多源融合先统一观测语义再增加信息

不同传感器从不同物理过程观察地表。光学记录反射与发射辐射，SAR 记录微波散射，激光雷达提供离散三维采样。把它们放在一起可以减少单一数据源的盲区，但只有在位置、时间、尺度和单位可比较时，新增数据才可能转化为新增信息。

融合不是把更多波段堆进模型。若一个数据源配准错误、时间不匹配或质量差，模型可能学习到伪相关，离线分数短期提高，换地区或年份就失效。

先明确每个数据源测量什么

同名变量可能有不同定义。两个“表面反射率”产品的光谱响应、观测角度和大气处理不同；两个高程产品可能分别表示地表和裸地；雷达亮度也不是光学明暗。

资料清单应记录传感器、处理级别、波段响应、单位、比例因子、质量层、观测时间和空间支持。只有明确测量链路，才能判断变量是互补、冗余还是冲突。

派生产品可能共享上游数据。例如把 NDVI 与原红近红外波段同时输入，并不等于三个独立证据。评估特征贡献时要考虑这种依赖。

外部标签也可能来自某个被融合的数据源。若训练土地覆盖标签通过高分辨率光学判读，模型使用同一影像日期可能获得不现实优势，测试设计需要隔离来源关系。

空间配准要达到任务尺度

多源数据首先要落到共同坐标参考和网格。一个像元的几米偏移对区域统计可能影响有限，对建筑级分类却会把屋顶光谱与道路雷达回波拼在一起。

控制点和整体均方误差不足以描述局部配准。地形起伏、传感器几何和正射模型会产生空间变化误差，应在不同地形和覆盖类型抽查。

统一分辨率需要重采样。把三十米数据放大到十米只是在细网格重复或插值，不能获得十米细节。模型若把这些像元视为独立高分辨率观测，会低估不确定性。

更合理的策略可能是在各自原尺度提取特征后融合，或使用能够显式处理多尺度输入的模型。选择应由目标对象尺度和输出用途决定。

时间匹配不只看日期相近

两次观测相隔几天是否可融合，取决于地表变化速度。稳定地质背景可以接受较宽窗口，洪水、作物和积雪可能在数小时内改变。

过境时刻、太阳角度、潮位和天气会使同一天数据也不可直接比较。光学晴空日期与雷达任意天气日期之间可能存在系统选择偏差。

时间合成可以提高匹配率，但会扩大观测支持。一个月光学中位数与某一天 SAR 影像组合，输出不再代表明确时刻。应保存每源的日期或时间范围。

训练与预测的可用源也要一致。如果线上经常缺少某个传感器，训练时始终完整输入会导致部署失效。可以设计缺源分支、掩膜或降级模型，并单独评价。

像元级融合要求最严格的一致性

像元级融合在输入或物理量层直接组合数值，适合几何和时间高度一致的数据。波段堆叠、全色锐化和时空融合属于不同形式，它们依赖特定观测模型。

输入应先完成辐射归一化、单位统一和质量筛选。把分贝 SAR、温度开尔文和反射率直接标准化后拼接虽然数值可运行，仍需要说明模型如何使用这些不同物理量。

全色锐化提高视觉空间细节，但可能改变光谱值，不一定适合定量分析。时空融合用高时频粗数据和低时频细数据估计细尺度序列，输出含模型假设，不能当作真实观测。

像元级方法对错位敏感，应通过模拟偏移和分辨率变化做稳健性测试。

特征级融合保留各源处理路径

特征级融合先从每个数据源提取纹理、光谱指数、结构或学习表示，再组合特征。这样可以让各源使用适合的预处理和尺度，并减少原始维度。

不同特征的空间支持仍要记录。例如激光雷达高度统计来自一个网格单元内多个点，光学纹理来自滑动窗口，二者虽然落在同一中心，代表范围可能不同。

特征标准化必须在训练数据内拟合，不能使用测试区统计。缺失值处理也要区分“传感器未覆盖”和“真实数值为零”。

高维特征会增加过拟合风险。特征选择和降维需要在交叉验证内部完成，并按地区或时间外推测试，而不仅是随机像元切分。

决策级融合组合独立结果

决策级融合让各数据源先生成分类、概率或检测结果，再按规则或模型组合。它适合源数据难以共同处理、可用性不一致或已有成熟单源模型的场景。

概率输出应先校准。两个模型的 0.8 若含义不同，直接平均没有稳定解释。错误相关性也很重要：两个模型都依赖同一标签或共同天气条件时，并非独立证据。

规则可以在云天依赖 SAR、晴天增加光学，在高植被区引入 LiDAR。规则需要从验证数据和业务边界得出，而不是凭主观设定。

融合后的拒绝条件同样重要。当各源强烈冲突或质量不足时，输出“不确定”可能比强行投票更可靠。

评价必须证明增益来自互补信息

应建立每个单源基线，再与融合结果比较。只报告融合模型分数，无法知道改进来自哪个源，也无法评估某源缺失后的风险。

测试集应按空间区域、时间或对象分组，防止相邻像元和同景影像泄漏。多源数据中的共同误差可能让随机切分结果异常乐观。

消融实验可以逐源移除，观察总体和各场景变化。还要测试配准扰动、日期偏移、云量、入射角和缺源，确认模型不是依赖脆弱条件。

复杂融合增加数据许可、存储、处理延迟和重算成本。轻微精度提升若要求难以持续获得的源，可能不适合业务运行。模型卡和数据版本应记录每个输入依赖。

多源融合的目标不是让输入越多越好，而是让不同观测在共同问题上提供可验证的互补证据。先统一语义、尺度和时间，再选择融合层次，才能把数据多样性转化为可靠结论。

资料依据

• Committee on Earth Observation Satellites：Analysis Ready Data，https://ceos.org/ard/
• NASA ARSET：Fundamentals of Remote Sensing，https://appliedsciences.nasa.gov/sites/default/files/Fundamentals_RS_Session2_Land_Final.pdf