【遥感学习整理 01】遥感图像处理基础：从传感器观测到地理信息产品

遥感图像处理基础：从传感器观测到地理信息产品

文章目录

遥感图像处理基础：从传感器观测到地理信息产品
- [第一章遥感图像处理的任务与知识体系](#第一章遥感图像处理的任务与知识体系)
- - [1.1 遥感是什么](#1.1 遥感是什么)
  - [1.2 遥感图像处理的三个层次](#1.2 遥感图像处理的三个层次)
  - - [1.2.1 数据层](#1.2.1 数据层)
    - [1.2.2 信息层](#1.2.2 信息层)
    - [1.2.3 知识与决策层](#1.2.3 知识与决策层)
  - [1.3 遥感与 GIS 的关系](#1.3 遥感与 GIS 的关系)
- [第二章遥感数据的五类分辨率](#第二章遥感数据的五类分辨率)
- - [2.1 空间分辨率](#2.1 空间分辨率)
  - - [2.1.1 选择原则](#2.1.1 选择原则)
  - [2.2 光谱分辨率](#2.2 光谱分辨率)
  - [2.3 时间分辨率](#2.3 时间分辨率)
  - [2.4 辐射分辨率](#2.4 辐射分辨率)
  - [2.5 极化分辨率](#2.5 极化分辨率)
  - [2.6 分辨率之间的权衡](#2.6 分辨率之间的权衡)
- [第三章当前主流遥感数据体系](#第三章当前主流遥感数据体系)
- - [3.1 不再逐颗背诵卫星参数](#3.1 不再逐颗背诵卫星参数)
  - [3.2 Landsat 8/9](#3.2 Landsat 8/9)
  - [3.3 Sentinel-2](#3.3 Sentinel-2)
  - [3.4 Sentinel-1 与 SAR 数据](#3.4 Sentinel-1 与 SAR 数据)
  - [3.5 国产遥感数据](#3.5 国产遥感数据)
  - [3.6 商业高分辨率数据](#3.6 商业高分辨率数据)
  - [3.7 数据产品级别](#3.7 数据产品级别)
  - [3.8 现代数据组织：COG、STAC 与云端数据目录](#3.8 现代数据组织：COG、STAC 与云端数据目录)
- [第四章遥感图像一般处理流程](#第四章遥感图像一般处理流程)
- - [4.1 总体流程](#4.1 总体流程)
  - [4.2 第一步：明确研究问题](#4.2 第一步：明确研究问题)
  - [4.3 第二步：数据质量检查](#4.3 第二步：数据质量检查)
  - [4.4 第三步：几何处理](#4.4 第三步：几何处理)
  - - [4.4.1 几何误差来源](#4.4.1 几何误差来源)
    - [4.4.2 地理参照、几何校正、正射校正和配准](#4.4.2 地理参照、几何校正、正射校正和配准)
    - [4.4.3 控制点选择原则](#4.4.3 控制点选择原则)
    - [4.4.4 重采样](#4.4.4 重采样)
  - [4.5 第四步：辐射定标](#4.5 第四步：辐射定标)
  - [4.6 第五步：大气校正](#4.6 第五步：大气校正)
  - [4.7 第六步：云、阴影和异常像元处理](#4.7 第六步：云、阴影和异常像元处理)
  - [4.8 第七步：镶嵌、裁剪和尺度统一](#4.8 第七步：镶嵌、裁剪和尺度统一)
- [第五章图像显示、增强与特征构建](#第五章图像显示、增强与特征构建)
- - [5.1 波段组合](#5.1 波段组合)
  - [5.2 对比度拉伸](#5.2 对比度拉伸)
  - [5.3 空间滤波](#5.3 空间滤波)
  - [5.4 主成分分析](#5.4 主成分分析)
  - [5.5 光谱指数](#5.5 光谱指数)
  - [5.6 光谱、纹理、形状和地形特征](#5.6 光谱、纹理、形状和地形特征)
- [第六章遥感分类与信息提取](#第六章遥感分类与信息提取)
- - [6.1 分类问题的基本形式](#6.1 分类问题的基本形式)
  - [6.2 非监督分类](#6.2 非监督分类)
  - [6.3 监督分类](#6.3 监督分类)
  - [6.4 面向对象分类](#6.4 面向对象分类)
  - [6.5 深度学习遥感分类](#6.5 深度学习遥感分类)
  - [6.6 样本设计](#6.6 样本设计)
  - [6.7 后处理](#6.7 后处理)
- [第七章定量遥感与参数反演](#第七章定量遥感与参数反演)
- - [7.1 分类与反演的区别](#7.1 分类与反演的区别)
  - [7.2 反演方法](#7.2 反演方法)
  - [7.3 常见反演对象](#7.3 常见反演对象)
  - [7.4 地表温度基本思路](#7.4 地表温度基本思路)
- [第八章遥感变化检测与时间序列分析](#第八章遥感变化检测与时间序列分析)
- - [8.1 变化检测的目标](#8.1 变化检测的目标)
  - [8.2 常见方法](#8.2 常见方法)
  - - [8.2.1 影像差值](#8.2.1 影像差值)
    - [8.2.2 变化向量分析](#8.2.2 变化向量分析)
    - [8.2.3 分类后比较](#8.2.3 分类后比较)
    - [8.2.4 直接变化分类](#8.2.4 直接变化分类)
    - [8.2.5 时间序列断点分析](#8.2.5 时间序列断点分析)
  - [8.3 变化检测的前提](#8.3 变化检测的前提)
  - [8.4 转移矩阵](#8.4 转移矩阵)
- [第九章精度评价与不确定性](#第九章精度评价与不确定性)
- - [9.1 为什么必须评价精度](#9.1 为什么必须评价精度)
  - [9.2 混淆矩阵](#9.2 混淆矩阵)
  - [9.3 回归评价](#9.3 回归评价)
  - [9.4 验证样本设计](#9.4 验证样本设计)
  - [9.5 不确定性来源](#9.5 不确定性来源)
- [第十章行业应用的统一分析框架](#第十章行业应用的统一分析框架)
- - [10.1 林业](#10.1 林业)
  - [10.2 农业](#10.2 农业)
  - [10.3 水利与水资源](#10.3 水利与水资源)
  - [10.4 生态环境](#10.4 生态环境)
  - [10.5 自然资源与规划监管](#10.5 自然资源与规划监管)
  - [10.6 海洋与海岸带](#10.6 海洋与海岸带)
- [第十一章现代遥感计算环境](#第十一章现代遥感计算环境)
- - [11.1 桌面软件](#11.1 桌面软件)
  - - ENVI
    - [ArcGIS Pro](#ArcGIS Pro)
    - QGIS
    - SNAP
  - [11.2 Google Earth Engine](#11.2 Google Earth Engine)
  - [11.3 Python 遥感生态](#11.3 Python 遥感生态)
  - [11.4 一个基础 Python 示例：计算 NDVI](#11.4 一个基础 Python 示例：计算 NDVI)
- [第十二章综合案例：从问题到成果](#第十二章综合案例：从问题到成果)
- - 某城市近十年建设用地扩张监测
  - - [12.1 问题定义](#12.1 问题定义)
    - [12.2 数据准备](#12.2 数据准备)
    - [12.3 技术路线](#12.3 技术路线)
    - [12.4 质量控制](#12.4 质量控制)
    - 影像质量
    - 分类质量
    - 变化质量
    - [GIS 统计质量](#GIS 统计质量)
- [第十三章常见误区](#第十三章常见误区)
- - [13.1 分辨率越高越好](#13.1 分辨率越高越好)
  - [13.2 软件输出结果就是正确结果](#13.2 软件输出结果就是正确结果)
  - [13.3 NDVI 可以代表所有植被信息](#13.3 NDVI 可以代表所有植被信息)
  - [13.4 训练精度高就说明模型好](#13.4 训练精度高就说明模型好)
  - [13.5 两期影像不同就是地表变化](#13.5 两期影像不同就是地表变化)
  - [13.6 分类图越平滑越准确](#13.6 分类图越平滑越准确)
  - [13.7 AI 可以代替遥感机理](#13.7 AI 可以代替遥感机理)
- [第十四章术语表](#第十四章术语表)

