黃 波

（1.香港中文大學(xué)地理與資源管理學(xué)系，香港999079； 2.香港中文大學(xué)太空與地球信息科學(xué)研究所，香港999079；3.香港中文大學(xué)深圳研究院，廣東深圳518057）

近年來(lái)，隨著全球?qū)Φ赜^測(cè)技術(shù)的快速發(fā)展，衛(wèi)星遙感數(shù)據(jù)獲取能力持續(xù)增強(qiáng)，遙感影像的空間分辨率、時(shí)間分辨率及光譜分辨率不斷提高[1].然而，受衛(wèi)星發(fā)射成本及硬件技術(shù)條件等限制，當(dāng)前單一來(lái)源衛(wèi)星傳感器獲取的遙感影像仍存在空間分辨率與時(shí)間分辨率相互制約的問(wèn)題.表1統(tǒng)計(jì)了當(dāng)前常見(jiàn)光學(xué)遙感衛(wèi)星傳感器的空間與時(shí)間分辨率屬性.高空間分辨率衛(wèi)星傳感器，如WorldView-3（0.31～1.24 m）、IKONOS（1～4 m）和高分系列衛(wèi)星（GF-1，2～8 m；GF-2，1 ～4 m），可獲取具有精細(xì)空間信息的遙感影像，但其時(shí)間分辨率較低（＞30 d）.此外，光學(xué)遙感影像易受到云層覆蓋等大氣條件影響導(dǎo)致數(shù)據(jù)可用性降低，進(jìn)一步阻礙了時(shí)間連續(xù)的高空間分辨率影像的獲取[2].相反地，MODIS（1 d）、FY-3/MERSI（1 d）和 AVHRR（0.5 d）等衛(wèi)星傳感器重訪(fǎng)周期較短，可獲取具有高時(shí)間分辨率的遙感影像，但其空間分辨率較低（250～1 100 m）.因此，現(xiàn)有單一衛(wèi)星傳感器獲取的遙感影像無(wú)法滿(mǎn)足城市土地覆蓋分類(lèi)[3]、植被長(zhǎng)勢(shì)監(jiān)測(cè)[4]、森林火災(zāi)火情監(jiān)控[5]，以及地震災(zāi)區(qū)范圍評(píng)估[6]等大范圍、高精度、快速變化的地表與大氣環(huán)境遙感應(yīng)用需求.

表1 常見(jiàn)的光學(xué)遙感衛(wèi)星傳感器的空間與時(shí)間分辨率屬性Tab.1 The spatial and temporal resolution of common optical remote sensing satellites/sensors

時(shí)空遙感影像融合是從“軟件”的角度，低成本、便捷高效地解決衛(wèi)星傳感器空間與時(shí)間分辨率“矛盾”的有效手段，旨在集成多源衛(wèi)星傳感器獲取的高空間分辨率遙感影像的空間細(xì)節(jié)信息與高時(shí)間分辨率遙感影像的時(shí)間變化信息，生成具有高頻次訪(fǎng)問(wèn)的高空間分辨率遙感影像序列，其算法思想如圖1所示.截至目前，國(guó)內(nèi)外學(xué)者基于不同的算法原理提出并發(fā)展了大量的時(shí)空遙感影像融合算法，以滿(mǎn)足不同的遙感應(yīng)用需求.本文總結(jié)了現(xiàn)有的時(shí)空遙感影像融合算法，并對(duì)其進(jìn)行歸類(lèi)分析，進(jìn)一步討論了時(shí)空遙感影像融合算法的不確定性，并就其中存在的問(wèn)題與挑戰(zhàn)對(duì)未來(lái)的發(fā)展方向提出了展望，為相關(guān)的時(shí)空融合算法及遙感應(yīng)用研究提供理論參考與技術(shù)支撐.

1 時(shí)空遙感影像融合算法分類(lèi)

時(shí)空遙感影像融合對(duì)特定時(shí)相未知高空間分辨率影像的預(yù)測(cè)，實(shí)際上是對(duì)不同時(shí)相地物反射率變化的預(yù)測(cè)，總體來(lái)說(shuō)，地物反射率的時(shí)間變化可分為季節(jié)性變化與地物類(lèi)型變化兩大類(lèi)[7].而現(xiàn)有的大量融合算法由于算法原理的差異，對(duì)上述2類(lèi)變化的預(yù)測(cè)能力呈現(xiàn)多樣性.本文基于不同的算法原理，將現(xiàn)有主流的時(shí)空遙感影像融合算法分為4類(lèi)：

圖1 時(shí)空遙感影像融合算法思想示意圖Fig.1 Spatial and temporal fusion of remote sensing images

1）基于空間信息分解的融合方法；

2）基于時(shí)空變化濾波的融合方法；

3）基于學(xué)習(xí)的融合方法；

4）組合性的融合方法.

