遙感數據時空融合研究進展及展望

董文全， 蒙繼華

(1.中國科學院遙感與數字地球研究所數字地球重點實驗室，北京 100101；2.中國科學院大學，北京 100049)

0 引言

近年來，遙感技術以其探測周期短、覆蓋范圍大、現勢性強、費用成本低等特點逐漸成為了區域性時序數據的主要獲取方法之一[1]，被廣泛應用于農情監測、大氣與水文研究等多個領域。隨著遙感技術的應用發展，這些領域也對遙感技術提出了更高的要求,大范圍、高精度、快速變化的地表信息遙感監測研究需要同時具有高空間分辨率和高時間分辨率特征的遙感數據。然而，由于光學衛星遙感數據在空間分辨率和時間分辨率上存在著相互制約的問題，目前獲得同時滿足高空間分辨率和高時間分辨率特征的衛星遙感數據是不現實的[2-3]，單一傳感器獲得的衛星遙感數據在很多情況下不能滿足研究的需求。

高時空分辨率遙感數據在監測土地變化、作物生長及物候參數反演等方面具有重要的作用[4]，遙感數據的時空精細度成為了制約其在各領域應用的重要因素。高空間分辨率的遙感數據可以得到豐富的地表細節信息，但是其重訪周期長，再加上地面氣象因素(云、雨和雪等)對傳感器成像的影響，造成了單個傳感器有效數據重訪周期的延長，使得監測具有很大程度上的“時空數據缺失”[5]，即缺少同一區域范圍內時間尺度上的連續監測數據或缺少同一時間上的空間連續監測數據，導致監測研究中基礎觀測數據出現“空窗”，在研究的關鍵期不能滿足連續動態跟蹤監測的要求； 且部分高空間分辨率數據較為昂貴，不適合大量推廣使用。高時間分辨率的遙感數據具有較短的重訪周期，但是其空間分辨率較低，一個像元范圍內可能會包括幾種不同的土地覆蓋類型，限制了其在景觀破碎和異質性較強區域的應用[6]。研究人員不得不在時間分辨率與空間分辨率之間進行取舍[7]。

為滿足地表信息遙感動態監測同時對具有高空間分辨率和高時間分辨率特征遙感數據的需求，一些學者提出了一種能夠綜合高空間分辨率遙感數據的空間分辨率特征和高時間分辨率遙感數據的時間分辨率特征的技術，即遙感數據時空融合技術[8]。雖然近年來有關遙感數據時空融合模型的研究日益增多，但目前鮮有文獻對已有的研究進行系統的梳理和歸納。本文對當前主流的時空融合模型進行匯總和分類，對各自模型的優缺點進行對比分析，并對衛星遙感數據時空融合模型的發展趨勢進行了展望。

1 時空融合模型

遙感影像融合通常指采用特定的算法將2幅或多幅圖像合成為一幅新的圖像，是在光譜域和空間域進行的融合。用于融合高空間分辨率的影像(一般為全色影像)和較低空間分辨率多光譜影像，得到高空間分辨率多光譜影像。而遙感影像時空融合是在時間域和空間域進行的，利用高空間分辨率數據得到空間細節信息，利用高時間分辨率數據描述空間信息隨時間的變化，通過對高空間低時間分辨率影像和高時間低空間分辨率數據有效處理來“預測”目標日期的高空間分辨率影像，即生成同時具有高空間分辨率與高時間分辨率特征的影像。

近年來，針對遙感數據時空融合方法，國內外學者進行了大量研究(表1)。根據算法原理的不同，遙感數據時空融合方法可以分為2類，即基于變換的模型和基于像元重構的模型。

表1 時空融合模型匯總Tab.1 Summary of spatiotemporal fusion models

1.1 基于變換的模型

此類模型主要是基于小波變換的方法，也有部分研究是基于主成分分析的方法。如Shevyrnogov等[12]使用主成分分析的方法得到MSS數據的第一主成分分量，進而提取出亮度分量，通過融合MSS亮度分量數據和NOAA NDVI數據得到了高時空分辨率的NDVI數據。

小波變換是對影像進行小波分解，然后對小波分解后的各層進行融合處理，再通過小波變換來實現影像的融合[11]。20世紀90年代以來，小波變換作為一種影像融合方法用于光譜-空間融合[22-23]，并取得了較好的成果，后來被引入到影像時空融合領域。

雖然基于變換的時空融合方法取得了一些研究成果，但應用并不廣泛。這是因為基于變換的時空融合方法精度并不是十分理想，而且該方法也不能很好地解決混合像元問題，融合數據“圖斑”現象較為明顯。但是基于變換的時空融合模型能夠較好地保留光譜細節信息，這使該方法仍然有其用武之地。

1.2 基于像元重構的模型

國內外大部分遙感數據時空融合模型是基于像元分解重構技術的，其基本思想是通過一定的規則選擇目標像元周邊的像元參與目標像元的重構。像元分解重構技術是一種尺度下降技術，一般是基于線性混合模型的。根據像元分解重構技術，低空間分辨率影像的像元在某一光譜波段的反射率可以由其對應空間范圍內高空間分辨率影像的像元反射率線性加權得到。

基于像元分解重構的時空融合模型中，有一部分研究是直接基于線性混合模型的像元分解技術，這類算法起源較早，原理簡單、計算簡便，但易出現異常值。Gao等[17]提出了一種時空自適應性反射率融合模型(spatial and temporal adaptive reflectance fusion model，STARFM)，該模型可以從低空間分辨率影像直接解算出高空間分辨率影像，后續學者在其基礎上對STARFM模型進行了大量的改進研究。

