第一章：Python卫星遥感数据解析概述

典型遥感数据格式与读取方式

# 使用rasterio读取GeoTIFF，自动解析坐标参考系（CRS）和地理变换（transform）
import rasterio
with rasterio.open("LC09_L1TP_012031_20230515_20230515_02_T1_B4.tif") as src:
    data = src.read(1)  # 读取第1波段（红光）
    crs = src.crs       # 获取WGS84或UTM投影信息
    transform = src.transform  # 像素到地理坐标的仿射变换矩阵

核心依赖库功能对比

基础处理流程关键环节

• 元数据解析：提取时间、传感器、分辨率、云量、太阳天顶角等关键字段
• 地理配准：利用affine transform将像素索引映射至WGS84经纬度或平面坐标
• 辐射定标与大气校正：将DN值转为表观反射率或地表反射率（常调用Py6S或ACOLITE接口）
• 多时相对齐：通过重采样+影像配准（如OpenCV或rasterio.warp.reproject）实现像元级时空一致性

第二章：Landsat-9与Sentinel-2数据获取与元信息解析

2.1 NASA Earthdata与Copernicus Open Access Hub认证机制原理与Python自动化登录实现

认证机制差异对比

Earthdata自动化登录核心逻辑

# 使用requests.Session保持会话状态
session = requests.Session()
# 先获取登录页以提取CSRF token
resp = session.get("https://urs.earthdata.nasa.gov/login")
csrf_token = re.search(r'name="csrf_token" value="(.*?)"', resp.text).group(1)
# 提交凭证（含隐藏字段）
session.post("https://urs.earthdata.nasa.gov/login", data={
    "username": "your_user",
    "password": "your_pass",
    "csrf_token": csrf_token
})

Copernicus简易认证方式

• 无需交互式登录，直接在请求头中嵌入Base64编码的username:password
• 所有API请求均需添加Authorization: Basic <encoded>头

2.2 使用USGS API与sentinelsat库完成Landsat-9 Level-1与Sentinel-2 L1C产品精准检索与批量下载

双源协同检索策略

认证与初始化

# 初始化双客户端
from usgs import api as usgs_api
from sentinelsat import SentinelAPI

usgs_api.login('username', 'password')  # USGS账户凭证
api = SentinelAPI('copernicus_user', 'copernicus_pass', 'https://scihub.copernicus.eu/dhus')

时空约束联合查询

1. 定义AOI为GeoJSON多边形坐标序列
2. 设置时间窗口：2023-01-01至2023-12-31
3. 分别调用usgs_api.scene_search()与api.query()

产品元数据关键字段对比

2.3 XML/MTL/SAFE元数据结构解析：提取太阳天顶角、观测几何参数及波段响应函数

元数据格式差异与共性

关键参数定位示例

<PHYSICAL_GAINS>
  <GAIN unit="DN/(W/m²·sr·µm)" bandId="2">0.000256</GAIN>
  <SUN_ZENITH_ANGLE unit="deg">37.24</SUN_ZENITH_ANGLE>
</PHYSICAL_GAINS>

波段响应函数结构

2.4 多源数据时空对齐策略：基于WRS-2与MGRS网格系统实现Landsat-9与Sentinel-2像元级匹配

网格映射原理

坐标转换代码示例

# 将Landsat-9 WRS-2 Path/Row 转为 MGRS 100km 网格标识
from pyproj import CRS, Transformer
from mgrs import MGRS

def wrs2_to_mgrs_grid(path: int, row: int) -> str:
    # 查表获取WRS-2对应中心经纬度（简化示意）
    lat, lon = wrs2_centroid(path, row)  # 实际调用USGS WRS-2 lookup DB
    mgrs_inst = MGRS()
    return mgrs_inst.toMGRS(lat, lon, MGRS_PRECISION=2)  # 返回如 '48PUU'

时空匹配关键参数

2.5 数据完整性校验与云掩膜预加载：利用QA_PIXEL与SCL波段构建可信像元掩膜

双源协同掩膜策略

关键位解析与掩膜生成

# 提取QA_PIXEL中云置信度≥Q3且非填充像元
cloud_bitmask = (qa_pixel & 0b0000001100000000) == 0b0000001000000000
valid_mask = (qa_pixel & 0b0000000000000011) == 0b0000000000000000
final_mask = cloud_bitmask & valid_mask & (scl != 8) & (scl != 9)  # 排除云/云影（SCL=8/9）

掩膜质量评估指标

第三章：辐射定标与大气校正核心算法实现

3.1 基于DN值到TOA反射率的物理模型推导与Landsat-9 OLI-2辐射定标Python向量化实现

物理模型核心公式

向量化定标代码实现

import numpy as np
def dn_to_toa_reflectance(dn, ml, al, esun, theta_s, d):
    """批量计算TOA反射率（支持numpy数组输入）"""
    L = ml * dn + al                      # 辐射亮度（W·m⁻²·sr⁻¹·μm⁻¹）
    cos_theta = np.cos(np.radians(theta_s))
    return (np.pi * L * d**2) / (esun * cos_theta)

