企业官网建设流程全解析

简介：围绕常见遥感卫星参数与发展现状整理的PDF文档，面向遥感、GIS、环境监测与灾害评估领域的学习者和从业者，帮助快速建立SPOT、Landsat、Sentinel、JERS、ENVISAT、RADARSAT、ALOS、IRS等卫星的系列划分、参数要点与应用场景认知。压缩包内共1个PDF文件，约642KB，篇幅集中、便于检索，目录按国外常用卫星资料与中国地球观测遥感卫星发展现状组织，并延伸至陆地遥感、气象遥感等方向。已有412人学习或下载，适合课程学习、项目选星和资料查阅时对照使用。内容侧重梳理各卫星的发射时间、国别归属、主要任务、数据类型与观测能力，读者可据此快速比较不同数据源，补充遥感基础认知，也能为环境监测、灾难评估和资源管理等应用提供参数索引与查阅线索；对初次接触遥感数据源、需要快速索引卫星基本信息的读者较为友好。

1. 一份四十多页的遥感卫星参数速查表，为什么值得放在手边

上个月接了个农业监测的模拟项目，要求两周内把一套 NDVI 时序流程跑通。第一版方案我翻了三天官方 user guide，光确认 Sentinel-2 的 B8A 到底算不算 10 米波段就折腾了两个来回。后来同事甩过来一份四十多页的《常见遥感卫星参数》汇总文档，Sentinel、Landsat、SPOT、JERS、ENVISAT、RADARSAT、ALOS、IRS 加上国内陆地、气象、海洋三类卫星的轨道、传感器、波段表、产品分级和数据政策，全挤在一个文件里，选型问题一张表就能压下去。这份遥感卫星参数资料适合正在做数据源比选、影像预处理流程搭建、要写团队选型规范的遥感与 GIS 从业者，也适合刚接触多源数据、被波段编号和产品级别绕晕的新手。它不教你写算法，但能让你少在“这颗星到底能不能用”上浪费一周。

2. 参数表的四层结构：轨道、传感器、波段、产品级别

一份合格的卫星参数汇总，信息是按“能不能用 → 拍什么 → 拍多细 → 数据能不能直接算”这个顺序组织的。读的时候如果从上往下顺着翻，很容易陷进具体数字里；我一般的习惯是先跳到最后看产品级别，再倒回来确认轨道和传感器，最后才抠波段。下面按这四层拆。

2.1 轨道层：高度、倾角与重访先把可选范围框死了

选数据源最容易犯的错，是一上来就比空间分辨率。实际上轨道的三个数字先决定了你能拿到什么：高度决定单轨幅宽和分辨率的平衡点，倾角决定覆盖纬度上限，重访周期决定时间序列的采样密度。表里 Sentinel 系列这几个数字放在一起看，逻辑就很清楚。

倾角略大于 90° 意味着逆行轨道，配合固定的降交点地方时，同一轨道的太阳高度角在一年内的波动被压得很小。这对多时相 NDVI、地表反射率这类需要“同光照条件对比”的应用是硬需求——如果光照角度每次差 20°，阴影和 BRDF 效应能把植被指数搅成一团玄学。反过来说，Sentinel-6 用 66° 倾角、1336 km 高度，是因为测高任务只关心海面高度，不需要稳定光照，反而要覆盖到较高纬度的海面，轨道设计就完全换了一套思路。

高度还直接和幅宽、分辨率绑在一起。693 km 的 Sentinel-1 在 IW 模式下做到 250 km 幅宽、5 m×20 m 分辨率；786 km 的 Sentinel-2 幅宽 290 km、最高 10 m 分辨率；814 km 的 Sentinel-3 为了全球 2 天覆盖，把 OLCI 的空间分辨率放到 300 m。轨道高度、幅宽、分辨率、重访这四个量互相牵制，没有哪个任务能四项全占，参数表的价值就在于让你在五分钟内看清这颗星牺牲了哪一项。

有一条实操经验：先确认目标区域的纬度，再去看倾角和轨道重叠。低纬度地区轨道重叠少，实际重访接近标称值；中高纬度相邻轨道有重叠，同一区域可能在两三天内被扫到两次，做时序时这一点会让采样间隔变得不均匀，别把标称重访当成均匀采样周期。

