2006. 5 综 述 遥感信息 遥感图像分类方法综述 王一达, 沈熙玲, 谢炯 ( 杭州市电力局调度所, 浙江杭州 310028) 摘要: 从遥感图像分类方法的基本原理入手, 介绍了传统遥感图像的分类 一些方法, 以及它 们近年来 的发展, 此外还对 遥 感图像分类研究的新方向作了一些介绍, 并对 发展趋势作了展望。 关键词: 遥感图像; 图像分类; 模式识别。 中图分类号: P237. 9 文献标识码: A 文章编号: 1000- 3177(2006) 87- 0067- 05 1 引 言 遥感图像是按一定的比例尺, 客观真实地记录和 反映地 表物体的电磁辐射的强弱信息, 是遥感探测所获得的 遥感信 息资料的一种表现形式。所 以遥感 技术的 核心问 题是 根据 地物辐射电磁辐射强弱在遥感图像上表现的特征, 判 读识别 地面物体的类属及其分 布特征[ 2] 。在遥 感图像技 术的 研究 中, 无论是专业信息提取, 运动变化预测, 还是专题地 图制作 和遥感数据 库的建立等 都离不开 分类, 对照 地面地 物类 型, 便可以从图像上地物的 识别。随着 近年来 计算机 技术 的飞 速发展, 计算机识别分类成了遥感技术应用的一个重 要组成 部分。遥感 图像数据类别 多, 合 混度大, 如 何解决 多类 别分 类识别并满足一定的分类精度, 是当前遥感图像研究 中的一 个关键问题, 也是人们关注的焦点[ 1] 。 2 遥感图像分类原理 的有监督分类中的最小距离法、逐次参数估计法、梯度法、最 小均方误差法、费歇准则法和非监督分类中的按批修改的 逐 步聚类法、等混合距离法。 此外还可 以将 两者 结合起 来, 互 相补充以获得较好的 效果。句 法模式 识别则 需要了 解图 像 结构信息, 从而对其进行分类。 图 1 统计决策法模式识别原理框图 图 2 句法模式识别原理框图 3 遥感图像分类研究现状 通常我们所指的遥感图 像是指 卫星探 测到的 地物 亮度 特征, 它们构 成了 光谱 空间。每 种 地物 有其 固 有的 光 谱特 征, 它们位于光谱空 间中的某 一点。但 由于 干扰的 存在, 环 境条件的不同, 例如: 阴影, 地形上的变化, 扫描仪视角, 干湿 条件, 不同时间拍摄及 测量误 差等, 使得测 得的每 类物 质的 光谱特征不尽相同, 同一类物质的各个样本在光谱空 间是围 绕某一点呈 概率分布, 而不是 集中到 一点, 但这仍 使我 们可 以划分边界来区分各类。 因此, 我们就 要对 图像进 行分 类。 图像分类的任务就是通过 对各类 地物波 谱特征 的分析 选择 特征参数, 将特征空间 划分为 不相重 叠的子 空间, 进而 把影 像内诸像元划分到各子空间去, 从而实现分类 。分类 方法可 以分为统计 决策法( 判别理论 识别法 ) 模 式识别 和句法 模式 识别。 统计决策法模式识别指的是: 对研究对象进行大 量的统 计分析, 抽出反映模 式的本质 特点、特征 而进 行识别。 主要 在目前的遥感图像分类应用中, 用的较多的是传统的 模 式识别分类方法: 诸如最小 距离法, 最 大似然 法等监 督分 类 法。其分类结果由于遥感图像本身的空间分辨率 以及/ 同 物 异谱0 ,/ 同谱异物0 现 象的存 在, 而 往往出 现较 多的错 分、漏 分情况, 导致分 类精 度不 高。但 目前 也提 出 了一 些改 进 算 法, 使其分类精度有了大 幅的提 高。随着 遥感 技术的 发展, 近年来出现了一些新的倾向于句法模式的分类方 法, 如人 工 神经网络方法, 模 糊数 学方 法, 决 策树 方法, 专家 系统 方 法 等。 3. 1 传统的遥感图像分类方法 在遥感图像数据的分类中, 人们最常用的是最大似然 分 类法和最小距离分类 法。最大 似然分 类法一 般是基 于贝 叶 斯(Bayes) 准则构 建起 来的, 而基 于各 种判 决距 离函 数的 多 种分类方法都称为最小距离分类法。 3. 1. 1 最 大似然分类法 收稿日期: 2006- 03- 01 基金项目: 国家自然科学基金 40271087 时态 GIS 的基态修正时空数据模型扩展及其应用; 浙江省自然科学基金 401006GIS 时 空数据库中 的基态修正模型扩展及其应用. 作者简介: 沈熙玲( 1980~ ) 、女、浙江大学硕士研究生、主要从事遥感应用研究、GIS 理论及应用研究. 67 

