简介这是一份面向遥感、地理信息与生态环境监测学习者的常见遥感卫星参数速查资料系统梳理 SPOT、Landsat、Sentinel、JERS、ENVISAT、RADARSAT、ALOS、IRS 等系列的发展概况与主要参数并延伸至中国地球观测遥感卫星在陆地、气象等方向的发展现状。压缩包共 1 个 PDF 文件约 642KB篇幅紧凑目录按卫星系列与国别分章便于按任务需求快速定位和横向比较。已有 412 人学习适合课程作业、项目选星和参数核对时作为案头参考。读者可从中获得各卫星的发射背景、关键参数与典型应用等信息也能借助中外卫星对照建立选型思路为环境监测、灾害评估与资源管理应用打下基础。1. 遥感卫星参数看起来像一张查表清单实际是一份被压缩的工程约束文档遥感卫星参数最容易被当成查表用的清单要估叶绿素就翻红边波段要做形变就找 SLC要全覆盖就记住 12 天。多数人第一次翻 Sentinel-1 那几页会把注意力放在“12 天重访”上然后默认两周内总能拿到一景。真正跑过项目的人积累的血泪经验是12 天是轨道回归周期不是你的目标区被拍到的间隔能不能拍到还取决于单轨幅宽够不够拼满轨道间隙、入射角落在哪个子条带、这一轨的采集计划有没有被应急任务占走。把参数表读成字典只能回答“有没有这颗星”读成约束才能回答“这景数据为什么用不了”。后面拆的是几类参数之间的耦合关系轨道圈数怎么和幅宽互相锁定波段带宽怎么和空间分辨率互换产品分级又抹掉了哪些信息。这些耦合一旦理解清楚参数表上的每一列就不再是孤立数字而是一条能在代码里验证的物理关系。2. 轨道与重访693 km 的雷达星凭什么做到 6 天覆盖一圈2.1 太阳同步轨道的降交点地方时为什么比高度更要紧轨道高度决定圈数和地面轨迹但决定“这景数据长什么样”的往往是降交点地方时。太阳同步轨道的本质是让轨道面的进动率与地球绕日公转的角速度匹配结果是卫星每次经过同一纬度时太阳相对轨道面的位置基本不变。降交点地方时因此被固定下来同一地区连续多天成像时太阳高度角和方位角差异很小地表阴影、植被阴影和水体镜面反射的方向性都被压住多时相序列才有可比性。这一点对光学和雷达的意义完全不同。光学靠太阳当光源地方时漂移会直接改变辐照度进而影响大气校正的输入和 NDVI 这类比值指数的稳定性雷达自带发射源看似不挑光照但供电和热控依赖光照条件多数 SAR 卫星也选择晨昏轨道或接近固定的地方时让太阳能板输出稳定、热环境可预测。Sentinel-1 走的就是接近晨昏的轨道这也是它能长期保持辐射一致性的前提之一。地方时还会改变“同一轨道间隔”的含义。太阳同步轨道的高度和倾角是一组耦合解倾角约 98°、高度约 700–820 km 这个区间才能同时满足进动率要求与回归周期设计。想改高度就要重算倾角想改回归周期就要重算圈数参数表上那几个数字其实是联立方程的一组解不是随便挑的整数。理解了这层再看 98.18°、98.5°、98.65° 这些略有差别的倾角就知道它们对应的是不同的高度与回归周期组合而不是精度不够的近似值。2.2 重访周期的真实算法回归圈数决定轨道间隔幅宽必须盖住它重访周期最容易被误读的地方是把它当成单颗卫星绕地球一圈的时间。真正的定义是回归周期卫星在若干天内绕地球整数圈后地面轨迹重复。这个“整数圈”就是关键参数它直接决定赤道处相邻两条轨道的间隔——地球赤道周长约 40030 km除以回归圈数就是轨道间隔。赤道处轨道间隔 40030 km ÷ 回归圈数于是出现一条很漂亮的约束如果单轨幅宽小于这个间隔卫星在回归周期内就无法无缝覆盖全球必须依赖侧摆或者多星组网如果幅宽略大于间隔理论上一个回归周期就能铺满一圈。几颗主力卫星的参数几乎都卡在这条线上多出来的余量正好用于相邻轨道重叠、地形畸变补偿和边缘质量。卫星与模式回归周期回归圈数赤道轨道间隔标称幅宽覆盖比Sentinel-1 IW12 天175228.7 km250 km1.09Sentinel-2 MSI10 天143279.9 km290 km1.04Landsat-8 OLI16 天233171.8 km185 km1.08SPOT-5 HRG 双机26 天369108.5 km117 km1.08这张表里最值得看的是覆盖比那一列全部落在 1.04 到 1.09 之间几乎没有浪费。