遥感基础：遥感成像原理、常见卫星传感器及数据特性
遥感技术作为获取地球表面信息的重要手段，其核心在于通过传感器记录地物反射或发射的电磁波能量，进而反演地物属性。理解遥感成像的物理过程、主流卫星平台的技术参数以及不同数据源的应用特性，是开展AI智能解译与地物自动分类的前提。本章将系统梳理从电磁波传播到传感器定标的完整链路，对比Landsat、Sentinel与高分系列卫星的数据差异，并结合实际业务场景说明如何为深度学习模型选择合适的数据源。
2.1 遥感成像的物理基础与传感器工作机制
遥感成像的本质是电磁波与地物相互作用后的信息记录过程。太阳作为被动遥感的主要辐射源，发射覆盖紫外至微波波段的连续光谱。当电磁波到达地表后，与植被、水体、土壤、建筑物等地物发生反射、吸收、透射和发射作用。不同地物因其分子结构和表面粗糙度差异，形成独特的光谱响应曲线——例如健康植被在近红外波段（0.7-1.1μm）呈现高反射，而在红光波段（0.6-0.7μm）因叶绿素吸收而呈低值。传感器通过分光元件将接收到的电磁波分解为多个离散波段，并利用光电转换器件（CCD或CMOS）将光信号转化为电信号，最终量化为数字量化值（DN值）。
从成像方式来看，主流星载传感器主要分为推扫式（Push-broom）和摆扫式（Whisk-broom）两类。推扫式传感器如Landsat 8的OLI（Operational Land Imager）和Sentinel-2的MSI（MultiSpectral Instrument），采用线阵探测器沿轨道方向连续扫描，具有信噪比高、几何畸变小、结构紧凑等优点。摆扫式传感器如Landsat 5的TM（Thematic Mapper），通过旋转镜面将地面辐射反射至单个探测器，虽然技术成熟但扫描效率较低。理解成像机制对于后续几何校正和辐射校正至关重要——推扫式影像的CCD线阵各探元响应不一致会导致条带噪声，而摆扫式影像则存在扫描边缘的几何变形。
2.2 三大主流卫星数据源特性对比
当前用于遥感AI解译的卫星数据主要来自Landsat系列、Sentinel系列以及中国高分系列。三者在地理覆盖、光谱设置、空间分辨率和时间分辨率上各有侧重，适用于不同尺度和精度的应用场景。
| 参数维度 | Landsat 8/9 OLI/TIRS | Sentinel-2 A/B MSI | 高分系列（GF-1/2/6） |
|---|---|---|---|
| 空间分辨率 | 多光谱30m，全色15m，热红外100m | 可见光/近红外10m，红边20m，气溶胶60m | 全色0.5-2m，多光谱2-8m |
| 光谱波段数 | 11个波段（含海岸气溶胶、卷云、热红外） | 13个波段（含3个红边波段） | 4-8个波段（视具体卫星而定） |
| 重访周期 | 16天（双星8天） | 5天（双星） | 2-5天（星座组网） |
| 幅宽 | 185km | 290km | GF-1: 800km（16m）/ 60km（2m） |
| 数据获取成本 | 免费开放 | 免费开放 | 商业获取或科研申请 |
| 典型应用 | 全球尺度的土地利用/覆盖变化、森林监测 | 农业精细监测、植被生化参数反演 | 城市规划、灾害评估、目标识别 |
Landsat系列的优势在于其长达50年的连续观测历史，为时间序列分析和变化检测提供了宝贵的数据基础。Sentinel-2的红边波段（705nm、740nm、783nm）对植被叶绿素含量和冠层结构变化极为敏感，在农业估产和森林健康监测中表现突出。高分系列则凭借亚米级空间分辨率，能够识别建筑物轮廓、道路边界、车辆目标等精细地物，是城市精细化管理不可或缺的数据源。
2.3 数据预处理流程与AI解译的衔接
原始卫星影像不能直接输入深度学习模型，必须经过系统的预处理流程。标准流程包括：辐射定标（将DN值转换为辐亮度）、大气校正（消除大气分子和气溶胶的散射吸收影响，得到地表反射率）、几何校正（消除地形和传感器姿态引起的几何变形，使影像具有准确的地理坐标）、以及云掩膜（识别并剔除云和云影区域）。对于AI解译任务，还需要进行影像裁剪、波段选择、数据增强等操作。