遥感信息 综 述 2006. 5 按贝叶斯准则建立起来 的贝叶 斯判决 准则称 为贝 叶斯 分类器, 其构建原理如 下: 地 物影像 可以以 其光谱 特征 向量 作为量度, 在光谱特征 空间中 找到一 个相应 的特征 点, 而来 自于同类地物的特征点在 特征空 间中将 形成一 个从属 于某 种概率分布的集群, 判别某一特征点类属的合理途径 是对其 落进不同类别集群中的条件概率进行比较, 相应于条 件概率 大的那个类别将是该特 征点的 归宿。为此 可以把 某特 征点 X 落入某类集 群( Wi ) 的 条件概 率 P ( Wi/ X ) 当成分类 判决 函数, 称为概率( 或似然) 判决函数。由于概率是建立 在统计 意义上的, 因而当使用 概率判 决函数 进行分 类判别 时, 不可 避免的出现错分现象。我们 希望以 错分概 率或风 险最 小为 准则来建立 所需要的判 决规则, 这就 用到贝 叶斯判 决规 则, 其判决函数 di( X) 如下: di( X) = lnP( Wi) - 1 2 ln | E i | - 1 2 [ ( x - Mi) T ( E i )- 1( x - Mi ) ] 相 应 的判 决规 则 有: 若对 于 所有 可能 的 j = 1, 2, . . . , m, j X i 有 di (X )> dj ( X), 则 X 属于 Wj 类。 近年来, 出现了一种新的数据处理技术数 据融合。数据 融合是多源信息综合处理的一项技术, 它将来自各数 据源的 信息通过某种方式处理, 产生比单一数据更精 确, 更可靠, 更 安全, 更有效的信息。数据融合的基本要点是: (1) 采 用何种 方式融合, 这是数据 融合的基 本方法 问题。( 2) 融 合后 信息 的有效性, 这是数据融合的最优性问题。 有人将此与 Bayes 方法结合起来, 提出了 顾及各数 据源 成像模型, 上下文关系模型和 可靠性的 基于 Bayes 融合 分类 方法[ 3] 。并采用该方 法对 Landsat TM 和航 空 SAR 图 像进 行分类试验, 结果表明: 同单独图像分类结果相比, 融 合分类 方法将分类精度提高了 20% 。 3. 1. 2 最小距离分类法 最小距离分类法的判决 函数是 建立在 地物光 谱特 征在 特征空间中是按集群方 式分布 为前提 的。它的基 本思 路是 设法计算某随机特征点 X 到 有关类 别( Wi , i = 1, 2. . . , m ) 集群之间的距离, 哪 类距离它 最近, 它就 归属 于那类。 距离 判别函数不像贝叶斯判决 函数那 样偏重 于集群 分布的 统计 特性, 而是偏重于几何位置, 其通用判决形式如下: 若对于所有可能的 j = 1, 2, . . . , m, j X i 有 di ( X) > dj ( X ), 则 X 属于 Wj 类。 在实践中三种距离判别函数: (1) 马氏(Mahalanobis) 距离: dMi( X) = ( X- Mi ) T ( E i ) - 1( X- Mi ) (2) 欧氏( Euchidena) 距离: dEi (X )= ( X- Mi ) T ( X- Mi )= + ( X- Mi ) + 2 | X - Mi| m (3) 计程(T axi) 距离: dTi( X )= E j = 1 为了提高遥感图像的分类精度, 综合利用多波段 卫星图 像, 图像融合无疑是切实可行的方案。但由于所考察 的地物 在遥感图像上图斑零散, 灰度值范围宽, 因此目标之间, 目标 和背景之间往往属于线性不可分或非线性分类问题, 这也是 影响分类精度的一个重 要原因[ 4] 。为此 出现了一 种称 为自 68 适应最小距离的算法 以及在 它基础 上的用核 空间理 论改 进 的自适应最小距离算法 [ 4] 。 自适应最小距离算 法的基 本原理: 首 先, 通过样 本集 合 的分解, 得到样本分布估计; 然后, 根据分解结果求出实际 分 类中待分类点到每一类的距离, 并作为分类依据。 用核空间理论改进 的自适应 最小距 离算 法则是 通过 引 入核空间理论, 将在输入空间中不能线性分类问题映射到 一 个可以进行线性分类的高维空间, 并利用核函数避免了在 高 维空间中运算的复杂度, 较好的解决了非线性分类问题 。