薄 宇，潘 雪，蒙婷婷
(黑龙江省生态气象中心，黑龙江 哈尔滨 150030)
气象卫星是进行气象观测的地球卫星，通过气象卫星可以获取到大量的气象观测数据，中国成功发射的风云系列气象卫星，表征了中国自主遥感卫星的设计与应用能力，海量的气象卫星数据深加工后的数据与图像[1]，可以在气象研究、灾害预警、林火监测[2]、农业监测、天气预报和气候预测等方面提供更好的数据基础[3]，为气象行业服务提供了新的思路与手段[4]。随着现代遥感平台与技术的蓬勃发展，气象卫星遥感资料大量增多，克服了以往单一数据源导致的应用范围和局限性问题[5]，但是数据源增多在增大信息量的同时，也直接导致运算量的增加和遥感数据利用率的降低[6]，如何基于当前海量气象卫星数据，尽可能的获取更多有效信息，已成为重点研究问题。基于这一研究现状，多源卫星数据融合技术的研究应运而生。本研究以多源气象卫星数据融合为中心，对当前主要文献予以综述，深入探讨能够充分利用遥感信息，获取更可靠精确的数据融合方法，以期融合数据能够更好地服务于科研与业务工作中。
数据融合这一概念始于70年代，由美国学者提出，通过融合多源数据信息，对战场情况进行更加精确的评估分析，在90年代的海湾战争切实取得了理想的成果[7]。此后，Chavez[8]采用HIS变换法，以全色波段数据替换经彩色变换后的多光谱数据，但是融合效果较差，导致光谱退化现象的发生。Sheffigara[9]对比采用主成分融合法与高通滤波法发现，主成分融合法使得遥感影像的空间分辨率得以提高，但其原有物理特性有所缺失；
而高通滤波法更有效的保留了多源遥感影像的信息，但是存在纹理信息缺失的情况。近年来，小波变换法占据了多源遥感影像数据融合的主导地位，其中Goshtasby[10]研究发现小波变化法能够最大限度保留更多的遥感影像信息。目前全球存在100多颗气象卫星，资源庞大的气象卫星数据格式与成像原理差异大[11]，导致图像分辨率和格式难以统一，结合不同特性的气象卫星影像，有利于发挥遥感数据优势，更好的获取大气信息，目前气象卫星遥感影响融合研究较少，因此有必要针对气象卫星遥感影像融合理论过程、层次、方法、效果评估等方面展开讨论[12]。
2.1 气象卫星图像特征
气象卫星不同通道会产生不同的图像产品，不同产品的格式与显示方法存在差异，常用的图像有可见光图像（波长≈0.5μm）、近红外图像（波长≈3.7 μm）、水汽图像（波长6-7μm）、红外图像（波长10-12μm）和微波图像（波长1 mm-10 cm）[13]。其中可见光图像以黑白显示，反射辐射强度越低图像越黑，图像可用于区分下垫面类型和云中水汽含量[14]；
近红外图像夜间与红外图像类似，白天与可见光类似；
水汽图像则是以水汽为主要吸收气体的谱段；
红外图像可以表征辐射面温度，温度越高颜色越亮；
微波图像不受云层影响，可以进行长时间连续观测，但是空间分辨率偏低，根据图像特征的差异，具体的数据融合方法也存在差别[12]。不同的卫星图像信息互补，在实际气象卫星遥感业务中，应该集合不同传感器、分辨率、平台、光谱和时相的特征，例如对于微波图像和红外图像融合后，就可以更好的判识云雾[15]。
2.2 气象卫星遥感影像融合过程
