企业官网建设流程全解析

做遥感这些年，哨兵2号（Sentinel-2）几乎成了我默认的第一数据源。它免费、公开、全球覆盖，拥有13个波段，双星配合下5天就能重访一次，而且ESA官方直接发布经过大气校正的Level-2A地表反射率产品。可以说，它把过去很多需要自己动手解决的技术门槛降到了很低的程度。但数据好拿，不代表解析流程简单——从影像下载、预处理、波段组合，到指数计算、传统算法分类，再到深度学习模型训练，每一步都有不少道道。这篇文章我按自己实际跑通项目时的顺序，从步骤、算法到AI应用，把这套全流程拆开细讲，也附上我踩过的坑。无论你是遥感入门学生、GIS从业者，还是从计算机视觉转来做遥感方向的AI工程师，应该都能从这里找到直接能用的东西。

1. 哨兵2号数据基础：波段设计、分辨率与获取方式

1.1 13个波段是怎么设计的

哨兵2号搭载的是MSI（Multi-Spectral Instrument，多光谱成像仪），它不像Landsat那样在宽波段上做中规中矩的观测，而是把光谱切得更细，尤其是红边区域的连续覆盖。这13个波段分别落在可见光、近红外和短波红外区间，分辨率也分成三档：10米波段有4个（B2蓝、B3绿、B4红、B8近红外），20米波段有6个（B5/B6/B7红边、B8A窄近红外、B11/B12短波红外），60米波段有3个（B1气溶胶、B9水汽、B10卷云）。

这里最关键的设计点就是红边波段。B5约705nm、B6约740nm、B7约783nm，这三个波段正好卡在植被光谱“红边”快速上升的位置，对叶绿素含量、氮素胁迫、物候变化非常敏感。传统Landsat只有一两个宽波段，很难精细刻画植被的生理状态，而哨兵2号把这块补上了。农业遥感里经常用的红边NDVI（NDVIre）就是靠B5/B6做出来的，用在作物长势监测上比常规NDVI滞后性更小，表现也好得多。

另外哨兵2号是12bit辐射分辨率，DN值范围0到4095，相比Landsat的16bit虽然位数低一些，但已经足够容纳高亮建筑物和阴影区域的反差。实际处理时你会发现，它在云层、雪地和城市高反射区的细节比8bit数据好处理得多，不容易出现白饱和一片的情况。

1.2 Level-1C和Level-2A怎么选

哨兵2号的数据产品级别，日常最常用的是L1C和L2A。L1C是经过几何精校正的大气表观反射率产品，像素值是SR（Top of Atmosphere Reflectance），单位反射率，不是DN值。它没有做大气校正，也就是说影像里面还混合了大气分子和气溶胶的散射影响，直接拿去做定量分析，比如算NDVI的绝对值、反演叶面积指数，都会偏。

L2A是经过大气校正的地表反射率产品，ESA官方用Sen2Cor程序统一处理，输出才是真正的地面反射率（Bottom of Atmosphere Reflectance，BOA）。L2A还附带一个Scene Classification Layer（SCL），把云、阴影、水体、雪等类别都标好了，这对后续云掩膜处理特别方便。从2017年起L2A就已经全球范围内正式发布，现在在Copernicus平台下载时，默认选L2A基本不会错。

我的建议是：凡是做时序分析、定量反演、分类训练，一律直接使用L2A，把时间节省下来用在更值得分析的地方。只有你做大气校正方法研究、对比不同校正算法的场景下，才需要回到L1C自己跑Sen2Cor。

1.3 数据获取渠道对比

获取哨兵2号影像的渠道很多，我按自己的使用频率排个序：

Copernicus Data Space Ecosystem：这是欧洲航天局的官方分发平台，支持浏览器交互式选区和下载，也提供API批量获取。数据全、延迟低、版本最新，适合做正式项目。申请账号后，可以通过Sentinel Hub、OData API等方式批量查询和下载。

