一、遥感时间序列基础
各位同学好，我是这门课的主讲。今天咱们聊聊遥感时间序列的基础知识。说实话，我刚开始接触这个领域时，也被一堆术语搞得头晕。但别担心，咱们一步步来。
1.1 时间序列概念
时间序列，说白了就是一组按时间顺序排列的数据点。比如你每天记录体重，一年下来就是一条时间序列。遥感时间序列呢，就是卫星在同一区域反复拍摄，形成的一组影像数据。
我习惯把时间序列拆成三个核心要素：
- 时间戳：每张影像的拍摄日期
- 观测值：像元上的反射率、植被指数等
- 时间间隔：两次观测之间的时间差
举个例子，Landsat 卫星每16天过境一次，你收集了某农田从2015到2020年的所有影像，这就是一条典型的时间序列。嗯，这里要注意：时间序列分析的核心是利用时间上的相关性来预测未来。
核心观点：时间序列分析不是简单地把数据按时间画出来，而是要挖掘数据背后的规律——趋势、周期、季节性、异常点等。
1.2 遥感时间序列的特点
遥感时间序列和普通时间序列有啥区别？我总结了几点：
- 空间依赖性：相邻像元的值往往相似，不能独立处理
- 时间不连续性：云遮挡、传感器故障会导致数据缺失
- 多尺度特性：不同卫星的时间分辨率不同（MODIS每天，Landsat每16天）
- 噪声复杂：大气校正误差、地形影响、混合像元都会引入噪声
我在项目中遇到过最头疼的问题就是云遮挡。你想想看，一个地区一年有半年是雨季，能用的影像可能就三四张。这时候就需要插值或重构算法来补全数据。
避坑指南：我曾经因为没处理好云掩膜，导致植被指数时间序列出现大量异常低值，模型预测结果完全偏离实际。后来花了整整一周重新清洗数据。记住：数据预处理占整个分析工作量的60%以上。
1.3 常见遥感数据源介绍
目前主流的遥感数据源有三个：Landsat、MODIS、Sentinel。我分别说说它们的优缺点。
Landsat 系列
Landsat 是美国 NASA 和 USGS 联合运营的卫星系列，从1972年到现在已经发射了9颗。它的特点是：
- 空间分辨率：30米（多光谱），15米（全色）
- 时间分辨率：16天
- 波段数：11个（Landsat 8/9）
- 数据免费，历史存档完整
我个人最喜欢 Landsat 的地方是它的历史数据跨度长。做长时序分析时，50年的数据积累是其他卫星无法比拟的。
MODIS 系列
MODIS 搭载在 Terra 和 Aqua 卫星上，每天覆盖全球一次。它的特点：
- 空间分辨率：250米-1000米
- 时间分辨率：1-2天
- 波段数：36个
- 产品丰富：植被指数、地表温度、叶面积指数等都有现成产品
MODIS 的时间分辨率高，适合做快速变化监测。比如森林火灾、洪水淹没等。但它的空间分辨率较低，不适合小尺度分析。
Sentinel 系列
Sentinel 是欧洲航天局（ESA）的哥白尼计划卫星。我最近几年用得最多的是 Sentinel-2：
- 空间分辨率：10米-60米
- 时间分辨率：5天（双星）
- 波段数：13个
- 数据免费，全球覆盖
Sentinel-2 的红边波段对植被监测特别有用。我做过一个实验，用 Sentinel-2 的红边波段反演叶绿素含量，精度比 Landsat 提高了15%左右。
我的建议：如果你刚开始做时间序列分析，可以从 MODIS 的 NDVI 产品入手。数据预处理少，时间分辨率高，适合快速验证想法。等熟悉流程后，再切换到 Landsat 或 Sentinel 做精细分析。
1.4 三种数据源对比
| 参数 | Landsat | MODIS | Sentinel-2 |
|---|---|---|---|
| 空间分辨率 | 30m | 250m-1km | 10m-60m |
| 时间分辨率 | 16天 | 1-2天 | 5天 |
| 历史跨度 | 1972至今 | 2000至今 | 2015至今 |
| 波段数 | 11 | 36 | 13 |
| 适用场景 | 长时序变化监测 | 大尺度快速监测 | 精细植被分析 |
1.5 知识体系结构图
下面我用一张图来总结本章的知识结构。这张图是我自己画的，方便大家理解各个概念之间的关系。
这张图展示了本章的三个核心模块：时间序列概念、遥感时间序列特点、常见数据源。它们之间是层层递进的关系——先理解概念，再掌握特点，最后熟悉数据源。
本章小结：遥感时间序列分析的核心在于理解数据的时空特性。不同数据源有各自的优缺点，选择时需根据研究目标和区域特点来定。数据预处理是成败的关键，千万别忽视。
公众号:蓝海资料掘金营，微信deep3321