文字：马宏亮 摄影：马宏亮 摄像：王源 主持：顾芷宁

>>>人物名片

沈焕锋，武汉大学资源与环境科学学院教授、博导，IEEE资深会员，中国遥感应用协会理事。主要研究方向包括影像质量改善、数据融合与同化、资源环境遥感等。主持科技部重点研发计划（1项）、国家自然科学基金（5项）等系列科研项目，在包括IEEE TIP、IEEE TGRS、RSE、JGR等在内的国际期刊发表SCI论文80余篇（二区以上50余篇），SCI他引1000余次。入选国家万人计划青年拔尖人才、国家优秀青年基金、教育部新世纪优秀人才支持计划、湖北省杰出青年基金等，担任Journal of Applied Remote Sensing、IEEE-JSTARS(客座)编委。

>>>报告现场

6月2日19:30，沈焕锋做客GeoScience Café第164期学术交流活动，介绍了资源环境的时空连续遥感监测方法与应用，从资源环境监测目前存在问题、时空连续数据处理到资源环境监测的应用，沈焕锋和大家分享了目前的研究成果以及自己对于时空连续遥感监测的看法，让大家获益匪浅。

时空连续数据处理

时空连续遥感监测的监测内容是什么？沈焕锋解释到，从地理学的角度来讲，主要是格局、过程和机制。格局是指空间上如何分布；过程是指时间上的演变；机制则是指驱动因素及影响等。格局和过程分别代表了空间和时间，如果想要得到这两个监测结果，我们就需要使用时空连续的遥感数据来进行分析，进而能够更好地进行机制研究。因此时空连续的研究非常重要。

虽然我们目前有很多卫星，但是仍然很难达到时空连续的监测。目前存在的问题主要集中在四个方面：不连续、不准确、不一致、不精细。不连续主要是指时间和空间上的不连续，这对于时空连续分析来说是一个主要问题；即使连续了，遥感成像受各种因素影响还会导致数据不准确；如果使用多元卫星来进行监测，卫星和卫星之间也可能存在不一致的问题；最后一个问题是不精细，主要体现在一些数据空间分辨率较粗，无法满足监测的要求。对于以上四个问题，沈老师介绍了如何从遥感信息处理方法的角度来进行处理。

首先是不准确，遥感影像的成像会受噪声、雾霾、阴影等影响，继而导致数据缺失。影像质量改善就是来弥补这些缺失数据。沈焕锋就其课题组的一个案例展开介绍。如图1.a所示为NDVI产品（SPOT VEGETATION）某一年12个月的数据。可以看到代表植被状态的原始NDVI产品值波动较大，2月和4月达到较低值，3月达到较高值。而实际上，植被生长是缓慢的，因此获取的数据和对象的实际变化存在着一些出入。这个就是典型的数据质量问题。直接用这种NDVI产品来做时间序列分析产生的误差较大，因此需要对影像进行去噪处理。

如图1.b所示，经过处理之后，原始NDVI曲线达到了其上包络线。处理前的NDVI产品大部分值是偏低的，经过处理后，最终可以得到与真实值相近的曲线。图2为某一植被覆盖区域，原始影像存在一些偏差，经过改善后，影像能够较为客观地代表地物。

第二个问题是不连续。影像数据不准确还可以获得像元值，但是不连续则会缺失值。数据缺失的原因有传感器故障、厚云覆盖等。对于缺失数据的恢复，沈焕锋介绍到可以从三个方面着手：空间域、时间域以及光谱域。遥感影像质量改善的过程，就像是给一个病人治病的过程。数据不准确问题是“小病”，数据不连续可能就是“大病”了，数据的恢复其实是在“无中生有”。沈焕锋风趣地类比到，“治病”尽管会有“副作用”，但是掌握了科学的方法，“治”总比“不治”要好。因此影像数据恢复还是很有必要的。

第三个问题是不一致。不一致分几何和辐射两种。几何不一致可以通过配准来解决，沈焕锋重点讲述了辐射不一致。他列举了MODIS和AVHRR传感器获取的同一时间同一地点数据存在较大不一致问题，而针对不一致问题，常规做法是建立两种传感器之间的关系进而实现校正（如公式所示）。

但是采用这种做法往往会面临一些问题：首先是两种传感器缺乏有效的时空重叠，再一个就是两种传感器的数据精度都不高。对此，沈焕锋指出可以引入第三个传感器Sensor_C，让Sensor_A 和Sensor_B都与Sensor_C匹配。而且要满足C与A和B都有一定重叠，那么就要求C的时间分辨率高、幅宽大，但是这样C的空间分辨率往往较粗。因此整个过程实际上是在用低空间分辨率的数据对两种相对高分辨率的数据来做归一化。

