数据预处理基础：辐射定标、大气校正、几何校正、图像裁剪与拼接

大家好，我是你们这堂课的主讲人。咱们直接进入正题——数据预处理。

很多人觉得预处理就是“体力活”，没什么技术含量。我刚开始做遥感那会儿也这么想，结果呢？第一次用没做大气校正的数据去反演地表温度，出来的结果简直离谱，跟实测差了十几度。嗯，从那以后我再也不敢小看这一步了。

说白了，卫星拿到的原始数据，就像没洗过的土豆。你想直接吃？不行。得先削皮、清洗、切块。预处理就是干这个的。

一、辐射定标：把“灰度值”变成“物理量”

卫星传感器记录的是啥？是数字量化值，也就是DN值。但我们要的是辐射亮度、反射率这些物理量。怎么办？做辐射定标。

公式其实很简单：

L = Gain × DN + Offset

其中Gain是增益，Offset是偏移量。这两个参数一般都在元数据文件里，比如Landsat的MTL文件。

我个人习惯，拿到数据第一件事就是打开元数据，看看定标参数有没有更新。有些卫星会定期更新定标系数，用旧的会出问题。

import rasterio
import numpy as np

with rasterio.open('B2.TIF') as src:
    dn = src.read(1).astype(np.float32)
    gain = 0.0001  # 从元数据读取
    offset = -0.01
    radiance = dn * gain + offset

这里要注意，DN值一般是整型，要转成浮点型再计算，不然精度会丢。

二、大气校正：把“模糊”变“清晰”

大气校正，说白了就是去掉大气对信号的干扰。太阳光穿过大气，被水汽、气溶胶散射吸收，传感器收到的信号已经“失真”了。

我做过一个项目，用MODIS数据监测湖泊水质。没做大气校正前，同一片湖不同时间的反射率曲线乱得没法看。做完6S模型校正后，曲线才稳定下来。

常用的方法有几种：

• 相对校正： 用暗目标法，假设图像里最暗的像元反射率为0。简单，但精度一般。
• 绝对校正： 用辐射传输模型，比如6S、MODTRAN。精度高，但需要大气参数。
• 经验线法： 用地面的实测光谱来拟合。精度最高，但需要野外工作。

我个人建议，如果做定量分析，比如反演植被参数、地表温度，一定要做大气校正。如果只是做分类，有时候不做也行，但最好还是做一下。

三、几何校正：把“歪的”摆“正”

卫星影像因为传感器角度、地形起伏、地球曲率等原因，几何位置会有偏差。几何校正就是把这些偏差纠正过来。

几何校正分两种：

1. 粗校正： 用卫星自带的轨道参数和姿态数据来校正。一般卫星数据都做过这一步，但精度不够。
2. 精校正： 用地面控制点（GCP）来校正。精度高，但需要人工选点。

选控制点是个技术活。我一般选道路交叉口、建筑物角点这些特征明显、不易变化的地方。均匀分布，不要都挤在一个角落。

校正模型常用多项式模型：

# 一阶多项式校正
x' = a0 + a1*x + a2*y
y' = b0 + b1*x + b2*y

重采样方法我推荐用三次卷积，虽然慢一点，但图像质量好。最近邻法最快，但会有锯齿。

四、图像裁剪与拼接：只取你需要的

卫星影像通常很大，一景Landsat就有185公里宽。我们往往只关心研究区那一小块。裁剪就是干这个的。

裁剪有两种方式：

• 按矢量边界裁剪： 用Shapefile或GeoJSON文件来裁剪。适合不规则区域。
• 按矩形范围裁剪： 指定左上角和右下角坐标。适合规则区域。

拼接呢，就是把多景影像拼成一幅。比如你要做全国植被覆盖，得把几十景影像拼起来。

拼接时要注意：

• 色调一致性： 不同影像的亮度、对比度可能不同，要做匀色处理。
• 接缝处理： 用羽化或镶嵌线来消除接缝。
• 重叠区处理： 取平均值、中值，或者用某种权重。

我做过一个项目，拼接了20多景高分影像。最头疼的就是色调不一致，有的偏亮有的偏暗。后来用直方图匹配，把每景影像的直方图匹配到参考影像上，效果才好。

知识体系总览

下面这张图，是我自己画的预处理流程。你跟着这个顺序走，基本不会出错。

你看，整个流程是线性的。从原始DN值开始，先做辐射定标，再做大气校正，然后几何校正，最后根据需求裁剪或拼接。每一步都依赖上一步的结果，顺序不能乱。

好了，这一章的内容就到这里。数据预处理是遥感分析的地基，地基不稳，后面建什么都是白搭。希望你们能把这些步骤练熟，后面做分析才能得心应手。