【遥感RS】遥感产品生成流程：从地物电磁波到最终图像的每一步（以及LST产品反演实例）第一步：传感器记录辐射亮度 1.1

【一、传感器部分】

1.1 光电效应

在遥感传感器，如卫星上的电荷耦合器件（CCD）或互补金属氧化物半导体（CMOS）图像传感器中，光电效应允许光子与半导体材料相互作用，产生电子，这些电子随后被转换为数字信号，从而形成图像或数据。因此，光电效应是遥感数据采集和处理的最底层原理之一，是遥感技术能够实现对地球表面进行远程监测和评估的基础。

光电转换过程实际上是光的波粒二象性中粒子性质的直接体现。在这个过程中，太阳光被视为由无数个光子组成的粒子流，每个光子都携带着一定的能量。当这些光子撞击到传感器上的感光材料（如CCD或CMOS）时，它们就像微小的粒子一样，将能量传递给材料中的电子，如果光子的能量足够大，就能将电子从原子中释放出来，形成电子-空穴对。这些电子在电场的作用下移动，形成电流，从而实现了光能到电能的转换，而这个过程就是我们所说的光电效应。

1.2 模拟量到数字量的转换（AD转换）

采样：将连续的模拟信号在时间上进行离散化。根据香农采样定理，采样频率必须大于信号最高频率的2倍（即奈奎斯特频率）以避免混叠现象。在固定时间间隔内提取模拟信号的值，形成离散的时间序列。
量化：将采样值转换为离散的数字量（数字值，DN值）。将输入电压值映射到离散的电压级别。量化过程必然会引入误差，称为量化噪声或量化误差。
- 量化方程： $DN = floor\left(\frac{V_{in} - V_{min}}{V_{max} - V_{min}} \times 2^n\right)$
  - ( $V_{in}$ )为输入电压。
  - ( $V_{min}$ )和( $V_{max}$ )分别为量化器的最小和最大电压范围。
  - ( $n$ )为量化位数（越大，量化级数越多，精度越高）。
编码：将量化后的数值转换为二进制数字，以便存储和处理。不同的传感器和应用可能采用不同的编码方式，如：
- BSP（Band Sequential Processing）：每个波段依次存储。
- BIP（Band Interleaved by Pixel）：按像素交错存储不同波段的数据，适合快速访问特定像素。
- BIL（Band Interleaved by Line）：按行交错存储，兼具两者特点。
- 输出格式：量化后的数字值通常以二进制形式存储，便于后续数字信号处理。

1.3 辐射定标

辐射定标是将传感器获取的数字值（DN值）转换为具有物理意义的辐射量（如辐亮度）的重要过程。由于DN值本身是一个相对量，受传感器的特性、工作条件和环境影响，这个值没有任何物理意义，只能表示在此情此景下，这辐影像中不同位置的亮度高低对比，不同传感器的响应特性（如灵敏度、噪声水平等）不同，导致相同辐射量下不同传感器的DN值不具有可比性。为了确保数据的一致性和可比性，必须进行辐射定标。

$L_λ(辐亮度) = gain(增益系数) \times DN + offset$ (偏置)

辐射亮度（Radiance）单位是 W/m²/sr（瓦特每平方米每球面度）。如果经过大气校正后，一个像素的辐射亮度值为 5.2 W/m²/sr，这表示该像素区域接收到的辐射能量。
地物反射率（Reflectance）单位是百分比（%）或无量纲（通常在0到1之间）。如果经过大气校正后，一个像素的反射率为 0.35（或35%），这表示该地物表面能反射35%的入射光。

定标后影像的每个像素值通常会表示为具有物理意义的量，比如辐射亮度或地物反射率。虽然有时这些值可能仍然在0到255的范围内，但这并不意味着未进行定标。这可能是由于数据类型限制或显示需求。原始的物理量在内部仍然存在，但为了节省存储空间或方便显示，可能进行了线性缩放。

【二、大气部分】

2.1 电磁波与大气的相互作用

瑞利散射：发生在气体分子上、散射强度与波长的4次方成反比 $I_s ∝ \frac{1}{λ^4}$
米氏散射：发生在气溶胶颗粒上、散射强度与波长关系更复杂 $I_s ∝ \frac{1}{λ^{0.8-1.5}}$
吸收作用：大气分子的能级跃迁、不同气体在特定波段有强烈吸收

