1 基本概念
1.1 定义与内涵
遥感是指在不与目标物直接接触的条件下，借助传感器获取地表、海洋、大气及其他对象信息的技术体系。其基本思想是利用目标物对电磁辐射的反射、吸收、发射和散射差异，形成可被记录和分析的数据。遥感既是一类观测手段，也是一套从数据获取到信息提取的完整方法。
从内涵上看，遥感不仅包括影像采集，还包括校正、解译、分类、反演和应用服务等环节。随着平台与算法的发展，遥感已经由单纯的“看图”手段，扩展为支持资源调查、环境监管和动态监测的重要技术基础。
1.2 遥感的核心特征
遥感之所以区别于一般观测方式，主要在于其具有非接触式、大范围同步获取和多时相连续监测等特征。这些特征使其特别适合对难以到达、尺度较大或变化频繁的对象进行观测。
1.2.1 非接触式观测
非接触式观测是遥感最基本的属性。传感器无需进入目标区域即可完成信息采集，因此在高山、海洋、灾害现场或危险环境中具有明显优势。这种方式既提高了观测效率，也减少了人工干预带来的限制。
1.2.2 大范围同步获取
遥感能够在同一时刻覆盖较大的空间范围，适合进行区域乃至全球尺度的统一观测。与点状采样相比，它更有利于掌握整体格局、空间差异和分布规律，常用于土地覆盖调查、气象监测和灾害评估等工作。
1.2.3 多时相连续监测
遥感数据可按固定周期重复获取，从而形成时间序列。通过比较不同时间的影像，可以识别植被变化、水体消长、城市扩张或灾害演变等动态过程。这一特征使遥感在长期监测和趋势分析中具有较高价值。
1.3 遥感与相关技术的区别
遥感与摄影测量、地理信息系统和全球导航卫星系统关系密切，但侧重点并不相同。它们在数据来源、处理目标和应用方式上各有分工，常常在实际项目中组合使用。
1.3.1 与摄影测量的区别
摄影测量以影像几何测量为核心，强调利用影像恢复目标的空间位置、形状和尺寸，常服务于制图和三维重建。遥感则更重视通过电磁信息识别地物属性与状态，除了几何关系，也关注光谱、热辐射和时序变化，因此在信息内容上更为丰富。
1.3.2 与地理信息系统的关系
地理信息系统主要负责地理数据的存储、管理、分析与表达，属于信息处理平台。遥感则是重要的数据来源之一。前者强调“管与算”，后者强调“采与识”，两者结合后可实现从信息获取到空间分析的完整链条。
1.3.3 与全球导航卫星系统的联系
全球导航卫星系统主要提供高精度定位、导航和授时信息。遥感平台在获取影像时，往往需要借助导航定位数据完成姿态控制、位置标定和地理配准。二者配合后，可显著提高观测精度和数据可用性。
2 遥感的理论基础
2.1 电磁波理论
遥感建立在电磁波传播与物质相互作用的基础之上。不同波段的电磁波具有不同的传播特性和探测意义，因此电磁波理论是理解遥感数据形成机制的前提。
2.1.1 电磁波谱
电磁波谱涵盖从紫外、可见光、红外到微波等多个波段。各波段对应的能量、穿透能力和对地物敏感性并不相同。例如，可见光适合反映颜色和表面特征，红外常用于识别热状况，微波则具有较强的穿云和全天候观测能力。
2.1.2 波长与分辨机制
波长决定了传感器对地物信息的响应方式。短波段通常对表面细节和颜色变化更敏感，长波段则更适合探测温度、湿度和结构差异。不同波长所形成的分辨机制共同构成了遥感多尺度、多类型观测的理论基础。
2.2 目标物与传感器相互作用
目标物在外界辐射作用下会产生反射、吸收、发射和散射等响应。传感器记录的正是这些响应信息，因此地物特性与观测结果之间存在明确关联。
2.2.1 反射
反射是地物表面对入射辐射的回送过程。不同材质、粗糙度和含水状态会导致反射率差异。例如，植被、裸土和水体在可见光与近红外波段上的反射特征往往不同，这也是地物识别的重要依据。
2.2.2 吸收
吸收指地物将部分入射能量转化为其他形式能量的过程。某些材料在特定波段具有明显吸收特征，可用来判断其成分或状态。吸收特性在植被生理状况、矿物识别和大气成分分析中具有重要意义。
2.2.3 发射
