企业官网建设流程全解析

简介：面向遥感、GIS与地球观测初学者的MODIS入门文档，聚焦MODIS数据背景、获取与处理流程，帮助读者快速建立从传感器参数到产品应用的系统认识。压缩包仅含1个doc文件，约503KB，内容围绕Terra/Aqua双星、36个波段、250m至1000m分辨率、正弦投影产品及NASA免费下载方式展开，并延伸至HDF格式读取、ENVI/ArcGIS处理、去云校正、时序合成与植被指数、地表温度提取等环节。已有304人学习，适合课程学习、科研入门和实习准备时作为速查资料，也能为土地覆被、气候与灾害监测等应用提供参数依据和操作思路。

1. 很多人第一次打开一景 MODIS 数据，都会觉得这套标称参数漂亮得不像二十多年前的设计

36 个波段、2330 公里幅宽、1 到 2 天扫一遍全球，MODIS 数据几乎是遥感入门绕不开的第一份真实数据。但真正用起来，第一件卡住人的事往往不是算法，而是那一堆看起来毫无必要的麻烦：一个文件里躺着几十个数据集，1 公里产品和 250 米产品混在同一个产品族里，下载页面给的时间比本地时间少 8 小时，文件名长得像一串密码，投个影还得先拼接再转换。这些都不是随手设计的产物，而是一整套被固定下来的数据契约——波段怎么切、分辨率怎么分、文件怎么命名、格网怎么铺、版本怎么迭代。把这套契约的来龙去脉搞明白，后面的下载、拼接、重投影才不至于变成玄学。

2. 36 个波段与三种分辨率：一台传感器为什么要同时干三份活

2.1 焦平面不是一块芯片，而是几组探测器拼在同一个望远镜后面

把 MODIS 想成一台“相机”是理解偏差的起点。它前面是一套口径 17.78 厘米的望远镜，后面是一个焦平面：不同波段的光落在焦平面的不同位置上，被不同的探测器阵列接收。设计上最关键的一个约束是——同一个波段组里的探测元，沿扫描方向是并排排列的，扫一次就能同时得到若干条扫描线。这就带来了分辨率的分野。

常见的实现思路是：250 米波段（1、2 波段）每个扫描行排 40 个探测元，500 米波段（3 至 7 波段）排 20 个，1 公里波段（8 至 36 波段）排 10 个。探测元尺寸越小、排得越密，瞬时视场越小，地面分辨率就越高。但这不是白拿的：探测元面积缩小，接收到的光子数按面积下降，信噪比随之恶化。250 米波段之所以只放两个，是因为这两个波段承担的是植被叶绿素吸收和云/土地覆盖这类需要高空间细节、同时对辐射精度要求相对宽容的任务；而 8 至 36 波段要做的是大气廓线、海面温度、云顶高度这类定量反演，靠的是辐射精度而不是空间锐度，1 公里完全够用，把探测元做大反而换来了更好的噪声表现。

这张表解释了一个常被忽略的事实：MODIS 的分辨率不是一个数，而是三套并行的采样几何。你在一个 HDF 文件里同时拿到 250 米、500 米和 1 公里三层数据，彼此之间不是缩放关系，而是不同物理通道各自采样后再对齐的结果。

用 pyhdf 打开一景 1B 数据，能直接看到这种分层：

from pyhdf.SD import SD, SDC f = SD('MOD02QKM.A2002032.1015.003.hdf', SDC.READ) # datasets() 返回文件内所有科学数据集，名字本身就说明了分层 for name, info in f.datasets().items(): dims, dtype, attrs = info print(name, dims, dtype) # 1B 里存的是整型 DN 值，必须读 scales/offsets 才能还原物理量 sds = f.select('EV_250_Aggr1km_RefSB') attrs = sds.attributes() print(attrs['scales'], attrs['offsets'], attrs['band_names']) data = sds[:] f.end()

这段代码里最关键的不是读数据，而是scales和offsets两个属性。HDF-EOS 里为了压缩存储，把浮点反射率或辐亮度线性映射成 16 位整型，物理量 = DN × scale + offset。跳过这一步直接拿原始 DN 值去算 NDVI，得到的数值范围会完全不对——这是新手最常见的翻车点之一，而且不会报错，只会让结果悄悄错掉。