这不是巧合而是设计时的强约束——幅宽做大意味着焦平面探测器更长、数据率更高、星上存储和下行链路压力更大幅宽做小就意味着拼不满全球覆盖要拖到下一个周期。Sentinel-1 的条带模式SM只有 80 km 幅宽远小于 228.7 km 的轨道间隔所以它从来不是全球覆盖的主力模式只在特殊情况下用于小岛屿成像和应急支持这与参数表里的用途描述完全吻合。# 用回归圈数反推赤道轨道间隔检查幅宽是否足以单周期全覆盖 EARTH_CIRCUMFERENCE_KM 40030.0 missions { # 名称: (回归周期天数, 回归周期内轨道圈数, 标称幅宽 km) S1-IW: (12, 175, 250), S1-SM: (12, 175, 80), S2-MSI: (10, 143, 290), L8-OLI: (16, 233, 185), SPOT5: (26, 369, 117), } for name, (days, orbits, swath) in missions.items(): gap EARTH_CIRCUMFERENCE_KM / orbits # 相邻轨道在赤道上的间隔 ratio swath / gap # 大于 1 才可能不依赖侧摆全覆盖 full 可单周期覆盖 if ratio 1 else 需侧摆或多星补缝 print(f{name}: 周期 {days} 天 / {orbits} 圈, 间隔 {gap:.1f} km, f幅宽 {swath} km, 覆盖比 {ratio:.2f}, {full})这段代码算出的结果能直接解释很多现象S1-SM 的覆盖比只有 0.35所以它天然不是覆盖模式SPOT-5 必须把两个 HRG 的高分辨率几何仪器并排拼成 117 km 才能压线通过早期单机 60 km 的方案就只能靠 ±27° 的侧摆能力去补空档。实际工程里侧摆不是“额外能力”而是幅宽不足时的补偿手段代价是入射角变化、辐射不一致、重访不规律。双星组网是另一条路线。两颗卫星在同一轨道面内相位错开Sentinel-1 的 A、B 星相位差约 180°把 12 天压到 6 天Sentinel-2 的 A、B 星相差约 3 天把 10 天压到 5 天。注意这依然是“标称重访”指的是同一几何条件下被重复观测的能力。真正决定你能不能在某个日期拿到数据的是这一轨的采集计划表加上云量。参数表上的“6 天”是一个上限承诺不是平均交付时间。2.3 入射角与幅宽的交易从条带模式到超宽幅模式SAR 的模式切换本质是在三个量之间做三角交换幅宽、分辨率、入射角范围。Sentinel-1 的四种模式把这条交易线展示得很清楚。条带模式幅宽 80 km空间分辨率略优于 5 m×5 m入射角范围 18.3°–46.8°适合对小岛屿精细成像。干涉宽幅模式幅宽 250 km分辨率 5 m×20 m入射角 29.1°–46.0°分成三个子条带是陆地上的主要采集模式。超宽幅模式幅宽 410 km分辨率 20 m×40 m入射角 18.9°–47.0°分五个子条带主要服务海冰、极区和溢油监测。波模式只采 20 km×20 km 的小切片沿轨每 100 km、同入射角每 200 km 采一次专供公海风浪反演。为什么幅宽一大分辨率就必然变粗因为雷达是主动成像天线在方位向靠合成孔径积累在距离向靠脉冲压缩。幅宽扩大意味着距离向的接收窗口变长回波要在更长的时窗内采样脉冲重复频率必须下调以避免距离模糊而脉冲重复频率下降又会让方位向的采样变稀。三个子条带、五个子条带的划分就是用多个波束分别覆盖不同的距离向区间把“宽幅”拆成几段拼接代价是段与段之间入射角有跳变。这也解释了为什么跨子条带拼接时会出现辐射台阶——相邻子条带的入射角不同后向散射系数天然不连续。入射角的影响容易被低估。同一个地物在 30° 入射角和 45° 入射角下的后向散射系数可以差出几个 dB植被的体散射贡献、土壤的粗糙度响应都会变。跨模式、跨轨道的影像直接放在一起做变化检测得到的差异可能全部来自几何而不是地表。做时序分析时正确做法是先按入射角分层或者用角度归一化模型把 σ0 拉回参考入射角这一步在参数表里只写了一个范围实际使用中却是必须处理的环节。3. 