第1章：遥感数据获取与预处理

各位同学，大家好。我是你们这门课的老朋友。今天咱们聊聊遥感数据获取与预处理。说实话，这步是遥感分析的基石。地基没打好，后面盖的楼再漂亮也得塌。我见过太多项目，数据预处理没做好，结果分析出来的植被指数全是错的，白白浪费几个月时间。

嗯，咱们直接进入正题。

1.1 常用遥感数据源

目前主流的免费遥感数据源，说白了就三个：Landsat、Sentinel-2、MODIS。我个人的习惯是，做精细生态评估用Sentinel-2，做长时序分析用Landsat，做大尺度宏观监测用MODIS。你想想看，各有各的脾气。

数据源	空间分辨率	时间分辨率	波段数	主要用途
Landsat 8/9	30m（多光谱）	16天	11	长时序植被变化、土地利用
Sentinel-2	10m（可见光）	5天	13	精细植被监测、农业
MODIS	250m-1km	1-2天	36	全球尺度、快速监测

我在项目中遇到过一件事：有次做城市绿地评估，用了Landsat的30米数据，结果把小区里的花坛和草坪全混在一起了。后来换成Sentinel-2的10米数据，细节一下就出来了。所以选数据源，一定要看你的目标尺度。

1.2 数据下载方法

下载数据其实不难，但有几个坑。我给大家梳理一下常用渠道。

• USGS EarthExplorer：Landsat数据最全，老牌平台。我建议注册一个账号，免费。
• Copernicus Open Access Hub：下载Sentinel-2的首选。注意，它有时会抽风，下载速度慢。我曾经半夜爬起来续传，你懂的。
• NASA LAADS DAAC：MODIS数据的大本营。HDF格式，后面会讲。
• Google Earth Engine：如果你不想下载，直接在云端处理。我个人现在越来越依赖它，省硬盘空间。

1.3 数据格式解析

遥感数据格式，最常见的就是GeoTIFF和HDF。嗯，这里要注意，两种格式的脾气完全不同。

GeoTIFF

说白了，就是普通TIFF图片加上地理坐标信息。每个像素都知道自己在哪。Landsat和Sentinel-2都用这个格式。我习惯用GDAL库来读写，Python里最稳。

import gdal
# 读取GeoTIFF文件
ds = gdal.Open('LC08_B4.TIF')
band = ds.GetRasterBand(1)
data = band.ReadAsArray()
# 获取地理变换参数
geotransform = ds.GetGeoTransform()
print('左上角坐标:', geotransform[0], geotransform[3])
print('像元大小:', geotransform[1], geotransform[5])

HDF

MODIS数据用的是HDF格式。它像个集装箱，里面装了很多数据集。我第一次打开HDF文件时，差点被里面的层级结构搞晕。后来发现，用h5py库就能轻松读取。

import h5py
# 读取MODIS HDF文件
with h5py.File('MOD09GA.A2022001.hdf', 'r') as f:
    # 查看数据集结构
    def print_structure(name, obj):
        print(name)
    f.visititems(print_structure)
    # 读取某个波段
    data = f['MODIS_Grid_1km_2D/sur_refl_b01'][:]

1.4 辐射定标与大气校正原理

这部分是预处理的核心。为什么？因为卫星传感器记录的是数字量化值（DN值），不是真实的地表反射率。你想想看，DN值受传感器增益、太阳高度角、大气散射等因素影响。直接拿DN值算植被指数，结果肯定不准。

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，就是给原始数据做一次线性变换。公式很简单：

# 辐射定标示例（Landsat 8）
# 假设DN值在band中，增益和偏移来自元数据文件
radiance = band * gain + offset
# 或者直接转成表观反射率
reflectance = (radiance * d * pi) / (ESUN * cos(solar_zenith))

我个人习惯，直接用USGS提供的Level-2产品，它已经帮你做了辐射定标和大气校正。但如果你拿到的是Level-1数据，就得自己动手。

大气校正

大气校正，目的是消除水汽、气溶胶、臭氧等对信号的干扰。常用的方法有：

• 6S模型：物理模型，精度高，但参数多。我一般做研究时才用。
• FLAASH：集成在ENVI里，操作方便。适合批量处理。
• DOS（暗目标法）：简单粗暴，假设图像中有暗目标（如水体），其反射率应为0。我刚开始学遥感时就用这个，虽然精度一般，但胜在快。

1.5 知识体系框架

为了让大家更直观地理解本章的知识结构，我画了一张流程图。嗯，用SVG画的，虽然丑了点，但逻辑清楚。

这张图把本章的核心逻辑串起来了。从数据源选择，到下载，到格式解析，最后到预处理。每一步都环环相扣。我个人觉得，预处理这一步花的时间，至少占整个项目的40%。别嫌麻烦，后面算植被指数时你就知道值了。

好了，第一章的内容就到这里。记住，数据预处理是遥感分析的良心活。你糊弄它，它就糊弄你。

---

公众号:蓝海资料掘金营，微信deep3321