卫星图像处理基础与应用 - 从遥感到变化检测

卫星影像与遥感基础

卫星图像处理 (Satellite Image Processing) 是解析人造卫星传感器获取的地球观测数据的技术，广泛应用于农业、环境监测、城市规划、防灾和气候变化研究等领域。遥感通过卫星或航空平台搭载的传感器，在不直接接触地表的情况下获取地球表面信息。不同传感器捕获不同波段的电磁辐射，揭示肉眼不可见的地表特征。

主要卫星平台:

• Sentinel-2 (ESA): 13 个波段，分辨率 10-60m，5 天重访。免费开放。最适合植被和水质监测
• Landsat 8/9 (NASA/USGS): 11 个波段，分辨率 15-100m，16 天重访。免费。拥有 40 年以上的时序数据
• ALOS-2 (JAXA): SAR (合成孔径雷达)，分辨率 1-10m。可全天候观测
• WorldView-3 (Maxar): 31cm 全色分辨率，商业卫星中的最高分辨率
• Planet (PlanetScope): 3m 分辨率，每日全球覆盖。由约 200 颗卫星组成的星座。商业

光谱波段:

• 可见光 (RGB)：自然色彩，与人眼所见相同
• 近红外 (NIR)：植被强反射，用于植被监测
• 短波红外 (SWIR)：水分敏感，用于土壤湿度和矿物识别
• 热红外 (TIR)：地表温度测量

卫星影像的特点:

• 多光谱：不仅是可见光，还同时观测近红外、短波红外、热红外等多个波长带
• 大范围：单景影像可覆盖 100km × 100km 以上
• 周期性：定期观测同一地点，可追踪时序变化
• 大容量: Sentinel-2 单景 (全波段) 约 800MB

卫星影像与普通 RGB 图像不同，每个像素表示的是物理量 (辐射亮度或反射率)，是定量数据。充分利用这一特性的解析正是遥感的核心。

预处理 - 几何校正与大气校正

原始卫星影像包含传感器的几何畸变、大气影响和地形影响。要进行定量分析，去除这些影响的预处理不可或缺，预处理将原始数据转换为可分析的地表反射率数据。

几何校正 (Geometric Correction)：校正卫星姿态变化、地球曲率和地形起伏导致的影像畸变，精确配准到地图坐标系 (如 UTM)。

• 正射校正：使用 DEM (数字高程模型) 消除地形影响，转换为垂直俯视的影像 (正射投影)
• GCP (Ground Control Point)：使用已知地面坐标点提高几何精度
• Sentinel-2 L1C 产品已完成几何校正，定位精度约 12m (CE95)

大气校正 (Atmospheric Correction)：去除大气散射和吸收的影响，估算地表真实反射率。

• TOA (Top of Atmosphere) 反射率：大气顶反射率，包含大气影响
• BOA (Bottom of Atmosphere) 反射率：地表反射率，即大气校正后的值
• Sen2Cor: ESA 官方的 Sentinel-2 大气校正工具，负责 L1C → L2A 转换
• 6S (Second Simulation of Satellite Signal)：基于辐射传输模型的高精度大气校正。同类工具还有 FLAASH
• Sentinel-2 L2A 产品已完成大气校正，可直接使用

云检测与掩膜：被云覆盖的像素不含地表信息，必须从分析中排除。Sentinel-2 的 SCL (Scene Classification Layer) 波段可自动分类云、云影和积雪，Fmask 算法也被广泛使用。深度学习方法 (如 s2cloudless) 提供更准确的云检测。云覆盖率超过 30% 的场景通常不予使用。

植被与水体指数 - 波段运算的信息提取

通过卫星影像多光谱波段的数学组合 (波段运算)，可以定量评价植被活力、水体分布和土壤状态。这些指数是环境监测的基本工具。

NDVI (归一化植被指数)：使用最广泛的植被指数，利用健康植被强反射近红外 (NIR)、吸收红光 (Red) 的特性。

NDVI = (NIR - Red) / (NIR + Red)

• 值域 [-1, 1]。裸土 0.1-0.2，草地 0.3-0.5，森林 0.6-0.9，水体 < 0
• Sentinel-2 使用 Band 8 (NIR, 842nm) 和 Band 4 (Red, 665nm)
• 应用：农作物长势监测、森林健康评估、干旱监测、城市绿化分析

NDWI (归一化水体指数)：用于水体检测。

NDWI = (Green - NIR) / (Green + NIR)

• 水体 NDWI > 0，陆地 NDWI < 0
• 用于洪水制图和湖泊面积变化追踪

其他常用指数:

• EVI (Enhanced Vegetation Index): NDVI 的改良版，修正大气和土壤背景影响。在茂密植被区不易饱和
• NDBI (Normalized Difference Built-up Index)：归一化建筑指数，用于城市区域提取。(SWIR - NIR) / (SWIR + NIR)
• NBR (Normalized Burn Ratio)：归一化燃烧比，用于火灾迹地检测和损害评估。(NIR - SWIR2) / (NIR + SWIR2)

在 Python 中，用 rasterio 读取波段数据，再用 NumPy 的数组运算计算指数。为避免除零，需要加上 np.where(denominator != 0, numerator/denominator, 0) 这样的保护处理。

土地覆盖分类 - 机器学习地表分类

土地覆盖分类 (Land Cover Classification) 是将卫星影像的每个像素分类为「森林」「农田」「城市」「水体」等类别的处理，对城市规划、环境评估和碳收支估算不可或缺。

