第二章 遥感数据获取：常见遥感数据源与预处理
各位同学，大家好。这一章我们来聊聊遥感数据获取。说白了，就是搞明白「去哪里拿数据」和「拿到数据后怎么处理」。我做了十几年遥感分析，见过太多人花大量时间在数据下载和预处理上，结果真正分析的时间反而被压缩了。所以这一章，我会把经验直接告诉你。
2.1 常见遥感数据源：三大主力
目前做城市扩张分析，最常用的就是三个数据源：Landsat、Sentinel 和 MODIS。它们各有各的脾气，我一个个说。
2.1.1 Landsat 系列（美国地质调查局 USGS）
Landsat 是我个人最常用的数据源。从 1972 年到现在，连续观测了 50 多年。你想想看，要做城市扩张的时间序列分析，没有比它更合适的了。
- 空间分辨率：30 米（多光谱），15 米（全色波段）
- 时间分辨率：16 天重访周期
- 常用传感器：Landsat 5 TM、Landsat 7 ETM+、Landsat 8 OLI、Landsat 9 OLI-2
- 波段数：7-11 个波段（视传感器而定）
重要提示：Landsat 7 的 ETM+ 传感器在 2003 年 5 月出现了扫描线校正器故障，导致图像出现条带。如果你要用 2003 年之后的数据，记得做条带修复。我当年第一次做城市扩张分析时，就踩过这个坑。
2.1.2 Sentinel 系列（欧洲航天局 ESA）
Sentinel-2 是近十年才火起来的。它的优势很明显：10 米空间分辨率，5 天重访周期。对于城市扩张这种需要精细边界提取的任务，Sentinel-2 比 Landsat 更合适。
- 空间分辨率：10 米（可见光/近红外），20 米（红边/短波红外），60 米（大气校正波段）
- 时间分辨率：5 天（双星组网）
- 常用传感器：Sentinel-2A、Sentinel-2B
- 波段数：13 个波段
我的经验：做城市扩张分析时，我建议优先用 Sentinel-2。10 米分辨率能看清道路、建筑轮廓，比 Landsat 的 30 米精细得多。但要注意，Sentinel-2 的数据量比 Landsat 大很多，处理起来更吃内存。
2.1.3 MODIS 系列（美国 NASA）
MODIS 是「大尺度、低分辨率」的代表。250 米到 1 公里的空间分辨率，每天覆盖全球一次。它不适合做精细的城市边界提取，但非常适合做城市热岛效应分析、植被覆盖度变化等大尺度研究。
- 空间分辨率：250 米（波段 1-2），500 米（波段 3-7），1 公里（其余波段）
- 时间分辨率：1-2 天
- 常用产品：MOD09GA（地表反射率）、MOD11A2（地表温度）、MCD12Q1（土地覆盖分类）
注意：MODIS 数据虽然时间分辨率高，但空间分辨率太低。如果你要做城市扩张的精细分析，MODIS 只能作为辅助数据，不能作为主数据源。我曾经见过有人用 MODIS 做城市边界提取，结果误差大到无法接受。
2.2 数据下载：去哪里拿？怎么拿？
数据源知道了，接下来就是下载。我整理了几个常用的下载平台，每个平台的特点我都标注了。
| 平台名称 | 数据源 | 特点 | 推荐指数 |
|---|---|---|---|
| USGS EarthExplorer | Landsat、MODIS | 数据最全，支持批量下载 | ★★★★★ |
| ESA Copernicus Open Access Hub | Sentinel | 官方平台，数据免费 | ★★★★★ |
| Google Earth Engine | Landsat、Sentinel、MODIS | 在线处理，无需下载 | ★★★★☆ |
| NASA LAADS DAAC | MODIS | MODIS 数据最全 | ★★★★☆ |
我个人习惯用 USGS EarthExplorer。为什么？因为它的筛选功能很强大，可以按云量、日期、传感器类型精确筛选。你想想看，如果下载了一堆云量超过 50% 的图像，那基本就是白费功夫。
2.3 数据预处理：从原始数据到可用数据
下载下来的数据，不能直接用。原始数据是 DN 值（数字量化值），需要经过一系列预处理才能用于变化检测。我按处理流程一步步说。