Google Earth Engine（GEE）：如果不想操心下载、存储、预处理这些事，GEE是最快的入口。里面可以直接调用COPERNICUS/S2_SR_HARMONIZED集合（注意要选HARMONIZED版本，它把L2A数据统一到了Landsat的坐标系，避免了一些波段对齐偏差），在云端做掩膜、指数计算、时序合成，几分钟出一张全国范围的NDVI图都没问题。

Microsoft Planetary Computer：类似GEE的云平台，STAC接口规范做得好，适合做更开放的数据工程架构时使用。

其他像AWS公开数据集、国内一些镜像站点也能获取，但版本和时效性参差不齐。我个人更推荐把Copernicus或GEE作为主渠道。

2. 预处理：从原始影像到可分析数据的关键步骤

2.1 辐射定标、大气校正与重采样

很多人一开始容易忽略这步，直接拿L1C像元值算植被指数，结果发现数值范围一塌糊涂。遥感影像的记录值要经过一条链路才变成“物理量”：传感器记录的DN值先做辐射定标，转换成辐射亮度或反射率；再经过大气校正，把大气分子散射、水汽吸收、气溶胶影响去掉，得到地表反射率。

L2A其实已经把辐射定标和大气校正做完了，这里就不重复讲原理，但你需要知道它用的Sen2Cor是做什么的。Sen2Cor是基于查表法和辐射传输模型近似的大气校正器，能同时输出地表反射率、气溶胶光学厚度（AOT）、水汽柱含量和SCL分类层。如果你拿到的是L1C，跑一遍Sen2Cor就能得到L2A。

重采样则是把不同分辨率的波段统一到同一个网格上。10米波段和20米波段空间分辨率不一致，做波段融合或指数计算前必须重采样。一般做法是统一到10米，使用双线性或三次卷积插值。千万别用最邻近插值去重采样20米波段到10米，会让红边波段出现明显的块状感，特别是在地物边缘。但反过来，如果只是计算指数不要求空间细节，也可以统一到20米，能减少不少内存占用。

2.2 云检测与掩膜处理

云的干扰是光学遥感永远的痛。哨兵2号的L2A自带SCL波段，里面把影像分成了11类，包括0无数据、1饱和/缺陷、2暗部、3云影、4植被、5裸土、6水体、7低云、8中云、9高云、10雪、11云。尤其是3、7、8、9这几类，做掩膜时可以直接置为无效。

但SCL在高亮地表（比如城市、盐碱地）上偶尔会误判，把房屋错分成云。这种情况下可以结合s2cloudless模型，它是哥白尼计划开源的一个基于LightGBM的云检测器，通过概率阈值判断每个像元是否为云，效果通常比SCL更精细。我的做法是两者结合：以SCL为主，对疑似边界像元再用s2cloudless的概率值复核。

如果做的是大范围时间序列分析，更省心的是直接在GEE里用CLOUDY_PIXEL_PERCENTAGE元数据筛影像，再叠加SCL掩膜，最后用中位数或绿度最大值合成，这样生成的影像基本干净。这里给一段常用的GEE预处理代码：

// GEE预处理示例：加载哨兵2 L2A并计算NDVI var s2 = ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED") .filterBounds(roi) .filterDate("2024-01-01", "2024-12-31") .filter(ee.Filter.lt("CLOUDY_PIXEL_PERCENTAGE", 20)) .map(function(img) { // 使用SCL波段生成云和阴影掩膜 var scl = img.select("SCL"); var cloudMask = scl.gte(3).and(scl.lte(9)).not(); var ndvi = img.normalizedDifference(["B8", "B4"]).rename("NDVI"); return img.updateMask(cloudMask).addBands(ndvi); }); var composite = s2.median().clip(roi);

注意HARMONIZED版本偶有负值像元，通常是海岸或地形阴影导致的，分析前裁剪到合理范围更稳妥。

2.3 坐标与裁剪

预处理里最容易被小看的是投影坐标系。哨兵2号L2A原始数据默认是UTM投影，但不同分带之间拼接时坐标基准会不一致。做小范围分析直接用UTM没问题，但跨带的大区域制图，建议统一重投影到Albers等积投影或者国家平面坐标系，再看你要做面积统计还是空间分析来选择。千万别在Web墨卡托（EPSG:3857）下直接算面积，纬度越高偏差越大，统计结果会明显偏大。

