企业官网建设流程全解析

做了快十年的遥感应用，我越来越觉得“土地利用变化监测”这件事，表面上看是个技术活，实际上是一场数据之间的“跨时空对话”。手里握着从1972年Landsat 1发射到2023年Sentinel-2持续回传的半个世纪影像，但要把这些分辨率不同、传感器不同、甚至波段设置都略有差异的数据，揉成一个连续、可比较的长期变化监测模型，远没有想象中那么“一键导出”。

这篇文章不打算重复那些官方文档里的数据介绍，我从实际干活的角度出发，把用Landsat和Sentinel构建长期土地利用变化监测模型的完整思路、操作细节和踩坑经验整理出来。内容覆盖数据源梳理、预处理一致性处理、特征集构建、分类与变化检测方法选型，以及一个可复现的完整案例。无论你是刚开始接触遥感变化监测的学生，还是已经跑过一些流程但被时间序列一致性折磨过的从业者，这篇文章应该都能帮上忙。

1. 跨越半个世纪的数据拼图：Landsat与Sentinel各自的家底和互补逻辑

很多人一上来就想用“最新最好的数据”，但长期变化监测的核心不是“最新的数据”，而是“连续可比的历史数据”。所以动手之前，必须对手里的数据牌面有个清醒认知。

1.1 Landsat系列传感器盘点：从MSS到OLI-2的时间线

Landsat系列是地球观测历史上持续时间最长的计划，从1972年Landsat 1携带MSS传感器上天开始，到现在Landsat 9的OLI-2在轨运行，整整跨越了半个世纪。我习惯把Landsat家族按“能直接可比”的代数粗略分组：

• MSS时代（1972—1992）：Landsat 1—5搭载的MSS传感器，空间分辨率约60米（早期80米），只有4个波段（绿、红、近红外加一个热红外，但热红外不常用）。MSS数据在2000年以后研究用得少了，但如果你想做1970—1980年代的土地利用基底，它几乎是唯一选择。注意MSS的波段设置和后来的TM/ETM+/OLI差异很大，NDVI算出来的数值范围和TM系列不完全一致，做时间序列时必须单独处理这一段的辐射归一化。

• TM/ETM+时代（1984—至今）：Landsat 4/5的TM传感器开启了30米分辨率时代，波段增加到7个，新增了短波红外（SWIR），这对植被、土壤、水体识别是质的飞跃。Landsat 7的ETM+基本延续TM的波段设计，但多了全色波段。这段数据的最大问题是Landsat 7在2003年之后扫描线校正器故障（SLC-off），影像出现条带状空隙。

• OLI/OLI-2时代（2013—至今）：Landsat 8的OLI和Landsat 9的OLI-2在波段设置上做了调整：近红外收窄、新增深蓝海岸波段和卷云波段。更重要的是，OLI的辐射分辨率从8位提升到16位，信噪比大幅提高，与Sentinel-2的光谱一致性也更好。

不同传感器之间波段宽度、光谱响应函数的差异，直接决定了同一条地物在不同传感器上表现出的反射率不同。这就是长期监测里最致命的“伪变化”来源之一。

1.2 Sentinel-2为什么能补上Landsat的空窗

Landsat的时间分辨率是16天重访（Landsat 8和9叠加后8天），这个频率对年度或几年尺度的变化监测够用，但对季节性的、快速的土地变化（比如一次洪水后的农田受灾、某个季度的城市施工占地）就显得力不从心。

Sentinel-2A和2B两颗卫星组网后，重访周期缩短到5天，而且空间分辨率达到10米。更重要的是，Sentinel-2搭载的MSI传感器在波段设计上继承并扩展了Landsat的核心波段——蓝、绿、红、近红外、两个短波红外都有，额外多了三个红边波段。

这意味着Landsat 8/9 OLI和Sentinel-2 MSI之间存在一个“光谱公共子集”，可以通过波段匹配和回归校正来统一，让2013年之前只有Landsat，2015年之后Landsat和Sentinel双源并行的数据在时间序列上保持一致。