表2列舉了幾種代表性算法對(duì)不同類(lèi)型的地物反射率變化的預(yù)測(cè)能力.

表2 幾種代表性的時(shí)空遙感影像融合算法對(duì)比Tab.2 A general comparison of several representative spatial and temporal image fusion methods

1.1 基于空間信息分解的融合方法空間信息分解的融合方法的理論基礎(chǔ)是基于地物光譜在高-低空間分辨率影像上的時(shí)間一致性[8].該類(lèi)方法基于低空間分辨率影像上的單個(gè)像元反射率對(duì)應(yīng)的是高空間分辨率影像上的多個(gè)像元反射率的線(xiàn)性組合這一假設(shè)，利用混合像元線(xiàn)性解混方法原理，對(duì)多時(shí)相低空間分辨率影像像元進(jìn)行分解，實(shí)現(xiàn)對(duì)預(yù)測(cè)時(shí)相高空間分辨率影像的像元重構(gòu)[9].其實(shí)現(xiàn)過(guò)程通常包括：

1）高空間分辨率影像的非監(jiān)督分類(lèi)；

2）低空間分辨率影像單個(gè)像元內(nèi)各類(lèi)占比計(jì)算；

3）低空間分辨率影像像元反射率線(xiàn)性解混；

4）預(yù)測(cè)時(shí)相高空間分辨率影像像元反射率重構(gòu)，即目標(biāo)融合影像的生成.

基于空間信息分解的融合方法最早由Zhukov等[10]提出，該方法考慮到大范圍影像中同類(lèi)地物像元反射率的空間可變性因素，采用移動(dòng)窗口技術(shù)，基于同類(lèi)地物臨近像元反射率的空間相似性假設(shè)，進(jìn)行低空間分辨率影像像元反射率的線(xiàn)性解混.但該方法將具有空間差異性的像元反射率在局部范圍內(nèi)平均化，并未完全解決同類(lèi)地物像元反射率的空間差異性問(wèn)題.對(duì)此，Maselli[11]和 Busetto等[12]先后引入距離權(quán)重與光譜相似性因素，進(jìn)一步考慮了像元反射率的空間差異性.除此之外，Zurita-Milla等[13]對(duì)分解得到的像元反射率中存在的負(fù)值及其他異常值進(jìn)行了糾正處理，提出了基于約束條件解混（constrained umixing）的融合方法.但該類(lèi)分解算法總體基于同類(lèi)地物像元反射率相同的假設(shè)，分解得到的是類(lèi)別反射率，其與單個(gè)像元的真實(shí)反射率實(shí)際上仍存在一定差異.此外，該類(lèi)方法還基于低空間分辨率影像單個(gè)像元內(nèi)部各類(lèi)占比在不同時(shí)相不發(fā)生改變的假設(shè)，而實(shí)際上，地物類(lèi)型變化必然導(dǎo)致各類(lèi)占比的改變.因此，上述方法僅適用于季節(jié)性變化預(yù)測(cè)，而在對(duì)地物類(lèi)型變化的預(yù)測(cè)中不可靠.對(duì)此，Wu 等[14]和 Huang 等[15]先后提出了 STDFA（spatial and temporal data fusion approach）與 U-STFM（unmixing-based spatiotemporal reflectance fusion model）算法，基于地物時(shí)間變化率的一致性假設(shè)，通過(guò)輸入未知時(shí)相前后2期已知時(shí)相高-低分辨率影像，提高了該類(lèi)算法對(duì)存在地物類(lèi)型變化的不同時(shí)相遙感影像的融合效果.

該類(lèi)方法因其算法原理簡(jiǎn)單易懂、可操作性強(qiáng)、計(jì)算量小等優(yōu)勢(shì)得到廣泛的應(yīng)用，但在其實(shí)際應(yīng)用中，由于遙感影像自身分辨率限制，低分辨率影像像元內(nèi)部地物類(lèi)型的差異導(dǎo)致非線(xiàn)性混合像元大量存在，使得分解得到的各類(lèi)地物反射率值常存在較大誤差，從而對(duì)融合結(jié)果產(chǎn)生不利影像，總體融合精度不高.

