企业官网建设流程全解析

遥感卫星影像这东西，刚入行的时候我也被各种"级别"绕得头晕。L0、L1、L2、L3、L4，还有1A、1B、2A、2B、2C，不同机构叫法还不一样，拿到一份数据说明书翻半天也搞不清到底能不能直接拿来用。后来项目做多了才慢慢摸清楚，这些级别本质上就是一条从"原始电信号"到"可直接分析的产品"的加工流水线，每一级对应一种处理深度，也对应不同的使用场景和成本。这篇内容我想把这条流水线从头到尾拆一遍，顺带把卫星影像获取环节里那些容易被忽略的细节讲清楚，包括轨道类型怎么影响重访周期、幅宽和分辨率怎么权衡、订购时该盯哪些参数。不管你是刚接触遥感数据的学生，还是需要为项目选数据的工程师，看完应该能对"我该买哪个级别的数据"这个问题有个清晰的判断框架。

1. 遥感数据产品分级体系的整体设计逻辑

1.1 为什么要有"级别"这个概念

卫星在天上拍完照，下来的东西并不是一张能直接看的图片。传感器记录的是辐射强度对应的数字量化值（DN值），中间夹杂着传感器响应差异、大气干扰、几何畸变、地球曲率影响等等一堆问题。如果每个用户都从原始数据开始自己处理，一来重复劳动巨大，二来没有统一的处理标准，不同人处理出来的结果根本没法比对。产品分级体系就是为了解决这个问题——把处理流程标准化，每一级定义清楚"做了什么处理、还剩什么没做"，用户按需取用。

这个思路跟做菜有点像。L0是刚从地里摘的菜，带泥带土；L1是洗好切好的净菜；L2是配好调料的下锅菜；L3、L4就是直接能端上桌的成品。你厨艺好可以买净菜自己调味，赶时间就直接买成品。级别越高，加工越深，价格越贵，但留给你的灵活调整空间也越小。

1.2 各级别的核心定义与处理深度

虽然不同卫星运营机构的命名有差异，但主流的分级逻辑基本遵循一条主线。下面这张表是我根据常见实践整理的对照关系，具体项目里还是要以数据提供方的最新文档为准。

这里有个容易混淆的点：L1和L2的边界在不同体系里会漂移。有的机构把正射校正放在L1，有的放在L2；有的把大气校正单独列为L2A，把正射校正叫L2B。我踩过的坑是拿着A机构的数据说明书去套B机构的产品，结果发现"2级"根本不是一回事。所以拿到数据第一件事，永远是翻它的产品说明文档，确认这一级到底做了哪些处理步骤，别靠记忆硬套。

1.3 级别选择背后的成本与灵活性权衡

选级别本质上是在"处理成本"和"使用灵活性"之间找平衡点。L1数据保留了辐射信息，适合做定量反演、大气校正算法研究，但你需要自己有正射校正和大气校正的能力，处理链条长、对技术栈要求高。L2数据已经做了大气校正和正射校正，拿到就能算NDVI、做分类，适合业务化应用，但如果你要做的是传感器定标研究，L2反而丢失了原始辐射信息，不合适。

我的经验是：做算法研究选L1，做业务应用选L2，做大范围制图选L3，做专题监测选L4。当然这不是铁律，具体还要看你的项目对精度的要求、团队的处理能力、时间预算。有个项目我一开始图省事直接买了L3镶嵌图，结果后来需要调整辐射归一化参数，发现L3已经做过匀色，原始辐射关系被改动了，只能回头重新买L2。这个教训就是：如果项目后期可能需要调整处理参数，尽量往低级别买，把处理权握在自己手里。

2. 从L0到L4：每一级到底做了什么处理

2.1 L0与L1：辐射定标是分水岭

L0到L1的核心动作是辐射定标，也就是把传感器记录的DN值转换成有物理意义的辐射量。这一步为什么重要？因为不同传感器、不同时间的DN值没有可比性，只有转成辐亮度（单位W/(m²·sr·μm)）或者表观反射率，才能做跨传感器、跨时相的定量分析。

