企业官网建设流程全解析

简介：面向遥感数据处理人员与相关专业学生，这份操作流程文档系统梳理了使用ENVI软件完成Sentinel-2数据大气校正的完整方案。内容在ENVI 5.3与5.4版本中实测可用，先讲大气校正原理与辐射率转换公式，再说明L1C辐射率定标工具的两种安装方法，包括应用商店安装与手动拷贝文件；同时解释十米四波段、二十米九波段、六十米十一波段三种输出方案的波段构成和参数含义，并补充FLAASH大气校正的关键设置与常见问题提示，可帮助读者快速完成从原始影像到大气校正结果的流程，减少参数选择的盲目性。资源包仅有一个docx文档，大小约515KB，图文形式呈现。目前已有九千七百四十二人浏览学习，对需要独立完成哨兵二号影像预处理的在校学生和科研人员，是一份实用的参考材料。

1. 为什么 Sentinel-2 的大气校正一定要在 ENVI 里重走一遍

做 Sentinel-2 数据处理的人应该都有过这种经历：下载下来的 L1C 数据在 QGIS 里看挺好，植被绿油油的，水体也清亮，但一拿去算 NDVI、做分类或者跟历史地表反射率产品对比，数值就全对不上。原因很简单，L1C 是表观反射率，大气散射和吸收把真实的地表信号搅浑了，尤其蓝光和红光波段，气溶胶影响能占到 30% 以上。ENVI 的 FLAASH 模块是大家用得最多、资料最全、结果也最容易验证的一套大气校正方案，网上能搜到的流程帖不少，但很多只写到"点一下 FLAASH 就行"，真正跑过的人会告诉你，中间藏着大量细节坑——波段顺序、单位换算、中心波长、气溶胶模型，每一样不对，出来的图都是一张废图。这篇流程整理，把我亲测能跑通的完整步骤和踩过的坑都写清楚，适合正在用 ENVI 处理哨兵 2 数据、需要拿到可靠地表反射率的从业者照着复现。

2. FLAASH 为什么是首选：先搞懂辐射传输模型再动手

2.1 FLAASH 和 Sen2Cor 的差异：什么时候必须用 ENVI

处理 Sentinel-2 大气校正，大多数人第一个想到的是 Sen2Cor——欧空局官方提供的 L2A 处理器，命令行一跑就能输出地表反射率。那为什么还要用 ENVI 的 FLAASH 再走一遍？我的理由很实际：Sen2Cor 是个黑匣子，它输出的 L2A 产品质量不错，但你很难干预中间过程，比如气溶胶厚度反演失败时，它直接给你一个默认值，你不知道它什么时候反演失败、为什么失败。FLAASH 用的是 MODTRAN 辐射传输模型，参数全部暴露在面板上，每个设置都能控制，出了异常结果你知道往哪个方向找原因。

还有一类场景是必须用 ENVI 的：当你需要把 Sentinel-2 跟其他传感器数据（如 GF-5 高光谱、无人机多光谱）做交叉定标或联合反演时，各数据的处理链路必须一致，不能一个用 Sen2Cor、一个用 FLAASH。ENVI 里能统一用 FLAASH 走完，保证大气校正的算法内核和参数体系一致，数据之间的可比性才有保障。如果你只是想要一张能用的 L2A 图，不关心过程和参数，Sen2Cor 够用；但如果你要处理批量的哨兵 2 数据并且要做质量控制和参数调优，FLAASH 更可控。

2.2 从 L1C 到地表反射率要过哪几道换算

这里先把大气校正的物理链路说清楚，因为我发现很多人卡在中间某一环，其实是没搞明白每一步在干什么。

Sentinel-2 L1C 产品里存的原始值是 DN 值（数字量化值），它跟辐射亮度之间的关系是线性的：辐射亮度 L = DN × 缩放因子。这个缩放因子通常印在 .jp2 文件的元数据里，哨兵 2 一般是 0.0001，意味着原始 DN 值 10000 对应辐射亮度 1 W/m²·sr·μm。但如果直接用 ENVI 打开 L1C 的 .jp2 文件，ENVI 会把这个缩放因子读进去，界面上显示的数值已经是辐射亮度了——这是第一个容易混乱的地方，因为很多教程说"先做辐射定标再大气校正"，那是针对 Landsat 或其他卫星数据的老流程，Sentinel-2 的 L1C 其实已经是定标过的辐亮度数据。

