随着遥感数据获取能力的日益增强,一方面导致遥感数据的多元化和海量化,使“存不起”的问题日益突出,另一方面由于缺少有效和高效的存储管理方法,难以及时发现终端应用所需的数据,使结果“存而无用”。本文围绕巨量、高吞吐、空间结构化的遥感影像数据及其基础土地信息产品的存储与管理问题,提出采用大数据架构的遥感资源存储管理方法,并基于MongoDB数据库实现了原型系统;通过使用PB量级数据进行试验,证明了该方法满足大数据时代对遥感矢栅数据的存储管理需求。

如何消除相邻影像间的信息冗余是实现大区域遥感自动化制图的关键。本文提出了一种基于约束接缝线的区域分块自动化制图方法,首先采用全球通用墨卡托投影-UTM投影的网格带将研究区分为若干小区域;然后,针对每个UTM投影带内的遥感影像,采用影像镶嵌的原理和湖泊边界约束条件计算其接缝线网络,以确定每景遥感数据制图范围;最后,根据其制图范围生成对应的无冗余专题信息,减少计算量和相邻影像重复信息的编辑时间。本文以亚洲中部干旱区为例开展湖泊制图试验,结果证明该方法能够生成顾及湖泊的有效制图范围,提高了遥感大区域制图的效率。

数据可视化是遥感应用的重要服务出口。针对静态的预生成瓦片地图难以满足数据查看、地图配置、空间分析等专业应用问题,本文提出了一套面向遥感大数据的实时渲染与交互可视化的解决方案。在渲染节点构建影像的渲染瓦片结构,以提高数据的读取速度;在可视化服务上,提出“数据-计算”相一致的负载均衡策略,优化地图的渲染效率;在可视化服务方面,设计交互的地图服务接口。与传统技术的对比分析表明,该解决方案不但实现了遥感大数据的实时渲染与交互可视化,并且达到了与预生成瓦片地图服务相当的服务性能。基于这一解决方案,研发了遥感大数据的动态可视化原型,并在影像数据实时查看、可视化计算、可视化分析等方面开展了示范应用。

高空间分辨率遥感影像为地表变化监测提供了大量细节信息,这使得基于高分辨率影像的变化检测技术成为当前遥感领域的研究热点之一。本文提出了一种历史解译知识引导下组合遥感图谱特征的变化检测方法。首先,通过分割前后时相的组合影像构建空间位置一致的对象,并在提取对象光谱和纹理特征后,引入前期土地覆盖专题图指导2类图谱特征相似度的DS证据融合;然后,利用其历史存档图斑所属区域的优势地类标签指示不同特征相似度的证据差异融合;最后,基于GMM（Gaussian Mixture Mode）模型的二值化方法提取最终的变化区域。实验结果表明,该方法能充分利用历史解译知识指导不同时相高分辨率影像对象特征相似度组合,一定程度上提高了变化检测正确率。

遥感影像的获取受卫星、传感器设计、大气条件等限制,往往难以兼顾时间和空间分辨率,导致由单一来源数据提取遥感信息难度较大,难以满足各种应用对信息时空分辨率越来越的需求。由此出发考虑多源数据的不同优势及其随着周期运行不断积累的多时相数据,设计了基于地块协同多种分辨率甚至多源数据的分类方法。以高空间分辨率影像为地理基准构建稳定地块分布图,这些地块在一定时间内边界与基本属性相对稳定,由此可以协同利用高时相分辨率数据反映地块在不同时间点的光谱表现,分别计算形成地块的时相变化特征,根据地类各自特点选择不同方法与数据特征完成解译,总体上以地块级监督分类完成具体类别解译。在2014年夏季青海玛多的米级土地利用分类实验中,整个植被生长季的中分数据以及冬季无云高分数据被收集用于协同分类,在解决多数据匹配、合成的基础上充分利用各数据的优势,对建设用地、水体、植被等关键类别区别对待,整体上取得了较高的解译精度,不但有效克服传统视角下数据源不足、信息缺失等问题完成了全县解译,而且保证了土地信息的时空分辨率,为生态调查与保护提供了最新最全数据支持。