1.2.1 基于線性混合模型

當假設高空間分辨率數據整景影像中同一種地物類型的像元反射率相同時，低空間分辨率影像中像元反射率可以看作各組分類別平均反射率的線性組合。運用最小二乘法可以直接從低空間分辨率影像的像元反射率解算出高空間分辨率影像的像元反射率[26-31]。該算法公式表示為

(1)

(2)

式中：Riλ為遙感影像上像元i在λ波段的反射率值；n為i像元中的地物類型種類數；rkλ為組分k在λ波段的反射率值；fki為組分k在像元i中所占的百分比，0≤fki≤1；εiλ為誤差。

Hansen等[13]和Potapov等[30]利用線性回歸的方法進行時空融合，假設高空間分辨率影像和低空間分辨率影像隨時間變化規律一致，并且2類影像從時間t1到t2的反射率變化是線性的，通過統計各個地物類別在原高空間分辨率與低空間分辨率數據中反射率均值計算尺度轉換系數，與MODIS數據差值共同計算時間變化信息[32]。這種算法原理簡單、計算便捷，生產融合數據時比其余融合算法所需時間短，且不需要高、低空間分辨率數據具有相同的波段，適用于大范圍、長時間序列的大數據研究及快速動態監測研究。然而，該算法獲得的類別反射率是局部區域的平均反射率，不能很好地體現地物光譜的空間差異性，而且會出現“圖斑”現象，因此僅適用于地物單一且反射率呈線性變換的區域。

Zhukov等[14]基于像元反射率在鄰近像元間不會劇烈變化的假設，提出了考慮像元反射率空間可變性的時空融合方法，該方法引入窗口技術，即只考慮目標像元周邊像元的相關性，從而避免了整景影像中同類地物反射率相同的假設。但是該方法的前提仍然是假設目標像元與窗口內同類地物像元的反射率值一樣，沒有從根本上解決光譜在空間上變化的問題。Maselli[15]在此基礎上提出了距離權重的概念，即認為距離目標像元越近，對目標像元的影響越大。但是，有時類內像元間反射率的差異也是十分明顯的，導致鄰近像元間的反射率也會明顯變化。因此，Busetto等[16]在上述研究基礎上進行了改進，在子集的選擇上，不僅考慮與目標像元間的距離，還考慮了與目標像元間的光譜差異。該模型確定權重的基本思想是由于像元反射率的空間異質性不僅隨距離的增加而增加，而且在像元反射率的光譜上也存在明顯差異，因此通過距離權重和光譜相似性來確定每個參與線性混合模型解算的MODIS像元的權重。Zurita-Milla等[33]在Zhukov[14]等研究的基礎上，使用一種高空間分辨率土地覆蓋數據，對低空間分辨率影像序列進行降采樣構建高空間分辨率影像，從而實現了時間序列低空間分辨率數據降尺度，即得到了同時具有高時間分辨率和高空間分辨率特征的數據。

鄔明權等[34]基于類別反射率的時間變化特征與類內像元反射率的時間變化特征一致的假設，提出了一種利用預測日期前、后2期高空間分辨率影像和時序的低空間分辨率影像獲得時序高空間分辨率影像的遙感數據時空融合方法(spatial and temporal data fusion approach，STDFA)。該方法從時序低空間分辨率影像中提取地物的時間變化信息，對2期高空間分辨率影像做差值和密度分割獲得分類影像，從而獲得類別平均反射率進行影像融合。在此基礎上綜合考慮像元反射率的空間可變性和時間變化規律，對該方法進行了改良[35]，并且應用改良的STDFA模型得到的時空融合影像進行了我國南方水稻種植面積的提取[36]，驗證了該方法在解決遙感數據缺失問題上，以及高時空分辨率地物類型提取上的可行性與優勢。謝登峰等[37]利用STDFA模型融合MODIS和OLI數據，以融合數據構建15種30 m空間分辨率的分類數據集，然后進行秋糧作物識別，水稻和玉米的總體識別精度達到了86.9%； Zhang等[4]也對STDFA方法進行了分類方法、滑動窗口和時間權重3個方面的改進，提出了改進的時空數據融合模型。

基于線性混合模型的時空融合模型在理論上能夠很好地解釋高、低空間分辨率影像像元之間的關系，能夠較好地用于中低空間分辨率數據光譜特征的降尺度[38]，且此類方法大多計算簡便，適用于中大尺度、長時間序列的大數據研究及快速動態監測研究。但是此類時空融合模型早期算法是在高空間分辨率數據整景影像中同一種地物類型的像元反射率相同的假設上建立的，因此在異質性強的區域適用性較差。雖然后續研究逐步引入了窗口技術、距離權重和光譜差異等概念，提高了此類模型在異質性較強區域的適用性，但這仍然是制約其應用的一個因素。此外，此類模型解算2種不同空間分辨率影像像元之間關系時存在殘差項，因此融合結果容易出現異常值。

1.2.2 時空自適應反射率融合模型

為提高時空融合精度，同時避免線性光譜模型解算時異常值的出現，Gao等[17]提出了STARFM，用于融合Landsat和MODIS影像來獲得兼具Landsat的空間分辨率特征和MODIS的時間分辨率特征的反射率數據，并利用獲得的數據與真實數據進行了初步的應用測評。該模型是在2個假設的前提下提出的：①當低空間分辨率影像的像元值沒有發生變化時，高空間分辨率影像的像元值也不發生變化； ②在預測時間窗口內，如果t0時刻的低空間分辨率影像像元值與高空間分辨率影像的像元值相等，那么在tk時刻它們的值仍相等。雖然該模型是在線性混合模型的基礎上發展的，但是該模型直接從低空間分辨率影像解算出高空間分辨率影像，而且綜合考慮了空間距離、光譜距離及時間距離。