1.2 基于時(shí)空變化濾波的融合方法基于時(shí)空變化濾波的融合方法的理論基礎(chǔ)是地物反射率的時(shí)間變化在空間尺度上的一致性.Gao等[16]提出的時(shí)空自適應(yīng)反射率融合模型（spatial and temporal adaptive reference fusion model，STARFM）是最早且至今應(yīng)用最廣泛的一種基于時(shí)空變化濾波的融合算法，該方法利用已知時(shí)相高分辨率影像尋找單個(gè)像元在局部移動(dòng)窗口內(nèi)的光譜相似像元，并綜合考慮中心像元與相似像元的空間距離、時(shí)間反射率差值以及光譜差異信息，計(jì)算相似像元權(quán)重，通過(guò)相似像元反射率加權(quán)獲得該中心像元的反射率.該方法依賴(lài)于地物在不同空間尺度上的時(shí)間變化一致性，因而，對(duì)于大范圍同質(zhì)性地表覆蓋區(qū)域可以實(shí)現(xiàn)較準(zhǔn)確的季節(jié)性變化預(yù)測(cè)，目前已被廣泛應(yīng)用于地表溫度[17]、植被指數(shù)[18]等時(shí)序遙感數(shù)據(jù)生成，以及植被季節(jié)變化監(jiān)測(cè)[19]等遙感應(yīng)用研究.

然而，STARFM方法[16]由于相似像元搜索基于已知時(shí)相的高分辨率影像實(shí)現(xiàn)，其對(duì)于未知時(shí)相中地物類(lèi)型發(fā)生變化的像元間相似性無(wú)法準(zhǔn)確判斷，導(dǎo)致融合結(jié)果產(chǎn)生較大誤差，因而無(wú)法準(zhǔn)確預(yù)測(cè)地物類(lèi)型的改變.對(duì)此，Hilker等[20]改進(jìn)了STARFM方法，提出 STAARCH（spatial temporal adaptive algorithm for mapping reflectance change）算法，該方法需要輸入至少2個(gè)已知時(shí)相的高分辨率影像，利用干擾因子提取地物類(lèi)型變化范圍，并從高時(shí)間序列的多個(gè)時(shí)相低分辨率影像中獲取對(duì)應(yīng)的變化信息.Zhu等[21]也針對(duì)上述問(wèn)題，提出了另一種改進(jìn)的STARFM方法，即ESTARFM（enhanced spatial and temporal adaptive reference fusion model）算法，同樣需要至少2組已知時(shí)相高-低分辨率影像輸入.該方法利用2組高分辨率影像同時(shí)尋找移動(dòng)窗口內(nèi)的相似像元，并改進(jìn)相似像元權(quán)重計(jì)算方法，增加轉(zhuǎn)換系數(shù)約束，提高了該類(lèi)方法對(duì)于異質(zhì)性地表覆蓋區(qū)域影像的融合效果以及對(duì)不同時(shí)相影像地物類(lèi)型變化的預(yù)測(cè)能力.Fu等[22]進(jìn)一步基于ESTARFM方法增加了對(duì)窗口內(nèi)土地覆蓋類(lèi)型數(shù)目的考慮，改進(jìn)了相似像元搜索算法，進(jìn)一步提高了融合精度.但是，上述方法均需借助覆蓋相同區(qū)域的時(shí)序低空間分辨率影像及多期無(wú)云覆蓋的高空間分辨率影像，這在一定程度上限制了算法在大范圍區(qū)域的應(yīng)用.該類(lèi)方法還包括Roy等[23]提出的基于半物理模型（semi-physical model）改進(jìn)的時(shí)空融合算法，以及Wang等[24]最新提出的基于地統(tǒng)計(jì)分析的RWSTFM（rigorously-weighted spatiotemporal fusion model）方法.其中，RWSTFM 方法通過(guò)土地覆蓋變化區(qū)域探測(cè)的方法，提高了基于時(shí)空變化濾波類(lèi)融合方法在地物類(lèi)型變化區(qū)域的預(yù)測(cè)能力，該方法率先引入克里金法以最小估算方差指標(biāo)評(píng)估融合方法的不確定性，為更有效地對(duì)比分析不同融合方法的可靠性提供了新的理論方法借鑒.