其 原理: 首先, 要将自适应 最小距 离分类 算法公 式中的 输入 空 间变量改写为输入空 间变量 内积形 式; 然 后, 使用核 函数 替 代该内积, 即计 算特征空间 中变量 的内积, 完 成特征 空间 中 的分类。 3. 2 遥感图像分类算法研究新方向 传统的遥感图像分 类方法是 根据遥 感图 像数据 的统 计 特征与训练样本数据之间的统计关系来进行分类 的, 其分 类 精度往往不甚理想。同 时因为 地物类 型分布 方式的 本身 的 复杂性, 也造成了传统分类方法不理想的原因。为此人们 不 断的研究和尝试新的方法, 以图改善。近年来在采用神经 网 络, 模糊数学, 决策树和人工智能的方法进行研究 的过程中, 取得了很大的进展。 3. 2. 1 人 工神经元网络方法 人工神经元网络, 简称神 经网络, 是 以模 拟人脑 神经 网 络系统的结构和功能 为基础 而建立 的一种数 据分析 处理 系 统。一个神经元有多路 输入, 接收来 自其 它神 经元的 信息, 并将反馈信息经由一 条路线 传递给 另一神 经元。一 个神 经 元与多个神经元以突 触相连, 进入 突触的 信号作 为输入 ( 激 励), 通过突触而被/ 加权0 , 所有输入的加权之和即为所有 权 重输入的总效果。若该值等于或大于阈值, 则该神经元被 激 活( 给 出输入) , 否则即不被激活。人工神经网络可以视为 简 化了的人脑神经系统的数学模型[ 6] 。 90 年代以来, 人工 神经 网络 大量 的应 用于 遥感 图像 的 分类。现在应用较为广 泛的是 多层反 前馈网 络的反 向传 播 网络和自组织网络, 反向传 播网络 需大量 的学 习时间, 容 易 陷入局部极小、振荡而导致难以收敛以及网络结构难以确 定 等缺陷。自组织网络结 构简单, 学习 速度 快, 隐层结 点的 权 向量所表示的 意义 明确, 可 以用 来获 取输 入 数据 的统 计 特 征, 但存在隐层结点的数目较难确定和泛化能力差等问题。 图 3 重复传播网络结构 随着各种技 术的 发展, 人 们 对神 经网 络 的结 构进 行 改 

2006. 5 综 述 遥感信息 规则的目的, 从而提高了分类精度。 进, 提出了一个三层前向网络组成的重复传播网络来 提高图 像的分类精度 [ 13], 网络结构如图 3 所示。 各层之间的神经元全部互连。隐含层称为 Kohonen 层, 即竞争层, 采用竞争学习算法, 最高层称为 Grossberg 层或输 出层, 采用 Widrow- Hoff 或 Grossberg 规则学习。 也有人将小波和神经网络结合起来, 构造一种用 于分类 的自适应小波基函数神经网络[ 7] 。其结构如图 4 所示。 图 4 小波基神经网络系统结构图 小波分析的基本思想是 用一族 函数去 表示或 接近 一信 号或函数, 这一族函数 称为小 波函数 系, 它 是通过 基本 小波 函数的不同尺寸的平移 或伸缩 构成的。小 波变换 具有 线性 叠加性、平移共变性、尺度 共变性、能量 守恒 性、局 域正 则性 等优点。这 种小波函数网 络结构简 单, 容易 训练, 收敛 速度 快, 一旦网络训练好后, 其分类适应性强。 3. 2. 2 模糊数学方法 由于遥感图像有时所具有信息的不确定性, 针对 不确定 的数学方法自然成遥感 影像分 析人员 所注意 的目标。 模糊 数学方法就是一种针对 不确定 性事物 的分析 方法。它 以模 糊集合论作 为基 础, 有别 与普 通集 合论 中事 物 归属 的 绝对 化。在分析 事物的隶属关 系时, 即分类 时, 一般需 以某 数学 模型计算它 对于 所有 集合 的隶 属度, 然 后根 据 隶属 度 的大 小, 确定归属。 人们常常将模糊技术和神经网络相融合, 来克服 神经网 络和模糊逻辑在知识处 理方面 的缺点。采 用神经 网络 来进 行模糊信息的处理, 就可以利用神经网络的学习能力 达到调 整模糊隶属函数和模糊规则的目的, 从而使模糊系统 具有了 自适应的特 性, 提出 了一 种基 于模 糊高 斯基 函 数的 神 经网 络 。 