摘要：農作物遙感識別是地理學和生態學研究的前沿和熱點，多源數據在農作遙感識別中日益發揮重要作用。筆者從多源數據融合的角度，歸納了2000年后多源數據在農作物遙感識別中應用的總體概況，系統梳理并提煉了當前多源數據融合的主要融合技術和融合模式。圍繞與多源數據融合和農作物遙感識別相關的關鍵詞，在Google學術、ISIWebofKnowledge和中國知網中對2000—2014年間國內外發表的論文進行檢索，并統計不同傳感器的使用頻率及結合方式。

　　研究表明，以提高空間分辨率為目標的多源數據融合和以提高時間分辨率為目標的多源數據融合技術是當前的兩種主要方式，可以在一定程度上實現時空尺度的擴展。前者的融合技術包括圖像融合、正態模糊分布神經網絡模型、成分替換、半經驗數據模型融合及多分辨率小波分解等，可以提升遙感數據的空間分解力和清晰度，較好弱化混合像元產生的影響，但農作物光譜信息有一定程度的丟失或扭曲，農作物空間分布局部細節信息與紋理特征依然會缺失。

　　后者的融合技術形式靈活多樣，可分為同源數據聯合擴展時序的時空優化技術和異源數據聯合擴展時序的時空優化技術，其可以有效排除短時間段內農作物生育期交叉，但易受不同遙感數據源間光譜反射率或植被指數轉換模型及光譜波段設置差異的影響。在融合模式方面，根據數據類型分為光學數據的融合、光學數據與微波數據的融合以及遙感與非遙感數據的融合，以實現衛星資源優勢互補為宗旨，充分挖掘不同類型農作物在遙感數據上呈現的光譜、時間和空間特征差異信息。

　　同樣，農作物遙感識別研究中的多源遙感數據融合也存在諸多挑戰，在未來一段時間內，完善不同傳感器之間的合作、更深層次挖掘融合信息以及多尺度長時間序列的中高分辨率農作物空間分布數據集的需求是多源數據融合的農作物遙感識別研究的重點發展方向和亟待解決的問題。研究結果有助于更好地理解多源遙感數據融合的技術和模式，為摸清多源數據融合在農作物識別中總體進展提供支撐，同時也為其他多源數據融合研究提供借鑒。

　　關鍵詞：農作物;多源數據;融合;遙感;識別

　　農作物空間分布是農業生產活動對土地利用的表現形式，也是對自然資源高效利用及田間科學管理的最終結果[1-2]。及時準確地識別農作物空間分布不僅是區域農作物長勢監測、產量估測和災情評估等的重要基礎，也是宏觀掌握糧食生產、指導農業生產和調控農產品貿易的依據[3-4]。遙感技術作為新型對地觀測技術，因宏觀性、綜合性和動態性的特點，迅速成為農作物空間分布信息獲取的重要手段[5-6]。

　　因此，農作物遙感識別研究具有重要的理論和實踐意義[7]。自美國Puredue大學首次將遙感數據用于農作物監測后，涌現了大量農作物遙感識別的研究，LandsatTM[8-9]、MODIS[10-11]、QuickBird[12]等不同傳感器數據在農作物空間分布及其動態變化提取中發揮了重要作用。事實上，單一遙感數據在實際應用中呈現出復雜的時空異質性和尺度敏感性的特征[13];同時，受農作物光譜重疊與交叉、遙感影像時間分辨率與空間分辨率相互制約，以及成像過程諸多干擾因素的限制，基于單一數據源的農作物識別效果往往不理想[14]。

　　因此，多源遙感數據融合在農作物遙感識別中日益發揮重要作用，其在很大程度上彌補了單一數據和分類方法的缺陷[15]。近年來，國內外很多學者開展了基于多源遙感數據融合的農作物空間分布信息提取方法研究，但已有研究多是利用多時相、多空間分辨率的影像數據在象元層次上進行融合，擴展時空尺度，得到更豐富的作物光譜特性、空間異質性信息以及作物鍵物候歷特征，提高作物識別能力和精度[16-17]。