2.3.1 辐射定标
辐射定标，就是把 DN 值转换成辐射亮度值或表观反射率。说白了，就是把传感器记录的「原始数字」变成「物理量」。
# Python 示例：Landsat 8 辐射定标
import numpy as np
# 读取元数据中的定标参数
# 对于 Landsat 8 OLI，辐射定标公式：
# Lλ = ML * Qcal + AL
# 其中 ML 是增益，AL 是偏移，Qcal 是 DN 值
def radiometric_calibration(dn_image, ml, al):
"""
辐射定标函数
dn_image: 原始 DN 值图像
ml: 增益系数（从元数据读取）
al: 偏移系数（从元数据读取）
"""
radiance = ml * dn_image + al
return radiance避坑指南：我曾经在项目中直接用 DN 值做 NDVI 计算，结果植被指数完全不对。后来才发现，必须先把 DN 值转成反射率。记住：DN 值不能直接用于任何定量分析。
2.3.2 大气校正
大气校正是预处理中最关键的一步。大气中的水汽、气溶胶会散射和吸收电磁辐射，导致图像模糊、对比度降低。不做大气校正，变化检测的结果会包含大量「伪变化」。
常用的方法有：
- FLAASH：基于 MODTRAN 辐射传输模型，精度高，但参数设置复杂
- 6S：也是基于辐射传输模型，适合科研使用
- DOS（暗目标法）：简单快速，适合快速处理
- Sen2Cor：专门用于 Sentinel-2 的大气校正，ESA 官方工具
我个人建议：如果做高精度变化检测，用 FLAASH 或 6S。如果只是做快速分析，DOS 也够用。但千万别跳过大气校正这一步。
2.3.3 几何校正
几何校正，就是把图像「对齐」到真实的地理坐标上。Landsat 和 Sentinel 的 L1 级产品已经做过系统几何校正，但如果你用的是历史数据，或者不同时相的数据之间需要精确配准，那就要做几何精校正。
# 使用 GDAL 进行几何校正的伪代码
from osgeo import gdal
# 读取原始图像
dataset = gdal.Open('input_image.tif')
# 设置输出投影（例如 WGS84 UTM 50N）
output_projection = 'EPSG:32650'
# 执行几何校正
gdal.Warp('output_image.tif', dataset,
dstSRS=output_projection,
resampleAlg='cubic')注意：几何校正的精度直接影响变化检测的结果。如果两期影像的配准误差超过 0.5 个像素，那变化检测的结果基本不可信。我建议用地面控制点（GCP）做精校正，误差控制在 0.3 个像素以内。
2.3.4 图像裁剪与镶嵌
研究区通常不是整景图像，需要裁剪。如果研究区跨越多景图像，还需要镶嵌。
- 裁剪：用研究区的矢量边界（Shapefile）裁剪图像
- 镶嵌：将多景图像拼接成一幅，注意接边处的色调一致性
嗯，这里要注意：镶嵌时如果两景图像的色调差异很大，可以用直方图匹配来调整。我做过一个项目，研究区正好在 Landsat 条带重叠区，两景图像的亮度差异很大，不做直方图匹配的话，变化检测结果会出现明显的「条带伪变化」。
2.4 知识体系总览
我把这一章的核心逻辑画成了流程图，方便你理解数据获取与预处理的整体流程。
2.5 本章小结
这一章的内容，说白了就是三件事：选数据、下数据、处理数据。选数据要根据研究目的来，做精细分析用 Sentinel-2，做时间序列用 Landsat，做大尺度分析用 MODIS。下数据推荐 USGS EarthExplorer 和 ESA Copernicus。预处理一定要做辐射定标和大气校正，这是变化检测的基础。
我记得刚入行时，总觉得预处理很麻烦，想跳过。结果第一次做变化检测，发现两期影像的 NDVI 差异图全是噪声。后来老老实实做了大气校正，结果一下子就清晰了。所以，别偷懒，预处理做扎实了，后面的分析才能站得住脚。