1.3 两者的波段对应关系与分辨率差异要怎么处理

我整理了一张常用的波段对应表，这是做跨传感器数据融合的基础。

分辨率差异的处理逻辑是这样的：如果最终制图单元是30米，就把Sentinel-2的10米波段重采样到30米；如果你想吃10米的红利，就得把Landsat重采样到10米。但从时间序列一致性角度，我强烈建议统一到30米——因为历史Landsat数据只有30米，强行升采样到10米只是画面变细腻，信息量并不会凭空多出来，反而增加了计算负担。

2. 数据准备阶段最容易翻车的四个细节

数据准备决定了模型的底线。这一步出问题，后面分类精度再高都是假的。我在这个环节踩过的坑，每一个都价值好几个通宵。

2.1 千万别搞错WRS条带号和轨道号

Landsat用的是WRS（Worldwide Reference System）行列号来组织影像，而Sentinel-2用的是MGRS（Military Grid Reference System）的轨道号。很多新手在GEE里直接按“区域+时间”搜索影像，GEE会帮你自动匹配，但如果要下载单景数据，就绕不开这两个系统的差异。

以中国为例，一个研究区往往横跨多个WRS条带，而Sentinel-2的轨道覆盖方式和Landsat完全不同。同一块地在两者影像上的空间范围、重叠区、云覆盖情况都不一样。我的建议是：先确定研究区的矢量边界，再去查它覆盖了哪些Landsat条带和哪些Sentinel-2轨道号，分别建立数据清单，不要混在一起找。

2.2 云量筛选、去云算法和表面反射率产品的选择

云是光学遥感的永恒敌人。长期变化监测的时间序列里，每个时相都可能混入云污染像元，如果不去除干净，会在分类阶段被误判为“变化”。

具体建议：

• 优先使用表面反射率（Surface Reflectance, SR）产品，而不是大气顶层反射率（TOA）。Landsat Collection 2 Level-2和Sentinel-2 Level-2A都是官方大气校正产品，直接省掉了自己跑大气校正的麻烦。
• 云掩膜不要只用官方QA波段。Landsat的QA_PIXEL和Sentinel-2的SCL（Scene Classification Layer）在大范围厚云上表现尚可，但对薄云、云影和山地阴影经常漏检。实测下来，再加上一条光谱阈值规则（比如蓝光波段异常偏高且NDVI偏低判定为云/云影）效果会好很多。
• 每景影像的云量筛选阈值要分季节调整。雨季影像整体云量高，如果死守“云量小于10%”的硬杠杠，很可能某些年份直接没有可用影像。更稳妥的做法是：对每个年份/季节先做“最小云量合成”，用年度内所有可用影像合成一幅无云代表影像，而不是依赖单景。

2.3 坐标参考系统与重采样基准的统一

这是最容易忽视但对后续分析影响深远的一步。Landsat和Sentinel-2的原始产品在UTM投影下都是按各自轨道参数输出的，把它们叠加到一起时，像元边界并不严格对齐。哪怕差半个像元，在逐像元的时间序列分析中都会产生大量边缘噪点。

统一标准的做法是：

1. 统一投影到研究区所在的UTM带，或使用Albers等积投影（面积量算更准）。
2. 设定统一的像元尺寸，长期序列建议30米。
3. 重采样算法建议用双线性或三次卷积，不要用最近邻——最近邻虽然保留了原始值，但会产生半像元的系统偏移。
4. 所有年份的影像都对齐到同一套参考网格。在GEE里可以通过reproject()指定同一CRS来实现，但要注意性能开销。

注意：重采样本质上是对原始信息做了一次平滑，意味着极端像元值（比如纯水体）会被周围地物稀释。如果研究区地物斑块很小，要慎重考虑30米重采样后能否保留有效信号。

2.4 训练样本的时相问题：用2015年的样本去分类2023年一定会出事

这是长期变化监测里的经典陷阱。训练样本必须有明确的时相标注：一个标注为“耕地”的样本，在2015年确实是耕地，但到了2023年可能已经是建设用地了。如果用一个“任意年份”的样本集去训练所有年份的分类器，等于逼着模型混淆时间上的地物变化。

