3. 遥感影像预处理与土地利用信息增强
拿到一景原始遥感影像，并不能直接开始分类。传感器记录的只是无量纲的灰度值（DN值），受大气散射、地形起伏、成像几何和传感器响应等多重因素影响。要让影像真正反映地表土地利用状况，必须先完成辐射定标、大气校正、几何校正等预处理，再通过影像融合、波段选择与指数构建把地类差异"放大"出来。本节按"先让数据可信、再让信息突出"的思路，梳理这条处理链上各环节的作用、关键参数与判断依据。
一、辐射定标与大气校正：把DN值变成可比较的反射率
辐射定标解决的是"DN值代表多少物理辐射量"的问题。以常见的Landsat 8 OLI为例，其定标公式为：
Lλ = ML × Qcal + AL
ρ' = (Mρ × Qcal + Aρ) / sin(θSE)其中Qcal为像元DN值，ML、AL为辐射定标系数（增益与偏移），Mρ、Aρ为反射率定标系数，θSE为太阳高度角。定标系数可从影像元数据（MTL文件）中直接读取。定标后得到的是大气顶层辐射亮度或行星反射率，仍包含大气程辐射与气溶胶散射的影响。
大气校正进一步去除大气吸收与散射，得到地表反射率。工程上常用FLAASH、6S或Sen2Cor等模型，关键输入包括成像时间、太阳几何、气溶胶光学厚度（AOD）、大气模式和水汽含量。以FLAASH为例，需指定传感器类型、像元大小、飞行高度、气溶胶模型（如乡村、城市）和能见度。校正效果可通过检查植被在近红外波段的反射率是否合理（健康植被通常明显高于可见光波段）、水体在近红外是否接近零反射来判断。若校正后地物光谱曲线出现异常抬升或负值，往往说明气溶胶参数或定标系数设置有误。
二、几何校正：让像元落到正确的地理位置
几何校正分为几何粗校正与几何精校正。粗校正利用传感器姿态和轨道参数消除系统性变形；精校正则通过地面控制点（GCP）建立影像坐标与地理坐标的变换关系，常用二次多项式或有理函数模型（RFM）。实际操作中，选取道路交叉口、桥梁端点、水库岸线拐点等特征明显且不易变化的地物作为控制点，每景影像一般需要15～30个均匀分布的控制点，并保证控制点残差（RMS）控制在1个像元以内。
校正后的重采样方式需根据用途选择：最近邻法不改变原始像元值，适合分类；双线性或三次卷积法视觉更平滑，但会引入新的光谱值，可能影响指数计算。若后续要做多时相变化检测，各期影像必须统一到同一坐标系与同一参考影像，配准误差应控制在0.5个像元以内，否则变化检测会把配准误差误判为地类变化。
三、影像融合与波段选择：兼顾空间细节与光谱信息
全色影像空间分辨率高但只有单波段，多光谱影像光谱丰富但分辨率较低。影像融合（如Brovey变换、Gram-Schmidt、NNDiffuse）将两者结合，得到既清晰又带光谱信息的影像。融合质量可从两方面检查：空间上地物边界是否锐利，光谱上融合前后各地类的光谱曲线是否保持一致。若融合后植被指数明显偏移，说明融合算法引入了光谱畸变，应更换方法或调整权重。
波段选择则要围绕土地利用分类目标。可见光波段区分建设用地与裸地，近红外（NIR）对植被和水分敏感，短波红外（SWIR）有助于区分建筑、裸土与水体。分类前应检查各波段的信息量与相关性，避免选用高度冗余的波段组合。
四、指数构建：把地类差异压缩成可判读的数值
归一化差值指数是土地利用信息增强最直接的工具，其通用形式为两个波段之差除以两者之和，取值落在-1到1之间：
NDVI = (NIR - Red) / (NIR + Red)
NDBI = (SWIR - NIR) / (SWIR + NIR)
NDWI = (Green - NIR) / (Green + NIR)NDVI高值对应植被覆盖，NDBI高值对应建设用地和裸土，NDWI高值对应水体。实际判读时不能只看单个像元的绝对值，而应结合区域统计确定阈值。例如在某平原农业区示例中，可假设NDVI大于0.5判为耕地或林地，0.2～0.5为稀疏植被或混合地类，小于0.2且NDBI大于0判为建设用地，NDWI大于0.1判为水体——这些阈值需根据当地物候和影像时相重新标定，不能直接套用。
五、处理链的衔接与常见问题
上述环节并非彼此独立。辐射定标与大气校正决定了光谱指数的物理意义，几何校正决定了多时相数据能否逐像元比较，融合与波段选择决定了分类特征的质量。实践中常见的问题包括：跳过大气校正直接算NDVI，导致阴影区被误判为水体；几何校正重采样使用双线性法后再做变化检测，边界像元出现虚假变化；融合算法选择不当，使NDBI在建筑边缘产生异常高值。
一个可操作的检查顺序是：先确认定标系数与元数据一致，再检查大气校正后典型地物光谱是否合理，然后验证控制点残差与多时相配准精度，最后在指数图上抽样核对各地类的数值分布是否与实地认知相符。只有这条链上每一环都通过检查，后续分类与变化判读的结果才具备可信度。