发射是物体自身向外释放电磁辐射的过程，尤其在热红外波段更为明显。地表温度、热容量和材料性质会影响发射强度，因此发射信息常用于地表温度估算、热异常识别和能量平衡研究。
2.2.4 散射
散射是电磁波在传播过程中因介质或颗粒作用而改变方向的现象。大气中的水汽、气溶胶以及地表粗糙结构都会引起散射，进而影响遥感信号质量。适当理解散射机制，有助于进行大气校正和微波遥感分析。
2.3 遥感信息形成机制
遥感信息并非目标物的直接复制，而是电磁响应经传感器记录后形成的数据表达。影像中的亮度、色彩、纹理、形状及时间变化，都反映了目标的某些属性。
2.3.1 影像亮度与光谱特征
影像亮度来自传感器接收到的辐射强弱。不同地物在各波段上的亮度组合形成光谱特征，可用于区分植被、水体、建筑物和裸地等对象。光谱特征越稳定，分类与识别通常越有效。
2.3.2 几何特征与空间结构
地物的形状、大小、边界和空间组合属于几何特征。道路呈线状、农田常具规则网格、河流多呈带状，这些结构特征可与光谱信息结合，提高判读准确性。
2.3.3 时间特征与动态变化
同一地区在不同时间获取的遥感数据，可体现季节更替、作物生长、城市扩展或灾害影响等动态过程。时间特征使遥感不仅能识别“是什么”，还可分析“何时变化、如何变化”。
3 遥感平台与传感器
3.1 遥感平台类型
遥感平台是搭载传感器并完成观测任务的载体。不同平台的高度、覆盖范围和机动性不同，因此适合的应用场景也不相同。
3.1.1 卫星平台
卫星平台通常运行在轨道上，适合进行大范围、周期性和长期观测。其优势在于覆盖广、重复观测能力强，常用于全球气象、海洋、资源与环境监测。
3.1.2 航空平台
航空平台主要包括飞机、直升机等载体。其飞行高度较低，获取的数据分辨率通常较高，适合精细测绘、局部调查和任务式观测。
3.1.3 无人机平台
无人机平台具有起降灵活、部署快速和成本较低的特点，适合小范围高精度观测。它在农业巡查、工程测量和应急调查中应用日益广泛。
3.1.4 地面平台
地面平台一般用于近距离观测或校准验证，如地面光谱仪、固定摄像设备和观测塔等。它们可为其他遥感数据提供参考样本和真实性检验。
3.2 传感器分类
传感器是遥感系统的核心部件，负责接收目标信号并将其转换为数字数据。按照工作方式和波段范围，可分为多种类型。
3.2.1 被动遥感传感器
被动传感器依赖太阳辐射或目标自身辐射进行观测，不主动发射能量。可见光、红外等传感器多属于此类，适合自然光条件下的大范围观测。
3.2.2 主动遥感传感器
主动传感器会向目标发射电磁波，并接收其反射或回波信号。雷达和激光雷达是典型代表，具有较强的独立工作能力，部分系统还可在夜间或复杂天气条件下使用。
3.2.3 光学传感器
光学传感器主要工作于可见光、近红外和短波红外波段，能够较好地反映地物颜色、纹理和植被状态。它们在地表分类、植被识别和城市调查中应用广泛。
3.2.4 微波传感器
微波传感器工作波长较长，受云雾和光照影响较小，具有一定穿透能力。其结果常用于地表形变、土壤湿度、海面状态和地形结构分析。
3.3 常见载荷与设备
遥感平台上搭载的具体仪器，决定了所能获取的信息类型和精度水平。
3.3.1 多光谱传感器
多光谱传感器在若干离散波段上同时成像，能够区分不同地物的反射差异。它结构成熟、应用广泛，是最常见的遥感载荷之一。
3.3.2 高光谱传感器
高光谱传感器将光谱划分为大量连续窄波段，能够提供更细致的光谱信息。它适合矿物识别、作物监测和精细分类，但数据量也更大，处理要求更高。
3.3.3 雷达传感器
雷达传感器通过发射微波并接收回波进行成像，具有全天时、一定全天候工作的能力。其结果常用于地形提取、形变监测和海面观测。
3.3.4 激光雷达
激光雷达利用激光脉冲测距，可精确获取地物三维结构和高程信息。它在林业结构调查、城市三维建模和地形测量中表现突出。
3.4 传感器性能指标
评价遥感系统时，通常要关注分辨率和辐射能力等关键指标。
3.4.1 空间分辨率