2.2 传感器层：主动微波、多光谱、辐射计、高度计各管一摊

轨道看的是“什么时间能拍到你”，传感器看的是“拍到了能算什么”。参数表里 Sentinel 系列的传感器类型分类很干脆：Sentinel-1 是 C 频段合成孔径雷达，Sentinel-2 是多光谱成像仪，Sentinel-3 挂了一组载荷（海陆表面温度辐射计、海洋陆地色彩仪、合成孔径雷达高度计等），Sentinel-4 是紫外可见近红外扫描光谱仪，Sentinel-5P 是多光谱对流层监测仪器，Sentinel-6 是 Ku/C 波段 nadir 指向的合成孔径雷达高度计。

SAR 和光学的差别不只是“穿不穿云”。SAR 的相位是可以拿来做干涉测量的，Sentinel-1 的 IW 模式两景影像做 InSAR，形变监测精度能到毫米级每年，这是光学影像给不了的信息。代价是 SAR 的几何是斜距成像，山区的叠掩、透视收缩必须拿 DEM 做正射校正，而且斑点噪声会让分类算法表现和光学完全不同——同一块农田，光学上是一条干净的 NDVI 曲线，SAR 上是一团需要多时相滤波才能稳住的时序。

被动光学的限制写在参数里但常被忽略：辐射分辨率和信噪比。Sentinel-2 是 12 bit 量化，辐射精度优于 5%，这个指标决定了你在做暗目标（水体、阴影）提取时的下限。如果目标反射率变化只有 1%–2%，量化噪声和大气校正残差很容易把它淹没。

2.3 波段层：中心波长和带宽决定了你能反演什么

波段表是整份文档里信息密度最高的部分，也是最容易被跳过、然后在预处理阶段翻车的部分。Sentinel-2 的 13 个波段分布很有代表性：

10 米只有 4 个（B2、B3、B4、B8），20 米 6 个，60 米 3 个。这个分组不是随便定的，它对应的是传感器的物理设计：多光谱推扫式成像仪要在幅宽和信噪比之间做平衡，宽波段能收集更多光子、支持更高的空间分辨率，窄波段则用来捕捉特定的吸收特征。B8 带宽 115 nm，做 NDVI 时信噪比好但容易受水汽吸收干扰；B8A 带宽只有 20 nm，避开 940 nm 附近的水汽吸收带，更适合做需要精确反射率的定量反演。两个都能算 NDVI，数值会有系统性差异，混用会让时序曲线出现台阶。

红边三个波段（705、740、783 nm）是 Sentinel-2 相对 Landsat 系列的优势所在。红边位置对叶绿素含量敏感，做作物长势、氮素诊断时，红边指数比单纯的 NDVI 更早饱和。但红边波段都是 20 米分辨率，想要 10 米结果就得做融合或者降尺度，这一步会把误差带进来。

Sentinel-3 的 OLCI 是另一个极端：21 个波段，光谱范围 400–1040 nm，波段宽度普遍在 2.5–40 nm 之间，为水色反演设计。Oa11（708.75 nm，带宽 10 nm）是叶绿素荧光基线，Oa17（865 nm，带宽 20 nm）用于云检测和气溶胶校正，Oa12（753.75 nm）落在氧气吸收带上。这类窄波段对波段位置精度要求极高，如果自己做波段运算时把中心波长记错 2 nm，反演结果就可能整片跑偏。SLSTR 则把通道分成两组：S1–S6 是 500 米太阳反射波段（含 1374.8 nm 卷云通道、1613.4 nm 和 2255.7 nm 短波红外），S7–S9 和 F1、F2 是 1 km 热红外通道，用于海表温度和火点辐射功率。

2.4 产品层：L1C 和 L2A 之间差着一次大气校正

很多人选完卫星、查完波段就以为结束了，真正决定工作量的其实是产品级别。Sentinel-2 从 L0 到 L2A 的分级很典型：L0 是仪器源数据包，不对外发布；L1A 解压后能定位像素；L1B 做了辐射校正（暗信号、像素响应不均、串扰、坏像元插值、60 米波段升采样）；L1C 用 DEM 做正射投影，转成大气顶反射率，重采样到 10/20/60 米固定网格，附带云掩膜和 ECMWF 辅助数据，但没做大气校正；L2A 才是大气底反射率，附带场景分类图。

