遥感技术被广泛用于地理学、生态学、水文学以及气候气象等诸多学科的研究。在这些学科中，遥感数据是最重要的数据源之一。许多传统的通过点位观测的变量，现在都通过遥感观测，由于其多波段、大范围、周期性观测的特点，通过遥感观测能够解决在常规观测下不能解决的问题。遥感已经成为许多研究和应用中不可缺少的信息源。因为遥感也是对地表各种变量分布的一种特殊观测方式，而如前文所述，不同尺度上的观测可能会得出不同结论，因此应用遥感数据进行研究也存在尺度问题。遥感中的尺度问题早已成为遥感基础研究中的热点问题。早在20世纪80年代初期，许多科学家就开始关注遥感数据空间分辨率的遥感数据提取信息的精度问题。例如，Latty and Hoffer（1981），Welch（1982），Bizzell and Prior（1983），Toll（1983），Johnson and Howarth（1987）分别研究了遥感数据空间分辨率对土地覆被分类精度的影响。1987年，Woodcock and Strahler发表的“遥感中的尺度因子”一文，成为研究遥感中尺度问题的经典文献。
与遥感的应用领域中（地理学，生态学等）尺度的定义相对应，遥感中所讲的尺度也有两方面意义：一是指遥感的空间分辨率（Woodcock and Strahler，1987），它对应于生态学中的粒径（grain），或Lam（1992）所定义的测量尺度，其实质是空间采样单元的大小；另一个意义是遥感研究的地表空间范围，对应于生态学中尺度定义中的范围（extent），或Lam（1992）所定义的地理尺度。如“利用遥感进行区域尺度和全球尺度的土地利用、覆被变化监测”这句话中，尺度就指研究区域的空间范围。在本文的讨论中，除非特别说明，遥感尺度的概念一般指遥感的空间分辨率。
许多遥感应用问题都涉及遥感的尺度问题。在遥感信息提取过程中，从不同尺度遥感数据提取的信息可能具有不同的精度，或者不同尺度遥感数据中提取的信息反映不同的地表特性的空间分布结构。例如，对于土地利用分类，用不同分辨率的遥感数据分类的精度会有很大差别。在这种情况下，我们总是希望了解所关心的信息如何随着遥感数据空间尺度的变化而变化，并且希望了解在什么尺度下，从遥感数据中提取的信息的精度最高，或什么样尺度的遥感信息能真实反映我们所关心的地表特性的空间分布特性。遥感中的尺度问题主要体现在三个方面：①从遥感中获取的地表特性以及遥感信息模型如何随遥感尺度的变化而变化，即遥感信息和遥感模型的尺度效应问题；②对于特定的应用，如何选取合适空间分辨率的遥感数据；③如何将遥感信息从一个尺度转换到另一个尺度?
1.遥感信息与遥感模型的尺度效应研究
对于遥感信息的尺度效应问题已经有许多研究。Woodcock and Strahler（1987）研究了遥感中尺度因子与遥感分类精度的关系后指出，遥感分类精度受遥感图像空间分辨率与图像景的目标大小之间的相对关系决定。Marceau（1992，1994a，1994b）认为，遥感信息的尺度效应问题是可变面元问题（MAUP）的一个特例。MAUP问题源于将研究区划分为多个互不重叠的子区以进行空间分析时，可以有不同的划分方式，而不同的划分方式可能导致不同的分析结果，其实质是提出了分析结果对数据获取单元定义的灵敏性（Marceau，1999）。Jelinski and Wu（1996）指出，在遥感中，可变面元就是遥感图像的像元，当用不同的传感器或像元被集聚时，面元就被改变了，因此，这种集聚过程可能引入很大误差。Marceau（1994a）通过研究遥感数据空间分辨率对森林分类精度的影响来证实遥感信息的MAUP问题。她的研究结果表明，单个类别的分类精度受到尺度和集聚水平变化的显著影响。遥感数据并不独立于其获取时采样栅格大小，忽略遥感数据的尺度效应可能导致与景的地理实体不相对应的结果。