其算法思想為，在忽略幾何誤差和大氣校正誤差的情況下，高空間分辨率像元反射率和低空間分辨率像元反射率關系為

H(xi,yj,tk)=C(xi,yj,tk)+εk，

(3)

式中：H(xi,yj,tk)和C(xi,yj,tk)分別為給定位置(xi,yj)處的高空間分辨率和低空間分辨率影像在tk時刻的反射率值；εk為兩者反射率差異。

假設地表覆蓋類型和系統誤差在tk和t0時刻之間沒發生變化，則εk=ε0，從而

H(xi,yj,t0)=C(xi,yj,t0)+H(xi,yj,tk)-C(xi,yj,tk) 。

(4)

引入鄰近像元信息構建權重函數，即

(5)

(6)

式中： (xw/2,yw/2)為中心像元；w為移動窗口的尺寸；n為不同時刻；W為權重矩陣；Sijk為高、低空間分辨率數據間的光譜距離；Tijk為高、低空間分辨率間的時間距離；Dijk為目標像元和中心像元間的空間距離。

盡管STARFM在遙感數據時空融合方面取得了較好的效果，但是其仍然存在幾點局限性，很多學者針對其局限性進行了改進。

1)如果地表反射率的變化比較短暫且沒有被任何一期Landsat影像所記錄，那么STARFM也無法準確預測出該時段的反射率值。針對這一問題，Hilker等[18]提出了一種針對反射率變化的時空自適應融合模型(spatial temporal adaptive algorithm for mapping reflectance change，STAARCH)。該模型首先利用干擾因子來確定Landsat影像是否存在像元出現反射率短暫改變的情況，若發生該情況則使用時序MODIS數據和Landsat影像來確定發生變化的具體時相； 然后選擇最佳時相的影像來進行時空融合，從而提高融合精度。STAARCH在確定像元反射率突變的時相時，需借助時序低空間分辨率數據及多期高空間分辨率數據，這在一定程度上限制了其應用范圍。

2)為提高異質性較強區域的時空融合精度，Zhu等[19]提出了一種改進型時空自適應融合模型(enhanced spatial and temporal adaptive reflectance fusion model，ESTARFM)，考慮了反射率的時間變化趨勢，可以更好地預測反射率的變化。該方法使用搜索窗口在中心像元局部尋找相似像元，根據空間和光譜相似性來估計中心像元，通過權重來分配相似像元對中心像元的貢獻率，而不依賴于對應像元，對不同地表具有更好的適應性。Fu等[39]在ESTARFM的基礎上改進了搜索光譜相似性像元的算法，綜合考慮了標準差和窗口內土地覆蓋類型的數目，提高了ESTARFM模型的精度。然而，ESTARFM模型假設像元反射率隨時間變化穩定且隨時間的變化是線性的，此假設在估算長時間序列數據時會產生較大誤差，這在一定程度上限制了其在反射率變化非線性的植被地區的應用。

3)STARFM沒有明確處理方向對地物反射率的影響，Roy等[40]提出了一種半物理模型，該算法在假設MODIS影像和ETM+影像反射率隨時間的變化規律一致的前提下，利用MODIS的雙向反射分布函數(bidirectional reflectance distribution function,BRDF)產品來模擬其二向反射率，有效地削弱了衛星觀測角度和太陽高度角的影響。Wang等[41]提出利用MODIS BRDF產品來削弱衛星觀測角度的影響，并且在窗口內搜索相關性最大的像元來減弱MODIS和TM空間配準引入的誤差。該類模型對近紅外波段的預測精度最高，因而能夠提供更準確的植被變化信息。但是，該模型需要較為精確的MODIS分類數據以及與之相應的BRDF模型參數，且算法較為復雜，在一定程度上限制了該模型的進一步推廣應用。為了簡化半物理融合模型冗繁的數據預處理流程并使其適用于更多的應用需求，李大成等[42]提出了一種在半物理融合模型基礎上拓展的乘性調制融合機制。該模型借助鄰近像元光譜信息對局部色調進行平衡處理，有效地消除半物理融合模型在預測結果圖像中的塊狀效應，但這種拓展的半物理模型在預測精度以及模型的推廣上還有待進一步的應用驗證。

4)STARFM是針對地物反射率數據提出的，將其應用到其他數據還需要驗證和改進。針對這一問題，蒙繼華等[20-21]在STARFM的基礎上發展了一套不同時空分辨率NDVI數據的時空融合模型(spatial and temporal adaptive vegetation index fusion model,STAVFM)，直接將算法用于植被指數提取，更好地利用植被的時間變化特征，提高了模型效率和精度，并且根據指標的變化特點，對時間維權重進行了改進； Walker等[43]利用STARFM模型，使用生長季內TM和MODIS數據生成長時間序列高時間分辨率的TM模擬數據； Liu等[44]利用STARFM模型融合ASTER和MODIS數據，得到了模擬的高時間分辨率ASTER數據，并用其提取城市中的環境變量(NDVI和地表溫度等)及定量評估西尼羅河流域病毒傳播特點； Singh[45-46]基于STARFM模型對ETM+數據進行預測，利用時空融合預測的ETM+數據計算NDVI，在印度密魯特北方邦的8 a(2002—2009年)NDVI計算中取得了較好的結果，8 a間的時空融合數據顯示STARFM模型對于突然變化的NDVI值不敏感; 尹曉利等[47]利用STARFM融合MODIS和TM數據，然后將融合數據引入到草地的生物量估算模型中，并對比分析了融合反射率和融合NDVI作為輸入數據的估算精度，發現直接融合NDVI數據能夠獲得更高的生物量估算精度。