辐射定标通常用线性模型：L = gain × DN + offset，其中gain和offset是定标系数，由卫星运营方定期更新，写在元数据文件里。这里有个实操细节：定标系数是有时效的，传感器会老化，系数会漂移，所以一定要用影像获取时间对应的那版系数，别随手拿个旧文件套上去。我见过有人用两年前的定标系数处理新数据，结果反射率整体偏了百分之几，做变化检测时全是假变化。

L1阶段还会做传感器几何校正，也就是消除传感器内部畸变（比如推扫式传感器的扫描镜非线性），把影像从传感器坐标系转到地心坐标系。但注意，L1通常不做地形校正，在山区你会看到明显的山体位移，这是正常的，别以为是数据质量问题。

2.2 L2：正射校正与大气校正的双重考验

L2是大多数人实际使用的起点，它包含两个关键处理：几何精校正（正射校正）和大气校正。

正射校正解决的是地形起伏导致的像点位移问题。原理是利用DEM（数字高程模型）和卫星轨道参数，把每个像元投影到真实地表位置。这里DEM的精度直接决定校正质量——用30米DEM校正亚米级影像，在陡峭山区残差可能达到几个像元。实操中如果项目对几何精度要求高，建议用更高分辨率的DEM，或者用地面控制点做二次精校正。

大气校正则是消除大气散射和吸收对辐射信号的影响，把表观反射率转成地表反射率。常用方法有辐射传输模型法（如6S、MODTRAN）和暗像元法。暗像元法适合植被茂密区，辐射传输模型法适用性更广但需要大气参数（气溶胶光学厚度、水汽含量等），这些参数可以从影像本身反演，也可以从辅助数据获取。我一般优先用影像自带的大气参数产品，如果没有再用经验模型估算，精度会打折扣但至少能跑通。

注意：大气校正不是万能的。在薄云、阴影、高亮地表（如雪地、沙漠）区域，校正效果会明显下降，这些区域的分析结果要谨慎对待。

2.3 L3与L4：从单景到区域、从影像到专题

L3的核心是多景合成与镶嵌。单景影像覆盖范围有限，做区域分析需要把多景拼起来，但不同时相、不同轨道的影像辐射条件不一样，直接拼会有明显的色差和接缝。L3处理包括时相选择、辐射归一化、匀色、接缝线优化等步骤。匀色算法有基于直方图匹配的，也有基于辐射传输模型的，前者快但可能改变地物光谱特征，后者准但计算量大。

L4是专题产品级别，直接输出用户需要的分析结果，比如土地覆盖分类图、植被指数产品、水体提取结果、地表温度反演产品等。这一级的数据已经脱离了"影像"的范畴，更像是"答案"。用L4的好处是省事，坏处是你无法追溯中间过程，如果对分类精度有疑问，很难排查是哪个环节出了问题。

3. 卫星影像获取环节的关键参数与实操要点

3.1 轨道类型如何影响你的数据获取策略

卫星影像获取首先受轨道类型制约。常见的有太阳同步轨道和地球静止轨道两类。太阳同步轨道卫星在固定地方时过境（比如上午10:30左右），光照条件一致，适合做时间序列对比分析，绝大多数光学遥感卫星走这条路线。地球静止轨道卫星固定盯着一个区域，时间分辨率极高（分钟级），但空间分辨率通常较粗，适合做天气、火灾等快速变化监测。

太阳同步轨道的重访周期是你规划数据获取时必须算清楚的参数。重访周期指卫星两次经过同一地点的间隔，取决于轨道高度、倾角和传感器幅宽。比如某卫星幅宽60公里、回归周期26天，但因为有侧摆能力，实际重访可以缩短到3到5天。这里的关键是：重访周期不等于你能拿到数据的周期，还要考虑云覆盖、任务编排冲突、数据下传窗口等因素。我做过一个南方地区的项目，理论重访3天，但雨季连续一个月没拿到一景可用数据，最后只能调整项目时间窗口。