网络共分 为 四 层: 第 Ñ层 为 输 入层, 将 特征 向 量 { x1, x 2, . . . , x n}引入网络; 第 Ò层为模 糊层, 完成 特征向量 的模 糊化, 将输入向量的 特征向量 分为三 个等 级( 小、中、大 ), 采 b ) 2); 第 Ó层为模 糊推 用的隶属度为高斯函数 exp ( - 理层, 目的是对模糊化后 的特 征向量 进行 综合处 理, P 表示 AND 操作; 第 Ô层为输出层, 对应于去 模糊化操作。其 结构 如图 5 所示。 [ 8] ( x - a 这种分类方法, 通过 神经网 络来实 现模 糊推理, 并 利用 神经网络的自学习功能来 达到调 整模糊 隶属度 函数和 模糊 图 5 基于模糊高斯基函数的神经网络结构 此外将模糊理论引入小脑模型神经网络, 提出了一种 能 反映大脑 认知 的 模 糊性 和 连续 性 的模 糊 小 脑模 型 神 经 网 络[ 9] , 它在模糊神经网络 的基础 上增加 了一个 联想单 元, 来 模仿人类小脑的学习结构。其结构如图 6 所示。 图 6 小脑神经网络结构 在该结构中, 每个输入状态变量被量化并且问题空间 被 划分成离散状态, 量化的输入构成的向量指定了一个离散 状 态并且被用于产生地址来激活联想单元中存储的 联想强度, 从而恢复这个状态信息。 此外还有采用 B 样条函数作为模糊隶属函 数[ 1 0] 等等 各 种类型的模糊神经网 络, 作 为分类 器对遥 感图 像进行 分类, 提高分类精度。 3. 2. 3 决 策树分类法 决策树分类法原理 是: 决 策树由 一个 根结 点, 一 系列 内 部结点( 分支) 及终结点( 叶) 组成, 每一结点只有一个父结 点 和二个或多个子结点。如果。由原级( 根结点) 出 发, 不断 往 下细分, 直到所要求的终级( 叶结点) 类别分出为止。于是 在 / 原级0 与/ 终级0 之间就形成了一个分类树结构, 在树结构 每 一分叉结点处, 可以选择不同的物质用于进一步的有效细 分 69 

遥感信息 综 述 2006. 5 类。而在其算法 描述 中确 是由/ 终极0 到/ 原级0 的逆 过 程。 即在已知/ 终极0 类别样本数据的情况下, 根据各类别 的相似 程度逐级往上聚类。每一级聚类形成一个树结点, 在 该结点 处选择往下细分的有效 特征, 依次往 上到/ 原级0 , 完成 对各 级各类组的特征选择。再 此基础上 , 再 根据 已选出 的特 征, 从原级到终极对整个图 像实行 全面的 逐级往 下分类。 对于 每级处的特征选择, 依据散布矩阵准则来进行 。 图 7 决策树结构 决策树分类算法 具有灵 活, 直观, 清 晰, 健壮, 运算 效率 高等特点, 在遥 感分 类问题 上表 现出巨 大的 优势[ 14] 。 随着 人工智能技术和理论的发展, 当前遥感图像分类技术 也向更 高层次发展, 地学知识和地理信息的辅助决策可以大 大提高 遥感图像分类和信息提取的精度, 其中专家系统是解 决这一 问题的有效途径。因此, 将决策树算法与基于知识的 专家系 统相结合将引起关注。 3. 2. 4 专家系统方法 近年来, 以专家知识和经验为基础的光谱信息和其他辅助 信 息的综合的影像理解技术 ) )) 基于知识的专家系 统, 已成 为 遥感应用领域的一个研究重点, 借助专家知识分析遥感数 据 往往事半功倍。 专家系统是人工智能的一个分支, 采用人工智能语言 将 某一领域的专家分析方法或经验, 对对象的多种属性进行 分 析, 判 断, 确定事物的归属。其核心内容是知识库 和推理机, 知识库中存储着与图像有关的知识和经验, 专家的知识和 经 验以某种形式, 如产 生 规则 IF < 条 件 > THEN< 假设 > < CF> ( CF 表示 可 信度 ) 表 示。由 诸 多知 识 组成 的 知识 库。 待处理的对象, 按某种形式 将其所 有属性 组合 在一起, 作 为 一个事实, 然后由一条条事实组成事实库。每一个事实与 知 识库中的每一知识按一定的推理方式进行匹配, 当一个事 物 的属性满足知识库中 的条件 项, 或 大部分 满足 时, 则 按知 识 库中的 THEN 以置性度确定归属。专家系 统的方 法由于 总 结了某一领域内专家 分析的 方法, 可容纳 更多 信息, 因而 具 有更强大的功能。 4 结束语 基于知识的专家系统的应用, 是遥感图像分类的发展 趋 势。