2.2 像元大小会随扫描角膨胀，星下点的 250 米在边缘不是 250 米

MODIS 采用双面镜旋转扫描，扫描速率 20.3 转/分，每转约 2.96 秒，产生两条沿轨 10 公里宽的扫描带。镜面摆动使视线从一侧 55 度扫到另一侧 55 度，视场在地面展开成 2330 公里的弧。问题就出在这个“弧”上：星下点视线垂直向下，瞬时视场投影到地面最小；越靠近扫描边缘，视线越斜，同一个瞬时视场在地面上拉出一个长椭圆。

后果有两层。第一层是几何上的：边缘像元的沿轨尺寸会被拉长到星下点的数倍，250 米标称在扫描边缘可能实际覆盖上千米，这就是常说的“蝴蝶结”（bowtie）效应——相邻扫描带在边缘互相重叠，同一块地面被扫了两次。第二层是后续处理的：如果你把 1B 数据当成规则格网直接做空间统计，边缘区域的像元权重会被系统性高估。

所以真正做定量应用时，一般不会直接拿 1B 条带数据算面积或做时间序列，而是走两条路：要么用定位数据把每个像元投到规则格网上重采样，要么直接用已经格网化的 3 级以上产品。这个取舍后面还会反复出现——MODIS 的设计哲学是“原始数据尽量保真，规整工作交给下游”。

2.3 反射波段和发射波段是两套物理机制，不能用同一套定标思路

把 36 个波段分成两组看，会清楚很多。1 至 19 波段加 26 波段是反射波段，接收的是地表反射的太阳辐射，物理量是反射率，只在白天有效，且强烈依赖太阳高度角和观测几何。20 至 25、27 至 36 波段是发射波段，接收的是地物自身的热辐射，物理量是辐亮度或亮温，昼夜都能用。

这两组波段的星上定标方式完全不同：反射波段靠太阳漫反射板把已知辐亮度的光引入视场做参考，发射波段靠黑体做参考源。因此 1B 产品里，反射波段给你的是反射率，发射波段给你的是辐亮度，两者在同一个文件里但语义不同。混着算——比如把热红外辐亮度当成反射率归一化——是另一个典型的静默错误。

记住一个判断法则：需要太阳的短波部分对应“地表长什么样”，自发辐射的长波部分对应“地表有多热、大气有多冷”。前者决定了大部分陆地产品，后者支撑了地表温度、云顶高度、大气廓线这一整条产品线。

3. 1 到 2 天覆盖全球：2330 公里幅宽和正弦格网背后的几何账

3.1 覆盖频次不是拍脑袋定的，是一道除法题

705 公里高度、太阳同步近极轨、约 98.8 分钟一圈，一天大致能转 14 到 15 圈。赤道周长约 4 万公里，单条轨道的观测幅宽 2330 公里，两者相除大约是 17.2——也就是说，要把赤道完整铺满一遍，需要 17 条左右的相邻轨道。单颗星一天只能提供 14 到 15 条，凑不满一圈，于是单星的重访周期落在 2 天附近。两颗星错开相位运行，互补之后就压到了 1 天。

这个算法值得自己算一遍，因为它是理解后面所有“为什么”的钥匙：为什么高纬度地区一天能被覆盖好几次（轨道在此收敛，相邻轨道重叠严重），为什么赤道地区总有缝隙，为什么某些日期某个区域就是没有数据——不是下载失败，是几何上根本没扫到。

98 度的轨道倾角让卫星能覆盖到极区，这也是极轨气象卫星的标准做法。太阳同步的含义是降交点地方时基本固定，Terra 在上午 10:30 左右由北向南过赤道，Aqua 在下午 13:30 左右由南向北过赤道。地方时固定带来的好处是光照条件一致，同一地区每次观测的太阳高度角相近，时间序列才好比较；代价是永远看不到某些时刻的地表状态。

3.2 上午星和下午星不是简单备份，而是各看各的时段

把两颗星理解成“多发一份数据”就浪费了。上午 10:30 前后，地表经过一夜冷却，边界层还没充分发展，云量相对少，对陆地表面观测更友好；下午 13:30 前后，地表受热充分，对流云发展旺盛，大气中的水汽和云信息更丰富。所以陆地产品大量来自上午星，大气和海洋产品对下午星的依赖更重，这不是随意分配，而是观测时段决定的。

