时相的水边线信息构建潮滩的三维地形模型，为淤泥质潮滩剖面的研究提供重要的数据保证。
3.道路信息提取。从遥感数字影像中自动提取道路之类的线性地物信息是遥感信息提取的难点，影像上的道路比其他地物更突出，而且道路成网，关系明晰，但实际提取效果并不理想。如何快速、准确地从遥感影像中提取所需信息已成为研究方向[29~30]。
4.居民地信息提取。居民地是人类从事生产和生活需要而集聚定居的各种形式的居住场所，是自然景观和人造景观的综合体[31]。利用遥感影像快速准确地提取居民地信息可以为灾害评估、城镇扩展和环境变化等相关研究提供必要的基础信息[31~34]。查勇等[32]运用归一化建筑指数，从TM图像成功提取了无锡市城镇用地信息；杨存建等[33]从对居民地的遥感信息机理分析入手，分析了居民地在LandsatTM2、TM3、TM4、TM5、TM7等各个波段上与其他地类的可分性；安如等[34]基于光谱特征分析，建立决策树模型，进行了居民地信息的自动提取。
5.其他地物信息提取。随着遥感技术的不断提高，人们开始考虑使用高分辨率遥感影像对区域人文信息进行提取[35]。遥感在人口估计统计模型中的使用始于20世纪50年代中期，由于与人口信息相关的地表信息在影像上的表达纹理、形状各异，利用某种方法从高分辨率遥感影像中提取人口信息是今后研究的一个突破点[35~36]。
结论与展望
随着遥感技术的迅猛发展，光学、热红外、微波、多光谱、高光谱等大量功能各异的遥感器不断更新换代，遥感已经越来越多地用作提取局域、区域以及全球尺度土地利用、地面覆盖变化特征以及人文特征的信息源。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提。全色与多光谱融合影像由于成本较低是目前地物信息提取的主要数据源，不同的研究尺度及研究内容在遥感数据选择上各有侧重。
遥感数据的解译是遥感应用的基本方法，目前采用的解译方法有很多，各有优势，但单一方法得到的解译结果往往不能达到满意的效果。因此许多学者同时使用多种方法进行遥感数据解译。戴昌达等[37]利用LandsatTM数据，采用了图像自动识别分类与目视判读相结合的方法获得城市的面积；陈超等[38]采用目视修改的方法来对监督分类进行补充。
多源遥感数据已经在很多方面有了很大的应用，为人们宏观分类识别地物提供了基础。关于多源遥感数据的处理与信息提取的技术，虽然取得了一些进展，但仍存在一些不足，因此，基于多源遥感数据提取地物信息还有很大的空间值得去研究。
参考文献：
[1]李治洪，段玉山，等.地理信息技术基础教程[M].北京：高等教育出版社，2005.
[2]彭望碌，白振平，刘湘南，等.遥感概论[M].北京：高等教育出版社，2002.
[3]陈永慧，李小娟，胡德勇.遥感图像土地覆被专题信息提取方法综述[J].首都师范大学学报：自然科学版，2009，(1)：59-69.
[4]种占学，杨玉静，焦荣恩.多源全色影像与多光谱影像融合技术研究[J].河北师范大学学报：自然科学版，2009，(2)：267-270.
[5]申邵洪，谭德宝，梁东业.基于马尔科夫随机场的多时相SAR影像变化检测研究[J].长江科学院院报，2010，(1)：49-51.
[6]梁国军，彭明春，王崇云.遥感影像纹理分析方法研究[J].云南地理环境研究，2009，(1)：93-98.
[7]裴亮，谭阳.基于变差函数的遥感影像纹理特征提取[J].地理空间信息，2008，(5)：15-17.
[8]李林宜，李德仁.基于免疫粒子群优化算法的影像纹理分类[J].测绘学报，2008，(2)：185-189.
[9]温兴平，胡光道，杨晓峰.从高光谱遥感影像提取植被信息[J].测绘科学，2008，(3)：66-68.
[10]KempeneersP，eta1.Genericwavelet―basedhyperspectralclassificationapp]iedtovegetationstressdetection[J].IEEETransactionsonGeoscienceandRemoteSensing，2005，(3).
[11]刘月英，李万辉.利用航片和GIS分析影响滑坡的因素[J].水土保持应用技术，2008，(4)：14-15.
