观天测地丨卫星遥感的大挑战
The following article is from 中科院之声 Author 彭宗仁
点击图片上方蓝色字体“慧天地”即可订阅
编者按：从古至今，人类从未停止过探索未知世界的脚步，认知世界的能力和手段与日俱增。中科院之声与中国科学院空天信息创新研究院联合开设“观天测地”专栏，为大家介绍天上地上探索的那些事儿，带来空天信息领域最新进展，普及科学知识。
经过五十年的发展，卫星遥感成为在区域和全球空间尺度上探测地球最有效的工具之一，提供了之前无法想象的数据量。卫星遥感能够快速监测大气、陆地和海洋，非接触式的观测过程有效避免了实地测量中的限制和危险。目前，卫星遥感数据支持了大量的实际应用。例如，支持天气预报、农业渔业、测绘、城市规划和矿产资源勘探，监测环境污染、气候变化、海岸线动态、海面温度和盐度、海洋生态系统和生物量、海平面变化、植被、森林等，并为应对COVID-19等科学研究提供了重要的遥感数据支撑。
尤其在近二十年，卫星设计发展迅猛，推出了更先进的卫星载荷。例如，在环境领域对二氧化碳和甲烷监测的MOPITT、GOSAT和OCO，通过监测大气状态进行天气预报和应对气候变化的红外测深仪AIRS、TES、IASI、IMG和CRIS，还有多用途的MODIS、MERIS和SGLI，以及比较专用的ATSR、AATSR、MISR和POLDER等载荷。除了传统的被动观测之外，还发射了CloudSat、CALIPSO和Aeolus等主动观测载荷，用于监测云层、气溶胶和风场的垂直结构。
空间仪器技术和信息学的繁荣发展使得从硬件、数据采集和处理方面对卫星观测的限制大大削弱，学术界在管理和分析卫星数据方面也积累了丰富的经验，不断挖掘现有卫星数据集的潜力，并逐步了解如何改善未来的卫星数据。这些进步帮助人们了解了卫星遥感的真正价值和潜力，但也认识到其局限性。学术界从未停止尝试解决遥感技术存在的基本困难，如信号与噪声分离、准确的仪器校准、观测数据信息量少且不足以完全描述地球物理化学和生物过程、可观测目标和对象数量不断增长等问题。这些卫星遥感根本问题在实际处理过程中，往往需要通过理论模型、先验知识和辅助观测进行适当约束，在一定程度上尚未完全解决。
当前卫星遥感技术面临的主要挑战包括时空覆盖的挑战、增加信息量与协同观测的挑战、遥感反演算法的挑战、高质量长期数据一致性和连续性的挑战。着眼未来，有必要从卫星设计、观测、数据处理和监测应用等多个角度梳理面临的挑战。
一、时空覆盖的挑战
卫星遥感的主要优点之一是能够快速观察地球的大部分区域，但当前可用卫星数据的覆盖范围有明显的局限性。低轨道中的地球极地轨道载荷通常需要至少一天或更长时间才能实现全球覆盖，因此无法完全捕获许多具有较高时空变异性的自然现象，而对地静止观测高轨道（GEO）载荷通过高频次对同一区域进行昼夜观测来解决这一局限。但是，在空间覆盖范围和卫星图像的分辨率之间仍然需要权衡取舍（通常，较高的覆盖范围会导致较低的空间分辨率）。
最理想的情况是卫星遥感具有广泛的高分辨率时空覆盖，但这极具挑战性。为此，卫星观测的设计需要创新，并发挥辅助数据以及互补观测的协同作用，以增加时空数据记录的覆盖范围和分辨率。
二、增加信息量与协同观测的挑战
尽管现有卫星观测性能已经较高，但是这些观测提供的信息量仍然有限。在复杂的环境中，没有哪种单一载荷可以提供有关目标的全面信息，因此仍须开发部署具有增强功能的新传感器或其组合。例如，多角度偏振载荷可以提供表征大气气溶胶和云详细特性的最合适的数据，然而由于对气溶胶和云的垂直变化的敏感性有限，即使是目前最先进的多角度偏振载荷也不能确保得到完全可靠的气溶胶特性的三维表征。而以星载激光雷达和雷达为代表的主动遥感载荷则可提供有关大气垂直变化的详细信息。
因此，在部署具有增强能力的卫星仪器的同时，必须探索互补性的协同观测，综合在不同的时间或空间尺度上、不同光谱范围内对目标物有不同灵敏度的载荷观测值，并将卫星观测与亚轨道观测以及化学传输模型结果相结合，以增加观测的总信息量。如图所示，在观测云这种高度异质性目标时，综合被动观测数据（光谱、偏振和微波）和主动观测（激光雷达和雷达），以降低观测不确定性。
