4. 数据预处理基础：辐射定标、大气校正、几何校正
各位同学，今天咱们聊聊数据预处理。说实话，很多刚入门的同学觉得这步又枯燥又麻烦，恨不得直接拿原始影像就开始做分类。我当年也这么干过，结果呢？分类精度惨不忍睹，被导师狠狠批了一顿。后来我才明白——预处理做不好，后面全是白忙活。
数据预处理，说白了就是给原始影像「洗澡」。把传感器带来的误差、大气层的干扰、地形引起的变形，统统处理干净。今天咱们重点讲三个环节：辐射定标、大气校正、几何校正。
核心逻辑一句话：原始影像的DN值（数字量化值）不能直接用，必须先转成物理量（辐射定标），再消除大气影响（大气校正），最后把像素放到正确的地理位置上（几何校正）。
4.1 辐射定标
辐射定标是预处理的第一步。它的任务很简单：把传感器记录的DN值，转换成具有物理意义的辐射亮度值或表观反射率。
你想想看，卫星传感器拍到的原始数据，其实就是一个一个的整数。这些整数跟真实的地物辐射能量之间，存在一个线性关系。这个关系由传感器的定标参数决定，通常包括增益（Gain）和偏移（Offset）。
公式其实不复杂：
L = Gain × DN + Offset其中L是辐射亮度值，单位通常是W/(m²·sr·μm)。
我的经验：不同传感器的定标参数获取方式不一样。Landsat系列的数据，元文件（MTL.txt）里直接就有。Sentinel-2的数据，需要从影像配套的XML文件里读。我个人习惯是写一个Python脚本批量提取，省得每次手动翻文件。
辐射定标还有一个变种——表观反射率定标。就是把辐射亮度值进一步转换成大气层顶的表观反射率。这一步通常跟大气校正连着做。
4.2 大气校正
大气校正，嗯，这是预处理里最让人头疼的一步，也是最重要的一步。为什么？因为太阳辐射穿过大气层时，会被大气分子、气溶胶散射和吸收。你拍到的影像，其实是「地物信号 + 大气噪声」的混合体。
不做大气校正会怎样？我举个例子：同一块农田，夏天和冬天拍的影像，DN值可能差很多。但实际的地表反射率变化没那么大。如果不做校正，你拿这两个时相的影像去做变化检测，结果全是假的。
目前主流的大气校正模型有三个：6S、FLAASH、Sen2Cor。咱们一个一个说。
4.2.1 6S模型
6S（Second Simulation of the Satellite Signal in the Solar Spectrum）是法国里尔科技大学开发的。它基于辐射传输理论，精度很高，但操作起来比较繁琐。
6S的输入参数包括：
- 传感器类型和波段信息
- 太阳天顶角、方位角
- 观测天顶角、方位角
- 气溶胶光学厚度（AOD）
- 水汽含量
- 臭氧含量
注意：6S模型需要你手动输入大气参数。这些参数从哪里来？MODIS大气产品、气象站数据、或者用影像本身反演。我曾经在一个项目中，因为气溶胶参数输错了，校正后的影像出现大面积异常值，折腾了两天才找到原因。所以，参数输入一定要仔细核对。
6S的使用方式通常是命令行或调用Fortran程序。现在也有Python封装版本（Py6S），用起来方便多了。
4.2.2 FLAASH模型
FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）是ENVI软件里集成的大气校正模块。它基于MODTRAN辐射传输模型，支持多光谱和高光谱数据。
FLAASH的优势在于：
- 操作界面友好，参数设置相对简单
- 内置了常见传感器的光谱响应函数
- 可以自动估算气溶胶和水汽
- 支持邻域效应校正
我个人比较喜欢FLAASH的一点是，它有一个「自动估算」功能。你只需要提供影像的中心经纬度、成像时间、传感器高度，它就能自动从影像中反演出大气参数。当然，自动估算的精度有限，如果条件允许，还是建议用实测数据。
4.2.3 Sen2Cor
Sen2Cor是欧空局专门为Sentinel-2数据开发的大气校正工具。它属于SNAP软件的一部分，也可以独立运行。
Sen2Cor的特点：
- 专门针对Sentinel-2的13个波段优化
- 可以生成10m、20m、60m三种分辨率的大气校正结果
- 输出产品包括地表反射率、气溶胶光学厚度、水汽含量等
- 支持批量处理
避坑指南：Sen2Cor对输入数据格式有要求，必须是L1C级别的SAFE格式。我曾经遇到过一个问题——下载的Sentinel-2数据文件名被系统截断了，导致Sen2Cor无法识别。后来我养成了一个习惯：下载后先检查文件名完整性，再开始处理。
4.3 几何校正
几何校正解决的是「像素位置不对」的问题。卫星影像在成像过程中，由于传感器姿态变化、地形起伏、地球曲率等因素，像素的实际地理位置跟理论位置会有偏差。
几何校正分为两类：正射校正和地理配准。
4.3.1 正射校正
正射校正是利用数字高程模型（DEM）和传感器轨道参数，消除地形引起的几何变形。它把影像从中心投影转换为正射投影。
正射校正的流程：
- 获取DEM数据（SRTM、ASTER GDEM等）
- 获取传感器轨道参数（RPC文件或物理模型参数）
- 建立像点与地面点的几何关系
- 重采样生成正射影像
常用的重采样方法有：
| 方法 | 特点 | 适用场景 |
|---|---|---|
| 最近邻法 | 速度快，不改变原始DN值 | 分类前的预处理 |
| 双线性内插 | 平滑效果好，计算量适中 | 一般目视解译 |
| 三次卷积 | 精度最高，边缘增强 | 高精度定量分析 |
注意：正射校正对DEM的精度要求很高。在平坦地区，30m分辨率的SRTM数据就够用。但在山区，我建议用12.5m的ALOS DEM或者更高精度的数据。否则校正后的影像会出现明显的「拉花」现象。
4.3.2 地理配准
地理配准，说白了就是「手动对齐」。当你有多源数据（比如不同时相的影像、矢量数据、历史地图）需要叠加分析时，就需要地理配准。
地理配准的步骤：
- 选择控制点（GCP）——道路交叉口、建筑物角点等明显特征点
- 建立变换模型（多项式、仿射、TPS等）
- 计算变换参数
- 重采样输出
控制点的选择有讲究：
- 均匀分布在整个影像范围内
- 避免选择随时间变化的地物（如农田、水域）
- 控制点数量：一次多项式至少3个，二次多项式至少6个
- RMS误差控制在0.5个像素以内
我的经验：地理配准时，我习惯先用自动匹配算法找一批候选点，然后人工筛选。自动匹配算法（如SIFT、ORB）能快速找到大量同名点，但会有误匹配。人工筛选这一步不能省。我曾经偷懒没检查，结果配准后的影像跟参考影像差了十几个像素，分析结果全偏了。
4.4 小结
数据预处理是遥感分析的基石。辐射定标把DN值变成物理量，大气校正消除大气干扰，几何校正把像素放到正确的位置。这三步走扎实了，后面的分类、变化检测、定量反演才能靠谱。
工具方面，ENVI、SNAP、GDAL、Py6S都是常用的。我个人建议初学者先从ENVI的FLAASH模块入手，界面友好，参数设置直观。等熟悉了原理，再尝试用Python脚本实现自动化处理。
好了，今天就讲到这里。记住一句话：预处理花的时间，会在后面十倍百倍地省回来。
公众号:蓝海资料掘金营，微信deep3321