第一章遥感图像处理的任务与知识体系

1.1 遥感是什么

遥感是指在不直接接触目标的条件下，利用传感器接收目标反射、发射或散射的电磁辐射，并据此识别目标性质、状态和变化的技术。

从地理信息科学角度看，遥感不是"拍照片"，而是一个完整的信息转换过程：
#mermaid-svg-mgYkMzXnc16T0xxe{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-mgYkMzXnc16T0xxe .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-mgYkMzXnc16T0xxe .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-mgYkMzXnc16T0xxe .error-icon{fill:#552222;}#mermaid-svg-mgYkMzXnc16T0xxe .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-mgYkMzXnc16T0xxe .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-mgYkMzXnc16T0xxe .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-mgYkMzXnc16T0xxe .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-mgYkMzXnc16T0xxe .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-mgYkMzXnc16T0xxe .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-mgYkMzXnc16T0xxe .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-mgYkMzXnc16T0xxe .marker{fill:#333333;stroke:#333333;}#mermaid-svg-mgYkMzXnc16T0xxe .marker.cross{stroke:#333333;}#mermaid-svg-mgYkMzXnc16T0xxe svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-mgYkMzXnc16T0xxe p{margin:0;}#mermaid-svg-mgYkMzXnc16T0xxe .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-mgYkMzXnc16T0xxe .cluster-label text{fill:#333;}#mermaid-svg-mgYkMzXnc16T0xxe .cluster-label span{color:#333;}#mermaid-svg-mgYkMzXnc16T0xxe .cluster-label span p{background-color:transparent;}#mermaid-svg-mgYkMzXnc16T0xxe .label text,#mermaid-svg-mgYkMzXnc16T0xxe span{fill:#333;color:#333;}#mermaid-svg-mgYkMzXnc16T0xxe .node rect,#mermaid-svg-mgYkMzXnc16T0xxe .node circle,#mermaid-svg-mgYkMzXnc16T0xxe .node ellipse,#mermaid-svg-mgYkMzXnc16T0xxe .node polygon,#mermaid-svg-mgYkMzXnc16T0xxe .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-mgYkMzXnc16T0xxe .rough-node .label text,#mermaid-svg-mgYkMzXnc16T0xxe .node .label text,#mermaid-svg-mgYkMzXnc16T0xxe .image-shape .label,#mermaid-svg-mgYkMzXnc16T0xxe .icon-shape .label{text-anchor:middle;}#mermaid-svg-mgYkMzXnc16T0xxe .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-mgYkMzXnc16T0xxe .rough-node .label,#mermaid-svg-mgYkMzXnc16T0xxe .node .label,#mermaid-svg-mgYkMzXnc16T0xxe .image-shape .label,#mermaid-svg-mgYkMzXnc16T0xxe .icon-shape .label{text-align:center;}#mermaid-svg-mgYkMzXnc16T0xxe .node.clickable{cursor:pointer;}#mermaid-svg-mgYkMzXnc16T0xxe .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-mgYkMzXnc16T0xxe .arrowheadPath{fill:#333333;}#mermaid-svg-mgYkMzXnc16T0xxe .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-mgYkMzXnc16T0xxe .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-mgYkMzXnc16T0xxe .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-mgYkMzXnc16T0xxe .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-mgYkMzXnc16T0xxe .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-mgYkMzXnc16T0xxe .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-mgYkMzXnc16T0xxe .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-mgYkMzXnc16T0xxe .cluster text{fill:#333;}#mermaid-svg-mgYkMzXnc16T0xxe .cluster span{color:#333;}#mermaid-svg-mgYkMzXnc16T0xxe div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-mgYkMzXnc16T0xxe .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-mgYkMzXnc16T0xxe rect.text{fill:none;stroke-width:0;}#mermaid-svg-mgYkMzXnc16T0xxe .icon-shape,#mermaid-svg-mgYkMzXnc16T0xxe .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-mgYkMzXnc16T0xxe .icon-shape p,#mermaid-svg-mgYkMzXnc16T0xxe .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-mgYkMzXnc16T0xxe .icon-shape .label rect,#mermaid-svg-mgYkMzXnc16T0xxe .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-mgYkMzXnc16T0xxe .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-mgYkMzXnc16T0xxe .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-mgYkMzXnc16T0xxe :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 地表目标
电磁辐射响应
传感器观测
数字影像
预处理
特征构建
分类/反演/变化检测
空间统计与GIS分析
地图、数据库与决策产品

遥感图像处理的本质，是把传感器记录的数字信号转换为具有地理意义和业务意义的信息产品。

1.2 遥感图像处理的三个层次

1.2.1 数据层

主要解决影像"能否使用"的问题，包括：

数据读取；
坐标与投影识别；
几何校正；
辐射定标；
大气校正；
云、阴影和异常像元处理；
镶嵌、裁剪、重采样。

1.2.2 信息层

主要解决"影像中有什么"的问题，包括：

目视解译；
光谱指数；
纹理与形状特征；
监督分类与非监督分类；
面向对象分类；
深度学习分割；
参数反演；
变化检测。

1.2.3 知识与决策层

主要解决"这些信息意味着什么"的问题，包括：

面积和长度统计；
空间格局分析；
驱动因素分析；
风险分区；
资源评价；
规划监管；
监测预警；
专题地图和地理信息服务。

1.3 遥感与 GIS 的关系

遥感负责大范围、周期性地获取地表信息；GIS 负责组织、关联、分析和表达空间信息。两者通常形成如下分工：

环节	遥感侧重点	GIS 侧重点
数据获取	卫星、航空、无人机和地面传感器	行政区、道路、地块、统计数据
数据处理	校正、增强、分类、反演	投影转换、叠加、拓扑、空间查询
信息表达	栅格结果、概率图、指数图	矢量成果、专题图、统计表
业务应用	监测对象识别与变化发现	管理单元归属、规则判断与决策支持

遥感成果并不天然等同于 GIS 数据产品。例如，一幅水体分类栅格只有经过坐标统一、矢量化、面积统计、行政区关联和质量检查后，才能成为可用于水资源管理的数据成果。

第二章遥感数据的五类分辨率

2.1 空间分辨率

空间分辨率表示一个像元在地面上对应的实际尺寸。例如，10 m 分辨率影像中的一个像元通常代表约 10 m × 10 m 的地面范围。

需要注意：空间分辨率不等于定位精度，也不等于最小可识别目标尺寸。

2.1.1 选择原则

城市建筑、道路、地块边界：通常需要米级或亚米级数据；
农作物类型、湿地、岸线、城镇扩张：常使用 5～30 m 数据；
全国植被、气象、海洋和生态过程：常使用百米至千米级数据；
高分辨率数据适合描述细节，但数据量大、成本高、时间覆盖不足；
中分辨率数据细节较少，但时序稳定、覆盖范围广，更适合长期监测。

2.2 光谱分辨率

光谱分辨率描述传感器区分不同波长范围的能力。不同地物对不同波段的反射、吸收和发射特征不同，这是遥感识别的物理基础。

常见波段及用途如下：

波段	典型用途
蓝光	水体、浅水、气溶胶、近岸环境
绿光	植被绿峰、水体信息
红光	叶绿素吸收、土壤与植被区分
红边	植被叶绿素、长势和胁迫
近红外	植被结构、叶面积、水陆边界
短波红外	含水量、烧毁区、矿物、雪云区分
热红外	地表温度、热异常、蒸散发
微波	地表粗糙度、土壤水分、形变、全天候观测

