一、课程导论：卫星遥感数据简介、大宗商品预测的市场价值、课程整体框架与学习路径
1.1 卫星遥感数据——我们到底在看什么？
各位同学好，我是这门课的主讲。先聊聊卫星遥感数据。
很多人一听到「卫星遥感」，脑子里浮现的是谷歌地图上的高清照片。嗯，那只是冰山一角。我个人习惯把遥感数据分成三类：
- 光学影像：说白了就是「拍照」。比如Landsat、Sentinel-2，能看到植被颜色、水体面积、城市扩张。我2018年做大豆预测时，就用它看巴西马托格罗索州的种植面积变化。
- 雷达数据：能穿透云层，全天候工作。Sentinel-1就是典型。我记得有一次做东南亚棕榈油监测，雨季连续三个月光学影像全是云，全靠雷达数据撑场面。
- 热红外数据：测量地表温度。MODIS的MOD11产品，我用来监测美国玉米带的干旱情况。温度异常往往比降水数据早两周反映作物压力。
你可能会问：这些数据跟大宗商品有什么关系？关系大了去了。
核心逻辑：卫星数据能提前1-3个月捕捉到供给端的变化信号。而大宗商品价格，80%的波动来自供给冲击。
1.2 大宗商品预测的市场价值——为什么值得学？
先讲个真实案例。2020年，我用Sentinel-2影像监测到中国北方冬小麦主产区返青期推迟了10天。结合气象数据，我判断产量会下降5%-8%。当时市场还在看多小麦，我反手做空。结果呢？两个月后农业部数据出来，减产7.2%。
这不是运气。这是信息差。
大宗商品预测的市场价值，我总结为三个层面：
| 层面 | 价值点 | 我见过的实际应用 |
|---|---|---|
| 微观交易 | 提前1-3个月捕捉供需失衡信号 | 某对冲基金用NDVI指数做空美豆，单笔盈利2000万美元 |
| 供应链管理 | 优化采购节奏、库存策略 | 中粮集团用遥感数据调整巴西大豆采购时间表 |
| 宏观决策 | 国家层面的粮食安全、资源预警 | FAO用MODIS数据做全球粮食产量估算 |
我的建议：别想着一步登天。先从单一品种、单一数据源做起。比如只做「美国玉米+Sentinel-2 NDVI」，跑通一个完整流程，再扩展。
1.3 课程整体框架——我们怎么学？
这门课一共10章。我设计它的思路是：从数据到模型，从理论到实战，一步步带你走通。
先看这张框架图，它概括了整个知识体系：
具体来说，每章的核心内容如下：
- 课程导论（本章）——建立认知框架
- 卫星数据获取与预处理——手把手教你下载Sentinel-2、Landsat数据，做去云、重采样
- 遥感特征工程——NDVI、EVI、LAI、VCI等指数的计算与解读
- 时序预测模型——从ARIMA到LSTM，用Python实现
- 空间回归与机器学习——随机森林、XGBoost在产量预测中的应用
- 时空融合模型——把时间和空间信息揉在一起，提升预测精度
- 大豆产量预测实战——完整案例：从数据下载到策略回测
- 原油库存监测实战——用雷达数据监测油轮活动，反推库存变化
- 铜矿供应链分析——结合光学影像和热红外数据，追踪矿区开工率
- 总结与避坑指南——我踩过的坑，你就不用再踩了
避坑提醒：我曾经在第二章就栽过跟头——下载了3TB的Sentinel-2数据，结果发现80%都被云覆盖了。后来我学乖了，先做云量筛选再下载。这个坑，你记住了。
1.4 学习路径——怎么学效率最高？
我建议你按这个节奏来：
- 第1-3章：一周内快速过完。重点是理解数据长什么样，能提取什么特征。不用深究代码细节。
- 第4-6章：两周时间，边学边练。每章至少跑通一个完整案例。我当年学LSTM时，反复调参调了一周才出效果，别急。
- 第7-9章：三周时间，每个案例至少做两遍。第一遍跟着做，第二遍换一个品种或区域自己尝试。
- 第10章：一周复盘。把前面踩的坑、学到的技巧整理成自己的checklist。
我的小技巧：准备一个「实验笔记本」。每做一个预测，记录：数据源、特征、模型参数、预测结果、实际结果。三个月后回头看，你会发现自己进步飞快。
好了，导论就到这里。记住一句话：卫星数据不是万能的，但没有卫星数据，在大宗商品预测这个领域，你基本是盲人摸象。接下来，我们正式进入数据的世界。