第一章：遥感基础与AI概述
1.1 遥感成像原理——我们怎么“看”地球
说实话，我第一次接触遥感影像时，心里想的是：“这不就是卫星拍的照片吗？”后来才发现，事情远没那么简单。
遥感成像，说白了就是传感器在远距离“感知”地物反射或辐射的电磁波。这个过程有点像你用手机拍照——光线照到物体上，反射进镜头，传感器记录下来。但遥感卫星离地面几百公里，它接收到的信号极其微弱，还要穿过大气层，这中间的门道可就多了。
我习惯把遥感成像分为三个核心环节：
- 能量来源：太阳光（被动遥感）或传感器自带光源（主动遥感，如雷达）
- 传输路径：电磁波穿过大气层，会被散射、吸收——嗯，这里经常出问题
- 传感器记录：将接收到的辐射能量转换为数字信号，就是我们看到的DN值
关键点：遥感影像的每个像素，本质上是一个“电磁波能量采样值”。你看到的绿色植被，在近红外波段其实亮得刺眼——这就是我们做AI分类的基础。
1.2 电磁波谱特征——不同地物的“指纹”
为什么AI能区分森林和农田？因为它们反射电磁波的方式不一样。这就像每个人的指纹，虽然肉眼看起来差不多，但机器能看出细微差别。
我整理了一个常用波段表，做AI分类时经常参考：
| 波段 | 波长范围 | 典型应用 | 我踩过的坑 |
|---|---|---|---|
| 蓝光 | 0.45-0.52μm | 水体识别、大气校正 | 容易受雾霾干扰 |
| 绿光 | 0.52-0.60μm | 植被健康评估 | 和草地容易混淆 |
| 红光 | 0.63-0.69μm | 植被区分、道路提取 | 阴影区信息丢失严重 |
| 近红外 | 0.76-0.90μm | 植被分类、水体边界 | 水体几乎全吸收，别指望用它看水下 |
| 短波红外 | 1.55-1.75μm | 土壤湿度、矿物识别 | 云层穿透能力有限 |
我的经验：做AI分类时，别只用RGB三个波段。我曾经做过一个项目，只用真彩色影像分类，精度死活上不去。后来加了近红外和短波红外，准确率直接提升了15%。多波段信息，才是遥感的真正优势。
1.3 AI与深度学习基础——机器怎么“学会”看遥感图
你想想看，传统方法做地物分类，得人工设计特征——纹理、形状、光谱指数……累死个人。深度学习来了之后，事情变得简单了：你把影像扔进去，它自己学特征。
我常用的深度学习框架，说白了就是一个“多层特征提取器”：
- 卷积层：提取局部特征，比如边缘、纹理
- 池化层：压缩信息，保留主要特征
- 全连接层：综合判断，输出分类结果
为什么会这样？因为遥感影像有空间相关性——相邻像素往往属于同一地物。卷积操作正好利用了这一点，它用一个滑动窗口扫描整张图，提取局部模式。
避坑指南：我曾经犯过一个低级错误——直接把自然图像的预训练模型拿来用。结果发现，遥感影像的尺度、视角、光照条件完全不同。后来我学乖了，要么用遥感专用预训练模型，要么在遥感数据上做微调。
1.4 课程整体框架——我们这学期要学什么
我个人习惯，学任何东西之前先看地图。下面这张图就是我们这门课的“作战地图”：
这张图我画了好几次才满意。你看，课程分三个层次：
- 基础层（第1-3章）：打好遥感物理和数据处理基础。这部分虽然有点枯燥，但后面所有AI模型都依赖它。
- 方法层（第4-6章）：从传统方法到深度学习，逐步进阶。我建议你重点掌握第5章，这是目前工业界的主流方案。
- 应用层（第7-9章）：变化检测、目标检测、实战部署。这部分最有趣，也最考验综合能力。
学习建议：我见过太多同学一上来就追着最新模型跑，结果连影像预处理都没搞明白。记住：遥感AI的瓶颈往往不在模型，而在数据质量。先把基础打牢，后面自然水到渠成。
好了，第一章就到这里。下一章我们聊聊遥感数据预处理——那些让你头疼的几何校正、大气校正，其实都有套路可循。
公众号:蓝海资料掘金营，微信deep3321