多光谱数据通常包含若干离散波段；高光谱数据包含几十至数百个窄波段，可获得更连续的光谱曲线，但数据冗余、噪声和处理复杂度也更高。

2.3 时间分辨率

时间分辨率表示传感器重复观测同一区域的频率。

高时间分辨率特别适用于：

洪水、火灾、台风等突发事件；
作物物候和生长周期；
水体季节变化；
城市扩张和土地利用变化；
海冰、赤潮、浒苔和溢油监测。

实际可用时间分辨率还受到云量、轨道覆盖、侧摆能力、数据获取政策和产品处理时延影响。因此，"理论重访周期"不能直接等同于"有效无云观测周期"。

2.4 辐射分辨率

辐射分辨率描述传感器区分能量差异的能力，通常与量化位数相关。例如，8 位影像可记录 256 个灰度等级，12 位影像可记录 4096 个等级。

辐射分辨率越高，越有利于区分细微的亮度差异，但也会增加数据量，并对传感器定标和噪声控制提出更高要求。

2.5 极化分辨率

在 SAR 遥感中，常见极化方式包括 HH、HV、VH 和 VV。不同极化对地物结构、方向和介电性质的响应不同。

例如：

水面通常表现为低后向散射；
城市建筑因双次散射常表现为高亮；
植被在交叉极化中常具有较强响应；
土壤含水量变化会显著影响微波散射强度。

2.6 分辨率之间的权衡

遥感数据选型本质上是一个多目标约束问题。空间分辨率越高，单景覆盖范围往往越小，数据量、处理成本和样本需求越高；时间分辨率越高，传感器通常需要牺牲部分空间细节或依赖星座化观测；光谱分辨率越高，波段数量越多，但信噪比、定标稳定性和维度灾难问题也更加突出。

可以从四个方面判断数据是否合适：

目标尺寸是否能够被像元稳定表达。 一个目标即使大于一个像元，也未必能够可靠识别。对于线状道路、窄河流和岸线，目标宽度最好覆盖多个像元；对于建筑物和小斑块，还应考虑背景对比度、阴影和混合像元。
观测频率是否覆盖目标变化节律。 作物生长、洪水演进和火灾扩散属于快速变化过程，需要密集观测；城市扩张和土地利用变化通常更关注年度或多年尺度。
类别可分性主要来自哪里。 若差异主要表现为几何形态，应优先保证空间分辨率；若差异来自叶绿素、含水量、矿物成分或水色参数，则应重视光谱分辨率。
成果最终服务于什么空间单元。 若成果需要落实到地块、图斑、行政区或网格单元，应确保遥感像元尺度与业务单元尺度相匹配。

::: important 数据选型原则

最合适的数据并不是分辨率最高的数据，而是能够在目标尺度、时间尺度、光谱需求、成本和处理能力之间取得平衡的数据。

:::

第三章当前主流遥感数据体系

3.1 不再逐颗背诵卫星参数

现代理解时应重点关注"数据体系"和"产品能力"，而不是记忆大量卫星型号。可按以下类别理解：

中分辨率长期观测：Landsat；
高重访多光谱观测：Sentinel-2；
全天候微波观测：Sentinel-1 及其他 SAR 卫星；
国产高分辨率观测：高分系列、资源系列、环境减灾系列等；
商业高分辨率观测：WorldView、Pleiades、PlanetScope 等；
气象与生态大尺度观测：MODIS、VIIRS、风云系列；
高光谱与激光雷达观测：高光谱卫星、GEDI、ICESat-2 等。

3.2 Landsat 8/9

Landsat 是全球陆地长期连续观测的重要数据源。Landsat 8 和 Landsat 9 均提供多光谱、全色和热红外数据，单星重复周期为 16 天，两星错位运行时可提高联合观测频率。

适合任务：

1980 年代以来长时序土地覆盖变化；
水体、植被、城市扩张；
地表温度；
烧毁区与生态恢复；
区域尺度资源环境监测。

优势：时间序列长、定标稳定、公开免费、产品标准化。

局限：30 m 多光谱数据不适合精细地块和小目标识别；云多地区有效观测不足。

3.3 Sentinel-2

Sentinel-2 多光谱成像仪具有 13 个波段，空间分辨率包括 10 m、20 m 和 60 m，幅宽约 290 km。双星体系下可实现较高频率的陆地观测。

适合任务：

农作物分类和物候监测；
植被长势、叶绿素和水分状态；
湿地、水体和海岸带；
城市扩张与土地覆盖；
10 m 级全国或区域制图。

红边波段是 Sentinel-2 的重要优势，适合植被生理状态和胁迫分析。

3.4 Sentinel-1 与 SAR 数据

Sentinel-1 采用 C 波段 SAR，可在夜间和云雨条件下获取数据。SAR 影像不是地物颜色的直接记录，而是微波与地表结构、粗糙度和介电特性相互作用的结果。

常见应用：

洪水淹没范围；
地表形变与 InSAR；
农作物和森林结构；
海冰、船舶与海面风场；
土壤水分；
滑坡和地质灾害。

SAR 影像需要专门处理，包括轨道校正、辐射定标、斑点噪声抑制、地形校正和极化分析。

3.5 国产遥感数据

国产遥感数据已从单一资源调查逐步发展为高分辨率、宽幅、多光谱、高光谱、SAR、气象和海洋等综合观测体系。

读者应关注以下能力，而不是只记卫星名称：

亚米级和米级高空间分辨率；
大幅宽全国覆盖；
高重访与多星组网；
高光谱和红外观测；
SAR 全天候观测；
自然资源、农业、应急、海洋和气象业务化应用。

在科研和生产中，国产数据选择还应核查：产品级别、定标参数、坐标系统、云量、侧摆角、成像时间、数据许可和质量报告。

3.6 商业高分辨率数据

商业卫星可提供亚米级影像和高频观测，适合：

建筑物和道路提取；
地籍与规划核查；
工程进度；
精细农业；
灾害应急；
小尺度目标识别。

但商业数据通常存在成本高、授权限制、历史覆盖不一致和大区域处理费用高等问题。

3.7 数据产品级别

不同机构对产品等级的命名并不完全一致，但从处理程度上通常可以分为原始数据、辐射校正数据、几何校正数据、地表反射率数据和分析就绪数据。

产品层次	已完成处理	适用任务	仍需注意的问题
原始数据	解码、基础元数据整理	传感器研究、定标研究	几何和辐射误差较多
辐射校正数据	DN 转辐亮度或表观反射率	单景增强、部分定量分析	大气影响仍存在
几何校正数据	系统几何校正或正射校正	制图、叠加分析	多期配准仍需检查
地表反射率数据	大气校正、部分云检测	指数、分类、时间序列	地形、BRDF 和云影误差仍可能存在
分析就绪数据	坐标、像元网格、质量波段和元数据统一	大区域、长时序和自动化分析	仍需结合研究区筛选质量

对时间序列任务而言，"处理级别一致"比"单景视觉效果好"更重要。若不同年份分别使用表观反射率、地表反射率或经过不同算法处理的产品，算法可能把处理差异误判为地表变化。

产品选择还应检查太阳高度角、云量、获取时间、处理版本、缩放系数、NoData、坐标参考系统、波段中心波长和质量控制位编码。

3.8 现代数据组织：COG、STAC 与云端数据目录

传统工作流通常先下载整景影像，再在本地处理。现代地理信息基础设施越来越多地采用：

Cloud Optimized GeoTIFF（COG）：支持按需读取影像局部和不同分辨率层级；
SpatioTemporal Asset Catalog（STAC）：用统一元数据描述时空资产，便于检索和访问；
对象存储：将大规模影像放在云存储中；
云原生计算：计算尽量靠近数据执行。