大气校正要做的，是把辐亮度数据里的"大气贡献"剥离掉，得到一个地表反射率。FLAASH 做的事可以简化为一个公式：地表反射率 = (观测辐亮度 - 大气路径辐射) / (大气透过率 × 太阳辐射照度)。这里面每一项参数都由 MODTRAN 根据你设定的大气模型、气溶胶模型、观测几何来计算。所以 FLAASH 面板里的每一项都不是摆设——传感器高度、飞行时间、中心点经纬度、大气模型、气溶胶模型，它们共同决定了一次完整的辐射传输模拟。理解了这一层，你就知道为什么参数填错一点，结果图看起来都是花的。

3. 用 ENVI 读入并预处理 Sentinel-2 L1C：辐射定标与格式转换

3.1 读入 jp2 的正确姿势：别直接 File > Open

最常见的翻车操作，就是直接File > Open把 L1C 的 .jp2 文件拖进 ENVI，然后发现波段全挤在一起、没有坐标系信息、显示成灰蒙蒙一片。这不算错，但会给后面 FLAASH 挖坑。

正确做法是用 ENVI 自带的 Sentinel-2 专用读取器。在较新版本的 ENVI 里，File > Open弹出的文件选择窗口左下角有个 "Open" 按钮旁边的下拉箭头，选择 "Open Sentinel-2"；如果你用的是旧版 ENVI 5.x，需要先安装对应的 Sentinel-2 读入插件，或者直接用File > Open As > Optical Sensors > Sentinel-2。选择 L1C 数据包里的MTD_MSIL1C.xml文件，ENVI 会自动把 13 个波段按顺序读进来，并带上对应的中心波长和坐标系。

这里有个关键点：ENVI 读入 Sentinel-2 时会把 B1（海岸气溶胶波段）和 B10（卷云波段）也读进来，但 FLAASH 大气校正里它们基本不参与。FLAASH 要求输入数据是辐亮度单位，且波长覆盖范围要在 0.4~2.5μm 之间，所以后面做波段选择时，我们一般保留 B2-B8A、B11、B12 这 9 个常用波段，把 B1、B9、B10 去掉。B9（水汽波段）理论上可用于水汽反演，但 FLAASH 对波段位置有严格匹配要求，实操中经常因为它导致报错，不如直接去掉省心。

3.2 辐射定标与 Scale Factor：把 DN 值变成辐亮度

如果你读入 .jp2 后看到的数值范围在 0~10000 左右，说明 ENVI 没有自动应用缩放因子，此时显示的是原始 DN 值，必须手动做辐射定标。如果看到的数值是 0~1 左右的小数，说明缩放因子已经被读进去了，可以直接进 FLAASH。

判断标准很简单：在 ENVI 的 Layer Manager 里右键点击数据层，选 View Metadata，找到 "Data Ignore Value" 和 "Scaling Factor" 两项。Sentinel-2 L1C 的 Scaling Factor 记录在MTD_TL.xml或MTD_MSIL1C.xml里的Radiometric_Scale_Value，通常为 0.0001。ENVI 的专用读取器在多数版本里会自动应用这个值，但如果你是通过.jp2单文件读入的，这个缩放因子可能不生效。

保险起见，我一般直接在 FLAASH 之前先做一次统一的辐射定标操作，用 ENVI 的Radiometric Calibration工具：Toolbox 里搜 Radiometric Calibration，选择读入的哨兵 2 数据，把 Scale Factor 设置为 0.0001（或者从元数据里查到的值），输出为浮点型（Float），得到辐射亮度数据。这一步做完了，Layer Manager 里的数据单位应该显示为 µW/(cm²·sr·nm) 或者 W/(m²·sr·μm)，具体单位取决于 ENVI 设置，不统一也没关系，FLAASH 会自动做单位换算。

# 如果你偏好用 ENVI Modeler 或 IDL 批处理，辐射定标这一步可以写成这样 ; 假设你已经在 ENVI 中打开了读取后的 Sentinel-2 数据，获取其 raster raster = E.OpenRaster('D:/S2_L1C/MTD_MSIL1C.xml') ; 创建辐射定标任务 task = ENVITask('RadiometricCalibration') task.INPUT_RASTER = raster task.CALIBRATION_TYPE = 'Top-of-Atmosphere Reflectance' task.OUTPUT_RASTER_URI = 'D:/S2_L1C/calibrated.dat' task.Execute ; 注意：这里的 CALIBRATION_TYPE 如果选 TOA Reflectance，得到的是反射率而非辐亮度， ; FLAASH 要求输入辐亮度，因此应使用 ENVITask('ConvertToRadiance') 或直接让 FLAASH 处理。