Arbia等（1996）用模拟的方法研究了MAUP对遥感图像最大似然分类精度的影响，其结论显示遥感图像的最大似然分类误差随分辨率降低而增加，但其增加幅度受到像元间空间依赖的影响；分类误差的空间分布受分辨率降低的影响主要在类别的边缘部分。Benson and MacKenzie（1995）检验了当遥感数据空间分辨率从20 m增加到1.1 km时，所获得的描述景观结构的景观参数的变化。结果表明大部分的景观参数都对空间分辨率的变化反应明显，有些增大了，而有些减小了。O'Neill等（1996）用AVHRR遥感数据计算景观指数，结果发现当景观结构要素分散分布并小于像元大小时，许多组成景观的重要的斑块消失了。Moody and Woodcock（1994，1995）利用多元回归分析，评价当土地覆被数据被逐渐尺度转换到粗分辨率时，景观的空间结构与土地覆被类型面积百分比的估计误差之间的关系，其结果显示百分比的估计误差主要受景观的空间特征和聚集尺度间的相互作用决定。他们强调，标准的线性回归模型没有考虑估计的百分比的误差在不同方向的尺度依赖；理解景观的空间特征和分辨率之间的关系，对发展合适的尺度转换方法是必要的。He等（2002）研究了空间集聚方法对卫星遥感图像分类结果的影响。他们检验了基于随机规则的集聚方法对土地覆被类型的丰度和景观结构的影响，并与基于众数的集聚方法进行了对比。Niemann等（1997）通过Wald-Wolfowitz检验等方法，从更一般的意义上探讨了遥感尺度对遥感图像信息内容的影响。Narayanan 等（2002）根据图像分类精度，研究了空间分辨率对遥感图像信息内容的影响。他们根据目标和背景的对比度以及目标和像元大小之间的相对关系，提出了一个关于遥感图像信息内容的指数模型。对TM图像和SIR-C图像之间信息内容的对比显示，在像元较小时，TM图像的信息内容多于SIR-C图像；而当像元较大时，SIR-C图像的信息内容则多于TM图像。不同结果的转换尺度发生在图像像元大小为720 m时。
Van Der Meer 等（2001）通过模拟不同分辨率的MERIS数据研究了从遥感数据中估计的各种植被指数和地面生物量随空间尺度的变化。Bian and Walsh（1993）检验了植被生物量与地形因子之间的关系随空间尺度变化的响应。他们通过回归分析探索变量之间的关系，用半方差和分形分析来描述空间尺度与空间依赖程度的有效范围。结果发现植被生物量与地形因子之间的关系随空间尺度的变化而变化，并且确定了一个特征尺度（characteristic scale）。当小于特征尺度时，变量是空间依赖的；而当大于特征尺度时，变量的空间依赖程度减小或变得独立。Walsh 等（1997）通过进一步的研究，检验了NDVI，土地覆被类型和高程之间关系的尺度依赖性。他们发现随着尺度的变化，决定NDVI变化的主导因子也不同。在较细的分辨率上（30～210 m），NDVI的变化主要受坡角以及太阳辐射的影响，说明了局部尺度的地形走向对植被生产力的重要性；当分辨率变粗时，高程成为描述NDVI和区域尺度植被生产力的主要因子。Wu等（1997）研究了景观统计特征随空间尺度的变化，他们发现不同采样大小的景观指数与TM波段和植被指数的关系受采样大小变化的影响。随着采样的增大，自变量和因变量之间的相关系数和统计显著性也随着增大；ANOVA分析的结果表明TM波段和植被指数在相关关系中的重要性也随着采样大小而变化。Friedl 等（1995）综合地面景的模型，大气模型和传感器模型模拟不同空间分辨率的图像，以检验叶面积指数、主动辐射光合作用吸收分量（fraction of absorbed photosynthetically active radiation，FPAR）和归一化植被指数之间关系的影响，结果显示NDVI是尺度不变的（scale invariant），LAI和FPAR之间的关系随尺度呈非线性变化，而LAI和NDVI之间的关系呈近似线性。