这种模式使研究者能够按照时间、空间范围、云量和波段条件直接检索数据，而不必先下载整个档案库。

第四章遥感图像一般处理流程

4.1 总体流程

#mermaid-svg-ADYQQhq3KuhJ7H9w{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-ADYQQhq3KuhJ7H9w .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-ADYQQhq3KuhJ7H9w .error-icon{fill:#552222;}#mermaid-svg-ADYQQhq3KuhJ7H9w .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-ADYQQhq3KuhJ7H9w .marker{fill:#333333;stroke:#333333;}#mermaid-svg-ADYQQhq3KuhJ7H9w .marker.cross{stroke:#333333;}#mermaid-svg-ADYQQhq3KuhJ7H9w svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-ADYQQhq3KuhJ7H9w p{margin:0;}#mermaid-svg-ADYQQhq3KuhJ7H9w .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-ADYQQhq3KuhJ7H9w .cluster-label text{fill:#333;}#mermaid-svg-ADYQQhq3KuhJ7H9w .cluster-label span{color:#333;}#mermaid-svg-ADYQQhq3KuhJ7H9w .cluster-label span p{background-color:transparent;}#mermaid-svg-ADYQQhq3KuhJ7H9w .label text,#mermaid-svg-ADYQQhq3KuhJ7H9w span{fill:#333;color:#333;}#mermaid-svg-ADYQQhq3KuhJ7H9w .node rect,#mermaid-svg-ADYQQhq3KuhJ7H9w .node circle,#mermaid-svg-ADYQQhq3KuhJ7H9w .node ellipse,#mermaid-svg-ADYQQhq3KuhJ7H9w .node polygon,#mermaid-svg-ADYQQhq3KuhJ7H9w .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-ADYQQhq3KuhJ7H9w .rough-node .label text,#mermaid-svg-ADYQQhq3KuhJ7H9w .node .label text,#mermaid-svg-ADYQQhq3KuhJ7H9w .image-shape .label,#mermaid-svg-ADYQQhq3KuhJ7H9w .icon-shape .label{text-anchor:middle;}#mermaid-svg-ADYQQhq3KuhJ7H9w .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-ADYQQhq3KuhJ7H9w .rough-node .label,#mermaid-svg-ADYQQhq3KuhJ7H9w .node .label,#mermaid-svg-ADYQQhq3KuhJ7H9w .image-shape .label,#mermaid-svg-ADYQQhq3KuhJ7H9w .icon-shape .label{text-align:center;}#mermaid-svg-ADYQQhq3KuhJ7H9w .node.clickable{cursor:pointer;}#mermaid-svg-ADYQQhq3KuhJ7H9w .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-ADYQQhq3KuhJ7H9w .arrowheadPath{fill:#333333;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-ADYQQhq3KuhJ7H9w .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ADYQQhq3KuhJ7H9w .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-ADYQQhq3KuhJ7H9w .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ADYQQhq3KuhJ7H9w .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-ADYQQhq3KuhJ7H9w .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-ADYQQhq3KuhJ7H9w .cluster text{fill:#333;}#mermaid-svg-ADYQQhq3KuhJ7H9w .cluster span{color:#333;}#mermaid-svg-ADYQQhq3KuhJ7H9w div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-ADYQQhq3KuhJ7H9w .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-ADYQQhq3KuhJ7H9w rect.text{fill:none;stroke-width:0;}#mermaid-svg-ADYQQhq3KuhJ7H9w .icon-shape,#mermaid-svg-ADYQQhq3KuhJ7H9w .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ADYQQhq3KuhJ7H9w .icon-shape p,#mermaid-svg-ADYQQhq3KuhJ7H9w .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-ADYQQhq3KuhJ7H9w .icon-shape .label rect,#mermaid-svg-ADYQQhq3KuhJ7H9w .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ADYQQhq3KuhJ7H9w .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-ADYQQhq3KuhJ7H9w .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-ADYQQhq3KuhJ7H9w :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 明确研究问题
数据选择与下载
数据质量检查
几何处理
辐射定标与大气校正
云/阴影/噪声处理
镶嵌、裁剪与重采样
特征构建
分类/反演/变化检测
精度评价
GIS空间分析
制图、数据库与服务发布

原教材把一般流程概括为数据输入、图像预处理、信息提取和结果输出。现代工作流需要在此基础上增加质量控制、可重复计算、模型验证和数据管理。

4.2 第一步：明确研究问题

一个合格的遥感项目应首先回答：

研究对象是什么？
目标是识别、分类、估算还是监测变化？
研究区多大？
需要多细的空间尺度？
需要单期、季节还是多年序列？
最终成果是栅格、矢量、统计表还是在线服务？
精度要求和验证数据从哪里获得？

错误的数据选择往往不是技术问题，而是研究问题没有定义清楚。

4.3 第二步：数据质量检查

质量检查至少包括：

文件是否完整；
投影和坐标是否正确；
影像时间是否符合研究季节；
云量和阴影是否可接受；
是否存在条带、饱和、坏行和异常值；
产品级别和缩放系数是否明确；
波段顺序是否正确；
NoData 值是否被正确识别。

4.4 第三步：几何处理

4.4.1 几何误差来源

几何误差可分为系统误差和非系统误差。

系统误差通常与传感器扫描方式、轨道参数、地球曲率和地球自转有关；非系统误差可能来自姿态变化、地形起伏、控制点误差和模型不适配。

4.4.2 地理参照、几何校正、正射校正和配准

地理参照：为影像建立坐标关系；
几何校正：纠正影像几何畸变；
正射校正：利用传感器模型和 DEM 消除地形位移；
图像配准：使多期或多源影像中的同名地物在像元位置上对齐。

变化检测对配准精度非常敏感。即使只有一个像元的错位，也可能在道路、岸线和建筑边缘产生大量伪变化。

4.4.3 控制点选择原则

控制点应：

在影像和参考数据中清晰可辨；
分布均匀，覆盖四角和中心；
优先选择长期稳定地物；
避免水边、阴影、季节变化明显地物；
不应全部集中在局部区域。

4.4.4 重采样

常见方法：

方法	特点	适用场景
最近邻	保留原像元值	分类图、离散数据
双线性	结果平滑	连续影像、显示
三次卷积	视觉效果较好	连续影像、高质量显示
众数	保留类别占优值	分类栅格降尺度或重投影

对于后续分类和定量反演，通常应谨慎使用会改变原始像元值的重采样方法。

4.5 第四步：辐射定标

传感器最初记录的是数字量化值 DN。DN 只表示传感器内部的量化结果，不能直接与其他日期、其他传感器或物理模型进行比较。辐射定标的目标，是将 DN 转换为具有物理意义的辐亮度、表观反射率或亮温。

最基本的线性定标形式为：

L λ = G × D N + B L_{\lambda}=G \times DN+B Lλ=G×DN+B

其中， L λ L_{\lambda} Lλ 为谱辐亮度， G G G 为增益系数， B B B 为偏移量， D N DN DN 为影像像元值。

对于反射型波段，还可以进一步计算大气层顶表观反射率：

ρ λ T O A = π L λ d 2 E 0 , λ cos ⁡ θ s \rho_{\lambda}^{TOA} = \frac{\pi L_{\lambda} d^2} {E_{0,\lambda}\cos\theta_s} ρλTOA=E0,λcosθsπLλd2

其中， d d d 为日地距离修正因子， E 0 , λ E_{0,\lambda} E0,λ 为太阳辐照度， θ s \theta_s θs 为太阳天顶角。

表观反射率已经消除了太阳辐照度和太阳高度角的主要影响，因此比 DN 更适合多时相比较，但它仍包含大气散射和吸收效应。只有进一步完成大气校正后，才能近似获得地表反射率。

对热红外波段，通常先由 DN 转换为辐亮度，再根据普朗克反函数计算传感器亮温：

T B = K 2 ln ⁡ ( K 1 L λ + 1 ) T_B = \frac{K_2} {\ln\left(\frac{K_1}{L_{\lambda}}+1\right)} TB=ln(LλK1+1)K2

亮温并不等同于真实地表温度，因为地表发射率和大气影响尚未完全消除。

::: warning

不能把不同产品中的 DN 直接代入指数公式。部分地表反射率产品采用整数存储，并通过缩放系数恢复真实反射率；若忽略缩放系数，阈值、回归模型和跨传感器比较会产生偏差。

:::

4.6 第五步：大气校正

太阳辐射从太阳到地表，再由地表传播至传感器，途中会受到气体吸收、分子散射和气溶胶散射影响。传感器接收到的能量并不完全来自目标本身，还包含路径辐射和邻近效应。

从概念上看，传感器观测辐亮度可以写成：

L λ s e n s o r = L λ p a t h + T λ u p ⋅ L λ s u r f a c e L_{\lambda}^{sensor} = L_{\lambda}^{path} + T_{\lambda}^{up} \cdot L_{\lambda}^{surface} Lλsensor=Lλpath+Tλup⋅Lλsurface