大气中的不同气体在特定波段范围内具有显著的吸收特性：水蒸气在0.7-1.1微米、1.4微米和1.9微米波段表现为强吸收，这些波段对近红外遥感有重要影响；二氧化碳在2.0-2.5微米波段有中等吸收，在4.0-4.5微米波段为强吸收，这些特性用于温室气体监测；臭氧在0.2-0.3微米波段强吸收，起到紫外辐射屏蔽作用；氮氧化物在0.5-0.75微米波段的吸收特性影响城市空气质量；甲烷在1.6微米波段有中等吸收，也是温室气体监测的重要指标；硫氧化物在0.3-0.4微米波段的吸收特性则影响空气质量。

2.2 传感器接收信号的组成

$L_{sensor}= L_{target} × T + L_{path}$
传感器接收的总辐射亮度 =目标物真实辐射亮度 ✖️ 大气透过率+大气路径辐射

2.3 大气校正得到真实的地物辐射量

方法	描述	优点	缺点
绝对校正	通过与已知反射率的标准目标比较，进行定标。	精确度高，适用于获取真实辐射特性。	需要标准目标，且不适合大范围区域。
相对校正	通过对比同一场景的不同时间影像进行校正。	不需要标准目标，适用于监测变化。	对影像间的条件差异敏感，精度可能较低。
辐射传输模型	使用大气辐射传输模型（如MODTRAN，6S，Flashh）模拟大气影响。	可处理复杂的环境和多种气体。	模型参数需要准确，计算复杂。
经验法	基于已有数据经验进行校正，通常依赖于统计分析。	简单易用，适合快速校正。	精度较低，依赖于数据的可用性和质量。
暗像素法	利用图像中最暗区域作为参考，假设其反射率接近于零。	操作简单，适合大范围影像。	暗像素的选择可能影响校正效果。
传感器特性校正	根据传感器自身的响应特性进行校正，如定标系数。	针对特定传感器，准确性高。	仅适用于同种传感器，跨传感器的应用有限。
大气通量法	通过计算大气透过率和路径辐射进行校正。	可用于多种气象条件下的校正。	需要准确的气象数据和模型。

【三、地形部分】

地形校正其实相对于前两者不是必选项，就进行一个地形校正的逐步应用示例吧。假设我们获取了一幅高分辨率的卫星遥感影像，目的是监测山区的植被覆盖变化。影像拍摄时正值夏季，但由于复杂的地形，部分区域因阴影影响而导致亮度不均匀，影响了后续分析的准确性。

步骤 1：获取数字高程模型（DEM）
步骤 2：获取成像时刻的太阳高度角与方位角
步骤 3：生成阴影图
步骤 4：亮度调整优化
步骤 5：几何校正(选几个GCP进行控制点配准)

【四、参数反演】

基于经过传感器校正、大气校正和地形校正后的数据。只有在确保数据具有物理意义和一致性的基础上，才能进行有效的参数反演，提取出有用的地物信息。反演的本质是基于地物的光谱特征，建立辐射量与地物参数(这个就是我们希望通过遥感得到的信息)的定量关系。

以下是一些实际遥感产品及其反演方法和操作过程的示例：

1. MODIS NDVI（MOD13Q1）

反演方法：
- 使用红光（红色波段）和近红外波段的反射率计算NDVI。
操作步骤：
1. 从MODIS数据获取红光和近红外波段的反射率数据。
2. 计算NDVI： $NDVI = \frac{(NIR - Red)}{(NIR + Red)}$
3. 生成NDVI图像，值范围通常在-1到1之间。

2. Sentinel-2植被指数

反演方法：
- 使用Sentinel-2的多光谱数据，通常计算NDVI或EVI（增强型植被指数）。
操作步骤：
1. 下载Sentinel-2影像，提取红光和近红外波段。
2. 根据需要计算NDVI或EVI：
  - NDVI计算与MODIS相同。
  - EVI的计算公式为： $EVI = G \times \frac{(NIR - Red)}{(NIR + C1 \times Red - C2 \times Blue + L)}$ 其中G、C1、C2和L是调整参数。
3. 生成并分析指数图像。