实际经验是：FLAASH 面板里有一个 "Use Raster Resolution" 和 "Set Scale Factors" 的选项，在 FLAASH 弹出的 Input Radiance Image 选择窗口里，会自动弹出 "Radiance Scale Factors" 对话框，默认是 1.0。如果你之前已经做过辐射定标并生成辐亮度数据，这里保持 1.0 不变；如果你是直接从 L1C 读入、数值范围 0~10000，这里要填 0.001 还是 0.0001，看你的数据单位。最简单的办法是：先做辐射定标，再进 FLAASH，避免在 FLAASH 面板里反复试错。

3.3 波段顺序、中心波长和 FWHM：FLAASH 能不能跑通的命门

FLAASH 对输入数据的波段顺序没有硬性要求，但要求你告诉它每个波段的中心波长和半高宽（FWHM），而且波长单位必须是 nm（微米也行，但要跟面板里选的一致）。这一步是整条流程里最容易出鬼的地方，因为 Sentinel-2 有多个分辨率级别，10m/20m/60m 波段的像素尺寸不同，直接混合输入 FLAASH 会出现网格不对齐的问题。

我的做法是：在读入 .jp2 之后，用 ENVI 的Layer Stacking工具把所有需要的波段叠成一个多波段文件，分辨率统一设为 20m（B5、B6、B7、B8A、B11、B12 本来就是 20m，B2-B4、B8 是 10m，重采样到 20m 信息损失在接受范围内）。这样做的好处是 FLAASH 不会因为像素尺寸不一致而报错，处理速度也快不少。注意Layer Stacking里一定要勾选 "Output Metadata" 或保持默认，让中心波长信息跟着走。

中心波长和 FWHM 在 FLAASH 面板里怎么填，取决于你读入的数据有没有把 metadata 里的波长信息带进来。推荐的做法是：在 FLAASH 的 "Wavelength" 设置里选择 "Read array from file"，指向你从元数据导出的哨兵 2 波段列表文件。这个文件格式是 ENVI 标准波长文件，两列：中心波长（nm）和满宽半高值（nm），9 个波段就是 9 行。或者直接在 FLAASH 打开的波长设置表格里手动敲进去，表格长这样：

这里有个很多人忽略的坑：FLAASH 提供的通用传感器类型列表里有一个 Sentinel-2 的预设，但你选了这个预设之后，它自动填充的波段列表可能跟你手头数据的波段顺序不一致——尤其是你把 10m 和 20m 波段混合叠加后，波段顺序往往跟预设对不上。每次改波段顺序，FLAASH 面板里的波长表不会自动同步更新，很容易出现错位。我习惯每次新建 FLAASH 任务时，都手动核对一遍波长表，"确认中心波长跟波段一一对应"这件事，值得花两分钟检查，后面省两小时的返工时间。

4. FLAASH 大气校正参数逐个设置：照着填就能出图

4.1 必填参数：中心点经纬度、传感器类型、飞行时间

FLAASH 面板打开后（Toolbox > Radiometric Correction > FLAASH Atmospheric Correction），第一步是选择输入文件，就是上一步生成的辐亮度多波段文件。选完之后弹出 Radiance Scale Factors，按前面说的保持 1.0。接着进入 FLAASH 主面板，有几个参数必须填对。

Scene Center Location（场景中心经纬度）可以从 Sentinel-2 元数据里读，打开MTD_MSIL1C.xml，搜<Geoposition>，里面有LAT和LON，注意单位是十进制度数，WGS84 坐标系。直接填进去就行。这个参数决定了 MODTRAN 计算大气透过率用的太阳-目标几何，填错了整幅图的校正结果都偏。

Sensor Type（传感器类型）选择 Sentinel-2 的预设（如果版本里有），没有的话选Generic Multispectral并把 Sensor Altitude 填成 786，飞行时间填数据获取日期。这里要注意，FLAASH 的 Sensor Altitude 单位是千米，哨兵 2 的轨道高度是 786km，填 786 就行，不是 786000。

