王宇恒，李大成*，韓啟金，馬靈玲，欒海軍，楊 毅

(1.太原理工大學 礦業(yè)工程學院，山西 太原 030024；2.中國資源衛(wèi)星應(yīng)用中心，北京 100094；3.中國科學院空天信息創(chuàng)新研究院 中國科學院定量遙感信息技術(shù)重點實驗室，北京 100094；4.廈門理工學院 計算機與信息工程學院，福建 廈門 361024；5.太原理工大學 物理與光電工程學院，山西 太原 030024)

0 引言

隨著衛(wèi)星傳感器技術(shù)的快速發(fā)展，遙感觀測手段被廣泛應(yīng)用于眾多行業(yè)。但是由于衛(wèi)星傳感器技術(shù)的局限性，目前的遙感傳感器無法同時滿足高空間分辨率和高光譜分辨率[1]。高空間分辨率的全色影像有更寬的波段范圍，低空間分辨率的多光譜影像的光譜范圍更窄。為了收集更多的入射光能量，保證圖像信噪比，多光譜傳感器與全色傳感器相比有著更大的瞬時視場，所以相比全色影像，多光譜影像的空間分辨率更低[2-3]。多光譜和全色影像的融合(PanSharpening)可以實現(xiàn)光譜信息和空間紋理信息的結(jié)合，解決衛(wèi)星傳感器空間和光譜分辨率的相互制約，生成高空間分辨率的多光譜影像[4]。其中，最傳統(tǒng)的方法有Intensity-Hue-Saturation(IHS)變換、主成分分析變換(Principal Component Analysis，PCA)和格拉姆-施密特正交化(Gram-Schmidt，GS)變換等，但其融合結(jié)果有較大的光譜擾動。目前，已有大量文章對PanSharpening方法進行研究，越來越多新方法涌現(xiàn)出來。Meng等[3]將目前常用的PanSharpening方法主要分為基于分量替代(Component Substitution，CS)的方法、基于多分辨率分析(Multi-Resolution Analysis，MRA)的方法和基于變分最優(yōu)(Variational Optimization，VO)的方法，還包括新興發(fā)展的基于深度學習(Deep Learning，DL)的方法[5-6]。

與此同時，受衛(wèi)星傳感器自身材料、軌道參數(shù)以及成像大氣條件的影響，無法同時滿足高空間分辨率和高時間分辨率，這使得多數(shù)地區(qū)在一年中也難有多幅清晰可用的高分辨率影像[7]。然而，多源遙感影像時空融合技術(shù)能有效解決這一難題。早期時空融合模型是在傳統(tǒng)全色多光譜融合方法的基礎(chǔ)上發(fā)展起來的，但是從引入基于線性模型的混合像元分解方法開始才真正具有“時空”意義。Maselli[8]第一次提出了距離權(quán)重這一指標，認為當與目標像元的距離值越小時，其對目標像元的影響也就越大，這一思想在后續(xù)時空融合算法中得到了應(yīng)用，但是在某些條件下，臨近像元之間的反射率存在一定差異。因此，Busetto等[9]在線性回歸模型的基礎(chǔ)上進行了改進，提出了光譜權(quán)重的思想，通過綜合考慮空間和光譜兩方面的影響，使得在求取線型混合模型的過程中，大大緩解了像元反射率的空間可變性問題。而鄔明權(quán)等[10]根據(jù)類別與類內(nèi)像元之間反射率值隨時間改變的規(guī)律一致的假設(shè)，發(fā)展了一種運用預(yù)測時相前后2個時相的高低分辨率影像，獲取時序高分辨率影像的融合(Spatial and Temporal Data Fusion Approach，STDFA)模型，大大推進了時空融合模型的應(yīng)用。依據(jù)時空關(guān)聯(lián)模型應(yīng)用技術(shù)框架的不同，時空融合技術(shù)可大致分為3類：基于數(shù)據(jù)重建的融合方法、基于光譜變換的融合方法以及基于學習的融合方法[11]。