　　雖然有關多源遙感數據融合的研究日益增多，但目前還沒有文獻對已有的研究進行系統梳理和歸納，使得農作物遙感識別中的多源數據融合研究總體進展不清�；�于此，本研究以作物識別/提取、高/中/低分辨率、制圖、Crop、Classification、Mapping等為關鍵詞，在Google學術、ISIWebofKnowledge和中國知網中對2000—2014年間國內外發表的論文進行檢索，共檢索到和多源數據融合相關的文獻297篇，在此基礎上試圖對農作物遙感識別中的多源數據融合總體研究進展進行總結和評述。

　　在歸納“有什么”多源數據基礎上(總體概況，見第一章節)，重點闡明近10多年來基于多源遙感數據融合的農作物遙感識別“用什么”時空優化的方法(即融合技術，見第二章節)和“怎么用”信息源整合和替代(即融合模式，見第三章節)，討論已有研究中存在的問題，并針對多源數據融合中以上3個關鍵環節展望未來發展趨勢。

　　1農作物遙感識別中多源數據的應用概況

　　通過對檢索的全部論文進行統計分析發現，目前國內外農作物遙感識別中使用的傳感器以MODIS為代表的低分辨率(比例為34.7%)和以LandsatTM/ETM+為代表的中等分辨率(比例為35.0%)為主[18-21]。近年來，隨著微波遙感蓬勃發展，星載合成孔徑雷達(SAR)日益在農作物遙感識別中得到應用，其使用比例達到10.1%[22-23]。尤其值得一提的是，環境減災小衛星星座HJ-1A/1B數據作為新的遙感數據源，中國國產衛星以5.1%的使用頻率應用于農作物識別與監測領域[24]。

　　此外，QuickBird及其他類型的傳感器在農作物識別中也得到使用，兩者比例約為15.1%。同時不難發現，SAR數據多以融合的形式參與識別，而高空間分辨率QuickBird以單一的形式開展農作物識別居多，其他類型傳感器用于單數據源研究和多源數據融合的比例基本相當。統計了近十多年3個不同階段農作物識別中的單一數據源和多數據源使用情況。

　　可以看出，基于單數據源的農作物遙感識別文獻數合計189篇，遠高于基于多源數據的農作物遙感識別文獻數(108篇)。因此，目前農作物遙感識別中仍然以單一數據源為主，但其有下降的趨勢，與此同時，多源數據在農作物遙感識別中越來越多得到應用，呈明顯的上升趨勢。進一步統計分析發現，單一數據源更多應用于單一農作物的識別和提取，而多源數據在農作物種植結構提取中的應用要優于單數據源。

　　2多源遙感數據融合技術

　　農作物遙感識別原理總體上分為兩類：一是基于農作物的光譜特征和空間異質性特征;二是基于農作物的物候特征�；�于農作物光譜和空間紋理特征的識別方法易受分辨率的限制，“同物異譜”和“異物同譜”現象普遍存在。單一高分辨率數據的光譜信息不足，難以覆蓋大區域范圍;單一中分辨率數據源受傳感器重訪周期和云雨天氣影響，數據獲取頻率低于理論周期;而單一低分辨率數據源混合像元現象嚴重[25-27]。

　　基于農作物季相節律和物候特征識別農作物類型需要利用時間序列遙感數據，然而，遙感數據的時間分辨率與空間分辨率之間相互制約，單一高時間分辨率遙感數據有助于精確區分作物生育周期，但通�？臻g分辨率低，刻畫空間異質性能力差，而單一中高空間分辨率遙感數據很難獲得覆蓋作物整個生育期的長時間序列信息，重復觀測能力低[28-29]。因此，農作物遙感識別中的多源遙感數據融合的關鍵任務是解決遙感數據的時空優化問題，提高農作物識別效率和識別精度[30-32]。

　　2.1以提高空間分辨率為目標的多源數據融合技術

　　中國農作物種植結構復雜多樣、田塊破碎，光譜混合現象嚴重，其準確識別對遙感數據的空間分辨率要求高[33]。針對低空間、高時間分辨率遙感數據對農作物生長過程動態變化描述的優勢，引入中高空間分辨率遙感數據，通過數據融合可以有效提高對農作物空間分布細節描述的能力。圖像融合是最為常見的以提高空間分辨率為目標的多源數據融合技術，將多源遙感數據按照一定規則進行運算、處理，獲得一幅具有新的空間和波譜特征的合成影像[34]。