最后一个问题是不精细。沈焕锋重点介绍了时间分辨率和空间分辨率的不精细问题。比如说在做时间序列的分析时，获取了某地2001.10.8、2001.11.2和2001.12.25的三幅Landsat影像，时间分辨率上不精细。另一方面，在三幅影像的时间间隔内，MODIS有可用、但空间分辨率较粗的数据。我们能不能尝试通过遥感时空数据融合的方式将两者结合起来？如图3所示，获取时相1和时相2的MODIS数据以及时相1的Landsat数据，我们融合出时相2的数据，融合后的数据相对于原始MODIS数据空间细节更加精细，而且也能和原始影像的光谱特征保持一致。

资源环境监测应用

时空连续处理技术能在资源环境监测中发挥哪些作用，沈焕锋也通过几个案例展开了介绍。

首先是城市热岛分析。做长时间序列的城市热岛演变时，可以考虑Landsat数据，但是具体操作时，比如说要研究武汉市，会因为厚云覆盖导致很难找到连续可用的Landsat数据。另外MODIS数据空间分辨率又过低。因此采用常规的方法很难做完整而精确的城市热岛时序分析。采用时空融合技术，将有条带的Landsat数据、MODIS等数据融合起来，可以得到连续26年的武汉市夏天的高空间分辨率的数据，用于城市热岛的时序分析。如图4的分析的结果所示，一般认为随着城市化进程的加快，城市中心的热岛强度会越来越高。但是利用融合数据监测结果显示，随着进程的加快，中心城区的热岛效应反而不明显，较强的热岛效应在向开发区转移。

另外，利用融合时序数据还可以研究热岛强度一年四季以及昼夜的区别。结果显示，白天的热岛强度随着季节的变化会发生较大变化，夜晚的热岛强度随着季节的变化波动并不明显。

沈焕锋接着介绍了利用时空融合技术做大气PM2.5的遥感监测项目思路。一方面，站点数据的监测精度高但分布不均匀；另一方面，卫星可以实现面状观测但精度不高。项目的目标是要实现星地融合的PM2.5实时无缝监测。沈焕锋重点从卫星反演的角度展开介绍。如图5所示，卫星直接反演合成的PM2.5在华南地区明显偏高，而站点内插的结果显示PM2.5京津冀区域偏高，显然内插结果更加接近真实情况，而卫星反演结果存在偏差。使用时空数据融合技术就可以得到分辨率较高而且偏差较小的数据产品。

第三个案例是植被生产力监测与气候响应。利用数据融合技术获得1982年-2013年1km的月NDVI产品，结合降水和气温数据进行分析。结果显示在年际水平上，NPP和气温呈正相关，和降水呈负相关。而将实验细化到月的分析之后发现每月情况都不一样。NPP与降水在在生长季呈负相关，但干旱季呈正相关，年平均下来就呈负相关，因此，沈焕锋总结到，仅仅在年际上做研究的话，可能就会得到错误的结论。另外，在NPP的影响因素中，是气温占主导还是降水占主导？时空连续监测结果显示在1982-1992、2002-2014降水影响占主导，1992-2002气温占主导。所以对于NPP来讲，不同的阶段影响因素是不一样的。这也是为什么要做时空连续监测的原因，如果只做短时间的监测的话，得到的规律就未必准确。

沈焕锋在讲解完三个案例之后，又介绍了团队在生产产品方面的情况。针对网上现有的一些产品存在的问题进行改进，生产出“产品的产品”以供大家使用。在介绍完时空连续臭氧产品制图以及空间无缝DEM生成之后，沈焕锋介绍了针对SMAP土壤水分产品的改进。SMAP有两个传感器，一种被动，提供36km的产品，分辨率很粗；另一种主动，提供3km产品，精度提高很多，但存在其它方面的问题。所以SMAP团队自己做了主被动结合的9km的产品。后来主动传感器运行几个月就坏掉了，因此到现在我们只能获取连续的36km的产品，而9km和3km只有几个月的数据。为了获得更高分辨率可用的土壤湿度产品，很多学者用NDVI、温度等和土壤湿度建立关系来做传统意义上的降尺度，这个误差相对较大。针对这种情况，沈焕锋指出利用9km和3km的已有产品和重叠时间内36km的产品之间建立关系，然后采用时空融合技术就可以获得相对高分辨率的土壤水分产品。经过验证，生产的高精度产品和土壤湿度实测值较为一致。

