7.1 多源融合：光学与雷达互补

7.1 多源融合：光学与雷达互补

本节摘要：光学数据给颜色与光谱细节，雷达给结构、湿度与全天时——两者短板恰好互锁。本节建立"先问互补性、再选融合档位"的方法次序：像素级、特征级、决策级三档融合各有代价，时空融合则专门解决"细节与频率不可兼得"的矛盾，并以洪涝制图为例走通一条完整的融合流水线。

单星视角不够用了

前六章的默认视角是一颗卫星的一次过顶，本章把镜头拉远看体系。互补性的判断先于一切融合技术：把候选数据源的强弱项列成清单，找"你的任务短板恰好是别人长项"的组合。光学与雷达的互补近乎教科书级：光学怕云、雷达无视云；光学夜里失明、雷达昼夜工作；光学读表面光谱、雷达读几何结构与介电特性；作物在光学影像上是"颜色与长势"、在雷达影像上是"冠层结构与含水量"。激光雷达补第三维、热红外补温度维、被动微波补大尺度水分维——每补一维，任务的盲区就少一块。

融合的档位按信息抽象层级分三档，选择依据是"两类数据的信息在哪个层面等价"。像素级融合在原始数值层面操作，典型是全色锐化与主成分替换——信息最完整，但对配准与辐射一致性要求苛刻，且两类数据的物理量纲不同时容易"融出物理上不存在的东西"。特征级融合先把各自数据转成特征（光学的 NDVI、雷达的后向散射及其时序统计）再拼特征向量，是业务中最稳妥的档位——物理各自解释、融合发生在判别层。决策级融合让每个数据源独立出结论再投票或加权（光学分类图与雷达分类图按可信度合成），容错性最好、信息利用最浅，适合数据质量参差的场合。

图 7-1：光学与雷达的互补与三档融合

时空融合：细节与频率都要

分辨率四维权里最难的服务矛盾是"又要空间细节、又要时间频率"：高分辨率卫星几天才来一次，高频卫星只有粗分辨率。时空融合方法（如星形映射类算法家族）的思路是利用两者的相关结构，用"高频粗分辨率影像记录变化、低频高分辨率影像提供细节基准"的加权合成，造出高频率加高细节的估算影像。它的边界同样要立住：合成影像是估算而非真实观测，突变地物（新建建筑、水体扩张）在粗分辨率数据里本就模糊，合成结果会迟滞；云期的长缺席会让权重失真。业务纪律：合成产品用于趋势与长势监测，灾害定损与面积量算仍以真实观测为准。

一次完整的融合流水线演算，以洪涝制图为例——它是特征级融合与"互补口诀"的示范案例：

# 洪涝淹没制图：光学与雷达特征级融合（演算）
import numpy as np
rng = np.random.RandomState(17)
n = 5000
ndwi   = np.concatenate([rng.normal( 0.45, 0.10, 1200),   # 水体：NDWI 高
                         rng.normal(-0.25, 0.12, 3800)])  # 陆地
vv     = np.concatenate([rng.normal(-20.0, 2.5, 1200),    # 水面后向散射低
                         rng.normal( -8.0, 3.0, 3800)])   # 陆地散射强

# 光学单独判：NDWI 阈值 0.1
opt_water = ndwi > 0.1
# 雷达单独判：VV 低于 -14 dB 且平滑
sar_water = vv < -14
# 特征级融合：两者一致判水；冲突时以雷达优先（多云天气任务的真实场景）
fuse = np.where(opt_water & sar_water, True,
        np.where(sar_water & (ndwi > -0.05), True, False))

truth = np.concatenate([np.ones(1200, bool), np.zeros(3800, bool)])
print(f"光学单独：用户精度 {np.mean(opt_water[opt_water==truth]==truth)*100:.0f}% 级（简化）")
print(f"融合判水像元 {fuse.sum()}，真值水体 1200，漏检 {(truth & ~fuse).sum()}，误报 {(~truth & fuse).sum()}")
# 云雨天的光学不可用时，雷达独立制图保底；光学可用时融合降误报
​