Shen[12]首次提出時-空-譜一體化融合的概念和框架。Meng等[13]、孟祥超[14]和Shen等[1]在多傳感器融合框架下進一步擴展，發(fā)展了多傳感器時-空-譜一體化融合方法，雖然該類方法整體性較好，但是效率較低[15]，且實現(xiàn)難度較高，實際應(yīng)用中難以開展。孟祥超等[15]通過GF-1全色、多光譜、GF-5高光譜影像融合得到具有GF-1全色影像空間分辨率的GF-5高光譜影像，但是只用到了基于MRA的PanSharpening方法，未充分考慮時譜信息。

傳統(tǒng)PanSharpening方法沒有考慮時相信息，而時空融合模型沒有應(yīng)用全色波段的空譜信息。針對上述問題，提出了一種結(jié)合PanSharpening和時空融合模型的遙感影像融合方法。本文以GF-1和GF-2衛(wèi)星影像為數(shù)據(jù)源進行研究，最終得到具有GF-2全色影像空間分辨率和GF-1 WFV影像時間分辨率的融合結(jié)果。通過對不同下墊面類型數(shù)據(jù)測試，并從定性和定量兩方面進行驗證評價，證明該方法的可行性。

1 研究方法

本文研究技術(shù)路線圖如圖1所示。以GF-2多光譜和全色影像以及GF-1 WFV多光譜影像為實驗數(shù)據(jù)，先對所有原始影像進行預(yù)處理，得到空間位置對應(yīng)、像元大小一致的地表反射率數(shù)據(jù)；然后,利用MTF-GLP-HPM方法對起始時刻GF-2多光譜和全色影像進行融合，得到分辨率為1 m 的GF-2多光譜數(shù)據(jù)；最后,以起始時刻t1分辨率為1 m的上述融合結(jié)果和16 m分辨率的GF-1 WFV數(shù)據(jù)以及任意預(yù)測時刻tk的GF-1 WFV數(shù)據(jù)為輸入，使用STARFM方法進行時空融合，最終得到具有GF-1 WFV影像時間分辨率和GF-2全色影像空間分辨率的GF-2多光譜數(shù)據(jù)。

PanSharpening方法起源于20世紀80年代[16]，在過去近40年里，PanSharpening方法得到了飛速的發(fā)展。常見的3類方法各有優(yōu)勢，而且相同的算法應(yīng)用在不同的衛(wèi)星影像具有不同的結(jié)果，但總體而言，基于MRA方法的融合結(jié)果光譜保真度較基于CS方法更好[17]，運行效率比基于VO方法更優(yōu)[3]，因此被廣泛的使用，本文使用光譜保真度高、運行效率快的MTF-GLP-HPM[18]方法。該方法共由3部分組成：調(diào)制傳遞函數(shù)(Modulation Transfer Function，MTF)、廣義拉普拉斯金字塔(Generalized Laplacian Pyramid，GLP)和高通濾波調(diào)制方法(High Pass Modulation，HPM)，MTF-GLP用來對全色影像進行頻率變換，分離出全色影像的高、低頻信息，該方法已被普遍認可為較優(yōu)方法。然后通過式(1)中的HPM[19]注入模型，將全色影像的高頻紋理信息注入到多光譜影像各個波段中，得到具有高頻紋理信息的多光譜影像。

(1)

式中，H為融合后高分辨率多光譜反射率數(shù)據(jù)；MS為原始多光譜反射率數(shù)據(jù)；PAN為全色波段反射率數(shù)據(jù)；PANL為全色數(shù)據(jù)的低頻成分。因為只是將全色影像的高頻紋理細節(jié)加入到多光譜影像中，所以原始多光譜影像的光譜信息基本未受影響，得以保留，融合結(jié)果有較好的光譜保真度。

PanSharpening方法可以提升影像的空間分辨率，但無法改變影像的時間分辨率。時空融合專門用來解決高分辨率影像時序不足的問題。當前，應(yīng)用最為廣泛的是基于數(shù)據(jù)重建思想所發(fā)展起來的時空融合方法，其中最具代表性且適用性較強的是Gao等[20]提出的時空自適應(yīng)反射率融合模型(Spatial and Temporal Adaptive Reflection Fusion Model,STARFM)。本文使用STARFM方法進行研究，STARFM方法的基本思路為：

(2)

STARFM方法運行的核心步驟是均勻同質(zhì)像元的選擇和提取。均勻同質(zhì)像元具有相似的光譜特性。一個低分辨率影像的同質(zhì)像元可以由相同時間高分辨率影像對應(yīng)像元的反射率來表示：