总结与展望

报告的最后，沈焕锋引用王任享院士和李小文院士的做结尾。王任享院士谈到“遥感数据要‘好用，会用，用好’”。李小文院士将这六个字称为“六字箴言”，并在博客中谈到“综合天空地采集的各种数据的不同优势，生产出用户需要的数据产品，降低用户的使用门槛，提高数据的应用能力”。“好用”是指数据下载下来能直接使用。但现实中遥感数据由于一些客观或者主观的原因导致数据不好用，我们要做的就是将这些数据看作资源，从中挖掘有用的信息，这是“会用”。“用好”数据就是指将遥感数据应用到具体的行业，行业指标体系的基础上能够加上我们遥感的指标体系。而对于我们做遥感的人来讲，可能重点关注“会用”数据，搭建遥感信息处理与地学应用之间的桥梁。

>>>互动交流

观众A：您的时空无缝融合技术与我们采用同化模型的融合技术两者之间有什么异同点？

沈焕锋：谢谢你的问题。我也有学生在做同化，我认为同化是数据和模型的融合。模型有水文模型、大气模型、陆面模型等，它是一个动态的过程。我认为它们的差别有以下几点：首先从时间上来讲，模型的连续性更强。对于遥感数据，时间分辨率能达到一天已经很高了，但是模型可以做到更精细的时间；再一个就是精度，从理论上讲，模型的精度应该更高。但是实际应用的很多时候，由于模型本身太过于复杂，参数过多，使得模型的误差不确定性很大。我们的经验是很多时候融合的精度反而比同化的精度更高。

观众B：您在刚开始做研究时是如何选定这样一个有系统性而又比较前沿的研究方向？

沈焕锋：说一下我个人的经历吧。我硕士是在实验室读的，当时负责了小组课题“地面预处理模型”中的辐射校正工作。后面就做遥感数据质量问题改善。遥感数据的质量会受传感器的影响、大气、噪声、建筑物的阴影等的影响，后来就想能不能把所有影响辐射质量的问题做一遍呢？后面这方面的研究在小组慢慢就铺开了。因此到现在关于影响质量改善我们组做的还是比较全的。后来到了资源与环境科学学院做老师，院里要求要与地理和环境结合起来。我就想如何把前面做的工作结合起来，把质量改善应用到资源环境监测上来。因此，我从一开始到现在做的是基本上相关的。所以给很多博士的建议就是，博士毕业能不换方向就尽量不换方向，最好是在原来的基础上进行扩展。

观众C：您今天的报告主要集中在光学影像融合方面，想请教您在关于光学影像和SAR影像融合方面的见解和指导？

沈焕锋：光学和SAR的融合，我感触还挺深。融合有三个层次，像素层、特征层和决策层。像素层又称数据层，对于光学数据和SAR的融合，我个人认为有意义，但是由于光学数据和SAR影像的成像机理不同，融合之后难免有光谱偏差。如果要是开始做新的工作的话，我不建议从这方面展开。可以考虑从特征层和决策层来展开可能会更好一些。

观众D：您在做SMAP降尺度的时候，针对数据缺失，能不能考虑将传统做图像的超分辨率重建的方法迁移到数据融合上来？

沈焕锋：首先谢谢你的建议，我觉得迁移是没有问题的。我在博士期间做了变焦的超分辨率，小组同学有将其迁移到DEM产品的融合上来。因此模型是之间是通的，但是具体处理时可能要考虑一些参量，如地学因素、物理因素等。其实你说的超分辨率和融合这两个概念严格的界定很难。融合其实也是一种超分辨率，只不过传统的超分辨率是基于多个时间的低分辨率数据，而时空融合是基于历史的高分辨率。它们的基本框架是一样的。

沈焕锋作精彩报告

认真听讲

踊跃互动

沈焕锋教授（右四）与GeoScience Café团队成员合影留念

(编辑：肖珊)

GeoScience Café以“谈笑间成就梦想”为口号，采取最自由的交流方式，每期邀请1-4位报告人，针对自己正在进行的研究展开报告。每周五晚7:30，在测绘遥感信息工程国家重点实验室四楼休闲厅举行当期活动。报告内容不仅涉及一切与测绘有关的学科内容及学术方法，如测绘基础学科、地理信息系统、摄影测量与遥感、全球定位系统、激光雷达技术、信号处理，还包括地理信息科学以外的话题，如法律和艺术等。让任何感兴趣的人——不仅是地理信息相关专业的师生，还包括其他专业的师生，甚至是文科生——都可以听取报告，并当场向主讲嘉宾提问或者会后与其交流。

更多精彩内容(报告PPT、新闻稿及下期活动消息等)敬请关注Geoscience Café群(QQ群号：532362856)，微信公众号：GeoScienceCafe

欢迎扫描二维码：