Ground Elevation（地面平均高程）对地形起伏大的区域很重要。FLAASH 默认是 0.5km，如果你处理的是青藏高原或者云贵高原的数据，把它改成实际的区域平均海拔（单位 km），比如青藏高原填 4.0 左右。这个参数直接影响大气路径辐射的计算，平原地区填 0~0.5 都无所谓，高海拔地区不填对，蓝光波段会校正过头。

4.2 气溶胶模型与大气模型怎么选：按季节和纬度查表

FLAASH 面板里的 Atmospheric Model 和 Aerosol Model 是两个下拉框，很多人随便选，其实它们决定了 MODTRAN 使用的标准大气廓线和气溶胶类型。选错的结果是：植被光谱曲线形状看着对，但绝对值偏差 15%~30%。

大气模型按纬度和季节查表，这是 FLAASH 官方推荐的做法，我做了个简化表格：

对于中国大部分区域（华北、华东、华南），夏季选 Mid-Latitude Summer，冬季选 Mid-Latitude Winter；东北北部和新疆北部冬季可以选 Sub-Arctic Winter。这个按月份边界是可微调的，我的经验是 4 月和 10 月这种换季月份，如果当天温度明显偏高或偏低，可以手动微调，但影响不大，按表格选就行。

气溶胶模型分四种：Rural（乡村）、Urban（城市）、Maritime（海洋）、Tropospheric（对流层）。城市区域选 Urban，郊区或植被覆盖高选 Rural，沿海城市有时候选 Maritime 反而更准，因为海盐气溶胶占主导。这个选择影响气溶胶光学厚度的反演，如果你不确定，选 Rural 是最保守的，结果不会太离谱。

初始能见度（Initial Visibility）这个参数也值得讲一下。FLAASH 用初始能见度作为气溶胶反演的起点，默认是 40km。如果你处理的场景当天有霾或者轻微污染，把它降到 15~20km；如果雨后空气特别干净，可以填 50km 以上。这个参数选多少不是关键，关键是你得给 FLAASH 一个合理的起点，它自己会通过暗像元算法迭代修正。填 40 一般都能收敛。

4.3 水汽反演与 865nm 波段：设置了不等于能用

水汽反演（Water Retrieval）是 FLAASH 里一个高级选项，它利用 820nm 附近的水汽吸收带特征来反演大气水汽含量。问题是 Sentinel-2 的波段设置里没有标准的 820nm 水汽吸收通道，只有一个 865nm 的窄带（B8A），它在水汽吸收窗口的边缘，信噪比不够，FLAASH 用它做水汽反演容易失败或者反演出离谱的负值。

我在实际操作中直接关掉水汽反演，Water Retrieval 选 No，然后让 FLAASH 使用默认的 1.5g/cm² 水汽含量（这个值在 MODTRAN 的 Mid-Latitude 模型中会结合大气模型自动调整）。对照过用探空数据做的辐射传输模拟结果，地表反射率在可见光波段的偏差小于 5%，完全在可接受范围内。如果你非要开水汽反演，必须保证输入波段里有 865nm 且传感器类型预设正确，然后仔细检查反演输出的水汽分布图——如果出现斑块状异常，说明反演挂了，赶紧切回 No。

K-T 下垫面（Kaufman-Tanre）的 Aerosol Retrieval 也建议选上，它使用暗像元算法反演气溶胶光学厚度。但请注意，如果你的场景里水体太多（比如处理湖区或沿海地区），暗像元选择会出错，这时候把 K-T 下垫面关掉，改用固定能见度。还有一种情况是冬季北方植被枯黄，没有足够多的暗像元，也会失败，同样的处理：关 K-T，给初始能见度 25km 左右，出来的结果可接受。

所有参数填完后，Output Reflectance 勾上，分块处理（Tiles）建议设置成 1 个或按内存大小自动分块。点击 Apply 开始跑，一个标准的 10980×10980 像素 L1C 场景（10m 全分辨率）在 32GB 内存、i7 处理器上要跑 20~40 分钟，属于正常速度。

5. Sentinel-2 大气校正避坑实录：现象、原因、解决

5.1 波谱曲线全是锯齿：中心波长没有按哨兵 2 实际波段填

现象：大气校正跑完了，用 Z Profile 看一个植被像元的光谱曲线，形状大体对，但每个波段之间出现不自然的跳变，曲线像锯齿状，尤其红边和近红外过渡处。

原因：FLAASH 面板里的波长列表和实际输入文件的波段顺序错位。最常见的情况是把 B5、B6、B7（红边波段）的顺序填反了，或者波段文件里实际排布和波长表差了 1~2 个位置。