Sentinel-1 的分级逻辑不同，因为它有相位。L0 是原始回波；SLC 是带相位的斜距几何复数影像，用于干涉和极化分析；GRD 是多视、检波、投影到 WGS84 椭球的地距影像，只保留强度，适合做分类和变化检测；OCN 是二级海洋产品，包含风场、波浪谱和表面径向速度。选错这一层，后面的活基本白干——拿 GRD 去做 InSAR 是不可能出结果的，相位在检波那一步就丢了。

Sentinel-3 还有个时间维度上的分级：NRT 近实时产品在采集后三小时交付，NTC 非实时产品一个月后交付，文件后缀用 NR 和 NT 区分。做应急监测只能用 NRT，做气候分析用 NTC 更稳，因为后者用的辅助数据（精密轨道、改进的大气校正参数）更完整。

3. 从参数到选型：四个决策场景与一张对照表

参数表看得再熟，落到具体项目还是要做取舍。下面四个场景是我在模拟项目里反复遇到的，基本覆盖了多源数据选型的主要矛盾。

3.1 光学还是 SAR：先问“云”和“夜”

这个问题的答案不在参数表里，在项目所在区域的气候统计里。Sentinel-1 是 C 频段 SAR，全天时全天候成像，参数表里明确写了它能为陆地和海洋提供全天时全天候的雷达图像，覆盖北极海冰、日常海冰测绘、海洋环境监视、地面形变风险监测。Sentinel-2 是多光谱被动成像，云层遮挡直接导致数据不可用。

判断方式很朴素：如果目标区域全年无云窗口少于 30%，或者项目要求周级甚至更密的更新频率，光学单打独斗一定会卡住。反过来说，如果任务只需要植被指数和土地覆盖分类，SAR 的处理链路（斑点滤波、地形辐射校正、极化分解）会带来额外的工程成本，而光学数据的物理意义更直观，模型也更容易迁移。

我这里有一条血泪经验：不要用“SAR 能穿云”作为唯一理由去选 SAR。穿云只是拿到数据，拿到之后能不能解释清楚后向散射系数的变化才是关键。同一块地，土壤湿度变化、地表粗糙度变化、植被结构变化都会影响后向散射，如果不做多时相和多极化联合分析，SAR 影像看上去就是一片灰度噪声。

真正需要 SAR 的场景是形变监测。干涉宽幅模式两景影像做差分干涉，能检测到每年几毫米的地表运动，用于地面沉降、结构损坏、地下施工监测。这类应用光学完全替代不了，因为光学只能看到表面纹理，看不到几何位移。

3.2 分辨率与幅宽是一道乘法题

很多人比参数时只盯空间分辨率，忽略了幅宽，结果算数据量的时候才发现单景影像大得离谱。这里有个简单的估算法：像素总数 =（幅宽 / 分辨率）²。

Sentinel-2 单景 290 km × 290 km，10 米波段是 29000 × 29000 ≈ 8.4 亿像素，4 个 10 米波段加起来 33.6 亿像素；20 米波段 14500² × 6 ≈ 12.6 亿像素；60 米波段 4833² × 3 ≈ 0.7 亿像素。按 12 bit 存成 16 bit 算，单景未压缩数据接近 9–10 GB 量级。这意味着一个县级的时序分析，光原始数据就能上 TB，不做分块和云过滤直接读进内存，机器会当场翻车。

Sentinel-1 的 IW 模式幅宽 250 km，分辨率 5 m × 20 m，SLC 产品是复数（实部虚部各 2 字节），单景量级也在 GB 以上。EW 模式幅宽 410 km，分辨率 20 m × 40 m，适合海冰、极地和溢油监测，但幅宽大了分辨率就掉了 4 倍，做小目标检测会明显吃力。

