📚 课程目录第3章数据获取渠道与平台

3、数据获取渠道与平台：USGS EarthExplorer、Copernicus Open Access Hub、NASA Earthdata、中国资源卫星应用中心等平台的使用方法

遥感研究的第一步，也是最关键的一步，往往不是算法设计或模型构建，而是获取高质量、符合研究需求的数据。面对全球数十个对地观测数据分发平台，初学者常陷入“知道平台名称却不知如何高效使用”的困境。本章将系统拆解四个最具代表性的数据获取渠道——USGS EarthExplorer、Copernicus Open Access Hub、NASA Earthdata以及中国资源卫星应用中心，从平台定位、数据资源、检索逻辑到下载策略进行全流程讲解，并针对写作中的数据引用规范给出实操建议。

3.1 平台定位与数据资源对比

不同平台在数据积累、更新频率、产品级别和访问权限上存在显著差异。理解这些差异是高效获取数据的前提。USGS EarthExplorer 是全球历史最悠久的遥感数据分发平台之一，其核心优势在于 Landsat 系列卫星长达 50 余年的连续观测数据，同时整合了 MODIS、SRTM、ASTER 等多源数据。Copernicus Open Access Hub 是欧盟哥白尼计划的官方分发渠道，提供 Sentinel 系列卫星的全分辨率免费数据，尤其以 Sentinel-2 的 10 米多光谱数据在科研中应用最为广泛。NASA Earthdata 则是一个更庞大的数据生态系统，涵盖 NASA 所有对地观测任务，包括 MODIS、VIIRS、GEDI、ECOSTRESS 等，其数据产品经过严格定标，适合开展全球尺度的科学研究。中国资源卫星应用中心作为国产卫星数据的主渠道，提供高分（GF）系列、资源（ZY）系列等数据，对于国内区域研究具有获取便捷、分辨率高的优势。

平台名称	核心数据源	空间分辨率	数据级别	注册要求	典型应用场景
USGS EarthExplorer	Landsat 1-9, MODIS, SRTM	15m - 1km	L1, L2, L3	免费注册	土地利用变化、地形分析
Copernicus Open Access Hub	Sentinel-1/2/3	10m - 300m	L1C, L2A	免费注册	植被监测、水体提取、SAR应用
NASA Earthdata	MODIS, VIIRS, GEDI, ECOSTRESS	250m - 1km	L2, L3, L4	免费注册	全球气候、碳循环、生态遥感
中国资源卫星应用中心	GF-1/2/6, ZY-3	0.8m - 16m	L1, L2	实名注册审核	国土调查、城市规划、精准农业

3.2 USGS EarthExplorer 操作流程与检索技巧

USGS EarthExplorer 的界面虽然略显陈旧，但其功能非常强大。核心操作流程包括：注册登录、设定研究区域、选择时间范围、筛选数据集、查看预览图、下载数据。其中，设定研究区域支持多种方式：直接输入经纬度坐标、绘制多边形、上传 Shapefile 文件或 KML 文件。对于研究，建议使用精确的矢量边界文件，而非简单的矩形框选，这样可以显著减少数据冗余。

在数据集选择环节，需要特别注意产品级别的区分。以 Landsat 8/9 为例，Collection 2 Level-1 是辐射校正和几何校正产品，Level-2 则进一步包含地表反射率和地表温度产品。对于大多数遥感，直接下载 Level-2 产品可以省去大气校正的繁琐步骤。检索结果列表中，每一景影像都附带云量覆盖百分比、采集日期、太阳高度角等关键元数据。建议优先选择云量低于 10% 的影像，并利用“Add to Basket”功能批量管理。

  关键操作提示： 在 USGS EarthExplorer 中，使用“Data Sets”选项卡时，可以同时勾选多个传感器（如 Landsat 8-9 和 Sentinel-2），系统会在同一时空范围内返回所有可用影像，便于进行多源数据融合研究。此外，利用“Results”页面的“Compare”功能，可以并排查看多景影像的预览图，快速判断云层分布和影像质量。

3.3 Copernicus Open Access Hub 与 Sentinel 数据下载

Copernicus Open Access Hub 的检索逻辑与 USGS 类似，但其数据组织方式以“产品”为单位。Sentinel-2 的 L1C 产品是大气表观反射率，L2A 是大气校正后的地表反射率。对于大多数研究，直接下载 L2A 产品更为高效。该平台支持通过图形化界面绘制多边形进行空间检索，也支持通过 API 接口进行批量下载，后者对于需要下载大量影像的研究尤其重要。

Sentinel-2 数据的命名规则包含了丰富的信息，例如“S2A_MSIL2A_20230615T025551_N0509_R132_T50RKV_20230615T074352.SAFE”，其中 T50RKV 是瓦片编号，20230615 是采集日期。理解这些编码有助于快速筛选数据。需要注意的是，Copernicus Open Access Hub 的下载速度有时不稳定，建议使用其提供的“Copernicus Data Space Ecosystem”新平台，或者配置 aria2 等下载工具进行断点续传。

# 使用 Python 脚本通过 Copernicus API 批量检索 Sentinel-2 影像
from sentinelsat import SentinelAPI
api = SentinelAPI('username', 'password', 'https://scihub.copernicus.eu/dhus')
products = api.query(
    area='POLYGON((116.3 39.9, 116.5 39.9, 116.5 40.1, 116.3 40.1, 116.3 39.9))',
    date=('20230601', '20230630'),
    platformname='Sentinel-2',
    cloudcoverpercentage=(0, 20)
)
api.download_all(products, directory_path='./sentinel_data')