空间分辨率表示传感器能够区分的最小地面单元。分辨率越高，影像越细致，越适合识别小尺度目标，但覆盖效率往往会随之下降。
3.4.2 光谱分辨率
光谱分辨率反映传感器区分不同波长的能力。波段划分越细，越有利于识别地物的光谱细节，也更便于开展精细分类与反演。
3.4.3 时间分辨率
时间分辨率是指同一区域被重复观测的时间间隔。时间间隔越短，越能捕捉快速变化过程，适用于灾害监测和动态预警。
3.4.4 辐射分辨率
辐射分辨率表示传感器区分微弱亮度差异的能力。其水平越高，越能反映细小的辐射变化，从而提升信息提取的精度。
4 遥感数据获取与处理
4.1 数据获取流程
遥感数据获取通常包括任务规划、数据采集以及后续传输存储等环节，流程上具有较强的组织性和目的性。
4.1.1 任务规划
任务规划需要明确观测目标、空间范围、时间窗口和传感器类型，并综合考虑天气、轨道、飞行路线或地面条件。合理规划有助于提高数据质量和应用效率。
4.1.2 数据采集
数据采集是利用平台和传感器完成实际观测的过程。不同任务对观测角度、分辨率和覆盖范围有不同要求，因此采集方式也会有所变化。
4.1.3 数据传输与存储
采集到的遥感数据需要经过传输、压缩、归档和备份，才能进入后续处理流程。随着数据规模不断扩大，稳定的存储管理成为遥感业务的重要组成部分。
4.2 预处理
原始遥感数据通常含有噪声、几何偏差和大气影响，因此需要预处理后才能用于分析。
4.2.1 辐射校正
辐射校正用于修正传感器响应差异和成像过程中产生的辐射误差，使影像亮度更接近真实地物反射或辐射特征。
4.2.2 几何校正
几何校正用于消除平台姿态、地形起伏和成像投影带来的位置偏差，使影像与地理坐标系统一致，便于量测与叠加分析。
4.2.3 大气校正
大气校正旨在削弱大气散射、吸收对地表信号的影响，使观测结果更接近地表真实反射特性。这一步对定量分析尤为重要。
4.2.4 图像配准
图像配准是将不同时间、不同传感器或不同区域的影像对齐到统一坐标框架的过程。配准质量直接影响变化检测和多源融合结果。
4.3 数据增强与融合
为了提高遥感数据的可解释性和利用效率，常需对影像进行增强与融合处理。
4.3.1 影像增强
影像增强通过拉伸、滤波、锐化或色彩变换等方式改善视觉效果，便于人工判读和特征识别。它不改变数据本质，但可提升信息可见度。
4.3.2 多源数据融合
多源数据融合将不同平台、不同分辨率或不同传感器的数据整合起来，以弥补单一数据的局限。例如，将光学影像与雷达数据结合，可兼顾纹理、结构和全天候观测能力。
4.3.3 时空融合
时空融合旨在综合高空间分辨率与高时间分辨率数据，重建更连续、更细致的地表变化信息。它在作物监测、城市动态和生态分析中具有较高价值。
4.4 信息提取与分析
遥感数据处理的最终目标，是从影像中提取可用于判断和决策的信息。
4.4.1 监督分类
监督分类依赖已知样本训练分类模型，再对未知区域进行类别判定。其准确性通常较高，但对样本质量和代表性要求较强。
4.4.2 非监督分类
非监督分类根据数据自身的统计特征进行聚类，不预先指定类别标签。它适合在样本不足或地物结构较复杂时进行初步分类。
4.4.3 目标检测
目标检测用于识别影像中的特定对象，如建筑、道路、船舶或车辆等。随着算法发展，目标检测已从人工判读逐步转向自动识别。
4.4.4 变化检测
变化检测用于比较不同时相影像，识别新增、消失或显著变化的地物。该方法广泛用于灾害响应、土地利用变化和城市扩展分析。
5 遥感分类体系
5.1 按平台分类
按照搭载平台不同，遥感可分为航天遥感、航空遥感和地面遥感。
5.1.1 航天遥感
航天遥感以卫星等航天器为平台，优势在于覆盖范围大、观测周期稳定，适合长期和宏观尺度研究。
5.1.2 航空遥感
航空遥感依托飞机、直升机等飞行器，具有较高的灵活性和较细的空间分辨率，常用于局部精查。
5.1.3 地面遥感
地面遥感强调近距离、定点或半固定观测，常用于实验研究、校准验证和小尺度精细测量。