这四个模式的取舍逻辑很清楚：幅宽和分辨率成反比，入射角范围决定了地形起伏区的几何畸变程度。山区选 IW 的 IW1 子条带（入射角 30.86°–36.59°）比 IW3（41.75°–46.00°）叠掩少，因为入射角小，透视收缩弱。这种细节在参数表的子条带入射角表格里能查到，但需要你主动去翻。

3.3 重访周期不等于你能拿到的过境次数

参数表里 Sentinel-1 写“12 天（两星互补 6 天）”，Sentinel-2 写“10 天（两星互补 5 天）”，这两个数字很容易被当成“每 6 天 / 每 5 天一定能拿到一景”。实际差得远。

首先，双星互补的前提是两颗星都在轨正常工作，一旦其中一颗退役或降级，重访立刻退回单星水平。其次，重访是轨道回归周期，指的是卫星回到同一星下点的时间间隔，但实际能不能拍到你的区域，取决于幅宽覆盖和成像计划。Sentinel-1 的 IW 模式主要在陆地上采集，海上默认用 WV 波模式，一个 20 km × 20 km 的小条带，沿轨间隔 100 km、同入射角间隔 200 km——这意味着你在海上拿到的不是连续影像，而是一串点。第三，云量和数据可用性会进一步稀释有效观测。

我做时序分析时一般不看标称重访，而是直接在检索服务里查目标区域过去一年的实际可用影像列表，按相对轨道号分组。同一相对轨道号的影像入射角一致、几何一致，做变化检测最稳；混用不同轨道号的影像，入射角差几度就会带来后向散射或反射率的系统偏差，看起来像是地表变化，其实是几何差异。这一步是很多人时序曲线抖动的真正原因。

3.4 把七八个系列压成一张选型卡

参数表里还有 Landsat 系列、SPOT 系列、JERS、ENVISAT、RADARSAT、ALOS、IRS 以及国内陆地、气象、海洋三类卫星。这么多系列，不可能每次都从头翻，我的做法是压成一张选型卡，每个系列只留四个字段。

这张卡的作用不是替代详细参数，而是在需求评审的前五分钟内给出方向。真正开始建流程时，再回到详细表格里抠波段、入射角、极化方式和产品级别。选型卡我一般会写进项目的 README，改一次需求就更新一次，比每次开会重新讨论快得多。

4. 把参数表接进工程：三个脚本让文档变成校验器

参数表放在 PDF 里只能查，放进代码里才能校验。下面三段脚本是我在每个影像处理项目开头都会跑一遍的，作用是把文档里的静态数字变成可执行的断言。

4.1 把波段表建成可查询的字典

第一步是把 Sentinel-2 的 13 个波段抄成结构化配置。手抄一次比每次查文档快，也方便后面做自动化。

# Sentinel-2 MSI 波段配置：cw 中心波长(nm)，bw 带宽(nm)，gsd 原生地面采样距离(m) S2_MSI = { "B01": {"cw": 443.0, "bw": 20.0, "gsd": 60, "name": "coastal_aerosol"}, "B02": {"cw": 490.0, "bw": 65.0, "gsd": 10, "name": "blue"}, "B03": {"cw": 560.0, "bw": 35.0, "gsd": 10, "name": "green"}, "B04": {"cw": 665.0, "bw": 30.0, "gsd": 10, "name": "red"}, "B05": {"cw": 705.0, "bw": 15.0, "gsd": 20, "name": "red_edge_1"}, "B06": {"cw": 740.0, "bw": 15.0, "gsd": 20, "name": "red_edge_2"}, "B07": {"cw": 783.0, "bw": 20.0, "gsd": 20, "name": "red_edge_3"}, "B08": {"cw": 842.0, "bw": 115.0, "gsd": 10, "name": "nir"}, "B8A": {"cw": 865.0, "bw": 20.0, "gsd": 20, "name": "nir_narrow"}, "B09": {"cw": 945.0, "bw": 20.0, "gsd": 60, "name": "water_vapour"}, "B10": {"cw": 1375.0, "bw": 20.0, "gsd": 60, "name": "cirrus"}, "B11": {"cw": 1610.0, "bw": 90.0, "gsd": 20, "name": "swir_1"}, "B12": {"cw": 2190.0, "bw": 180.0, "gsd": 20, "name": "swir_2"}, } def bands_at(gsd, table=S2_MSI): """按原生分辨率筛波段，避免把 60 m 波段当 10 m 用""" return sorted([b for b, v in table.items() if v["gsd"] == gsd]) def nearest_band(wavelength_nm, table=S2_MSI): """按中心波长找最近波段，绕过 B08/B8A 这类编号陷阱""" band, meta = min(table.items(), key=lambda kv: abs(kv[1]["cw"] - wavelength_nm)) return band, meta["cw"], meta["bw"] print(bands_at(10)) # ['B02', 'B03', 'B04', 'B08'] print(nearest_band(860)) # ('B8A', 865.0, 20.0)