波段设计13 个波段的哨兵二号为什么把红边安排在 705、740、7833.1 中心波长、带宽与信噪比的三方约束多光谱仪器的波段表看起来是一串波长背后是一组硬约束。焦平面上的每个探测器像元有自己的尺寸色散元件把入射光按波长铺开落在这个像元上的光谱区间宽度就是带宽。带宽越窄光谱分辨率越高能分辨的吸收特征越细但单位时间内落到像元上的光子数越少信噪比越低。想同时要窄带宽和高信噪比只能加大像元面积也就是降低空间分辨率或者加长积分时间也就是降低幅宽或提高轨道高度。把 Sentinel-2 的 13 个波段按分辨率分组这条约束立刻显现10 m 的四个波段490、560、665、842 nm带宽分别是 65、35、30、115 nm属于“宽波段换分辨率”20 m 的六个波段里1610 nm 和 2190 nm 的带宽达到 90 nm 和 180 nm这是短波红外探测器本身的限制60 m 的三个波段443、945、1375 nm带宽只有 20 nm窄得多的同时分辨率也粗得多因为它们的任务不是刻画地物细节而是为大气校正提供干净的光谱采样点。短波红外为什么要单独降到 20 m常见的实现思路是短波红外用的探测材料在长波截止和暗电流控制上比硅基可见光探测器难做像元尺寸难以压缩到 10 m 对应的地面采样还要兼顾制冷功耗。这是一条典型的工程取舍与其为了统一分辨率牺牲信噪比不如接受分辨率不一致在产品里按 10、20、60 m 分别提供让用户自己决定怎么重采样。3.2 红边三兄弟705、740、783 nm 在算什么红边是 680 到 750 nm 之间反射率快速上升的那段陡坡位置和斜率由叶绿素吸收与叶片细胞结构散射共同决定。叶绿素浓度升高时吸收带变宽红边整体向长波方向移动这个位移量就是红边位置能反映叶绿素含量和氮素状况。只有一个红边波段只能算一条斜率三个波段才能拟合形状。705 nm 位于红边起点附近对低叶绿素敏感740 nm 位于陡坡中段对中等覆盖度敏感783 nm 已接近坡顶对高生物量敏感。三个点连起来可估红边位置和一阶导数进而用 MTCI 这类指数反演叶绿素。相比之下NDVI 在叶面积指数超过 3 到 4 之后会饱和原因是红光波段的吸收已接近物理极限分子分母同步增大比值不再变化。红边指数在高生物量区不饱和的原因是它的分母用 705 nm 而不是 665 nm。705 nm 处叶绿素吸收尚未饱和反射率仍随叶绿素含量变化因此 (842−705)/(842705) 这类归一化红边差值指数能在冠层郁闭后继续保持敏感性。做农业监测时如果只留一个 NDVI作物长到中期以后就分不出长势差异加上红边波段同一景里能分出几个等级。这也是 705、740、783 三个波段被同时保留、而没有合并成一个宽红边波段的原因——合并后带宽变大、信噪比提升但红边位置这个二阶信息就没了。import numpy as np def ndvi(nir: np.ndarray, red: np.ndarray) - np.ndarray: 常规归一化植被指数红光取 665 nm高生物量区容易饱和 return (nir - red) / (nir red 1e-6) def ndre(nir: np.ndarray, red_edge: np.ndarray) - np.ndarray: 归一化红边差值指数red_edge 取 705 nm分母吸收未饱和 return (nir - red_edge) / (nir red_edge 1e-6) def red_edge_position(r705, r740, r783, wl(705.0, 740.0, 783.0)): 三点线性插值估计红边位置取相邻两段斜率最大处的交点 s1 (r740 - r705) / (wl[1] - wl[0]) s2 (r783 - r740) / (wl[2] - wl[1]) # 两段斜率相等处的波长即插值得到的红边位置 return wl[1] (s1 - s2) / (s1 - s2 1e-6) * (wl[2] - wl[1])三个函数的输入都要先做定标L1C 产品里的 DN 值除以 10000 才近似大气顶部反射率L2A 产品里的 DN 值除以 10000 得到大气底部反射率。两种产品混用会引入系统性偏差而 NDVI 这类比值指数虽然能部分抵消乘性误差但加性的大气程辐射抵消不掉。