5.4.1地物目标的遥感特征与物理参数获取

    在以影像为表现形式的遥感数据中，由于不同地物目标与不同波长或频率的波相互作用的性质差异，以及地物目标到传感器的距离不同，导致它们在影像上也呈现出不同的影像特征。按照表现形式可以将地物目标特征概括为“色、形、位”三大类。

  （1）色：指地物目标在遥感影像上的颜色，包括地物目标的色调、颜色和阴影等。

  （2）形：指地物目标在遥感影像上的形状，包括地物目标的形状、纹理、大小、图形等。

  （3）位：指地物目标在遥感影像上的空间位置，包括地物目标分布的空间位置、相关布局，以及目标到传感器的距离等。

    这些特征是从影像上识别和确定地物目标是什么（what）、在哪里（where）的基础，也为从影像中提取目标的物理参数（如地表温度与湿度、地表反照率与净辐射、植被叶面积指数、土壤水分与有机质含量等众多水、土、气、生方面的地表物理参数的数量、质量和空间分布）提供了重要依据。

    利用遥感影像进行地理环境要素物理信息获取的基本方法主要有：目视解译、影像分类、地表参数定量反演等。

5.4.2目标的判读识别

    遥感影像的判读又称目视解译，或目视判译，即凭借解译者对目标波反射或辐射特性和地学规律的掌握及其经验，从分析影像上地物目标的遥感特征人手，从影像的亮度、色调／颜色、位置、形状、大小、纹理、阴影、距离、图案等方面建立直接解译标志，以及依据水系、地貌、土质、植被、地形高度、人文活动等其他地物在影像上表现出的特征及其组合关系进行地物类别判断的间接解译标志，确定地物目标的类型及其分布。

目视判读的方祛有：自接判读法、对比分析法、逻辑推理法、综合分析法、地理相关分析法等。遥感影像目视解译遵循从已知到未知、先难后易、先整体后局部、先山区后平原、先地表后地下、先宏观后微观、先面后线的顺序，在对影像整体特征分析的基础上，逐步确定影像上的各个目标。图5.28所示为某一区域土地利用遥感影像解译结果。

5.4.3目标的自动分类与识别

    遥感影像的自动识别是利用目渭：机，依据影像的信息特征，对影像的内容进行分析和判别，弄清影像上线条、轮廓、色调、图案、纹理等内容对应于地面目标的属性及其所处的状态。影像识别的本质是分类，而影像分类是计算机利用多波段遥感或融合了多源信息（如LiDAR距离信息、DEM高程信息等）的影像中各像元的强度（亮度）信息，采用一定的数学方法，确定每一像元的地理要素类别归属，再将其图魏讹，得到地理要素的数量、质量和空间分布。计算机自动分类方法包括了基于光谱特征的分类方法、基于空间结构特征的分类方法及光谱与空间结构结合的分类方法。从影像分类过程中人的干预程度，可将遥感影像分类分为监督分类和非监督分类两大类。

监督分类又称“训练场地法”“先学习后分类法”，是以建立统计识别函数为理论基础、依据典型样本训练方法进行分类的技术。即从影像上抽取已知目标类型的图像区域作为训练区样本，通过对训练区样本像元的分析，求出特征参数作为决策依据。采用判别分析、最大似然分析、特征分析、序贯分析和图形识别等方法建立决策规则和分类器对各待分类像元进行类别归属的判别。在监督分类中，训练区的选取对分类结果的精度有极大影响，要求训练区应覆盖所有待分类类别（典型性），而且每一类别的训练区应有足够数量的像元（代表性）。图5.29显示了对某城市区域土地利用的监督分类结果。

    非监督分类也称作“聚类分析”“边学习边分类法”，它在多光谱影像中自动搜索、定义其自然相似光谱集群组。非监督分类不需要先验知识，即事先不需要对研究区有所了解，不需要人工选择训练区，而仅需要给定待分类的数量或特征组数目，计算机自动根据像元的亮度或空间特征将每一像元按照特征相同或相似的原则进行聚类，得到所需类别数量的分类结果（图5.30）。

除了遥感影像分类，对影像目标的识别还包括对特定目标如建筑物、道路、林地、耕地等部分专题地理要素的提取。虽然遥感影像专题要素提取也采用影像分类方法，但与遥感影像分类需要确定全部像元的类别归属不同的是，遥感影像专题要素提取仅从遥感影像中搜索和寻找（特征分类）特定的专题目标，如水体、道路、绿地、建筑物等，并将其提取出来进行结构化表达。图5.31所示为从卫星遥感影像中提取河流要素的结果。

