遥感数据融合研究进展与文献定量分析(1992-2018)
本文对遥感数据融合技术的研究进展情况进行了调研、分析与归纳总结。遥感数据融合是解决遥感传感器硬件技术瓶颈的有效方法,能够同时具备高空间分辨率、高光谱分辨率、高时间分辨率的指标特性。文章首先对遥感数据融合相关论文的年发文量、发文国家与机构、发表刊物以及关键词等进行了统计,梳理其发展历史及趋势;系统性的总结了各类数据融合算法,将其分为面向空间维提升的融合算法、面向光谱维提升的融合算法以及面向时间维提升的融合算法三类,并对各类算法的优势与适用性进行了分析;归纳总结了遥感数据融合的质量评价指标,包括有参考影像的融合评价指标以及无参考影像的融合评价指标。
遥感数据融合算法可以分为三类:面向空间维提升的融合算法、面向光谱维提升的融合算法以及面向时间维提升的融合算法。面向空间维提升的融合算法可以提高遥感数据的空间分辨率,例如 pansharpening 算法、超分辨率重构算法等。面向光谱维提升的融合算法可以提高遥感数据的光谱分辨率,例如 spectral unmixing 算法、spectral super-resolution 算法等。面向时间维提升的融合算法可以提高遥感数据的时间分辨率,例如时间序列分析算法、变化检测算法等。
遥感数据融合的质量评价指标可以分为两类:有参考影像的融合评价指标和无参考影像的融合评价指标。有参考影像的融合评价指标可以用来评估融合结果与参考影像之间的相似度,例如 peak signal-to-noise ratio(PSNR)、structural similarity index(SSIM)等。无参考影像的融合评价指标可以用来评估融合结果的质量,例如 entropy、uniformity 等。
在遥感数据融合研究中,文本分析、bibliometric 分析等方法可以用来分析研究热点、发展趋势和知识图谱。同时,机器学习、深度学习等技术也可以应用于遥感数据融合中,以提高融合结果的准确性和效率。
遥感数据融合技术是解决遥感传感器硬件技术瓶颈的有效方法,能够提高遥感数据的空间分辨率、光谱分辨率和时间分辨率。遥感数据融合算法可以分为面向空间维提升的融合算法、面向光谱维提升的融合算法以及面向时间维提升的融合算法三类,质量评价指标可以分为有参考影像的融合评价指标和无参考影像的融合评价指标。遥感数据融合技术的研究进展将推动遥感应用的发展,满足不同领域的需求。