[12]王辉，王天明，杨明博，等.基于航片的黄土高原丘陵沟壑区沟谷侵蚀定量监测[J].应用生态学报，2008，(1)：127-132.
[13]沈璐璐，蔡丽娜.基于非监督分类的遥感信息提取方法尝试[J].科技创新论坛，2010，(14)：162-163.
[14]赵兴实，田中雨，刘岩.卫片目视解译在土壤侵蚀现状调查中的应用[J].水土保持通报，1996，(1)：149-152.
[15]张芳，李鑫，陈佳楠.卫星遥感影像目视解译在森林资源调查中的应用分析[J].内蒙古林业调查设计，2009，(4).
[16]陈富龙，王超，张红.改进最大似然遥感影像分类方法――以SAR影像为例[J].国土资源遥感，2008，(1)：75-78.
[17]薛廉，周春兰.基于监督分类分区域的特征因子提取[J].地理空间信息，2009，(2)：100-102.
[18]郭艳芬，刘志红，谢明元.基于植被物候特征与监督分类的青南高原信息提取[J].遥感技术与应用，2009，(2)：223-229.
[19]刘涛，孙忠林，孙林.基于最大似然法的遥感图像分类技术研究[J].福建电脑，2010，(1)：7-8.
[20]陈亮，刘希，张元.结合光谱角的最大似然法遥感影像分类[J].测绘工程，2007，(3)：40-47.
[21]吴连喜，王茂新.一种改进的最大似然法用于地物识别[J].农业工程学报，2003，(4)：54-57.
[22]陈敬柱，贺瑞霞，郭恒亮.最大似然法在植被信息识别提取中的应用[J].水文地质工程地质，2004，(2)：94-96.
[23]温兴平，胡光道，杨晓峰.从高光谱遥感影像提取植被信息[J].测绘科学，2008，(3)：66-68.
[24]丁丽霞.天目山部级自然保护区毛竹林扩张遥感监测[J].浙江林学院学报，2006，(3)：297-300.
[25]官凤英，范少辉，蔡华利，等.竹林遥感信息提取方法比较研究[J].安徽农业科学，2010，(8).
[26]李敏，崔世勇，李成名，等.面向对象的高分辨率遥感影像信息提取――以耕地提取为例[J].遥感应用，2008，(6)：63-89.
[27]黄海波，赵萍，陈志英，等.ASTER遥感影像水体信息提取方法研究[J].遥感技术与应用，2008，(5).
[28]郑宗生，周云轩，沈芳.基于DTM的水边线遥感信息提取方法[J].国土资源遥感，2007，(2)：56-59.
[29]孙晓霞，等.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学，2006，(1)：62-63.
[30]林宗坚，刘政荣.从遥感影像提取道路信息的方法评述[J].武汉大学学报：信息科学版，2003，(1)：90-93.
[31]张源，王仰麟，彭建，等.基于空间概率面的山区居民地遥感信息提取[J].地理与地理信息科学，2006，(4)：6-10.
[32]查勇，倪绍祥，杨山.一种利用图像自动提取城镇用地信息的有效方法[J].遥感学报，2003，(1)：38-39.
[33]杨存建，周成虎.TM影像的居民地信息提取方法研究[J].遥感学报，2000，(2)：146-150.
[34]安如，赵萍，王慧麟，等.遥感影像中居民地信息的自动提取与制图[J].地理科学，2005，(1)：74-80.
[35]韩春峰，米晓飞.基于高分辨率遥感影像的人口信息的提取综述[J].科技资讯，2010，(4)：111.
[36]杜国明，张树文.基于遥感的城乡人口分布模拟――以松原市为例[J].遥感学报，2007，(2)：252-256.
