由于MODIS传感器自身的成像特点, 在其1B产品数据(即MOD021KM、MOD02HKM和MOD02Q KM 产品)中存在着严重的几何畸变, 即俗称的“ 双眼皮” 现象, 使得MODIS的边缘数据无法使用。最初郭广猛采用built GLT和export GCP两种方法来对数据进行处理^[3], 其中export GCP方法处理后的像素位置变动大约0.5个像元, 而用built GLT方法的校正结果在图像边缘的效果比较差, 由于在边缘处对像元的重采样过大, 从而丧失了MODIS数据空间分辨率的优势。徐萌等人先在每条扫描带对经纬度数据进行双线性插值, 然后通过Lambert投影变换后重采样来去除Bowtie效应^[4]。程亮也提出了类似的方法, 发现MOD 03 文件(“ 星历表文件” )中的经纬度数据与1 000 m分辨率的遥感影像数据是点与点一一对应的, 对经度和纬度各做一次遍历, 通过判断出行、列的重复数目, 先去除这些重复的行列, 再对数据进行插值重采样即可以得到最终的数据^[5]。但由于这些方法计算量大、效率低, 满足不了MODIS海量数据处理的要求, 因此实用性不强。刘明良等人根据MODIS传感器的成像特点, 通过统计MO2DIS L1B数据的重叠行数发现, MODIS L1B数据的Bowtie效应有一定规律^[6], 并使用对称函数Y=aX²+c来模拟这个规律, 以直接处理MODIS L1B数据中的Bowtie效应。

MODIS数据在获得的过程中受到多方面因素的影响, 例如云、大气污染等, 使得获得的数据存在大量的噪声, 条带噪声是影响MODIS影像质量和反演精度的一个重要因素。如何使得图像既能较好地去除条带噪声, 又能恢复和保持地物真实的反射率空间分布情况就成为降噪的意义所在。

我国学者对MODIS数据进行降噪处理的初始阶段, 大多是应用国外已提出的算法进行处理, 然后再对这些算法进行改进。蒋耿明等人通过对小波变换、傅立叶变换和插值法3种方法进行比较发现, 在标准偏差和边缘保留方面, 插值法的效果最优, 小波变换法又优于傅立叶变换^[7]。杨忠东等人对小波变换方法进行了改进, 首先使用连续小波变换方法分析MODIS条带数据, 然后应用小波收缩方法进行噪声剔除计算^[8]。吴军等人改进了插值算法, 提出了一种简单有效的自相关插值算法^[9], 该算法不对非条带区域做任何改变, 只对条带噪声所在处的上下两行数据进行自相关插值, 然后用其结果代替条带噪声。黄晓园等人认为, 傅立叶变换和小波变换在降噪过程中, 不但没有彻底去除噪声, 反而对非条带噪声区域产生干扰, 致使影像被人为平滑, 丢失了许多细节纹理信息, 为此对插值算法进行了改进, 即采用邻域插值法, 只对影像中噪声条带的像元进行处理, 保留非噪声行中的像元, 将噪声条带中所有像元的灰度值, 用其相邻6个有效像元的平均值替代^[10]。随后我国学者转向研究时序系列图像降噪处理, 袁辉利用小波变换理论对MODIS_LAI数据产品进行了降噪处理^[11], 李晓丽采用不对称高斯算法, 在Matlab软件下实现了MODIS_LAI产品的降噪研究^[12], 黄耀欢通过S_G滤波算法, 使用交互式数据语言(IDL)对MODIS_EVI时间序列数据进行了重构^[13]。另外一些去噪软件, 如HANTS, TIMESAT等在时序系列图像的降噪处理中也被广泛使用。

随着不同类型传感器被用于对地观测, 这些传感器获得的多时相、多分辨率的遥感数据, 会显示出各自的优势和局限。图像融合就是按一定的规则或算法, 对空间或时间上冗余或互补的多源数据进行运算处理, 生产一幅具有新的空间、波谱、时间特征的合成图像。这样做可以对信息进行优化, 通过突出有用的专题信息, 以增加解译的可靠性、减少模糊性、改善分类、扩大应用范围和效果。

