一、遥感数据概述
做遥感这些年，我最大的感触就是——数据是咱们这行的「粮食」。没有数据，再牛的算法也是空中楼阁。今天咱们就来聊聊遥感数据的基本盘，把那些最基础、最核心的东西捋清楚。
说实话，我刚入行那会儿，面对一堆数据格式也是一头雾水。什么GeoTIFF、HDF、NetCDF，光看名字就晕了。后来踩了不少坑，才慢慢摸出门道。今天我把这些经验分享给你，希望能帮你少走弯路。
核心要点：遥感数据的选择决定了你后续分析的成败。选对数据类型、理解分辨率含义、掌握常见格式，是每个遥感从业者的基本功。
1.1 遥感数据类型
遥感数据按传感器类型，主要分为三大类：光学、雷达和高光谱。这三类各有各的脾气，咱们一个一个说。
光学遥感
光学遥感是最常见的类型，说白了就是「拍照」——传感器接收地物反射的太阳光。Landsat、Sentinel-2、MODIS 都属于这一类。
特点：
- 依赖太阳光照，白天才能成像
- 受天气影响大，云层遮挡就拍不到
- 数据直观，跟人眼看到的比较像
- 波段范围通常在可见光到短波红外
我记得有一次做城市热岛效应分析，选了夏季的光学影像。结果连续三景数据都有云覆盖，气得我直跺脚。后来学乖了，做光学分析一定多备几个时相的数据。
雷达遥感
雷达遥感（SAR）是主动遥感，自己发射微波信号，再接收回波。它不依赖太阳光，也不怕云雨天气。Sentinel-1、Radarsat、ALOS PALSAR 都是典型的雷达卫星。
特点：
- 全天候、全天时成像
- 对地物结构敏感，比如建筑物、树木
- 能穿透一定厚度的植被和干沙
- 数据解读难度大，有斑点噪声
我做过一个洪水监测项目，光学影像全是云，根本没法用。最后全靠 Sentinel-1 的雷达数据，硬是把洪水范围给圈出来了。嗯，从那以后我对 SAR 数据就格外重视。
高光谱遥感
高光谱遥感是「精细版」的光学遥感。它把光谱分成几十上百个窄波段，能捕捉到地物细微的光谱差异。Hyperion、PRISMA、EnMAP 都是高光谱传感器。
特点：
- 光谱分辨率极高，波段数多
- 能识别矿物种类、作物品种、水质参数
- 数据量大，处理起来比较费劲
- 价格通常比较贵
高光谱数据我用的不多，但有一次帮地质队做矿物识别，用 Hyperion 数据成功区分了高岭土和蒙脱石。那感觉，就像用显微镜看世界，确实不一样。
我的建议：初学者先从光学数据入手，Landsat 和 Sentinel-2 都是免费且质量高的数据源。等光学数据玩熟了，再尝试雷达和高光谱。
1.2 数据分辨率
分辨率是遥感数据的「灵魂参数」。它决定了你能看到什么、能分辨什么。分辨率有四个维度：空间、光谱、时间、辐射。咱们一个一个拆开讲。
空间分辨率
空间分辨率就是像素对应的地面大小。比如 Landsat 是 30 米，Sentinel-2 是 10 米，WorldView 能做到 0.3 米。
怎么选？
- 大尺度研究（如全球植被监测）：250米-1公里
- 区域尺度（如城市热岛）：10-30米
- 精细尺度（如单个建筑物）：0.3-5米
我刚开始做研究时，总觉得分辨率越高越好。结果下载了一堆高分辨率数据，电脑跑不动，处理时间也长。后来才明白，分辨率够用就行，别盲目追求高精度。
光谱分辨率
光谱分辨率指传感器能区分的最小波长间隔。间隔越小，波段数越多，光谱分辨率越高。
举个例子：
- 全色波段：1个波段，分辨率高但没颜色信息
- 多光谱：4-10个波段，常见于Landsat、Sentinel-2
- 高光谱：几十到几百个波段，光谱信息丰富
光谱分辨率越高，你能区分的地物类型就越多。但代价是数据量大、处理复杂。我个人习惯是：做植被分析用多光谱就够了，做矿物识别才上高光谱。
时间分辨率
时间分辨率就是卫星多久能回访同一地点。Landsat 是 16 天，Sentinel-2 是 5 天，MODIS 是 1 天。
为什么重要？
- 监测动态变化（如洪水、火灾、作物生长）需要高时间分辨率