H(xi,yj,t1)=L(xi,yj,t1)+ε1，

(3)

式中，H(xi,yj,t1)和L(xi,yj,t1)分別為高、低分辨率影像在任意已知起始時刻t1的反射率值；ε1是二者的反射率差異，假設(shè)ε1不隨時間變化，則存在：

H(xi,yj,t1)=L(xi,yj,t1)+H(xi,yj,tk)-L(xi,yj,tk)，

(4)

式中，tk表示除已知時刻外任意可用時刻。而在實際情況中，由于低空間分辨率的掃描視場很大，觀測量很可能不是同質(zhì)像元，而且同一區(qū)域的地表覆蓋類型在不同時間可能發(fā)生變化。由于光照差異也會引起相應(yīng)的反射率變化，因此，STARFM方法引入了權(quán)重函數(shù)Wijk來解決上述問題引起的反射率預(yù)測誤差。

H(xi,yj,tk)-L(xi,yj,tk))，

(5)

式中，w代表搜索窗口的尺寸；(xw/2,yw/2)為搜索窗口的中心像元。在STARFM方法中，通過時間、光譜和空間三方面特征信息對最終的權(quán)重函數(shù)進行計算，具體包括時相差異Tijk、光譜差異Sijk、中心像元(xw/2,yw/2)和候選像元(xi,yj)在tk時刻的空間距離dijk，表達式如下：

Tijk=|L(xi,yj,tk)-L(xi,yj,t1)|，

(6)

Sijk=|H(xi,yj,tk)-L(xi,yj,tk)|，

(7)

(8)

式中，A為特定常數(shù)，聯(lián)合光譜差異、時相差異和空間距離可得到Cijk：

Cijk=Tijk×Sijk×dijk。

(9)

最后，權(quán)重Wijk可表示為：

(10)

2 實驗過程及結(jié)果

2.1 實驗數(shù)據(jù)情況介紹

為驗證本文研究方法的適用性，選取不同下墊面類型的研究區(qū)進行實驗，如圖2所示，具體包括自然植被覆蓋山地、人工作物覆蓋農(nóng)田、建筑物覆蓋城區(qū)和沙地4種類型(后續(xù)簡稱山地、農(nóng)田、城區(qū)和沙地)。

圖2 研究區(qū)位置、遙感影像及地形示意Fig.2 Location,remote sensing image and topographic map of the study area

自然植被山區(qū)位于山西省陽泉市平定縣，地處山西省中部東側(cè)，多為山地和丘陵，研究區(qū)大小為4 km×4 km，區(qū)域內(nèi)主要以自然草地、灌木為主，還包括少量人工建筑。人工作物農(nóng)田區(qū)位于安徽省亳州市北部，地處華北平原中部，地勢低平，研究區(qū)內(nèi)主要以人工作物覆蓋為主，還包含少量建筑及水體，研究區(qū)大小為4 km×4 km。城市建設(shè)區(qū)位于北京市城區(qū)，建筑物密集分布，樓群高低不一，建筑物陰影較多，此外還包括行道樹、水體等覆蓋物，研究區(qū)大小為2 km×2 km。沙地區(qū)位于內(nèi)蒙古包頭市西北部，是國家高分辨遙感綜合定標場所在地，除少量人造靶場外均為沙地，幾乎無植被覆蓋，同質(zhì)性較強，研究區(qū)大小為2 km×2 km。

實驗選用GF-1 WFV和GF-2影像進行研究，具體實驗影像基本信息如表1所示?？梢钥闯?，2種數(shù)據(jù)多光譜各波段波長范圍一致，而且GF-2全色波段波長范圍和多光譜波長范圍基本重合，有利于減少PanSharpening造成的光譜失真[3]。

2.2 實驗方案

2.2.1 數(shù)據(jù)預(yù)處理

在融合實驗前，要對參與融合的所有多光譜和全色影像進行必要的預(yù)處理，主要包括正射校正、輻射定標和大氣校正。經(jīng)過預(yù)處理的影像實現(xiàn)了由原始DN值到地表反射率的轉(zhuǎn)換，最終影像各波段像元值為反射率×10 000，有效數(shù)據(jù)范圍為0～10 000。同時，為了減少幾何位置誤差對融合結(jié)果的影響，還需要對影像進行精細幾何配準，各研究區(qū)影像以月份靠前的GF-2全色影像為基準，對其他影像進行空間配準，并將GF-1 WFV和GF-2多光譜影像都采樣至全色影像像元尺度(1 m)進行裁剪，確保所有實驗影像的像元尺寸和空間位置相對應(yīng)。

