📚 课程目录第4章遥感数据源与获取

4、遥感数据源与获取：常用卫星、无人机数据、数据获取渠道与预处理流程

遥感灾害监测的成效，首先取决于数据源的选择与获取质量。不同灾害类型、不同监测阶段（灾前预警、灾中应急、灾后评估）对遥感数据的时间分辨率、空间分辨率、光谱波段和重访周期有着截然不同的要求。本章系统梳理常用卫星平台（Landsat、Sentinel、MODIS、高分系列）的技术参数与适用场景，介绍无人机数据获取的关键要点，并给出从数据订购到预处理的标准作业流程（SOP），帮助学员建立“按需选星、快速获取、规范处理”的工程化能力。

4.1 常用卫星平台技术参数与选型逻辑

4.1.1 核心原理：多平台协同观测体系

灾害遥感监测的核心原理在于利用不同轨道高度、不同传感器类型的卫星构成“高-中-低”分辨率互补的观测网络。高分辨率卫星（如高分二号、WorldView）能够识别单体建筑物损毁，但重访周期长（数天至数十天）；中分辨率卫星（如Landsat、Sentinel-2）兼顾空间细节与覆盖范围，适合区域尺度灾情评估；低分辨率卫星（如MODIS）虽然空间分辨率粗，但每日多次重访，是火点、洪涝动态监测的主力。实际应急中，通常采用“粗分辨率先发现、中分辨率细评估、高分辨率精核查”的三级联动策略。

4.1.2 主流卫星参数对比

卫星平台	空间分辨率	重访周期	主要波段	灾害应用优势	局限性
Landsat-8/9	30m（多光谱） 15m（全色）	16天	可见光-热红外（11个波段）	热红外波段适合火点识别；历史存档超40年，适合灾前对比	重访周期长，应急时效性不足
Sentinel-2A/B	10m（可见光） 20m（红边）	5天（双星）	13个波段（含红边）	红边波段对植被/水体变化敏感；免费开放	无热红外波段
MODIS（Terra/Aqua）	250m-1km	1-2天	36个波段	每日覆盖全球，火点/洪水动态监测首选	空间分辨率粗，难以识别小目标
高分一号（GF-1）	2m（全色） 8m（多光谱）	4天（侧摆）	可见光-近红外	国产高分辨率，应急调用灵活	幅宽相对较小（60km）
高分四号（GF-4）	50m（地球同步）	20秒（凝视）	可见光-中红外	地球同步轨道，可连续凝视灾区，火点/台风监测利器	分辨率较低
Sentinel-1（SAR）	5m×20m	6-12天	C波段合成孔径雷达	全天候、穿透云雨，洪水/地震形变监测核心数据	数据处理复杂，需专业软件

  选型决策要点：应急响应黄金72小时内，优先调用MODIS或GF-4获取宏观态势；灾后1-3天，使用Sentinel-1 SAR穿透云层获取洪水范围；灾后一周内，协调高分二号或商业卫星获取高分辨率影像进行精细评估。同时，务必下载灾前同期影像作为对比基准。

4.1.3 案例拆解：2023年华北洪涝应急数据组合

背景与约束：2023年7月，华北地区遭遇极端强降雨，多个蓄滞洪区启用。应急部门需要在48小时内完成淹没范围初步评估，但灾区持续阴雨，光学影像无法获取。

数据组合策略：

灾中（0-48h）：使用Sentinel-1 SAR影像（VV极化），通过水体后向散射系数差异提取淹没范围，不受云雨影响；同时使用MODIS每日影像监测蓄滞洪区进洪过程。
灾后（3-7天）：天气转晴后，获取Sentinel-2光学影像（10m分辨率），结合NDWI指数精确提取水体边界，与SAR结果交叉验证。
灾后评估（7-14天）：调用高分二号（0.8m）影像，对重点区域（村庄、农田、基础设施）进行逐栋损毁评估。

结果与复盘：SAR与光学影像提取的水体范围误差小于5%，但SAR数据在城区因雷达叠掩效应存在误判，需结合DEM进行地形校正。复盘经验：应急数据获取必须“光学+SAR”双通道并行，避免单一数据源失效导致监测中断。

4.1.4 常见误区与规避

误区一：认为高分辨率一定优于低分辨率。实际上，MODIS的每日重访能力在灾害动态监测中不可替代，高分辨率影像往往因重访周期长而错过关键时间窗口。
误区二：忽略影像的云覆盖。光学影像若云量超过20%，应果断放弃或使用SAR替代，不要浪费时间进行无效预处理。
误区三：不检查影像的获取时间。灾害应急中，影像获取时间必须精确到小时，避免使用灾后影像误判为灾前状态。