除了遥感信息的尺度效应，在不同的领域遥感信息模型的尺度效应也得到研究。例如，Turner 等（1996）研究了空间分布的生物化学模型（Forest-BGC）的结果随空间尺度的变化。McNulty 等（1997）在立地、生态系统和区域三个尺度上检验了空间尺度对森林过程模型的影响，发现模型对生态系统变量预测的精度随测量尺度而变化。Friedl（1997）研究了遥感数据的尺度效应以及尺度效应在以这些数据为输入的生物物理模型中的传播。其结果显示，尺度变化对模拟的地表通量带来显著偏差。李小文等从物理学原理、定律在遥感像元尺度上的适用性出发，探讨了各种物理定律的尺度效应。如Albert，Strahler and Li（1990）探讨了Beer定律的尺度效应。Beer定律认为光在均匀介质中的传播按负指数规律衰减。但在植被遥感中，当遥感分辨率与叶片之间空隙大小相当或更小时，光线要么穿过空隙，要么被叶子截获，这时必须用二项式分布或其他方法描述光的衰减。当分辨率大于植株，而植株间存在明显空隙时，Beer定律必须进行向上的尺度纠正。Li and Wan（1999）探讨了Helmholtz互易原理的尺度效应。Helmholtz互易原理要求“源处”一对相互垂直的极化平面及其交线与测量处一对相应的垂直的极化平面及其交线位置互换。Li and Wan（1999）证明即使像元内处处满足Helmholtz互易原理，若空间均匀的入照由于像元内的多次散射形成空间不均一的反射，则互易原理在像元尺度上失效。类似地，李小文等（1999a，1999b）探讨了Planck定律的尺度效应问题，认为即使像元内处处为黑体表面，处处满足Planck定律，像元作为一个整体也可能不满足Planck定律。Hu Zhenglin 等（1997）致力于建立尺度不变（Scale Invariant）的遥感算法。他们给出了一种分析和设计尺度不变遥感算法的框架，以检验遥感算法的集聚和分解特性，提供了一种参数化地表异质性的系统方法。
2.遥感应用中合适空间分辨率的选取问题研究
由于遥感信息普遍存在尺度效应，因此，对于特定的应用目标，我们总是希望找到一个合适分辨率的遥感信息来反映特定尺度上研究目标的空间分布结构等特性。合适空间分辨率（appropriate spatial resolution）有时被称为最优分辨率。最优分辨率被定义为对应于所研究的地理实体的尺度或集聚水平特征的空间采样单元（Marceau et al.，1999b）。其实在地理学中研究MAUP问题时，就存在选取最优面元大小的问题。Openshaw（1977，1978，1984）将选取面元作为空间分析的组成部分之一。他首先假设对给定模型或分析方法的期望结果，然后将面元逐渐集聚直到得到期望的结果。这种思路为作为MAUP特例的遥感信息尺度问题中最优分辨率的选取奠定了理论基础。Marceau等（1994b）将类似的方法用于温带森林环境中针叶林类型判别时遥感数据最优分辨率的确定，其方法是首先定义所研究的地理实体，然后确定选取采样系统的优化标准，将数据从细的采样格网逐步进行空间集聚，用优化标准检验空间集聚的数据，选取最优的分辨率，最后根据研究目标，验证结果的合理性。在她的研究中，以各森林类别的类内方差作为选取最优分辨率的标准。当类内方差最小时的空间分辨率被认为最好地反映各森林类别的本质特征。其结果显示，对每一森林类别，都存在一个最小的类内方差，即存在最优分辨率。