从20世纪80年代至今, 图像融合技术己有30多年的发展。随着MODIS技术的发展, 对MODIS图像融合研究也引起了越来越多的学者关注。MODIS数据的光谱范围从可见光到远红外, 但其一些波段的分辨率仍然不高, 如果可以将中低分辨率波段遥感图像的空间分辨率提高, 并能通过数据融合技术尽最大可能来挖掘数据信息, 那么就可以更好地发挥多光谱、中分辨率遥感图像的优势。常用的方法有色彩标准化变换(Brovey)方法、彩色坐标变换(ISH)方法、高通滤波(HPF)方法, 但都存在较大的缺陷, 或使原始的多光谱信息损失严重, 或使高分辨率影像纹理信息损失严重, 或者根本就改变了原有影像的信息特征。余钧辉利用小波变换理论将MODIS数据的光谱信息和ETM的空间几何信息结合起来, 为MODIS数据用于制作较大比例尺的土地利用现状图提供了可能^[14]。陈少辉等人提出了一种基于亮度相关矩的多分辨率图像融合方法^[15], 将MODIS数据和SPOT影像进行融合得到具有更多信息和有效特征的融合图像, 并试验证明在保留地物光谱信息和提高空间分辨率上都具有很好的效果。卓静等人将ISH变换法、主成分分析法、简单乘积法、Brovey图像融合算法和假彩色合成法等用于500 m和250 m分辨率遥感影像的融合, 并进行效果比较, 认为主成分分析法在MODIS图像用于大面积监测方面更有效^[16]。

光谱识别模式(Spectral Pattern Recognition), 是指利用不同波段的光谱亮度值进行像元的自动分类。MODIS数据具有较好的光谱和空间分辨率, 以及专为土地覆盖而设计的7个波段, 这为研究者在陆地研究方面提供了丰富的数据资料, 其中可见光中绿色波段(0.52~0.59 μ m)对区分植被类别敏感, 红光波段(0.63~0.69 μ m)对植被覆盖度、植被生长状况十分敏感。另外, 基于这7个波段, 研究者可以通过分析运算来得到以下更多有指示意义的数值: 比值植被指数(RVI)、归一化植被指数(NDVI)、调整土壤亮度植被指数(SAVI、TSAVI、MSAVI)、差值植被指数(DVI)、垂直植被指数(PVI)等, 这些植被指数在生物量相关性指示、消除大气影响、修正土壤背景干扰等方面对遥感影像数据进行了良好的补充。

3.1.1 非监督分类

非监督分类, 也称为聚类分析或点群分析, 其优点是不需要知道地物的已知信息, 而是先由计算机统一将地物在多维空间中存在的“ 点群” 自动提取出来, 然后研究者通过对这些“ 点群” 进行对比和思考, 将其划分为不同类别。马龙等人基于MODIS数据在三江平原湿地信息的提取过程中, 将研究区生长季13个时相的数据作为13个波段, 首先采用最小噪音分离变化技术(MNF)对这13个波段进行处理, 然后选择特征值大于10的前10个主成分进行非监督分类得到三江平原湿地分布, 精度达到79%^[20]。当然, 在非监督分类中增加除波段以外的其他辅助信息, 比如数字高程模型(DEM)、降水量数据, 会对地物遥感信息提取有所帮助。刘爱霞等人利用主成分分析(PCA)方法对NDVI时序图进行了增强处理, 而后增加了陆地温度数据(MODIS_LST)、DEM数据以及降水、温度数据, 利用模糊K-均值非监督分类法, 得到了北京西北部土地覆盖分类图^[21]。