采用面向对象方法处理高空间分辨率遥感影像时,影像分割质量对后续影像的信息提取结果影响很大。本文主要针对高分辨率影像分割中地物多尺度的问题,提出了一种基于多层优选尺度的高分辨率影像分割算法。该算法首先采用一系列规律变化的尺度对高分辨率影像进行多尺度分割,然后通过单分割层全局标准差的变化与尺度的关系确定一组最优分割尺度。在此基础上,通过各优选分割层之间的包含关系,局部建立多层次对象树,从整体上形成影像森林;通过局部同质性异质性综合评价指数的比较及父层光谱特征的限制来选取多层次对象树中的优势对象,从而获得最终的高分辨率影像分割结果。最后,本文分别采用了Geoeye和ZY3多光谱影像进行了2组分割实验,结果表明本文算法能有效地提高正常分割影像对象的比例。

多尺度分割是面向对象遥感影像分析的关键性基础步骤,影像分割过程中尺度参数的选择直接关系到面向对象影像分析的质量和精度。本文首先从理论层面将遥感影像分割的尺度界定为基于统计的原始影像全局或局部特征的一种定量化估计,并在算法层面上将多尺度分割算法的尺度参数概括为空间尺度分割参数（类别或斑块间的空间距离）、属性尺度分割参数（类别或斑块间的属性距离）和合并阈值参数（斑块大小或斑块像元数目）;接着,提出了基于谱空间统计的高分辨率影像分割尺度估计方法;最后,以均值漂移多尺度分割算法为例,采用高空间分辨率的Ikonos、Quickbird和航空影像数据,对本文提出的基于谱空间统计的高分辨率影像分割尺度估计方法进行了验证。结果表明,该方法在一定程度上不仅避免了高分辨率遥感影像分割尺度参数选择的主观性和盲目性,还提高了面向对象影像分析的自动化程度,具有可行性和有效性。

受植被时相变化、传感器畸变、获取时刻大气条件等因素的影响,不同时间获取的遥感影像存在色彩差异,而逐波段的色彩归一化容易引起新的色彩畸变。因此,本文提出一种复合类别支持的多元线性回归遥感影像色彩归一化方法,在输入影像和参考影像逐波段高斯归一化的基础上,进行复合聚类,确定各像元的复合类别;在迭代去除变化像元的基础上,将类别中心作为控制点,建立多元线性回归方程,并据此对输入影像进行处理。2组影像的试验结果表明,本文方法相对于传统方法在整体精度、色彩保持等方面具有较大的优势。

遥感影像中云及云影不同程度地影响着地物信息的有效获取。随着多源遥感数据的日益丰富,交叉应用多源、多时相遥感影像复原云及云影区的影像,以有效地获取地类演变过程是遥感大数据应用研究的重要内容。高精度的云及云影检测是遥感影像云及云影区修复的前提和保障。复杂多变的光谱特征以及难以有效表达的空间形态特征,使云及云影一直存在检测过程复杂、适用性差和精度不高的问题,难以形成稳定有效的检测方法。在对厚云、薄云、冰雪及其他地类多光谱特性分析的基础上,本文提出了一种云及云影的多特征协同检测方法。首先,对冰雪、云及其他地物类型可分性较好的红、短波红外、热红外波段,利用SAM方法匹配云光谱特征曲线,并进一步结合短波红外波段像元绝对值区分云与冰雪,以及热红外波段像元绝对值区分云及其他地物类型;其次,通过组合云影定向移动模型与近红外波段亮度阈值检测出云影像元。对具备这些光谱波段的Landsat-8进行实验,结果表明多光谱曲线、“诊断性”波段及空间关系多特征耦合能有效地检测出影像中的薄云、厚云及云影,整体精度优于95%。