我解决这个问题的方法分两步：

• 按年份构建样本集：每个分类年份单独解译一批样本，样本量不需要特别大（每类100—200个像元点就够），但必须保证该年份的历史影像上人工确认。
• 对稳定像元作“交年验证”：在所有分类年份都保持相同类型的像元（比如在1985、1995、2005、2015、2023都是林地），可以作为“时间稳定训练样本”跨年份使用，大幅减少重复解译的工作量。

3. 构建一致化特征集：光谱、指数与物候特征的选择

分类器吃进去的特征决定了它能从影像里“看到”什么。长期变化监测的特征集不能只看单期影像的光谱值，还要考虑时间维的稳定性。

3.1 核心光谱波段怎么选

对于Landsat和Sentinel的跨传感器分类特征集，我建议只选共同具备的波段：蓝、绿、红、近红外、短波红外1、短波红外2。这六个波段在Landsat 5 TM一直到Sentinel-2 MSI之间是连续的，可以保证特征空间的一致性。

红边波段（Sentinel-2独有）对植被胁迫很敏感，但Landsat没有，强行加入会导致2015年前后的特征维度不一致。我的方案是：分类主模型用六波段公共子集，红边波段只在Sentinel-2单源分类或2015年以后的子模型里作为补充特征使用。

3.2 植被指数和水体指数在长期监测里的作用

光谱指数是压缩信息、突出地物差异的利器，在长期监测里我常用这几个：

• NDVI（归一化植被指数）：区分植被和非植被，监测植被退化、农业活动。
• NDWI（归一化水体指数）：对水体敏感，但建筑也容易混入，建议配合MNDWI（改进型归一化差异水体指数）一起用，MNDWI用绿波段和SWIR1计算，对建筑用地的抑制效果好得多。
• EVI（增强型植被指数）：在高植被覆盖区比NDVI更不容易饱和，适合森林监测。
• NBR（归一化燃烧比）：对火烧迹地非常敏感，做森林干扰监测会用到。

指数的跨传感器一致性比单波段更好，因为比值运算可以抵消一部分辐射定标差异。但注意不同传感器的光谱响应函数仍有细微差别，指数阈值不能无条件跨传感器套用。

3.3 时间维特征的三种堆叠方式

长期变化监测模型的“长期”体现在哪里？就体现在时间特征的利用方式上。我常用三种方式：

第一种：年度合成影像序列堆叠（最常用）
把每年生长季的多期影像合成一幅代表影像（取中值、均值或绿峰NDVI值），得到一组年度合成影像，然后逐年分类后再做变化分析。优点是计算量适中，分类解释性强；缺点是丢失了年内的季节动态。

第二种：时间序列光谱轨迹拟合
对每个像元提取多年的NDVI或波段反射率时间序列，用时间序列分解或断点检测算法（如LandTrendr、BFAST）识别变化发生的时间和强度。这种方式适合检测渐变（植被退化）和突变（森林砍伐、城市开发），但需要较长的连续时间序列支撑，且计算量大。

第三种：季节/物候特征矩阵
比如把每个月或每个季节的NDVI最大值、最小值、峰值时间、生长季长度作为特征。这对耕地和自然植被的区分特别有效，但对数据连续性要求高，有些年份云多导致物候特征缺失，需要插补。

我的经验是：在大区域快速制图时用第一种，在典型样区深度分析时用第二种，在农业区做作物类型识别时用第三种。长期监测模型大多时候是第一种和第二种的组合。

4. 选择合适的分类器与变化检测路线

方法选型没有绝对的“最好”，只有“最合适”。在这部分我把我实际用下来比较稳的路线整理出来。

4.1 随机森林在土地利用分类中的地位和参数设置

如果是做土地利用/覆盖分类，随机森林（Random Forest）是我默认的首选分类器。原因有三：一是对高维特征和小样本的过拟合风险低；二是能输出特征重要性，帮助理解哪些波段/指数对分类贡献大；三是GEE里直接支持，不需要自己搭训练环境。

