📚 课程目录第2章 Sentinel-2数据获取与预处理

2. Sentinel-2数据获取与预处理

矿山开采扰动监测对影像的几何一致性和辐射一致性要求很高：同一矿区跨越数年的影像，如果大气校正口径不同、云污染未剔除、像元大小不一致，NDVI或铁染指数的年际变化就可能被“伪变化”淹没。因此本节围绕一条可复现的预处理链展开：产品选择、大气校正、云掩膜、重采样、研究区裁剪与时间序列筛选。

L1C与L2A：先明确“用哪一级产品”

Sentinel-2的L1C是经过几何精校正的大气顶层反射率（TOA）产品，保留了大气散射与吸收的影响；L2A是经Sen2Cor等处理器大气校正后的地表反射率（BOA）产品，并附带场景分类图层（SCL）。对矿山扰动监测而言，若研究目标是植被指数、水体指数或矿物蚀变指数的年际比较，应优先使用L2A；只有在L2A缺失、或需要自行统一校正参数时，才从L1C自行处理。需要注意，L2A的SCL图层本身已包含云、云影、雪、水体等类别，是云掩膜的重要输入。

对比项	L1C	L2A
反射率类型	大气顶层反射率TOA	地表反射率BOA
是否含大气校正	否	是（Sen2Cor）
辅助图层	无场景分类	含SCL场景分类
典型用途	自行校正、算法研究	指数计算、时序分析

大气校正：把TOA拉回地表反射率

若使用L1C，需执行大气校正。以Sen2Cor为例，典型命令为：

L2A_Process --resolution 10 S2A_MSIL1C_20230812T032541_N0509_R018_T50SMF_20230812T061234.SAFE

处理后会生成同名的L2A目录，其中R10m、R20m、R60m子目录分别存放对应分辨率的波段与SCL。判断校正是否合理，可检查同一地物在时间序列上的反射率是否稳定：例如矿区裸露排土场在B4（红）波段的BOA反射率通常高于TOA，而浓密植被在B8（近红外）的BOA应明显高于TOA。若某景BOA出现大面积负值或异常高值，应检查气溶胶反演与地形阴影影响，必要时剔除该景。

云掩膜：用SCL做类别筛选

SCL图层像元值对应不同地表类别，常用类别包括：4为植被、5为裸土、6为水体、8为云中概率、9为云高概率、10为薄卷云、3为云影。云掩膜的基本做法是保留植被、裸土、水体等有效类别，剔除云、云影与雪。以Python为例：

import rasterio, numpy as np
with rasterio.open('SCL_20m.jp2') as src:
    scl = src.read(1)
valid = np.isin(scl, [4, 5, 6])
# valid为True的像元参与后续指数计算

矿山场景中，排土场与采坑多为裸土（类别5），若把裸土误当无效值剔除，会直接丢失扰动信息，因此掩膜规则必须结合研究区地表构成来定，而不是机械剔除“非植被”。

重采样与裁剪：统一到同一网格

Sentinel-2各波段分辨率不同（B2、B3、B4、B8为10 m，B5—B7、B8A、B11、B12为20 m，B1、B9、B10为60 m）。做多波段指数计算前，应统一重采样到10 m或20 m。重采样方法上，连续型反射率波段宜用双线性或三次卷积，类别型SCL必须用最近邻，避免产生不存在的类别值。裁剪则按研究区矢量边界进行，建议外扩1—2个像元作为缓冲，防止边缘像元受混合效应影响。

时间序列筛选：让每一年都可比较

完成单景预处理后，还要对整条时间序列做一致性筛选。常用判据包括：整景云量低于阈值（如20%）、研究区内有效像元比例高于80%、成像时相落在同一物候窗口（例如每年7—9月）、传感器一致（S2A与S2B可混用，但需确认辐射定标版本一致）。筛选后建议保留一份影像清单，记录每景的成像日期、云量、有效像元比例与处理版本，便于后续复现与排障。

实操建议：先用一景L2A跑通“SCL掩膜—重采样—裁剪—指数计算”全流程，确认输出网格与矢量边界对齐后，再批量处理整条时间序列，可显著减少返工。

常见误区：把SCL中的裸土（类别5）当作无效值剔除，会直接抹掉排土场与采坑的扰动信号；另外对SCL使用双线性重采样会生成不存在的类别值，必须用最近邻。

经过上述步骤，得到的是一套空间网格一致、辐射口径一致、云污染受控的影像集合，后续的扰动指数计算与年际对比才有可靠基础。