4.2 无人机数据获取与处理

4.2.1 核心原理：低空遥感补充机制

无人机遥感在灾害监测中扮演“最后一百米”的关键角色。当卫星因云层遮挡、重访周期或分辨率不足无法满足需求时，无人机可在云下飞行，获取厘米级分辨率影像。其核心原理是通过搭载不同传感器（RGB相机、多光谱、热红外、LiDAR），在低空（100-500m）进行航线规划拍摄，再通过运动恢复结构（SfM）算法生成正射影像（DOM）和数字表面模型（DSM）。

4.2.2 无人机数据获取操作流程

空域审批与报备：应急场景下可通过应急管理部门协调，申请临时空域，通常需提前4-6小时报备。
航线规划：使用DJI Pilot或Pix4Dcapture等软件，设置航向重叠率≥80%，旁向重叠率≥60%，地面分辨率（GSD）根据需求设定（一般2-5cm）。
地面控制点（GCP）布设：在测区四角和中心布设不少于5个控制点，使用RTK测量坐标，用于后期几何校正。
飞行执行：注意风速（<5级）、光照条件（正午前后2小时最佳），电池续航规划（单架次约20-30分钟）。
数据质检：现场检查影像清晰度、重叠度、有无漏拍，不合格区域立即补飞。

4.2.3 案例拆解：地震灾区无人机应急测绘

场景：某地发生6.5级地震，震中区域道路中断，卫星影像因多云无法使用。应急测绘队携带大疆M300 RTK无人机（搭载P1全画幅相机）赶赴现场。

关键操作：

通过应急管理部协调，获批震中周边20km²临时空域，飞行高度300m，GSD约3cm。
分8个架次完成航拍，每架次覆盖约2.5km²，耗时约25分钟，架次间保持10%重叠便于拼接。
布设12个GCP，使用网络RTK实时获取厘米级坐标。
当晚使用DJI Terra软件进行空三解算和正射拼接，4小时产出DOM和DSM。

结果：生成的DOM清晰显示道路裂缝、房屋倒塌和次生滑坡体，为救援路线规划和危险区域划定提供了直接依据。复盘发现，部分区域因建筑物阴影导致DSM空洞，后续通过增加倾斜摄影角度予以弥补。

重要提醒：无人机应急测绘必须遵守《无人驾驶航空器飞行管理暂行条例》，禁止在禁飞区、机场净空区飞行。夜间或恶劣天气下，优先使用具备防雨能力的机型（如M350 RTK），并确保图传链路畅通。

4.2.4 常见误区与总结

误区一：忽略GCP布设，仅依赖无人机RTK定位。在山区或GNSS信号遮挡区域，无GCP的成果平面误差可达数米，无法满足精确评估需求。
误区二：重叠率设置不足。重叠率低于60%会导致空三解算失败或模型出现“拉花”现象。
误区三：忽视风速影响。无人机在超过5级风时姿态不稳，影像模糊率显著上升，应果断停飞。

4.3 数据获取渠道与预处理流程

4.3.1 核心原理：数据供应链的标准化

遥感数据获取渠道分为免费开放、商业采购和应急快速通道三类。预处理流程的核心原理是将原始数字量化值（DN值）转换为具有物理意义的反射率或辐射亮度值，并消除几何畸变，使多时相、多源数据具有可比性。标准预处理流程包括：辐射定标、大气校正、几何校正、正射校正、影像融合、裁剪镶嵌六个环节。

4.3.2 主要数据获取渠道清单

渠道名称	数据内容	获取方式	时效性	费用
USGS EarthExplorer	Landsat、MODIS、Sentinel-2	在线注册下载	实时（Landsat当日）	免费
欧空局 Copernicus	Sentinel-1/2/3	Open Hub在线下载	实时（SAR 1-3小时）	免费
中国资源卫星应用中心	高分、资源、环境系列	官网申请审批	1-3个工作日	免费（政府用户）
LAADS DAAC	MODIS、VIIRS	在线下载	实时（3小时内）	免费
商业渠道（Maxar/Airbus）	WorldView、GeoEye、SPOT	商务合同	紧急任务24-48h	高（数百至数千美元/景）
国家减灾中心应急通道	国内外多源卫星	应急调用	4-6小时	免费（灾害事件）