該類(lèi)方法利用移動(dòng)窗口搜索相似像元并綜合考慮空間、時(shí)間與光譜權(quán)重計(jì)算中心像元反射率的基本思想，在時(shí)空遙感影像融合領(lǐng)域得到了國(guó)內(nèi)外學(xué)者的廣泛應(yīng)用，取得了較大的成果.但截至目前，針對(duì)其不同時(shí)相影像的地物類(lèi)型變化預(yù)測(cè)的局限性問(wèn)題仍沒(méi)有得到根本性解決，仍需要后續(xù)更多的研究改進(jìn).

1.3 基于學(xué)習(xí)的融合方法基于學(xué)習(xí)的融合方法是隨著機(jī)器學(xué)習(xí)技術(shù)發(fā)展而產(chǎn)生的較新一類(lèi)時(shí)空遙感影像融合方法，目前應(yīng)用最廣泛的是基于稀疏表達(dá)理論的字典學(xué)習(xí)方法.Huang等[25]提出的SPSTFM（sparse representation-based spatio-temporal reflectance fusion model）算法首次將稀疏表達(dá)理論引入時(shí)空遙感影像融合中，利用輸入的預(yù)測(cè)時(shí)相前后兩期已知時(shí)相的高-低分辨率影像差值采用非線(xiàn)性方法構(gòu)建光譜字典對(duì)，并通過(guò)時(shí)間加權(quán)實(shí)現(xiàn)對(duì)未知時(shí)相高分辨影像的預(yù)測(cè).然而，該方法的提出是基于一定空間范圍內(nèi)的高分辨率影像與低分辨率影像的稀疏表達(dá)系數(shù)相同這一假設(shè)，而實(shí)際上，其系數(shù)可能存在空間差異.對(duì)此，Wu等[26]提出了EBSCDL（error-bound-regularized semi-coupled dictionary learning）算法，通過(guò)誤差的正則化方法引入對(duì)高-低分辨率影像稀疏系數(shù)差異的考慮，構(gòu)建優(yōu)化的半耦合字典，提高融合精度.但上述方法由于對(duì)輸入2期無(wú)云覆蓋高分辨率影像的需求，而限制了其大范圍的應(yīng)用.對(duì)此，Song等[27]通過(guò)引入超分辨率技術(shù)與高通模型提出了2步融合框架，發(fā)展了基于一對(duì)已知時(shí)相高-低分辨率影像的字典對(duì)學(xué)習(xí)（one-pair learning）方法，改進(jìn)了 SPSTFM方法.然而，上述基于字典學(xué)習(xí)的融合方法未考慮同一時(shí)相的高-低分辨率影像之間的準(zhǔn)確定量關(guān)系，對(duì)此，Wei等[28]引入了壓縮感知算法，增強(qiáng)降尺度過(guò)程準(zhǔn)確度從而提高了融合精度.除此之外，基于字典學(xué)習(xí)的融合方法對(duì)低分辨率影像訓(xùn)練數(shù)據(jù)進(jìn)行字典學(xué)習(xí)時(shí)，人為設(shè)計(jì)字典基元的處理，以及融合過(guò)程中特征提取、字典學(xué)習(xí)、稀疏編碼與影像重建過(guò)程的分離，都增加了算法的復(fù)雜度與不穩(wěn)定性，不利于算法的普遍性應(yīng)用.因而，極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）、深度學(xué)習(xí)算法等逐漸被引入，以提高此類(lèi)基于學(xué)習(xí)的融合方法的實(shí)用性.Liu等[29]采用極限學(xué)習(xí)機(jī)方法利用單層神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了融合精度的提高，并極大地提高了基于學(xué)習(xí)的融合方法的效率；Moosavi等[30]引入了人工神經(jīng)網(wǎng)絡(luò)模型，提出了WAIFA（wavelet-artificial intelligence fusion approach）算法，該方法有效地應(yīng)用于地表溫度數(shù)據(jù)的融合；Song等[31]采用深度卷積神經(jīng)網(wǎng)絡(luò)算法提出了新的基于學(xué)習(xí)的時(shí)空遙感影像融合算法（DCNNs-based learning），實(shí)現(xiàn)了對(duì)影像特征的自動(dòng)提取并取得了更高的信息提取及影像融合精度，適用于一對(duì)或多對(duì)已知時(shí)相高-低分辨率遙感影像的情況，具有更廣泛的應(yīng)用前景.