其中， L λ p a t h L_{\lambda}^{path} Lλpath 为路径辐射， T λ u p T_{\lambda}^{up} Tλup 为地表到传感器方向的大气透过率。

大气校正不是简单地让影像"更清晰"，而是尽可能恢复地表自身的光谱响应。其主要价值包括多时相反射率比较、光谱库匹配、参数反演、跨传感器融合和时间序列分析。

常见方法可以分为三类：

经验方法：如暗像元法和伪不变目标法，参数少但依赖场景假设。
辐射传输模型方法：通过大气模式、气溶胶、水汽和观测几何模拟传播过程，物理意义较强但参数要求高。
标准产品方法：直接使用官方地表反射率产品，适合大规模研究，但仍需检查云影、积雪、气溶胶和异常值质量标识。

4.7 第六步：云、阴影和异常像元处理

云和阴影是光学遥感时间序列中最常见的干扰因素。

现代处理应优先使用产品质量波段、场景分类层或官方云掩膜，而不是仅依靠简单亮度阈值。

常见策略：

云和卷云掩膜；
云影几何投影；
多时相中值或百分位合成；
按季节和物候筛选；
缺失区域时序插值；
使用 SAR 补充多云地区观测。

4.8 第七步：镶嵌、裁剪和尺度统一

大区域研究常需处理多景数据。镶嵌前应统一：

坐标系；
空间分辨率；
数据类型；
波段定义；
NoData；
辐射尺度；
时间范围。

简单拼接可能产生接缝。对于多日期镶嵌，应优先使用同季节数据，并考虑颜色平衡、优选像元或统计合成。

第五章图像显示、增强与特征构建

5.1 波段组合

遥感影像显示通常把三个波段映射到红、绿、蓝通道。

真彩色：接近人眼视觉；
标准假彩色：常将近红外映射到红色，使植被呈红色；
城市增强组合：突出建设用地和裸地；
水体与湿地组合：增强水陆边界和含水差异。

波段组合用于视觉解释，但不应被误认为完整的定量分析。

5.2 对比度拉伸

常见方法包括线性拉伸、百分比截断、直方图均衡化和高斯拉伸。拉伸只改变显示效果，不应直接改变科学计算使用的原始数据。

5.3 空间滤波

平滑滤波：降低噪声，但可能模糊边缘；
锐化滤波：增强边界，但可能放大噪声；
纹理滤波：描述局部空间结构；
SAR 斑点滤波：在抑制斑点的同时尽量保留边缘。

5.4 主成分分析

主成分分析通过线性变换减少波段相关性，将主要信息集中到前几个主成分。

适用场景：

数据压缩；
异常识别；
多波段可视化；
高光谱降维。

局限是主成分强调方差最大方向，不一定对应最重要的地理类别。

5.5 光谱指数

光谱指数通过两个或多个波段的代数组合，增强特定地物或地表属性的响应。指数并不会创造新信息，而是重新组织已有波段，使目标差异更突出、整体亮度影响相对减弱。

归一化差异指数的一般形式为：

N D I = B a − B b B a + B b NDI = \frac{B_a-B_b} {B_a+B_b} NDI=Ba+BbBa−Bb

这种形式通常将结果压缩到 $- 1 , 1$ $-1,1$ $-1,1$ 附近，但实际范围仍受传感器噪声、缩放、负反射率和异常像元影响。

光谱指数不能脱离场景解释。同一个 NDVI 值在森林、农田、草地和城市绿地中可能代表不同的植被结构；同一个水体指数阈值在清水、浑水、阴影和湿地中也不具有普适性。因此，指数适合用于增强、特征输入和相对比较，不应被简单视为地物类别的绝对判据。

5.6 光谱、纹理、形状和地形特征

现代遥感分类通常不只使用原始波段，还会组合：

光谱特征；
光谱指数；
灰度共生矩阵纹理；
边缘、形状和对象尺度；
DEM、坡度、坡向和曲率；
距道路、河流、海岸线的距离；
时间序列统计量和物候特征。

特征越多并不一定越好。冗余特征会增加计算量和过拟合风险，因此需要结合特征重要性、相关性分析和消融实践进行筛选。

第六章遥感分类与信息提取

6.1 分类问题的基本形式

遥感分类是根据像元或对象的特征，把影像划分为若干类别。

常见类别包括：

林地、草地、耕地、水体、建设用地、裸地；
不同作物；
不同森林类型；
湿地类型；
海岸带类型；
灾害等级；
建筑物、道路和其他目标。

6.2 非监督分类

非监督分类根据数据内部统计结构自动聚类，不需要预先提供大量训练样本。

优点：快速探索数据结构。

局限：聚类类别不一定具有明确地理意义，后续仍需人工解释和合并。

6.3 监督分类

监督分类通过带有类别标签的样本学习从特征空间到类别空间的映射。完整过程包括分类体系设计、样本采集、特征构建、模型训练、超参数选择、独立验证和结果后处理。

方法	主要特点	适用情况	局限
最大似然	假设类别近似服从多元正态分布	波段较少、类别统计特征稳定	对分布假设和协方差估计敏感
支持向量机	小样本下分类能力较强	高维特征、中小样本	参数与核函数需要调节
随机森林	非线性、鲁棒、可处理多源特征	常规地表覆盖分类	外推能力有限
梯度提升树	复杂关系拟合能力强	表格化特征、精细分类	对参数和样本偏差敏感
神经网络	自动学习复杂特征	大样本、复杂场景	成本高、解释性较弱

分类精度同时受传感器、场景、样本和模型影响。因此，结果不能只归因于模型名称。很多任务中，样本设计和数据一致性比更换模型更重要。

6.4 面向对象分类

面向对象方法先把影像分割为对象，再利用对象的光谱、纹理、形状和邻接关系进行分类。

适合高分辨率影像，因为单个地物通常由多个像元组成。其关键问题是分割尺度：

尺度过小会造成对象破碎；
尺度过大会把不同地物合并；
不同类别往往需要不同尺度。

6.5 深度学习遥感分类

深度学习可以从影像中自动学习多层特征。

常见任务：

图像块分类；
语义分割；
实例分割；
目标检测；
多模态融合；
变化检测。

常用模型包括 CNN、U-Net、DeepLab、Transformer 和视觉基础模型。

深度学习并不会自动解决遥感中的所有问题。模型性能仍取决于：

样本质量；
类别体系；
时空代表性；
传感器一致性；
标签误差；
独立验证；
跨区域泛化能力。

6.6 样本设计

样本决定了模型能够学习到什么。高容量模型无法弥补错误标签、空间偏置和类别定义不清造成的问题。

样本设计至少应满足五点：

类别定义明确：对建设用地、裸地、盐碱地、湿地等易混类别规定判读边界。
覆盖类内差异：同一类别在不同季节、地形、土壤背景和管理方式下可能表现不同。
覆盖类间混淆区域：只采集"漂亮样本"会高估实际效果。
空间上相互独立：不能把同一斑块中的相邻像元随机拆分到训练集和验证集。
时间上相互独立：跨年份验证可以检验模型对物候和传感器差异的适应能力。

类别不平衡时，可以采用分层抽样、类别权重、重采样或困难样本挖掘，但真正需要平衡的是模型对各类别特征空间的覆盖程度。

6.7 后处理

分类后常需：

去除小斑块；
多数滤波；
连通域分析；
边界平滑；
规则修正；
栅格转矢量；
拓扑检查。

后处理不能替代模型本身。过度平滑可能删除真实的小目标或窄带地物。

第七章定量遥感与参数反演

7.1 分类与反演的区别

分类输出离散类别，如"水体"或"林地"；反演输出连续参数，如叶面积指数、叶绿素浓度、土壤水分和地表温度。

7.2 反演方法

参数反演试图由传感器观测量推断地表物理量、生化量或状态变量。与分类相比，反演结果通常是连续变量，例如叶面积指数、叶绿素含量、地表温度、土壤水分、悬浮物浓度和生物量。