　　圖像融合方法，如基于色彩相關技術的HIS變換法或基于統計方法的PCA、Brovey和小波變換等，可以廣泛應用于不同傳感器、不同空間分辨率以及不同時相的遙感數據，尤其在多時相的低空間分辨率遙感數據與中等空間分辨率遙感數據的融合方面應用較多。融合的對象不僅可以是光譜反射率、后向散射系數，還可以為時間序列植被指數，獲得一幅具有新的空間特征的高分辨率合成影像。

　　圖像融合技術在農作物遙感識別中的應用研究較多，取得了較好的效果。如蔣楠等[35]采用Brovey變換、IHS變換、高通濾波和小波變換4種融合方法對HJ-1A衛星多波段影像與ALOS衛星2.5m全色影像分別進行融合，得到了高空間分辨率多光譜影像，并選用最佳融合效果的小波變換法合成影像，進行江蘇省金湖地區水稻識別，發現其估算精度比HJ-1A多光譜影像提高了12.39%。

　　以2008年河南省原陽縣的玉米種植信息為識別目標，何馨[36]利用小波變換的方法將時間序列MODISNDVI與TMNDVI數據進行融合，獲取30m分辨率的NDVI時間變化信息，構建主要秋季作物的NDVI標準時序生長曲線，以最小距離分類器進行分層分類，獲得研究區內玉米種植面積總量信息和空間分布，總體精度達78.76%，該方法既保證作物生長過程中原有的光譜特征，使空間分辨率從250m提高至30m。

　　趙天杰等[37]基于12.5m分辨率ASAR-VV極化、PALSAR-HH極化以及30m分辨率TM的多光譜數據，使用MIMICS模型模擬北京昌平區玉米和果林的后向散射系數，構建了模糊神經網絡模型，完成了雙頻多極化SAR數據與多光譜數據的整合，以93.54%的精度在12.5m分辨率尺度上開展了玉米種植分布識別，研究表明：多頻段和多極化方式的融合方法可以利用不同的波譜頻段提取農作物固有屬性，在高空間分辨率尺度上提高農作物光譜分離性，為農作物類型識別提供有力支持。

　　以上研究表明，圖像融合可以提高遙感數據的空間分辨率，與單源遙感數據相比，多源遙感數據融合后所提供的信息具有互補性和合作性，在農作物遙感識別方面呈現出較大的潛力。此外還有一些其他技術可以用于數據擴展，如STARFM模型[38]、成分替換[39]、半經驗數據模型[40]、多分辨率小波分解[41]等融合技術實現了將不同分辨率的多源遙感數據進行整合，以提高空間分辨率，并且未來在農作物遙感識別中有廣泛的應用前景。

　　以提高空間分辨率為目標的多源數據融合技術提升了影像的空間分解力和清晰度，一定程度上弱化了混合像元存在所產生的影響。多源遙感數據具有多樣性和時相差異性特點，使得不同類型的農作物光譜信息在融合時均有一定程度的丟失與扭曲，而空間分辨率雖有所提高但其局部細節信息與紋理特征依然會缺失。因此，需要針對特定的地表覆蓋狀況，選取適當的融合算法與融合質量評價體系，以應對多源遙感數據上農作物種植分布呈現出復雜的時空異質性和尺度敏感性等特征。

　　2.2以提高時間分辨率為目標的多源數據融合技術

　　農作物具有明顯的生長過程和季相變化特征[42]，利用這一特征，基于長時間序列的遙感數據，可以有效地進行農作物遙感識別與分類。因此，以提高“時間分辨率”為目標的多源數據融合在農作物遙感識別中日益得到應用，其通常按照時相順序對可獲取的不同空間和不同時間分辨率的多源遙感數據進行復合，擴展對地重復觀測的頻率，達到提高“時間分辨率”目的，有助于捕獲農作物光譜可分的最佳時相，提高完整刻畫農作物生長發育動態變化過程的能力。針對多期同源傳感器數據進行時間插補，可以提高農作物觀測的頻率。

