Landsat遥感波段全解析：从TM到OLI/TIRS的实战应用指南

1. 项目概述：从波段代号到地物光谱的钥匙

如果你刚接触遥感，尤其是Landsat系列卫星数据，面对那一串串的“B1”、“B2”、“B5”、“B10”之类的波段编号，是不是感觉像在看天书？这些看似简单的代号背后，其实藏着解读地球表面信息的密码。我处理Landsat数据超过十年，从早期的磁带数据到现在的云平台直接计算，一个最深刻的体会就是：用好Landsat数据，第一步绝不是急着去下载影像或跑算法，而是必须彻底吃透它的波段信息。这就像医生看病前必须熟悉各种仪器的检测指标一样，波段就是遥感数据的“检测指标”。

Landsat-4/5/7/8/9，这个横跨近半个世纪的卫星家族，承载了最长时间序列的对地观测记录。它们的波段设置并非一成不变，而是在继承中优化。搞清楚每个波段对应的波长范围、中心波长、空间分辨率以及最关键的地物响应特性，是你进行任何后续分析——无论是植被监测、水体提取、城市热岛研究，还是地质勘查——的绝对基础。很多人做分类精度不高，做反演结果飘忽，根源往往就在于波段选用不当或理解有偏差。本文将为你彻底拆解Landsat-4/5/7/8/9的波段信息，不止于罗列参数表，更会深入每个波段的设计初衷、典型应用场景，以及在实际处理中那些容易踩坑的细节和组合使用的技巧。无论你是遥感专业的学生，还是从事地理信息、生态、农业、城市规划等相关领域的从业者，这份“波段使用手册”都能帮你打下坚实的根基，让数据真正为你所用。

2. 波段体系演进与传感器核心解析

Landsat系列卫星的传感器演进，是一部追求更高光谱、空间、辐射分辨率的历史。理解波段，必须从传感器入手。

2.1 传承与奠基：Landsat-4/5的TM传感器

Landsat-4和5搭载的专题制图仪（Thematic Mapper, TM），是Landsat系列走向定量化应用的重要里程碑。相较于更早的MSS（多光谱扫描仪），TM在波段设计和辐射量化上有了质的飞跃。

TM共有7个波段，除了全色波段（Panchromatic）是后来在Landsat-7上才引入的，它在可见光-近红外-短波红外-热红外的布局奠定了后续型号的基础。其波段设计紧密围绕典型地物光谱特征：

• B1（蓝波段：0.45-0.52 μm）：这个波段对水体穿透力最强，常用于海岸带和水体浑浊度研究，也能用于区分土壤和植被、识别针叶林和阔叶林。但大气散射（瑞利散射）在此波段也最严重，原始影像常显得偏白、对比度低，因此进行大气校正在此波段尤为重要。
• B2（绿波段：0.52-0.60 μm）：对应植被的绿光反射峰，是监测植被健康状态的敏感波段之一，也广泛用于水下地形和沉积物研究。
• B3（红波段：0.63-0.69 μm）：位于叶绿素的强吸收谷，是计算大多数植被指数（如NDVI）的核心波段之一，对植被覆盖度非常敏感。同时，它对岩性、土壤和人文地物也有较好的区分能力。
• B4（近红外波段：0.76-0.90 μm）：植被在此波段有极高的反射率（健康植被可达30%-50%甚至更高），而水体几乎完全吸收。这使得它成为区分植被与非植被、提取水体、评估生物量的绝对主力。它与B3的组合构成了无数遥感应用的基石。
• B5（短波红外1：1.55-1.75 μm）：这个波段对叶片含水量和土壤湿度极其敏感。植被含水量高时反射率低，干旱时反射率高。因此，它是监测植被干旱胁迫、区分云与雪（雪在此波段反射率低，云反射率高）的关键。在岩性分类中也非常有用。
• B6（热红外波段：10.40-12.50 μm）：用于反演地表温度（LST）。需要注意的是，TM的B6空间分辨率为120米（后重采样为30米与其它波段配准），其辐射定标和温度反演需要专门的处理流程，涉及大气校正和比辐射率估算，是相对独立且专业的领域。
• B7（短波红外2：2.08-2.35 μm）：对岩石矿物、热液蚀变岩类（如含羟基矿物、碳酸盐岩）有特征吸收，是地质填图和矿产勘查的利器。对植被和土壤水分也有响应。

注意：TM数据的一个常见误区是空间分辨率。除了B6是120米，其他1-5、7波段都是30米。但在许多数据分发平台，B6已被重采样至30米以便与其他波段叠加分析。进行温度反演时，务必确认你使用的是原始的辐射亮度值（DN值或辐射亮度值），并采用适用于120米分辨率数据的算法参数。