3.2 幅宽与分辨率的取舍逻辑

幅宽和分辨率是一对天然矛盾。幅宽大，单景覆盖范围广，但分辨率通常较粗；幅宽小，分辨率高，但覆盖同样区域需要更多景数，成本和拼接工作量都上去了。选型时要算一笔账：总成本 = 单景价格 × 所需景数 + 处理拼接成本。

举个例子，监测一个5000平方公里的区域，用幅宽60公里、分辨率2米的卫星，大约需要2到3景；用幅宽15公里、分辨率0.5米的卫星，可能需要十几景。虽然后者单景分辨率高，但总价和拼接难度都大幅上升。如果项目目标是区域尺度变化检测，2米分辨率完全够用，没必要追求亚米级。分辨率够用就好，多出来的精度如果转化不成业务价值，就是浪费预算。

3.3 订购影像时必须确认的参数清单

下单前我习惯对照一张检查清单逐项确认，避免数据到手才发现不匹配。下面这张表是多年踩坑总结出来的。

特别说一下云覆盖百分比这个指标。数据提供商给的云量是全景统计值，但你的目标区可能恰好被一块云盖住，而全景云量看起来很低。实操中我一般会先要一张快视图（quicklook）目视检查目标区，确认无云再下单。另外，薄云在快视图上不明显，但会严重影响定量分析，如果项目对辐射精度要求高，最好要求提供云掩膜产品或者自己用算法检测。

4. 实操流程：从需求到可用数据的完整链路

4.1 需求拆解与数据选型

拿到一个遥感项目，我第一步不是打开数据订购网站，而是先把需求拆成几个硬指标：空间分辨率要求、时间频率要求、光谱波段要求、覆盖范围、精度要求、预算约束。这六个维度定下来，可选的数据源范围就缩小了大半。

比如做城市违建监测，空间分辨率需要优于1米，时间上要求月度更新，波段至少要有真彩色加近红外，覆盖范围是建成区，几何精度要求平面误差小于2个像元，预算有限。按这个条件筛，高分辨率光学卫星里符合的也就那么几颗，再对比价格和存档情况就能定下来。先定指标再选数据，而不是先看有什么数据再想能做什么，这个顺序反了很容易被数据牵着走，最后做出来的东西跟业务需求对不上。

4.2 数据获取的三种途径与适用场景

实际获取数据主要有三条路：存档数据订购、编程拍摄、自主接收。

存档数据是卫星已经拍好存在库里的，优点是快、便宜，缺点是时间和覆盖不一定刚好满足需求。编程拍摄是向运营方提交拍摄申请，按你的时间和区域要求安排卫星拍摄，优点是针对性强，缺点是要排队、价格高、受天气影响可能拍不到。自主接收需要自己有地面接收站，成本极高，一般只有大型机构才这么做。

大多数项目走存档加编程的组合路线：先用存档数据看看有没有能用的，缺口部分再编程补充。这里有个技巧：编程申请时把时间窗口放宽一些，比如需要某月的数据，可以申请整个月内优先拍摄，而不是死磕某一天，这样成功率会高很多。另外，提前关注目标区域的天气气候规律，避开雨季集中申请，能显著提高获取效率。

4.3 数据验收与质量检查

数据到手后别急着用，先做一轮质量检查。我通常按这个顺序过一遍：快视图目视检查（云、条带、异常）→ 元数据核对（时间、坐标、定标系数）→ 辐射一致性检查（直方图统计）→ 几何精度检查（与参考影像配准）。

