2. 数据源对比与选择：光学、雷达、高光谱，到底选哪个？
各位同学，咱们今天聊点实在的。做遥感项目，第一步不是跑算法，而是选数据。数据选错了，后面再牛的模型也白搭。我见过太多人一上来就怼高分影像，结果项目预算超了，精度还没达标。
说白了，光学、雷达、高光谱这三类数据，就像工具箱里的螺丝刀、扳手和电钻。各有各的脾气，各有各的绝活。今天我就带大家捋一捋，什么场景该用什么家伙。
核心观点：没有最好的数据，只有最合适的组合。选数据前，先问自己三个问题——我要看什么？天气条件允许吗？预算够不够？
2.1 光学遥感：最常用的“眼睛”
光学影像，说白了就是卫星拍的照片。它靠太阳光反射成像，所以白天才能干活。我个人习惯把光学数据分成三档：
- 低分辨率（250m-1km）：MODIS、VIIRS。适合大范围植被监测、火点探测。我做过一个全国秸秆焚烧监测项目，全靠MODIS每天过境两次的数据，成本几乎为零。
- 中分辨率（10m-30m）：Landsat、Sentinel-2。这是最常用的。农业估产、森林覆盖变化，用这个级别刚刚好。我记得有一次帮客户做水稻面积提取，Landsat 8的30米波段配合Sentinel-2的10米红边波段，精度直接提升了12%。
- 高分辨率（<5m）：WorldView、GeoEye、高分系列。看城市细节、道路提取、违章建筑监测，必须上这个。但价格嘛...嗯，一景WorldView-3要好几千美金，预算有限的话要掂量掂量。
我的小技巧：做农业项目时，别只看可见光波段。Sentinel-2的红边波段（Band 5、6、7）对作物健康监测特别敏感。我习惯把红边波段和近红外波段组合，做植被指数效果比传统NDVI好很多。
2.2 雷达遥感：穿云破雾的“透视眼”
光学怕什么？怕云、怕雨、怕雾。这时候就得请雷达出场了。SAR（合成孔径雷达）是主动发射微波信号，不管白天黑夜，不管云层多厚，它都能成像。
为什么会这样？因为微波波长长，能穿透云层。我曾在东南亚做一个热带雨林监测项目，那里一年200多天有云。用光学影像？半年都凑不齐一张无云图。换成Sentinel-1的C波段SAR数据，每周都能拿到清晰影像。
雷达数据的选择，主要看三个参数：
| 参数 | 说明 | 我的建议 |
|---|---|---|
| 波段 | X波段（3cm）、C波段（5.6cm）、L波段（23cm） | 农业用C波段（Sentinel-1免费）；形变监测用L波段（ALOS-2） |
| 极化方式 | VV、VH、HH、HV | 水体识别用VV；植被监测用VH交叉极化 |
| 入射角 | 小角度（20-30°）适合平坦地形；大角度（40-50°）适合山地 | 城市建筑用大角度，减少叠掩和阴影 |
避坑指南：我曾经在山区项目里用了小入射角的雷达数据，结果山体背坡全是阴影，数据直接废了一半。后来我学乖了，山地项目一定选大入射角（>40°）的数据，或者用多角度数据融合。
2.3 高光谱遥感：看得更“细”的显微镜
高光谱和普通光学最大的区别是什么？普通光学只有几个波段（比如红绿蓝+近红外），高光谱有几十甚至几百个连续波段。每个波段宽度只有5-10nm。
你想想看，这就像把一张彩色照片变成了几百张黑白照片，每张只记录一个极窄波长的信息。有什么用？能区分不同矿物、不同树种、甚至不同作物品种。
我做过一个城市水体污染监测项目，用高光谱数据反演叶绿素a浓度、悬浮物浓度、CDOM（有色溶解有机物）。普通多光谱只能给个大概，高光谱能精确到每升多少微克。但代价是什么？数据量大（一景影像几十GB）、处理复杂、价格昂贵。
目前常用的高光谱数据源：
- 星载：中国的珠海一号（10m分辨率，32波段）、美国的PRISMA（30m，239波段）、德国的EnMAP（30m，228波段）
- 机载：AVIRIS、HySpex。分辨率高（<5m），但覆盖范围小，适合小区域精细研究
记住：高光谱不是万能的。如果只是做简单的植被覆盖分类，用Sentinel-2就够了。高光谱的优势在于精细物质识别，比如区分不同矿物种类、不同作物品种、不同污染类型。杀鸡别用牛刀。
2.4 应用场景选型指南
好了，三种数据源的特点讲完了。那具体到项目里，到底怎么选？我给大家画了个决策流程图，一看就明白。
下面我按常见应用场景，直接给结论：
| 应用场景 | 首选数据源 | 备选方案 | 我的经验 |
|---|---|---|---|
| 农业（作物分类、长势监测） | Sentinel-2（10m，红边波段） | Landsat 8/9 + 雷达（防云） | 关键生育期必须用雷达补缺，否则时间序列断档 |
| 林业（森林覆盖、生物量） | Landsat（30m，历史存档长） | ALOS-2 PALSAR（L波段穿透树冠） | 热带雨林用L波段雷达，温带用光学即可 |
| 城市（建筑提取、变化检测） | 高分光学（<2m） | TerraSAR-X（高分辨率雷达） | 城市用雷达要注意叠掩和多次散射，建议光学为主 |
| 水体（水质监测、洪涝） | Sentinel-1（雷达，洪水识别） | 高光谱（水质参数反演） | 洪水监测用雷达VH极化，水体边界清晰 |
| 地质（矿物填图、构造解译） | 高光谱（ASTER、PRISMA） | Landsat 8（短波红外波段） | ASTER的14个波段性价比高，但注意空间分辨率低 |
2.5 多源数据融合：1+1>2
最后说一个我特别推崇的思路——多源融合。别死磕单一数据源。
举个例子，我做过一个城市不透水面提取项目。光学影像能区分植被和建筑，但阴影区（高楼背面）经常被误判为水体。怎么办？我把Sentinel-1雷达数据叠加上去。雷达对粗糙表面敏感，建筑阴影区虽然光学信号弱，但雷达回波强。两者一结合，精度从78%提升到了91%。
常用的融合策略：
- 光学+雷达：光学提供光谱信息，雷达提供结构和纹理信息。适合云覆盖频繁区域。
- 高分辨率+高光谱：高分辨率提供空间细节，高光谱提供光谱细节。适合精细城市分析。
- 多时相融合：不同时间的数据拼接，消除云覆盖。我习惯用Google Earth Engine做时序合成。
实操建议：刚开始做融合的同学，别一上来就搞复杂的像素级融合。先试试简单的波段叠加——把雷达影像作为额外波段和光学影像叠在一起，用随机森林分类器跑一遍。效果往往出乎意料。
好了，数据源对比与选择就聊到这儿。记住一句话：选数据不是选最贵的，也不是选分辨率最高的，而是选最能回答你科学问题的。下一节咱们聊数据预处理，那才是真正考验功力的地方。