反演问题可以表示为：

y = f ( x , θ ) + ε \mathbf{y} = f(\mathbf{x},\boldsymbol{\theta}) + \varepsilon y=f(x,θ)+ε

其中， x \mathbf{x} x 为遥感观测和辅助变量， y \mathbf{y} y 为目标参数， θ \boldsymbol{\theta} θ 为模型参数， ε \varepsilon ε 为无法解释的误差。

反演的困难在于不同地表状态可能产生相似光谱，同一参数变化也可能被背景、结构和大气效应掩盖。传感器波段响应还是连续光谱的积分结果，地面实测与卫星像元之间又存在尺度差异。因此，反演结果必须报告适用范围、训练样本范围、误差指标和外推限制。

7.3 常见反演对象

植被：LAI、叶绿素、覆盖度、生物量；
农业：长势、产量、胁迫、病虫害概率；
水环境：悬浮物、叶绿素 a、透明度、富营养化等级；
土壤：含水量、有机质、盐渍化；
城市：地表温度、不透水面比例；
海洋：海表温度、海色、风场和海冰参数。

7.4 地表温度基本思路

地表温度通常需要：

辐射定标；
亮温计算；
地表比辐射率估算；
大气影响修正；
温度结果验证。

不能把热红外波段的 DN 值直接解释为地表温度。

第八章遥感变化检测与时间序列分析

8.1 变化检测的目标

变化检测不仅要回答"哪里变了"，还应回答：

从什么变成什么；
变化发生在什么时间；
变化面积或强度多大；
变化是否真实；
变化的驱动因素是什么。

8.2 常见方法

8.2.1 影像差值

对同一指数或波段做差。

优点：简单。

局限：受季节、大气、配准和传感器差异影响明显。

8.2.2 变化向量分析

在多维特征空间中计算变化方向和幅度。

8.2.3 分类后比较

分别对两个时期分类，再构建转移矩阵。

优点：可以得到"类别到类别"的变化。

局限：两个时期分类误差会叠加。

8.2.4 直接变化分类

把前后时相影像共同输入模型，直接识别变化类型。

8.2.5 时间序列断点分析

利用多年密集观测识别趋势、季节性和突变，适合森林扰动、城市扩张、植被恢复和水体变化。

8.3 变化检测的前提

变化检测首先是数据一致性问题，其次才是算法问题。两个时相之间的差异只有在非变化因素得到控制后，才可能解释为真实地表变化。

需要重点控制：

空间配准；
物候与季节；
大气条件；
太阳和观测几何；
潮位与水位；
传感器波段响应和空间分辨率；
分类体系与判读规则。

变化检测误差可以理解为两个时相分类误差的叠加。若两期分类各自精度不高，分类后比较会显著放大错误。因此，变化图必须单独验证，不能只引用单期分类精度。

8.4 转移矩阵

土地覆盖变化可用转移矩阵表示：

前期\后期	林地	耕地	水体	建设用地
林地	保持林地	林地转耕地	林地转水体	林地转建设用地
耕地	耕地转林地	保持耕地	耕地转水体	耕地转建设用地
水体	水体转林地	水体转耕地	保持水体	水体转建设用地
建设用地	建设用地转林地	建设用地转耕地	建设用地转水体	保持建设用地

转移矩阵能够比单纯的净变化量提供更完整的信息。

第九章精度评价与不确定性

9.1 为什么必须评价精度

遥感成果不是"看起来合理"就足够。分类图、反演图和变化图都需要独立验证，否则无法判断结果是否可用于科学研究和业务决策。

9.2 混淆矩阵

混淆矩阵记录参考类别与预测类别之间的对应关系，是分类精度评价的基础。

总体精度为：

O A = ∑ i n i i N OA = \frac{\sum_i n_{ii}} {N} OA=N∑inii

生产者精度为：

P A i = n i i ∑ j n i j PA_i = \frac{n_{ii}} {\sum_j n_{ij}} PAi=∑jnijnii

用户精度为：

U A i = n i i ∑ j n j i UA_i = \frac{n_{ii}} {\sum_j n_{ji}} UAi=∑jnjinii

F1 分数为：

F 1 i = 2 ⋅ P r e c i s i o n i ⋅ R e c a l l i P r e c i s i o n i + R e c a l l i F1_i = 2 \cdot \frac{Precision_i \cdot Recall_i} {Precision_i+Recall_i} F1i=2⋅Precisioni+RecalliPrecisioni⋅Recalli

对于类别不平衡问题，不能只报告总体精度。更合理的做法是同时报告每类精度、宏平均 F1、IoU 和完整混淆矩阵。

9.3 回归评价

反演模型常使用：

(R^2)；
RMSE；
MAE；
Bias；
相对误差。

需要同时查看散点图和残差分布，避免只依赖单个指标。

9.4 验证样本设计

验证样本应独立于训练样本，并尽量采用：

分层随机抽样；
类别均衡或按面积加权；
空间分离；
盲判；
多人复核；
明确的判读标准。

9.5 不确定性来源

传感器噪声；
云和大气影响；
几何错位；
混合像元；
样本标签误差；
类别定义模糊；
时相不一致；
模型迁移失败；
空间尺度变化。

优秀的遥感研究不仅报告精度，还应解释误差从何而来，以及误差会如何影响结论。

第十章行业应用的统一分析框架

原教材分别介绍林业、农业、水利、环境、国土和海洋应用。现代教学可将这些应用统一为"对象---信号---数据---方法---验证---产品"的六步框架。

10.1 林业

林业遥感不是单一的"森林分类"，而是从森林覆盖、类型、结构、健康状态到扰动过程的一组任务。

森林覆盖主要依赖可见光、近红外和短波红外的组合；林型差异常表现为冠层颜色、纹理、物候和结构差异；生物量和蓄积量则与冠层高度、郁闭度、纹理、雷达后向散射及激光雷达结构参数有关。

森林蓄积量估算不能仅由某个光谱指数直接获得。常见做法是将样地调查数据与光学、SAR、DEM 或激光雷达特征建立统计或机器学习模型，并处理样地与像元尺度匹配、地形影响和高生物量饱和问题。

森林采伐、火灾、风倒和病虫害可以通过时间序列中的突变识别。与简单两期差值相比，长时间序列能够区分短期异常、季节波动和持续性扰动，并估计扰动发生时间和恢复速度。

10.2 农业

农业遥感具有强烈的物候属性。同一地块在播种、出苗、拔节、开花、成熟和收获阶段呈现不同光谱响应，因此单景影像往往不足以稳定区分作物类型。

作物分类通常利用返青时间、植被指数峰值、生长曲线持续时间、成熟期下降速度、灌溉和收获突变，以及光学与雷达时序组合。

长势监测常使用植被指数、叶面积指数、冠层温度和土壤水分等指标。产量估算还需要结合气象、土壤、品种、管理措施和作物模型。遥感能够提供空间连续观测，但不能自动替代农学机理。

干旱、高温、洪涝和病虫害可能产生相似的"植被受损"光谱表现，因此必须结合气象、地形、土壤、田间调查和多时相数据判别原因。

10.3 水利与水资源

水资源遥感可以分为水体边界、水量变化、水质参数、洪涝过程和流域生态五类问题。

水体提取常使用绿光、近红外和短波红外。清水在近红外和短波红外中吸收较强，但浑水、浅水、阴影和湿地植被会改变典型特征，因此阈值不能机械照搬。

洪涝监测中，光学影像容易受云影响，SAR 则可以在多云和夜间条件下观测。洪水前后后向散射变化、水面平滑导致的低散射，以及城市区双程散射增强，是识别积水的重要机制。