红边位置对波段间的相对定标更敏感因为它是差分再差分微小的波段配准误差就会被放大成位移。3.3 1375 nm 与水汽波段为什么只给 60 m945 nm 和 1375 nm 这两个波段在参数表上很不起眼分辨率 60 m带宽 20 nm用途写的是水汽、卷云和大气校正。这两个波段的共同点是落在大气吸收带里945 nm 是水汽吸收1375 nm 是强水汽吸收加卷云敏感区。落在这里的地表信号被大气吸收得所剩无几能拿到的信息主要是“光路上有多少水汽”“视场里有没有薄卷云”。既然任务是给大气校正提供参数那么空间分辨率就没必要高大气水汽和卷云在几公里的尺度上才是连续变化的60 m 足够插值。反过来说如果强行把 1375 nm 做到 10 m每个像元的进光量骤减信号几乎淹没在噪声里得到的只会是噪声图。窄带宽在这里也不是为了光谱精细而是为了把吸收带的形状切出来配合辐射传输模型反演水汽总量。这一点在实际使用中经常被误解。有人看到 60 m 波段第一反应是“上采样到 10 m 就变成了 10 m 数据”于是在 10 m 网格上做分类。上采样只是插值不会增加信息量反而把 60 m 尺度的平滑场强行拉到 10 m掩盖掉真正的空间细节差异。正确做法是保持原始分辨率做大气参数估计再把结果按模型需要重采样应用而不是反过来。3.4 12 bit 量化换来的是定标余量不是画质Sentinel-2 标称辐射分辨率 12 位辐射精度优于 5%。12 位意味着 4096 个量化级对比 8 位图像的 256 级多了 16 倍。这个提升的意义不在“看起来更清晰”而在暗目标和亮目标能同时被准确记录植被阴影区的反射率可能只有 1%–2%冰雪或云的反射率能到 90% 以上同一景里动态范围跨两个数量级。8 位量化下暗部只剩几级可用任何增益调整都会产生阶梯状条带。12 位还给大气校正留出了余量。大气校正要把大气顶部反射率反演成地表反射率暗像元法需要看清地表反射率 1% 量级的差异如果量化级不够反演结果会被量化噪声主导气溶胶光学厚度解算不稳定。代价是数据量。同幅宽下 12 位比 8 位多 50% 的原始体积压缩编码和下行链路都要重新设计这也是很多早期多光谱载荷只能用 8 位或 10 位的原因。看到参数表里写着“小于 5%”的辐射精度时真正要看的是它对应的是哪个辐亮度区间——通常是在动态范围中段做定标两端会差一些。4. 产品分级从原始包到地表反射率每一级到底处理掉了什么4.1 SLC 与 GRD相位在哪一级消失SAR 产品的分级逻辑和光学完全不同核心分水岭是“相位还在不在”。0 级产品是仪器源数据包由压缩后的原始回波连同轨道、姿态和内部校准数据组成噪声、参数和回波混在一起是所有高级产品的基础。1 级 SLC 是单视复数产品用卫星轨道和姿态数据做地理参考仍保持斜距几何图像里每个像素是含振幅和相位的复数。相位是时间的函数配上干涉处理毫米级的距离变化就能解出来这是形变监测、DEM 生成和地震形变的物理基础。1 级 GRD 是地距检测产品在 SLC 的基础上做了检测、多视和投影用椭球体模型把斜距几何展开到地距相位在这一级被彻底丢掉。GRD 的每个像素只剩下强度适合做分类、变化检测、水体提取和土壤水分反演但再也做不了干涉。参数表里“GRD 可用于土壤水分反演”和“SLC 可用于测距和形变观测”这两句话就是这条分水岭的直接后果。选择哪一级产品取决于你要的是强度还是相位和分辨率无关。很多人看到 GRD 文件名里也有 10 m 之类的字样就以为它和 SLC 只差一个投影实际上信息量已经少了一半。做 InSAR 必须回到 SLC而且要保证主从影像的轨道管、几何基线、时间基线都在合理范围内这些在 GRD 上无从谈起。4.2 L1C 的正射校正改写了什么光学产品的分级重点是几何和辐射两条线各自处理到哪一步。哨兵二号的分级里1A 和 1B 级属于内部产品不对用户发布1A 是解压后的原始影像1B 提供了大气顶部辐射亮度和传感器几何下的辐射校正包括暗信号、像元响应不均匀、串扰、坏像元插值、高分辨率波段恢复和 60 m 波段的空间滤波。1C 级是关键转折点。