- 时间分辨率越高，越容易获取无云影像
- 但高时间分辨率往往意味着低空间分辨率
我曾经做过一个水稻生长监测项目，需要每 5 天一张影像。Landsat 的 16 天回访根本不够用，最后只能上 Sentinel-2。所以做时间序列分析，时间分辨率是首要考虑因素。
辐射分辨率
辐射分辨率指传感器能区分的最小辐射能量差异。通常用比特位表示，8 bit、12 bit、16 bit 等。
简单理解：
- 8 bit：256个灰度级，常见于早期传感器
- 12 bit：4096个灰度级，Landsat 8/9 就是这个级别
- 16 bit：65536个灰度级，能区分更细微的亮度差异
辐射分辨率越高，影像的层次感越丰富。特别是在阴影区域或暗目标上，高辐射分辨率能保留更多细节。我处理过一些 8 bit 的旧数据，暗部细节基本都丢了，处理起来很头疼。
避坑指南：我曾经因为没注意辐射分辨率，把 16 bit 的数据当成 8 bit 处理，结果拉伸后信息丢失严重。后来每次拿到数据，第一件事就是检查它的位深。
1.3 常用数据格式
遥感数据的格式五花八门，但最常用的就三种：GeoTIFF、HDF、NetCDF。每种格式都有自己的「脾气」，咱们来认识一下。
GeoTIFF
GeoTIFF 是遥感领域最通用的格式。它就是在普通 TIFF 图像里嵌入了地理坐标信息。说白了，一张 GeoTIFF 图片，既能看到图像内容，又能知道每个像素对应的经纬度。
特点：
- 兼容性好，几乎所有软件都能打开
- 支持多波段存储
- 文件大小适中
- 支持压缩（LZW、DEFLATE等）
我个人习惯是：只要不是特别大的数据，都优先存成 GeoTIFF。处理起来方便，分享给别人也省事。
HDF（Hierarchical Data Format）
HDF 是 NASA 等机构常用的格式，特别适合存储大规模科学数据。MODIS 和 VIIRS 的数据基本都是 HDF 格式。
特点：
- 支持分层存储，一个文件里可以放多个数据集
- 自带元数据信息
- 支持大数据量
- 读取需要专门的库（如 h5py、gdal）
我第一次接触 HDF 文件时，打开一看，里面嵌套了好几层数据，差点没找到我要的波段。后来才明白，HDF 就像个「数据集装箱」，里面什么都有，但得知道怎么拆箱。
NetCDF（Network Common Data Form）
NetCDF 是气象和海洋领域的老牌格式，现在遥感领域也用得越来越多。它特别适合存储多维数据，比如时间序列、三维气象场等。
特点：
- 支持多维数组（时间、高度、纬度、经度）
- 自描述性强，变量名、单位、坐标都写在文件里
- 支持大数据量
- 常用工具：ncdump、ncview、xarray
做气候相关的遥感分析，NetCDF 几乎是标配。我处理过一套 30 年的全球温度数据，就是 NetCDF 格式，一个文件就包含了所有年份、所有月份的数据，确实方便。
实用技巧：如果你用 Python 做遥感，推荐用 rasterio 处理 GeoTIFF，用 xarray 处理 NetCDF 和 HDF。这两个库上手快，文档也全。
1.4 知识体系总览
说了这么多，咱们用一张图把核心内容串起来。这张图展示了遥感数据的三大分类、四个分辨率维度和三种常用格式之间的关系。
这张图把咱们今天讲的内容都串起来了。你想想看，拿到一份遥感数据，先看它是什么类型（光学、雷达还是高光谱），再看它的四个分辨率是否满足需求，最后确认数据格式是否兼容你的工具链。这三步走下来，数据的基本情况就摸清了。
注意事项：不同数据格式之间的转换可能会丢失信息。比如从 HDF 转 GeoTIFF，元数据可能就丢了。我建议尽量保持原始格式，需要处理时再转换。
好了，关于遥感数据的基本概念就聊到这儿。这些内容看着简单，但都是实打实的基础。我当年就是把这些基础打牢了，后面学起来才顺风顺水。你把这些吃透了，后面的课程会轻松很多。
公众号:蓝海资料掘金营，微信deep3321