裁剪时同时注意边界对齐，如果和行政区划、地块矢量数据叠加，保持原始坐标系一致可以减少很多不必要的麻烦。

3. 波段组合与指数计算：让影像“开口说话”

3.1 常用波段组合的RGB通道设置

我经常看到新手提问“怎么把哨兵2号弄成好看的彩色图”。其实不同的波段组合对应不同的信息表达，调色板上RGB三个通道分别放哪个波段，直接决定了你能看到什么。这里列几个我几乎每个项目都会用到的组合：

真彩色组合：R=B4，G=B3，B=B2。直观，用于目视解译和报告展示，但植被偏暗，层次不够丰富。

假彩色植被组合：R=B8，G=B4，B=B3。近红外放到红色通道，植被呈现鲜红色，农田和森林边界清晰，是做植被制图时的首选。

农业/短波红外组合：R=B11，G=B8，B=B2。短波红外对含水量和土壤背景敏感，裸地和农田对比度高，常用于干旱监测、土壤湿度分析。

红边植被组合：R=B8，G=B5，B=B4。红边波段对叶绿素变化敏感，能看出作物早期胁迫和成熟度差异，比普通假彩色更精细。

水体组合：R=B8，G=B11，B=B3。水体在水色差异和悬浮物识别上更有效，适合做水环境监测。

这些组合都不是死的，做项目时多换几个组合对比看，信息量差别很大。比如早期判读建设用地，我习惯用B12、B8、B4的组合，城市不透水面会呈暗紫红色，和周边农田区分极明显。

3.2 植被与水体的核心指数计算

指数计算的本质是把多波段信息压缩成一个有物理含义的单波段变量。哨兵2号最常用的几个指数如下：

计算NDVI这类比值指数时，分母接近0的区域（水域、阴影）会出现噪声，代码里通常加一个极小量eps来防除零，例如(nir - red) / (nir + red + 1e-10)。

这里特别强调一下NDWI的老版本和MNDWI在哨兵2号上的表现。传统NDWI用的是绿光和近红外，在包含建成区的影像里，建筑物不透水面也会呈正值，导致水体误提。MNDWI改用短波红外B11做分母，水体信息更强，城市阴影和水体区分度高很多。我在做城市内涝淹没范围提取时，MNDWI的效果明显好于NDWI，建议优先用它做水体提取任务。

3.3 指数在长时间序列分析中的用法

哨兵2号双星带来5天重访，这让NDVI时序曲线在农业监测里非常有用。实际做法是先对每个月份做中值合成，生成一张月尺度NDVI影像，再按月堆叠成时间序列。然后可以物候参数化：提取生长季开始时间、峰值时间、峰值NDVI、生长季长度、生长季NDVI积分等。这些特征可以直接用于作物分类和产量估算。

时序分析还有一个常被忽略的好处：对单期影像里的云和噪声有天然平滑作用。用中位数合成代替最大值合成，能大幅降低异常值影响。比如用每月中值合成NDVI，即使某旬有云污染，时序曲线上也就只是一个小凹陷，而不是一条突兀的尖刺，后面对比分类就会稳定得多。

4. 传统遥感算法：从阈值分割到随机森林

4.1 阈值分割：最简单却仍好用

阈值分割看着简单，但它是很多实际生产项目的基石。核心思想是指数值在某个阈值两侧属于不同地类，比如NDBI大于0.15的像元判为建筑区，NDWI大于0的判为水体，NDVI大于0.6判为茂密植被。

难在阈值怎么定。如果影像直方图呈双峰分布，直接取两峰之间的谷底即可，这就是直方图双峰法。更自动化的做法是用最大类间方差法（OTSU），它自动搜索一个阈值，让分割成两类的类内方差最小、类间方差最大。对单景影像做水体或植被提取，OTSU几乎是无脑可用的首选。

但在大范围或者多时相场景下，全局固定阈值并不可靠。同一套NDVI阈值，在不同地区、不同季节、不同传感器状态下表现差异巨大。这时可以分段自适应：先按行政区域或生态分区统计指数分布，各区域独立定阈值。我在做城市扩展监测时，就是分城郊和远郊两块分别用OTSU提建设用地，再合并结果，准确率比全图一刀切高不少。