在专家系统中, 证据推 理, 概 率似然 推理 和模糊 推理 理 论的发展使基于知识的专家系统逐步实用化, 但在知识的 获 取和量化及综合不确 定性知 识等方 面是专家 系统较 难处 理 的问题, 也是进一步研究的热点。 参考文献 1 李爽, 丁圣彦, 许叔明. 遥感影像分类方法研究[ J] . 河南大学学报( 自然科学版) , 2002, 32( 2) : 70~ 73. 2 曾如珠. 遥感图像分类识别的探讨[ J] . 泉州师范学院学报(自然科学版) 2000, 18( 4) : 36~ 39. 3 贾永红, 李德仁. 基于 Bayes 融合的多源遥感影像技术[ J] . 武汉测绘科技大学学报, 1997, 22( 13) : 248~ 251. 4 刘伟强, 胡静, 夏德深. 基于核空间的多光谱遥感图像分类方法[ J] . 国土资源遥感, 2002( 3) : 44~ 47. 5 毛建旭, 王耀南. 基于神经网络的遥感图像分类[ J] . 测控技术, 2001( 20) : 31~ 33. 6 张宝光. 人工神经网络在遥感数字图像分类处理中的应用[ J] . 国土资源遥感, 1998( 1) : 31~ 33. 7 王耀南. 小波神经网络的遥感图像分类[ J] . 中国图形图像学报, 1999, 41( 5) : 368~ 371 8 毛建旭, 王耀南. 基于模糊高斯基函数神经网络的遥感图像分类[ J] . 遥感技术与应用, 2001, 16( 1) : 62~ 65. 9 毛建旭, 王耀南, 孙炜. 基于模糊小脑模型神经网络的遥感图像分类算法[ J] . 测绘学报, 2002, 31( 4) : 327~ 332. 10 毛建旭, 王耀南, 孙炜. 模糊 B 样条基函数神经网络的遥感图像分类器[ J] . 电子测量与仪器学报, 2002, 16( 4) : 16~ 20. 11 李朝峰, 王桂梁. 模糊控制 BP 网络的遥感图像分类方法研究[ J] . 中国矿业大学学报( 自然科学版) , 2001, 30( 3) : 311~ 314. 12 李德强, 王宜主, 刘改凯. 一种适用于多类别遥感图像分类的新方法 ) ) ) 复合神经网络分类法[ J] . 遥感学报, 1997, 1( 14) : 257~ 261. 13 孙丹峰, 李红. 重复传播网络的改进及其在遥感分类中的应用研究[ J] . 遥感技术与应用, 2000, 15( 4) : 220~ 222. 14 李爽, 张二勋. 基于决策树的遥感影像分类方法研究[ J] . 地域研究与开发, 2003, 22( 1) : 17~ 21. 15 孙丹峰, 汲长远, 林培. 自组织网络在遥感土地覆盖分类中的应用研究[ J] . 遥感学报, 1999, 3( 2) : 139~ 142 . 16 王朝晖, 周佩玲. 贪心聚类算法及其在遥感图像分类和压缩中的应用[ J] . 中国科学技术大学学报, 2003, 33( 1) : 52~ 59. 17 梁继, 王建, 王建华. 基于光谱角分类器遥感影像的自动分类和精度分析[ J] . 遥感技术与应用, 2002, 17( 6) : 299~ 303. 18 陈杉, 秦其明. 基于小波变换的高分辨率影像纹理结构分类方法[ J] . 地理与地理信息科学, 2003, 19( 3) : 6~ 9. 19 李霆, 陈学诠, 邹晓涛. 基于遗传聚类算法和小波变换特征的自动分类[ J] . 计算机工程, 2003, 29( 2) : 153~ 155. 20 谭衢霖, 邵芸. 雷达遥感图像分类新技术发展研究[J] . 国土资源遥感, 2001, 3( 49) : 1~ 7. 21 张宝光. 数学形态学在遥感数字图像分类处理中的应用[ J] . 测绘信息工程, 2002( 2) : 1~ 5. 22 刘晓龙, 李英成. 地物频谱在遥感图像分类中的应用研究[ J] . 遥感信息, 1999( 1) : 24~ 26. 23 骆剑承, 梁怡, 周成虎. 基于尺度空间的分层聚类方法及其在遥感影像分类中的应用[ J] . 测绘学报, 1999, 28( 4) :319~ 324. 24 基于粗糙理论的 RBF 网络及其遥感影像分类应用[ J] . 测绘学报, 2003, 32( 1) : 53~ 57. 70 