叶绿素、悬浮物、透明度和有色可溶性有机物会共同影响水体光谱。经验反演模型通常只适用于特定水体、季节和浓度范围，跨区域应用前需要重新标定。

10.4 生态环境

生态环境评价通常需要把土地覆盖、植被状况、水体、热环境、地形和人类活动等多类信息组合起来。遥感提供空间观测变量，而"生态质量"属于综合解释结果。

常见流程包括土地覆盖提取、植被覆盖或生产力估计、地表温度和湿度反演、建设扰动识别、指标标准化、综合评价和外部验证。

生态指数的权重与阈值不是纯技术参数，而是对生态过程的假设。不同区域的生态主导因子不同，因此某一地区形成的评价模型不能直接推广到所有区域。

10.5 自然资源与规划监管

自然资源监测强调"发现变化---确认类型---落实位置---关联权属---形成处置线索"。遥感负责发现疑似变化，GIS 负责把变化落实到地块、规划分区、用途管制边界和行政管理单元。
#mermaid-svg-hrwWPdyNbY4gy2SQ{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-hrwWPdyNbY4gy2SQ .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-hrwWPdyNbY4gy2SQ .error-icon{fill:#552222;}#mermaid-svg-hrwWPdyNbY4gy2SQ .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-hrwWPdyNbY4gy2SQ .marker{fill:#333333;stroke:#333333;}#mermaid-svg-hrwWPdyNbY4gy2SQ .marker.cross{stroke:#333333;}#mermaid-svg-hrwWPdyNbY4gy2SQ svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-hrwWPdyNbY4gy2SQ p{margin:0;}#mermaid-svg-hrwWPdyNbY4gy2SQ .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-hrwWPdyNbY4gy2SQ .cluster-label text{fill:#333;}#mermaid-svg-hrwWPdyNbY4gy2SQ .cluster-label span{color:#333;}#mermaid-svg-hrwWPdyNbY4gy2SQ .cluster-label span p{background-color:transparent;}#mermaid-svg-hrwWPdyNbY4gy2SQ .label text,#mermaid-svg-hrwWPdyNbY4gy2SQ span{fill:#333;color:#333;}#mermaid-svg-hrwWPdyNbY4gy2SQ .node rect,#mermaid-svg-hrwWPdyNbY4gy2SQ .node circle,#mermaid-svg-hrwWPdyNbY4gy2SQ .node ellipse,#mermaid-svg-hrwWPdyNbY4gy2SQ .node polygon,#mermaid-svg-hrwWPdyNbY4gy2SQ .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-hrwWPdyNbY4gy2SQ .rough-node .label text,#mermaid-svg-hrwWPdyNbY4gy2SQ .node .label text,#mermaid-svg-hrwWPdyNbY4gy2SQ .image-shape .label,#mermaid-svg-hrwWPdyNbY4gy2SQ .icon-shape .label{text-anchor:middle;}#mermaid-svg-hrwWPdyNbY4gy2SQ .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-hrwWPdyNbY4gy2SQ .rough-node .label,#mermaid-svg-hrwWPdyNbY4gy2SQ .node .label,#mermaid-svg-hrwWPdyNbY4gy2SQ .image-shape .label,#mermaid-svg-hrwWPdyNbY4gy2SQ .icon-shape .label{text-align:center;}#mermaid-svg-hrwWPdyNbY4gy2SQ .node.clickable{cursor:pointer;}#mermaid-svg-hrwWPdyNbY4gy2SQ .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-hrwWPdyNbY4gy2SQ .arrowheadPath{fill:#333333;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-hrwWPdyNbY4gy2SQ .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-hrwWPdyNbY4gy2SQ .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-hrwWPdyNbY4gy2SQ .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-hrwWPdyNbY4gy2SQ .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-hrwWPdyNbY4gy2SQ .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-hrwWPdyNbY4gy2SQ .cluster text{fill:#333;}#mermaid-svg-hrwWPdyNbY4gy2SQ .cluster span{color:#333;}#mermaid-svg-hrwWPdyNbY4gy2SQ div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-hrwWPdyNbY4gy2SQ .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-hrwWPdyNbY4gy2SQ rect.text{fill:none;stroke-width:0;}#mermaid-svg-hrwWPdyNbY4gy2SQ .icon-shape,#mermaid-svg-hrwWPdyNbY4gy2SQ .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-hrwWPdyNbY4gy2SQ .icon-shape p,#mermaid-svg-hrwWPdyNbY4gy2SQ .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-hrwWPdyNbY4gy2SQ .icon-shape .label rect,#mermaid-svg-hrwWPdyNbY4gy2SQ .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-hrwWPdyNbY4gy2SQ .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-hrwWPdyNbY4gy2SQ .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-hrwWPdyNbY4gy2SQ :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 多期遥感影像
变化候选区
变化类型识别
图斑边界整理
地块与权属叠加
规划与管控规则判断
疑似问题清单
外业核查
确认、入库与更新

遥感结果只能作为线索，不能直接替代行政认定。建筑新增、道路施工、裸地和临时堆场在影像上可能相似，最终性质还需要结合审批、权属、规划和现场资料判断。

10.6 海洋与海岸带

海洋遥感与陆地遥感的主要差异在于水体信号弱、大气影响强、观测尺度大，而且海面状态变化快。

水色遥感中，离水辐射只占传感器接收信号的一小部分，因此大气校正质量直接决定叶绿素、悬浮物和有色溶解有机物反演效果。近岸水体成分复杂，适用于开阔海洋的算法通常不能直接用于河口和浅海。

海岸线也不是唯一固定的自然边界。不同研究可能采用瞬时水边线、平均高潮线、植被线或人工岸线。多期岸线比较必须统一潮位、季节、定义和提取尺度，否则会把潮汐差异误判为岸线变化。

赤潮、绿潮、溢油和海冰的识别均需要结合光谱、形态和时间变化。SAR 暗斑并不必然代表溢油，低风速区、自然油膜和内波也可能形成相似现象。

第十一章现代遥感计算环境

11.1 桌面软件

ENVI

适合传统遥感处理、光谱分析、分类、几何和辐射校正。

ArcGIS Pro

适合遥感与 GIS 一体化、影像管理、空间分析、制图和业务数据库衔接。

QGIS

开源 GIS 平台，适合栅格、矢量、插件和 Python 自动化。

SNAP

适合 Sentinel 和 SAR 数据处理，尤其是 Sentinel-1 工作流。

11.2 Google Earth Engine

Google Earth Engine 将大规模公共地理空间数据目录与云端计算结合，支持 JavaScript、Python 和 REST API。它适合：

大区域影像筛选；
多年时间序列；
云掩膜和合成；
全国尺度指数计算；
快速原型验证；
在线地图应用。

其核心思想是"把算法发送到数据所在位置执行"，而不是把所有影像下载到本地。

11.3 Python 遥感生态

常用库包括：

rasterio：栅格读写；
rioxarray：带空间坐标的多维数组；
xarray：多维数据和时间序列；
geopandas：矢量数据；
numpy：数组计算；
scikit-learn：机器学习；
pytorch：深度学习；
dask：并行和分块计算；
pystac-client：STAC 数据检索。

11.4 一个基础 Python 示例：计算 NDVI

python 复制代码

from pathlib import Path

import numpy as np
import rasterio


def calculate_ndvi(red_path: Path, nir_path: Path, output_path: Path) -> None:
    """Calculate NDVI from red and near-infrared raster bands."""
    if not red_path.exists() or not nir_path.exists():
        raise FileNotFoundError("The red or NIR raster file does not exist.")

    with rasterio.open(red_path) as red_src, rasterio.open(nir_path) as nir_src:
        if red_src.shape != nir_src.shape:
            raise ValueError("The red and NIR rasters must have the same shape.")

        red = red_src.read(1).astype(np.float32)
        nir = nir_src.read(1).astype(np.float32)

        denominator = nir + red
        ndvi = np.full(red.shape, np.nan, dtype=np.float32)

        valid_mask = denominator != 0
        ndvi[valid_mask] = (
            nir[valid_mask] - red[valid_mask]
        ) / denominator[valid_mask]

        profile = red_src.profile.copy()
        profile.update(dtype="float32", count=1, nodata=np.nan)

        with rasterio.open(output_path, "w", **profile) as dst:
            dst.write(ndvi, 1)


if __name__ == "__main__":
    calculate_ndvi(
        red_path=Path(r"E:\remote_sensing\red.tif"),
        nir_path=Path(r"E:\remote_sensing\nir.tif"),
        output_path=Path(r"E:\remote_sensing\ndvi.tif"),
    )