2.2.2 實驗過程

本文將PanSharpening和時空融合相結(jié)合，在傳統(tǒng)圖像融合的基礎(chǔ)上提升遙感影像的時間分辨率，在時空融合的基礎(chǔ)上進一步提升遙感影像的空間分辨率。為了驗證該融合思路的適用性，選取4個不同地物覆蓋類型的研究區(qū)進行實驗，具體實驗方案如下：

① 山地研究區(qū)選擇2020年9月19日為起始時刻，首先對該時刻GF-2多光譜和全色波段利用MTF-GLP-HPM方法進行融合，將多光譜影像空間分辨率提升至1 m，融合結(jié)果作為起始時刻高分辨率影像；然后以起始時刻GF-1 WFV多光譜影像(16 m)為低分辨率影像，2020年11月7日GF-1 WFV多光譜影像(16 m)為預(yù)測時刻低分辨率影像，通過STARFM時空融合算法得到預(yù)測時刻對應(yīng)的高分辨率影像，空間分辨率為1 m。

② 農(nóng)田研究區(qū)選擇2017年7月23日為起始時刻，2017年11月8日為預(yù)測時刻，先通過MTF-GLP-HPM方法將起始時刻GF-2多光譜影像分辨率提升至1 m，再進行時空融合，得到預(yù)測時刻分辨率為1 m的融合結(jié)果。

③ 城區(qū)研究區(qū)選擇2015年2月17日為起始時刻，2015年8月28日為預(yù)測時刻，同樣先通過MTF-GLP-HPM方法將起始時刻GF-2多光譜影像分辨率提升至1 m，然后再進行時空融合，得到預(yù)測時刻分辨率為1 m的融合結(jié)果，因該區(qū)域沒有對應(yīng)預(yù)測時刻的真實GF-2影像，選擇鄰近時刻2015年9月2日GF-2作為驗證數(shù)據(jù)，一般認為8 d內(nèi)地表反射率的變化量極小[21]。

④ 沙地研究區(qū)選擇2017年7月10日為起始時刻，2017年9月21日為預(yù)測時刻，利用MTF-GLP-HPM方法將起始時刻GF-2多光譜影像分辨率提升至1 m后，再利用STARFM方法融合出預(yù)測時刻空間分辨率為1 m的高分辨率影像。

為了驗證融合思路的有效性，實驗進行2組對照實驗，分別是：

① 對各研究區(qū)預(yù)測時刻的GF-2多光譜(4 m)和全色影像(1 m)進行融合；

② 對各研究區(qū)GF-2多光譜影像(4 m)與GF-1 WFV影像(16 m)直接進行時空融合。2組對照實驗結(jié)果與本文融合方法結(jié)果分別進行對比。

2.2.3 融合質(zhì)量評價方法

為合理評估本文融合方法實驗結(jié)果的精度和性能，采用定性與定量相結(jié)合的評價方法。定性方法主要依靠目視觀察，通過對比影像之間的光譜色彩以及整體和局部細節(jié)來評定融合效果。定量方法通過對融合結(jié)果和參考影像進行光譜值及其計算量之間的比較，從而確定融合效果好壞。具體包括2種方式：一是分析融合結(jié)果與參考影像各波段的光譜散點圖；二是從誤差與數(shù)據(jù)相似性的角度出發(fā)，采用均方根誤差 (Root Mean Squared Error，RMSE)、峰值信噪比(Peak Signal to Noise Ratio，PSNR)、結(jié)構(gòu)相似性(Structural Similarity，SSIM)、光譜角映射(Spectral Angle Mapper，SAM)以及相對整體維數(shù)綜合誤差 (Erreur Relative Global Adimensionnelle de Synthèse，ERGAS)等定量統(tǒng)計評價指標，具體方法原理如下：

(11)

(12)

(13)

(14)

(15)