2006. 5 综 述 遥感信息 25 FasART 模糊神经网络用于遥感图象监督分类的研究[J] . 中国图象图形学报, 2002, 7( 12) : 1263~ 1268. 26 陈华, 陈书海, 张平, 严卫东. K2means 算法在遥感分类中的应用[ J] . 红外与激光工程, 2000, 29( 2) : 26~ 30. 27 Noriaki Ozawa, Toshinori Aoki, Nei Kato, and Yoshiak i Nemoto. An automatic cloud region classification of satellite image by using clustering in local area[ J] . Electronic and Communication in Japan, Part 2. 2003, 86( 6) . 28 Kan Araki, Masanori Sinriki, and Shinkichi Nishimoto. Observation of fractal scattering from ground surfaces using millimeter wave radar altime2 ter[ J] . Electronic and Communication in Japan; Part 1. 2000, 83( 6) . 29 Anton J. J Van Rompaey, Gert Verstraeten, Kristof Van Oost, Gerard Govers, Jean Poesen . Modelling mean annual sediment yield using a dis2 tributed approach[ A] . Earth Surf. Process[C] . Landforms 2001, 26 1221~ 1236. 30 Edwin P. Maurer. Joshua D. Rhoads. Ralph O. Dubayah and Dennis P. Lettenmaier. Evaluation of the snow2covered area data product from MODIS[ A] . Hydrol. Process[ C] . 2003, 17, 59~ 71. A Review of Remote Sensing Image Classification Method ( Dispatch Institute of Hangzhou Electric Power Bureau , Zhejiang Hangzhou , 310019) WANG Yi2da SHEN Xi2ling XIE Jong Abstract: Start ing with basic principles of remote sensing image classification met hods, this paper introduces several met hods of origi2 nal remote sensing image classification and their recent developments. In addition, new directions for remote sensing image classifica2 tion researches and their developmental trends are discussed. Key words: remote sensing image, image classificat ion, pattern recognition. ( 上接第 66 页) 11 韩震, 金亚秋. 星载红外与微波多源遥感数据提取长江口淤泥质潮滩水边线信息[ J] . 自然科学进展, 2005, 15( 8) : 1000~ 1006. 12 韩震, 恽才兴. 伶仃洋大铲湾潮滩冲淤遥感反演研究[ J] . 海洋学报, 2003, 25( 5) : 58~ 64. 13 韩震, 恽才兴, 蒋雪中, 杨锋杰. 温州地区淤泥质潮滩冲淤遥感研究. 地理与地理信息科学, 2003, 19( 6) : 31~ 34. 14 韩震, 恽才兴, 蒋雪中. 