3.1.2 监督分类

监督分类, 又称训练分类法, 即研究者根据先验知识, 通过对训练样区进行反复分析得出实际地物的统计资料, 作为图像分类的判别依据, 进而对所有像元进行判别。简单地说, 监督分类就是用被确认类别的样本像元去识别其他未知类别像元的过程。刘凤仙等人基于MODIS数据, 通过最大似然法, 对华北地区的建筑用地进行了监督分类, 并通过中巴资源卫星对分类结果进行了验证, 两者的分类结果差异在5%之内^[22]。张涛等人用蓝绿波段的反射率比值信息和MODIS第1、4、3波段合成影像做监督分类数据, 成功地提取了珠江口的赤潮信息^[23]。

3.1.3 基于多源数据融合的分类

不同波段对同一地物具有不同的反射率, 所以同一地物在不同波段获取的图像有所差别, 而同一波段不同时间获取的图像也不尽相同。基于MODIS数据多波段、多分辨率、多时相等众多优势, 将不同波段数据相互补充, 不仅可弥补单一波段上信息的不足, 还能够增加各波段数据的互补性, 利用多波段数据之间的差异进行特征信息提取, 从而提高了地物分辨率。在实际应用中, 往往利用非监督分类、监督分类、决策树等方法来对融合后的数据进行分类。赵德刚等人先分别对MODIS数据波段1、波段2与波段3~7进行融合, 然后利用监督分类中的最大似然值法进行土地覆被分类, 分类结果比原始影像的分类精度高出5个百分点^[24], 另外, 波段1与其他波段融合后影像的分类精度又比波段2低, 说明MODIS数据波段2相对波段1含有更多的数据量。刘庆凤等人先将250 m分辨率的MODIS/NDVI时间序列数据与500 m分辨率的MODIS多光谱反射率数据和90 m分辨率的DEM数据融合, 然后利用非监督分类法和决策树法相结合的方法对黑龙江流域的土地覆盖进行分类, 获得了较好的分类精度^[25]。

3.1.4 人工神经网络分类

人工神经网络模型(ANN)是基于生物神经系统的分布存储、并行处理及自适应学习等现象来模拟人脑神经元活动的过程。人工神经网络具有自组织、自适应和自学习能力, 特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。利用BP(Back Propagation)网络对遥感影像进行分类可通过以下两个阶段实现: ①根据选取的样本数据, 网络先进行学习; ②利用学习结果对整幅遥感影像分类。目前这种技术在遥感图像分类处理中的应用已从单一的BP网络发展到模糊神经网络、多层感知机、学习向量分层-网络、Kohonen自组织特征分类器、Hybrid学习向量分层网络等多种分类器。

3.1.5 模糊数学分类

模糊数学(Fuzzy Mathematics)是一种针对不确定性事物的分析方法, 它以模糊集合论为基础, 有别于普通集合论中事物归属的绝对化。这是因为现实世界中存在众多的自然或半自然现象很难明确划分种类, 反映在遥感影像上, 也存在一些混合像素问题, 并有大量的“ 同谱异物” 或者“ 同物异谱” 现象发生, 使得像元的类别难以明确。尤其MODIS数据仍属于中分辨率图像, 其图像中每个像元所对应的地面实体有时并不只是一个类别, 而是两个或两个以上类别的混合体。模糊分类就是允许根据其混合类型的百分比将一个像元划归到几个类型, 其基本步骤如下:首先确定因素集合评判集, 并给出各个因素的权重分配, 确定单因素评判矩阵, 然后求出评判结果和通过最大隶属度或加权平均法确定模糊综合评判结果。林文鹏等人将人工神经网络和模糊数学进行了综合应用, 首先建立了模糊ARTMAP神经网络分类模型, 然后采用多时相和波谱分析方法, 选取红光(Red)、近红外(NIR)、蓝光(Blue)、中短波红外(ESWIR)波段以及LSWI(Land Surface Water Index)、EVI等植被指数, 最后利用该模型对华北地区冬小麦进行了遥感自动识别分类, 并用Landsat TM进行了局部抽样验证, 分类精度达到85.9%^[26]。

