3、数据获取与预处理：影像下载、辐射定标、大气校正、几何校正、云掩膜等关键步骤

遥感植被指数计算的精度，很大程度上并不取决于算法本身，而取决于输入影像的质量。无论是基于Landsat、Sentinel-2的公开光学影像，还是高分系列、Planet等商业影像，原始数据中均混杂着大气散射、传感器响应差异、地形起伏和云层遮挡等干扰信息。若未经系统预处理，直接计算NDVI、EVI或SAVI，将导致植被指数出现系统性偏差——例如，同一条植被覆盖度较高的样带，在含薄雾影像上计算的NDVI可能比晴空影像低0.1~0.2，足以改变土地覆盖分类结果。因此，本章围绕“从原始影像到可用反射率数据”的完整链路，系统讲解影像下载、辐射定标、大气校正、几何校正与云掩膜五大关键步骤，并结合GEE（Google Earth Engine）与ENVI两种主流工具给出实操路径。

上图展示了从数据源到生态评估的完整预处理链路。需要特别强调的是，这五个步骤并非简单的线性串联，而是存在反馈与迭代关系：例如，云掩膜的结果会影响大气校正参数的选择（如暗像元提取），几何校正的精度又制约着多时相合成时像元对齐的可靠性。在实际项目中，建议按照“先辐射定标→再大气校正→后几何校正→最后云掩膜与合成”的顺序执行，但云掩膜也可提前至辐射定标之后进行，以便在早期剔除无效像元、节省后续计算资源。

3.1 影像下载：数据源选择与获取策略

核心原理：遥感影像下载是预处理工作的起点，其核心任务是根据研究区的时空范围、光谱分辨率需求和云量限制，从合适的平台获取高质量的Level-1级（或更高等级）影像产品。对于植被指数计算而言，最常用的数据源包括：NASA/USGS的Landsat系列（30m分辨率，16天重访）、ESA的Sentinel-2系列（10m/20m分辨率，5天重访）、以及我国的高分一号/六号（16m分辨率，4天重访）。不同数据源在辐射分辨率、光谱通道设置和几何精度上存在差异，直接影响后续植被指数的可计算性和精度。

操作流程：以GEE平台为例，获取Sentinel-2影像的核心代码如下：

// 定义研究区（以北京市为例）
var roi = ee.FeatureCollection('FAO/GAUL/2015/level0')
  .filter(ee.Filter.eq('ADM0_NAME', 'China'))
  .geometry().centroid().buffer(50000);

// 加载Sentinel-2 SR数据（已含大气校正）
var s2 = ee.ImageCollection('COPERNICUS/S2_SR')
  .filterBounds(roi)
  .filterDate('2023-06-01', '2023-09-30')
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
  .map(function(img) {
    var ndvi = img.normalizedDifference(['B8', 'B4']).rename('NDVI');
    return img.addBands(ndvi);
  });

// 生成生长季NDVI最大值合成
var maxNdvi = s2.select('NDVI').max().clip(roi);
Map.addLayer(maxNdvi, {min:0, max:1, palette:['brown','yellow','green']}, 'Max NDVI');

案例拆解：在2023年内蒙古草原植被长势监测项目中，我们对比了Landsat-8与Sentinel-2的NDVI反演结果。研究区位于锡林郭勒盟，面积约1200km²。初始目标是通过NDVI时间序列分析草原返青期。我们分别下载了Landsat-8（30m）和Sentinel-2（10m）各12景影像。关键发现是：在草地斑块破碎化区域（斑块直径小于50m），Landsat的NDVI均值比Sentinel-2低0.08~0.12，这是因为混合像元效应导致草地与裸土信号混合。最终我们选择Sentinel-2作为主数据源，并利用其红边波段（B5、B6）计算了红边NDVI（NDVI_RE），有效提升了植被覆盖度估算精度。

3.2 辐射定标：从DN值到辐亮度的转换

核心原理：传感器记录的原始DN（Digital Number）值是一个无量纲的整数，其大小取决于传感器增益、偏置和入射辐射亮度。辐射定标的目的就是建立DN值与大气顶层辐亮度（Top-of-Atmosphere Radiance, L_TOA）之间的定量关系。对于Landsat 8/9 OLI传感器，定标公式为：L_TOA = DN × gain + bias，其中gain和bias存储在影像元数据（MTL文件）中。对于Sentinel-2 MSI，则通过查询辐射定标查找表（LUT）实现。值得注意的是，如果后续要进行大气校正，辐射定标是必须的前置步骤；如果直接使用GEE中的SR（Surface Reflectance）产品，则已包含辐射定标和大气校正结果。

判断方法：判断辐射定标是否正确的快速方法是检查辐亮度值的量级。对于Landsat-8可见光波段，晴空条件下典型L_TOA值范围约为50~150 W/(m²·sr·μm)。若计算出的辐亮度值出现负值或超过200，则说明定标参数使用有误。此外，不同版本的传感器（如Landsat-5 TM与Landsat-8 OLI）定标系数差异显著，不可混用。

常见误区：初学者常犯的错误是直接使用影像头文件中的“Scale Factor”进行定标，而忽略了该因子可能仅适用于特定产品级别。例如，Landsat Collection 2 Level-1产品的DN值范围为1~65535，但实际有效辐射范围对应的DN值通常为5000~40000。若直接乘以Scale Factor（0.0001），得到的辐亮度值会偏小一个数量级。正确做法是使用MTL文件中提供的增益和偏置参数，或使用ENVI中的Radiometric Calibration工具自动读取。