植被对于我们来说扮演着重要的角色。它不仅影响地球的各种平衡，在生化循环中还有重要作用。因此。地球植被及其变化一直被各国科学家和政府所关注。[2]
城市植被是地球植被中的一部分，对于保护城市生态环境具有不可忽视的作用。另外，城市绿地是城市生态系统不可缺少的部分，是多种因素作用的结果，更是居民生活水平和城市环境的重要标志。因此开展城市植被生态研究具有重要现实的意义。
遥感主要是根据不同的物体会产生不同的电磁波的响应，从而识别地面上各类地物。具有视域范围广、图像清晰逼真、宏观性强、重复周期短、信息量多、资料收集方便的优点。[1]因此，卫星遥感是监测植被的有效手段。
本文主要针对城市植被信息的提取，从城市遥感的原理和数据源、城市植被信息的提取方法和遥感技术等几方面对基于遥感影像对城市植被信息提取的研究的进展进行论述，并讨论了这些研究的特点和各自存在的一些不足，以及发展的趋势。
1城市植被及遥感影像光谱特征
1.1城市植被
城市植被指的是城市里覆盖着的生活植物，即城市内一切自然正常生长以及人工种植的各类植物类型的总称。
1.2植被遥感影像光谱特征
在蓝色和红色波段，能量很低；在绿色波段附近，会形成一个小的峰值。而在近红外波段，叶肉海绵组织结构有很大的反射表面。
2城市植被信息提取数据源、遥感影像预处理
2.1信息提取数据源及其选择
1）LandsatTM影像及ETM+遥感数据。空间分辨率不是很高。
2）MODIS数据，很高的信噪比。
3）美国商业遥感卫星QuickBird影像，能较清晰的从遥感图像判读出城市绿地。[4]
4）IKONOS遥感数据，全色波段的分辨率为1m，多光谱数据分辨率为4m。[5]
5）此外，遥感数据还有很多类型，比如SPOT影像等。
2.2卫星影像预处理
研究中遥感影像的预处理包括：几何校正、遥感影像图像增强、截取研究区域、相关性分析等一系列处理，在处理中需根据不同类型不同特点的遥感图像进行不同的预处理。
3城市植被信息提取的方法
3.1人机交互方式进行植被信息提取
3.1.1基于波段的选择进行分类法提取
步骤：
1）实验波段的选择及彩色合成
结合波段的波谱物理特征优先选择几个波段，K-L变换后的第一、第二、第三主成分波段，NDVI植被指数段和K-L变换后的第一主分量加影像的三个波段进行波段间的相关性分析，对该3种波段数据进行假彩色合成，反复比较，选出植被景观目视效果最好的合成的图像。
2）遥感影像的分类及后处理
利用非监督确定图像的最佳类别数；进行监督分类；在计算机分类的基础上，通过目视解译对错分加以纠正；进行空间滤波，消除出现频数过少的像元图斑，得出解译精度。[3]
特点：在信息提取的时候不仅考虑了7个原始的波段数据，而且还包括各主分量、NDVI比值型指数在内的“衍生”波段数据。也可以采用波段数据组合这样的方法，提高判读和分类的精度。
不足：同物异谱和异物同谱的现象导致了分类精度的下降，所以分类的时各种客观或者主观因素会影响到分类的精度。另外，植被信息的多少随着分类数目的多少而定，也会影响准确度。
3.1.2高分辨率影像的城市植被提取
步骤：
1）NDVI提取。首先要设NDVI的阈值，大于此阈值为绿地。将提取出来的部分绿地同原图像进行一定的逻辑运算，从原始图像中剔除绿地像元。
2）基于地物光谱响应知识及ISODATA绿地提取
根据非植被的特征，将该类信息提取并剔除，将此时的图像作为新原始图像，通过灰度拉伸后，再进行分类提取。目视解译然后选择绿地样本点，利用非监督ISODATA聚类技术，最后一次提取出绿地信息。[6]
特点：混分现象少，信息提取的精确度高。该方法针对各类地物的特点分别进行处理，当提取出一层信息后，要把它剔除，从而避免对其它信息提取的影响。该方法比较方便，能够在不考虑其他已分出来地物的光谱特征的情况下分辨出具有细微光谱差异的地物。
不足：只对于高分辨率影像效果较好。
3.2计算机自动提取方式
3.2.1像元信息分解和神经网络分类相结合的分类模型进行信息提取
步骤：设计出像元信息分解和神经网络分类相结合的分类模型。该模型先考虑通过像元信息分解法（像元信息分解模型认为各种典型地物在空间上是可以重叠的）把绿地从遥感影像中分离出来，再作为分类掩膜，采用BP神经网络分类对其进行分类。此模型在进行初级分类时采用像元信息分解法，在只有少数几类地物分类，有效地排除和避免了提取绿地信息时其它多余信息的干扰和影响。[7]
特点：是一种新的基于像元信息分解和神经网络分类相结合的城市绿地遥感信息自动提取方法。可开展野外遥感调查以提高和验证分类精度。保证了分类时绿地的纯洁度，提高了分类的精度。
不足：NDVI、DEM数据的精确程度会影响信息提取的精度。在进行像元信息分解时，各种典型地物的反射率采用的是标准反射率，所以如果能够测出各典型地物的实际反射率，则分类精度会得到进一步的提高。
3.2.2基于See5的遥感影像决策树分类
步骤：
1）选择训练和检验样区，并提取图像的植被指数。