空间识别模式(Spatial Pattern Recognition), 不仅要考虑像元的光谱亮度值, 还要根据周围像元的空间关系来进行图像分类, 如图像纹理、像元近似度、特征大小、形状、方向性、重复度和上下文关系等。在利用MODIS数据进行地物遥感信息提取时, 仅仅考虑像元的光谱亮度值往往是不够的, 还需要其他辅助信息, 如图像纹理、像元近似度等, 因为借助这些空间信息, 通过大量人工分析, 改进分类算法, 可提高分类精度。基于空间识别模式的遥感信息提取方法, 主要有专家系统分类方法、人工神经网络分类方法、模糊数学分类方法以及地理信息系统(GIS)支持下的遥感分类方法等。

3.2.1 专家系统分类方法

专家系统是指专家将地学知识形式化、知识化, 先建立专家知识库, 而后通过分类推理机按照一定规则的人类推理路线, 把知识库的问题求解知识应用到已知事实中, 即先对地物的多种属性进行分析、判断, 进而确定各地物的归属。伍菲在对东北地区土地利用进行遥感解译时, 先根据林地、草本和裸地的连续覆盖值建立知识库, 然后再使用基于规则的推理过程, 将知识库中的规则应用于图像数据, 最后得到土地利用分类结果图, 总体分类精度达到70%^[27]。

3.2.2 GIS支持下的遥感分类方法

由于遥感图像数据的复杂性, 目前并没有一种算法能够对地物进行完全精确的提取, 只能根据实际情况, 通过增加辅助条件, 尽可能地提高分类精度, 所以GIS作为辅助手段与遥感图像结合来进行分类被广泛应用。霍艾迪等人先利用MODIS影像数据提取陕北黄土高原的归一化植被指数和反射率, 对其进行决策树分类, 提取了两者在过渡区域的类别, 并利用ArcGIS软件进行空间分析, 提取出了森林和草原的分界线^[28], 提取结果与邹厚远所绘制的陕北黄土高原区划图基本一致^[29], 这一结果可得到该区气候、土壤和植被实际分布现状等的支持。索玉霞等人在对中亚地区的高山草甸和旱耕地进行分类时, 将坡度、DEM等因子作为辅助信息, 通过GIS软件叠加处理, 先利用坡度来区分水体和荒漠, 然后通过区分DEM高程是否大于1 800 m来判断高山草甸和旱耕地^[30]。

时间识别模式(Temporal Pattern Recognition)是针对多时相遥感图像, 通过独特变化的光谱特征和空间变化来区分不同地物的一种分类模式, 在植被提取中应用较为广泛。

对植被进行遥感分类中, 有时候单时段的图像无论其有多少个波段, 都较难区分不同的植被类型。但如果对比多时段信息, 则不同植被生长季节的差异会给植被遥感分类带来莫大的帮助, 所以在遥感分类中不能忽视由于时间变化而引起的地物光谱及空间特征变化等这些非常有用的信息。MODIS数据由于其数据获取连续, 故在构成时间序列数据进行遥感分类方面, 具有其他遥感数据无法比拟的独特优势。在以上遥感分类方法中, 如果加入时间序列信息, 那么通过对植被物候特征变化的分析就可以使复杂问题简单化。王莉雯等人通过对新疆地区MODIS数据16 d合成的NDVI时序数据的研究, 得到了无植被区域(沙漠和戈壁)的NDVI值全年都很低, 并且数值稳定, 而植被区的NDVI值5月份开始增加, 10月份开始下降, 在 7、8月份达到峰值的规律, 这完全符合中国北方植被的生长规律^[31]。通过对林地NDVI值的对比发现, 常绿林的NDVI值在冬季高于落叶林, 而在夏季(6~9月)低于落叶林, 又证实了落叶林较针叶林叶绿素含量高。因此在提取难以区分的常绿林和落叶林时, 就采用了全年NDVI图像的振幅和NDVI值的变化系数对比, 最终实现了新疆地区土地覆被MODIS遥感分类, 分类精度达到86%。张霞等人也利用MODIS植被指数时间谱, 对华北平原的土地覆盖进行了分类^[32]。刘勇洪在对中国土地覆盖进行分类时, 设计加入了MODIS时间序列数据, 也取得了较好分类效果^[33]。可见, 在进行大尺度遥感分类中, MODIS的高时间分辨率由于弥补了其空间分辨率不够高的这一劣势, 从而提高了遥感分类精度。