我在实际项目里的参数设置参考：

• 决策树数量（nTrees）：常用500棵，超过这个数精度提升趋于平缓，但计算时间大幅增加。
• 每节点随机特征数（maxFeatures）：默认是特征总数的平方根，如果特征维数很高可以适当调大。我自己常用sqrt，裸波段+指数总共十几个特征时表现稳定。
• 最小叶子节点数：默认即可，不必过度调优。随机森林对超参数不敏感，这点比SVM和神经网络友好得多。

需要警惕的是随机森林的“外推无力”特点：训练样本如果漏掉了某种地物类型（比如高海拔区域的特殊植被），模型会对这种地物强行分配到已知类别，且没有置信度提示。所以分类完成后一定要做类别分布合理性检查，结合地形和先验知识排除明显的“伪类别”。

4.2 三个主流变化检测思路：逐期分类后比较、时间序列断点检测、光谱轨迹拟合

长期变化监测的本质是找出“什么时候、在哪里、发生了什么样的地表变化”。三条技术路线对应不同的问题：

路线一：逐期分类后比较（Post-classification Comparison）
最简单直观，每年或每几年分类一次，然后对比分类图，统计地物类型转移矩阵。优点是结果容易解释，直接输出“从A变成B”的直观图；缺点是误差会累计——两期分类各自的误差叠加，可能把“分类错误”误判为“真实变化”。我的对策是设置最小变化图斑面积（比如小于3×3像元的孤立变化斑块直接滤掉），并用时间一致性约束（一段时期内变化只发生一次且没有回跳）。

路线二：时间序列断点检测（Breakpoint Detection）
代表算法是BFAST和它的变体。对每个像元的时间序列，检测光谱值发生的突变点，判断是持续改变还是短暂扰动。这类方法对森林砍伐、矿山开采、城市扩张这类“突变事件”非常敏感，但对缓慢渐变（如荒漠化）识别不强。

路线三：光谱轨迹拟合（Trajectory Fitting）
LandTrendr是这个思路的经典算法。它用分段线性函数拟合每个像元的年度光谱轨迹，然后提取“变化起始年份、变化持续时间、变化幅度”等参数。我把LandTrendr用在森林干扰和恢复监测上，效果比单独分类后比较更平滑，而且能区分一次性干扰和持续退化。

实际项目里，我通常用路线一打底（输出最终的逐年土地覆盖分类产品），用路线二和路线三做变化“热点”的精细筛查，最后把两类结果交叉验证。

4.3 分类后比较的误差累积和滤波处理

逐期分类后比较最大的坑就是误差累积。假设每一期分类的总体精度是85%（这已经是不错的水平了），两期分类图对比时，理论误差率会上升到1-(0.85×0.85)≈28%的水平。也就是说，你看到的变化图斑里，可能有接近三成的“变化”其实是±12%分类误差造成的。

滤波处理有几招实测有效：

• 时间光滑约束：不是所有像元都可以随年份自由变化。比如林地变成了耕地可以，但耕地变林地再变耕地这种“反复横跳”，大概率是分类误差。在时间序列上加了“最大有效变化次数”约束（常见设为1—2次），能明显抑制伪变化。
• 空间滤波：对分类后的变化图做多数滤波（Majority Filter），半径设3×3或5×5像元，去掉椒盐噪声。但注意滤波会边缘平滑，对细碎地物（农村房屋、小坑塘）不友好。
• 最小图斑面积：小于一定面积（如0.27公顷，约等于30米×30米的3×3窗口）的独立变化斑块直接删除，因为这种极小斑块多半是误分类或配准误差。

5. 从2000到2023的一段实操案例：以快速城市化区域为例

前面讲了那么多原理和方法论，接下来我把自己跑过的一个完整案例过程拆开来讲，数据、代码逻辑、参数、验证方式都尽量还原，方便你照着复现。

5.1 案例区选择与数据清单

我选了一个典型快速城市化区域的城乡结合部作为案例，面积约50公里×60公里。这里从2000年以耕地和林地为主，到2023年大量转变为建设用地，中间还夹杂着零星的水体变化，非常适合展示长期变化监测流程。