該類(lèi)方法能夠較好地捕捉到不同時(shí)相影像的各類(lèi)地物反射率信息，因而能同時(shí)實(shí)現(xiàn)對(duì)季節(jié)性變化以及地物類(lèi)型變化的有效預(yù)測(cè)，取得了很好的融合效果.但目前應(yīng)用的學(xué)習(xí)算法均需較大的計(jì)算量，融合效率較低，尚不適宜大范圍應(yīng)用.

1.4 組合性的融合方法組合性的時(shí)空融合方法由于綜合了上述不同類(lèi)型融合方法的優(yōu)勢(shì)，較全面地應(yīng)對(duì)了各類(lèi)時(shí)空遙感影像融合方法的不足，通常具有較好的融合效果，因而具有更廣泛的應(yīng)用前景.Zhu 等[32]提出的 FSDAF（flexible spatiotemoral DAta fusion）算法組合了基于空間信息分解與時(shí)空變化濾波的2類(lèi)融合方法，并融入了空間插值技術(shù)，提高了上述算法在異質(zhì)性地表覆蓋區(qū)的融合效果，并提高了其對(duì)地物類(lèi)型變化的預(yù)測(cè)能力.進(jìn)一步地，Shi等[33]在FSDAF算法基礎(chǔ)上，考慮了同類(lèi)地物像元反射率間的差異，增強(qiáng)了融合結(jié)果的空間細(xì)節(jié)信息，從而提高了融合精度；Liu等[34]引入約束最小二乘方法對(duì)FSDAF算法提出了改進(jìn)，并成功運(yùn)用其生產(chǎn)了歸一化植被指數(shù)（normalized difference vegetation index，NDVI）時(shí)間序列產(chǎn)品.此外，Gevaert等[35]也發(fā)展了組合的 STRUM（spatial and temporal reflectance unmixing model）算法，通過(guò)貝葉斯理論的應(yīng)用，實(shí)現(xiàn)了融合精度的提高.而目前最新的組合性融合方法是Zhao等[7]提出的RASTFM（robust adaptive spatial and temporal fusion model）算法，該方法通過(guò)對(duì)像素級(jí)與特征級(jí)融合算法的組合，減少了對(duì)幾何配準(zhǔn)的依賴(lài)性，并增強(qiáng)了算法的魯棒性.該方法明確將不同時(shí)相的遙感影像變化分為非形變（季節(jié)性變化）與形變（地物類(lèi)型變化）兩大類(lèi)，建立2層融合框架，引入非局部線(xiàn)性回歸方法提高相似像元的相似性及超分辨率結(jié)果的準(zhǔn)確性，相比之前的多種融合方法，較大程度提高了融合結(jié)果的可靠性.

2 時(shí)空融合不確定性問(wèn)題分析

截至目前，時(shí)空遙感影像融合研究已取得較大的進(jìn)展，但由于衛(wèi)星遙感影像數(shù)據(jù)本身的多樣性、時(shí)空融合方法的局限性，以及對(duì)融合結(jié)果可靠性標(biāo)準(zhǔn)的缺失，導(dǎo)致現(xiàn)有研究存在一定不確定性，限制了其大范圍應(yīng)用推廣.

2.1 多源數(shù)據(jù)不確定性時(shí)空遙感影像融合研究是基于不同空間與時(shí)間分辨率的多源數(shù)據(jù)展開(kāi)的，需要融合來(lái)自于不同衛(wèi)星、不同傳感器、不同時(shí)相的遙感影像，而不同衛(wèi)星獲取數(shù)據(jù)時(shí)的雙向反射分布函數(shù)（bidirectional reflectance distribution function，BRDF）的差異、不同衛(wèi)星輻射定標(biāo)精度的差異，以及不同傳感器光譜設(shè)置的差異等因素，均將導(dǎo)致多源遙感影像間輻射亮度的差異[35-37].此外，對(duì)于異質(zhì)性土地覆蓋區(qū)域，其多時(shí)相遙感影像由于多樣性地物隨地表和大氣環(huán)境的變化的復(fù)雜性，也將引起遙感影像數(shù)據(jù)的輻射差異.由于不同衛(wèi)星的數(shù)據(jù)獲取方式的不同、不同時(shí)刻衛(wèi)星姿態(tài)的不同及擾動(dòng)等因素的影響，多源遙感影像的幾何位置往往都無(wú)法精準(zhǔn)匹配[8].因此，多源遙感影像數(shù)據(jù)本身具有較大的不確定性，而作為不確定性傳播鏈條的源頭，必將會(huì)對(duì)時(shí)空遙感影像融合技術(shù)的大范圍推廣應(yīng)用產(chǎn)生關(guān)鍵性的影響.