监督分类方法:

• 随机森林：使用多光谱波段值和指数 (NDVI、NDWI 等) 作为特征训练分类器。可用 scikit-learn 实现，精度一般为 85-90%。简单有效，是遥感分类的主力方法
• SVM (Support Vector Machine)：在高维特征空间中寻找最优分类超平面，擅长高维分类。小样本数据集时表现好
• 深度学习 (CNN)：学习空间模式，用 U-Net 或 DeepLab 进行高精度的像素级分割，精度可达 90-95%。需要大量标注数据但精度最高

训练数据获取:

• 人工标注：参照 Google Earth 或高分辨率影像，用多边形指定各类别的代表性区域
• 每个类别至少收集 100-500 个像素的样本
• 考虑类别间的均衡，对少数类别进行过采样
• 现有数据集：CORINE Land Cover (欧洲), NLCD (美国)
• 众包：OpenStreetMap 数据作为弱标签

精度评估：从混淆矩阵 (Confusion Matrix) 计算以下指标。

• 总体精度 (Overall Accuracy, OA)：整体正确率，目标 85% 以上
• Kappa 系数：修正偶然一致后的精度，0.8 以上为优秀
• 生产者精度 (Producer's Accuracy)：各类别的召回率 (Recall)
• 用户精度 (User's Accuracy)：各类别的精确率 (Precision)

Google Earth Engine (GEE)：云端地理空间分析平台，可从浏览器访问 PB 级卫星数据并执行分类处理。支持 JavaScript 和 Python API，最适合大规模时序分析。

变化检测 - 从时序影像中提取变化

变化检测 (Change Detection) 是比较不同时期拍摄的卫星影像、自动识别地表变化的技术，应用于森林砍伐、城市扩张和灾害损失的掌握。

变化检测方法:

• 影像差值法：直接计算两期影像 (或指数) 的差值，用阈值判定变化 / 非变化。最简单，但阈值设定是难点，且对配准精度要求高
• 比值法：计算两期影像的比值，对大气条件差异更稳健
• 变化向量分析 (CVA)：将多波段的变化表示为向量，在多维光谱空间中同时评价变化的幅度和方向
• 分类后比较：分别对两期影像分类，比较分类结果的差异

深度学习变化检测:

• 孪生网络 (Siamese Network)：将两期影像输入同一编码器，从特征差异中检测变化。FC-Siam-diff 是代表方法
• BIT (Bitemporal Image Transformer)：基于 Transformer 捕获长距离空间依赖关系，实现高精度变化检测
• 精度: F1 分数 0.85-0.92 (取决于数据集)

应用场景:

• 城市扩张监测：检测新建建筑和道路
• 森林砍伐：监测森林覆盖减少
• 灾害评估：洪水、地震、火灾的损害范围
• 农业监测：作物种植面积变化

时序分析：不止于两期比较，解析数年的时序数据可以区分季节波动和真实变化。利用密集时间序列 (如 Sentinel-2 每 5 天) 构建像素级时间曲线，可检测突变点 (如砍伐) 和渐变趋势 (如退化)。BFAST (Breaks For Additive Season and Trend) 算法分离时序的季节成分和趋势成分，是时序变化检测的代表方法。

实践案例 - 森林砍伐检测：按月计算 Sentinel-2 的 NDVI 时序，提取与去年同月相比下降 0.3 以上的区域作为砍伐候选，再应用云掩膜和季节波动校正来减少误报。Global Forest Watch 就是用这一方法近实时监测全球森林变化的。

实用卫星图像处理 - 工具与工作流

本节介绍在实务中运用卫星图像处理所需的具体工具、数据获取方法和处理流程，以可免费使用的资源为主。

数据获取:

• Copernicus Open Access Hub：免费下载 Sentinel-1/2/3 的全部数据，可通过 API 批量获取
• USGS EarthExplorer：免费提供 Landsat 全部存档，也可获取 MODIS 和 ASTER
• Google Earth Engine：云端处理平台，免费访问 PB 级卫星数据，无需下载即可完成大规模处理。JavaScript/Python API
• AWS Open Data：从 S3 直接访问 Sentinel-2、Landsat 的 COG (Cloud Optimized GeoTIFF)

处理工具:

• QGIS：开源 GIS 软件，支持卫星影像显示、波段运算和分类，并有遥感分析插件。免费
• SNAP (ESA): Sentinel 数据的官方处理工具箱，整合了大气校正、几何校正和 SAR 处理

Python 库:

• rasterio：地理栅格数据读写。用 rasterio.open() 读取 GeoTIFF，再用 NumPy 运算
• GDAL：格式转换和重投影的基础库
• xarray + rioxarray：将卫星数据作为多维数组高效处理，适合时序分析
• scikit-learn：分类和聚类算法
• sentinelsat: Sentinel 数据自动下载

典型工作流:

• 数据获取：下载 Sentinel-2 L2A (已完成大气校正) 或使用 Google Earth Engine
• 预处理：应用云掩膜 (Sen2Cor / SCL) → 仅提取有效像素
• 分析：计算 NDVI → 构建时序堆栈 → 变化检测或分类
• 输出：结果导出为 GeoTIFF
• 可视化：在 QGIS 中制图或发布 Web 地图

大规模处理策略：全国范围的分析需要处理数 TB 数据，此时 Google Earth Engine、AWS Lambda + S3 或基于 Dask 的并行处理都很有效。使用 COG 格式可以只读取所需区域，大幅减少 I/O。