光学遥感信息技术与应用研究综述

0.引言

光学遥感是遥感科技发展历程中的一个核心内容，其应用领域和规模也最为广泛。它通常是指对目标在可见光、近红外和短波红外电磁谱段进行成像观测，获取和分析被观测对象的光学特征信息。严格意义上的光学遥感以太阳辐射作为唯一的能量来源，由航空和卫星传感器对地物进行反射辐射特性的物理测量。从广义上讲，光学遥感又可以从可见光一直拓展到长波红外或热红外波段，记录的是地表对太阳辐射的反射和发射能量，以区别于微波等主动遥感工作模式。本文讲述的光学遥感更侧重于太阳光的反射谱段，即可见光至短波红外反射辐射谱段成像技术。光学遥感技术经历了从摄影测量初期的灰度图像获取到数百波段的高光谱图像获取的发展历程，成像技术的持续进步使人们获得了高空间、高光谱和高时间分辨率的遥感数据，这也为遥感工作者在光学遥感数据的表达和分析算法的开发方面创造了前所未有的机遇和挑战。

高空间分辨率一直是光学遥感科技发展中持续追求的一项非常重要的技术指标。空间分辨率是指能够被光学传感器辨识的单一地物或两个相邻地物间的最小尺寸，它表达了传感器对地物进行空间表达的能力。目前已经商业化运行的高空间分辨率光学遥感卫星有美国WorldView-4卫星，法国Pleiades卫星，我国的高分(GF) 1、2号卫星和高景1号小卫星等。高空间分辨率图像包含了地物丰富的空间信息，在农林调查、海洋目标监测、灾害防治、城市规划及军事国防等方面具有广阔的应用前景。

高光谱分辨率遥感又称成像光谱遥感，是将成像技术和光谱技术结合的多维信息获取技术。成像光谱仪在获取地物空间图像的同时，每个像元都能够得到一条包含地物诊断性光谱特征的连续光谱曲线，实现狭窄光谱范围内隐藏地物特性的挖掘。近年来，许多国家先后研制了多种类型的航空成像光谱仪，如美国的AVIRIS、加拿大的CASI、澳大利亚的HYMAP等。进入21世纪，航天高光谱遥感发展迅速，除了欧美EO-1/Hyperion、PROBA/Chris等高光谱遥感卫星以外，我国的“嫦娥-1”探月卫星、环境与减灾小卫星(HJ-1)星座、GF-5卫星等也都搭载了航天成像光谱仪。高光谱图像独有的连续谱成像特点和突出优势使其在矿物分析、植被精细分类、水质监测和伪装目标探测等领域可以发挥重要作用。

高时间分辨率遥感卫星可以实现对同一区域短时间内的高频词重访观测，其时间分辨率就是指进行相邻两次观测的最小时间间隔，间隔越小，时间分辨率越高。早期的高时间分辨率遥感卫星以气象卫星为主，颇具代表性的产品包括美国的三代气象观测卫星以及我国的风云系列卫星等。高时间分辨率遥感与高空间、高光谱遥感技术相结合是遥感科技未来发展的一个新趋势，它能够实现地物类型与理化特性的精准反演和精细变化监测。高时间分辨率遥感已经在全球变化及其产生的重大环境问题研究方面发挥了重要作用，也可为交通、农林业、水利、军事等部门提供重要的实时监测信息。

1.光学图像处理技术

光学图像空间分辨率、光谱分辨率和时间分辨率的不断提高进一步增强了光学遥感的对地观测能力，在光学遥感观测手段日益丰富的情况下，光学遥感图像处理技术的提升尤为重要。

电磁波在传播过程中与大气中各成分相互作用，导致图像观测值与地表反射辐射值存在一定偏差。根据不同卫星数据中各传感器的成像条件差异和波段设计特点，现有大气校正模型各不相同，但其核心均是以获取高精度模型参数来提高图像大气校正的精度，准确反映地表真实信息，进而加速推动定量化遥感研究的进展。图像分类是光学遥感图像处理的重要环节，结合人为选取的各类地物典型样本，以分类器模型为依托的大尺度遥感图像自动化分类，可以实现地物类型及其分布的高效准确获取。随着遥感大数据时代的来临，基于机器学习的图像分类方法逐渐占据主导地位，支持向量机、浅层神经网络、深度学习等一系列典型算法成为高精度图像分类的领航者。目标探测相对于图像分类来说具有更强的针对性，根据待探测目标的光谱、纹理结构特征等先验信息，可以通过构建目标模型在大场景中准确发现低概率出露目标。然而，目标形态的多样化及伪装材料的相近性导致传统模型的漏检率不断升高。因此，结合SAR、LiDAR以及高空间分辨率图像，同时考虑地物光谱特性、纹理、空间结构等信息的目标探测算法逐渐成为该方向的研究热点。高光谱图像诊断性的光谱特征虽然能够有效提高观测地物的识别能力，但是受其成像机理制约，混合像元现象较为突出，实现高光谱图像混合像元分解是其处理和应用的一个关键问题。线性模型以其简单、易于反演的特点广泛应用于早期的光谱解混算法。而以广义双线性模型为代表的非线性模型假设更加完备，反演结果更加准确，逐渐得到了推广。目前，混合像元分解算法的研究逐渐趋于高阶非线性，并已取得了一定进展。地物定量化参数反演是对地物分类和识别的进一步深化，它充分利用光学遥感图像信息来揭示地物的物理化学特性。然而大气-陆表系统的复杂性导致模型参数个数远远超过遥感观测参数数量， 进而产生了病态的定量遥感反演问题，目前，时空约束、尺度转换等正则化机器学习方法被广泛采用以解决这一反演过程中的病态问题。