　　顧曉鶴等[43]針對省域尺度農作物識別中TM影像時相不一致和覆蓋能力不足的問題，在長時間序列MODIS全覆蓋影像的支持下，構建玉米生長過程的時序插補模型，將6景不同物候期的TM影像插補為玉米乳熟期的同期數據集，提高了中空間分辨率遙感數據的采集頻率;鄔明權等[44]基于時空融合技術，結合早期LandsatTM影像的紋理信息，以Landsat紅波段和近紅外波段為融合波段，從時序MODIS數據中提取水稻像元反射率時間變化特征，插補出既具備中分辨率影像高空間分辨率特征，又具備低空間分辨率高時間分辨率特征的水稻關鍵生育期數據，與真實影像的相關系數達到0.8以上，可以實現較高精度的水稻填圖。

　　與傳統的方法相比，時空融合技術是針對獲取的前后兩期中分辨率影像，從低分辨率時序影像中提取對應像元反射率的時間變化特征，從而獲得時間段內任意一時間節點的中分辨率影像，提高“時間分辨率”。Singh[45-46]、Watts[47]、Wu[48]等均在不同的區域和尺度基于Landsat-MODIS像對，采用時空融合方法對小麥、水稻等主要作物進行提取，有效解決利用中等分辨率數據進行農作物識別時的關鍵期數據缺失問題，其推廣應用效果較好。

　　此外，部分研究人員收集逐月內數據質量最好的歷史存檔衛星影像組建“光譜-時序”曲線，如Foerster等[49]在30m分辨率尺度上使用17年LandsatTM/ETM歷史存檔數據構建時序數據集，提取德國東北部12種主要作物NDVI時序參考曲線，為分層分類提供物候特征的依據。

　　3多源遙感數據融合模式

　　不同遙感探測器具有獨特的成像機理和成像方式，每種遙感數據在農作物識別中具有各自的適用范圍和局限性，任何單一數據源都不能全面地反映農作物的時空特性[53]。如農作物在可見光-近紅外波段特征顯著，但光學遙感數據易受云雨天氣的影響，數據保障率低;與光學傳感器相比，微波遙感能全天時、全天候實時觀測，并且其空間分辨率不受觀測距離的限制，但雷達圖像相干斑噪聲影響存在，農作物識別精度有限[54]。

　　而農作物遙感識別主要基于不同類型農作物在遙感數據上呈現的光譜、時間和空間特征差異實現信息挖掘[55-56]。因此，“用什么”數據源融合以實現衛星資源優勢互補成為農業遙感應用中的研究熱點。總的來說，根據數據類型可以將多源遙感數據融合模式分為光學數據的融合、光學數據與微波數據的融合以及遙感與非遙感數據的融合。

　　4存在問題與展望

　　近年來，服務于農作物遙感識別的多源遙感數據融合研究取得了長足進展，極大推動了農業遙感的發展。但是，現有的研究還存在一些不足，成為將來重點的發展方向。一是如何完善不同傳感器之間的協同，實現現有衛星資源有效利用是多源遙感數據融合研究面臨的基礎問題。研究發現，單一遙感數據難以同時兼顧高光譜、高空間和高時間分辨率的特性，多源遙感數據融合和協同一定程度上排除“同物異譜，同譜異物”現在的有效途徑。

　　然而，不同傳感器數據協同涉及多源信息數據處理、圖像理解等多學科知識，是一個理論性與實用性兼具的研究領域，面臨著很多挑戰。一方面，具有不同的光譜分辨率、空間分辨率、時間分辨率、極化方式與方向的多源遙感數據，其傳感器太陽光照角度、觀測視角以及云的條件隨時間而異，探測波段和光譜響應函數存在顯著差異，因此，多源數據融合需要消除異源反射率間系統性誤差及抑制農作物的雙向反射率信息中噪聲的數據處理過程，以復原農作物光譜及植被指數真實的動態響應。