# 以Sentinel-2 L1C数据为例的预处理流程（使用snap和gdal）
# 1. 大气校正（Sen2Cor插件）
sen2cor --resolution 10 S2A_MSIL1C_20240101T032101_N0509_R018_T50RKV_20240101T062315.SAFE
# 2. 波段合成与裁剪（gdal）
gdalbuildvrt -separate S2_10m.vrt S2A_*.jp2 -b 2 -b 3 -b 4 -b 8
gdalwarp -t_srs EPSG:32650 -te 500000 4400000 510000 4410000 -tr 10 10 S2_10m.vrt S2_crop.tif
# 3. 云掩膜生成（基于Scene Classification Layer）
gdal_calc.py -A SCL.tif --outfile=cloud_mask.tif --calc="(A==3)|(A==8)|(A==9)" --NoData=0在AI解译实践中，预处理策略直接影响模型性能。例如，使用大气校正后的地表反射率数据训练模型，比使用未经校正的DN值数据在跨区域迁移时精度提升约15-20%。此外，针对不同传感器数据构建混合训练集时，必须进行波段匹配和分辨率统一。常见做法是将Sentinel-2的20m波段重采样至10m，或将Landsat的30m数据与Sentinel-2的10m数据通过超分辨率融合技术对齐。
2.4 案例拆解：基于Sentinel-2的农作物精细分类
以华北平原某农业区为例，目标是将作物类型分为冬小麦、玉米、大豆、蔬菜和休耕地五类。该区域地块破碎、作物物候差异明显，单一时期的影像难以区分不同作物。项目团队采用2023年3月至10月共8期Sentinel-2影像构建时间序列数据集。
关键处理步骤：
- 数据筛选：选择云量低于10%的影像，利用SCL波段生成云掩膜，对缺失像元采用线性插值填补。
- 特征构建：除原始波段反射率外，计算NDVI（归一化植被指数）、EVI（增强型植被指数）、NDWI（归一化水体指数）和红边叶绿素指数（CIre）等12个光谱指数，形成时间-光谱-指数三维特征立方体。
- 样本标注：结合实地调查和无人机正射影像，共标注2,500个地块样本，每类500个，按7:2:1划分为训练集、验证集和测试集。
- 模型训练：采用基于注意力机制的时序卷积网络（TempCNN），输入为8个时间步×20个特征维度，隐藏层128维，输出5类概率。
- 精度验证：测试集总体精度达到92.3%，Kappa系数0.89。其中冬小麦识别精度最高（96.1%），蔬菜与休耕地存在一定混淆（混淆率约12%）。
复盘与反思：初始方案仅使用单期影像（4月中旬），总体精度仅为78.5%，主要原因是冬小麦与杂草在返青期光谱特征相似。引入时间序列后，利用作物物候差异（如冬小麦在5月灌浆期NDVI达到峰值，而玉米在7月才快速生长）显著提升了分类精度。此外，红边波段对大豆和蔬菜的区分贡献最大，说明Sentinel-2的红边设置在实际应用中具有不可替代的价值。
2.5 数据选择策略与AI解译的适配性分析
针对不同的AI解译任务，数据源选择应遵循"任务导向、多源互补"的原则。对于大范围的土地利用分类（如全国尺度），Landsat的30m分辨率配合时间序列分析即可满足需求，且计算成本较低。对于精细农业或城市分析，Sentinel-2的10m分辨率是性价比最高的选择。当需要识别小型地物（如单个建筑物、车辆）时，则必须使用高分系列亚米级影像。
值得注意的是，深度学习模型对训练数据的分布极为敏感。当使用多源数据混合训练时，建议采用域适应（Domain Adaptation）技术，或在数据预处理阶段进行直方图匹配和光谱归一化。此外，影像的时相选择同样关键——对于植被分类，应选择生长季影像；对于水体监测，应选择枯水期影像以获取更精确的水体边界。在实际工程中，建立"数据-模型-应用"的闭环反馈机制，持续评估数据质量对模型性能的影响，是确保AI解译系统长期稳定运行的关键。