第2章遥感基础

第二章：遥感基础——电磁波谱与卫星传感器

各位同学好，我是老张。今天咱们聊聊遥感的基础知识。说实话，很多做量化交易的朋友一听到「遥感」两个字就觉得头大，觉得这是搞地理的人才会碰的东西。但我想告诉你，大宗商品预测里，遥感数据其实是个宝藏。

我刚开始接触这个领域时，也踩过不少坑。比如有一次，我用MODIS数据做玉米产量预测，结果模型死活拟合不好。后来才发现，我选的光谱波段根本不对——嗯，这就是今天要讲的核心问题。

说白了，遥感就是「隔空看物」。卫星在天上，怎么看到地面的东西？靠的就是电磁波。

电磁波谱是个连续的光谱带，从波长最短的伽马射线，到最长的无线电波。但对我们做农业、资源监测的人来说，真正有用的就几个波段：

可见光（0.4-0.7μm）：就是我们肉眼能看到的红绿蓝。植被健康时反射绿光多，所以看起来是绿色的。
近红外（0.7-1.3μm）：这个波段特别有意思。健康植被反射近红外很强，水体则几乎不反射。我当年做大豆估产时，就是靠近红外和红光的比值来算植被指数的。
短波红外（1.3-3μm）：对土壤水分、矿物成分敏感。做干旱监测时，这个波段很关键。
热红外（3-15μm）：测量地表温度。我记得有一次帮客户做小麦冻害评估，就是靠热红外数据发现温度异常区域的。

核心概念：不同地物在不同波段有独特的反射/发射特征，这就是我们识别作物、估算产量的物理基础。

卫星传感器，你可以理解成一台超级相机。但它不是拍照片，而是记录每个像元（像素）在不同波段的反射率。

常见的传感器类型有两种：

多光谱传感器：一般有4-10个波段。Landsat的OLI传感器有11个波段，Sentinel-2的MSI有13个波段。我个人的习惯是，做作物分类时优先用Sentinel-2，因为它的红边波段对植被更敏感。
高光谱传感器：有上百个连续波段。精度高，但数据量大，处理起来也麻烦。说实话，做大宗商品预测时，多光谱基本够用了。

我的经验：别被「高光谱」三个字唬住。实际项目中，多光谱数据配合时间序列分析，效果往往比单次高光谱好得多。我曾经用Landsat 8的8个波段做玉米单产预测，R²达到了0.85。

现在免费可用的卫星数据源不少，我挑三个最常用的说说：

数据源	空间分辨率	时间分辨率	光谱波段数	我的使用场景
Landsat 8/9	30m（多光谱）	16天	11	长时间序列分析，历史数据回溯
Sentinel-2	10m/20m	5天	13	精细作物分类，小地块监测
MODIS	250m-1km	1天	36	大区域、高频次监测，如全球小麦长势

你想想看，这三个数据源各有侧重。Landsat像是个老黄牛，数据从1984年就有了，做历史对比特别好。Sentinel-2是后起之秀，分辨率高、重访周期短，我最近做大豆预测时主要用它。MODIS嘛，虽然分辨率粗，但每天都能看到，适合做大范围的趋势判断。

避坑指南：我曾经犯过一个错误——直接用MODIS的250m分辨率数据去分析中国南方的小地块水稻。结果每个像元里混了水稻、池塘、房屋，模型完全失效。后来我改用Sentinel-2的10m数据，问题才解决。记住：空间分辨率要和你的目标地块大小匹配。

分辨率这个词，很多人只关注空间分辨率。其实做量化预测时，三个分辨率都得考虑：

空间分辨率：一个像元代表地面多大面积。30m就是每个像元30×30米。做美国玉米带这种大田块，30m够用；做中国南方丘陵地带，最好用10m甚至更高。
时间分辨率：卫星多久回来一次。Sentinel-2是5天，但云多的地方实际可用数据可能一个月才有一景。我个人的习惯是，先看研究区的历史云量统计，再选数据源。
光谱分辨率：波段数量和宽度。波段越多，能区分的地物越细。但也不是越多越好——数据量大了，处理时间也长。

为什么会这样？因为这三个分辨率是相互制约的。空间分辨率高了，幅宽就小，时间分辨率就低。MODIS空间分辨率粗，但每天都能覆盖全球。这就是工程上的取舍。

下面这张图是我自己画的，把本章的核心逻辑串起来了。你看一遍，应该能有个整体印象：

这张图把本章的逻辑串起来了：电磁波谱是物理基础，传感器是采集工具，数据源是具体产品，分辨率是选择依据。做预测时，你得从下往上想清楚每一步。

总结一下：遥感数据不是万能的，但用对了地方，效果惊人。我见过太多人一上来就堆数据，结果模型过拟合。记住：先理解你的预测目标，再选合适的数据源和分辨率。这才是正道。

好了，这一章就到这里。下一章我们会讲如何用Python获取和处理这些卫星数据，到时候我会手把手带大家写代码。有什么问题，欢迎在群里交流。