3.3 大气校正：消除大气散射与吸收影响

核心原理：太阳辐射在穿过大气层到达地表并被传感器接收的过程中，会受到大气分子和气溶胶的散射、吸收作用，导致传感器接收到的信号中混入了大气路径辐射（Path Radiance），同时地表反射信号也被衰减。大气校正的目的就是反演地表真实反射率。常用的算法包括：基于辐射传输模型的6S（Second Simulation of a Satellite Signal in the Solar Spectrum）、MODTRAN，以及基于简化模型的FLAASH、Sen2Cor和GEE中的LEDAPS/LaSRC。对于植被指数计算，大气校正尤其重要，因为蓝波段和红波段受大气散射影响显著，若不校正，NDVI值会系统性偏低。

操作流程（以ENVI FLAASH为例）：

1. 输入辐射定标后的辐亮度影像，设置传感器类型、飞行日期和时间、研究区平均海拔。
2. 选择大气模型（中纬度夏季/冬季、热带等），设置气溶胶模型（城市、乡村、海洋）和初始能见度。
3. 开启多光谱设置，选择气溶胶反演方法（如2-band K-T方法），设置水汽反演选项。
4. 执行校正，输出地表反射率影像和大气参数文件。

案例拆解：在2022年云南普洱茶园遥感监测中，我们对比了大气校正前后的NDVI差异。研究区海拔1200~1800m，属于亚热带季风气候，影像获取时大气水汽含量较高。使用FLAASH校正后，NDVI均值从0.42提升至0.58，标准差从0.15降至0.09。进一步分析发现，校正前NDVI与海拔高度呈显著负相关（r=-0.63），校正后相关性降至-0.21，说明大气校正有效消除了地形引起的路径辐射差异。但我们也注意到，在阴影区域（如陡坡北坡），校正后的NDVI仍偏低约0.05，这提示在复杂地形区需要额外进行地形校正。

3.4 几何校正：像元空间位置的精确配准

核心原理：几何校正解决的是“影像像元对应地面哪个位置”的问题。由于卫星姿态、轨道高度、地形起伏和传感器扫描角度的影响，原始影像存在几何形变。几何校正分为粗校正（基于卫星星历参数）和精校正（基于地面控制点GCPs）。对于植被指数计算，几何校正的精度直接影响多时相分析的可靠性——若两期影像存在超过1个像元的偏移，NDVI差值将混入大量伪变化信息。

判断方法：几何校正精度的评价指标是均方根误差（RMSE），一般要求RMSE小于0.5个像元。在GEE中，Sentinel-2 L2A产品的几何精度通常优于10m（1个像元），而Landsat Collection 2 Level-2产品的几何精度优于12m。若使用第三方下载的影像，可通过与高精度参考影像（如Google Earth影像）对比检查配准精度。

操作流程（ENVI经典流程）：

1. 打开待校正影像和参考影像（或矢量控制点文件）。
2. 选择“Geometric Correction”工具，选择“Image to Image”或“Image to Map”。
3. 在影像上均匀选取至少20个控制点，优先选择道路交叉口、水库边界等永久性地物。
4. 选择多项式模型（1阶或2阶），设置重采样方法（最近邻、双线性、三次卷积）。
5. 输出校正后影像，并检查RMSE值。

常见误区：许多用户直接使用GEE中提供的“投影转换”功能，误以为这就是几何校正。实际上，投影转换只是将影像从一种坐标系统转换到另一种，并未消除地形引起的局部形变。在山区，即使经过投影转换，影像与真实地物之间仍可能存在数十米的偏移。正确的做法是使用SRTM或ASTER DEM进行地形校正（Orthorectification），尤其对于高分辨率影像（如Planet 3m）更是如此。

3.5 云掩膜与多时相合成：确保数据质量与连续性

核心原理：云层是光学遥感最大的“敌人”。云及其阴影不仅遮挡地表信息，还会导致植被指数出现异常高值（云顶反射）或异常低值（云影）。云掩膜的目的是识别并剔除这些无效像元。常用的云检测方法包括：基于阈值的波段测试（如蓝波段反射率大于0.3）、基于热红外亮温测试（Landsat）、以及基于机器学习的Fmask算法。对于Sentinel-2，官方提供了Scene Classification Layer（SCL）产品，可直接用于云掩膜。

操作流程（GEE中实现云掩膜与合成）：

// Sentinel-2 云掩膜函数
function maskS2clouds(image) {
  var qa = image.select('QA60');
  var cloudBitMask = 1 << 10;  // 云
  var cirrusBitMask = 1 << 11; // 卷云
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
      .and(qa.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask).divide(10000);
}

// 加载并处理影像
var collection = ee.ImageCollection('COPERNICUS/S2_SR')
  .filterBounds(roi)
  .filterDate('2023-06-01', '2023-09-30')
  .map(maskS2clouds)
  .map(function(img) {
    var ndvi = img.normalizedDifference(['B8', 'B4']).rename('NDVI');
    return img.addBands(ndvi);
  });

// 中值合成（有效去除残留云影）
var composite = collection.select('NDVI').median().clip(roi);

案例拆解：在2021年东北黑土地农作物长势监测中，我们面临严重的云污染问题。研究区位于黑龙江省海伦市，生长季（6-9月）有效晴空影像仅4景，且每景均有不同程度云覆盖。我们采用了“先掩膜后合成”的策略：首先利用SCL图层剔除云和云影像元，然后对剩余像元进行时间序列线性插值，最后生成15天间隔的NDVI合成产品。结果显示，合成后的NDVI时间曲线与田间实测LAI（叶面积指数）的相关系数达到0.87，优于使用单景最优影像的0.72。但代价是合成影像的空间分辨率从10m降至20m（因部分像元缺失需邻域插值），且边缘区域出现轻微条带效应。