5)Yang等[48]對STARFM模型進行了改進，利用乘法函數代替原模型中的加法函數，另外利用光譜反射率決定權重函數，改進的模型在德克薩斯州西南部的實驗區取得了較好的結果; 康峻等[49]在STARFM模型的基礎上，對基礎高空間分辨率的OLI影像的反射率進行局部空間自相關分析，提取其局部空間自相關指數，作為目標像元與其鄰近像元的光譜相似性衡量指標，用以改進STARFM模型對光譜相似性衡量僅考慮周圍像元與目標像元反射率的差值問題； Shen等[50]在STARFM的基礎上考慮傳感器之間的觀測差異，由此得到了時空分辨率較高的融合數據。

時空自適應反射率融合模型在預測過程中使用滑動窗口的方法來減少低空間分辨率遙感數據像元邊界的影響，計算滑動窗口中心像元時綜合考慮了空間權重、光譜權重和距離權重，在時空融合領域取得了較好的成果，同時，國內外學者也針對其局限性進行了大量的改進研究。目前，時空自適應模型及其改進模型被廣大學者所使用，但是，針對其局限性的改進算法仍然需要后續學者繼續探索。基于像元重構的時空融合模型應用較為廣泛，國內外學者針對其存在的問題不斷改進，使此方法逐步成熟，是當前時空融合領域的主流模型，其融合結果在植被物候提取、作物分類和溫度反演等方面得到了廣泛應用[51-58]。然而，該類模型也有其限制性，例如需要高空間分辨率的地物覆蓋數據作為輔助數據，并且假設土地覆蓋類型不隨時間發生變化，這在有些情況下會限制其應用。

而土地覆蓋類型在很多情況下是隨著時間變化的，為了解決這個問題，Wu等[59]提出了一種集合影像修復和控制核回歸的時空融合模型(integrating image inpainting and steering kernel regression fusion model，ISKRFM)，首先監測出土地覆蓋類型發生變化的區域，然后通過影像修復的方法利用相似像元代替變化的像元； Zhu等[60]提出了一種靈活的時空融合模型(flexible spatiotemporal data fusion,FSDAF),利用薄板樣條函數預測目標日期的高空間分辨率數據，該方法能夠有效預測土地覆蓋類型的變化，并且能夠適用于異質性較強的區域。

其他領域技術的進步有時也促進著時空融合技術的進步。隨著近些年深度學習算法的發展，基于稀疏表示的時空融合算法引起了國內外學者的廣泛關注[61-63]。首先通過高、低空間分辨率影像構建完備字典，然后利用完備字典預測目標日期的高空間分辨率影像。該類方法能夠較好地預測地物類型的變化，但作為一種新興的方法，訓練樣本的選擇及完備字典的構建都需要更多的研究來改進。

2 時空融合模型研究展望

時空融合模型雖然得到了國內外學者的廣泛關注和研究，但是目前，不管是基于變換的，還是基于像元重構的融合模型，都還存在著較大的提升空間，有待國內外學者進一步研究。本文在分析了現有時空融合模型的基礎上，對衛星遙感數據時空融合模型分別從數據、應用和尺度3個方面進行展望。

2.1 數據展望

目前的時空融合算法大多是針對2種數據源的遙感數據進行融合，沒有充分利用現有多源數據的優勢，很多情況下2種數據時空融合得到的數據精細度仍無法滿足各領域的應用需求。這就需要一種多源數據時空融合算法，綜合利用多種遙感數據的優勢，利用多種中高空間分辨率衛星數據在時間上的互補特性，使得更多數據源的中高空間分辨率數據參與到目標日期高空間分辨率數據的預測中，從而提升預測數據的質量。隨著越來越多的衛星升空，衛星遙感數據量呈指數形式增加，迫切需要發展多源數據時空融合算法，利用多源遙感數據的優勢提升時空融合模型的適用性和預測數據的質量。

然而，由于多源數據時空融合算法需要利用多種高空間分辨率遙感數據，這些遙感數據來自不同的平臺和傳感器，不可避免地具有各自衛星和傳感器的特點，產生了較大的不一致性。Teillet等[64]基于ETM+傳感器，在相同條件下模擬計算了20個傳感器，并且分析了光譜響應差異對傳感器測量結果的影響，發現不同傳感器間光譜響應差異導致的測量結果有明顯的區別。這種區別給相關研究帶來了一定的困難，為了綜合利用多種數據的優勢和特性，需要解決來自于不同傳感器數據的一致性問題。因此，利用多源遙感數據進行時空融合，需要把多種高空間分辨率數據進行光譜歸一化，使其具有相同的輻射尺度，在此基礎上進行時空融合(圖1)。光譜歸一化技術旨在針對多源遙感數據集光譜響應特征的不同，進行相互之間的輻射或反射率轉化技術[65]，以提高多源遙感數據的可用性。

圖1 多源遙感數據時空融合

光譜歸一化方法可分為絕對光譜歸一化和相對光譜歸一化。絕對光譜歸一化是將每幅影像的灰度值都轉換成反射率或者輻射亮度來完成的。通常，絕對光譜歸一化包含2個步驟[66]： ①將傳感器測量的灰度值轉換成衛星傳感器測量的光譜輻射值； ②將傳感器測得的輻射值轉換成反射率。絕對光譜歸一化方法精度較高，但在應用過程中需要收集大量的實時參數，存在一定的難度[67]。相對光譜歸一化是先選定一種遙感數據作為參考數據，再將其他數據影像的灰度值逐波段地歸一化到參考數據，使多源遙感數據具有相同的輻射尺度，使得不同數據影像中的同一地物具有相似的灰度值。Hong等[68]的研究發現，在對不同傳感器的多時相高空間分辨率影像進行相對光譜歸一化時，基于分布的相對光譜歸一化方法(如直方圖匹配法)要優于基于像元對的相對歸一化方法。