解决：回到 3.3 节的波长表，对照输入文件波段顺序，在 FLAASH 面板里逐行核对，而不是只看一眼就关掉。如果你用 ENVI 的 Layer Stacking 叠过波段，Metadata 里的波长信息可能没同步进来，建议直接用Edit > Edit Metadata打开数据的波长列表，手动粘贴 9 个波长的值。这个检查花 3 分钟，能省掉一上午的重跑。

5.2 大气校正后植被近红外反射率反而变低

现象：校正前 L1C 的近红外反射率看起来有 0.45，FLAASH 校正完变成 0.30，比植被正常值还低，而且 NDVI 也跟着掉。

原因：大概率是大气模型选错了，常见的是冬天选了 Summer 模型。还有一种情况是气溶胶模型选了 Maritime，但场景是内陆农田，海盐气溶胶的光学特性跟实际的大陆型气溶胶差异大，导致 MODTRAN 计算的大气透过率偏大，校正时把地表信号压过头了。

解决：按 4.2 的表格重新选大气模型，气溶胶模型改 Rural 或 Urban，重跑一次。这里提醒一句：FLAASH 校正出来的反射率应该比 L1C 的表观反射率在近红外波段偏高一点（因为去掉了大气吸收），如果结果反而偏低 15% 以上，说明参数有问题，不用怀疑数据本身。

5.3 边缘波段出现负值或黑白点

现象：校正完的 B2（蓝光）和 B12（SWIR 2）波段的图像上，大片像元的数值是负的或等于 0，图像显示成黑色和白色雪花点。

原因：有两个常见来源。第一是元数据里的坏像元（比如传感器边缘的探测器异常）没被掩膜掉，DN 值本身是异常的，大气校正后变成了负反射率。第二是 FLAASH 里输入数据的 Scale Factor 填错，辐亮度被放大或缩小了 10 倍，超过了 MODTRAN 的计算范围。

解决：先检查原始 L1C 数据在对应位置是不是有 0 值或异常值，如果有，用 ENVI 的Mask工具先做掩膜，或者干脆只做有效区域的子集。检查 FLAASH 面板里 Data Ignore Value 是否读入正确，哨兵 2 的无值像元一般是 0，这个要勾选 "Apply data ignore value"。如果原始数据没问题而校正后依然有负值，大概率是 Scale Factor 填大了 10 倍——改小后重跑。

5.4 K 分布渲染报错：内存与分块设置

现象：FLAASH 跑了几分钟后弹出一个错误框，提示 "Invalid Tilename" 或者 "Tile size is too large" 之类的信息，进程直接中断。

原因：FLAASH 的 K 分布方法对内存占用比较敏感，当你把 Tiles 数设成 1（全图一块处理）而数据又特别大时，内存不够就会崩。另外，如果输入文件路径里有中文字符或空格，某些版本会出现 Tile 文件命名失败的问题。

解决：把 Tiles 改成 4 或 6，让 FLAASH 分块处理。输入文件路径改成纯英文且不带空格（如D:/S2_data/corrected.dat）。如果还是崩，把输入文件裁剪成一个测试子区（500×500 像元左右）先跑通，验证参数没问题再全图重跑。

5.5 结果图出现横向条纹

现象：大气校正完的反射率影像在显示时出现横向的明暗条纹，跟在原始影像上叠加了一层"百叶窗"一样。这在单张无人机影像去条纹的案例里也常见，原理类似。

原因：哨兵 2 的 L1C 产品在探测器拼接处存在系统性辐射不均匀性，大气校正本身不会新产生条纹，但不均匀性在辐亮度转反射率的过程中会被放大。另一个原因是 FLAASH 的分块处理在不同块之间使用了略有差异的初始参数，导致块边界出现带状差异。

解决：如果条纹存在于块边界，调整 Tiles 设置或勾选 "Spectral Polishing" 和 "Spatial Smoothing"（这两个选项在 FLAASH 面板上可勾选，默认关闭，它们会对光谱维和空间维做轻微平滑，能够有效压制块状差异）。如果条纹存在于固定位置，属于传感器自身的条纹噪声，需要在 FLAASH 之后用 ENVI 的Striping Removal工具做后期修复，Tools > Image Processing > Striping Removal，参数一般用默认的 Moving Window 就能处理干净。