　　甚至未來新型傳感器的設計與開發需要考慮與現有衛星資源產品的兼容性。另一方面，多源遙感數據尺度轉換技術和標準化技術研究需要加強，因為農作物遙感識別研究不能獨立于時間尺度和空間尺度上發展，而需要結合多源遙感數據各異的特點，通過時空優化技術方法形成一套綜合性的、面向業務化運行的多源數據集。

　　二是怎樣更深層次地挖掘多源遙感信息，產出綜合性的協同效應是需要解決的關鍵問題。無論是以提高空間分辨率為目標的多源遙感數據融合，還是以提高時間分辨率為目標的多源遙感數據融合，前人對農作物的時相特征和空間特征的融合開展了深入研究，為更全面的農作物遙感識別提供依據。

　　然而，受信息挖掘方法和技術局限，多源遙感數據的不同探測波段刻畫出的農作物波譜響應特性，用于描述農作物類型類內和類間的一致性和差異性深層次信息挖掘不充分。此外，不同信息源挖掘的分類特征難以服從統一的概率分布模型是多源數據融合模式共性問題�；�于此，優化分類策略是使多源數據產生綜合性協同效應的有效途徑，可以采用多層次控制的多分類器融合法，也可以嘗試改進和發展以自動、定量為特點的分類模型，最大限度集中單一遙感信息源的優勢，提高識別方法的普適性與可操作性，將多源信息更加緊密協同，有效地提升農作物類型的分類精度。

　　三是在平衡識別準確性、時效性和可操作性的基礎上，多尺度長時間序列的農作物空間分布數據集是多源遙感數據融合技術應用的重要趨勢。多源數據融合在一定程度上增強了農作物在物候特征或數學特征上的差異信息，有助于排除短時間段內不同農作物類型生育期交叉的影響，為實現不同國家全覆蓋、不同區域多尺度監測及糧食安全高風險區域和國家農作物生產力布局分析提供途徑。

　　目前，基于多源數據融合的全球尺度土地覆蓋數據集的空間分辨率普遍偏低，且農用地空間分布識別能力有限，通常融合技術的復雜性和識別的精度性方面缺乏科學評價。需要強調的是，針對面向對象的識別研究在精度評價時需引入了基于地塊精度評價體系。此外，采用空間采樣與面積統計誤差雙重精度評價標準，對農作物類型識別及面積提取的精度評價更加全面、客觀。還有研究隨機選出一定數量的樣本圖斑，采用分層隨機采樣的方式開展精度評價。

　　隨著遙感識別作物類型更精細化、種植結構更復雜及時空動態監測發展，中高分辨率農作物分布數據集為滿足農業遙感多方面、多層次的應用需求提供可能，但科學合理的農作物識別精度驗證也是技術難題。在此，需要強調的是根據研究對象、區域范圍、研究目標選擇數據和方法，廣義的融合技術包括融合策略和數據融合方法，因此，有必要考慮識別結果的時效性和可信度[83]。

　　References

　　[1]唐華俊,吳文斌,楊鵬,周清波,陳仲新.農作物空間格局遙感監測研究進展.中國農業科學.2010,43(14):2879-2888.TangHJ,WuWB,YangP,ZhouQB,ChenZX.Recentprogressesinmonitoringcropspatialpatternsbyusingremotesensingtechnologies.ScientiaAgriculturaSinica,2010,43(14):2879-2888.(inChinese)

　　[2]OzdoganM.ThespatialdistributionofcroptypesfromMODISdata:temporalunmixingusingindependentcomponentanalysis.RemoteSensingofEnvironment,2010,114(6):1190-1204.

　　[3]陳水森,柳欽火,陳良富,李靜,劉強.糧食作物播種面積遙感監測研究進展.農業工程學報.2005,21(6):166-171.

　　農業方向刊物推薦：農業機械學報(月刊)創刊于1957年，是由中國科協主管、中國農業機械學會和中國農業機械化科學研究院主辦的唯一綜合性學術期刊, 農業工程類中文核心期刊，美國工程信息公司(EI)和美國化學文摘社(CA)收錄期刊。