5.2 按探测波段分类
根据传感器工作波段的不同，遥感又可分为可见光、红外、微波和热红外等类型。
5.2.1 可见光遥感
可见光遥感主要利用人眼可感知波段的信息，图像直观，便于解译，但受光照和天气影响较大。
5.2.2 红外遥感
红外遥感关注地物在近红外和短波红外等波段的响应，常用于植被、水分和材料成分分析。
5.2.3 微波遥感
微波遥感利用较长波长信号进行探测，适合穿透云层并获取地表结构和湿度信息。
5.2.4 热红外遥感
热红外遥感依据地物热辐射差异进行观测，常用于温度反演、热异常识别和城市热环境分析。
5.3 按应用方式分类
从应用目的看，遥感可分为定性、定量和动态三种类型。
5.3.1 定性遥感
定性遥感侧重判断地物类别、分布和相对关系，主要服务于识别与描述。
5.3.2 定量遥感
定量遥感强调通过模型和参数反演获得物理量，如叶面积指数、地表温度或含水量等。
5.3.3 动态遥感
动态遥感关注时间维度上的变化过程，强调连续观测和趋势分析，常用于监测类任务。
6 主要应用领域
6.1 自然资源调查
遥感在自然资源调查中应用广泛，可用于快速掌握资源分布、类型和变化情况。
6.1.1 土地利用分类
通过遥感影像可识别耕地、林地、水体、建设用地等类型，并建立区域土地利用格局，为规划和管理提供依据。
6.1.2 森林与植被监测
遥感能够监测森林覆盖、植被长势和生物量变化，也可用于识别退化、采伐或恢复情况。
6.1.3 水资源调查
水体范围、湖泊面积、河道变化和积水分布都可借助遥感进行调查，适用于水资源管理和水文分析。
6.2 环境监测
遥感是环境监测的重要工具，能够为大尺度、长期和连续观测提供支持。
6.2.1 大气环境监测
通过遥感可观测气溶胶、云层、水汽和部分污染物分布，为大气状况分析提供数据支持。
6.2.2 水体污染监测
遥感可通过水色、悬浮物和叶绿素等指标，辅助识别水体富营养化、浑浊度变化和污染扩散。
6.2.3 生态环境评估
结合植被、水体、土地利用和地表温度等信息，遥感可用于评估生态质量、景观变化及区域环境压力。
6.3 灾害监测与评估
遥感具有快速响应和范围覆盖广的特点，因此在灾害监测中尤为重要。
6.3.1 洪水监测
洪水发生时，遥感可迅速识别淹没范围、积水深度变化和受灾区域，为应急调度和损失评估提供参考。
6.3.2 火灾监测
火灾监测主要包括火点识别、过火面积提取和火后恢复评估。热红外与微波数据在该领域具有较强优势。
6.3.3 地震与滑坡评估
遥感可用于识别地表形变、塌陷、崩塌和滑坡痕迹，并辅助评估灾后道路阻断和建筑损毁情况。
6.4 农业与林业
农业和林业生产具有明显的季节性和空间差异，遥感可提供持续、客观的监测手段。
6.4.1 作物长势监测
通过植被指数和时序影像，可判断作物生长状况、群体覆盖和空间差异，为田间管理提供依据。
6.4.2 病虫害识别
作物受病虫害影响时，常会在光谱和纹理上出现异常。遥感可辅助发现异常区域，便于及时处置。
6.4.3 产量估算
结合长势、气象和地块信息，遥感能够参与作物产量预测，为农业统计和供应管理提供支持。
6.5 城市与基础设施
在城市研究中，遥感常用于观察空间扩张、设施分布和建设状况。
6.5.1 城市扩张监测
通过多时相影像可追踪建设用地扩展、边界变化和土地转化过程，反映城市发展格局。
6.5.2 交通网络分析
道路、铁路和交通枢纽等基础设施可在遥感影像中被识别和更新，用于交通布局分析和规划辅助。
6.5.3 建筑物识别
高分辨率遥感影像有助于识别建筑物位置、密度和形态，并可支持城市三维建模与更新制图。
7 遥感解译与分析方法
7.1 目视解译
目视解译是依靠人工经验对影像进行识别和判断的方法，历史悠久，至今仍在许多场景中使用。
7.1.1 形状判读
形状判读利用目标的轮廓与几何外观进行识别。例如，道路、河流和建筑物往往具有较稳定的形状特征。
7.1.2 纹理判读