4.2 非监督分类与监督分类

非监督分类不需要样本，适合快速摸底。K-Means和ISODATA是常见算法，把像元光谱向量聚类到K个类别，再人工判读每个类别的意义。实际操作时，根据影像地类复杂度设置K通常从10到20类，宁多勿少，聚类后再去归并。这样做法的优点是快、不依赖训练样本，缺点是类别与目标地类没有直接对应，后期人工处理量大，而且很难保证分类边界的地物合理性。

监督分类则是先由人选定代表性样本，再训练分类器。最大似然分类是最经典的方法，假设每一类的光谱值服从多维正态分布，然后用概率密度做分类。它的优点是统计理论扎实，小样本下效果稳定；缺点是当类别光谱分布不规则、多峰时，正态假设会崩掉。

真正在工程里用得最多的其实是随机森林（Random Forest）。它对非线性关系适应力强、对高维特征不敏感、不容易过拟合，还能输出特征重要性排序。实际做土地利用分类时，我常用20米波段（B5/B6/B7/B8A/B11/B12）加派生指数（NDVI/MNDWI/纹理特征）一起扔进随机森林，分类精度明显高于只用原始10米波段。

支持向量机（SVM）在小样本高维数据上表现也好，特别是样本量少、维度高、类别复杂的场景。它的关键是核函数选择，径向基核最通用，但对参数（C和gamma）比较敏感，需要网格搜索调参。我的体会是，在同等样本量下，SVM在精细地类（比如不同作物类型）上的表现常优于随机森林，但训练速度慢，调参麻烦，样本多的时候往往随机森林更划算。

4.3 面向对象影像分析（OBIA）

像元级分类的一个大问题是椒盐噪声。地物本身是斑块状分布的，但单个像元的分类结果却可能是碎点，导致最终图斑细碎、边界不平滑。面向对象影像分析（Object-Based Image Analysis，OBIA）先把影像分割成同质图斑，再基于图斑的光谱、纹理、形状、上下文特征分类，能很好解决这个问题。

分割阶段，商业软件eCognition里的多尺度分割最经典，通过设置尺度参数控制图斑大小，再结合光谱和形状因子调节同质性。开源实现里，可以用SLIC超像素或者scikit-image里的quickshift做近似效果。分割质量直接决定上限，所以这一步值得反复调参：尺度太大会把不同地类揉进一个图斑，尺度太小又会出现大量碎片。

分类阶段同样用随机森林或SVM，只是特征从像元变成了图斑的统计量：均值、标准差、面积、周长/面积比、纹理（GLCM）等。OBIA做高分辨率影像地物提取很稳，尤其在建筑物、不透水面这类有明显形状特征的地物上，比像元分类高出好几个身位。

5. AI与深度学习：语义分割、变化检测与数据标注

5.1 为什么遥感的深度学习落地要先解决数据问题

深度学习这几年把遥感影像分类推到了一个新高度，但我接触到的很多AI工程师第一反应是“这不就是图像分割吗”，然后拿着ImageNet预训练的U-Net直接跑，最后精度惨不忍睹。问题就出在数据和任务定义上。

遥感影像和自然图像有本质差异：第一，输入通道通常不止RGB，哨兵2号至少要用B2/B3/B4/B8四个10米波段，加上红边和SWIR波段效果更好；第二，目标是俯视视角下的地物，尺度差异巨大，一个小区和一块足球场在影像上的视觉相似度比自然图像里猫和狗相似度高得多；第三，类别极其不均衡，建成区、植被、裸土、水体占比悬殊，如果直接用交叉熵损失训练，小类目基本被大类目淹没。

因此我的建议是，动手训练前至少要把三件事确认好：训练样本是否覆盖了所有的地物场景，包括季节变化和区域差异；标签类别定义是否清晰，统一到同一个分类体系；特征通道是否归一化到合理范围。数据没准备好，模型再花哨也是白搭。