使用代码前必须确认：波段是否为地表反射率、缩放系数是否已应用、NoData 是否正确、红光和近红外波段是否对应正确传感器。

第十二章综合案例：从问题到成果

某城市近十年建设用地扩张监测

12.1 问题定义

研究目标不是简单展示两期影像，而是回答：

建设用地扩张了多少？
主要扩张方向在哪里？
哪些扩张发生在生态保护或耕地敏感区域？
扩张与道路、产业园区和规划边界有什么关系？

12.2 数据准备

多期 Sentinel-2 或 Landsat 地表反射率；
行政区边界；
道路；
规划分区；
样本或高分辨率参考影像。

12.3 技术路线

#mermaid-svg-Tivr98Br1qc7IB6c{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-Tivr98Br1qc7IB6c .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-Tivr98Br1qc7IB6c .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-Tivr98Br1qc7IB6c .error-icon{fill:#552222;}#mermaid-svg-Tivr98Br1qc7IB6c .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-Tivr98Br1qc7IB6c .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-Tivr98Br1qc7IB6c .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-Tivr98Br1qc7IB6c .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-Tivr98Br1qc7IB6c .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-Tivr98Br1qc7IB6c .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-Tivr98Br1qc7IB6c .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-Tivr98Br1qc7IB6c .marker{fill:#333333;stroke:#333333;}#mermaid-svg-Tivr98Br1qc7IB6c .marker.cross{stroke:#333333;}#mermaid-svg-Tivr98Br1qc7IB6c svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-Tivr98Br1qc7IB6c p{margin:0;}#mermaid-svg-Tivr98Br1qc7IB6c .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-Tivr98Br1qc7IB6c .cluster-label text{fill:#333;}#mermaid-svg-Tivr98Br1qc7IB6c .cluster-label span{color:#333;}#mermaid-svg-Tivr98Br1qc7IB6c .cluster-label span p{background-color:transparent;}#mermaid-svg-Tivr98Br1qc7IB6c .label text,#mermaid-svg-Tivr98Br1qc7IB6c span{fill:#333;color:#333;}#mermaid-svg-Tivr98Br1qc7IB6c .node rect,#mermaid-svg-Tivr98Br1qc7IB6c .node circle,#mermaid-svg-Tivr98Br1qc7IB6c .node ellipse,#mermaid-svg-Tivr98Br1qc7IB6c .node polygon,#mermaid-svg-Tivr98Br1qc7IB6c .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-Tivr98Br1qc7IB6c .rough-node .label text,#mermaid-svg-Tivr98Br1qc7IB6c .node .label text,#mermaid-svg-Tivr98Br1qc7IB6c .image-shape .label,#mermaid-svg-Tivr98Br1qc7IB6c .icon-shape .label{text-anchor:middle;}#mermaid-svg-Tivr98Br1qc7IB6c .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-Tivr98Br1qc7IB6c .rough-node .label,#mermaid-svg-Tivr98Br1qc7IB6c .node .label,#mermaid-svg-Tivr98Br1qc7IB6c .image-shape .label,#mermaid-svg-Tivr98Br1qc7IB6c .icon-shape .label{text-align:center;}#mermaid-svg-Tivr98Br1qc7IB6c .node.clickable{cursor:pointer;}#mermaid-svg-Tivr98Br1qc7IB6c .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-Tivr98Br1qc7IB6c .arrowheadPath{fill:#333333;}#mermaid-svg-Tivr98Br1qc7IB6c .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-Tivr98Br1qc7IB6c .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-Tivr98Br1qc7IB6c .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Tivr98Br1qc7IB6c .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-Tivr98Br1qc7IB6c .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Tivr98Br1qc7IB6c .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-Tivr98Br1qc7IB6c .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-Tivr98Br1qc7IB6c .cluster text{fill:#333;}#mermaid-svg-Tivr98Br1qc7IB6c .cluster span{color:#333;}#mermaid-svg-Tivr98Br1qc7IB6c div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-Tivr98Br1qc7IB6c .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-Tivr98Br1qc7IB6c rect.text{fill:none;stroke-width:0;}#mermaid-svg-Tivr98Br1qc7IB6c .icon-shape,#mermaid-svg-Tivr98Br1qc7IB6c .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Tivr98Br1qc7IB6c .icon-shape p,#mermaid-svg-Tivr98Br1qc7IB6c .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-Tivr98Br1qc7IB6c .icon-shape .label rect,#mermaid-svg-Tivr98Br1qc7IB6c .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Tivr98Br1qc7IB6c .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-Tivr98Br1qc7IB6c .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-Tivr98Br1qc7IB6c :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 多期影像
云掩膜与年度合成
特征构建
建设用地分类
独立精度验证
分类后比较
扩张图斑提取
道路与规划叠加
方向、面积与热点统计

12.4 质量控制

城市扩张监测中的误差主要来自影像、分类、变化判定和 GIS 统计四个环节。

影像质量

使用同季节或相近物候期影像；
剔除云、云影和薄雾；
检查多期影像精确配准；
统一地表反射率产品；
对不同传感器进行波段和尺度协调。

分类质量

各年份保持一致类别体系；
样本覆盖老城区、新城区、工业区、道路、裸地和施工区；
对建筑阴影、裸地和温室大棚等易混类别专门处理；
使用独立区域验证。

变化质量

设置最小变化图斑；
检查边缘错位造成的伪变化；
区分临时施工与长期建设；
对变化图斑抽样复核；
单独计算变化识别精度。

GIS 统计质量

使用适合面积计算的投影坐标系；
明确行政边界和规划边界版本；
处理跨界和碎片图斑；
记录面积统计规则；
保留源影像、模型、参数和处理日志。

第十三章常见误区

13.1 分辨率越高越好

错误。高分辨率增加细节，也增加阴影、纹理差异、数据量和样本需求。区域和长期研究往往更重视时间一致性和数据稳定性。

13.2 软件输出结果就是正确结果

错误。软件只是执行算法。输入数据、参数、样本和验证方法决定结果是否可信。

13.3 NDVI 可以代表所有植被信息

错误。NDVI 只是一个光谱指数，不能替代生物量、物种、健康程度和生态质量的完整评价。

13.4 训练精度高就说明模型好

错误。训练精度高可能意味着过拟合。必须使用独立验证，并检查跨区域和跨时间泛化。

13.5 两期影像不同就是地表变化

错误。差异可能来自云、季节、太阳高度、大气、潮位、传感器和配准误差。

13.6 分类图越平滑越准确

错误。过度后处理会删除真实小目标，造成视觉上"整齐"但科学上失真。

13.7 AI 可以代替遥感机理

错误。AI 能提高特征学习能力，但仍需要传感器知识、地物机理、样本设计、尺度分析和独立验证。

第十四章术语表

术语	说明
DN	传感器记录的数字量化值
辐亮度	单位面积、单位立体角和单位波长范围内的辐射能量
反射率	目标反射能量与入射能量的比例
地表反射率	尽量消除大气影响后的地表反射特性
大气校正	消除或减弱大气吸收和散射影响的过程
正射校正	利用传感器模型与 DEM 消除地形位移
配准	使多幅影像的同名地物空间位置一致
混合像元	一个像元内包含多种地物
光谱指数	通过波段组合增强特定地物或性质的指标
监督分类	利用有标签样本训练分类模型
非监督分类	根据数据统计结构自动聚类
语义分割	对影像中每个像元进行类别预测
变化检测	识别不同时期地表状态差异
SAR	合成孔径雷达
InSAR	干涉合成孔径雷达
COG	适合云端按需读取的 GeoTIFF 组织方式
STAC	描述和检索时空地理资产的开放规范
ARD	Analysis Ready Data，分析就绪数据