这段代码的关键是三个字段的含义。cw是中心波长，决定这个波段响应哪个物理过程；bw是带宽，决定光谱分辨能力，B08 的 115 nm 和 B8A 的 20 nm 差着一个数量级，做窄吸收特征分析时不能互换；gsd是原生地面采样距离，注意是“原生”，不是产品文件里重采样后的网格大小。bands_at用来在拼接前确认哪些波段本来就该是 10 米，nearest_band用来处理不同传感器之间的波段对齐——比如要把 Landsat 的某个波段映射到 Sentinel-2，按波长找比按序号找靠谱得多。

4.2 用 rasterio 校验真实影像的波段数与分辨率

抄完表，下一步是拿真实文件对一遍。这一步能提前暴露下载错产品、解压错目录、波段顺序错乱这三类问题。

import rasterio from pathlib import Path def inspect_s2(path): """检查单景 Sentinel-2 影像的波段数、分辨率、坐标参考与像元类型""" with rasterio.open(path) as ds: info = { "count": ds.count, "crs": str(ds.crs), "res": ds.res, # (x 分辨率, y 分辨率)，单位与 crs 一致 "bounds": ds.bounds, "dtype": ds.dtypes[0], "nodata": ds.nodata, } return info # 10 m 目录下应为 4 个波段，20 m 目录 6 个，60 m 目录 3 个 for res_dir, expect in [("R10m", 4), ("R20m", 6), ("R60m", 3)]: for tif in Path(f"./S2_L2A/{res_dir}").glob("*.tif"): info = inspect_s2(tif) flag = "OK" if info["count"] == expect else "MISMATCH" print(f"[{flag}] {tif.name} count={info['count']} res={info['res']} dtype={info['dtype']}")

逻辑说明：Sentinel-2 L2A 产品按分辨率分目录存放，R10m 下是 B02、B03、B04、B08 四个波段，R20m 下是 B05、B06、B07、B8A、B11、B12 六个，R60m 下是 B01、B09、B10 三个。如果你的代码假设“一个 tif 文件包含全部 13 个波段”，在这里就会直接对不上。参数上要注意ds.res返回的是坐标参考系下的像元尺寸，如果 CRS 是地理坐标（度），这个值看起来会是很小的浮点数，需要投影转换后才能和“米”对应；ds.dtypes[0]返回的是存储类型，Sentinel-2 L2A 常见的是 uint16，反射率经过 10000 缩放，忘了除以 10000 会让 NDVI 计算溢出。

我一般还会加一条断言：检查 B08 和 B8A 是否同时存在。如果只拿到 4 个 10 米波段，说明下游要么缺红边信息，要么得从 20 米上采样，两种情况的处理策略完全不同，必须在流程入口就明确。

4.3 用 STAC 检索时把参数表当过滤器

影像数量一多，手工下载不现实，常见做法是通过 STAC 接口检索。把参数表里的约束翻译成检索条件，能大幅减少无效下载。

from pystac_client import Client # 端点按你所用服务的实际地址填写，不同服务的集合命名和查询扩展支持不同 catalog = Client.open("https://<your-stac-endpoint>/v1") search = catalog.search( collections=["sentinel-2-l2a"], bbox=[116.0, 39.5, 117.0, 40.5], # 经纬度顺序：minx, miny, maxx, maxy datetime="2024-06-01/2024-06-30", query={"eo:cloud_cover": {"lt": 10}}, # 云量阈值，按项目容忍度调 limit=100, ) items = list(search.items()) print(len(items)) for it in items[:5]: print(it.id, it.properties.get("eo:cloud_cover"), it.properties.get("platform"))

