2. 遥感数据源与土地利用分类的适配性
土地利用分类的精度，在很大程度上并不取决于分类器有多先进，而取决于“用什么样的数据去看地”。同一片耕地，Landsat 可能只能看到混合像元，Sentinel-2 能凭红边波段区分作物类型，Sentinel-1 则能在云雨天气下继续提供结构信息。因此，理解常用遥感数据源的特点，并把它与分类目标匹配起来，是变化判读工作的第一步。
一、常用光学与雷达数据源的特点
光学卫星依靠可见光—近红外—短波红外的反射能量成像，其分类能力主要来自光谱维度的可分性。Landsat 8/9 OLI 提供 30 m 多光谱（海岸/气溶胶、蓝、绿、红、近红外、两个短波红外）加 15 m 全色和 100 m 热红外，单景幅宽约 185 km，重访 16 天，存档自 1982 年延续至今，是长时序变化检测的基准数据源。其短板是空间分辨率中等、重访周期长，地块细碎地区混合像元明显。
Sentinel-2A/B 在 10 m（可见光与近红外）、20 m（红边、短波红外）、60 m（大气校正波段）三档分辨率下提供 13 个波段，其中 705 nm、740 nm、783 nm 三个红边波段对植被叶绿素含量和作物物候极为敏感，双星重访约 5 天，幅宽 290 km。它适合做作物类型细分、城市绿地与农田边界提取，代价是数据量大、处理链更长。
高分系列（如 GF-1 的 2 m 全色/8 m 多光谱、GF-2 的 1 m 全色/4 m 多光谱、GF-6 的 2 m 全色/8 m 多光谱并配红边）空间细节突出，能刻画田块边界、农村宅基地、道路与小型设施，但幅宽较窄（数十公里级）、重访与覆盖依赖任务规划，且历史存档连续性不如 Landsat。
Sentinel-1A/B 为 C 波段合成孔径雷达，提供 5 m×20 m 的 IW 模式 GRD 产品，重访 6～12 天，主动成像、穿透云层，对地表粗糙度与介电常数（含水量）敏感。它在水稻淹水识别、建筑区结构判别、多云多雨地区的变化判读中不可替代，但存在相干斑噪声、几何畸变（叠掩、透视收缩）和物理量解释困难等问题。
二、三个分辨率维度如何影响分类结果
空间分辨率决定“能否把地块分开”。以南方丘陵区一块约 0.3 hm²（约 55 m×55 m）的梯田为例，Landsat 30 m 像元下该地块仅约 3～4 个像元，边界像元大量混入林地和道路光谱，分类结果常被“吞并”为林地；Sentinel-2 10 m 波段可得到约 30 个像元，边界清晰得多；GF-2 的 4 m 多光谱则能稳定勾出田埂。反过来，在西北大片连片耕地区，30 m 分辨率已足够，盲目追求亚米级只会增加成本与处理负担。
光谱分辨率决定“能否把类型分开”。建设用地与裸沙在可见光—近红外都偏亮，仅靠 4 个宽波段难以区分，而 Landsat 的短波红外（1.57～1.65 μm、2.11～2.29 μm）能有效压制沙地反射、突出建筑；作物类型之间差异更细微，冬小麦与春玉米在抽穗期的差异主要体现在红边斜率上，Sentinel-2 的 705/740/783 nm 三波段正是为此设计。若只有 GF-1 的 4 个宽波段，作物细分往往需要依赖多时相物候特征来补偿。
时间分辨率决定“能否抓住变化发生的时刻”。Landsat 16 天重访在南方雨季常连续数周无有效观测，一次水稻插秧期的窗口可能整段错过；Sentinel-2 的 5 天重访配合 Sentinel-1 的 6～12 天，可把观测间隔压缩到 2～3 天，从而捕捉“水田淹水—插秧—返青”的关键状态。变化检测中，若两期影像跨越了作物轮作周期，就会把正常的物候变化误判为地类转变，这是时间维度最典型的陷阱。
三、数据获取与预处理流程概览
获取环节，Landsat 与 Sentinel 系列可从 USGS EarthExplorer、Copernicus Open Access Hub 或国内镜像免费下载，按云量、季节、轨道号筛选；高分系列需通过中国资源卫星应用中心按任务申请，注意产品级别（如 GF-1 的 PMS 一级产品需自行做正射）。下载后先做质量筛查：检查云覆盖比例、条带缺失、成像日期是否落在目标物候窗口内。
预处理的主线是“辐射—几何—大气”三步。辐射定标把 DN 值转为辐亮度或表观反射率；几何校正对 Landsat L1T 产品通常已足够，对 GF 数据则需用 DEM 做正射纠正；大气校正推荐 Sen2Cor（Sentinel-2）、LaSRC（Landsat）或 6S 模型，输出地表反射率，这是多时相比较和植被指数计算的前提。SAR 数据则走另一条链：轨道校正→热噪声去除→辐射定标→斑点滤波（如 Refined Lee）→地形辐射校正→地理编码，得到后向散射系数 γ⁰ 或 σ⁰。
最后是特征构建与样本准备：光学数据可计算 NDVI、NDBI、NDWI 及红边指数，SAR 可提取 VV/VH 后向散射与 VV/VH 比值；样本应覆盖各地类且空间上分散，训练集与验证集按图斑而非像元划分，防止空间自相关导致精度虚高。完成这些，数据才真正“适配”于后续的分类与变化判读。