2.2 承上启下：Landsat-7的ETM+传感器

Landsat-7的增强型专题制图仪+（Enhanced Thematic Mapper Plus, ETM+）在TM的基础上做了重要升级：

1. 新增全色波段（Pan波段：0.52-0.90 μm）：空间分辨率高达15米。这使得通过全色锐化（如Brovey变换、PCA变换、Gram-Schmidt融合）来提升多光谱影像的视觉清晰度成为可能。
2. 热红外波段（B6）分辨率提升：ETM+的热红外波段空间分辨率从TM的120米提升到了60米（同样常被重采样至30米分发），提高了地表温度制图的细节能力。
3. 辐射定标改进：提供了更精确的辐射定标系数，增强了数据的定量化应用能力。

ETM+的波段范围与TM的B1-B5、B7基本一致，保证了数据的连续性。然而，2003年之后发生的扫描行校正器（SLC）故障导致数据出现条带丢失，这是使用Landsat-7数据时必须面对和预处理的问题。

2.3 革新与标杆：Landsat-8/9的OLI与TIRS传感器

Landsat-8和9代表了新一代的技术，它们将传感器分成了两个独立的仪器：陆地成像仪（Operational Land Imager, OLI）和热红外传感器（Thermal Infrared Sensor, TIRS）。这种分工带来了波段设置的优化和性能的提升。

OLI传感器的改进：

• 波段重新划分：为了避免大气吸收带，OLI对部分波段边界进行了微调。例如，将蓝波段（B2）上限从0.52微米略微调整至0.51微米，将近红外波段（B5）范围从0.76-0.90微米收窄至0.85-0.88微米，这减少了大气水汽吸收的影响，使植被反射率测量更稳定。
• 新增关键波段：
  • 深蓝波段（B1：0.43-0.45 μm）：专门用于海岸带气溶胶研究和水体特性分析，对极浅水和水质参数更敏感。
  • 卷云波段（B9：1.36-1.38 μm）：位于强水汽吸收带，地表和云层的反射信号几乎无法到达传感器，只有高空的卷云（冰晶云）能反射回来。因此，这个波段是检测薄卷云、进行云掩膜优化的强大工具。
• 新增高质量全色波段（B8：0.50-0.68 μm）：范围限定在可见光区，避免了近红外的“植被变亮”效应，使全色锐化后的色彩更自然。
• 短波红外波段的拆分：将TM/ETM+的B5（1.55-1.75μm）拆分为两个更窄的波段：SWIR 1（B6：1.57-1.65 μm）和SWIR 2（B7：2.11-2.29 μm）。这提高了对特定地物（如不同矿物、土壤属性）的区分能力。

TIRS传感器的特点：Landsat-8/9拥有两个热红外波段：B10（10.60-11.19 μm）和B11（11.50-12.51 μm）。双热红外波段的最大优势在于，可以使用分裂窗算法来更精确地反演地表温度，这种方法能有效减少大气（尤其是水汽）对热红外辐射的衰减影响，相比单波段算法精度更高。但需要注意的是，Landsat-8的TIRS曾存在定标偏差和条带问题，后续通过算法进行了校正；Landsat-9的TIRS-2在设计上解决了这些问题，数据质量更优。

实操心得：波段编号的“陷阱”。 当你从不同来源获取Landsat数据时，务必确认其波段编号对应关系。例如，在USGS EarthExplorer下载的Landsat-8 Collection 2 Level-2数据，其波段文件名可能直接包含中心波长（如SR_B2.TIF对应蓝光）。而在一些GIS软件或平台中，可能沿用旧的“Band 1, Band 2...”索引。最可靠的方法是查看数据的元数据（MTL文件），里面会明确说明每个文件对应的物理波段。混淆波段是导致后续计算错误的最常见低级错误之一。

3. 核心应用场景与波段组合实战

理解了单个波段的特性，就像拥有了单独的乐器。而要奏出美妙的乐章，就需要将它们组合起来。波段组合（Band Combination）和衍生指数是指数级提升信息提取能力的关键。