2）应用ENVI软件的DecisionTree模块实现影像分类。
【关键词】PM2.5;气溶胶;遥感数据;关系
1.研究背景
随着社会经济的发展、工业建设和城市化进程加快，大气污染日渐严重，危害人类生产生活，PM2.5也成为关注的焦点。PM2.5是指大气中直径小于或等于2.5微米的颗粒物，能直接进入人体肺部，其自身及其携带的有害物质有了侵入人体的机会，严重危害人们健康[1]。
目前国内对PM2.5的监测方法主要包括重量法、β射线法和微量振荡天平法[2]。这些方法与样本点的数量、密度、分布息息相关，难以精确反应PM2.5浓度分布随时间和空间的变化。由于遥感数据有区域性强、分布范围广、时效性强的特点，近年来专家学者纷纷利用遥感反演方法研究PM2.5分布情况。如李倩等[3]对香港元朗地区中等分辨率成像光谱仪影像进行气溶胶反演，为PM2.5浓度反演提供了可行参考。
2.研究概述
2.1研究内容
探索大气气溶胶厚度与PM2.5关系模型，定量分析PM2.5的浓度分布。首先，获取气溶胶光学厚度，并记录对应时段PM2.5实际质量浓度。然后，对反演得到的AOD产品进行垂直分布订正和湿度影响的订正。最后，对订正后的MODIS气溶胶光学厚度与地面PM2.5浓度进行相关分析，探索建立关系模型。对模型进行评估，对存在问题提出改进方案，实现基于遥感影像的PM2.5的监测。
2.2研究方法
通过对中等分辨率成像光谱仪（moderate-resolutionimagingspectroradiometer，MODIS）提供的L1B级基础数据进行反演，得到1km分辨率气溶胶光学厚度。首先利用Kaufman等人提出的暗目标法[4]计算地区下垫面地表反射率，并通过气象资料，利用6S传输模型（太阳光谱卫星信号的二次模拟）推算本地气溶胶模型;然后利用辐射传输模型计算出气溶胶光学厚度。反演过程包括MODIS影像的辐射校正、几何校正、云检测、气溶胶反演等。在测定PM2.5浓度时一般会有一个干燥处理的过程，也考虑到AOD是消光系数在垂直方向上的积分，必需先将反演生成气溶胶光学厚度进行湿度订正和高度订正。
3.实验部分
3.1数据
本次实验以武汉、宜昌两地为例进行分析。PM2.5数据湖北省环境质量综合平台的2013年9月1日至2013年10月30日的每日监测数据。气象数据来源于湖北省气象台地面观测站，主要有以下几种要素：日平均气温、日相对湿度、日平均风速、日降水量。根据2.2中的反演方法，用MODIS影像反演出地表对应时间内的1km分辨率的AOD产品。
3.2模型建立
遥感反演气溶胶光学厚度是在自然背景下进行的，气溶胶颗粒物的消光系数受相对湿度影响较大，在相对湿度较高的情况下，水溶性气溶胶颗粒吸湿膨胀，消光系数可增大数倍，这一湿度影响因子与相对湿度的关系[5]可以表示为：
f（RH）=l/（l-RH/100）
图3.1武汉线性函数建模
图3.2武汉二次函数建模
图3.4宜昌二次函数建模
图3.3宜昌线性函数建模
表3-1湿度订正后模型对照表
故建立AOD值与PM2.5*f（RH）的关系模型，对武汉市、宜昌市分别建立线性函数和二次函数模型，如图3.1、图3.2、图3.3、图3.4所示。拟合的函数模型表达式，见表3-1。
3.3结果分析
以武汉市和宜昌市建模，容易发现数据拟合效果不佳。利用函数模型表3-1，对武汉市和宜昌市数据进行检校，误差较大，函数模型的准确性和可靠性不高。
分析产生的原因，主要有以下几方面：①MODIS影像生成AOD精度不够，6S传输模型不能完全模拟存在诸多不定因素的实际大气，不可避免地导致误差的增大，需要使用更加精确的算法提高AOD反演的精度。②由于PM2.5数据和相对湿度数据都是日均值，这些日均值数据与瞬间获取的遥感卫星获取影像数据存在差异较大。③若获得地面水平能见度数据进行标高订正，模型拟合散点效果会变好。④遥感数据相对缺乏。由于云层过厚、数据质量等问题，导致采样点有限。
4.总结展望
由于大气气溶胶光学厚度描述的是气溶胶对光的衰减作用，与大气浑浊系数密切相关，因而与大气污染的重要因子PM2.5有一定相关性。但在实际研究中，由于实际环境中多种因子的综合影响，这种相关性并不高。
若更为深刻的探索遥感数据产品与可入肺颗粒PM2.5相关性，此方法存在诸多需要改进之处，例如采用陶金花等[6]估算近地面颗粒物浓度的新方法，精度大幅提高;获取更多高质量的遥感影像数据;构建更加密集的散点图分析相关性;采用更为精细的函数模型进行拟合等等。本研究中大气气溶胶光学厚度与PM2.5的相关性较低，提高大气气溶胶光学厚度与PM2.5的相关性是这方面研究亟待克服的难题。
参考文献
[1]YangLiu.NewDirections：SatellitedrivenPM2.5exposuremodelstosupporttargetedparticlepollutionhealtheffectsresearch[J].AtmosphericEnvironment，2013，68（4）：52-53.