辐射一致性检查有个简单办法：选影像内均匀地物（如大片水体或均质农田），统计其DN值或反射率的均值和标准差，如果标准差异常大，说明可能有条带噪声或云污染。几何精度检查可以用影像自带的RPC参数做初步正射，再与已有正射影像比对，看偏移量是否在可接受范围。验收环节多花半小时，能省掉后面返工的好几天，这个投入产出比怎么算都划算。

5. 常见问题与排查技巧实录

5.1 级别选错导致的返工及补救

最常见的坑就是级别选错。有人买了L2数据想做大气校正算法验证，发现L2已经校正过了，原始辐射信息没了；有人买了L1想做分类，结果发现还得自己搞正射和大气校正，工期来不及。补救办法：级别买低了可以自己往上处理，买高了基本没法往回退，只能重新买。所以不确定的时候往低级别买，处理能力可以补，丢失的信息补不回来。

5.2 几何精度不达标的排查思路

正射校正后几何精度不达标，排查顺序一般是：检查DEM是否匹配（分辨率和现势性）→ 检查RPC参数是否完整 → 检查控制点分布是否均匀 → 检查投影设置是否正确。我遇到过一次山区影像整体偏移，最后发现是DEM用了十年前的版本，地表已经变化很大。换成现势性更好的DEM后，残差从5个像元降到了1个以内。

5.3 辐射异常与条带噪声的处理

推扫式传感器偶尔会出现条带噪声，表现为影像上规律的明暗条纹。处理方法有矩匹配法、直方图均衡法、滤波法。轻度条带用矩匹配就能压下去，重度条带可能需要结合多景统计做归一化。另外，如果发现整景辐射值系统性偏高或偏低，先检查定标系数版本，再检查太阳高度角校正是否做了，这两个是最常见的辐射异常来源。

5.4 多时相数据辐射不一致的归一化技巧

做时间序列分析时，不同时相影像的辐射条件差异会导致假变化。相对辐射归一化是常用手段，选一景参考影像，把其他时相影像的辐射分布往参考影像上靠。方法有基于伪不变特征点的，也有基于直方图匹配的。伪不变特征点法精度更高但需要人工选点，直方图匹配自动化程度高但可能改变地物光谱关系，按项目精度要求选。我一般先用直方图匹配做粗归一化，再在关键区域用伪不变特征点做精调，两步走兼顾效率和精度。

6. 几个容易被忽略的实操心得

6.1 元数据比影像本身更值得细读

很多人拿到数据直接打开影像看，元数据文件扔一边。实际上元数据里藏着大量关键信息：定标系数、太阳角度、传感器状态、处理历史、质量标记。我习惯先把元数据完整过一遍，尤其是处理历史字段，能看出这景数据经过了哪些加工，有没有异常标记。有次发现一景数据的质量标记里有"部分像元饱和"的提示，目视完全看不出来，但做定量分析时那些饱和像元全是错的。

6.2 建立自己的数据台账

项目多了以后，数据管理是个大问题。我建议从第一个项目开始就建台账，记录每景数据的获取时间、级别、处理参数、用途、存放位置。用简单的表格就行，关键是坚持记。后面做时间序列或者复用数据时，台账能帮你快速定位，避免重复购买。这个习惯看起来笨，但省下来的钱和时间是实打实的。

6.3 关注数据提供方的更新公告

定标系数会更新，处理算法会升级，产品定义偶尔也会调整。关注数据提供方的更新公告，能让你及时知道手里的数据是否需要重新处理。我有次做跨年对比，发现前后两年同一卫星的L2产品处理流程变了，大气校正算法升级导致反射率有系统性差异，如果不看公告根本发现不了，还以为是地表真的变了。

遥感数据这条链路，从卫星过境到拿到能用的产品，中间每个环节都有讲究。级别体系是骨架，获取参数是血肉，质量检查是保险。把这几块摸透了，选数据、用数据就不会再犯怵。我自己的体会是，与其追求一次到位买最高级的产品，不如把处理链路搞明白，该自己动手的环节自己动手，数据的使用自由度和项目的可控性都会高很多。