1 引言 遥感通过探测电磁波谱、重力或电磁场扰动，在不直接接触物体的条件下对物体进行观测[1]。遥感作为一种观测手段，与其他观测方法的相同点是为了获取有价值的数据产品，均需要对观测获取的信号/样品进行处理；不同点在于遥感不接触物体便能够实现对物体的观测，观测方法更加灵活；以像元为观测单元的信息获取方式是遥感观测与传统观测方法最大的不同点[2]。长期以来，地学、生态学等学科通过在有限的、分散的点上要素观测推算宏观的、区域的要素变化状况[3-8]，无形中增加了客观认识的不确定性。遥感观测通过全覆盖观测，获取细至厘米级、粗至千米级的长期、持续性的观测数据，极大地克服了以点带面的观测弊端，为全球变化研究、地球系统科学研究等提供了独特的观测手段[9]。 任何观测方法，最初获得的信号、数据或样品都需通过有效地分析处理后才能得到有意义的数据产品。基于站点的水文气象数据需要经过空间插值转换得到流域降水量等信息[3，5]，通过水量平衡方程推算流域出口断面的径流量[10]；实地采集的水、大气、土壤、农产品等样品，需要通过实验仪器分析解析采样点水质、大气质量、土壤属性、农作物品质等信息[7-8]；森林蓄积量、树龄测定则需通过量测胸径、树高、钻取树芯后获得[11]。 遥感观测方法也不例外，最初获得的电磁波信号，需要经过处理和分析后才能转换为可直接应用的数据产品，这一过程中辐射定标、大气纠正、几何纠正只是得到遥感观测数据的预处理过程，是生成遥感数据产品的基础，而更重要的是从遥感观测数据生成有价值的数据产品的方法；如植被结构参数[12-13]、生理生化参数[14-22]、河流湖泊水质[23-24]、水循环与水资源管理[25-28]、地物类型[29-31]、植被生长状况[32-35]、生物多样性[36-38]等，与之相关的数据产品生成方法，部分简单，部分又极其复杂，相同的处理方法常因原始遥感观测数据的不同、研究区域的转变、专家知识的差异而产生截然不同的数据产品，以作物种植面积遥感监测为例，不同分辨率遥感产品，即使采用相同方法估算的作物种植面积受尺度影响也可能存在较大差异；植被叶面积遥感估算的方法多种多样，但都只能适用于特定区域与特定环境。遥感从观测数据到数据产品的不确定性极大地妨碍了遥感走出象牙塔。 本文通过系统回顾现有的从遥感观测数据中获得有价值的数据产品的方法，总结分析现有的目标识别和参数提取两大类处理方法及各自的优势，阐述各类方法的局限性及其原因，重点指出遥感数据产品生成方法未来的发展方向，希望促进遥感从观测数据到数据产品的结构化与科学性。 2 目标识别 对遥感影像进行解译和判读进而识别地物类型，提取土地覆盖和土地利用类型、识别地物目标并开展动态变化监测，以及云识别、灾害损毁监测、海表异常探测等均属于目标识别范畴[39-41]。 最初的基于遥感观测数据的目标识别是通过目视判读的方式实现的，其首先应用在军事要塞、电厂、机场等敏感目标的识别。目视判读因其直观易懂一直沿用至今，受限于遥感数据质量、监测系统的自动化水平等诸多因素，国家级农情遥感监测系统在开展农作物种植区提取时，仍部分依赖目视判读的方法；中国土地资源数据[42]、第2次全国土地调查工作同样采用人机交互目视判读的方法[43]。但目视解译需要大量的人工投入，并受解译人员知识经验等主观因素的影响，存在效率低、精度与质量难以控制、解译经验要求高等缺点。随着遥感技术的迅速发展，全球卫星遥感数据总量已达艾字节(EB)级[44]，目视判读早已无法充分发挥海量遥感数据在目标识别中的作用。 利用计算机技术实现目标的自动判别与分类，已成为遥感技术与应用研究的重点[45-47]，包括参数化分类器、非参数化分类器在内的多样化分类器被广泛地用于土地利用分类[29，48-52]、不同植被类型识别[30，53-60]、关键目标识别[61-63]等多个应用领域。遥感数据源的丰富也为目标识别能力的提高提供了保障。高光谱遥感观测获取的光谱信息在反映地物波谱特征方面能力突出，能够甄别地物特殊的光谱特征，使得高光谱图像中相似目标的探测成为可能[64]。微波遥感因其全天候的观测能力，在多云雨区开展目标识别的能力突出，广泛地应用于水稻种植区提取、洪泛区识别[56，65-67]等。多时相、光学与SAR数据等多源遥感协同观测因充分结合不同时间获取的遥感数据以及不同数据源自身的优势，目标识别的精度有所提升[45，56，65]。 然而，遥感目标识别的精度并没有质的飞跃。2000年全球有代表性的1 km分辨率土地覆盖数据集中的IGBP DISCover、GLC 2000、MODIS土地覆被数据产品的总体精度分别为66.9%、68.6%和78.3%[68]，ESA利用2003—2012年间的中分辨率光谱成像仪(MERIS)数据生成的2000年、2005年、2010年3个时段的全球土地覆盖数据集，空间分辨率提高到300 m，水体要素产品的空间分辨率提高到150 m，总体分类精度为73%[69-71]；而利用2006年之后的Landsat系列卫星生成的全球30 m分辨率土地覆盖数据集(FROM-GLC)的总体精度为71.5%[49]；利用“像素分类—对象提取—知识检核”方案生成的2000年、2010年全球30 m分辨率土地覆盖数据集(GlobalLand 30)[50-51，72]，总体精度达到80%[50]；采用面向对象分类技术以及变化检测方法生成的中国1990年、2000年、2005年、2010年4个年度的30 m分辨率土地覆盖数据集(ChinaCover)[48]，通过分类后人工修正将总体精度提高到86%[29]，勉强达到实际应用要求的85%的分类识别精度目标[73]。