4.3.3 预处理流程详解与操作要点

第一步：辐射定标。将传感器记录的DN值转换为大气顶层的辐射亮度或反射率。使用ENVI的Radiometric Calibration工具，输入定标参数（可从元数据文件读取）。对于Landsat-8，需分别处理OLI和TIRS传感器。

第二步：大气校正。消除大气分子和气溶胶的散射、吸收影响。推荐使用ENVI的FLAASH模块或6S模型，输入影像获取时间、中心经纬度、传感器高度、大气模型（中纬度夏季/冬季）等参数。对于应急场景，若时间紧迫，可采用QUAC快速大气校正，精度略低但速度快。

第三步：几何校正。使用地面控制点（GCP）或影像自带的RPC文件进行校正。对于Landsat/Sentinel等L1级产品，已自带几何定位信息，只需进行影像配准（Image Registration），以灾前影像为基准，RMS误差控制在0.5个像元内。

第四步：正射校正。结合DEM消除地形引起的几何畸变。使用ENVI的Orthorectification工具，输入SRTM或ASTER DEM数据。对于山区灾害监测，此步骤不可省略，否则山体阴影区地物位置偏移可达数十米。

第五步：影像融合。将高分辨率全色波段与多光谱波段融合，生成高分辨率多光谱影像。常用方法包括Gram-Schmidt、NNDiffuse Pan Sharpening。注意融合前必须完成几何配准，否则会出现“重影”现象。

第六步：裁剪与镶嵌。按研究区边界裁剪影像，多景影像需进行镶嵌并做匀色处理。使用ENVI的Seamless Mosaic工具，设置羽化距离和颜色匹配选项，确保镶嵌后影像色调一致。

# ENVI 5.x 批处理预处理示例（IDL代码片段）
; 辐射定标
envi_doit, 'radiometric_calibration_doit', $
  fid=fid, pos=pos, dims=dims, $
  out_name=output_cal_file, $
  scale_factor=1.0, $
  output_type=4  ; 浮点型

; 大气校正（FLAASH）
envi_fx_apply, input_file=cal_file, $
  output_file=flaash_file, $
  tool='FLAASH', $
  params={sensor_type: 'Landsat-8 OLI', $
          flight_date: '2023-07-15', $
          flight_time: '02:45:00', $
          center_lat: 39.5, center_lon: 116.2, $
          atmospheric_model: 'Mid-Latitude Summer', $
          aerosol_model: 'Rural', $
          visibility_km: 20.0}

4.3.4 案例拆解：多源数据预处理实战

任务：对某洪涝灾区进行灾前（Landsat-8）与灾后（Sentinel-2）影像对比分析，提取淹没范围。

关键输入：灾前影像（2023-06-10，Landsat-8，云量3%）、灾后影像（2023-07-18，Sentinel-2，云量8%）、SRTM DEM（30m）。

操作步骤：

分别对两景影像进行辐射定标和大气校正（FLAASH，中纬度夏季模型）。
以Landsat-8为基准，对Sentinel-2进行影像配准，RMS误差0.3像元。
计算NDWI（归一化差异水体指数）：(Green - NIR) / (Green + NIR)，阈值设为0.1提取水体。
对提取结果进行形态学滤波（开运算去除孤立像元），并叠加DEM排除山体阴影误判。
叠加对比，统计淹没面积变化。

结果：提取淹没面积约156km²，与水文模型模拟结果（148km²）误差5.4%。复盘发现，误差主要来源于Sentinel-2影像中部分云影未完全去除，后续通过引入SWIR波段（NDWI2）有效抑制了云影干扰。

经验提示：预处理环节中，大气校正参数设置错误是初学者最常见的错误。务必核对影像元数据中的太阳高度角、传感器高度和成像时间。若使用MODIS数据，建议直接下载MOD09GA（地表反射率产品），跳过大气校正步骤，节省处理时间。

4.3.5 常见误区与总结复盘

误区一：跳过辐射定标直接进行大气校正。FLAASH等模型要求输入辐射亮度数据，若输入DN值，输出结果将严重失真。
误区二：忽视投影坐标系一致性。不同来源影像可能采用不同投影（UTM、Albers等），必须在预处理前统一投影坐标系，否则后续叠加分析将产生系统性偏移。
误区三：在应急场景中过度追求预处理精度。当时间紧迫时，可采用“快速预处理+初步解译”模式，先提供趋势性结果，待时间允许再精化处理。