逻辑说明：collections对应产品集合，写错一个字母就是空结果；bbox是经纬度顺序，和某些 GIS 工具的 x/y 顺序容易搞混；datetime用斜杠分隔起止，只写一端表示开区间；query是查询扩展，不同服务端的支持程度不一样，有的只支持部分字段，遇到不认的字段会直接忽略而不是报错，这时候检索结果会变多而不是变少，容易被误判成“数据很充足”。

参数上要盯住两个：eo:cloud_cover是整景云量百分比，不是目标区域云量，山区单景 5% 云量也可能正好压在你的研究区上；platform用来区分是 A 星还是 B 星，做辐射一致性分析时同一颗星的影像更可比。检索完之后，我习惯再拉一次processingLevel和productType字段，确认拿到的是 L2A 而不是 L1C，这一步能省掉后面一次重跑。

4.4 校验不通过时的三条路径

脚本跑出 MISMATCH 的时候，不要急着改代码，先按三条路径排查。第一条看数据本身：文件是不是下载不完整，压缩包解压时有没有中断，波段顺序在某些第三方镜像上会不会被重排。第二条看产品定义：确认下载的是 L1C 还是 L2A，两者波段数量一致但辐射量纲不同，如果流程里写死了 TOA 转 BOA 的系数，用 L2A 跑就会双重校正。第三条看代码假设：有些开源库默认按文件名排序加载波段，而 Sentinel-2 的 B8A 在字典序里排在 B08 之后、B09 之前，稍不注意就把波段索引错位了。三条都过一遍，问题基本能定位到具体某一层。

5. 避坑：参数表和真实数据对不上的五个现场

参数表是静态的，数据是动态的，两者对不上是常态。下面五条是我在模拟项目里真实踩过的，每条都按“现象 → 原因 → 解决”记下来。

5.1 B08 和 B8A 混用，NDVI 曲线出现台阶

现象：同一块农田的 NDVI 时序，中间某几期突然掉 0.05 左右，前后趋势本身是连续的，不像是物候变化。

原因：处理链里用“第 8 个波段”来取近红外，但不同产品目录下的波段数量和顺序不一样，某些批次取到的是 B8A（865 nm，带宽 20 nm），另一些取到的是 B08（842 nm，带宽 115 nm）。两者中心波长差 23 nm、带宽差近 6 倍，反射率数值有系统性差异，NDVI 自然跳变。

解决：不用波段序号，改用波段名称或中心波长匹配，就是 4.1 里那个nearest_band的用法。同时在建流程时把使用的波段名写进日志和输出元数据，出了问题能回溯。从那之后我要求所有指数计算函数的入参必须是波段名字符串，禁止传整数索引。

5.2 分辨率写着 10 米，实际是 60 米上采样

现象：做建筑区提取时，10 米产品的边缘比预期模糊很多，小目标几乎糊成一片，但文件元数据里确实写着 10 米。

原因：有些处理流程为了统一网格，把所有波段重采样到 10 米，包括原生 60 米的 B01、B09、B10。重采样只改变像素数量，不增加信息量，60 米波段的真实空间细节还是 60 米。B10 是卷云通道，很多云检测算法要用它，如果把它当成 10 米波段直接参与分类，等于给模型喂了插值出来的假细节。

解决：在处理链里为每个波段记录“原生分辨率”字段，重采样时保留来源标记，输出产品的元数据里写清楚哪几个波段是上采样的。做定量分析时，只用原生分辨率匹配的波段组合，需要跨分辨率融合就单独走融合流程并评估误差。

5.3 把标称重访当成均匀采样周期

现象：规划月度监测任务时按“5 天重访”排了 6 期，实际执行时某些月份只有 1–2 期可用，时序分析的时间间隔完全不均匀。

原因：双星互补的 5 天是理想状态，实际受三件事影响：单星故障或轨道调整会让重访退回 10 天；成像计划按陆地/海洋分模式，你所在区域可能不在优先采集列表里；云量过滤直接砍掉大半。再加上相邻轨道重叠导致某些时段集中过境、某些时段空窗，采样间隔本身就不均匀。