5.2 常用语义分割与变化检测模型

语义分割是把每个像元分类成地物类别，这在遥感里应用最广，建筑物提取、水体分割、作物类型制图都属于这类任务。

U-Net是最经典的骨干模型，靠编码器-解码器结构和跳接连接保留了空间细节，小样本下比很多新模型还稳，我现在依然把它当基线来用。它在遥感上的训练成本低，框架成熟，源码到处都是，适合作为第一个跑通的模型。

**DeepLabV3+**通过ASPP（空洞空间金字塔池化）结构融合多尺度上下文信息，对大目标分割比如城区建筑物整体、大范围水域，比U-Net更有优势。它也继承了编码器-解码器的结构，但解码器更轻量，训练速度也快。

SegFormer这类基于Transformer的模型，优势在于对全局上下文的建模能力很强，适合分割大块连片地物、处理长距离依赖，比如大范围农田边界、城市场景中的道路网。缺点是训练显存占用大，对小目标精细度有时不如U-Net系列。

在实际项目里的选择逻辑是：先看目标尺度，再做测试。小地块、细碎地物优先用U-Net；大范围均匀地物考虑DeepLabV3+；如果数据集很大、想要更高精度，再用SegFormer这类Transformer。不管用哪种，训练时损失函数建议用CrossEntropyLoss + DiceLoss组合，能有效压制类别不平衡。

变化检测也是哨兵2号的大应用场景，比如城市扩张、植被砍伐、灾后评估。这类模型输入是两期影像，输出是变化区域掩膜。经典方案是孪生网络系列（Siam-Net、Siam-Unet），新一些的有ChangeFormer这类带Transformer的模型，专门挖掘时序上下文。如果只是想知道哪儿变了、没变，也可以先对两期影像分别做分类，再对比分类结果，这样还能告诉你变化类型，比如从耕地变成建设用地。

5.3 训练与推理的工程细节

遥感影像通常是大尺寸栅格，没法直接整张喂给模型。标准做法是切割成patch，比如512x512像素。切块时要注意重叠，训练阶段建议带一定的overlap（比如64到128像素），推理阶段用滑窗加边缘羽化拼接，避免边界处产生接缝痕迹。

训练集和验证集的划分不能随意随机切分。同一景影像内相距很近的像元光谱强相关，如果随机划分，模型可能记住空间位置而不是学出通用的语义特征，这叫空间自相关导致的数据泄漏。正确做法是按空间区域划分，比如以地块或行政区为单位，一组区域训练、另一组区域验证，这样评估出的泛化能力才真实可靠。

推理阶段，模型从PyTorch导出ONNX后可以大幅提速，还可以用TensorRT做半精度推理。如果是部署到云服务做在线瓦片推理，通常会把模型切到小patch，按四叉树动态加载影像瓦片，逐瓦片预测后拼接。遥感模型部署的重点不是模型花哨，而是工程链路稳定。

5.4 数据标注与现成标签库

标注是深度学习遥感项目里最耗人力的环节。常用标注工具有LabelMe、QGIS加半自动标注插件、Raster Vision等。建议先用传统算法（比如NDWI、OTSU）做一个初版分割结果，人工只修正边界，这样能省下不少时间。对于地块类目标，甚至可以先跑SLIC超像素，再把超像素聚合结果让人工确认，比从零画多边形轻松很多。

如果你不想从零标注，也有不少现成的高质量全球产品可以直接当作训练标签。ESA的WorldCover用哨兵1号/2号影像生成了10米分辨率全球土地覆盖数据，类别体系清晰；ESRI 2020 Land Cover也类似；Google的Dynamic World更偏动态，逐景输出概率结果。用这些产品做标签训练自己的分类器，虽然会有一些标注噪声，但只要选择时序中比较稳定的区域做样本，效果往往还不错。

近几年SAM（Segment Anything Model）开源后，遥感社区也出现了SAM-Remote这类适配方案，能零样本分割出很多地物目标。不过SAM本身不直接做语义分类，更合适的用法是先生成分割掩膜再做人工打标签，或者结合CLIP做自动分类，相当于一个强大的预标注工具。

