遥感数据源基础：光学遥感数据、SAR数据与高光谱数据

做遥感图像融合这些年，我接触最多的就是这几类数据源。说实话，每种数据都有自己的脾气。你摸透了它们的特性，融合工作就成功了一半。今天咱们就聊聊光学、SAR和高光谱这三类数据，我把我在项目中踩过的坑和总结的经验都抖出来。

一、光学遥感数据：最常用的“眼睛”

光学遥感，说白了就是卫星像相机一样拍照。它依赖太阳光反射，所以晴天效果好，阴天或晚上就歇菜了。我最早接触的就是Landsat数据，那时候还在读研，处理一景Landsat 5的影像要折腾半天。

1. Landsat系列：老牌劲旅

Landsat从1972年就开始干活了，到现在已经跑了50多年。我个人习惯用Landsat 8和9，它们搭载了OLI传感器，有11个波段。

波段	波长范围(μm)	空间分辨率	主要用途
Band 1 (Coastal)	0.43-0.45	30m	海岸带监测
Band 2-4 (可见光)	0.45-0.67	30m	真彩色合成
Band 5 (近红外)	0.85-0.88	30m	植被监测
Band 8 (全色)	0.50-0.68	15m	全色锐化

2. Sentinel-2：后起之秀

Sentinel-2是欧空局的宝贝，2015年才发射。它最大的优势是——重访周期短，5天就能覆盖同一区域。而且它有13个波段，空间分辨率最高10m。

我记得有个项目要做城市绿地变化监测，Landsat的16天重访周期根本不够用。换成Sentinel-2后，数据量翻了三倍，效果立竿见影。

• Band 2,3,4 (可见光)：10m分辨率，适合做精细分类
• Band 8 (近红外)：10m分辨率，植被指数计算利器
• Band 5,6,7 (红边)：20m分辨率，对植被健康状态敏感
• Band 11,12 (SWIR)：20m分辨率，矿物识别和水分监测

3. MODIS：大尺度监测的利器

MODIS搭载在Terra和Aqua卫星上，空间分辨率只有250m-1000m，但它的优势是——每天都能覆盖全球。你想想看，做全球尺度的植被变化、火灾监测、海面温度反演，MODIS是首选。

我参与过一个项目，要分析十年间华北平原的农作物长势变化。Landsat数据量太大，处理起来要命。后来改用MODIS的NDVI产品（MOD13Q1，250m，16天合成），一周就搞定了。

二、SAR数据：全天候的“雷达眼”

光学数据怕云怕雨，但SAR数据不怕。SAR是主动遥感，自己发射微波脉冲，接收地面回波。说白了，它就像蝙蝠的超声波，不管白天黑夜、刮风下雨，都能成像。

Sentinel-1：最易获取的SAR数据

我个人最常用的是Sentinel-1的C波段SAR数据。它有两种成像模式：

• IW (干涉宽幅)：250km幅宽，5m×20m分辨率，适合大多数应用
• SM (条带模式)：80km幅宽，5m×5m分辨率，适合精细监测

做SAR和光学数据融合时，我遇到过一个大坑。SAR图像有严重的斑点噪声，直接和光学图像叠加，效果惨不忍睹。我的做法是：先用Lee滤波或Frost滤波去噪，再做地理编码，最后和光学数据配准。

三、高光谱数据：精细到“指纹”级别

高光谱数据，说白了就是每个像素都有几十到几百个波段。普通光学数据像黑白照片，高光谱就像一本精细的色谱书。

我最早接触高光谱数据是在一个矿物勘探项目里。用Landsat只能区分几种矿物，但用高光谱数据，能识别出十几种矿物种类。为什么？因为每种矿物都有独特的光谱吸收特征。

常见的高光谱数据源

传感器	波段数	光谱范围	空间分辨率
Hyperion (EO-1)	220	0.4-2.5μm	30m
AVIRIS (机载)	224	0.4-2.5μm	4-20m
PRISMA (意大利)	239	0.4-2.5μm	30m

四、三类数据的核心对比

为了让你更直观地理解，我画了一张对比图。这张图展示了我对三类数据源的核心认知框架。

五、融合时的数据选择策略

做融合时，我一般遵循这个原则：

1. 空间分辨率优先：如果目标是提高空间细节，用全色波段（15m或10m）锐化多光谱（30m或20m）
2. 时间分辨率优先：如果需要高频监测，用MODIS（每天）和Landsat/Sentinel-2（5-16天）做时空融合
3. 光谱分辨率优先：如果需要精细地物识别，用高光谱数据（几十到几百波段）和全色数据做光谱-空间融合
4. 全天候需求：如果研究区多云多雨，用SAR数据补充光学数据的缺失

嗯，关于遥感数据源的基础知识，今天就聊到这儿。这些内容是我多年项目经验的浓缩，希望能帮你少走弯路。下一节我们会深入具体的融合算法，到时候再细聊。

---

公众号:蓝海资料掘金营，微信deep3321