解决：不要用标称重访做规划，直接用检索服务查历史同期的实际可用影像，统计每个月的有效景数，按实际分布设计时间窗口。时序模型要能处理不等间隔采样，别默认输入是等间距序列。

5.4 极化方式写成双极化，下回来只有单极化

现象：筛选条件写的是 HH+HV，下载回来的影像只有 VV 一个通道，代码在读第二个通道时报错。

原因：极化配置和成像模式、采集计划绑定。IW 模式提供双极化（HH+HV 或 VV+VH）和单极化（HH 或 VV）选项，但具体某次过境用哪种配置由采集计划决定，不是所有过境都有双极化。参数表里列的是“可选项”，不是“必然项”。

解决：检索时就把极化方式作为过滤条件，而不是下载后再判断。拿到数据后先读元数据里的极化字段确认，再做后续处理。涉及极化分解的分析，必须在流程入口显式断言通道数，缺通道直接跳过这次过境，别让流程带着错误假设往下跑。

5.5 L1C 和 L2A 混着比，差异被当成地表变化

现象：两期影像做变化检测，差异图上一大片区域显示“变化”，实地核查发现地块没动过。

原因：一期是 L1C（大气顶反射率），一期是 L2A（大气底反射率）。大气校正会整体压低反射率，气溶胶多的日期压得更多，两期影像的量纲根本不在一个层面上。差异图上的“变化”其实是大气状况的差异，不是地表变化。

解决：变化检测的输入必须统一产品级别，全部用 L2A，或者全部用同一套大气校正参数自己处理 L1C。如果做不到，至少在比较前做相对辐射归一化，用两期影像里的稳定地物（深水体、裸岩、大片建筑屋顶）做线性回归校正。这条我现在写进了项目模板的检查清单，每次新建流程第一件事就是断言所有输入产品的processingLevel一致。

6. 进阶：把这份文档变成自己的元数据底座

参数表读到这个程度，就该考虑怎么让它长期发挥作用了。我的做法是把那份四十多页的文档拆成机器可读的配置，放进项目仓库的config/sensors/目录，一颗星一个 YAML，字段就是前面那几个：轨道高度、倾角、重访、传感器类型、波段表、产品级别、极化选项、数据政策。

import yaml def load_sensor(name: str) -> dict: """按卫星名加载本地参数配置，缺失字段直接抛错，避免默认值兜底""" with open(f"config/sensors/{name}.yaml", encoding="utf-8") as f: cfg = yaml.safe_load(f) required = {"orbit", "sensors", "bands", "products"} missing = required - cfg.keys() if missing: raise KeyError(f"{name} 缺少字段: {missing}") return cfg

这段的意义不在于代码本身，而在于把“查文档”变成“读配置”。流水线里所有关于波段、分辨率、重访的判断都从这个配置里取，改一处全链路生效，不用去翻 PDF 对数字。配合一个 CI 任务，每次有人新增数据源或修改参数，就跑一遍字段完整性和量纲一致性检查——中心波长必须是纳米、分辨率必须是米、重访必须是天，单位混了立刻报错。

我还会在每个项目结束时补一行记录：这次用了哪颗星、哪一级产品、哪个模式、实际有效景数是多少。攒十几个项目之后，这张表和文档里的标称参数对照着看，就能看出哪些数字是理论值、哪些接近现实。比如某个区域实际有效重访往往是标称值的两到三倍，这个倍数比任何文档都更有参考价值。

说个具体的教训。早些年做一套区域土地覆盖更新，图省事直接按文档标称的 5 天重访排了季度四期，结果整个季度只凑出两期可用影像，后面全靠插值硬撑，成果精度一塌糊涂。从那以后我每次启动新项目，都会强制走一遍“查实际可用影像 → 统计有效采样间隔 → 再定时间窗口”的流程，参数表只用来做初筛，不再用来做承诺。希望这份拆解能帮你在下一次数据源比选时，少翻几页手册，多留几个小时给真正重要的处理环节。

本文还有配套的精品资源，点击获取