2.2 應用展望

時空融合方法可以用來生產長時間序列反射率數據集。長時間序列反射率數據集具有廣泛的應用空間，如全球或區域地表覆蓋變化檢測、環境變化、植被動態變化、土地覆蓋變化和植物生物物理參數反演等[69]。構建NDVI數據集也是時空融合應用的一個重要領域，目前比較常用的時間序列NDVI數據大多是在MODIS，VIIRS和AVHRR等高時間分辨率數據基礎上構建的[70-71]，而以TM和SPOT等中高空間分辨率數據構建的時間序列數據集較少。這是因為受云、氣溶膠、太陽高度角和地物二向反射等因素的影響，中高空間分辨率數據構建NDVI數據集時容易出現異常值，而其較低的時間分辨率使得沒有鄰近日期的數據對異常值進行修正。隨著研究的逐步深入，越來越需要構建一種中高空間分辨率的時間序列NDVI數據集，而時空融合技術生產的高時空分辨率數據恰好可以滿足構建此類數據集的要求。利用時空融合技術構建高空間分辨率時間序列數據集將為時空融合技術提供更廣闊的應用空間。特別是當多源數據時空融合算法投入應用時，綜合利用多種中高空間分辨率數據構建具有統一標準的長時間序列NDVI數據集，將彌補TM，MSS，ETM+和OLI等中高空間分辨率數據只存在一段時期的劣勢。構建時間維度上更廣泛的高空間分辨率時間序列數據集，對于地表覆蓋時間域上的研究具有重要意義。

2.3 尺度展望

MODIS數據是較為常用的高時間分辨率數據，在地表監測研究中具有優勢[72-73]，但其空間分辨率較低，不適合小尺度的應用。TM數據是常用的中高空間分辨率數據，在各領域應用廣泛[74-78]，但該數據時間分辨率較低，易受云雨天氣的影響，不利于長時間序列動態跟蹤監測。傳統的時空融合算法大多是在低空間分辨率數據和中高空間分辨率數據之間開展的(如MODIS數據和TM數據)，利用MODIS數據的時間特性和TM數據的空間特性融合得到高時空分辨率數據。隨著遙感技術的發展，越來越多的高空間分辨率衛星投入了應用，如中國的“高分”系列，俄羅斯的“Resurs”系列，法國的SPOT-6，美國的“QuickBird”和“GeoEye”等，這些衛星都可以提供m級甚至亞m級數據。然而空間分辨率直接與幅寬相關，一般情況下空間分辨率越高，影像幅寬越小，重訪周期越長，例如高分一號PMS數據的重訪周期(不測擺)為41 d，現實的天氣狀況還會延長有效數據的獲取周期，無法滿足動態監測的需求。由于m級、亞m級高空間分辨率數據和高時間分辨率數據空間尺度差異較大，傳統時空融合模型在空間尺度相差較大時的適用性還有待研究，而目前針對高空間分辨率數據的時空融合研究較少，這在一定程度上限制了m級、亞m級高空間分辨率數據的應用。隨著m級、亞m級高空間分辨率數據逐漸成為主流的遙感數據，針對高空間分辨率數據的時空融合研究急需開展。

3 結論

在當前單一傳感器數據不能滿足各領域動態監測對于高時空分辨率遙感數據需求的情況下，如何融合遙感數據綜合利用多源數據的特性和優勢，具有重要的理論意義和應用價值。本文將當前主流的遙感數據時空融合模型劃分為基于變換的模型和基于像元重構的模型2類，其中，把基于像元重構的模型又分為線性混合模型和時空自適應模型，并概要分析了各自的優缺點。基于變換的方法早期用于光譜-空間融合，并且在融合光譜特征和空間特征上取得了較好的成果，引入時空融合領域后雖然使融合數據能夠較好地保留光譜細節信息，但是其融合空間特征和時間特征的精度并不是十分理想，而且不能很好地解決混合像元問題，應用并不是十分廣泛； 直接基于線性混合模型的方法原理簡單，計算快捷，適合用于中、大尺度和長時間序列的大數據研究及快速動態監測研究，但是其在異質性較強的研究區域適用性較差，且融合結果容易出現異常值，這在一定程度上限制了其應用； 時空自適應融合模型綜合考慮了空間距離、光譜距離及時間距離計算權重，國內外學者針對其局限性進行了大量研究，逐步改善其在各種情況下的適用性，使此類模型成為了目前使用最為廣泛的模型之一。

本文在對時空融合模型歸納、總結的基礎上，進行了3個方面的展望。①數據展望： 目前的時空融合算法大都是針對2種數據源的遙感數據進行融合，沒有充分利用現有多源數據的優勢，需要發展多源數據時空融合算法，綜合利用多源遙感數據的特性，使更多數據源的中高空間分辨率數據作為原始數據參與到時空融合中，從而提高預測數據的質量； ②應用展望： 利用時空融合技術特別是多源數據時空融合技術構建具有統一標準的高空間分辨率時間序列數據集，對于高精度長時間序列地表覆蓋研究具有重要意義； ③尺度展望： 隨著遙感技術的發展，越來越多的m級、亞m級衛星數據投入應用，此類數據具有高空間分辨率低時間分辨率的特點，針對此類數據的時空融合算法有待開展。

綜上所述，時空自適應融合模型及其改進模型是當前應用最為廣泛的時空融合模型，但是不同的模型具有不同的優缺點，各自側重領域不同，都有其繼續研究、發展的價值。總體上說，時空融合模型能夠較好地處理當前光學遙感數據空間分辨率和時間分辨率上相互制約的問題，其發展及應用前景十分廣闊。

參考文獻(References)：

[1] 蒙繼華,吳炳方,李強子,等.農田農情參數遙感監測進展及應用展望[J].遙感信息,2010(3):122-128.