[2]孙亮.灰霾天气成因危害及控制治理[J].环境科学与管理，2012，37（10）：71-75.
[3]李倩，李成才，王烨芳等.利用激光雷达和卫星遥感获得城市地面大气悬浮颗粒物浓度分布[J].北京大学学报（自然科学版），2012，10（1）：1-10.
[4]KaufmanYJ，Tanre?Didier，BoucherO.Asatelliteviewofaerosols.
intheclimatesystem[J].Nature，2002，419，215-223.
[5]石勇.武汉市MODIS气溶胶光学厚度与空气PM10浓度的关系研究[D].武汉：华中农业大学，2012.
关键词：空间信息服务；遥感影像数据；海量影像数据；几何级数；影像数据库
Abstract:Thecontinuousdevelopmentofmodernsurveyingandmapping,massemergenceofremotesensingimagedata,madetheproductionmanagementmoredifficult,itistheimperativetocreateanimagedatabase.Keywords:spatialinformationservices;remotesensingdata;massiveimagedata;geometricprogression;ImageDatabase
中图分类号：P237文献标识码：A文章编号：2095-2104（2012）02-
随着数字城市建设的发展，测绘生产中影像数据日渐增多，分布式空间信息服务将发挥越来越大的作用。空间数据包括遥感影像数据、电子地图数据等。特别是遥感影像数据，由于具体丰富的纹理信息，同时具有获取方便、经济、快捷等特点，已成为空间数据的主要载体，在数字城市的建设中占有重要的地位。随着各类遥感信息的社会需求日益增强，遥感信息应该能够被很好的管理和为社会生产和生活服务。同时随着遥感技术的不断发展，采集的影像数据量正呈几何级数增长。而现在有的地理信息系统大多是基于矢量的，具有比较成熟的管理和建立矢量数据库的能力，但对栅格数据的处理能力较弱，尤其难以组织、调度、存储与管理海量栅格数据，更没有考虑多数据源、多比例尺、多时想影像数据的统一管理、集成与服务问题。目前测绘生产中有迫切需要高效、快捷地存储、管理与分发海量的影像数据。以我们单位存档数据为例：沈阳地区就有四种原始影像资料，分别是1997年1:1万黑白航片、2000年1:3.5万黑白航片、2003年1：2.5万黑白航片、2004年1:8000彩色航片，以及该地区影像图成果数据、DLG数据、DEM数据、衍生的其他影像数据。各种数据多品种、多时期，储存管理难度大，因此空间信息服务特别是影像信息的管理与建库在测绘生产中的应用显得格外重要。
1、影像数据包括的内容
影像数据所管理的信息包括：（a）不同分辨率和不同时期的原始影像（卫片、黑白机彩色航片、彩红外航片等）；(b)不同时期、不用比例尺的成果影像数据（DOM影像、成果影像图等）；(c)DLG数据；(d)DEM数据；(e)控制的数据；(f)地名数据元数据；(g)与上述数据相关的其他属性信息。
2、影像数据的存储管理
由于遥感影像的数据量十分庞大，难以直接进行存储，不利于后续的处理、提取、浏览与检索，因此需要对其进行预处理，主要包括降采样、影像压缩与影像分割等内容。影像分割是将遥感影像按照行列值分割为相同大小的数据块（tile），并以tile作为影像存储的基本单元。每个tile均以一条记录的方式进行存储，不同记录通过编号进行排列。对于不能够平分的，出现多余的行或列时，应将其单独存放。当用户对影像进行调用时，通过映射关系，只调用与用户有关的tile集合即可，从而优化了数据的存储、传输、浏览模式。为减小影像的传输数据量和优化显示性能，需建立影像金字塔，通过影像降采样方法，建立一系列不同分辨率的影像图层，每个图层分割存储，并建立相应的空间索引机制。