由于气象卫星分辨率差异大、光谱信息丰富、成像时间交叉偏多以及成像方式复杂，影像融合方法也比较复杂[16]。目前常用的气象卫星格式繁杂，存在VSR格式、L1B格式、la5格式以及HDF格式[12]，因此气象卫星遥感影像融合第一步，要将卫星遥感影像统一为一个格式，其中HDF格式储存效率较高，更准确完备保留遥感影像和空间信息，然后对于图像进行预处理，之后再采用空间配准的方式对数据定位处理后，针对遥感影像进行投影变化，再应用合适的算法进行有机融合，从而获取更简洁高效的遥感信息[17]。图像预处理包括对原始信号辐射量化定标，对于图像地理坐标处理定位，对于原图像根据辐射原理校正，以及对于观测因子的几何畸变进行校正[16]。空间配准是以一幅影像为准，基于边界、交叉点等特征，采用精确算法建立影像之间的映射关系，并以此对非基准影像进行重采样实现配准[18]。气象领域常用投影有麦卡托投影、兰勃特投影、极射赤面投影和等经纬度投影，其中，中低纬度地区常用等经纬度投影[19]，之后针对多源气象卫星影像数据，可基于不同的目的与层次，选用不同的融合算法展开计算。
2.3 遥感影像融合层次
气象卫星作为人造卫星的一种，遥感融合层次与其他卫星类似。融合方法按照融合层次分类，分为基于像素、特征和决策级的融合方法，其中，像素级融合指在遥感影像预处理阶段，对各图像像元的物理量直接进行计算，这种方法造成的信息损失较少，融合水平最低；
特征级融合是根据特征提取信息，操作方式比较简便实用，但精度低于像素级融合方法；
决策级融合是对图像分类后，再基于特征融合的方法，融合水平最高[20]。特征层融合分类指的是根据多源气象卫星遥感影像判别像素的类别，不同特征层融合法的差异在于分类技术[21]。常用的特征级融合法有熵法、带权平均法、聚类分析法、表决法等。熵法是以与假设有联系的信息内容为提取的度量值[22]。聚类分析法是通过预先设定的标准方法，对多源气象卫星遥感数据进行分类。决策级融合法是指在经过特征级分类后，通过不同决策准则提取目标特色信息，将是未来数据融合方法发展的主要方向[23]。常用的决策级融合法有逻辑模板法、可靠性理论、基于知识的融合法、模糊集理论等[24]。
虽然像元级融合精度最高，但是针对不同传感器的数据，只能应用特征和决策级融合，其中决策级融合精度低于特征级融合，但容错性与抗干扰性更好，融合水平也较高。如今，随着对于像元级融合的深入研究，有学者提出第四种信号级融合[25]。因为多源数据的融合水平主要取决于能否基于研究对象和数据的特点，尽可能地减少噪声误差与几何畸变，使得融合影像精度高、信息损失少、抗干扰力强，工作量小[26]，所以决策级融合是融合水平最高的层次，但像素级融合也保留了尽可能多的信息量，因此本文主要对基于像素级的融合方法展开介绍。
3.1 基于像素级的主要融合方法
与资源卫星类似，不同气象卫星数据融合方法会造成不同程度的信息损耗与提升，同时不同传感器发送的信息，可能存在错误和环境噪声的负面影响，这种情况造成了遥感影像信息的大量冗余与矛盾，不同的融合方法对于冗余信息的消除方法也存在差异[27]。因此有必要探讨不同融合方法的优势与劣势，以及可以应用的限制条件。
常用的像素级融合方法较多，其中HIS变换方法是通过把红色、绿色和蓝色波段的数据，转变为明度、色调和饱和度形成融合图像[28]。Brovery变换法是通过特定公式对红色、绿色和蓝色波段的数据计算，与高分辨率的遥感信息相乘，完成数据融合[29]。主成分融合法是将多源气象卫星遥感数据经过PCA变换，分离为不同的独立主分量，可以认为第一主成分包含了多个波段共同唯一的信息，拉伸成高分辨率全色影像，通过主成分逆变换完成数据融合[30]。小波变换法的含义是基于多源气象卫星数据进行小波分解，利用小波变换将图像融为一系列频率通道形成图像，这种方法不仅能够提升空间分辨率，还能保持色调与饱和度的一致性[5]。