3.1 经典可视化波段组合

这些组合旨在优化人眼对特定地物的辨识度。

• 真彩色合成（True Color）：对应红、绿、蓝通道分别赋予R（红波段）、G（绿波段）、B（蓝波段）。这是最自然的显示方式，但Landsat的蓝波段大气影响大，图像常显得模糊、发白。技巧：先进行快速的大气校正（如黑暗像元法）或简单拉伸，能极大改善视觉效果。
• 假彩色合成（False Color, 标准假彩色）：这是遥感中最经典、最常用的组合。R=近红外， G=红波段， B=绿波段。在此图像上，健康的植被呈现鲜红色（因为近红外反射高，红波段反射低），水体呈深蓝色或黑色，城市建筑呈青灰色，裸土呈褐色。它极大地突出了植被信息，适用于土地利用/覆盖解译、植被监测。
• 城市建成区增强合成：常用R=SWIR1（如OLI B6）， G=NIR（如OLI B5）， B=Red（如OLI B4）。该组合能有效区分建成区（呈现蓝青色）、植被（亮绿色）和水体（深蓝色），对于城市扩张研究非常有用。
• 农业与植被分析合成：R=NIR， G=SWIR1， B=Blue。这个组合对作物类型、生长状态和土壤背景差异有较好的显示效果。

3.2 定量化光谱指数解析

光谱指数通过波段间的数学运算（主要是比值、归一化差值），压制背景噪声，放大目标信息。

• 归一化差值植被指数（NDVI）：(NIR - Red) / (NIR + Red)。这是衡量植被生长状态和覆盖度的“金标准”。值域[-1, 1]，健康植被接近0.6-0.8，裸土约0.1，水体为负值。注意事项：NDVI在高植被覆盖区容易饱和，且对土壤背景敏感（特别是低覆盖度时）。
• 增强型植被指数（EVI）：G * (NIR - Red) / (NIR + C1*Red - C2*Blue + L)。针对NDVI的不足，引入了蓝波段校正气溶胶影响，并加入背景调节参数L。它对高生物量区敏感度更高，大气抗干扰能力更强，但参数（G, C1, C2, L）需要根据传感器设定（OLI和TM/ETM+不同）。
• 归一化差值水体指数（NDWI）：McFeeters公式：(Green - NIR) / (Green + NIR)。利用水体在绿光波段反射率较高、在近红外波段吸收极强的特性，能有效提取水体信息。对于含泥沙的水体效果较好。
• 改进的归一化差值水体指数（MNDWI）：(Green - SWIR1) / (Green + SWIR1)。用短波红外（SWIR1）替代近红外，能更好地抑制建成区和土壤的干扰，提取的水体边界更准确，尤其是在城市区域。
• 归一化建筑指数（NDBI）：(SWIR1 - NIR) / (SWIR1 + NIR)。用于提取建筑用地。建成区在SWIR1反射率高于NIR，因此NDBI为正值；植被反之；水体则为负值。
• 归一化差值雪被指数（NDSI）：(Green - SWIR1) / (Green + SWIR1)。雪在可见光（绿）反射率高，在短波红外反射率极低，因此NDSI值很高，可用于区分雪和云（云在SWIR1反射率不低）。

下表对比了不同传感器在计算常见指数时需使用的波段编号：

3.3 热红外波段应用：地表温度反演

热红外波段（TM/ETM+ B6， OLI/TIRS B10, B11）的深入应用在于地表温度反演。这是一个多步骤的流程：

1. 辐射定标：将影像的DN值转换为大气顶层的辐射亮度值。
2. 大气校正：估算并消除大气对热红外辐射的吸收和发射影响。对于单波段（如TM B6），常用大气剖面法或单窗算法；对于双波段（OLI B10/B11），则适用分裂窗算法，后者精度通常更高。
3. 比辐射率估算：地表并非黑体，其发射辐射的能力用比辐射率表示。需要根据土地覆盖类型（来自分类图或NDVI阈值法）为每个像元赋予一个比辐射率值。
4. 温度计算：利用普朗克定律的反函数，将经过大气校正和比辐射率校正后的辐射值转换为地表温度（通常单位为开尔文或摄氏度）。

踩坑实录：直接用DN值或表观亮度温度做分析。这是新手常犯的错误。直接从某些平台下载的“亮度温度”产品，通常是基于黑体假设、未经过大气和比辐射率校正的“表观”温度，与真实地表温度存在显著差异（尤其在干燥或潮湿大气条件下，温差可达数度甚至十度以上）。进行城市热岛、蒸散发估算等研究时，必须进行完整的地表温度反演流程。