纹理判读关注影像表面细节的疏密、粗细和均匀程度。森林、农田和城市区域常呈现不同纹理，可辅助区分类别。
7.1.3 色调判读
色调判读依据亮度和颜色差别识别地物。不同对象在同一波段下常表现出不同的明暗关系，是目视解译的重要依据。
7.2 计算机辅助解译
随着计算能力提高，遥感解译逐渐从人工经验走向算法驱动。
7.2.1 特征提取
特征提取是从影像中筛选具有代表性的光谱、纹理、几何或时序信息，为后续分类和识别提供输入。
7.2.2 模式识别
模式识别通过规则、统计模型或机器学习方法，将影像中的特征映射为类别标签，是自动解译的核心步骤之一。
7.2.3 深度学习解译
深度学习解译利用神经网络从大量样本中学习复杂特征，适合处理高分辨率影像和复杂场景，在目标识别与分类任务中表现突出。
7.3 定量反演
定量反演是根据遥感观测值推算地表或大气的物理参数，是遥感由“看见”走向“测量”的重要环节。
7.3.1 植被指数反演
植被指数可反映植被覆盖、活力和生长状态，常用于农业评估、生态监测和季节变化研究。
7.3.2 地表温度反演
地表温度反演利用热辐射信息估算地表温度，对热环境分析、城市热岛研究和能量平衡评估十分重要。
7.3.3 土壤湿度反演
土壤湿度反演常结合微波或多源数据进行，可用于农业灌溉、旱情分析和水文研究。
8 发展历程
8.1 早期遥感探索
遥感思想可追溯到对天空俯视观测和气象记录的早期实践。随着光学仪器和摄影技术发展，人们开始尝试从高处观察地表，逐步形成现代遥感的雏形。
8.2 航空摄影时代
航空摄影推动了大范围地表记录和制图技术的发展。该阶段强调利用飞机获取连续影像，为测绘、战场侦察和地形分析提供了重要手段。
8.3 卫星遥感兴起
卫星发射后，遥感进入全球观测时代。卫星平台使跨区域、周期性和长期监测成为可能，大大拓展了遥感的应用边界。
8.4 数字遥感与智能化发展
数字化传感器、计算机处理和网络传输推动遥感进入高自动化阶段。近年来，人工智能、多源数据融合和云计算进一步提升了遥感的解译效率与服务能力。
9 典型系统与数据产品
9.1 国际常见遥感系统
国际上形成了多种成熟的遥感系统，覆盖光学、雷达和高光谱等主要方向。
9.1.1 多光谱成像系统
多光谱成像系统以若干固定波段获取地表图像，结构稳定，应用广泛，适合资源调查和环境监测。
9.1.2 雷达成像系统
雷达成像系统依靠微波回波生成图像，可在一定程度上摆脱天气和光照限制，常用于地形与形变观测。
9.1.3 高光谱成像系统
高光谱成像系统能够记录连续细分波段，适用于精细物质识别和复杂地物分类。
9.2 遥感数据产品
遥感数据产品按处理程度可分为多个层级，面向不同用户和应用需求。
9.2.1 原始影像
原始影像是传感器直接接收并记录的数据，保留了最初的辐射与几何信息，但通常需要进一步处理。
9.2.2 纠正影像
纠正影像经过辐射和几何处理后，可更准确地表达地理位置与地物特征，是后续分析的常用基础数据。
9.2.3 专题图产品
专题图产品是在遥感基础上形成的分类结果或指标图，如土地利用图、植被分布图和灾害影响图。
9.2.4 时空序列产品
时空序列产品将同一区域不同时段的数据组织起来，便于分析动态变化、趋势演变和周期规律。
10 发展趋势
10.1 高分辨率与高频观测
未来遥感将继续向更高空间分辨率和更短重访周期发展，以便更细致、更及时地观测地表变化。这一趋势有助于提升精细识别和快速响应能力。
10.2 多源融合与协同观测
不同平台、不同波段和不同观测机制的数据将进一步融合，形成协同观测体系。通过优势互补，遥感可获得更完整的空间、光谱和时间信息。
10.3 智能解译与自动化分析
随着算法进步，遥感数据解译将更加依赖自动识别、智能分类和模型驱动分析。系统可在更少人工干预下完成大范围信息提取。
10.4 云端处理与实时服务
云计算和网络平台推动遥感处理从本地化走向在线化、服务化。未来遥感将更强调数据共享、快速响应和面向应用的实时服务能力。