无标题¶
目录
The idea of the "multi" approach - which simply means "several to many different" - to remote sensing is introduced. For example, "multilevel" refers to a wide range of different altitudes or distances from the surface being observed. This first of three pages devoted to "multi's" concentrates on different altitudes that lead to different scales and resolutions.
应用遥感的“多”方法
多平台和多层次
地面实况活动是“多”方法的组成部分。因此，我们应该尽可能从不同的平台获取数据（ 多平台 ）在不同高度（ 多级；多级 ）这就产生了 多尺度 图像或分类地图。理想情况下，我们的目标是 多传感器 同时提供数据的系统，通常在 多分辨率 在光谱的各个区域（ 多光谱 ）通常，我们在不同的时间获取数据（ 多时间的） 当季节效应或光照差异是因素或变化检测是目标时。支持地面观测应来自许多相关但不一定相关的来源。（ 多源 ）某些类型的地面数据可能相互关联，也可能与其他类型的遥感数据相关联。（ 多相 ）
` <>`__13-15: Using your imagination and growing experience, design an experiment using as many of the above "multi's" as seems sensible. `ANSWER <Sect13_answers.html#13-15>`__
许多遥感调查包括上述几个“多”类别，但对遥感教科书和互联网网站的审查通常并不突出将其中大部分应用于一个研究或应用网站的例子。这证明了在准备本页时的情况。因此，为了充分说明“多重”概念，有必要展示世界不同地区的图像，而不是不同系统反复感知的同一块“不动产”。最后，我们将对科威特进行一项多时间的研究，其中包括一些随着时间推移使用不同传感器优化相关数据集成的想法。而且，我们现在提到，过去几年中，平台上有多个传感器同时工作。最好的例子是Terra (page 16-9 _）它有五个不同但互补的传感器，经常检查同一个目标；然而，目前还没有在Terra的网站上发布显示在任何特定时刻感知到相同地面的图像或研究。
在本教程的前面，已经有了一些“多”类型的图像和照片的独立示例。在本页的评论中，我们将发展一个主题：农业，特别是作物监测。我们从特拉华州/切萨皮克湾分类分析开始，如图所示。 page 13-3 . 在这里，我们将遵循多层次的方法，依次查看切萨皮克和特拉华运河周围的农田，从陆地卫星红带次新世开始，然后进行到低海拔照片。
接下来是一张高空U-2照片，上面的部分区域；使用运河定位自己。
现在，为了进一步放大，考虑一下这个包含部分运河的中等高度的航空照片。
最后，这里转载的是一张低空航空照片的纸质印刷品，这张照片实际上是在特拉华州的试验地点拍摄的。土壤保护局的田间代理商已经做了一些标记，显示了一些作物面积的特征和产量。
作者（NMS）是这项实地研究的参与者。作为陆地卫星阶段准备工作的一部分，美国国家航空航天局利用多光谱扫描仪在研究地点南部德尔玛瓦半岛的田野上空执行了一项飞行任务。以下是四幅模拟4个陆地卫星MSS波段的图像：
|飞机多光谱扫描仪图像模拟陆地卫星的4个MSS波段，覆盖了德尔玛瓦半岛肖邦河沿岸的一个地区。γ
根据数据，在每个MSS等效带中，对选定区域的光密度进行模拟测量（使用在透明度上操作的光度计），得出相对黑暗图，作为来自地面特征和作物的反射比的代表，表明：
让我们从这个具体的研究转向一些更一般的例子。宇航员从航天飞机上拍摄的许多照片都以农业区为主题。通常这些照片不是特别好，主要是由于大气问题。但这个覆盖了埃尼德周围的土地，堪萨斯州是其中一个更好的。
其他卫星则能产生非常好的农田近地自然图像，比如这一场景：
在更高的分辨率下，这是由Ikonos-2卫星拍摄的加利福尼亚大峡谷附近的田地。
在另一个极端，如 page 3-4 非常擅长提供小规模、大面积的作物和植被活力指标，通常用ndvi表示。下一张图片是德克萨斯州达拉斯及其周边地区的NDVI值黑白图（使用通道1和2）。浅色调表示高NDVIS。
作物压力是由于土壤和/或作物水分不足（干旱）、营养不良、植物病害、虫害和其他因素造成的。下一幅图片是科罗拉多州圣路易斯山谷的农田。它由Aviris传感器制造，将在本节第13-9和13-10页中详细描述。对这些科罗拉多作物的分类 page 13-10 . 在这里，我们展示了Aviris高光谱数据，这些数据使用了对作物水分缺乏敏感的波段。
土壤水分是农民在决定种植条件和灌溉需求时需要知道的关键参数之一。它通常是潜在或实际作物压力的前兆指标。这可以通过航空摄影来实现，如图所示，在印第安纳州的一些农场，但是为特定的水资源储备而飞行的成本很高。
热扫描仪也能很好地探测水分，如这张威斯康星农场的航拍照片所示，摄于日落后不久的晚上9点左右。左上角的亮点是一群（温暖的）奶牛。右上角的黑色矩形是农场外屋的金属板屋顶，由于金属的发射率非常低，因此显示“酷”。
AVHRR热波段还可以提供有用的农业信息。HCMM手术时也是如此。这是5月份拍摄的加州大部分地区的HCMM日热成像。注意中央山谷的农场模式。还要注意高海拔地区非常黑暗的地方——这是春天的雪，它最终会在夏季融化时为农作物提供水源。
雷达是一种很好的农田成像手段，如在亚利桑那州凤凰城附近的马里科帕地区执行的低空空中雷达任务所示：
海星雷达在大平原拍摄下一个场景。有些场是暗的，另一些场是亮的，表示生长的阶段（光区域向接收器反射更多的雷达波束）。特别令人感兴趣的是两个黑暗的斑块，它们代表了经过平原的两次局部雷暴后土壤湿度（减少回报）的影响。
如第8节所述，由不同波段制成的雷达图像以不同的方式披露信息，而不是以与其他波段相同的方式表达。下面是一对阿拉斯加州西部的医学湖地区的图片，如果费尔班克斯被两颗不同的卫星偶然地相隔18分钟拍摄。左边是一个ERS-1雷达C波段图像；右边是一个JERS-1L波段图像。请注意，ERS-1图像以明亮的色调呈现一些沼泽；JERS-1图像突出显示河床。
在接下来的两页中，我们将完成这个“多”调查，从不同传感器的图像合并时获得的信息开始，以多时间示例结束。
主要作者：Nicholas M.Short，高级电子邮件： nmshort@nationi.net