4. 多时相分析与跨传感器数据融合技巧

Landsat系列长达50年的存档数据，为长时序分析提供了可能。但将不同卫星、不同传感器的数据一起使用，需要格外小心。

4.1 跨传感器数据的一致性处理

当你构建一个从Landsat-5 TM到Landsat-9 OLI-2的长时间序列时，必须解决波段差异和辐射度差异。

• 波段匹配与重采样：首先需要将不同传感器的波段对应起来（参考前面的表格），并将所有数据重采样到相同的空间分辨率（如30米）和地图投影下。
• 辐射归一化：即使波段范围相似，不同传感器由于定标差异、光谱响应函数不同，观测到的辐射值也会有系统偏差。常用方法包括：
  • 伪不变特征点法：在影像重叠区选择稳定的地物点（如深水体、沙漠、水泥广场），建立不同传感器数据间的线性或非线性回归关系，进行辐射归一化。
  • 直方图匹配：将一幅影像的直方图调整到与参考影像一致，适用于大范围、地类相似的区域。
  • 使用更高层级的数据产品：USGS的Collection 2 Level-2 地表反射率产品已经过大气校正和传感器差异的初步处理，比原始Level-1数据更适合直接进行时序分析，但针对具体研究区域，进一步的相对校正仍可能有必要。

4.2 利用波段特性进行云与云阴影检测

云污染是光学遥感时序分析的最大障碍。除了使用官方提供的QA质量波段进行掩膜外，可以结合波段特征设计自定义的云检测规则，提高精度：

• 亮度规则：云在可见光波段（蓝、绿、红）反射率通常很高。设置一个较高的阈值（如蓝波段反射率 > 0.2或0.3）。
• 温度规则：云顶温度低。利用热红外波段反演出的亮度温度，设置一个低温阈值（如 < 10°C）。
• NDSI规则：用于区分亮云和雪。雪有高NDSI，而云没有。
• 卷云波段（OLI B9）：这是Landsat-8/9的“神器”。B9反射率 > 0.01或0.02的像元，极有可能是薄卷云。
• 云阴影：云阴影温度与周围阴凉处相似，但可见光-近红外反射率极低。通常结合云的位置（根据风向和云高估算偏移量）和低反射率特征（如NIR < 0.1）来检测。

一个鲁棒的云掩膜往往是多个规则的综合（“与”、“或”逻辑）。例如：(Blue > 0.2) AND (Temperature < 10) AND (NDSI < 0.8)可识别厚云；(B9 > 0.01) OR ((Blue > 0.15) AND (Temperature < 5))可用于捕捉薄卷云和冷云。

5. 高级应用与前沿探索

在掌握基础波段应用后，可以探索一些更深入的方向，这些往往能成为你研究的亮点。

5.1 光谱解混与端元提取

Landsat的30米像元在很多情况下是混合像元，包含多种地物。光谱解混技术旨在估算每个像元内不同地物（端元）的比例。例如，一个城市像元可能包含建筑、植被、裸土。利用Landsat的多光谱信息，结合像元内变异分析（如PPI、NFINDR算法）或从高分辨率影像/实地测量中获取端元光谱，可以反演出建筑密度、植被覆盖度等亚像元级信息。这对于量化城市内部结构、精细农业监测非常有价值。

5.2 结合地形与纹理信息

单纯的光谱信息有时不足以区分地物（例如，同为阔叶林，山坡上的和山谷里的）。将波段数据与数字高程模型（DEM）衍生的地形信息（坡度、坡向、地形湿度指数）结合，能极大提高山区土地分类精度。此外，从某个波段（如近红外）计算纹理特征（如灰度共生矩阵GLCM的对比度、熵、同质性等），可以有效区分光谱相似但空间格局不同的地物，如区分草地和农作物、识别不同的森林类型。

5.3 面向未来：与更高光谱、时空分辨率数据融合

Landsat在光谱和时空分辨率上是一种平衡。当需要更精细的光谱信息时，可以考虑将其与高光谱数据（如EO-1 Hyperion遗产数据、未来的新卫星）结合，利用高光谱数据识别特定矿物或作物种类，再用Landsat进行大范围制图。当需要更高时间分辨率监测快速变化（如洪水、火灾）时，可以融合哨兵-2（Sentinel-2）数据（5天重访周期），构建高时空分辨率的数据集。这种多源数据融合是当前遥感应用的前沿和趋势。

最后，我的个人体会是，波段信息不是死记硬背的参数表，而是一套解决问题的“光谱语言”。每一次打开一幅Landsat影像，尝试用不同的波段组合去观察，用不同的指数去计算，你都会对脚下的这片土地有新的认识。从识别一片森林的健康状况，到监测一座城市的扩张脉络，再到追踪一条河流的泥沙变化，所有这些故事的起点，都源于你对这些波段数字的深刻理解。最好的学习方式，就是带着一个具体的问题（比如“我想监测我家附近的那个湖泊过去三十年的面积变化”），去动手处理一套从Landsat-5到Landsat-9的完整数据链，过程中遇到的所有困惑和解决过程，都会让你对这份“波段地图”的掌握变得无比牢固。