遥感图谱认知理论与计算

骆剑承, 吴田军, 夏列钢

The Theory and Calculation of Spatial-spectral Cognition of Remote Sensing

LUO Jiancheng,WU Tianjun,XIA Liegang

表2 图谱协同阶段的关键技术及其难点问题

Tab. 2 The key technologies and their existing difficulties in the stage of “coordinating spatial-spectral features”

关键技术	常用实现算法	存在问题与难点	发展趋势
特征分析	光谱、空间、时间、地域等多源“图-谱”特征的提取与优选算法	地物特征的计算具有不确定性,造成后续的分类存在一定的错分率	① 构建“影像-结构-演化”紧致结构的多特征表达模型（多特征：异构时空特征表达） ② 建立高空间、高光谱与高时间分辨率大数据协同计算（多维度：多源数据协同处理）
特征分析	光谱、空间、时间、地域等多源“图-谱”特征的提取与优选算法	多时相获取的遥感数据是非平稳信号,地物特征具有不一致性,当协同时序特征时,需对数据进行有有效、可靠的滤波去噪、几何配准、辐射校正等一致性预处理
分类	SVM、神经网络、决策树、随机森林等监督分类算法以及自训练算法、生成模型、图论方法、多视角算法等半监督分类算法	地物外在特征不能描述其本质特征,典型特征难以确定,限制了分类的精细度（即地物可分性和分类精确性）^[45]
分类	SVM、神经网络、决策树、随机森林等监督分类算法以及自训练算法、生成模型、图论方法、多视角算法等半监督分类算法	训练样本的采集是费时费力的步骤,如何在少量样本或无样本条件下实现高精度的分类、提升分类的自动化与智能化程度^[46]