Meng J H,Wu B F,Li Q Z,et al.Research advances and outlook of crop monitoring with remote sensing at field level[J].Remote Sensing Information,2010(3):122-128.

[2] Emelyanova I V,McVicar T R,Niel T G V,et al.Assessing the accuracy of blending Landsat-MODIS surface reflectances in two landscapes with contrasting spatial and temporal dynamics:A framework for algorithm selection[J].Remote Sensing of Environment,2013,133:193-209.

[3] Price J C.How unique are spectral signatures?[J].Remote Sensing of Environment,1994,49(3):181-186.

[4] Zhang W,Li A N,Jin H A,et al.An enhanced spatial and temporal data fusion model for fusing Landsat and MODIS surface reflectance to generate high temporal Landsat-like data[J].Remote Sensing,2013,5(10):5346-5368.

[5] 李 新,黃春林,車 濤,等.中國陸面數據同化系統研究的進展與前瞻[J].自然科學進展,2007,17(2):163-173.

Li X,Huang C L,Che T,et al.Development of a Chinese land data assimilation system:Its progress and prospects[J].Progress in Natural Science,2007,17(2):163-173.

[6] Shabanov N V,Wang Y,Buermann W,et al.Effect of foliage spatial heterogeneity in the MODIS LAI and FPAR algorithm over broadleaf forests[J].Remote Sensing of Environment,2003,85(4):410-423.

[7] Hilker T,Wulder M A,Coops N C,et al.Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model[J].Remote Sensing of Environment,2009,113(9):1988-1999.

[8] Pohl C,Genderen J L V.Review article multisensor image fusion in remote sensing:Concepts,methods and applications[J].International Journal of Remote Sensing,1998,19(5):823-854.

[9] 顧曉鶴,韓立建,王紀華,等.中低分辨率小波融合的玉米種植面積遙感估算[J].農業工程學報,2012,28(3):203-209.

Gu X H,Han L J,Wang J H,et al.Estimation of maize planting area based on wavelet fusion of multi-resolution images[J].Transactions of the CSAE,2012,28(3):203-209.

[10] Acerbi-Junior F,Clevers J G P W,Schaepman M E.The assessment of multi-sensor image fusion using wavelet transforms for mapping the Brazilian Savanna[J].International Journal of Applied Earth Observation and Geoinformation,2006,8(4):278-288.

[11] Wu M Q,Wang C Y.Spatial and temporal fusion of remote sensing data using wavelet transform[C]//Proceedings of 2011 International Conference on Remote Sensing,Environment and Transportation Engineering (RSETE).Nanjing:IEEE,2011:1581-1584.

[12] Shevyrnogov A,Trefois P,Vysotskaya G.Multi-satellite data merge to combine NOAA AVHRR efficiency with Landsat-6 MSS spatial resolution to study vegetation dynamics[J].Advances in Space Research,2000,26(7):1131-1133.

[13] Hansen M C,Roy D P,Lindquist E,et al.A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin[J].Remote Sensing of Environment,2008,112(5):2495-2513.

[14] Zhukov B,Oertel D,Lanzl F,et al.Unmixing-based multisensor multiresolution image fusion[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(3):1212-1226.

[15] Maselli F.Definition of spatially variable spectral endmembers by locally calibrated multivariate regression analyses[J].Remote Sensing of Environment,2001,75(1):29-38.

[16] Busetto L,Meroni M,Colombo R.Combining medium and coarse spatial resolution satellite data to improve the estimation of sub-pixel NDVI time series[J].Remote Sensing of Environment,2008,112(1):118-131.

[17] Gao F,Masek J,Schwaller M,et al.On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(8):2207-2218.

[18] Hilker T,Wulder M A,Coops N C,et al.A new data fusion model for high spatial-and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J].Remote Sensing of Environment,2009,113(8):1613-1627.

[19] Zhu X L,Chen J,Gao F,et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote Sensing of Environment,2010,114(11):2610-2623.

[20] 蒙繼華,吳炳方,杜 鑫,等.高時空分辨率NDVI數據集構建方法[J].遙感學報,2011,15(1):44-59.

Meng J H,Wu B F,Du X,et al.Method to construct high spatial and temporal resolution NDVI dataset-STAVFM[J].Journal of Remote Sensing,2011,15(1):44-59.

[21] Meng J H,Du X,Wu B F.Generation of high spatial and temporal resolution NDVI and its application in crop biomass estimation[J].International Journal of Digital Earth,2013,6(3):203-218.

[22] Amolins K,Zhang Y,Dare P.Wavelet based image fusion techniques:An introduction,review and comparison[J].ISPRS Journal of Photogrammetry and Remote Sensing,2007,62(4):249-263.

[23] Thomas C,Ranchin T,Wald L,et al.Synthesis of multispectral images to high spatial resolution:A critical review of fusion methods based on remote sensing physics[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(5):1301-1312.

[25] 何 馨.基于多源數據融合的玉米種植面積遙感提取研究[D].南京:南京信息工程大學,2010.

He X.Study on Extraction of Maize Planting Area Based on Multi Source Remote Sensing Fusion Data[D].Nanjing: Nanjing University of Information Science and Technology,2010.

[26] Cherchali S,Amram O,Flouzat G.Retrieval of temporal profiles of reflectances from simulated and real NOAA-AVHRR data over heterogeneous landscapes[J].International Journal of Remote Sensing,2000,21(4):753-775.

[27] Haertel V F,Shimabukuro Y E.Spectral linear mixing model in low spatial resolution image data[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(11):2555-2562.