Woodcock and Strahler（1987）提出了一种用遥感图像平均局部方差（local variance）确定最优分辨率的方法。首先，计算不同分辨率图像的平均局部方差，然后比较平均局部方差随空间分辨率的变化，当局部方差达到最大时的分辨率被认为是最优的空间分辨率。此方法的基本前提之一是假设遥感图像中的景是由离散的互不重叠的目标（object）镶嵌而成。当图像空间分辨率小于景的目标时，相邻像元之间属于同一个目标而具有空间依赖；当像元大小等于景的目标时，相邻像元属于不同的景的对象，因此它们之间空间依赖程度最弱，因此局部方差最大；当像元进一步增大时，像元内都含有不同的目标，相邻像元之间的空间依赖程度又开始增强，局部方差开始减小。Hyppanen（1996）将此方法用于森林景观研究中最优空间分辨率的确定。局部方差方法的局限性之一是将图像从细分辨率逐步扩展到粗分辨率，并计算各分辨率的平均局部方差时存在的边界效应影响计算的局部方差的值。
空间统计学，特别是地统计学（Geostatistics）被逐步用于最优分辨率的选取问题。Atkinson等（1997）通过计算不同分辨率的图像的变异函数（variogram）来确定最优分辨率。该方法首先计算最小分辨率图像的实验变异（experimental variogram）函数，并用理论变异函数模型拟合，然后通过去正则化（de-regularization）处理过程，从一定大小像元上的实验变异函数得到点的变异函数（punctual variogram），再通过正则化（regularization）过程从点的变异函数得到任意尺度上的变异函数。这时以空间分辨率为横坐标，以不同分辨率情况下一个像元步长时的半方差为纵坐标画图，当半方差达到最大时对应的空间分辨率即为最优空间分辨率。基于类似的计算过程，Wang Guangxing等（2001）以不同分辨率变异函数的块金方差（nugget variance）和基台方差（sill variance）的比作为确定最优分辨率的指标。随着像元增大，当块金方差和基台方差的比变得稳定时，意味着测量误差的方差相对与结构方差达到最小，此时的图像分辨率被认为是最优的空间分辨率。
必须注意到，最优分辨率的选择是随所研究的问题而变化的。对研究某一变量时最优的分辨率对另一个变量可能不是最优的。不同的变量可能具有不同的空间特征，因此在涉及多个变量的地理模型中，很难确定惟一的最优分辨率。但是，每一个地理实体都具有其固有的空间特性，通过确定最优分辨率可以确定一个观测或测量地理实体的合适的尺度范围。
3.遥感信息尺度转换方法研究
遥感信息尺度转换方法是遥感尺度问题研究中的难点。在遥感信息分析和应用中，常常需要将遥感信息在不同尺度之间转换。例如，在用多源遥感信息进行专题分类时，常常需要不同类型的遥感数据（如多光谱数据和合成孔径雷达数据）共同参与分类以提高分类精度。不同类型的遥感数据一般具有不同的空间分辨率，这时就需要将遥感数据转换为统一的分辨率。再如，在地学、气候学、水文学或生态学等学科中，许多模拟或预测模型需要遥感数据提供模型的输入信息。对于不同的研究范围，这些模型的输入和输出要求有不同的空间分辨率。这时就需要将遥感信息从原始分辨率转换到模型要求的分辨率。也有一些情况下需要比较从不同类型的遥感数据中提取的信息。由于不同类型的遥感数据具有不同的分辨率，要求将这些信息转换到相同的空间分辨率。还有一些情况下，为了验证从遥感数据中提取的信息，需要在地面点的观测信息和遥感信息之间进行尺度转换。例如，柏延臣等（2001）在用地面点的观测值验证从SSM/I中反演的青藏高原雪深时就注意到不同尺度的信息之间比较带来的问题；Sanderson等（1998）用普通克里格空间插值方法将野外测量的植冠水分含量向上尺度扩展到遥感分辨率的尺度，以验证从遥感数据中估计的植冠水分含量。
遥感信息的尺度转换包括向上尺度转换（upscaling）和向下尺度转换（downscaling）。向上尺度转换是将高分辨率的遥感信息转换为低分辨率的过程；反之，向下尺度转换是将低分辨率的信息转换为高分辨率的过程。有时，也将向上尺度转换称为尺度扩展，而将向下尺度转换成为尺度收缩。在大部分情况下，都是将遥感数据进行向上尺度转换。理想的向上尺度转换方法应该是将高分辨率信息转换到低分辨率上时能够保持高分辨率数据中的内在信息（inherent information）（Hay and Niemman et al.，1997）。