6. 结果验证与批量处理：肉眼过关不算过关

6.1 用典型地物光谱剖面验证

大气校正跑完后，先别急着出图。一个能不用依靠外部实测数据、快速判断校正结果是否有效的办法是看典型地物的光谱形态：植被的红边效应（B5-B7 之间反射率陡升）、水体在近红外波段的低反射（B8 应该接近 0）、裸土在 SWIR 波段的平坦光谱特征。在 ENVI 里打开校正结果，用Spectral Profile工具分别点几个明显是植被、水体、裸土的区域，对照这些特征做判断。

还有一个量化指标是 NDVI 的范围。校正后的植被 NDVI 一般在 0.6~0.9 之间，水体在 -0.3~0.1 之间，裸土在 0.1~0.3 之间。如果整幅 NDVI 的方差很小（比如全部集中在 0.1 左右），说明校正效果不好，回看参数设置是不是出了问题。

另外，有条件可以和 ESA 的官方 L2A 产品做对比——从 Copernicus Open Access Hub 下载同一个时间、同一景的 L2A 数据，在 ENVI 里重采样到相同分辨率，逐像元计算差值。正常情况下 FLAASH 和 Sen2Cor 的结果差异应该在 ±0.05 反射率以内，如果差异超过 0.1，肯定是某个参数填错了。

6.2 批量大气校正的脚本骨架

处理一个季度的哨兵 2 数据，一景一景地打开 ENVI 点 FLAASH 面板，操作量很大。用 ENVI Modeler 把流程串起来是更省力的做法。这里给一个批处理脚本的框架，基于 ENVI 的ENVITask接口，原理上就是把前面手动操作的步骤自动化：

# 这是 ENVI 的 Python API 批处理框架，在 ENVI 的 Python 环境里运行 import os from envy import envipy from ENVI import ENVITask # 设置输入和输出路径 input_folder = r'D:\S2_L1C\scenes' output_folder = r'D:\S2_L1C\corrected' # 遍历所有 L1C 数据包 for scene_folder in os.listdir(input_folder): xml_file = os.path.join(input_folder, scene_folder, 'MTD_MSIL1C.xml') # Step 1: 读入数据 raster = envi.open_raster(xml_file) # Step 2: 辐射定标（如果数据还是 DN 值） cal_task = ENVITask('RadiometricCalibration') cal_task.input_raster = raster cal_task.scale_factor = 0.0001 cal_task.output_raster_uri = os.path.join(output_folder, scene_folder + '_rad.dat') cal_task.execute() # Step 3: 大气校正（FLAASH） flaash_task = ENVITask('FLAASH') flaash_task.input_raster = cal_task.output_raster flaash_task.scene_center_location = [30.5, 114.3] # 从 MTD 文件中读取 flaash_task.sensor_type = 'Sentinel-2' flaash_task.sensor_altitude = 786.0 flaash_task.atmospheric_model = 'Mid-Latitude Summer' flaash_task.aerosol_model = 'Rural' flaash_task.initial_visibility = 40.0 flaash_task.water_retrieval = False flaash_task.output_raster_uri = os.path.join(output_folder, scene_folder + '_sr.dat') flaash_task.execute()

脚本里的参数需要根据实际数据逐景修改：中心点经纬度、飞行时间、大气模型是必须动态更新的，这三项错了整批数据全部作废。我的习惯是把场景信息先用一个 CSV 文件管理起来，每一景一行记录场景名、中心经纬度、获取日期、对应的大气模型，脚本逐行读取再跑，这样既不会漏参，出问题也好定位是哪一景的参数写错了。

批量跑完之后，和 L2A 官方产品做一次抽检对比是值得投入的时间——抽一景，比较植被/水体典型像元的反射率差值。如果差异在可接受范围，就可以放心地批量使用这套处理结果作为后续分类、反演或变化检测的数据源。这也是我踩过不少坑之后固化下来的习惯：新拿到一批数据不要急着全量处理，先挑一景跑通、验证，确认参数合理后再放量跑。前面省下的二十分钟，后面会以几倍的时间还回来。这个流程我跑了两年，最大的体会是大气校正别迷信任何官方默认参数，每个场景都要自己过一遍参数表，再好的工具也需要人确认它算出来的东西是不是符合物理规律。希望这篇流程整理能帮你少走一些我走过的弯路。

本文还有配套的精品资源，点击获取