式(11)～(15)中，Pi和Ri分別代表待評價影像和參考影像的第i∈[1,B]波段；N1N2為影像尺寸大??；MAXPi表示影像Pi中的最大像素值；MSE表示影像P的均方誤差，其數(shù)值為RMSE值的平方；μPi，μRi，σPi，σRi和σPiRi分別為影像P和R在波段i上的均值、標準差以及協(xié)方差；c1=(k1L)2，c2=(k2L)2是常數(shù)，L是2幅影像的灰度等級，k1=0.01，k2=0.03；ρPi和ρRi是影像P和R在波段i上的地表反射率；p和r為影像P和R的空間分辨率。

當評價結(jié)果中RMSE越小，表示融合結(jié)果和參考影像差異性越??；PSNR越大，表示融合結(jié)果影像失真越少，質(zhì)量越高；SSIM越大，表示融合結(jié)果與參考影像之間的相似程度更高；SAM表示融合圖像與參考圖像之間的光譜扭曲程度，值越小，表示二者差異越小；ERGAS值越小，說明融合結(jié)果的光譜誤差越小。目視定性評價具有主觀性，需要與定量評價指標相結(jié)合，才能客觀準確地分析融合結(jié)果的好壞。

2.3 測試結(jié)果

自然植被山地研究區(qū)實驗結(jié)果如圖3所示，圖3(a)和(b)為GF-1 WFV多光譜影像，幾乎無法看出紋理細節(jié)，對比2個時刻原始GF-2多光譜影像圖3(c)、(d)和經(jīng)過PanSharpening后的影像圖3(e)、(f)，從目視效果看，原始多光譜影像經(jīng)過PanSharpening后能有效提升空間分辨率，細節(jié)紋理更加清晰，在此基礎(chǔ)上進行時空融合所得到的預(yù)測結(jié)果(圖3(h))空間和光譜信息都有不錯的效果。圖3(g)為傳統(tǒng)時空融合思路的結(jié)果，即GF-2不經(jīng)過PanSharpening，直接使用多光譜數(shù)據(jù)與低分辨率GF-1 WFV影像進行時空融合，融合結(jié)果分辨率為4 m，可以看出相對于預(yù)測時刻低分辨率影像圖3(b)而言注入了大量的紋理細節(jié)，但是對于變化地物的空間信息預(yù)測不完整，而光譜保真效果不錯。本文融合方法所得結(jié)果與圖3(g)相比，在光譜差異不大的基礎(chǔ)上加入了更多的空間紋理信息。

(a) GF-1 WFV多光譜 (9月19日)

(b) GF-1 WFV多光譜 (11月7日)

(c) GF-2多光譜(9月19日)

(d) GF-2多光譜(11月7日)

(e) GF-2融合結(jié)果(9月19日)

(g) 傳統(tǒng)STARFM(11月7日)

(h) 本文融合方法(11月7日)

圖4～圖6分別展示了農(nóng)田、城區(qū)和沙地3個研究區(qū)的實驗結(jié)果。由圖4(c)和(e)以及圖4(d)和(f)對比看出，PanSharpening融合前后影像光譜色彩幾乎無差異，融合后結(jié)果空間紋理清楚，在圖5和6中有同樣的實驗效果，表明MTF-GLP-HPM圖像融合方法有好的光譜保真效果。最終融合結(jié)果圖4(h)中放大區(qū)域?qū)Ρ仍糋F-2多光譜影像可以發(fā)現(xiàn)，變化地物的光譜信息預(yù)測較為準確，但相應(yīng)區(qū)域的紋理信息效果不明顯，但是對于不變地物，紋理信息和光譜信息都有較好的效果。同樣，在圖5放大圖像中可以看出，右側(cè)空地在2月17日顯示為白色(降雪結(jié)冰)，在9月2日顯示為綠色，圖5(h)放大區(qū)域顯示右側(cè)空地為綠色，變化的光譜信息加入了預(yù)測結(jié)果；同時可以看出中間的植被在2月17日顯示為黃灰色(枯萎狀態(tài))，在9月2日顯示為深綠色，本文融合方法結(jié)果(圖5(h))中放大區(qū)域中間植被也注入了一定的綠色光譜信息，但相對空間紋理細節(jié)較少。圖6實驗區(qū)域為同質(zhì)性較好的沙地場，圖中箭頭所指區(qū)域為突變地物，從圖6(h)中看出該區(qū)域加入了明顯的光譜預(yù)測信息和少量紋理信息，其他不變地物預(yù)測信息良好。對比各研究區(qū)傳統(tǒng)時空融合結(jié)果(g)和本文融合思路結(jié)果(h)可以看出，(h)在光譜色彩接近的情況下，空間紋理信息更加豐富，細節(jié)更加清晰。