遥感信息的尺度扩展方法有基于统计的方法和基于地学机理的方法。无论任何尺度转换方法，最大的挑战在于遥感信息所反映的地表特性的空间异质性（heterogeneity）。许多在小尺度上表现为均质的地理现象或过程在更大的尺度上可能表现出异质性。
常用的基于统计的遥感信息尺度扩展的方法有局部平均方法，中值采样法，中心采样法，以及数字图像处理中常用的重采样方法，如最近邻法、双线性内插、立方卷积内插法等。局部平均法是将高分辨率的遥感信息中一定大小窗口内的像元值平均后作为转换后对应的低分辨率遥感信息的像元值。中值采样法是取高分辨率的遥感信息中一定大小窗口内像元值的中值作为转换后对应的低分辨率遥感信息的像元值。中心像元法则是将高分辨率遥感信息一定大小窗口内中心像元的像元值作为转换后对应的低分辨率的遥感信息的像元值。L.Bian等（1999）利用模拟图像，从图像信息均值的保持和标准差（代表图像结构信息）保持两个方面比较了局部平均法，中值采样法和中心采样法三种尺度转换方法。结果显示，局部平均法和中值采样法都能很好地保持原图像的均值，但标准差有很大变化；中心像元法的均值和标准差都有很大变化。在图像自相关范围内，局部平均方法能够揭示不同尺度上潜在的图像空间结构；在一定范围内，中心像元法能够保持原图像的对比度和空间结构；当图像分辨率大于图像空间自相关范围时，平均法和中值法的图像变为均质图像，而中心像元法则引入严重的误差。
最近邻采样法，双线性内插和立方卷积内插是各种图像处理软件中的常用的方法，包括遥感图像处理软件。最近邻法也称零次插值法，它是将离原图像中像元位置最近的像元值赋予转换后对应位置的像元。双线性内插也称一次内插法，它将原图像中两个正交方向上的像元值按距离加权方法进行内插，然后赋予转换后对应位置的像元。其实质是以原图像中某像元的最近的4个像元的加权平均作为低分辨率图像中对应位置的像元值。立方卷积法的原理和双线性内插法类似，区别在于立方卷积法中是用原图像中某像元周围16个像元的加权平均作为转换后图像中对应位置的像元值。Hay 等（1997）的分析认为，最近邻采样，双线性内插和立方卷积内插法不适合于将遥感图像从高分辨率转换到低分辨率，特别是在尺度转换因子大于5时。
Raffy（1994a）从地表特性的空间异质性出发，提出了一个多光谱遥感模型空间化的一般性框架，并将其用于NDVI和APAR等的尺度扩展（Raffy，1994b；Gregoire and Raffy，1994）。
基于地学机理的遥感信息尺度转换因需要转换的信息不同而不同。由于从遥感数据中提取的不同的地学变量受不同的地学过程控制，不同变量的尺度扩展需要不同的模型。例如，Wood（1995）结合植被、土壤特性和地形等因子，探讨了从30 m分辨率的被动微波遥感数据中反演的土壤水分向更低分辨率进行尺度转换的方法。Hall等（1992）比较了用从遥感数据提取的地表辐射温度计算不同空间分辨率的地表通量的方法。Kustas 等（1996）探讨了利用遥感数据对感热通量进行尺度扩展的方法。Hipps等（1996）提出了一种结合高分辨率的遥感信息获取不同分辨率上平均地表通量的方法。张仁华等（2001）提出了具有物理基础的将点的气温观测资料扩展到区域的尺度转换方法以及以地面粗糙度和辐射温度为基础的地面2 m高处气温和风速的空间扩展算法。基于地学机理的尺度转换模型一般是通过建立多个变量的模型来预测低分辨率上某一地学变量的值，因此这种模型常常需要被转换变量以外的其他与该变量有物理联系的变量的信息。反过来，从遥感数据中提取的信息常常作为地学模型的输入以将各种点上的信息扩展到不同尺度的面上，或将基于点观测的地学模型扩展为不同空间尺度的空间模型。