3、影像数据库的功能
多源数据的管理：主要包括各种影像数据库、数字栅格图形数据库、数字高程模型、地形数据库、地名数据库。图像工程、子工程、图像工作区的组织与调度；时态数据的管理；数据产品的快速分发；快速实时的漫游和任意开窗放大缩小与快速浏览；影像空间数据交换与共享等，能够支持各类图像数据文件，如GIF、JPEG、PNG、BMP、TIFF等。对海量影像数据库进行管理、分析、显示、查询；快速存取影像数据；图像的实时裁剪；能够解决多幅图像实时显示、实时融合和实时镶嵌，基于地理坐标的无缝实时拼接，无需对多个文件进行镶嵌处理；Internet上的数据分析、显示、查询、处理。
4、影像数据库的结构设计及技术关键
4.1多尺度数字影像的金字塔结构
影像数据库的组织是影像数据库效率的关键，为了获得高效率的存取速度，在数据的组织上应使用金字塔数据结构和网格分块数据结构。该技术主导思想是：（1）将数据库中使用到的纹理处理成为大小一致的纹理块；（2）为每块纹理生成5个细节等级的纹理，分别为0、1、2、3、4，其中1级纹理通过0级纹理1/4压缩得到，2级纹理通过1级纹理1/4压缩得到，……，以此类推；（3）在显示每个块数据之前，根据显示比例的大小，并以此决定该使用哪一级的纹理；（4）在内存中建立纹理缓冲池，可使用LRU算法进行纹理块的调度，确保使用频率高的纹理高度次数尽可能少。
4.2影像数据压缩
影像数据的无损压缩（压缩比1/2）和高压缩比的有损压缩（1/10~1/20）。影像数据的压缩可大大提高数据库的实际容量。
4.3快速实时的漫游
基于金字塔结构的影像存储和影像快速检索和调度技术，可实现影像库的快速实时漫游，快速实时放大，缩小等操作。
4.4对海量影像数据进行分析、显示、查询
按地理区域查询数据：输入地理坐标，可快速得到要查找的图像。利用适普公司国际领先的匹配技术，可提供基于内容得影像检索功能。利用常规字段方法进行检索：如影像名称，时间等。
4.5图像的实时裁剪
解决多幅图像实时显示、实时融合和实时镶嵌，基于地理坐标的无缝实时拼接，无需对多个文件进行镶嵌处理。
4.6使用HDF数据结构实现多源数据的综合处理
HDF文件格式是一种超文本文件格式，是由美国伊利诺伊大学的NCSA组织开发的。HDF数据结构综合管理2D、3D、矢量、属性、文本等多种信息，能够帮助我们摆脱不同数据格式之间相互转换的繁琐，而将更多的时间和精力用于数据分析。HDF能够存储不同种类的科学数据，包括图像、多维数组、指针及文本数据。HDF格式还提供命令方式，分析现存HDF文件的结构，并即时显示图像内容。科学家可以用这种标准数据格式快速熟悉文件结构，并能立即着手对数据文件进行管理和分析。HDF文件格式的优势在于：可移植性强（独立于操作平台）：属于超文本文件；可以存储并处理大数据量；一个文件集可以管理多种类型的数据结构；具有可扩展性。由于HDF的诸多优点，这种格式已经被广泛用于目前国外各种卫星传感器的标准数据格式。在影像数据库多源数据管理中，HDF格式发挥了很好的作用，利用HDF数据结构建立远程图像工程，并与数据库进行交互，可以进行远程图像处理：远程影像解译、统计分析：影像运算、信息挖掘、影像分类，综合处理影像、矢量、高程数据，三维可视显示等。
使用HDF文件结构的优势：
用户或应用系统可通过一个统一的数据结构来访问不同的数据库，避免了数据库访问时的数据混乱；应用系统是直接对HDF进行操作，可避免对数据库的直接操作，提高效率和系统安全性。应用系统或用户也可直接对HDF进行修改操作，在一定的授权情况下，可进行更新数据库操作。HDF包含了多种格式的信息，前端用户使用起来比较容易管理。
