3、遥感数据获取：数据源介绍、检索下载与预处理

各位同学，大家好。今天我们来聊聊遥感数据获取这个环节。说实话，很多刚入行的朋友觉得这步就是“点几下鼠标下载”，其实不然。我做了这么多年遥感应用，见过太多项目因为数据源选错、预处理没做好，后面分析全白费的情况。所以这一章，咱们把数据获取的来龙去脉讲透。

3.1 主流数据源介绍

先说说数据从哪来。目前全球主流的遥感数据源，我习惯分成三大阵营：美国的、欧洲的，还有咱们国内的。每个阵营都有自己的看家本领。

3.1.1 USGS（美国地质调查局）

USGS 的 Landsat 系列，可以说是遥感界的“老大哥”了。从 1972 年到现在，连续观测了 50 多年。我个人最常用的是 Landsat 8 和 Landsat 9，30 米分辨率，覆盖全球，免费开放。你想想看，做长时序分析，比如城市扩张、植被变化，Landsat 几乎是唯一的选择。

3.1.2 ESA（欧洲空间局）

ESA 的 Sentinel 系列，尤其是 Sentinel-2，这几年风头很劲。10 米分辨率，重访周期 5 天，比 Landsat 更勤快。我记得有一次做农业监测，需要看作物生长季内的快速变化，Landsat 16 天一景根本不够用，换成 Sentinel-2 就好多了。

ESA 还有一个 Copernicus Open Access Hub，下载速度有时候不太稳定。嗯，这里要注意，如果你要批量下载，建议用 Python 的 sentinelhub 库，能省不少时间。

3.1.3 国内平台

咱们国内的高分系列（GF-1、GF-2、GF-6 等），这几年进步很快。GF-2 能做到亚米级分辨率，做城市精细分类非常合适。不过国内平台的下载流程稍微复杂一些，有的需要申请、审核。我曾经为了拿一景 GF-2 数据，等了整整两周。所以如果你项目时间紧，建议提前规划。

另外，像资源三号（ZY-3）做立体测图很厉害，环境系列（HJ-1A/B）做环境监测也不错。国内平台的数据政策在逐步开放，这是个好趋势。

数据源	典型卫星	分辨率	重访周期	获取方式
USGS	Landsat 8/9	30m	16天	免费，EarthExplorer
ESA	Sentinel-2	10m	5天	免费，Copernicus Hub
国内	GF-2、ZY-3	0.8m~2m	按需	申请审核

3.2 数据检索与下载

数据源选好了，接下来就是怎么找到并下载你需要的数据。说白了，就是“大海捞针”的技术活。

3.2.1 检索技巧

我个人的习惯是，先确定三个要素：时间范围、空间范围、云量阈值。比如做植被分析，我一般选生长季内的数据，云量控制在 10% 以下。你想想看，如果一景影像一半都是云，那后面的分析基本没法做。

USGS 的 EarthExplorer 支持按经纬度、按行政区划、按矢量文件检索。ESA 的 Copernicus Hub 也类似。国内平台，比如中国资源卫星应用中心，检索界面稍微复杂点，但功能是够的。

3.2.2 下载方式

小批量数据，直接网页下载就行。大批量数据，我建议用 API 或脚本。比如 USGS 的 landsatxplore 库，ESA 的 sentinelhub 库，都能实现自动化下载。下面给个简单的 Python 示例：

# 使用 landsatxplore 下载 Landsat 数据
from landsatxplore.api import API
from landsatxplore.earthexplorer import EarthExplorer

# 初始化 API
api = API('your_username', 'your_password')

# 检索数据
scenes = api.search(
    dataset='landsat_ot_c2_l2',
    latitude=40.0,
    longitude=116.0,
    start_date='2023-06-01',
    end_date='2023-09-30',
    max_cloud_cover=10
)

print(f"找到 {len(scenes)} 景影像")

# 下载第一景
ee = EarthExplorer('your_username', 'your_password')
ee.download(scenes[0]['entity_id'], output_dir='./data')

这段代码，说白了就是帮你自动检索并下载。我建议你把账号信息存成环境变量，别硬编码在代码里，安全第一。

3.3 数据预处理流程

数据下载下来，还不能直接用。原始数据是“生肉”，预处理就是“烹饪”。预处理做不好，后面分析全是错的。我见过太多人直接拿原始 DN 值做分类，结果一塌糊涂。

3.3.1 辐射定标

辐射定标，就是把传感器记录的 DN 值（数字量化值）转换成物理量，比如辐射亮度或反射率。为什么要做？因为 DN 值受传感器增益、偏移等影响，不同时间、不同传感器之间没法直接比较。

Landsat 8 的辐射定标公式很简单：

Lλ = ML * Qcal + AL

其中 Lλ 是辐射亮度，ML 是增益系数，AL 是偏移系数，Qcal 就是 DN 值。这些系数都在元数据文件（MTL.txt）里。

在 ENVI 里，直接用 Radiometric Calibration 工具就行。我个人习惯用 Python 的 rasterio 库手动处理，更灵活：

import rasterio
import numpy as np

with rasterio.open('LC08_B4.TIF') as src:
    dn = src.read(1).astype(np.float32)
    # 假设元数据中增益=0.00002，偏移=-0.1
    radiance = dn * 0.00002 - 0.1

3.3.2 大气校正

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、地面反射、再穿过大气到传感器，这中间大气会吸收、散射一部分能量。如果不校正，你看到的“绿色植被”可能比实际暗，或者偏蓝。

常用的方法有：

• 6S 模型：物理模型，精度高，但参数多，操作复杂。
• FLAASH：ENVI 里集成的大气校正模块，基于 MODTRAN，我用得最多。
• QUAC：快速大气校正，不需要太多参数，适合快速处理。

我曾经在做一个荒漠化监测项目时，偷懒没做大气校正，结果植被指数 NDVI 值普遍偏低，跟地面实测数据对不上。后来老老实实做了 FLAASH 校正，结果才合理。所以，大气校正这步，千万别省。

3.3.3 几何校正

几何校正，就是解决“影像上的像素点对应地面哪个位置”的问题。原始影像可能有几何畸变，比如地形起伏引起的偏移、传感器姿态变化引起的扭曲。

几何校正分两种：

• 粗校正：基于卫星轨道参数和传感器模型，一般数据商已经做了。
• 精校正：基于地面控制点（GCP），把影像配准到精确的地理坐标上。

我建议，如果你做的是多时相分析，一定要做几何精校正。否则两期影像的同一个像素，可能对应地面不同的位置，变化检测结果全是噪声。

在 ENVI 里，用 Image Registration Workflow 可以自动找控制点。在 Python 里，可以用 rasterio 配合 GDAL 的 gdalwarp 工具：

# 使用 gdalwarp 进行几何校正
gdalwarp -t_srs EPSG:4326 -r cubic input.tif output.tif

这里 -t_srs 指定目标坐标系，-r cubic 是重采样方法。我一般用三次卷积，效果比最近邻好，但计算量也大一些。

3.4 本章知识体系

下面这张图，是我自己总结的数据获取与预处理流程，你一看就明白了：

这张图把整个流程串起来了：从数据源选择，到检索下载，再到三步预处理，最后得到可用的数据。你每次做项目，都可以拿这张图对照一下，看看自己走到哪一步了。

好了，这一章的内容就到这里。数据获取是遥感分析的基础，基础打牢了，后面的分析才能站得住脚。下一章我们会讲数据预处理的高级技巧，包括如何批量处理、如何选择重采样方法等。各位回去可以先把 USGS 的账号注册好，下载一景 Landsat 数据练练手。

---