4. 遥感图像数字表达：栅格数据模型、波段与多光谱、空间分辨率/光谱分辨率/辐射分辨率/时间分辨率
好，咱们进入正题。遥感图像说到底，就是一张数字照片。但跟手机拍的照片不一样，它藏着很多“看不见”的信息。这一章，我就带你拆解一下，卫星图像到底是怎么用数字表达的。
4.1 栅格数据模型：一张巨大的网格
卫星图像最底层的存储方式，叫栅格数据模型。说白了，就是把地面切成一个个小格子，每个格子记录一个数值。
你想想看，一张卫星图像，本质上就是一个巨大的二维数组。每个格子叫“像素”，像素的值代表地面某个位置的信息。比如可见光波段，像素值就是亮度；红外波段，像素值就是温度。
核心概念：栅格 = 行 × 列 × 波段。每个像素有唯一的坐标和数值。
我在项目中遇到过一件事：有次处理一张10米分辨率的影像，整张图有1亿个像素。如果不懂栅格模型，直接当普通图片读，内存直接爆掉。嗯，这里要注意，处理大影像时，一定要用分块读取或者金字塔结构。
4.2 波段与多光谱：不止是黑白照片
普通照片只有红、绿、蓝三个通道。卫星图像呢？可以有几十个甚至几百个通道。每个通道就是一个“波段”。
举个例子，Landsat 8卫星有11个波段。除了红绿蓝，还有近红外、短波红外、热红外等等。每个波段记录不同波长的电磁波反射或辐射信息。
| 波段名称 | 波长范围(μm) | 主要用途 |
|---|---|---|
| Band 1 (海岸/气溶胶) | 0.43-0.45 | 海岸带监测、气溶胶反演 |
| Band 2 (蓝) | 0.45-0.51 | 水体穿透、植被识别 |
| Band 3 (绿) | 0.53-0.59 | 植被健康评估 |
| Band 4 (红) | 0.64-0.67 | 植被叶绿素吸收 |
| Band 5 (近红外) | 0.85-0.88 | 植被生物量估算 |
| Band 6 (短波红外1) | 1.57-1.65 | 土壤湿度、地质分类 |
多光谱数据的好处是，你可以组合不同波段，提取出肉眼看不到的信息。比如用近红外和红波段计算NDVI（归一化植被指数），就能判断植被长得好不好。
我的习惯：拿到多光谱数据，第一件事就是看波段列表。不同卫星的波段编号不一样，千万别搞混。我曾经因为搞错波段顺序，算出来的NDVI全是负值，排查了半天才发现问题。
4.3 空间分辨率：看得多清楚？
空间分辨率，就是每个像素对应地面的大小。比如10米分辨率，意味着一个像素代表地面10米×10米的区域。
分辨率越高，细节越清楚，但数据量也越大。我常用的几个分辨率级别：
- 低分辨率（>100米）：MODIS卫星，适合大范围气候监测
- 中分辨率（10-100米）：Landsat、Sentinel-2，适合农业、林业
- 高分辨率（<10米）：WorldView、高分系列，适合城市规划、精细识别
你想想看，如果要做城市建筑物提取，用30米的Landsat数据，一个像素可能包含好几栋楼，根本分不清。这时候就得用高分辨率数据。
避坑指南：我曾经为了省钱，用Landsat数据做道路提取，结果精度惨不忍睹。后来换了2米的高分数据，效果立竿见影。记住：分辨率不够，算法再牛也白搭。
4.4 光谱分辨率：能区分多少种颜色？
光谱分辨率，指的是传感器能区分多少种波长的能力。波段越多，光谱分辨率越高。
普通多光谱卫星有4-10个波段。高光谱卫星呢？可以到几百个波段。每个波段只覆盖很窄的波长范围，就像用几百个滤镜拍照。
高光谱数据的好处是，可以识别地物的“光谱指纹”。比如不同矿物、不同作物品种，在光谱曲线上都有独特的形状。
但代价也很明显：数据量巨大，处理起来非常慢。我处理过一景高光谱影像，200个波段，每个波段1GB，总共200GB。嗯，这时候就得用降维算法了。
4.5 辐射分辨率：灰度级有多细？
辐射分辨率，就是传感器能区分多少级亮度。通常用比特数表示。8比特就是256级灰度，16比特就是65536级。
辐射分辨率越高，图像的细节越丰富。比如在阴影区域，8比特数据可能一片漆黑，但16比特数据还能看到细节。
我个人的经验是：做定量分析时，尽量用16比特数据。8比特数据做分类还行，但做反演（比如反演叶面积指数），精度就差很多。
4.6 时间分辨率：多久拍一次？
时间分辨率，就是卫星对同一地点重复拍摄的周期。比如Landsat是16天重访一次，Sentinel-2是5天一次。
时间分辨率高，就能做时序分析。比如监测农作物生长过程、城市扩张、森林砍伐等。
但要注意：实际重访周期受云层影响很大。我曾经等一景无云影像，等了整整两个月。所以做时序分析时，一定要考虑云覆盖问题。
4.7 四种分辨率的关系：一张图说清楚
下面我用一张SVG图，把这四种分辨率的关系梳理一下。你看完就明白了。
这张图你看懂了吗？四种分辨率不是独立的，它们互相制约。比如空间分辨率高了，幅宽就小，时间分辨率就低。光谱分辨率高了，信噪比就下降。做项目时，一定要根据需求权衡。
4.8 实战：用Python读取栅格数据
光说不练假把式。我带你用Python读一张真正的卫星影像。这里用rasterio库，它是处理栅格数据的利器。
import rasterio
import numpy as np
# 打开GeoTIFF文件
with rasterio.open('landsat8_sample.tif') as src:
# 查看基本信息
print(f"行列数: {src.height} x {src.width}")
print(f"波段数: {src.count}")
print(f"空间分辨率: {src.res}")
print(f"坐标参考系: {src.crs}")
print(f"数据类型: {src.dtypes}")
# 读取第一个波段
band1 = src.read(1)
print(f"波段1的统计: min={band1.min()}, max={band1.max()}, mean={band1.mean():.2f}")
# 读取所有波段
all_bands = src.read()
print(f"数据形状: {all_bands.shape}") # (波段数, 行, 列)这段代码很简单，但很实用。我每次拿到新数据，第一件事就是跑这个脚本，看看数据的基本情况。特别是数据类型，如果是整型，记得转成浮点再做计算，不然精度会丢失。
我的建议：处理遥感数据时，养成好习惯——先看元数据，再动数据。元数据里藏着很多坑，比如投影信息、无效值设置等。我曾经因为没检查无效值，算出来的结果全是NaN，浪费了半天时间。
好了，这一章的内容就到这里。四种分辨率的概念，你记住了吗？栅格模型、波段、分辨率，这些是遥感图像数字表达的核心。下一章，我们会深入聊聊如何用这些数据做实际的分析。
公众号:蓝海数据掘金营，微信deep3321