演算浓缩了洪涝任务的真实分工：应急期靠雷达保底出图，天窗期用光学精化边界，融合规则按"雷达优先、光学校核"写成一句可审计的决策逻辑。## 常见问答

问：融合前各源数据要做什么准备？ 三件套：几何对齐（到任务允许的配准预算内，通常是彼此分辨率的一半）、辐射口径统一（各自做到物理量——反射率、后向散射系数，别拿 DN 值相融）、时间匹配（差几天可接受由变化速度决定）。三件套不全就硬融，融合只会放大误差而不是互补优势。

问：多源数据分辨率不同，融合到哪个尺度？ 通常就低不就高：把细分辨率重采样到粗分辨率的网格上做特征融合，保物理稳妥；确需向细尺度出产品（如把公里级温度降尺度到百米级），属于降尺度反演问题，要带辅助数据（分类、地形）并单独验证，不能简单重采样了事。

问：深度学习的多模态融合和传统特征级融合是一回事吗？ 思路同源——都在回答"两路信息在哪一层汇合"；差异在学习方式，多模态网络让权重自动学出来，传统方法人工定权或按规则。业务选择看样本与可解释性预算：样本足、要自动化，上多模态网络；要可审计，特征级加显式规则更稳。

要点回顾：互补性判断先于融合技术，任务短板决定补谁；三档融合按信息层级递进，特征级是业务稳妥档；融合前的三件套——几何对齐、辐射口径统一、时间匹配，缺一项就先补一项；时空融合能造"高频高细"但产物是估算，量算仍以真实观测为准；融合规则要写成可审计的逻辑而不是隐在代码深处。下一节给数据加上时间轴——时序分析。

附：融合实施速记卡

速记四条。一、互补表先行：把候选数据源的强弱项列成表，任务的短板对着表找补。二、三件套不齐不动手：几何对齐、辐射口径统一、时间匹配，缺一先补一。三、档位按可解释性选：要审计走特征级加显式规则，样本足要自动化再上多模态网络。四、估算产品要标注：时空融合的产物是估算值，产品名与文档里都要写清，量算场景回到真实观测。一个训练方法送给读者：拿一个公开的灾害案例，手工把"光学、雷达、地形"三源数据按本节流程做一次小范围融合，从互补表写到融合规则——做完这一遍，多源思维就从"知道"变成"会做"了。

延伸：融合项目的失败清单

融合项目常败在三件小事上。其一，辐射口径偷懒：光学用反射率、雷达用分贝值，直接拼进同一个特征向量，模型学到的全是量纲噪音——先统一物理口径再谈融合。其二，配准预算挪用：把亚像元配准的功夫省了，融合产品的边缘到处是重影，用户第一次叠加就露馅。其三，融合规则不可审计：权重写在模型黑箱里，客户问"为什么这天判定为淹没"答不出过程——把规则显式化，哪怕牺牲一点精度，也是面向业务的最优解。清单的反面就是成功要素：口径统一、几何对齐、规则显式，三件事都是笨功夫，但融合产品的口碑恰恰是笨功夫堆出来的。做融合方案时把这份清单贴在手边，评审会上你会感谢它。

附：融合质量抽检四问

融合产品的质量抽检问四个问题：边界干净吗——水体与地块边界处有无重影或错位（配准问题第一现场）；量纲一致吗——同一地物在融合前后物理量级是否守恒（口径问题的照妖镜）；规则可溯吗——随机抽若干像元能否按显式规则复演出融合结果；时序可比吗——多期融合产品之间是否可比，还是每期各自为政。四问构成一张抽检卡，随批抽取、随批记录；融合产品的用户信任，就是被这一张小卡片一次次攒出来的。

补一个关于"互补性验证"的小实验：在急着写融合代码之前，先做一次散点检查——把两源特征在样本点上做二维散点，看目标类别在两源特征平面上的分布。若类别在联合空间里已经分得开，你的融合方案有了数据背书；若仍然重叠，先回头补特征或换源，而不是指望融合算法奇迹。这个十分钟的小实验，是融合方案评审会上最有说服力的一页——它把"为什么这么融"从理念变成了图形证据。