近些年来，遥感影像的自动识别技术得到快速发展，从数据源角度，不仅针对多波段、高光谱影像，还将不同来源的数据进行集成和融合，如将SPOT5的HRV多光谱影像与Radarsat 2的SAR影像融合、Landsat8 ETM+影像与DEM数据集成、QuickBirdn高分辨率影像与机载LiDAR数据融合，等等，以利用不同遥感数据源的各自特点提高目标分类、提取和识别的可靠性与精度；从影像识别方法角度来看，除传统的判别分析法、距离分析法、最大似然法、编码法之外，还发展了如光谱角制图、支持向量机分类、神经网络分类、深度学习等新型影像分类方法，为提高遥感影像的识别精度提供了技术手段。

5.4.4物理参数的遥感定量反演

遥感影像数据富含了丰富的信息，不仅能根据色调、形状、纹理等影像特征识别地物目标的类型，量测其形态、大小、高度等几何参数，还可根据遥感影像反演地理环境的物理参数。这是因为遥感成像过程经历了从辐射源→大气层→地球表面（植被、土壤、水体等多种介质）→探测器，所得到的影像是传感器对地理环境特征的综合反映，其中也隐含了众多地理环境的物理参数，如太阳辐射和天空散射，大气中的悬浮微粒、水蒸气、臭氧与碳含量、温度、湿度等，植被组分的光学参数、结构参数和长势、干物质量等，土壤的粗糙度、含水量、表面结构、重金属含量等，水体中的悬浮物含量、蓝绿藻浓度、有机物含量等。

如果以遥感影像为已知量，去推算地理环境中某个影响遥感成像的未知参数，即将遥感数据转变为人们实际需要的地理环境各种特性的物理参数，这个过程就是遥感定量反演。近年来，定量遥感技术得到快速发展，通过定量地分析遥感信息机理，建立地理环境物理参数反演模型，为众多水、土、气、生的地理环境物理参数的提取和计算提供了可能。

遥感定量反演的基础是建立遥感数据与地理环境物理参数间的定量关系模型。目前，通过将数学、物理理论与遥感实践相结合，人们建立了上百种基于不同遥感信息源并针对不同物理参数的遥感反演模型，这些反演模型大体上可分为统计模型（或经验模型）、物理模型和半经验模型。其中统计模型最为简单，只需分析地表参数与遥感数据间的相关关系，建立回归方程即可；其优点是需要的变量较少，建模容易，但其精度较低、缺乏普适性且不能解释因果关系。物理模型依据地表参数对遥感成像过程的作用机理，建立两者定量关系的严密数学表达式，具有明确的物理意义，如描述植被二向反射的辐射传输模型、几何光学模型，描述作物生长过程的动力学模型等；此类模型的优点是能很好地解释模型的因果关系，可移植性强，但其输人的外部参数多、模型复杂、实用性较差，且对非主要因素有过多的假定或忽略。半经验模型则综合了统计模型和物理模型的优点，模型所用的参数往往是经验参数，但模型本身具有物理意义。

遥感定量反演面临的主要问题是尺度问题和“病态反演，，问题。遥感尺度问题是指遥感数据的空间尺度对信息提取精度的影响，可行的解决方案是实行尺度转换（从高分辨率转换为低分辨率或反之），目前实现尺度转换的方法有线性分解、小波分解、机器学习等方法。遥感反演在本质上是病态反演，这是因为地表本身的多变性以及遥感成像过程的复杂性（如涉及辐射源、大气、地物光谱效应、探测器响应等），每个环节都涉及众多的参数，而多光谱遥感数据仅提供像元的若干光谱信号值，使得遥感反演中信息量不足；以少量观测数据估计复杂地表系统的当前状态存在着极大的不确定性。解决病态反演的关键在于引人新的知识，增加反演所需要的信息量，以保证反演结果的稳定性和可靠性。

以区域叶面积指数的遥感反演为例，阐述地表参数遥感反演的应用。叶面积指数（leaf area index，LAI）是指单位土地面积上植物叶片总面积占土地面积的倍数。即：叶面积指数=叶片总面积／土地面积。叶面积指数是重要的植被结构参数，影响生态系统的物质和能量循环，是作物生长、陆面过程、水文和生态等模型的输人参数或状态变量。例如，使用我国FY -3中分辨率成像光谱仪遥感数据对某省的LAI进行遥感反演。再如利用美国MOS卫星搭载的中分辨率成像光谱仪（MODIS）数据对我国华东地区冬季大气层中的气溶胶光学厚度（气溶胶光学厚度AOD或AOT定义为介质的消光系数在垂直方向上的积分，用于描述气溶胶对光的衰减作用，可用于分析和评价大气雾履、大气污染和水汽含量等）进行遥感反演。