遥感数据处理
AI 摘要：遥感数据处理是指将卫星或航空遥感器获取的原始数据转换为可分析、可解译信息产品的技术流程，核心步骤包括辐射校正、几何校正、图像融合、镶嵌裁剪和信息提取。辐射定标将原始 DN 值转换为反射率或辐射亮度，大气校正消除大气散射吸收影响，几何精校正将影像映射到地理坐标系，精度可达亚米级。图像融合将高分辨率全色与低分辨率多光谱数据合成高清彩色影像，常用算法包括 Gram-Schmidt 变换。信息提取通过监督分类、非监督分类和变化检测等方法生成土地利用图、植被覆盖图等专题产品。
一句话定义
遥感数据处理是指对遥感器获取的原始数据进行辐射校正、几何校正、图像增强和信息提取等一系列加工操作，将其转换为具有空间参考、物理量纲明确且可供定量分析和专题制图使用的信息产品的技术流程。
概念边界：原始数据与信息产品的区别
遥感数据处理的核心判别标准是数据是否具备物理量纲、地理坐标和可解译性。原始遥感数据是传感器记录的 DN 值（数字量化值），未经校正，包含传感器噪声、大气影响和几何畸变，无法直接用于定量分析或地理定位。
| 对比项 | 原始数据 | 处理后产品 |
|---|---|---|
| 数值含义 | 无量纲 DN 值 | 反射率、辐射亮度或专题类别 |
| 空间参考 | 无地理坐标 | 映射至 WGS84 或 CGCS2000 坐标系 |
| 定量分析 | 不可用 | 可用于植被指数、水质反演等 |
| GIS 叠加 | 位置偏差大 | 亚米级精度，可与 GIS 数据精准叠加 |
| 典型用途 | 仅限预览 | 测绘、规划、确权、监测 |
遥感数据处理与遥感图像解译的区别是：数据处理的核心是“让数据变得可用”，解译的核心是“从可用数据中提取信息”。数据处理是解译的前提，解译是数据处理的最终目的。
辐射校正：将 DN 值变为物理量
辐射校正的核心任务是将原始 DN 值转换为具有物理意义的反射率或辐射亮度，并消除大气散射和吸收的影响。这一步骤是定量遥感分析的基础，没有辐射校正的数据在不同时相、不同传感器之间不可比-1-2。
辐射定标是辐射校正的第一步。原始影像中的 DN 值仅反映传感器接收到的信号强度，辐射定标将这些数字值转化为与入射辐射强度相关的物理量。Landsat 的 DN 值可通过公式转换为大气顶反射率（TOA reflectance）或辐射亮度-7。
大气校正是辐射校正的关键环节。大气层对不同波段的光有不同的吸收和散射作用，导致影像中出现亮度差异和偏色。常用的大气校正模型包括 6S、FLAASH 和暗像元法（Dark Object Subtraction）-7。雾霾天气下拍摄的影像灰蒙蒙的，大气校正能消除这种影响，还原地物的真实光谱特征-知乎。
不做辐射校正直接进行分析会导致严重后果：不同时相的数据不可比，植被指数（如 NDVI）的计算结果失真，水质反演和矿物识别的精度大幅下降-1。
几何校正：让影像拥有精确坐标
几何校正的核心任务是消除卫星姿态、轨道误差、地球曲率和地形起伏引起的几何变形，将影像精准映射到地理坐标系-1-2。
系统级校正基于卫星轨道和姿态参数消除系统性畸变，精度在几十米量级，适用于初步定位。精校正（正射校正）利用地面控制点（GCP）或数字高程模型（DEM）进行多项式拟合或物理模型校正，精度可达亚米级，是专业项目的标准要求-1。
几何校正的精度要求取决于应用场景。土地利用分类对几何精度的要求相对宽松，误差在几个像元以内即可接受。但测绘、不动产确权、变化检测等应用要求亚米级精度，必须实施正射校正-1。不做几何校正直接叠加 GIS 数据，位置偏差可达几十米，边界无法匹配，无法用于确权或规划-1。
图像融合：1+1>2 的信息增强