5、影像数据库结构
6、结束语
影像数据库的建立涉及众多技术问题。由于遥感影像数据量庞大，种类繁多结构复杂，系统设计是系统成功的关键。对各类遥感影像数据的格式、数据量大小、影像元数据的分析研究是系统设计中最为重要的工作，只要做好了各类数据型的分析研究，才能在系统设计中全面考虑各种遥感图像，从而建立一套稳定的图像数据库管理系统，大大提高测绘生产的管理效率。
参考文献：
（1）李德仁.RS、GLS与GPS集成的意义.理论与关键技术[j]，遥感学报.1997
关键词：多源遥感影像；数据融合；融合方法
1引言
自20世纪50年代末，航天遥感技术经历了半个世纪的发展和应用，为人类提供了从多维和宏观角度去认识地球乃至宇宙世界的新方法，新手段。地球观测数据量迅猛增长，海量数据的存储，管理，处理，传输，应用等问题成为影响遥感技术发展及应用的一大重要因素，多源遥感影像融合技术是解决这些问题的一个重要方法。
贾永红等（2000）根据大量实验和实际工作总结提出了多源遥感影像数据融合的定义：多源遥感影像数据融合是将同一环境或对象的多源遥感影响数据综合的方法和工具的框架，以获得满足某种应用的高质量信息，产生比单一信息源更精确、更安全、更可靠的估计和判决。
研究遥感影像融合的方法可以从三个方面着手，分别为影响融合所使用的数据类型，融合过程中信息的抽象程度及应用层次，以及融合的最终效果。根据遥感影像融合所使用的数据类型的不同，可以将该技术分为多波段遥感影像数据融合、多时相遥感影像数据融合、多类型遥感影像数据融合、RS信息与地学信息的融合；根据融合过程中信息的抽象程度及应用层次的不同，遥感影像融合分为像素级影像融合、特征级影像融合、决策级影像融合；根据融合的最终效果的不同可将遥感影像融合分为光谱增强型遥感影像融合和几何增强型遥感影像融合。本文主要从这三面入手论述遥感影像融合的方法，阐述了其特点和作用。
2不同数据类型的遥感影像融合
2.1多波段遥感数据融合
地物波谱也称地物光谱，地物波谱特性是指各种地物自身所具有的电磁波特性（发射辐射或反射辐射）。不同地物在同一波段的光谱反射率一般不相同，同一地物在不同波段的光谱反射率也有较大差别，因此，遥感上通常分波段记录地物波谱的差异，以便更加准确和有效地识别物体。但是，多波段数据之间往往存在较大相关性，这种数据的冗余在多波段数据融合中必须予以考虑。此外，人们习惯于用彩色来显示一幅图像，彩色显示是由红、绿、蓝三原色组成，它限制了波段选取的数量，即仅能用三个波段组合。为了达到满意的融合效果，融合前必须进行最佳波段组合方案的选择。在选择融合方法的时候，应主要取决于应用目的以及数据的质量特点，对于不同的应用目的，各个波段的分析方法及组成方式各不相同。
2.2多时相遥感数据数据融合
同一地区的地貌特征随着时间不断变化，多时相遥感图像就是在同一地区在不同时间段拍摄的遥感图像，同一地区不同时间的遥感图像若通过多幅遥感图像来判读，会给解译工作带来很多不便，因此，有必要将多时相遥感数据融合，融合后通过相关算法更有利于判读及解译地区内地貌随时间变化的情况。
2.3多类型遥感数据融合
遥感数据的来源多种多样，不同类型的遥感器、不同平台都会收集大量的遥感数据，但是任何一个单一类型的遥感数据都不能全面反映目标对象的特征，都有一定的应用范围和局限性。只有将它们结合起来才能在最大程度上发挥它们各自的作用。根据遥感数据类型，可以将遥感数据融合技术分为三大类，分别是多光谱遥感数据与雷达数据的融合，高低分辨率遥感数据的融合，以及不同多光谱数据间的融合。