数据清单如下：

5.2 分类体系、特征集和分类流程

分类体系用了五类，够用且不容易混淆：水体、建设用地、耕地、林地、草地。类别再细分（比如水田和旱地、常绿林和落叶林）当然信息量更大，但对历史影像的样本解译难度会指数级上升，我先保证了连续可比的基本盘。

分类流程分成四步：

第一步：构建年度生长季合成影像
每年的6月—9月（植被生长季）取所有可用影像，去云后用中值合成，输出六波段合成影像。中值比均值抗噪声强，比最大值合成更稳定。

第二步：计算光谱指数
在六波段基础上增加NDVI、EVI、MNDWI、NBR四个指数。最终分类特征集一共10个特征：蓝、绿、红、近红外、SWIR1、SWIR2、NDVI、EVI、MNDWI、NBR。

第三步：样本解译与模型训练
每年人工解译600—800个样本像元（每类120—160个），训练随机森林分类器（500棵树）。训练后计算每类的混淆矩阵，确认用户精度和生产者精度都在80%以上。

第四步：分类后处理
5×5多数滤波 + 最小图斑面积过滤（0.27公顷），再叠加时间一致性约束。

GEE里核心训练代码大概长这样（简版逻辑）：

// 以2015年为例 var image2015 = composite2015.select(bands).addBands(indices2015); var sample = trainingPoints2015.randomColumn('split', 0.7); var trainSet = sample.filter(ee.Filter.lt('split', 0.7)); var testSet = sample.filter(ee.Filter.gte('split', 0.7)); var classifier = ee.Classifier.smileRandomForest(500).train({ features: trainSet, classProperty: 'class', inputProperties: featureBands }); var classified = image2015.classify(classifier);

需要说明的是，这里代码只是示意，实际项目里年度循环、样本管理、精度验证都要封装成可复用的函数，否则逐年跑会累死。

5.3 分类结果与转移矩阵解读

做完2000、2005、2010、2015、2020、2023共6期分类，我统计了逐期的面积变化。最核心的变化链条是耕地→建设用地：2000年耕地占42%，到2023年降到21%；建设用地从15%涨到34%。

分类后比较输出的转移矩阵能清楚看到这种转换的“来龙去脉”。矩阵里有两类信号值得关注：

• 真实变化信号（比如耕地→建设用地，面积大、方向单一、时间上不回跳）
• 疑似噪声信号（比如耕地→草地→耕地，面积小、时间上反复横跳）

我把后者单独提取出来做空间可视化，发现基本分布在坡度较大的山地边缘和河流两侧，原因是混合像元和大阴影。这类区域建议在结果解释时标注为“低置信区”，而不是直接改判类别。

5.4 精度验证怎么做才不被审稿人怼

如果成果要发论文或用于正式报告，精度验证不能只给一个“总体精度80%”就完事。我的验证流程是：

• 分层随机抽样：按类别分层抽样，每类不少于50个样本点，参考影像用当年最高分辨率可用影像（Google Earth历史影像、Sentinel-2真彩色、甚至无人机正射）。
• 报告完整混淆矩阵：不仅给总体精度，还给出每类的生产者精度和用户精度。
• 用面积误差修正后的面积估计：直接用分类图统计面积会带偏差，用混淆矩阵的像元计数和误差比例修正面积，比如用Good Practice Guidance的估算公式。
• 报告时间验证样本的时相来源：每个验证样本都标注参考的是哪一年的哪一景影像，避免同源验证。

这套流程跑下来，审稿人要的“分类精度评估”“样本设计和不确定性分析”就都有据可答了。

6. 长期时间序列里那些“看不见的坑”