3. Landsat 8地表反射率

反演方法：
- 通过辐射定标和大气校正得到的地表反射率产品。
操作步骤：
1. 从Landsat 8数据中获取原始DN值。
2. 进行辐射定标，将DN值转化为辐射亮度： $L = gain \times DN + offset$
3. 进行大气校正，使用模型或经验法得到地表反射率。
4. 生成反射率图像。

4. Sentinel-1地表变形监测

反演方法：
- 通过合成孔径雷达（SAR）数据，使用干涉测量法（InSAR）。
操作步骤：
1. 获取多时相的Sentinel-1 SAR影像。
2. 进行影像配准，确保不同时间的影像对齐。
3. 计算相位差，生成干涉图。
4. 反演地表变形，提取位移信息。

5. 水体监测（如使用Sentinel-2）

反演方法：
- 计算水体指数（如NDWI）。
操作步骤：
1. 获取Sentinel-2影像，提取绿光和近红外波段。
2. 计算NDWI： $NDWI = \frac{(Green - NIR)}{(Green + NIR)}$
3. 生成水体分布图，阈值分割以识别水体区域。

6. 土壤湿度反演

反演方法：
- 使用微波遥感数据，如Sentinel-1。
操作步骤：
1. 获取SAR影像，计算反射率。
2. 应用回归模型或物理模型，使用反射率与土壤湿度之间的关系。
3. 生成土壤湿度分布图。

【五、LST的反演实战教学】

LST产品的生成确实比NDVI等简单波段产品复杂得多。它不仅需要通过热红外波段数据进行复杂的辐射定标和大气校正，还需运用物理模型综合考虑多种地表和大气因素，相比之下，NDVI的计算和应用则显得更为直接和简便。所以大家都属于遥感产品，我更愿意称LST为一个遥感工程产品，而NDVI就是个遥感指数产品。

flowchart TD
    A[数据准备] --> B[数据预处理]
    B --> C[参数计算]
    C --> D[LST反演]
    D --> E[精度评估]
    
    %% 数据准备详细步骤
    A --> A1[热红外数据<br/>Landsat8 Band10]
    A --> A2[多光谱数据<br/>Red+NIR波段]
    A --> A3[辅助数据<br/>DEM等]
    
    %% 预处理详细步骤
    B --> B1[辐射定标<br/>DN值-辐亮度]
    B --> B2[几何校正<br/>空间配准]
    B --> B3[大气校正<br/>QUAC方法]
    B --> B4[ROI裁剪]
    
    %% 参数计算详细步骤
    C --> C1[NDVI计算]
    C --> C2[植被覆盖度Pv]
    C --> C3[地表发射率]
    
    C2 --> C21[Pv>0.7 全植被]
    C2 --> C22[0.05<Pv<0.7 建筑]
    C2 --> C23[Pv<0.05 水体]
    
    C3 --> C31[水体 ε=0.995]
    C3 --> C32[建筑 ε=0.9589+0.086Pv-0.0671Pv2]
    C3 --> C33[自然 ε=0.9625+0.0614Pv-0.0461Pv2]
    
    %% LST反演步骤
    D --> D1[辐射传输方程<br/>去除大气影响]
    D1 --> D2[计算黑体辐亮度<br/>BTs]
    D2 --> D3[普朗克方程反演<br/>求解温度]
    
    %% 精度评估
    E --> E1[地面实测验证]
    E --> E2[空间连续性分析]
    E --> E3[物理合理性检验]
    
    %% 样式设置
    classDef process fill:#f9f,stroke:#333,stroke-width:2px
    classDef data fill:#bbf,stroke:#333,stroke-width:2px
    classDef formula fill:#bfb,stroke:#333,stroke-width:2px
    classDef validation fill:#fbb,stroke:#333,stroke-width:2px
    
    class A,B,C,D process
    class A1,A2,A3 data
    class C31,C32,C33,D1,D2,D3 formula
    class E1,E2,E3 validation

1：数据准备

热红外数据：用于获取地表的发射辐亮度，推荐：Landsat 8的Band 10
多光谱数据：必需波段：Red和NIR，用于计算NDVI，规定不同地物的发射率

2：数据预处理

使用ENVI导入Landsat 8数据
辐射定标:多光谱数据和热红外数据都需要进行辐射定标
大气校正:推荐使用QUAC快速大气校正

3：NDVI计算

为后续植被覆盖度计算做准备,作为地物分类的基础,最终用于发射率估算

4：植被覆盖度(Pv)计算

$Pv = (NDVI - NDVIs)/(NDVIv - NDVIs)$

NDVIs = 0.05 (裸土NDVI值)
NDVIv = 0.70 (完全植被NDVI值)