[28] Fortin J P,Bernier M,Lapointe S,et al.Estimation of Surface Variables at the Sub-Pixel Level for Use As Input to Climate and Hydrological Models[R].Québec:INRS-Eau,1998.

[29] Maselli F,Gilabert M A,Conese C.Integration of high and low resolution NDVI data for monitoring vegetation in Mediterranean environments[J].Remote Sensing of Environment,1998,63(3):208-218.

[30] Potapov P,Hansen M C,Stehman S V,et al.Combining MODIS and Landsat imagery to estimate and map boreal forest cover loss[J].Remote Sensing of Environment,2008,112(9):3708-3719.

[31] Huang B,Zhang H K.Spatio-temporal reflectance fusion via unmixing:Accounting for both phenological and land-cover changes[J].International Journal of Remote Sensing,2014,35(16):6213-6233.

[32] 石月嬋,楊貴軍,李鑫川,等.融合多源遙感數據生成高時空分辨率數據的方法對比[J].紅外與毫米波學報,2015,34(1):92-99.

Shi Y C,Yang G J,Li X C,et al.Intercomparison of the different fusion methods for generating high spatial-temporal resolution data[J].Journal of Infrared and Millimeter Waves,2015,34(1):92-99.

[33] Zurita-Milla R,Kaiser G,Clevers J G P W,et al.Downscaling time series of MERIS full resolution data to monitor vegetation seasonal dynamics[J].Remote Sensing of Environment,2009,113(9):1874-1885.

[34] 鄔明權,王 潔,牛 錚,等.融合MODIS與Landsat數據生成高時間分辨率Landsat數據[J].紅外與毫米波學報,2012,31(1):80-84.

Wu M Q,Wang J,Niu Z,et al.A model for spatial and temporal data fusion[J].Journal of Infrared and Millimeter Waves,2012,31(1):80-84.

[35] Wu M Q,Niu Z,Wang C Y,et al.Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temporal reflectance fusion model[J].Journal of Applied Remote Sensing,2012,6(1):063507.

[36] 鄔明權,牛 錚,王長耀.利用遙感數據時空融合技術提取水稻種植面積[J].農業工程學報,2010,26(2):48-52.

Wu M Q,Niu Z,Wang C Y.Mapping paddy fields by using spatial and temporal remote sensing data fusion technology[J].Transactions of the CSAE,2010,26(2):48-52.

[37] 謝登峰,張錦水,潘耀忠,等.Landsat8和MODIS融合構建高時空分辨率數據識別秋糧作物[J].遙感學報,2015,19(5):791-805.

Xie D F,Zhang J S,Pan Y Z,et al.Fusion of MODIS and Landsat8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution[J].Journal of Remote Sensing,2015,19(5):791-805.

[38] Gevaert C M,García-Haro F J.A comparison of STARFM and an unmixing-based algorithm for Landsat and MODIS data fusion[J].Remote Sensing of Environment,2015,156:34-44.

[39] Fu D J,Chen B Z,Wang J,et al.An improved image fusion approach based on enhanced spatial and temporal the adaptive reflectance fusion model[J].Remote Sensing,2013,5(12):6346-6360.

[40] Roy D P,Ju J C,Lewis P,et al.Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization,gap filling, and prediction of Landsat data[J].Remote Sensing of Environment,2008,112(6):3112-3130.

[41] Wang P J,Gao F,Masek J G.Operational data fusion framework for building frequent landsat-like imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(11):7353-7365.

[42] 李大成,唐 娉,胡昌苗,等.一種拓展的半物理時空融合算法及其初步應用[J].遙感學報,2014,18(2):307-319.

Li D C,Tang P,Hu C M,et al.Spatial-temporal fusion algorithm based on an extended semi-physical model and its preliminary application[J].Journal of Remote Sensing,2014,18(2):307-319.

[43] Walker J J,De Beurs K M,Wynne R H,et al.Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenology[J].Remote Sensing of Environment,2012,117:381-393.

[44] Liu H,Weng Q H.Enhancing temporal resolution of satellite imagery for public health studies:A case study of West Nile Virus outbreak in Los Angeles in 2007[J].Remote Sensing of Environment,2012,117:57-71.

[45] Singh D.Generation and evaluation of gross primary productivity using Landsat data through blending with MODIS data[J].International Journal of Applied Earth Observation and Geoinformation,2011,13(1):59-69.

[46] Singh D.Evaluation of long-term NDVI time series derived from Landsat data through blending with MODIS data[J].Atmósfera,2012,25(1):43-63.

[47] 尹曉利,張 麗,許君一,等.融合數據在草地生物量估算中的應用[J].國土資源遙感,2013,25(4):147-154.doi:10.6046/gtzyyg.2013.04.24.

Yin X L,Zhang L,Xu J Y,et al.Application of fused data to grassland biomass estimation[J].Remote Sensing for Land and Resources,2013,25(4):147-154.doi:10.6046/gtzyyg.2013.04.24.

[48] Yang D,Su H B,Yong Y,et al.MODIS-Landsat data fusion for estimating vegetation dynamics:A case study for two ranches in west texas[C]//1st International Electronic Conference on Remote Sensing.Online,2015:d016.

[49] 康 峻,王 力,牛 錚,等.基于局部空間自相關分析的時空數據融合[J].遙感技術與應用,2015,30(6):1176-1181.

Kang J,Wang L,Niu Z,et al.A spatial and temporal fusion model using local spatial association analysis method[J].Remote Sensing Technology and Application,2015,30(6):1176-1181.

[50] Shen H F,Wu P H,Liu Y L,et al.A spatial and temporal reflectance fusion model considering sensor observation differences[J].International Journal of Remote Sensing,2013,34(12):4367-4383.