同时，两颗星过境时间相差约 3 小时，这个时间差本身就是信息。同一地区在一天内被两个不同时刻观测，可以用来捕捉云、地表温度、气溶胶的日变化趋势。合成产品里常见的“上午星 + 下午星联合”（文件名前缀为 MCD 系列），就是把这个时间差利用起来，而不是简单挑一张更好的。

提示：处理时间序列时，务必确认产品族前缀。MOD 前缀来自上午星，MYD 来自下午星，MCD 是两者合成。混用会在时间序列里引入系统性的时刻偏差，尤其在研究地表温度日变化时表现明显。

3.3 正弦投影和 36×18 瓦片：等积优先于好看

大多数标准 MODIS 格网产品使用正弦投影，把全球切成 36 列 × 18 行、每块 10 度 × 10 度的瓦片，行号从左上角 (0,0) 编到右下角 (35,17)。赤道处一块瓦片大约 1110 公里见方。

为什么偏偏选正弦投影？因为它的核心性质是等积：球面上任意一块区域投影到平面上，面积比例保持不变。对全球尺度的碳收支、能量平衡、植被生产力统计来说，面积不能变形是刚性需求——如果投影会让高纬面积虚增，那么全球总和就永远算不准。代价是高纬度形状和角度严重变形，地图看起来被拉扯得很奇怪，但做定量统计的人不在乎这个。

这也解释了为什么瓦片编号值得记住。行列号本质上是一个空间索引：拿到 h25v04 就知道它大致落在什么经纬度范围，找相邻瓦片只需加减行列号。拼接多幅影像时，如果瓦片不相邻，接缝处会出现明显断裂；更隐蔽的问题是跨瓦片边界的像元被切开，统计时被算了两次——这在中低纬度不明显，在高纬度重叠区会累积成可观误差。

4. 从 0 级到 4 级：产品分级和命名规则其实是一份可解析的契约

4.1 L1A 到 L1B 之间那一步，决定了数据能不能定量用

地面站直接收到的原始码流是 0 级数据，包含全部信息但完全没有结构。把它按仪器扫描时序重建、做时间配准、加上辅助数据注解，得到的就是 1A 级数据——注意这一步还没有做辐射定标，里面存的仍是原始计数值，用途主要是追溯和重新定标。

1A 到 1B 这一步做的是辐射定标：用星上参考源和发射前实验室标定系数，把计数值换算成有物理意义的反射率和辐亮度。这一步做得好不好，直接决定了后面所有反演的天花板。因此定标组是一个独立的学科组，长期监测仪器状态衰减，并在新版本里更新定标系数——这就是版本号（collection）存在的原因。同一景数据，不同版本的处理结果可能有系统性差异，做长时序分析必须统一版本。

1B 之后才进入应用处理。2 级产品是在 1B 基础上反演出的、与原观测具有相同空间分辨率和覆盖范围的结果，比如大气气溶胶、云、地表反射率；3 级产品则把不同时间的 2 级结果投影到统一的时间-空间格网上，变成可以直接做统计和时间序列的规整数据；4 级是在 3 级基础上再跑模型得到的衍生量，比如净初级生产力。

一个容易踩的坑是：2 级产品是条带形态，不同日期的条带覆盖范围不完全一致，直接做多天叠加会出现错位；要做时序必须用 3 级格网产品，或者自己完成重投影。这个区别在文件名里看不出来，只能靠产品号判断。

4.2 文件名不是随机字符串，每一段都有固定语义

拿一个真实结构的文件名拆开看：MOD01.A2002032.1015.003.2002034184356.hdf。

把这个规则写成解析函数，比手动改文件名可靠得多：

import re from datetime import datetime, timedelta PAT = re.compile( r'^(?P<prod>[A-Z0-9]{5,7})\.A(?P<year>\d{4})(?P<doy>\d{3})\.' r'(?P<hhmm>\d{4})\.(?P<ver>\d{3})\.(?P<prodtime>\d{13})\.(?P<ext>\w+)$' ) def parse(name): m = PAT.match(name) if not m: raise ValueError(f'不符合命名契约: {name}') d = m.groupdict() # 年积日从 1 开始，减 1 才是 timedelta 的天数 t = datetime(int(d['year']), 1, 1) + timedelta( days=int(d['doy']) - 1, hours=int(d['hhmm'][:2]), minutes=int(d['hhmm'][2:]) ) return d['prod'], t, d['ver'], d['ext'] print(parse('MOD01.A2002032.1015.003.2002034184356.hdf')) # ('MOD01', datetime(2002, 2, 1, 10, 15), '003', 'hdf')