被动观测载荷（光谱、偏振和微波）与主动观测载荷（激光雷达和雷达）协同观测
三、遥感反演算法的挑战
算法性能是影响卫星遥感产品质量的一个关键要素。实际上，一旦部署了一个载荷，就无法从硬件上提高所获得观测数据的质量，而反演算法却仍可以不断改进。在过去的十年中，新的遥感反演算法取得了显著进步。例如，新算法倾向于使用更准确的大气状态模型（而不是使用预先计算的查找表），实现气溶胶与陆地表面特征和云特性的同时获取，并能够同时反演大量参数。面对协同观测任务，则需开发适当的算法，应用于不同载荷或它们的组合，并分析多源数据的结果。越来越多的研究人员以此作为算法开发的目标，而算法演进过程也确实表明利用协同观测提高反演准确性具有很大的潜力。
同时，把机器学习方法不断地应用在算法开发中得到的经验说明，机器学习非常适合于对地球观测数据进行分析和解释。机器学习可以从数据中“学习”，并在最少的人工干预下做出决策，近年来这一方法中新兴的深度学习和深度神经网络技术不但应用于遥感研究中处理和分析大量数据，并有望进一步改进物理现象的预测和建模。
四、高质量长期数据一致性和连续性的挑战
长期且高质量的基础变量观测记录对于监测和研究地球（例如，气候变化等）至关重要。为保证高质量观测的连续性，正确阐释和解释多载荷数据记录中的差异和一致性成为关键。为此，载荷的绝对定标和多个相关载荷间的相互定标至关重要。校准和定标对许多新型仪器，特别是小卫星星群本身就具有挑战性。在解决定标和数据真实性检验的问题后，未来卫星载荷与当前载荷产生数据的延续性和兼容性也同等重要，如此才能实现卫星观测和高质量长期数据的连续性，确保积累的记录满足气候变化等全球重大问题研究的需求。
自第一颗卫星发射超过半个世纪以来，卫星遥感已经发展成为一种高度复杂的工具，提供大量数据，支撑从基础科学到日常生活的人类活动的方方面面。卫星遥感面临的这些重大挑战，也同时孕育了该领域未来巨大的发展空间。在此，我们诚挚邀请各位读者贡献自己的所知所学，共同解决这些挑战。
日前，中科院空天信息创新研究院遥感卫星应用国家工程实验室李正强研究员与法国国家研究中心（CNRS）、美国国家航天局（NASA）、英国国家对地观测中心（NCEO）、荷兰空间研究组织（SRON）等多国知名遥感专家共同撰写了《卫星遥感的大挑战》一文，并于近期发表在 Frontiers in Remote Sensing （《遥感前沿》）期刊。
论文：Dubovik O, Schuster GL, Xu F, Hu Y, Bösch H, Landgraf J and Li Z (2021) Grand Challenges in Satellite Remote Sensing. Front. Remote Sens. 2:619818. DOI: 10.3389/frsen.2021.619818.
内容转载、商务活动、投稿等合作请联系
微信号：huitiandi321
邮箱：geomaticshtd@163.com
欢迎关注慧天地同名新浪微博：
ID：慧天地_geomaticser
助力“碳中和”，卫星可以做什么？
高分卫星带你看，倒计时三百天的冬奥场馆怎么样了
卫星拍武汉，“遥”与君重逢
《慧天地》敬告
《慧天地》公众号聚焦国内外时空信息科技前沿、行业发展动态、跨界融合趋势，探索企业核心竞争力，传播测绘地理信息文化，为测绘、地信、遥感等相关专业的同学提供日常学习、考研就业一站式服务，旨在打造政产学研用精准对接的平台。《慧天地》高度重视版权，对于原创、委托发布的稿件，会烦请作者、委托方亲自审核通过后才正式推发；对于来自网站、期刊、书籍、微博、微信公众号等媒介的稿件，会在作者栏或者文章开头显著标明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！