(a) GF-1 WFV多光譜 (7月24日)

(b) GF-1 WFV多光譜 (11月8日)

(c) GF-2多光譜(7月23日)

(d) GF-2多光譜(11月8日)

(e) GF-2融合結(jié)果(7月23日)

(f) GF-2融合結(jié)果(11月8日)

(g) 傳統(tǒng)STARFM(11月8日)

(h) 本文融合方法(11月8日)

(a) GF-1 WFV多光譜 (2月17日)

(b) GF-1 WFV多光譜 (8月28日)

(c) GF-2多光譜(2月17日)

(d) GF-2多光譜(9月2日)

(e) GF-2融合結(jié)果(2月17日)

(f) GF-2融合結(jié)果(9月2日)

(g) 傳統(tǒng)STARFM(8月28日)

(h) 本文融合方法(8月28日)

(a) GF-1 WFV多光譜 (7月10日)

(b) GF-1 WFV多光譜 (9月21日)

(c) GF-2多光譜(7月10日)

(d) GF-2多光譜(9月22日)

(e) GF-2融合結(jié)果(7月10日)

(f) GF-2融合結(jié)果(9月22日)

(g) 傳統(tǒng)STARFM(9月21日)

(h) 本文融合方法(9月21日)

各研究區(qū)起始時刻GF-2全色多光譜融合后結(jié)果與原始多光譜影像的對比評價指標如表2所示。綜合來看，沙地研究區(qū)和平原農(nóng)田區(qū)的定量評價指標排在前2位，山地和城區(qū)次之。各研究區(qū)SSIM均在0.9以上，RMSE均小于0.03。

為驗證本文融合方法的有效性，增加傳統(tǒng)時空融合結(jié)果作為對照。方案1：預(yù)測時刻原始GF-2多光譜影像和傳統(tǒng)時空融合結(jié)果對比評價；方案2：預(yù)測時刻原始GF-2多光譜影像和本文融合方法結(jié)果對比評價。表3給出了各研究區(qū)融合結(jié)果的定量分析指標，整體結(jié)果顯示各個研究區(qū)中方案1與方案2各項指標均較為接近，但前者優(yōu)于后者，在2種方案中各個研究區(qū)各項指標的整體變化趨勢是一致的。沙地研究區(qū)在各項指標中均為最優(yōu)，農(nóng)田區(qū)各項指標最差。

表2 起始時刻GF-2 PanSharpening結(jié)果定量評價指標

表3 融合結(jié)果定量評價指標

圖7展示了各研究區(qū)2種方案逐波段的定量評價指標，可以看出整體上2種對比方案的各項指標波段變化趨勢基本一致。除農(nóng)田區(qū)外，其他研究區(qū)測試數(shù)據(jù)各項指標隨波段變化波動較小，農(nóng)田區(qū)中各波段定量評價結(jié)果波動較大，且近紅外波段結(jié)果最差。

圖8展示了原始GF-2多光譜影像和傳統(tǒng)時空融合結(jié)果以及本文融合方法結(jié)果逐波段的光譜散點分布圖。從圖中可以看出,與定量評價指標結(jié)果一致性較高，整體而言散點圖分布質(zhì)量沙地研究區(qū)優(yōu)于山地研究區(qū)優(yōu)于城區(qū)優(yōu)于農(nóng)田區(qū)。圖中整體散點在在1∶1線附近分布，表明本文思路的融合結(jié)果有不錯的效果。

圖7 各研究區(qū)逐波段定量評價指標Fig.7 Band by band quantitative evaluation index of each study area

圖8 各研究區(qū)實驗結(jié)果光譜散點分布圖Fig.8 Spectral scatter distribution of experimental results in each study area