它用数字高程模型把影像投影到制图几何上输出大气顶部反射率提供把 DN 转成辐亮度的参数并统一重采样到 10、20、60 m 的固定地面采样距离同时附带云掩膜和欧洲中期天气预报中心的辅助数据臭氧总柱、水汽总柱、平均海平面气压。这一级没有做大气校正所以反射率里还留着气溶胶和 Rayleigh 散射的贡献。参数表里有个细节值得单独拎出来1C 级产品的像元坐标指的是像元左上角。这个约定和“像元中心”相差半个像元在 10 m 分辨率下就是 5 m 的系统性偏移。做小目标定位或与高分辨率底图套合时这个偏移会直接变成配准误差而且很难从目视上发现因为影像看起来是“对得上”的只是整体偏了一点点。4.3 L2A 的大气校正引入的不确定性2A 级产品提供大气底部反射率是经过大气校正的正射影像需要用户从 1C 级产品自行生产。从“能比较”到“可定量”这一步代价是引入了新的不确定性。大气校正要把大气顶部反射率反演成地表反射率需要知道气溶胶光学厚度、水汽含量、臭氧含量和气溶胶类型。这些量一部分来自影像自身的暗像元反演一部分来自再分析数据。暗像元反演的假设是“影像里存在反射率接近零的浓密植被或水体”如果整景都是裸土或雪假设不成立反演就会退化到气候态先验误差随之变大。再分析数据的空间分辨率通常比影像粗得多插值到像元尺度会抹平局地的气溶胶变化。这意味着同一景数据在不同时间跑两遍大气校正结果可能不一样因为先验数据更新了、算法版本变了或参数默认值调整了。做长时序分析时更稳的做法是固定处理链版本把处理参数连同结果一起归档跨传感器比较时要注意各家的气溶胶反演假设不同直接比较地表反射率可能在 1%–2% 的量级上引入系统偏差。这个偏差对分类影响不大对定量反演叶绿素或悬浮物就是决定性的。import rasterio # 打开 L2A 的 10 m 波段先确认几何与数据类型再决定怎么定标 path S2B_MSIL2A_20230601T104629_N0509_R008_V20230601_B04_10m.jp2 with rasterio.open(path) as ds: print(CRS:, ds.crs) # 制图投影L2A 已是正射后的 UTM 几何 print(Transform:, ds.transform) # 像元大小与左上角原点注意是左上角约定 print(Resolution:, ds.res) # 10 m 网格但原生的 20/60 m 波段是插值来的 print(Dtype:, ds.dtypes) # uint16DN 需除以 10000 才是反射率 print(Nodata:, ds.nodata) band ds.read(1).astype(float32) boa band / 10000.0 # L2A - 地表反射率L1C 这样算是 TOA print(反射率范围:, float(boa.min()), float(boa.max()))这段代码的用途不是读数据本身而是用元数据确认三件事投影是否已经正射、分辨率是不是原生、DN 的定标系数是多少。第三步最容易被跳过——L1C 和 L2A 的 DN 都除以 10000但一个是大气顶部、一个是大气底部数值范围看起来相似直接混用不会报错只会在结果里留下一个说不清来源的偏差。5. 避坑与排查参数对得上、结果却对不上的五个现场5.1 时间与覆盖类重访周期不是交付周期现象按 6 天重访做的采样计划实际两周才凑齐一景可用的目标区影像时序分析的时间间隔完全不均匀。原因6 天是双星在理想条件下的重复观测能力实际受三重约束。一是双星相位差决定了同一地区被两颗星覆盖的间隔并不恒定二是采集计划要与其他用户的任务竞争陆地上的干涉宽幅模式是主力模式热点区域排期紧张三是云量筛选之后能被光学卫星有效观测的日期本就不多。解决把重访周期当作上限而不是平均用采集计划表反查实际可获取日期在时序建模里显式引入时间不规则性而不是假设等间隔。做变化检测之前先统计目标区的有效观测频次频次不够就换数据源或者放宽时间窗口。5.2 数值与分级类60 m 波段上采样到 10 m 不等于 10 m 数据现象把 60 m 的水汽波段或 1375 nm 卷云波段插值到 10 m参与逐像元分类分类精度反而下降。原因上采样是插值不增加信息量。60 m 尺度的平滑场被拉到 10 m 网格后相邻像元之间高度相关等价于给分类器喂了大量冗余且低信息量的特征还会把真实的空间纹理抹平。