这段代码的价值在批量处理时体现：几千个文件按时间排序、按版本过滤、检测重复下载，都可以靠文件名完成，不需要打开文件读元数据，速度快一个数量级。doy转日期时那一句减 1 是最容易写错的地方，忘了减就会整体偏移一天，而这种偏移在结果里完全看不出来。

注意：文件名里的时间是 UTC。换算到东八区要加 8 小时，跨日时年积日也要跟着变。比如要取某地 1 月 16 日一整天的数据，实际检索范围要从 1 月 15 日 16:00 UTC 开始——少算这一步，会稳定地丢掉每天前 8 小时的数据，而且丢得毫无提示。

4.3 四十多种产品为什么按大气、陆地、海洋三线切分

产品编号从 MOD04 排到 MOD44，中间还有若干未定义的编号空位，看起来杂乱，其实是按“学科 + 反演链”两条线组织的。大气线从气溶胶、可降水量、云、大气廓线一直到栅格化的日/旬/月合成；陆地线从地表反射率出发，派生出雪覆盖、地表温度、土地覆盖、植被指数、叶面积指数、光合有效辐射、蒸腾、生产力、热异常、BRDF 参数、植被覆盖转换；海洋线围绕水色展开，叶绿素、色素浓度、悬浮物、海面温度、海冰、初级生产力。

这个结构的逻辑是：一个上游产品的输出是若干下游产品的输入。地表反射率是植被指数的输入，植被指数和叶面积指数是生产力的输入，所以编号大致沿着反演链推进。理解这条链，就能在需要某个变量时判断该拿哪一级产品，而不是从一长串编号里试。

5. 从定位到重投影：处理链上最容易出问题的几个地方

5.1 1B 数据本身没有经纬度，定位信息在另一个文件里

这是很多人第一次处理 MODIS 时最意外的一点：1B 产品的每个像元并没有附带经纬度坐标，因为存下来会占用巨大空间，而且定位信息对所有波段是共用的。真正的定位数据在单独的地理定位文件里，与 1B 同轨同时刻，包含每个像元对应的经纬度、太阳和观测天顶角方位角。缺了它，1B 就只是一堆数字，无法落到地图上。

几何纠正的常规路径是：用定位文件为每个像元建立地面坐标，再按目标投影重采样。商业软件里直接点“地理校正”往往效果不好，因为它默认按规则格网处理，而 1B 是条带形态、边缘还有蝴蝶结重叠，容易在边缘拉出条纹。专门的纠正工具会同时处理扫描几何和重叠问题，速度快、边缘干净，这也是为什么老手宁可多装一个工具也不在通用软件里硬做。

提示：订购 1B 数据时，同一天同一轨的地理定位文件必须一起下。事后补下往往会发现该轨已归档到别的目录，检索条件要对齐时间段和轨道号，比较费时。

5.2 重投影工具的顺序是先拼接再投影，这个顺序不能反

多幅影像做区域制图时，标准流程是：把同一时间段的多幅瓦片一起导入，工具先按原投影完成拼接，再整体做投影转换。这个顺序有实际意义——如果先各自投影再拼接，接缝两侧会经历两次重采样，边界处出现模糊带；先拼接后投影，整块区域只重采样一次，信息损失最小。

重采样方式一般选双线性，对连续型变量（反射率、温度、植被指数）比较合适；最近邻只适合分类产品，因为它不产生新值，能保住类别编码不被插值破坏。用错重采样方式处理土地覆盖分类数据，会插出一堆不存在的类别编号，这是分类产品处理里的经典事故。

投影参数这块，中低纬度区域制图常用 Albers 等积圆锥投影，双标准纬线分别设在 25 度和 47 度，中央经线 105 度，原点纬度 0 度。椭球长短半轴留空时，程序会按 WGS84 默认值补上（长半轴 6378137 米、短半轴约 6356752.31 米）。这里有个细节：如果只填了标准纬线和中央经线而没管椭球，默认值可能因工具版本不同而不同，导致输出有几十米的系统性偏移。稳妥做法是把椭球参数显式写进去，别依赖默认。