总结这些植被遥感分类方法, 针对大尺度遥感分类, MODIS数据有着独特的优势, 一般提高分类精度有以下4种方法: ①在遥感分类过程中, 采用时间序列数据作为主要的数据源, 旨在通过时间上独特变化的光谱特征和空间特征变化来区别不同的植被类型; ②辅以其他非遥感信息, 如地形、降水、温度等数据, 将这些信息作为植被类型的属性参量, 用来提高植被的分类精度; ③采用分区思想进行遥感分类, 由于大尺度区域各种因素的复杂性, 按同一分类方案对图像进行分类很难取得令人满意的效果, 而利用图像分割技术进行分区提取则可以提高分类精度; ④采用分层分类方法进行提取, 当一种地物被成功提取后, 即将其从原始图像中去除, 以避免影响其他地物的提取和为下一目标的信息提取创造纯净的环境。这样在进行每层处理时, 由于目标明确, 只针对一类目标进行提取, 从而提高了最终提取结果的精度。

MODIS数据具有较高的空间分辨率, 而且波谱范围广, 信息量大, 适宜用于多种分类制图, 通过对遥感分类方法的探究, 在GIS的支持下, 我国学者已经利用MODIS数据在大尺度土地覆被制图方面开展了很多工作。遥感分类制图的基本步骤为: 首先对下载的MODIS数据进行几何纠正、镶嵌处理得到研究区内的完整图像, 同时确定分类系统并明确各类型的标准定义及制图编码; 然后通过分类器对MODIS遥感图像进行分类提取, 在检验精度符合要求后, 最终完成研究区遥感制图。宫攀等人利用MODIS数据建立了中国土地覆盖制图分类系统, 最终得到了21种土地覆盖类型^[34]。刘勇洪基于MODIS数据建立了一种包括森林、灌丛、草原、农田、建筑物、湿地和冰雪、荒漠等7大类22个二级类别的中国土地覆盖遥感分类系统^[33], 通过检验, 分类精度达到80.1%。

MODIS数据通过其时效性、空间性和经济性等独特的优势, 逐渐成为当今大中尺度遥感分类制图时首选的遥感数据源。目前我国学者在利用MODIS数据进行遥感分类制图过程中, 就致力于将多种遥感分类方法相结合。尤其在植被的分类过程中, 参照物候期和利用时序序列的MODIS数据, 并结合大量地学信息来提高分类制图精度, 这种遥感地学相关的分析方法, 已逐渐成为大中尺度遥感分类制图研究的热点。但大尺度区域往往由于地形地貌复杂, 气候差别较大, 所以建议在分类过程中采用分区的思想, 利用图像分割技术先进行分区, 再提取各种地类, 这样可以有效提高分类的精度。

遥感技术作为一种手段和工具已在各部门、各领域应用中取得了大量成果和明显进展。遥感已经由定性阶段转向定量, 即通过遥感手段对作物进行估产, 对植被长势做出判断, 甚至是对土地生产力进行评价和对土壤肥力、土壤侵蚀程度进行定量化研究等。罗玲等人基于MODIS数据获得的NDVI、RVI、调整土壤亮度植被指数(MSAVI)和增强植被指数(EVI )4种植被指数, 通过与实测数据进行拟合分析, 建立了松嫩草原产草量遥感估算模型^[35], 然后利用筛选出的最优模型对松嫩草原产草量进行空间反演, 获得了较好的短期预报效果。饶胜等人利用MODIS数据对珠江三角洲地区的城市热岛效应进行了评价^[36]。陈康等人利用MODIS数据对银川平原土壤盐渍化程度和分布状况进行了定性和定量的评价分析^[37]。杨小唤等人基于MODIS时序NDVI特征值对北京市冬小麦、春玉米、夏玉米、大豆等作物的种植面积做出了评价与综合分析^[38]。