2.2 融合方法不確定性時(shí)空遙感影像融合方法朝著多樣性的方向發(fā)展，但各類(lèi)方法仍缺少對(duì)其算法參數(shù)的統(tǒng)一[14，38].例如，針對(duì)基于時(shí)空變化濾波的融合方法，相似像元搜索移動(dòng)窗口的大小、相似像元相似性判定閾值或相似像元數(shù)量，以及相似像元權(quán)重的計(jì)算等，均對(duì)融合效果有重要的影響.然而，不同參數(shù)條件下的融合效果尚存在明顯的不確定性.另外，由于衛(wèi)星傳感器空間分辨率的限制，現(xiàn)有的中、低分辨率影像的混合像元現(xiàn)象明顯，使得基于空間信息分解的融合方法所采用的線(xiàn)性分解方法表現(xiàn)出較大的不確定性，尤其對(duì)于地表覆蓋異質(zhì)性較強(qiáng)的區(qū)域.除此之外，由于地物的復(fù)雜多樣性、地表輻射多次散射等因素的影響，導(dǎo)致影像分類(lèi)結(jié)果可靠性較低，進(jìn)一步增加了此類(lèi)方法的不確定性.針對(duì)各類(lèi)融合方法的不確定性問(wèn)題，Wang等[24]率先引入了基于地統(tǒng)計(jì)的不確定性分析方法，直接對(duì)比了 STARFM、FSDAF和 RWSTFM等3種融合方法的不確定性，為現(xiàn)階段多樣的融合方法的比較分析提供了可行的借鑒.

2.3 精度評(píng)價(jià)不確定性時(shí)空遙感影像融合結(jié)果的精度評(píng)價(jià)對(duì)于該領(lǐng)域的研究發(fā)展至關(guān)重要.目前，大多數(shù)研究基于融合影像與真實(shí)影像相似性進(jìn)行定量評(píng)估，主要包括光譜反射率相似性與空間細(xì)節(jié)相似性?xún)煞矫?，多采用相似系?shù)（correlation coefficient，CC）、方均根誤差（root mean square error，RMSE）、平均絕對(duì)偏差（average absolute difference，AAD）和結(jié)構(gòu)相似性（structure similarity，SSIM）等指標(biāo)[7].但由于不同研究選取的遙感影像自身空間分辨率、地物復(fù)雜度、不同時(shí)相變化等存在較大差異，因而基于上述指標(biāo)對(duì)各類(lèi)融合算法在不同的研究中的表現(xiàn)的精度評(píng)價(jià)結(jié)果仍存在較大的不確定性.

3 研究趨勢(shì)展望

目前，時(shí)空遙感影像融合研究仍處于快速發(fā)展階段，現(xiàn)階段雖不斷提高的融合算法大量涌現(xiàn)，但仍局限于特定的數(shù)據(jù)源，存在融合算法精度不足、融合效率有待提高等問(wèn)題，需要進(jìn)行更深入地探索研究，以發(fā)展適用于不同數(shù)據(jù)源與應(yīng)用需求的魯棒性高的通用性時(shí)空遙感影像融合方法.

3.1 多源數(shù)據(jù)發(fā)展時(shí)空遙感影像融合研究發(fā)展依賴(lài)于衛(wèi)星遙感影像數(shù)據(jù)的質(zhì)量，而不可避免地，由于高-低分辨率數(shù)據(jù)來(lái)源不同，其輻射差異、幾何精度等因素引起的誤差，將極大地影響最終的融合精度.因而，提高幾何配準(zhǔn)與大氣校正等精度，將成為推動(dòng)時(shí)空遙感影像融合研究發(fā)展的重要問(wèn)題.而在此基礎(chǔ)上，改進(jìn)現(xiàn)有方法多基于2種數(shù)據(jù)源的融合，充分利用多源數(shù)據(jù)的優(yōu)勢(shì)，實(shí)現(xiàn)低-中-高分辨率遙感影像的信息集成，將為時(shí)空遙感影像融合的實(shí)際應(yīng)用提供更廣泛的空間.