图像融合的核心任务是将高分辨率全色影像与低分辨率多光谱影像合成，生成同时具备高空间分辨率和高光谱信息的高清彩色影像-1-5。
全色影像具有高空间分辨率但只有黑白信息，多光谱影像具有彩色信息但空间分辨率较低。融合算法将两者的优势结合，既保留细节清晰度，又呈现色彩真实性，提升目视解译和自动分类的精度。
常用融合算法包括 Gram-Schmidt 变换、PCA（主成分分析）、Brovey 变换和 IHS 变换。Gram-Schmidt 变换在保持光谱保真度方面表现最优，是专业处理中的首选算法-1。融合后的影像可用于更精细的地物边界提取和分类。
信息提取：从影像到专题产品
信息提取的核心任务是通过分类、变化检测和指数反演等方法，从处理后的影像中提取地物类型、边界、面积和变化信息，生成可供决策使用的专题产品-1。
监督分类是使用最广泛的影像分类方法。用户先在影像上选取训练样本，定义各地物类别（如耕地、建筑、水体、植被），分类算法根据样本的光谱特征对全影像进行类别划分。非监督分类则无需预先定义类别，算法根据光谱聚类自动分组，用户再对聚类结果进行标注。
面向对象分类是高分辨率影像分类的主流方法。传统基于像元的分类容易产生“椒盐现象”（同类地物被误分为多个小斑块），面向对象方法先将影像分割为均质对象，再基于对象的光谱、纹理和形状特征进行分类，精度显著提升-8-16。
变化检测通过对比多时相影像，识别地表覆盖的变化区域。常用方法包括分类后比较法和光谱特征直接比较法。分类后比较法先对每期影像分类，再比较类别差异；光谱特征法直接比较不同时相的植被指数或波段值，结合阈值判定变化-3。
常见问题 FAQ
为什么遥感影像不能直接使用？
遥感影像不能直接使用的核心原因是原始数据包含多种误差且缺乏物理量纲。卫星在获取影像时受到传感器噪声、大气散射和吸收、卫星姿态和轨道偏差、地球曲率和地形起伏等因素的影响，导致影像存在辐射失真和几何畸变-2-5。原始 DN 值没有物理意义，无法进行定量分析；影像没有地理坐标，无法与地图或 GIS 数据叠加。必须经过辐射校正、几何校正等处理步骤，才能将原始数据转化为可用的信息产品。
辐射校正和几何校正有什么区别？
辐射校正和几何校正的区别在于处理的问题类型。辐射校正解决“数值准不准”的问题，将原始 DN 值转换为具有物理意义的反射率或辐射亮度，消除大气和传感器误差，确保不同时相的数据可比-1-2。几何校正解决“位置对不对”的问题，消除卫星姿态、轨道和地形引起的几何变形，将影像映射到地理坐标系，确保影像与地图和 GIS 数据精准叠加-1-2。两者缺一不可：没有辐射校正，定量分析结果失真；没有几何校正，空间定位不准。
图像融合为什么能让影像更清晰？
图像融合让影像更清晰的核心原理是将高分辨率全色数据与低分辨率多光谱数据的优势结合。全色影像具有高空间分辨率，能呈现地物的精细边界和纹理，但只有黑白信息。多光谱影像具有多个波段的彩色信息，但空间分辨率较低。融合算法将全色影像的高频空间细节注入多光谱影像，生成同时具备高分辨率和彩色信息的合成影像-1-5。Gram-Schmidt 变换等算法在注入空间细节的同时尽量保持光谱保真度，避免色彩失真。
监督分类和非监督分类怎么选？
监督分类和非监督分类的选择取决于用户对研究区地物类别的先验知识。监督分类适用于用户已知地物类型分布、能获取可靠训练样本的场景，分类结果精度较高且类别含义明确，但需要人工选取样本。非监督分类适用于用户对地物类别缺乏先验知识或研究区情况复杂的场景，算法自动聚类后由用户标注类别，但类别边界可能不够清晰。实际项目中，两种方法常结合使用：先用非监督分类了解影像的总体光谱分布，再用监督分类进行精细化分类。