1. 课程导入
欢迎进入《卫星图像经济活动因子构建实战》。在正式动手写代码之前，这一章先解决三个问题：我们到底要构建什么、它为什么有价值、以及整门课会沿着怎样一条路线推进。理解这三件事，后面的每一行代码、每一次参数调整才会有明确的方向感，而不是机械地跑通脚本。
一、学习目标：把"看得见的图像"变成"算得出的指标"
本课程的核心目标，是让学员具备独立完成一条卫星图像经济活动因子生产链路的能力。具体来说，学完课程后你应当能够：
- 理解原理：说清楚夜间灯光、建筑密度、植被指数、水体变化等遥感信号，为什么能代理人口、产出、投资、贸易等经济活动。
- 掌握流程：从影像获取、预处理、特征提取、区域聚合，到因子标准化与时间序列对齐的完整方法链路。
- 具备实操：能够使用 Python 生态（rasterio、geopandas、numpy 等）处理真实影像，并输出可入库的因子表。
- 建立判断：识别云污染、影像拼接、坐标系错配、口径不一致等常见陷阱，并知道如何复盘修正。
换句话说，课程不追求让你成为遥感算法专家，而是让你成为能把遥感数据可靠转化为经济分析可用变量的工程型研究者。
二、核心价值：为什么用卫星图像做经济因子
传统经济数据依赖统计报表，存在发布滞后、口径不一、基层覆盖不足等问题。卫星图像提供了一种高频、空间连续、可回溯的观测视角。它的价值主要体现在三个层面：
- 时效性：多数卫星重访周期在数天到数周，可构建月度甚至旬度因子，领先于季度或年度统计。
- 空间粒度：可下沉到区县、网格甚至自定义多边形，支持精细化区域比较。
- 客观一致：同一传感器、同一算法跨区域处理，减少人为统计口径差异。
核心逻辑一句话：经济活动会改变地表的光、形、色、温，而这些改变可以被卫星稳定记录。因子构建的本质，就是找到"地表信号变化"与"经济变量变化"之间可验证的映射关系。
三、整体框架：四层结构
整门课的知识体系可以归纳为四层，从数据到决策逐层收敛：
| 层级 | 内容 | 典型产出 |
|---|---|---|
| 数据层 | 影像源选择、波段、分辨率、时间范围 | 原始影像与元数据清单 |
| 处理层 | 辐射定标、云掩膜、镶嵌、重采样 | 干净可用的分析影像 |
| 特征层 | 灯光强度、NDVI、NDBI、建成区比例等 | 栅格特征与统计量 |
| 因子层 | 区域聚合、标准化、时序对齐、验证 | 经济活动因子表 |
这四层不是孤立的。数据层的分辨率选择会直接影响特征层的可提取粒度，处理层的云掩膜质量会决定因子层的时序连续性。因此本课程会反复强调"上下游一致性"。
四、实战路线图
下面这张图展示了从原始影像到经济活动因子的完整信号流与关键处理节点，也是本课程后续章节的推进主线。
路线图从左到右是数据加工方向，从下到上是价值收敛方向，左侧虚线框则是贯穿始终的质量控制。任何一环出问题，最终因子都会失真，因此课程会在每个阶段都安排验证动作。
五、典型应用场景
为了让你对"因子有什么用"有具体感知，这里列出几类常见场景：
- 区域经济监测：用夜间灯光总量与增速，代理区县GDP或工业活动变化。
- 投资与基建跟踪：用建成区扩张、建筑指数变化，观察新区开发进度。
- 农业与贸易：用NDVI时序估计作物长势，辅助产量与进出口预判。
- 灾害与恢复评估：用灾前灾后影像差异，量化经济活动中断与恢复节奏。
建议你在学习过程中选定一个自己熟悉的区域（例如家乡所在市或某个产业园区），全程用它作为练习对象。有真实地理感知的练习，比跑通示例数据更能暴露问题。
六、常见误区与复盘提醒
初学者最容易在起步阶段形成几个错误认知，提前点明可以少走弯路：
- 误区一：分辨率越高越好。 高分辨率意味着更大的数据量和更复杂的配准，若研究单元是区县，中等分辨率往往更稳定。
- 误区二：直接拿原始像素值当因子。 未定标、未去云的像素值包含大量噪声，必须先做预处理。
- 误区三：忽略时间对齐。 影像获取时间与统计口径时间不一致，会导致相关性被严重低估。
- 误区四：只做相关不做验证。 因子与目标变量相关，不代表因果，也不代表跨区域稳健。
一个实用复盘习惯：每完成一个区域的因子构建，先画出该因子的时间序列曲线，肉眼检查是否有突变、断档或异常尖峰。很多数据问题在图上比在表格里更容易被发现。
下面是一段最小可运行的检查代码，用于快速查看某区域因子序列的基本形态，后续章节会在此基础上扩展：
import pandas as pd
import matplotlib.pyplot as plt
# 读取已构建的因子表：region, date, factor_value
df = pd.read_csv("econ_factor.csv", parse_dates=["date"])
region = df[df["region"] == "示例区"].sort_values("date")
plt.plot(region["date"], region["factor_value"], marker="o")
plt.title("经济活动因子时间序列检查")
plt.xlabel("日期")
plt.ylabel("因子值")
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()
# 快速统计缺失与异常
print(region["factor_value"].describe())
print("缺失值数量:", region["factor_value"].isna().sum())
当你能够稳定地跑出这样一条可解释的曲线，并说清楚每个拐点背后的数据原因，就说明你已经真正踏入了卫星图像经济活动因子构建的门槛。接下来的章节，我们将从数据源选择开始，一步步把这条路线图变成你手里的工程能力。