多光谱遥感系统光谱分辨率高，有助于识别不同地物类型，但易受大气层干扰；成像雷达属于主动遥感系统，不受大气层干扰，雷达波束可以穿透云层，提供地表物理和几何特征信息。将多光谱遥感数据与雷达数据融合，既可以弥补各自的不足，又可以丰富各自的信息内容，应用范围大大扩大。低空间分辨率图像一般用于经过较为简单的区域，或者气象观测等，有利于从宏观上把握地区概况，高空间分辨率图像对地物的细节表达更为突出，有利于局部范围内对重点区域进行研究，二者各有利弊。将高、低分辨率遥感数据融合，有利于在大范围内寻找目标并进行细部研究。根据应用目的，也可进行不同多光谱数据的融合，如多光谱数据与全色影像数据的融合，高光谱与多光谱数据的融合等。
2.4遥感信息与地学信息的融合
遥感信息只能定性表示研究区域的地表情况，无法读出高程等定量信息，而地学信息最根本特点是每一个数据都按统一的地理坐标进行编码，实现对其定位、定性和定量的描述。将地学信息与遥感信息按照一定算法，有效地融合起来可以使遥感信息更加丰富，表达出更多定量的信息，更全面地表达出地面目标的真实情况，有利于进一步分析研究。
3不同抽象程度及应用层次的遥感影像融合
3.1像素级影像融合
像素级影像融合直接在采集到的原始数据层上进行，即在可见光、红外及SAR影像等原始数据基础上进行的数据综合分析，主要方法有：基于IHS变换、主成分变换、比值变换、乘法变换及小波变换。像素级融合可以更多的保留原始图像信息，提供其他融合层次所不能提供的细微信息，但是有一定局限性。
3.2特征级影像融合
特征级影像融合属于中间层次，其处理方法是首先对来自同传感器的原始信息进行特征提取，然后再对从多传感器获得的多个特征信息进行综合处理和分析，以实现对多传感器数据的分类、汇集和综合。与像素级融合不同，特征级融合强调空间上的一一对应而非一个个像元对应。特征级融合实现了可观的信息压缩，有利于实时处理，且提供的特征直接与决策分析相关，但其融合的精度要低于像素级[5]。
3.3决策级影像融合
决策级融合是“特征提取”和“特征识别”过程后的融合，是一种高层次的信息融合，其结果将为各种控制或决策提供依据，为此，必须结合具体的应用目标有选择地利用特征信息。决策级融合具有很强的容错性和良好的开放性，仍不成熟。
4不同融合效果的影像融合
4.1光谱增强型影像融合
影像的光谱分辨率与所用传感器的波谱段成正相关关系，光谱分辨率越高，波普段越窄，要保持获取影像的信噪比，必须逐渐增大瞬时视场IFOV以采集更多的光，这将导致获取的影像空间分辨率下降。在很多应用场合中，对影像的光谱分辨率和空间分辨率同时有较高要求，这就要求将高空间分辨率的影像与高光谱分辨率的影像进行融合，获得高空间分辨率的多光谱影像，用来满足军事目标判读、植被研究、农业详查等应用需求。
4.2几何增强型影像融合
增强图像几何信息的数据融合就是从一系列低分辨率图像复原（或重建）出更高分辨率的图像（或图像序列），以增强图像的空间分辨率，这种技术也称之为超分辨率图像重建技术。重建后的图像由于空间分辨率更高，可以显示更多关于地面目标的细部信息。提高空间分辨率的措施较多，最直接的措施就是采用传感器制造工艺减少像元尺寸，但由于该办法超出一定极限后图像质量将下降而使其的发展受到限制。目前较好的办法是超分辨率图像重建技术，成本低而且可以利用现有高分辨率成像传感器。
5结语
本文从不同角度对多源遥感影像数据融合方法进行了探讨，不同的融合方法具有不同的特点，会产生不同的效果，但均发挥出了多源遥感数据的优势，实现了多源信息的互补，一定程度上消除了冗余和矛盾，提高了数据利用率，使得影像质量得到了很大改善，在进行选择的时候应该充分结合应用目的，根据不同的需求及条件选择相应的融合方法。
参考文献：
[1]贾永红、李德仁、孙家炳，2000，多源遥感影像数据融合，遥感应用与技术，15（1）：41-44.
[2]周荫清、洪信镇，1996，多传感器信息融合技术，遥测遥控，17（1）：16-22.
[3]赵英时，2003，遥感应用分析原理与方法，北京，科学出版社：263-277.