分类标准

NDVI > 0.7：Pv = 1 (完全植被覆盖)
NDVI < 0.05：Pv = 0 (水体/裸土)
0.05 ≤ NDVI ≤ 0.7：按公式计算（建筑/混合像元）

5：地表发射率计算

水体 ε = 0.995
建筑 ε = 0.9589 + 0.086Pv - 0.0671Pv²
自然表面 ε = 0.9625 + 0.0614Pv - 0.0461Pv²

6：大气参数获取

大气透过率(τ)：0.89
大气上行辐射(L↑)：0.92 W/(m²·sr·μm)
大气下行辐射(L↓)：1.55 W/(m²·sr·μm)

NASA大气参数计算器：atmcorr.gsfc.nasa.gov/, 需提供影像时间、地理位置等信息

7：黑体辐亮度计算

辐射传输方程 $Lλ = [ε·B(TS) + (1-ε)L↓]·τ + L↑$

求解黑体辐亮度 $B(TS) = [Lλ - L↑ - τ·(1-ε)L↓]/τ·ε$

Lλ：传感器接收的辐射亮度（Band 10定标值）
ε：地表发射率
τ：大气透过率
L↑：大气上行辐射
L↓：大气下行辐射

8：温度反演

$TS = K2/ln(K1/B(TS) + 1)$

K1 = 774.89 W/(m²·sr·μm)
K2 = 1321.08 K

计算结果为开尔文温度,需要减去273.15转换为摄氏度,注意单位转换的一致性

【六、遥感在各个领域都能做什么？】

1.环境监测

监测类型	主要数据源	原理
大气监测	Sentinel-5P卫星、TROPOMI仪器	通过分析大气中光谱的吸收特性，测量特定气体（如二氧化氮、臭氧）的浓度。
碳循环监测	OCO-2卫星	利用光谱反射和吸收原理，监测全球二氧化碳浓度及其变化，分析碳源碳汇。
冰川监测	ICESat-2卫星	使用激光测高技术，通过发射激光脉冲并测量反射时间，评估冰盖厚度变化。
海洋海岸监测	NOAA卫星数据	结合海面温度、海平面高度及气象数据，评估沿海地区的环境变化。
洪水监测预警	ISRO卫星数据	通过遥感影像分析水体面积和深度变化，结合地形数据进行洪水建模。
干旱监测与预测	澳大利亚气象局卫星数据	利用NDVI与降水量变化，评估土壤湿度与作物健康。
水质监测	EPA卫星数据	通过光谱反射监测水中悬浮物、叶绿素和污染物，评估水质状况。
地下水位监测	加州水资源局卫星数据	通过分析地表沉降和水文模型，监测地下水位变化及其补给情况。
土地利用制图	Landsat与Sentinel-2卫星数据	通过影像分类算法（如监督与非监督分类），识别不同土地利用类型。
森林砍伐监测	Landsat卫星	通过比较历史与当前影像，分析森林覆盖率的变化，识别砍伐区域。
野生动物监测	无人机和卫星图像	利用图像处理技术和机器学习算法，监测动物种群数量及其栖息地变化。
火山喷发监测	卫星数据	通过监测热异常和气体排放，结合地震数据，预测火山活动风险。
生态与生物多样性	WWF监测数据	通过遥感技术监测栖息地变化与物种分布，评估生态健康状况。

2.农林业

监测类型	主要数据源	原理
作物长势监测	Landsat与Sentinel-2卫星数据	通过分析NDVI等植被指数，评估作物健康和生长状况。
作物产量预测	MODIS卫星数据	利用植被指数、气象数据和土壤特性建立产量预测模型。
土壤湿度监测	SMAP卫星数据	通过微波遥感技术，分析土壤的电磁特性来测量土壤湿度。
精准农业	无人机和卫星数据	结合高分辨率影像、GIS数据和传感器，优化农业管理与资源使用。
土地种植适宜性	Landsat与Sentinel-2卫星数据	通过分析土壤特性、气候条件与作物需求，评估适宜性。
森林火灾监测	MODIS卫星	通过热成像技术监测火灾热点及其蔓延，结合气象数据。
森林健康评估	卫星数据	通过分析植被指数和林分结构变化，评估森林生态系统健康。