最后这部分是我最想分享的，因为这些问题在教科书和官方文档里很少被正面提及，但做长期监测一定会撞上。

6.1 Landsat 7条带：2003年后的ETM+数据怎么“缝补”

2003年5月Landsat 7的扫描线校正器坏了，此后所有ETM+影像都出现约22%的数据空隙，呈平行条带状。如果你研究期覆盖2003—2012年，Landsat 5 TM是更好的主力数据；但如果研究区Landsat 5覆盖稀少，Landsat 7 SLC-off数据也得硬着头皮用。

处理办法有两个：

• 多期融合：用同一时间段的多期SLC-off影像做中值合成，条带空隙可以被其他期次的数据填补。
• 局部插值：用相邻像元和邻近年份的NDVI序列做局部线性插值，填补条带区。但这只适合指数型特征，不适合原始波段值。

6.2 Landsat 8 OLI与Sentinel-2 MSI的光谱差异校正

把Landsat 8 OLI和Sentinel-2 MSI直接混在一起做时间序列，会遇到约2%—5%的反射率偏差，因为两者的光谱响应函数并不完全一致。即使在GEE里，也不能简单地把两个collection合并起来当同一传感器用。

推荐做法是参考Roy等人提出的交叉校正系数，把Sentinel-2的波段向Landsat 8 OLI对齐（因为Landsat有更长的历史延续性）。GEE里可以用线性回归对重叠期影像做逐波段的斜率/截距校正，或者使用已知系数表。

校正后务必抽样验证：选取光谱稳定的地物（大型水体、机场跑道、裸岩），比较校正前和校正后的反射率时间序列，看系统偏差是否降到1%以内。

6.3 时间序列中的伪变化：物候差异、太阳高度角、BRDF效应

真正的土地变化信号可能只有反射率变化幅度的百分之几，而物候差异带来的伪变化随时可能淹没真信号。每一年的影像成像日期不同，植被的物候阶段不同，即使同一块林地，5月和9月的NDVI差异也可能超过“森林退化”的NDVI变化阈值。

规避伪变化的组合拳：

• 合成窗口固定：所有年份都用同一时段（如生长季6—9月）合成，不要一年用春天、下一年用秋天。
• 地形校正：坡度大的区域，太阳高度角差异会造成明显的视角反射差异，建议加入地形归一化处理。
• 用非植被指数交叉验证：比如发现一个像元NDVI下降了20%，但SWIR2没有同步变化，那么这个“变化”很可能是物候噪声而非真实干扰。

6.4 用时间一致性“清洗”最终变化产品

最后再强调一次时间一致性在长时序里的价值。只靠单期分类后比较，即使做了空间滤波，变化产品里仍然容易残留大量时序跳变。我在最终产品输出前会增加一道“时间滤波”：

1. 对每个像元生成分类历史序列（如：林地-林地-耕地-耕地-耕地）。
2. 检测并修正“单期跳变”模式（如：林地-耕地-林地），如果中间状态的持续时间不足两年，判定为误差，用前后邻期众数替代。
3. 对变化点做“年际间平滑”，只保留持续两年以上的变化事件。

这个过程在GEE里用ee.Reducer.mode()和数组滑动窗口就能实现。跑完之后再看变化图，干净程度会提升一个档次。

我做长期变化监测项目有个体会：流程里的每一步单拎出来都不难，难的是把每一步的一致性控制住——波段一致、特征一致、样本一致、验证一致。只要中间任何一环“差不多就行”，最终产品里那些细微但关键的长期趋势，就会被噪声盖得严严实实。从1972年到现在，Landsat和Sentinel为我们提供了一份独特而珍贵的地球表面历史档案。当你用一套严谨的流程把这些数据真正“对齐”、让它们开口讲述半个世纪的土地变迁时，那种感觉和单纯跑出一张分类图完全不一样。

最后分享一个实操建议：做一个长期监测项目前，先花时间把数据清单和特征集设计文档写清楚，哪怕看起来很繁琐。因为这个决定一旦做错，后面所有年份的分类结果都要推翻重来，而数据准备往往占据了整个项目60%以上时间。把时间序列的“一致性账本”算在前面，后面才能睡得着觉。