3 結(jié)果分析與討論

3.1 融合結(jié)果與下墊面類型的關(guān)系

從表2結(jié)果來看，全色多光譜融合結(jié)果定量評價指標沙地和農(nóng)田最好，山地和城區(qū)次之，主要原因在于沙地研究區(qū)和華北平原農(nóng)田區(qū)地勢平坦，幾何配準誤差較小，同時實驗區(qū)域內(nèi)無高差明顯的地物，幾乎無陰影區(qū)域，地表光譜一致性較好，所以融合結(jié)果最優(yōu)。城區(qū)定量評價結(jié)果最差，主要原因在于城區(qū)內(nèi)建筑物密集且陰影較多，地表均一性和朗伯性差。山區(qū)雖然地表覆蓋單一，同質(zhì)性強，但是山區(qū)地形影響幾何校正及配準精度，所以結(jié)果較差。

表3給出的傳統(tǒng)時空融合方法定量評價指標在不同研究區(qū)的整體變化趨勢與本文融合方法一致，但指標較優(yōu)。原因在于本文方法中GF-2在經(jīng)過PanSharpening后不可避免地引入了光譜擾動，而且后續(xù)時空融合高低分辨率影像空間分辨率比率由4倍增大為16倍，會造成預(yù)測結(jié)果精度的損失。其中SSIM和RMSE指標相對精度損失分別小于0.08和0.02，在整體光譜變化較小的情況下，本文融合方法能加入更清晰的空間紋理信息，空間分辨率提升了4倍。

2種對比方案中，4個研究區(qū)的融合結(jié)果優(yōu)劣排名依次是沙地、山地、城區(qū)和農(nóng)田，主要原因是農(nóng)田區(qū)人工作物在7月正處于生長旺盛期，11月已過秋收季節(jié)，地表覆蓋類型發(fā)生突變，這是現(xiàn)有時空融合算法的局限[22-23]，所以該研究區(qū)融合結(jié)果定量評價表現(xiàn)最差。城區(qū)地表覆蓋情況異質(zhì)性較強，地物破碎度高，所以融合效果較差，而且有參考影像與預(yù)測結(jié)果時序不一致的影響。山地研究區(qū)地表覆蓋類型相對單一，而且人為突變情況較少，所以有不錯的定量評價結(jié)果。而在同質(zhì)性更強的沙地研究區(qū)，地表覆蓋幾乎沒有變化，定量評價指標最好。

從圖7中可以看出，農(nóng)田區(qū)近紅外波段評價指標最差，而沙地區(qū)近紅外波段評價指標最優(yōu)，主要原因還是在于該區(qū)域人工作物在預(yù)測前后發(fā)生了突變，造成對植被信息敏感的近紅外波段預(yù)測信息缺失嚴重。沙地區(qū)基本無植被覆蓋，且地表變化較小，所以近紅外波段融合效果最好，且各波段評價指標變化緩和。從圖8光譜散點圖也可以看出，農(nóng)田區(qū)光譜散點圖近紅外波段偏離中心較遠且離散程度大，而沙地區(qū)密集分布在中心線兩側(cè)。

3.2 融合質(zhì)量與影像光譜的關(guān)系

實驗采用的GF-2全色和多光譜影像光譜范圍重合，有利于減少全色多光譜融合過程引入的光譜擾動，但是無法避免。

表4展示了起始時刻和預(yù)測時刻GF-1 WFV多光譜影像的光譜一致性程度，可以看出沙地兩時刻數(shù)據(jù)一致性最高，農(nóng)田區(qū)兩時刻數(shù)據(jù)光譜一致性最低，與融合結(jié)果定量評價指標一致。逐波段光譜一致性如圖9(a)所示，沙地和山地各波段光譜一致性較為均勻且效果最好，主要原因是該區(qū)域地表覆蓋類型均勻，且人為突變較少。城區(qū)近紅外波段一致性較為突出，主要原因是城區(qū)地表覆蓋植被較少，但總體結(jié)果較差，原因在于城市建筑物形態(tài)分布各異，地物種類繁多，異質(zhì)性強。農(nóng)田區(qū)近紅外波段光譜一致性最差，原因在于人工作物在收割后植被信息發(fā)生巨變。分析表明：起始時刻和預(yù)測時刻GF-1 WFV多光譜影像的光譜一致性大小與最終融合結(jié)果的好壞呈正相關(guān)。