地质矿业

监测类型	主要数据源	原理
矿产资源勘探	地震勘探与卫星数据	通过地质反射波分析，确定地下矿藏的分布与特征。
地质测绘	Landsat卫星数据	利用遥感影像生成地质构造图，分析地表特征与矿产资源。
地质灾害监测	InSAR技术	通过分析相位差变化，监测地表变形及其与地质活动的关联。
地面变形监测	InSAR技术	通过多时相影像比较，检测地表下沉或隆起现象，评估地质稳定性。

3.考古

监测类型	主要数据源	原理
探地雷达勘测	LiDAR与GPR数据	通过发射雷达波，分析反射信号探测地下结构与文物位置。
文物分析	高光谱成像	通过不同波长光的反射和吸收特性，分析材料成分与年代。

4.商业与保险

监测类型	主要数据源	原理
供应链物流监控	GPS与卫星数据	实时定位与跟踪货物运输，通过数据分析优化物流管理。
市场机会识别	卫星图像与大数据分析	结合人流量、消费行为等数据，识别市场趋势与机会。
财产保险	高分辨率卫星图像	通过分析土地特征与风险区域，评估保险需求与风险。
洪水风险评估	卫星数据	结合水文模型与历史数据，评估洪水对财产的潜在威胁。
汽车保险	远程信息处理设备	通过驾驶行为数据（如加速、刹车）评估驾驶风险。

5.导航

监测类型	主要数据源	原理
全球导航卫星系统	GNSS系统	通过接收多个卫星信号，计算用户的精确位置，结合大气模型校正误差。
船舶与航空导航	雷达与气象卫星	利用多种传感器（雷达、气象数据）实时监测天气与海洋状况，确保安全导航。

6.海洋学

监测类型	主要数据源	原理
洋流监测	Jason-3与Sentinel-6卫星	通过监测海面高度变化，推断洋流速度与方向。
沿海区管理	激光雷达LiDAR数据	通过测量海岸线变化，评估侵蚀与环境管理策略。
海洋表面温度	MODIS与AVHRR卫星	利用热辐射数据生成温度图，分析海洋热异常。
海洋地形绘制	多波束声纳与侧扫声纳	通过声波反射获取海底地形信息，绘制三维地形图。
海洋颜色观察	SeaWiFS与MODIS卫星	通过光谱分析监测海水颜色，推断藻类和生态健康。
海洋天气预报	MetOp与NOAA卫星	利用遥感数据进行数值天气预报，监测海洋天气变化。

7.DEM及相关

监测类型	主要数据源	原理
DEM生成	LiDAR、InSAR与摄影测量	通过激光或雷达技术获取地面高度数据，生成数字高程模型。
海拔变化监测	多次获取DEM	通过比较不同时间点的高程数据，监测地貌变化与环境影响。
地形与地质研究	GIS与遥感影像	结合多种数据来源分析地形特征与地质构造。
建筑业应用	LiDAR等技术	通过生成DEM评估地形对建筑设计与施工的影响。

好的，以下是关于城市规划监测的详细信息，包括原理。

8.城市规划

监测类型	主要数据源	原理
城市扩展监测	Sentinel-2与Landsat卫星数据	通过遥感影像分析城市边界变化和土地利用类型，评估城市扩展情况。
交通流量监测	GPS与交通摄像头	通过实时数据收集与分析，评估交通流量、拥堵状况和出行模式。
建筑物高度监测	LiDAR与无人机遥感	利用激光测距技术和航拍影像，测量建筑物高度及其分布情况。
空间规划分析	GIS与遥感数据	结合地理信息系统分析空间资源分布与利用，优化土地使用规划。
社区服务设施监测	卫星图像与社会经济数据	通过空间分析评估社区服务设施（如医院、学校）的可达性与分布。
噪声污染监测	声学传感器与卫星数据	通过实地测量与遥感数据结合，分析城市噪声污染源及其影响。
绿地与公共空间评估	遥感影像与实地调查	通过分析绿地覆盖率及其对城市环境的影响，优化城市绿化规划。
灾害风险评估	卫星数据与历史灾害记录	结合地形、气候与历史数据，评估城市在自然灾害中的脆弱性。