更强的问题是插值方式本身双线性插值在边缘处会产生原始数据中不存在的过渡值。解决保持各波段的原生分辨率先在最粗的公共网格上做大气参数估计再把结果按物理模型的需要重采样到目标网格分类特征只用 10 m 和 20 m 的原生波段。确实需要统一网格时明确写清重采样方法并在元数据里记录别让下游误以为是原生 10 m。5.3 数值与分级类L1C 与 L2A 的 DN 混用不会报错现象一半影像用 L1C一半用 L2A拼接后出现明显的亮度台阶NDVI 在接缝处跳变。原因两个级别的 DN 都除以 10000数值范围接近读进来不报错。但 L1C 是大气顶部反射率含气溶胶和 Rayleigh 散射的加性贡献L2A 是大气底部反射率加性项已被扣除。两者的差异在蓝光波段最大在近红外最小所以比值指数不会完全抵消接缝处会出现系统性偏移。解决整条时序统一到同一级别优先全部用 L2A确实只能混用时用同一时期的重叠区做相对辐射归一化把 L1C 的像元拟合到 L2A 的基准上并把归一化系数存档。绝对不要靠目视调增益来“看起来一致”。5.4 几何与物理类跨入射角的 σ0 直接比较现象同一片农田在两景雷达影像上的后向散射系数差 3 dB 以上地面调查却显示地表状况没变。原因后向散射系数对入射角高度敏感。Sentinel-1 干涉宽幅模式分三个子条带入射角覆盖 29.1°–46.0°同一目标落在不同子条带时几何条件不同不同轨道、不同模式之间的差异更大。植被的体散射、土壤的粗糙度响应都随入射角变化3 dB 的差异完全可能全部来自几何。解决先按入射角分层比较同一层内做变化检测跨层分析时用角度归一化把 σ0 拉到参考入射角。常用的经验做法是假定 σ0 随入射角线性变化用同一区域多景数据拟合斜率再逐像元校正。归一化之后仍要保留原始角度的辅助波段方便回溯。5.5 几何与坐标类像元左上角与中心点的半像元偏移现象影像与底图套合时整体偏移约半个像元放大看不明显做小目标定位或亚像元配准时误差始终降不下去。原因不同产品对像元坐标的定义不同1C 级产品明确约定像素坐标指向左上角而不少软件默认按像元中心解释仿射变换。半个像元在 10 m 分辨率下是 5 m在 20 m 下是 10 m量级刚好落在“看起来没问题”和“精度要求过不去”之间。解决处理前先读元数据确认坐标约定用控制点做一次独立验证把偏移量写进配准参数。多源数据融合时统一到同一约定不要依赖软件默认值。6. 参数表的取舍没有一张能覆盖所有场景的对照表做了几年多源数据融合之后我越来越不相信“万能对照表”这个东西。原因很简单参数之间是耦合的你把某一列抽出来横向对比等于把约束关系丢掉了。幅宽和分辨率是一对轨道高度和回归圈数是一对波段带宽和信噪比是一对产品级别和信息量是一对。任何一张表如果只列单列数值读的人就会自然地以为这些数值可以自由组合。真实情况是一颗卫星的所有参数是同一组方程的解改动一个就要牵动其他。Sentinel-1 的 250 km 幅宽不是随便定的它必须盖住 228.7 km 的轨道间隔Sentinel-2 的 290 km 也是同理多出来的 10 km 是给重叠和边缘质量留的余量。所以选数据时我习惯按需求倒推而不是按参数正查。需求场景优先看的参数容易被忽略的约束大范围土地覆盖制图幅宽、回归圈数、波段设置幅宽是否盖住轨道间隔否则拼图有空隙作物长势时序监测红边波段、重访周期、云量高生物量区 NDVI 饱和需要红边指数地表形变监测是否提供 SLC、波长、时间基线GRD 没有相位无法做干涉水体与浑浊度反演可见光波段带宽、辐射量化位数气溶胶校正质量决定反演下限应急灾害响应模式切换能力、侧摆范围、采集计划标称重访不等于当天有数据这张表也有它的问题每一行都只是起点真正的决策还要结合目标区的纬度、地形、气候和数据获取成本。低纬度地区轨道间隔在赤道处最大高纬度地区轨道收敛、重叠增多同一颗星在不同纬度的实际覆盖能力差别很大山区的正射校正依赖 DEM 质量几何精度可能比标称值差一个量级。从那以后我每次拿到新数据都先做三件事把回归圈数和幅宽除一遍确认覆盖比把定标系数和产品级别写进脚本常量不让它散落在各处把像元坐标约定用控制点验一遍。这三步花不了十分钟但能挡掉后面几天的返工。希望帮到你。本文还有配套的精品资源点击获取