表4 實驗影像光譜一致性

圖9(b)為起始時刻GF-1 WFV和融合后GF-2多光譜影像的逐波段光譜一致性指標，可以看出，同一區(qū)域各波段光譜一致性差異不大，表4中影像整體光譜一致性顯示，沙地區(qū)起始時刻GF-1和PanSharpening后GF-2光譜一致性結(jié)果最優(yōu)，城區(qū)結(jié)果最差。

(a) 起始時刻和預(yù)測時刻GF-1 WFV

(b) 起始時刻GF-1 WFV和融合后GF-2圖9 影像逐波段光譜一致性Fig.9 Band by band spectral consistency of image

各研究區(qū)使用數(shù)據(jù)源相同，所以假設(shè)由空間尺度不同帶來的光譜一致性差異相同，僅考慮傳感器成像時間差異的影響，起始時刻GF-1 WFV和GF-2影像在1 d內(nèi)的成像時間如表5所示。

表5 起始時刻GF-1 WFV和GF-2成像時間(北京時間)

可以看出，城區(qū)兩衛(wèi)星傳感器成像時間相差最大，達到45′12″，所以地表光譜變化最大，而且在上述分析中城區(qū)GF-2全色多光譜影像融合結(jié)果相對較差，也會影響與GF-1 WFV影像光譜的一致性。農(nóng)田區(qū)成像間隔為7′25″，但從表1可知兩傳感器成像絕對時間相差1 d，所以雖然成像時間相差最小，但是光譜一致性卻不是最佳。分析看來，起始時刻GF-1 WFV和GF-2多光譜影像光譜一致性大小和最終融合結(jié)果的好壞有一定相關(guān)性，但不是主要影響因素。

4 結(jié)束語

本文針對目前遙感觀測平臺的局限性造成無法同時獲取高時空遙感影像的實際情況，同時傳統(tǒng)空譜融合和時空融合方法都未同時綜合考慮全色影像和高分辨率多光譜影像的高清空譜信息以及低分辨率多光譜影像的高時譜信息，提出了一種PanSharpening和時空融合相結(jié)合的數(shù)據(jù)融合思路，基于MTF-GLP-HPM和STARFM方法的融合方法，能夠生成具有全色波段空間分辨率和低分辨率多光譜影像時間分辨率的多光譜融合影像。

實驗結(jié)果從目視效果來看，不同研究區(qū)融合效果都有不錯的效果，定量評價指標顯示，對于不同下墊面類型，整體融合效果有較大的差異，對于地表均一性較好的研究區(qū)，SSIM可達0.9以上。通過不同研究區(qū)實驗結(jié)果定性及定量分析可以得出：

① 使用PanSharpening和時空融合相結(jié)合的融合路線可以獲得同時具備高時間、空間分辨率的遙感影像，該技術(shù)思路具有可行性。

② 通過不同下墊面研究區(qū)結(jié)果發(fā)現(xiàn)，同質(zhì)性較強的研究區(qū)，融合效果優(yōu)于異質(zhì)性較強的區(qū)域，主要受當前時空融合算法的局限性影響。起始時刻和預(yù)測時刻低分辨率影像的光譜一致性高低對最終結(jié)果有較大的影響。起始時刻的高低分辨率影像光譜一致性差異不是影響最終融合結(jié)果的主要因素。

③ 由實驗結(jié)果目視效果看出，該思路融合方法對于變化地物的光譜信息融合效果優(yōu)于空間紋理細節(jié)，尤其對于突變地物，空間細節(jié)預(yù)測不夠充足，這與時空融合方法有密切的關(guān)系。

研究證明了通過將PanSharpening和時空融合進行結(jié)合，能有效集成全色影像和高、低分辨率多光譜影像間的時、空、譜互補信息，得到相對傳統(tǒng)時空融合方法更高空間分辨率的融合影像。本文實驗算法較為單一，只使用了應(yīng)用廣泛的算法。在下一步研究中，會繼續(xù)探索適用于不同地物覆蓋類型研究區(qū)的PanSharpening和時空融合方法的組合，研究針對各類型下墊面的融合策略，而且會進一步以高光譜影像進行研究，得到同時具有超高空間、時間和光譜分辨率的融合影像。