[51] Weng Q H,Fu P,Gao F.Generating daily land surface temperature at Landsat resolution by fusing Landsat and MODIS data[J].Remote Sensing of Environment,2014,145:55-67.

[52] Wu M Q,Zhang X Y,Huang W J,et al.Reconstruction of daily 30 m data from HJ CCD,GF-1 WFV,landsat,and MODIS data for crop monitoring[J].Remote Sensing,2015,7(12):16293-16314.

[53] Michishita R,Chen L F,Chen J,et al.Spatiotemporal reflectance blending in a wetland environment[J].International Journal of Digital Earth,2015,8(5):364-382.

[54] Zhang F,Zhu X L,Liu D S.Blending MODIS and Landsat images for urban flood mapping[J].International Journal of Remote Sensing,2014,35(9):3237-3253.

[55] Walker J J,de Beurs K M,Wynne R H.Dryland vegetation phenology across an elevation gradient in Arizona,USA,investigated with fused MODIS and Landsat data[J].Remote Sensing of Environment,2014,144:85-97.

[56] Wu P H,Shen H F,Zhang L P,et al.Integrated fusion of multi-scale polar-orbiting and geostationary satellite observations for the mapping of high spatial and temporal resolution land surface temperature[J].Remote Sensing of Environment,2015,156:169-181.

[57] Zhang B H,Zhang L,Xie D,et al.Application of synthetic NDVI time series blended from Landsat and MODIS data for grassland biomass estimation[J].Remote Sensing,2015,8(1):10.

[58] Dong T F,Liu J G,Qian B D,et al.Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data[J].International Journal of Applied Earth Observation and Geoinformation,2016,49:63-74.

[59] Wu B,Huang B,Cao K,et al.Improving spatiotemporal reflectance fusion using image inpainting and steering kernel regression techniques[J].International Journal of Remote Sensing,2017,38(3):706-727.

[60] Zhu X L,Helmer E H,Gao F,et al.A flexible spatiotemporal method for fusing satellite images with different resolutions[J].Remote Sensing of Environment,2016,172:165-177.

[61] Yang J C,Wright J,Huang T S,et al.Image super-resolution via sparse representation[J].IEEE Transactions on Image Processing,2010,19(11):2861-2873.

[62] Huang B,Song H H.Spatiotemporal reflectance fusion via sparse representation[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(10):3707-3716.

[63] Song H H,Huang B.Spatiotemporal satellite image fusion through one-pair image learning[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(4):1883-1896.

[64] Teillet P M,Fedosejevs G,Thome K J,et al.Impacts of spectral band difference effects on radiometric cross-calibration between satellite sensors in the solar-reflective spectral domain[J].Remote Sensing of Environment,2007,110(3):393-409.

[65] 仲 波,柳欽火,單小軍,等.多源光學遙感數據歸一化處理技術與方法[M].北京:科學出版社,2015.

Zhong B,Liu Q H,Shan X J,et al.Normalization Processing Technology of Multi-Source Optical Remote Sensing Data[M].Beijing: Science Press,2015.

[66] Chen X X,Vierling L,Deering D.A simple and effective radiometric correction method to improve landscape change detection across sensors and across time[J].Remote Sensing of Environment,2005,98(1):63-79.

[67] 余曉敏,鄒 勤.多時相遙感影像輻射歸一化方法綜述[J].測繪與空間地理信息,2012,35(6):8-12.

Yu X M,Zou Q.Methods of radiometric normalization for multi-temporal remote sensing images:A review[J].Geomatics and Spatial Information Technology,2012,35(6):8-12.

[68] Hong G,Zhang Y.A comparative study on radiometric normalization using high resolution satellite images[J].International Journal of Remote Sensing,2008,29(2):425-438.

[69] 耿麗英,馬明國.長時間序列NDVI數據重建方法比較研究進展[J].遙感技術與應用,2014,29(2):362-368.

Geng L Y,Ma M G.Advance in method comparison of reconstructing remote sensing time series data sets[J].Remote Sensing Technology and Application,2014,29(2):362-368.

[70] Gallo K,Ji L,Reed B,et al.Multi-platform comparisons of MODIS and AVHRR normalized difference vegetation index data[J].Remote Sensing of Environment,2005,99(3):221-231.

[71] Leeuwen W J D V,Orr B J,Marsh S E,et al.Multi-sensor NDVI data continuity:Uncertainties and implications for vegetation monitoring applications[J].Remote Sensing of Environment,2006,100(1):67-81.

[72] Xiao X M,Boles S,Frolking S,et al.Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images[J].Remote Sensing of Environment,2006,100(1):95-113.

[73] Brown J C,Kastens J H,Coutinho A C,et al.Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data[J].Remote Sensing of Environment,2013,130:39-50.

[74] Moran M S,Clarke T R,Inoue Y,et al.Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J].Remote Sensing of Environment,1994,49(3):246-263.

[75] 趙春江.農業遙感研究與應用進展[J].農業機械學報,2014,45(12):277-293.

Zhao C J.Advances of research and application in remote sensing for agriculture[J].Transactions of the Chinese Society for Agricultural Machinery,2014,45(12):277-293.

[76] Haboudane D,Miller J R,Tremblay N,et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J].Remote Sensing of Environment,2002,81(2-3):416-426.

[77] Liu L,Wang J,Bao Y,et al.Predicting winter wheat condition,grain yield and protein content using multi-temporal EnviSat-ASAR and Landsat TM satellite images[J].International Journal of Remote Sensing,2006,27(4):737-753.

[78] Zhong L H,Gong P,Biging G S.Efficient corn and soybean mapping with temporal extendability:A multi-year experiment using Landsat imagery[J].Remote Sensing of Environment,2014,140:1-13.