3.2 不同融合方法的优劣性与局限性
HIS方法图像空间分辨率高，但只对三个波段融合，导致多源数据的利用率大大降低，同时应用该方法存在局限性，必须保证高光谱分辨率与多光谱影像具有一致性[31]。Brovery法图像的目视效果较好，但是对数据要求较高，倘若数据没有事先经过预处理和噪声去除就难以应用[32]。主成分融合法在保留信息量方面明显优于其他方法，但还是存在明显的光谱扭曲[33]。小波变换法能够更加有效的提取影像信息，最大限度的保留了光谱信息[34]。
比较影像的融合效果主要可以基于两方面方法，一是依靠经验进行目视检验，二是根据评价指标的统计特征进行定量判读。虽然通过目视可以直观的判读融合影像的清晰度，但是并不能够定量表示不同数据融合方法信息量的提升程度，因此本研究着重讨论定量判读融合效果的统计指标。常用的定量判读统计指标分为两类，分别反映空间细节和光谱信息，前者可根据方差、信息熵和清晰度表示，后者可通过扭曲程度、偏差指数和相关系数判读[35]。具体来说，方差比较大说明图像的动态范围较大，说明图像的空间分解能力较强；
信息熵大表示图像信息多；
同理清晰度越高表示图像细节与纹理信息越多[20]。偏差指数可以表征融合图像与原始的差别，偏差指数较少时，表示融合图像与原始图像相似度越高，说明大量的光谱信息留下比较多；
相关系数大表征保留光谱信息多相似度高。
5.1 多源遥感影像融合的应用领域
目前多源遥感影像数据也在更广泛的领域发挥了重要的作用，经过融合后的数据，具有更高的精度和更多的数据量，时间和空间分辨率都有所提升，对于地物识别的能力也更强，能够满足长时间的气象观测[34]。因此多源气象遥感影像数据可应用于数值天气预报、天气观测、气候与气候变化监测、气象灾害监测、农业遥感监测和“一带一路”服务等研究[35]。风云系列气象卫星作为全球卫星观测网络的重要组成部分[36]，在具体应用方面，风云三号卫星作为极轨卫星，空间分辨率为250 m，对于遥感应用监测有着重大的作用，但是不同轨道的数据存在断层，鄢俊洁等[37]采用影像融合技术，消除了轨道间数据差异，并且通过了定量检验，显著拓宽了风云三号遥感产品的应用途径。郑伟等[38]采用特征和决策级融合方法，对于风云卫星数据与高分卫星气象卫星遥感数据融合，综合了风云卫星的高时间分辨率和高分卫星的高空间分辨率，为生态环境监测提供了更加精细化的监测信息，在热环境、水体生态和生物质燃烧监测方面，得到了广泛的应用。此外程远[39]应用美国LAPS数据融合系统对风云卫星和海洋卫星进行数据融合，获取了更加精细化的海温资料，更好地应用于近海寒潮与冷空气分析研究方面。
5.2 存在的问题与发展方向
当前多源气象卫星遥感影像数据融合存在部分关键问题，制约这项融合技术的发展与应用。在空间配准方面，有待于引入较好的空间配准模型，求得更好的局部化性质；
在数据融合方面，算法选择没有一个系统的标准，为了减少工作量，有必要归纳当前广泛应用的数据融合方法，建立统一的数据融合模型。对于融合影像的判读也存在问题，当前评价融合水平的方式较多，但都缺乏灵活性并不能统一推广，应该予以归纳提升。今后随着计算机、航天、通讯与遥感技术的发展，会有更多实用简便的融合方法出现，应该以提高实时性和智能性的方向发展，建立相对统一的模型，实现数据的实时智能地融合。加强多源气象卫星融合方法研究，有利于提取全球及重点区域的气象遥感监测效果，是提供更精准气象预报和更精细气象服务的必由之路。