The Innovation | 我国科学家破解遥感数据统一存储密码

为解决长期困扰遥感科学家的时间序列分析研究技术难题，在国家自然科学基金15年持续支持下，本研究突破遥感时空谱数据统一存储瓶颈，构建时空谱多维协同存储结构，破解时序分析困境。

传统遥感数据主要采用HDF、GeoTIFF、netCDF作为核心存储格式。HDF数据格式支持复杂的分层数据结构和多种数据类型，由美国国家超级计算中心开发，是遥感数据的主要格式。GeoTIFF作为TIFF格式的地理空间扩展，通过嵌入地理坐标元数据，为遥感图像提供了关键的空间参考信息，有效支撑地理空间分析。NetCDF作为科学数据处理专用格式，其底层基于HDF，两者文件结构兼容，其多维阵列数据结构设计在遥感数据存储方面展现独特优势，支持数据压缩、子集提取等操作，极大提升了数据管理效率，主要用于气象数据。这些传统格式通常采用树状或链表式复杂数据结构进行信息组织，但基于三维立方体模型的固有架构，难以满足长时间序列分析需求，由此催生了多维数据存储格式（MDD）的创新发展。图1 D系统对比了传统格式与MDD在存储效率、维度支持等方面的核心差异。

随着遥感研究从三维向四维演进，土地特征表征能力得到显著提升。这种时空维度扩展有效缓解了“同谱异物，同物异谱”的经典遥感解译难题，尤其在耕地类型分析中，通过整合时空-光谱维度的完整物候特征，成功消除了季节因素导致的虚假变化干扰。

MDD创新性地综合了四维信息架构，包含时间（1-D）、空间（2-D）和光谱（1-D）三个维度共四维，在数据组织、可视化和时谱信息提取方面实现突破。根据多维数据存储方式不同，分五种MDD结构：波段时序 (Temporal Sequential in Band, TSB), 像素时序(Temporal Sequential in Pixel, TSP), 波段交叉时序 (Temporal Interleaved by Band, TIB), 像素交叉时序(Temporal Interleaved by Pixel, TIP) 和光谱交叉时序(Temporal Interleaved by Spectrum, TIS)。这些结构为不同应用场景提供了针对性解决方案。

在算法融合层面，MDD与3D卷积神经网络的协同应用展现出显著优势。通过同步提取四维光谱-时间立方体在时、空、谱维度的残差序列，实现了多维特征的深度融合。该方法在保持重建精度的同时，将融合效率提升至新高度。以巴基斯坦农业监测为例，基于Landsat-8/9和Sentinel-2数据融合生成的Kharif季节NDVI、UNVI和EVI指数，采用MDD（TIB）格式存储后，成功实现光谱时序作物特征的高效提取，验证了该格式在作物分类制图领域的可扩展性。

在土地覆盖变化检测领域，TIP存储格式通过时空数据集构建，创新性地将时间序列分解为季节性、线性和噪声分量。对季节性分量进行潜在变化检测可有效降低数据缺失率，当多波段断点位置呈现一致性时，即可精确定位最终变化节点。该方法结合空间特征抑制虚警现象，并引入邻域像元信息优化机制，使误检率得到显著控制。

存储和处理效率提升方面，典型案例凸显MDD的技术优势。中国科学院生态环境研究中心傅伯杰院士团队研发的全球地表土壤湿度数据集（2003-2018年），采用MDD格式后仅需16个文件即可容纳空间分辨率0.1°、时间分辨率10天的16年数据。相较之下，传统TIFF格式需要576个独立文件，存储效率差距达36倍。中国矿业大学（北京）赵恒谦团队构建的中国陆地UNVI植被指数数据集（2018-2021年，空间分辨率463m，时间间隔16天），通过MARS系统实现处理效率飞跃：相较ENVI系统耗时1089秒，MARS仅需187秒即完成任务，处理效率提升达482%。

这些实践案例验证了MDD在遥感大数据时代的核心价值：通过四维数据整合与智能算法融合，不仅突破传统格式的维度限制，更在存储效率、处理速度和特征提取精度等方面确立新范式。随着遥感数据体量持续增长和应用需求日趋复杂，MDD及其衍生技术将持续推动遥感信息处理的创新发展。