Landsat-9关键参数表

3.2 Sentinel-2 L1C到L2A级大气校正原理：调用sen2cor底层接口与替代性6S-Python封装实践

sen2cor底层调用示例

sen2cor --resolution 10 --sc_only --l2a_output_dir ./L2A ./S2A_MSIL1C_20220515T023621_N0400_R026_T49QGK_20220515T043725.SAFE

6S-Python封装关键流程

• 读取L1C元数据（MTD_MSIL1C.xml）提取太阳天顶角、观测几何与气溶胶类型
• 构建6S输入文件，调用py6s库执行逐波段大气透过率与路径辐射反演
• 融合地表反射率结果并重采样至原始栅格坐标系

两种方法性能对比

3.3 同步辐射归一化处理：构建Landsat-9与Sentinel-2跨传感器BRDF校正与光谱响应匹配矩阵

BRDF校正核心流程

光谱响应匹配矩阵构建

归一化处理代码实现

# BRDF-normalized reflectance: ρ_norm = ρ_obs × f(θ_s, θ_v, φ) / f_ref
import numpy as np
def brdf_normalize(rho_obs, theta_s, theta_v, phi, k_iso=0.12, k_vol=0.45):
    """Ross-Thin + Li-Sparse kernel combination"""
    geo_term = (np.pi - np.arccos(np.cos(theta_s) * np.cos(theta_v) + 
                 np.sin(theta_s) * np.sin(theta_v) * np.cos(phi))) / np.pi
    return rho_obs * (k_iso + k_vol * geo_term) / (k_iso + k_vol * 0.5)

第四章：多源NDVI动态制图与时空分析

4.1 NDVI数学定义与物理意义再审视：植被覆盖度、冠层结构与土壤背景干扰解耦分析

NDVI基础表达式及其局限性

NDVI = (ρ_NIR - ρ_RED) / (ρ_NIR + ρ_RED)

土壤-植被辐射解耦关键参数

• 土壤调节植被指数（SAVI）引入土壤亮度调节因子 L；
• 增强型植被指数（EVI）通过蓝光波段校正大气与土壤噪声；
• 改进型土壤调节指数（MSAVI2）自适应估算 L，避免经验设定偏差。

典型指数对比（L=0.5时）

4.2 基于rasterio+numba的高性能NDVI批处理流水线：支持超大区域（>10,000 km²）内存映射计算

核心设计思想

关键代码片段

import rasterio
from numba import jit
import numpy as np

@jit(nopython=True, parallel=True)
def ndvi_batch(nir: np.ndarray, red: np.ndarray, out: np.ndarray):
    for i in range(nir.shape[0]):
        for j in range(nir.shape[1]):
            denom = nir[i, j] + red[i, j]
            out[i, j] = (nir[i, j] - red[i, j]) / denom if denom != 0 else 0

性能对比（10,800 km² Landsat-8场景）

4.3 时间序列重构：利用xarray+dask融合Landsat-9（16天）与Sentinel-2（5天）观测，生成3-day合成NDVI产品

数据同步机制

核心重构流程

• 加载多源NDVI为带time、x、y坐标的xarray.DataArray
• 用dask.delayed封装逐像元3-day滑动窗口合成逻辑
• 调用map_blocks并行执行中值滤波+云掩膜融合

ndvi_3day = ndvi_ds.resample(time="3D").map(
    lambda group: group.median(dim="time", skipna=True)
).fillna(0.0)

4.4 动态变化检测与可视化：基于Theil-Sen趋势分析与Mann-Kendall检验的NDVI长期演变热力图生成

核心算法协同流程

关键代码实现

from pymannkendall import seasonal_test
# 对年际NDVI序列执行季节性MK检验
result = seasonal_test(ndvi_series, period=12)
trend = result.trend  # 'increasing', 'decreasing', or 'no trend'
tau = result.Tau       # Kendall's tau, [-1,1]

结果编码规范

第五章：工程化部署与生产环境最佳实践

容器化构建与镜像优化

# 构建阶段
FROM golang:1.22-alpine AS builder
WORKDIR /app
COPY go.mod go.sum ./
RUN go mod download
COPY . .
RUN CGO_ENABLED=0 GOOS=linux go build -a -ldflags '-extldflags "-static"' -o /usr/local/bin/app .

# 运行阶段（仅含二进制与必要配置）
FROM alpine:3.19
RUN apk --no-cache add ca-certificates
WORKDIR /root/
COPY --from=builder /usr/local/bin/app .
COPY config.yaml ./
EXPOSE 8080
CMD ["./app"]

CI/CD 流水线关键检查点

• 静态代码扫描（SonarQube + Semgrep）在 PR 阶段阻断高危漏洞
• 镜像签名验证（Cosign）确保部署镜像来源可信
• 金丝雀发布前自动执行 3 分钟负载压测（k6 + Prometheus 断言）

生产环境可观测性配置矩阵

零信任网络策略示例

apiVersion: security.istio.io/v1beta1
kind: PeerAuthentication
metadata:
  name: default
  namespace: production
spec:
  mtls:
    mode: STRICT  # 所有入站连接必须 TLS 加密