资源评价的发展过程表现为从基于统计的单因子评价模型到目前的遥感评价模型的改进。传统的资源评价主要是单因子的评价模型, 比如农学-气象产量预测模型、作物-生长模拟模型, 这些都是基于经验统计建立的评价模型, 即将传统的统计分析与气象因子建立关联, 进行综合估算。随着遥感技术的发展, 将遥感信息作为变量加入到模型中, 建立遥感评价模型已成为研究的热点。如今已从单纯的建立光谱参数与评价指数的统计关系, 发展到考虑评价对象的整个发生过程, 将地物反射光谱的物理机理与评价对象的生理过程统一, 建立了基于成因分析的遥感评价模型, 从而使评价精度不断提高。

根据地物反射光谱特征的差异及动态变化, 能够反映相应地物所发生的变化, 而MODIS数据高时间分辨率的优势在遥感地表动态监测方面发挥了极大的作用。研究者可以通过MODIS数据各通道的地面反照率、亮温值变化来进行陆地温度、火灾、土地退化、地震等灾害方面的监测, 并通过地物发出的这种“ 求助信号” 及时发现灾害, 使决策者能够迅速做出决断, 发挥MODIS数据“ 防灾千里眼” 的作用。另外, 基于数学统计, 研究者通过确定地表动态变化的方向趋势和数量, 可以对未来变化进行模拟预测。张树誉等人选用MODIS数据的第7、2、1通道和第20、21、31通道进行RGB假彩色合成, 再通过线性增强增大火点与背景间的差异, 分别监测白天和夜晚的火情, 对2001年黑龙江大兴安岭十三站等地区的林火监测取得了良好的效果^[39]。谭明艳等人根据火灾迹地在MODIS短波红外波段的光谱特征, 提出了火灾迹地光谱特征的指数, 以突出火灾迹地的特征^[40], 其能够快速准确地判定火灾迹地的面积。卢远等人从MODIS数据中提取反映土地退化状况的植被覆盖、盐碱化和沙漠化信息, 实现了对松辽平原土地退化格局的动态分析^[41]。刘放等人归纳了台湾省中强地震前的MODIS亮温增温异常的量化指标, 发现在地震发生前1~20 d 出现了突跳性质的增温异常比值增强现象, 提出了MODIS数据用于地震预测研究的MODIS亮温增温异常点比值定量化方法^[42], 这为识别地震短临前兆提供了可能。张恒利用MODIS数据对城市建成区进行提取后, 通过元胞自动机模拟, 对京津冀地区未来30 a 的城市化分布格局进行了预测^[43]。

通过不同时相遥感数据的专题提取, 如何进行地表动态变化监测和模型分析, 以建立地表动态发展和预测模型, 是目前研究的热点, 如进行时间序列预测、回归分析预测、趋势外推预测、系统动力学等。只有通过严谨的预测模型, 结合现状分析来推测地表时空变化趋势, 以保证地表动态变化监测的时效性和提高模拟预测的精确性, 才能为进一步进行灾害防治规划和提出防治、改造方案提供科学依据。

热红外遥感, 是通过遥感手段获取地面物体发射辐射能差异的方法。热红外图像记录了地物的热辐射特性, 其依赖于地物的昼夜辐射能量成像, 简而言之, 它是地物辐射温度分布的记录图像。热红外遥感研究正从以亮度温度为信息源的定性分析向建立地-气相互作用过程中的物质和能量交换模型发展^[44]。

MODIS的多时相多通道的热红外资料, 使得利用热红外信息反演地表温度算法的改进以及提高反演地表温度的精度成为可能^[45]。MODIS热红外图像已经被成功地应用到很多领域, 如地热调查、环境污染检测、灾害调查、土壤水分调查和海洋调查等。但是对热辐射与地面相互作用的机理研究、地表真实温度的模型反演、反演地表温度的热红外波段选择、热红外通道的定标等疑难问题仍然是研究的热点和难点。