5.3 五条实际遇到的问题：现象、原因、解决

第一，下载的数据时间总是差 8 小时。现象是按日期检索出来的结果覆盖不全，总觉得缺了前半天。原因是检索界面用的是 UTC，而心里的预期是本地时间。解决办法是把目标日期的本地零点换算成前一天 16:00 UTC 作为起点，终点是当天 16:00 UTC，跨月跨年时年积日也要跟着改。

第二，拿到 1B 数据打不开或者读出来全是空的。现象是软件提示格式不支持，或者读出的数据集列表为空。原因是 HDF4 和 HDF5 是两种完全不兼容的格式，老版本工具只认其中一种，而不同产品可能用不同版本。解决办法是先确认文件实际格式，再选对应的库；用 Python 时，HDF4 走 pyhdf，HDF5 走 h5py，别拿一个库硬套所有文件。

第三，拼出来的影像边缘有重复条纹。现象是相邻扫描带交界处出现明暗交替的条带或重影。原因是扫描边缘的蝴蝶结重叠，同一地面被采样两次，直接按行列拼接就会叠加。解决办法是裁剪掉扫描边缘一定比例的像元，或者直接用格网化的 3 级产品绕开这个问题。

第四，重投影后波段名变长、文件名多出一串后缀。现象是批量脚本按固定文件名找不到输出。原因是重投影工具会在输出文件名后自动追加波段信息和投影标识。解决办法是脚本里用通配符匹配前缀，而不是写死全名；或者在工具里显式指定输出名并接受它追加的部分。

第五，投影结果整体偏移几十米到几百米。现象是与底图套合时对不上，但形状是对的。原因是投影参数里椭球或假东假北没设对，或者用了默认值而默认值并非预期。解决办法是把长半轴、短半轴、标准纬线、中央经线、原点纬度全部显式写出，输出后拿一个已知控制点核对坐标。

6. 把复杂度推给用户，是一种刻意为之的取舍

回过头看，MODIS 这套设计处处透着同一个取向：原始数据尽量保真，规整和解释的成本交给下游。1B 不存经纬度，因为定位信息可以共用；条带数据不做重采样，因为重采样不可逆；反射波段和发射波段用不同的物理量，因为强行统一会损失精度；投影选正弦，因为面积不变形比地图好看重要得多。这些选择单看都不友好，放在一起却自洽：它服务的是一群要做全球尺度定量分析的人，而不是要快速出图的人。

代价也很清楚。使用者必须自己承担几何纠正、格式兼容、时间换算、版本统一这些工作，任何一步理解偏差都不会报错，只会让结果悄悄错掉。这也是为什么这份资料的价值不在“告诉你点哪个按钮”，而在于把波段分组、覆盖几何、分级体系、命名规则这几件事串成一条能自洽推演的线——知道为什么 250 米波段只有两个，就知道不该拿它去做大气廓线；知道单星两天才能铺满赤道，就不会因为某天某地没数据而怀疑下载出错；知道文件名是可解析的契约，批量处理就不用打开每个文件读元数据。

验证思路其实很朴素：拿一景数据，用地理定位文件算出的经纬度范围，去和检索时框选的范围比对，能对上说明定位链没断；用文件名解析出的时间，和文件内部记录的时间比对，能对上说明命名理解没错；把重投影结果和一个已知控制点套合，偏差在百米内说明投影参数没填错。三个比对做完，整条链的可信度就有了底。

我自己的习惯是：任何一批 MODIS 数据进流程之前，先抽一景做这三项核对，宁可慢半天，也不要在跑完几千景之后才发现时间整体偏了一天。这种错误回头改的代价，远不是重跑一遍能概括的。希望这些经验能帮到你，少走几段弯路。

这份资料把发射背景、技术指标、波段表、产品分级、命名规则、下载路径、格式说明和重投影参数整理成了一份完整的对照文档，适合放在手边当查询手册用——遇到拿不准的产品编号或投影参数，翻一下比重新检索快得多。

本文还有配套的精品资源，点击获取