3.4 NASA Earthdata 与高级数据产品获取

NASA Earthdata 并非单一平台，而是一个分布式数据体系，通过 Earthdata Search 门户统一检索。其核心价值在于提供经过科学定标的高级数据产品，例如 MODIS 的 NDVI、EVI、LAI、GPP 等。这些产品已经过严格的质量控制，可以直接用于时间序列分析。对于从事全球变化研究的学者，NASA Earthdata 是首选数据源。

使用 NASA Earthdata 时，需要先注册 Earthdata Login 账号，然后通过 Earthdata Search 界面选择数据产品。该平台支持按“概念ID”精确检索，也支持按关键词搜索。下载方式包括直接浏览器下载、通过 wget 脚本批量下载，以及使用 NASA 提供的 `earthaccess` Python 库进行程序化访问。对于大区域长时间序列的数据需求，建议使用 `earthaccess` 库结合云存储进行高效处理。

经验分享： NASA Earthdata 的许多数据产品提供 HDF5 或 NetCDF4 格式，这些格式支持多维数组存储，适合存储时间序列数据。在中引用这些数据时，务必注明数据产品的版本号（如 MOD13Q1 V6.1），因为不同版本之间的算法差异可能影响研究结果的可重复性。

3.5 中国资源卫星应用中心与国产卫星数据

中国资源卫星应用中心（CRESDA）是获取国产高分辨率卫星数据的主要渠道。其数据政策经历了从完全免费到部分收费的调整，目前高分一号、高分六号等卫星的 16 米分辨率数据免费向科研用户开放，而更高分辨率的数据需要提交应用申请。注册流程相对严格，需要提供单位证明和研究说明，审核周期通常为 3-5 个工作日。

该平台的数据检索界面支持按卫星、传感器、时间、云量等条件筛选。下载的数据通常包含 RPC（有理多项式系数）文件，用于几何精校正。对于研究，建议同时下载元数据 XML 文件和缩略图，以便在数据处理前进行快速质量评估。需要注意的是，国产卫星数据的命名规则与欧美平台不同，例如“GF1_PMS1_E116.3_N39.9_20230615_L1A0001234567”，其中 PMS1 表示全色多光谱相机。

3.6 数据下载策略与引用规范

高效的数据获取不仅仅是点击下载按钮，更需要制定科学的下载策略。首先，建议建立数据需求清单，明确研究所需的时间范围、空间范围、光谱波段和云量阈值。其次，利用各平台提供的 API 接口实现半自动化下载，减少人工操作。最后，下载完成后应立即进行数据完整性校验，包括文件大小、影像尺寸、地理范围等。

在写作中，数据来源的引用规范直接影响学术诚信。不同平台对数据引用有不同的要求：USGS 要求引用数据集 DOI 和 Landsat 系列的科学引文；Copernicus 要求引用 Sentinel 数据的使用条款和 DOI；NASA Earthdata 要求引用具体数据产品的 DOI 和版本号；中国资源卫星应用中心则要求在致谢中注明数据来源。建议在的“数据”部分详细描述数据获取时间、平台、产品级别和预处理步骤，确保研究的可重复性。

常见误区警示： 许多初学者在下载数据时忽视了影像的投影坐标系和基准面信息。不同平台提供的数据可能采用不同的投影方式（如 UTM、Albers 等），在开展多源数据融合研究时，必须将所有数据统一到相同的坐标系和基准面，否则会产生严重的空间配准误差。建议在数据预处理阶段使用 GDAL 或 Rasterio 库进行投影转换和重采样。

3.7 案例拆解：基于多源数据的城市热岛效应研究数据获取

以“北京市城市热岛效应时空变化分析”为例，完整演示数据获取的决策过程。研究目标：分析 2013-2023 年北京市夏季地表温度时空变化。数据需求：30 米分辨率地表温度数据、10 米分辨率土地利用分类数据、行政区划矢量边界。

第一步：数据源选择。地表温度数据优先选择 Landsat 8/9 的 Collection 2 Level-2 产品（含地表温度波段），时间范围为每年 6-8 月，云量小于 10%。土地利用分类数据选择 Sentinel-2 L2A 产品，通过随机森林分类生成。行政区划边界从北京市规划和自然资源委员会官网下载。

第二步：平台操作。在 USGS EarthExplorer 中，上传北京市行政区划 Shapefile 作为研究区域，选择 Landsat 8-9 Collection 2 Level-2，设定时间为 2013-2023 年每年 6 月 1 日至 8 月 31 日，云量筛选设为 0-10%。共检索到 47 景影像，剔除重复和边缘影像后，最终选择 32 景。在 Copernicus Open Access Hub 中，使用相同区域和时间范围检索 Sentinel-2 L2A 产品，选择 2022 年夏季无云影像 3 景用于土地利用分类。

第三步：数据验证与预处理。下载完成后，逐一检查影像的元数据，确认所有影像的投影坐标系为 WGS 84 UTM 50N。使用 Rasterio 库将所有影像裁剪至北京市边界，并统一重采样至 30 米分辨率。对于地表温度数据，将 DN 值转换为开尔文温度，再减去 273.15 得到摄氏度。

第四步：结果与复盘。通过对比 2013 年和 2023 年的地表温度反演结果，发现北京市五环内平均地表温度上升了 2.3°C，与城市扩张和绿地减少密切相关。复盘整个数据获取过程，发现最初在 USGS 上遗漏了 2016 年的部分影像，原因是当年 Landsat 7 的 SLC-off 故障导致数据质量下降，后来通过补充 Landsat 8 数据解决了这一问题。经验是：在长时间序列研究中，必须考虑传感器故障和数据缺失的应对策略，提前准备替代数据源。

通过本章的学习，研究者应能够根据具体研究需求，快速选择合适的数据平台，高效完成数据检索、下载和预处理工作。数据获取是整个遥感研究链条的基石，扎实的数据功底将为后续的算法设计和结果分析奠定坚实基础。