遥感分析的方法可以归为三类：指数法（用波段运算突出某类地物）、分类法（把每个像元/对象归到某一类）、反演法（用物理模型算参数，如温度、叶绿素、形变）。选哪种，取决于你要的是「分布」「面积」还是「数值」。
| 指数 | 公式 | 突出什么 | 局限 |
|---|---|---|---|
| NDVI | (NIR − R) / (NIR + R) | 植被覆盖与长势 | 高覆盖易饱和，受土壤背景影响 |
| EVI | 2.5×(NIR − R)/(NIR + 6R − 7.5B + 1) | 高覆盖区植被（抗饱和） | 需要蓝波段，对大气敏感 |
| NDRE | (NIR − RE)/(NIR + RE) | 叶绿素与氮素（早期胁迫） | 需红边波段（高分六号、Sentinel-2） |
| NDWI / MNDWI | (G − NIR)/(G + NIR) / (G − SWIR)/(G + SWIR) | 水体范围 | MNDWI 需短波红外，阴影抑制更好 |
| NDBI | (SWIR − NIR)/(SWIR + NIR) | 建成区与裸土 | 裸土与建筑混淆，需纹理辅助 |
| NDSI | (G − SWIR)/(G + SWIR) | 积雪范围 | 云与雪混淆，需云掩膜 |
所有指数都要求先做大气校正——不同日期的表观反射率不可比，直接用会得到「假变化」。
变化检测的准确率，八成取决于预处理：几何配准（误差 <1 像元）、辐射归一（直方图匹配或相对辐射校正）、云与水体的掩膜。剩下两步是差异计算（差值、比值、CVA）与阈值/分类后比较。最后一定要人工核验——自动检测的图斑里，通常有 20%—40% 是伪变化（物候、耕作、水位、阴影）。
跨传感器变化检测（如高分二号 vs 北京二号）要额外做相对辐射归一，并预留 10%—20% 的误检率。能不跨就不跨。
辐射定标 → 亮温 → 比辐射率估计（NDVI 阈值法或分类查表）→ 单窗/劈窗算法。误差主要来自比辐射率与大气水汽；没有同步气象数据时，误差可达 2—3 K。
叶绿素 a、悬浮物、透明度靠「光谱特征 + 实测采样」建统计模型。二类水体（近岸、湖泊）光学复杂，通用算法误差大，必须本地标定。没有地面数据，只能看相对趋势。
用两期 SAR 的相位差测形变：去掉地形相位（外部 DEM）、平地相位、大气与轨道误差，剩下的形变相位换算成视线向位移。时序 InSAR（PS/SBAS）用几十期影像分离大气，可达毫米级/年。局限：植被茂密区失相干，只能测视线向分量。
分类成果要出混淆矩阵（总体精度、Kappa、各类生产者/用户精度），抽样方法要写清（分层随机、样本量、核查方式）。变化检测要出正确率与漏检率。没有精度评价的成果，在验收环节基本过不了。
NDVI = (NIR − R) / (NIR + R)，值域 −1—1。植被越高越接近 1，水体为负，裸地接近 0。用途：植被覆盖度、长势分级、物候提取、干旱与病害监测。局限：高覆盖区易饱和（>0.8 后不敏感）、受土壤背景与大气影响。改进用 EVI（抗饱和）或 NDRE（红边，早期胁迫更敏感）。计算前必须做大气校正，否则不同时相不可比。
McFeeters 的 NDWI = (G − NIR)/(G + NIR)，突出水体；McFeeters 版对建筑阴影敏感，改进版 MNDWI = (G − SWIR)/(G + SWIR) 抑制阴影与建筑，提取水体更准。流程：大气校正 → 计算指数 → 阈值分割（常用 0 或 Otsu 自适应）→ 形态学去噪 → 矢量化。细小河流要用 2 米以上数据，10 米数据只能提主干。
NDBI = (SWIR − NIR)/(SWIR + NIR)，建筑与裸土为正、植被为负。步骤：大气校正 → 算 NDBI → 与 NDVI 组合（NDBI 高且 NDVI 低判为建成区）→ 阈值 + 形态学 → 矢量化。局限：裸土与建筑在 NDBI 上都高，容易混淆，需要用纹理或 0.5 米影像区分；没有 SWIR 波段的数据（如高分二号）不能用 NDBI，改用 IBI 或面向对象分类。
三条路线：① 目视解译——按影像纹理、色调、形状人工勾绘，精度高但慢，适合小区域与验收；② 监督分类（最大似然、随机森林、SVM）——需要训练样本，适合中分辨率大区域；③ 深度学习（U-Net、DeepLab）——精度最高，需要大量标注样本与算力。实务组合是「机器学习初分 + 人工修正」，精度可达 85%—90%。分类体系与最小上图面积必须先定。
面向对象（OBIA）不是按像元分类，而是先分割成「对象」（同质像元块，对应地块、建筑、树冠），再对对象提特征（光谱、纹理、形状、上下文）分类。优势：抑制「椒盐噪声」，能利用形状与空间关系，适合高分辨率影像（0.5 米级）的地块与建筑提取。常用工具：eCognition、ENVI 的 Feature Extraction。
六步：① 两期影像几何配准（误差 <1 像元）；② 辐射归一（直方图匹配或相对辐射校正）；③ 算差异（差值、比值、CVA 变化向量）；④ 阈值分割或分类后比较；⑤ 形态学去噪 + 最小图斑过滤；⑥ 人工核验与实地抽查。最容易出错的是第 ② 步——不做归一化，物候与大气差异会被当成「变化」。
用同一区域两期 SAR 影像的相位差测形变：相位差包含地形、形变、大气、轨道与噪声五项，去掉地形（用外部 DEM）与平地相位后，剩下的形变相位可换算成视线向位移（C 波段 5.6 cm 一个整周）。时序 InSAR（PS/SBAS）用几十期影像分离大气与噪声，可达毫米级/年精度。局限：植被茂密与快速形变区易失相干，只能测视线向分量。
D-InSAR 用两景影像做差分，适合单次大形变事件：地震同震形变、火山喷发、滑坡突发、矿区塌陷、地下水骤降引起的沉降。精度厘米级，不适合测缓慢的毫米级年形变（那要用时序 InSAR）。选像对的要求：时间基线短（减少失相干）、空间基线小（减少地形误差）、同轨道同几何。
三类方法：① 光谱匹配——与标准光谱库（USGS、JPL）比对，用 SAM（光谱角）、SFF 等；② 特征提取 + 分类——降维（PCA/MNF）后做 SVM、随机森林；③ 光谱解混——线性/非线性混合模型分解端元，适合混合像元（30 米数据几乎都是混合像元）。前提是大气校正与光谱定标，否则光谱形状整体偏移，匹配全错。
四步：① 辐射定标（DN → 辐亮度）；② 亮温计算（普朗克反函数）；③ 比辐射率估计（用 NDVI 阈值法或分类查表）；④ 单窗/劈窗算法反演地表温度（需要大气水汽含量）。常见误差来源：比辐射率估错（水体、建筑差异大）、大气水汽不准。没有同步气象数据时，误差可达 2—3 K。
提供目标区域坐标（或范围文件）与时间窗口，我们可先做存档免费检索，确认有无可用影像及云量情况，再决定采购或编程拍摄。
报价说明：亚米级高分辨率影像按平方公里计价（25 km² 起订）；中低分辨率多按景计价。具体价格随卫星、时相、云量与采购方式浮动，需按实际需求核算。详见 按面积购买规则 与 按景购买规则。