6. 实操中踩过的坑与提速技巧

6.1 云和薄雾：最常见的数据杀手

我踩过的最大坑，是早期不注意云掩膜，直接拿L2A算NDVI时序，结果冬春季的NDVI曲线上出现一堆异常的负值尖峰。后来学聪明了，任何单景分析都要先看SCL或者s2cloudless掩膜，时序分析尽量用月合成。

薄云和雾最棘手，因为SCL对它们识别没那么准。这种时候，我一般会把影像放到短波红外和红边组合下目视检查一遍，薄云区域在B11上的纹理会被抹平。处理薄云污染还有一招：用B1气溶胶波段做参考，构建一个雾霾指数，然后做相对辐射归一化，但这个方法的参数调节比较复杂，一般项目里我宁可直接找无云时相的影像替换。

6.2 内存不够？分块处理才是正解

哨兵2号一景L2A在10米分辨率的全尺寸下大约是1万像素乘1万像素的水平，单波段内存占用就接近400MB，多波段、多时相叠起来，普通电脑很容易卡死。我刚开始做全国尺度分析时，因为图方便直接在本地一次性处理，结果不是内存溢出就是硬盘写满。现在我的习惯是：能用GEE/Planetary Computer在云端做的就不下载，必须下载的场景严格按图幅分块，每个分块单独预处理，最后再拼镶嵌。模型推理时，分块更是必须项，滑窗重叠后再加权融合，基本看不出拼接痕迹。

6.3 现成标签库与预训练权重：别重复造轮子

做AI分类时，很多人一开始都会从标了上千个多边形开始，我却建议先找现成的：

一是已有全球分类产品当标签，比如WorldCover、ESRI Land Cover、Dynamic World，这些产品即便不完美，也远比十几个孤立的样本点可靠。

二是用预训练权重做迁移学习。遥感领域有TorchGeo等开源库，CLIP也出现了遥感版本RemoteCLIP，能让模型理解“这是建筑区”“这是植被”这类语义。即便你不做零样本分类，用预训练权重初始化编码器再在自己的数据上微调，也能大幅减少标注量。

三是利用哨兵2号自身的时序信息做自监督预训练，比如SatMAE、ScaleMAE这类方法，先用大量无标注影像学习光谱时空表征，再微调到下游任务。虽然自监督预训练对个人开发者来说门槛偏高，但社区里公开权重越来越多，直接用也是个路子。

6.4 面积统计与坐标系陷阱

最后说一个我屡试不爽的经验。做完分类、出一张漂亮的专题图的时候，很多人会顺手用QGIS里的“字段计算器”算面积，结果发现单位是度，数值毫无意义。明确一下：EPSG:4326经纬坐标系下没有真实的面积和距离含义，EPSG:3857下也不是等积投影。要做面积统计，务必先重投影到UTM分带或者Albers等积投影上，再进行计算。

另有一个细节是哨兵2号原始数据使用UTM分带，但北极地区分带处理比较特殊，跨带拼接时不要盲目重投影，建议参考相邻图幅的元数据确认投影参数统一。

6.5 重要教训：预处理比模型更影响结果

文章最后给刚入门的朋友一句实在话：如果你要做土地利用分类，先确保输入数据没有问题，再做模型。在脏数据上跑再好的模型，结果也只是垃圾进垃圾出。我见过不少同学花大力气调网络结构，NDVI却还在用不干净的原始反射率计算，边界一塌糊涂。先把数据基础打牢，再把波段组合、指数计算、样本质量这些环节走稳，模型部分反而没那么玄乎。

我个人的习惯流程是：先选一景云量最少的影像，走一遍“下载—预处理—画样本—训练—推理—出图”，把链路跑顺，再逐渐扩大到多时相、大范围。这个过程枯燥但有效，很多“看起来突然很厉害”的项目，背后其实都是这些基础功夫堆出来的。

遥感的AI应用这几年进展确实快，变化检测、大模型、自监督一个个火起来，但快速变化的技术背后，对数据物理意义的理解才是真正能长期复用的能力。希望这篇内容能帮你把哨兵2号解析链路走通，少走点我当年走过的弯路。