此外，為應(yīng)對(duì)當(dāng)前遙感影像融合結(jié)果精度評(píng)價(jià)的不確定性，有必要建立具有代表性的標(biāo)準(zhǔn)數(shù)據(jù)集，使其能夠全面反映現(xiàn)實(shí)地物的空間復(fù)雜度及典型的時(shí)間變化信息，以有效對(duì)比不同的時(shí)空遙感影像融合算法的表現(xiàn).

3.2 融合方法發(fā)展現(xiàn)有的時(shí)空遙感影像融合方法多種多樣，但由于其方法參數(shù)的不確定性，使得現(xiàn)有方法缺乏魯棒性，不適用于實(shí)際應(yīng)用中面對(duì)的大批量、多樣化的遙感影像.因此，針對(duì)現(xiàn)有的時(shí)空遙感影像融合算法，降低其對(duì)模型參數(shù)的敏感度，減少其對(duì)參數(shù)的依賴(lài)性，以提升算法本身的魯棒性，對(duì)于其推廣應(yīng)用具有重要意義.

進(jìn)一步，由于自然界地物的復(fù)雜性與時(shí)間變化的多樣性，總體來(lái)說(shuō)，現(xiàn)有方法由于算法原理自身限制或方法效率制約，尚未有一種能夠有效應(yīng)對(duì)多樣化的時(shí)空遙感影像融合的通用性方法.對(duì)此，引入非線(xiàn)性模型提高混合像元解混精度，將成為應(yīng)對(duì)復(fù)雜地表變化提升融合精度的有效方法.同時(shí)，隨著深度學(xué)習(xí)研究地深入，進(jìn)一步將深度學(xué)習(xí)方法有效應(yīng)用到時(shí)空遙感影像融合研究，最大限度地捕捉高-低分辨率影像上的光譜、空間、時(shí)間、結(jié)構(gòu)及紋理特征等信息，并充分提高其運(yùn)算效率，將成為今后實(shí)現(xiàn)快速、自動(dòng)化、高精度的時(shí)空遙感影像融合算法發(fā)展的重要方向.

此外，時(shí)空遙感影像融合算法的發(fā)展要同時(shí)注重面向應(yīng)用的方法研究.目前提出的融合算法大多停留在技術(shù)理論層面，而面對(duì)不同的遙感應(yīng)用，其對(duì)于影像特征的需求會(huì)有明顯不同.為應(yīng)對(duì)當(dāng)前高精度、長(zhǎng)時(shí)間序列的地表覆蓋研究，發(fā)展能夠大范圍生產(chǎn)具有統(tǒng)一標(biāo)準(zhǔn)的高時(shí)空分辨率數(shù)據(jù)集的時(shí)空遙感影像融合算法，將具有重要的實(shí)用價(jià)值.

4 結(jié)束語(yǔ)

在地表與大氣環(huán)境實(shí)時(shí)精細(xì)遙感監(jiān)測(cè)的需求下，時(shí)空遙感影像融合技術(shù)因其成本低、可靠性強(qiáng)等優(yōu)勢(shì)得到了廣泛的關(guān)注，近年來(lái)取得了較大的進(jìn)展.現(xiàn)有主流的時(shí)空遙感影像融合算法基于不同的算法原理主要包括：基于空間信息分解的融合方法、基于時(shí)空變化濾波的融合方法、基于學(xué)習(xí)的融合方法，以及組合性的融合方法等4類(lèi)，均有各自的優(yōu)勢(shì)與局限性，尚未發(fā)展到成熟階段.

時(shí)空遙感影像融合研究中總體存在多源數(shù)據(jù)不確定性、融合方法及其精度評(píng)價(jià)的不確定性問(wèn)題.因此，對(duì)于多源遙感影像的幾何校正與大氣校正、融合算法魯棒性的提升、異質(zhì)性地表覆蓋區(qū)域的非線(xiàn)性混合像元分解方法的發(fā)展，以及深度學(xué)習(xí)方法的進(jìn)一步應(yīng)用及其效率的提高等，均有待更深入地探索研究，以最終發(fā)展具有通用性的時(shí)空遙感影像融合算法，滿(mǎn)足大范圍、高精度的遙感應(yīng)用需求.