悬浮泥沙反射光谱特性实验研究[ J] . 水利学报, 2003, 327( 12) : 118~ 122. 15 Z. Han , Y. Q. Jin, Distribution of suspended sediment con centrations in the Yangtze river estuary retrieved from the CMODIS image data of Ch i2 na. s SZ23 spacecraft[ J] , International Journal of Remote Sensing, 2006, 27( 8) : 1~ 8. 16 韩震, 金亚秋, 恽才兴. 神舟三号 CMODIS 数据获取长江口悬浮泥沙含量的时空分布[ J] . 遥感学报, 2006, 10( 3) : 381~ 386. Remote Sensing Application to Monitoring Resources and Environment in China. s Coastal Zone and Near2by Ocean HAN Zhen ¹, º, JIN Ya2Qiu ¹, YUN Cai2xing ¹, » ( ¹Key Laboratory of Wave Scattering and Remote Sensing Information ( Ministry of Education ), F udan University, Shanghai 200433; ºOcean College, S hanghai Fisheries University, Shanghai 200090; »State Key Laboratory of Estuarine and Coastal Research, East China Normal University, Shanghai 200062) Abstract: The coastal zone and its near2by ocean have been of importance for economic development due to their rich natural resources and specific geographic location. How to qualitatively and quantitatively retrieve t he environment information in these areas from mul2 ti2sensor, multi2channel, multi2temporal and both active and passive satellite2borne remote sensing becomes a key issue for remote sensing application. Based on the advancement of current development of remote sensing technology, t his paper briefly presents the progress of our research on information retrieval for China. s costal zone and its near2by ocean, and applications in some state engineer2 ing projects, such as classification of typical canopies and surface objects of the costal zone, spatial distributions of the tidal flat water2 side lines, the deposition and erosion in silt tidal flat, and the suspended sediments and internal waves. Key words: coastal zone; resources and environment monitoring; remote sensing 71