【实战指南】ENVI平台下GF-1/GF-2 PMS数据预处理：从辐射定标到影像配准的完整链路解析

1. 数据准备与环境配置

第一次接触GF-1/GF-2 PMS数据预处理时，我踩过不少坑。记得有次处理2018年黄河流域的GF-2数据，因为没注意软件版本兼容性问题，白白浪费了两天时间。现在我把这些经验总结成可复用的操作指南，帮你避开这些"新手雷区"。

ENVI版本选择很关键，建议使用5.3.1及以上版本。这个版本开始对国产卫星数据的支持更完善，特别是内置了GF系列卫星的传感器参数模板。我实测过5.3.1和5.6版本，处理效率能提升30%左右。安装时记得勾选"China Satellites Support"模块，否则可能找不到GF数据的专用打开选项。

数据准备要注意三个细节：

1. 保持原始压缩包结构完整，解压后会看到*-PAN.xml和*-MSS.xml两个关键文件
2. 存储路径避免中文和特殊字符，我习惯用"D:/GF1_处理/日期_区域"这样的命名规则
3. 确保磁盘剩余空间大于原始数据的5倍，特别是要做图像融合时

硬件配置方面，16GB内存是流畅运行的底线。处理8米分辨率的多光谱数据时，ENVI的内存占用会突然飙升到12GB以上。如果条件允许，建议配置固态硬盘作为临时文件存储位置，能显著提升正射校正环节的速度。

2. 多光谱数据辐射定标实战

辐射定标是将原始DN值转换为具有物理意义的辐射亮度值的关键步骤。去年处理内蒙古草原监测项目时，我发现这个环节的参数设置会直接影响后续大气校正的精度。

具体操作流程：

1. 通过File > Open As > China Satellites > GF-1打开MSS数据文件
2. 在Toolbox中找到Radiometric Correction > Radiometric Calibration
3. 关键参数设置：
   • Calibration Type选择Radiance
   • 点击"Apply FLAASH Settings"自动匹配参数
   • Scale Factor保持默认的1.0

这里有个容易出错的细节：ENVI 5.3之后的版本会自动识别GF-1/GF-2的波段响应函数，但早期版本需要手动加载。去年帮一个研究所排查问题时，就遇到因为用了旧版ENVI导致辐射定标结果偏差15%的情况。

完成定标后，建议右键图层选择Quick Stats查看统计值。正常情况下，GF-1 PMS各波段的辐射亮度值范围应该是：

• 蓝波段(0.45-0.52μm): 0-120 μW/(cm²·nm·sr)
• 绿波段(0.52-0.59μm): 0-90 μW/(cm²·nm·sr)
• 红波段(0.63-0.69μm): 0-70 μW/(cm²·nm·sr)
• 近红外波段(0.77-0.89μm): 0-50 μW/(cm²·nm·sr)

如果数值范围明显偏离这些参考值，可能需要检查定标参数或原始数据质量。

3. 多光谱数据大气校正详解

大气校正是预处理中最复杂的环节。2019年处理长三角城市群数据时，我对比过FLAASH和QUAC两种方法的差异，发现FLAASH在植被覆盖区的校正效果更稳定。

FLAASH校正的关键步骤：

1. 在Toolbox中选择Radiometric Correction > Atmospheric Correction Module > FLAASH
2. 输入上一步的辐射定标结果
3. 传感器参数设置：
   • Sensor Altitude: 645 km
   • Pixel Size: 8 m (GF-1)或4 m (GF-2)
   • Ground Elevation: 通过DEM获取平均值
4. 大气模型选择：
   • 夏季中纬度地区用Mid-Latitude Summer
   • 冬季用Mid-Latitude Winter
5. 气溶胶模型根据能见度确定：
   • 能见度>40km选Rural
   • 20-40km选Urban

有个实用技巧：在Advanced Settings中，将Tile Size设为内存的1/4（如32GB内存设8GB分块）。去年处理300km²的GF-2数据时，这个设置让处理时间从6小时缩短到2小时。

校正完成后要验证效果：

1. 检查植被区域的光谱曲线是否呈现典型绿色植物特征
2. 水体区域的反射率在近红外波段应接近0
3. 城市区域的红波段反射率应高于植被区域

常见问题排查：

• 出现负值：检查辐射定标是否准确
• 条带噪声：尝试打开"Use Tied Processing"
• 校正失败：降低分块大小或增加内存分配

4. 全色数据处理技巧

全色数据虽然不能做大气校正，但在图像融合环节至关重要。2020年做北京城市更新监测时，我发现全色数据的预处理质量直接决定融合影像的清晰度。

辐射定标操作：

1. 使用与多光谱相同的Radiometric Calibration工具
2. 参数设置差异：
   • Calibration Type选Reflectance
   • Output Data Type选UInt
   • Scale Factor设为10000
3. 输出像元值范围应在0-10000之间

正射校正特别注意：

1. 全色数据输出分辨率设为2m(GF-1)或1m(GF-2)
2. 使用与多光谱数据相同的DEM
3. 在RPC Refinement中勾选"Use Topographic Correction"

有个容易忽略的细节：GF-2的全色数据有时会出现微小的几何畸变。建议在正射校正前，先用View > Link Displays检查全色与多光谱数据的套合情况。如果偏移超过2个像元，需要先用Image Registration工具进行配准。

5. 图像融合与配准实战

图像融合是提升空间分辨率的关键步骤。经过多次对比测试，我发现NNDiffuse方法在保持光谱信息方面表现最好，特别适合植被监测应用。

完整融合流程：

1. 预处理：
   • 将多光谱数据转为BIP格式
   • 确保两景数据完全配准
2. 在Toolbox中选择Image Sharpening > NNDiffuse Pan Sharpening
3. 参数设置：
   • 多光谱数据选择大气校正结果
   • 全色数据选择正射校正结果
   • 输出分辨率设为全色数据分辨率

融合质量检查要点：

1. 比较融合前后的植被指数(如NDVI)差异应<5%
2. 检查建筑物边缘是否出现重影
3. 确认道路等线性地物保持连续

多时相数据配准技巧：

1. 以分辨率更高的影像为基准
2. 控制点数量建议20-30个均匀分布
3. RMS误差控制在0.5个像元内
4. 使用二次多项式校正模型

去年处理黄土高原生态恢复序列分析时，我发现配准精度对变化检测结果影响很大。通过优化控制点分布，把年度变化监测的精度提高了12%。

6. 常见问题解决方案

在实际项目中，我整理了一些高频问题的应对方法：

Q1：FLAASH运行报"Memory allocation error"

• 解决方案：降低Tile Size到500-1000MB
• 检查虚拟内存设置是否足够

Q2：融合后图像出现色彩偏差

• 可能原因：全色数据辐射定标不准确
• 解决方法：重新定标并检查Scale Factor

Q3：正射校正后仍有地形阴影

• 处理方法：在RPC Orthorectification中启用Topographic Correction
• 使用更高精度的DEM数据

Q4：多时相数据亮度不一致

• 校正方法：使用Histogram Matching工具
• 参考基准选择质量最好的影像

存储优化建议：

1. 处理中间结果保存为ENVI格式(.dat)
2. 最终成果可输出为GeoTIFF
3. 大文件建议使用金字塔存储格式

性能提升技巧：

1. 关闭不必要的图层显示
2. 定期清理临时文件(%temp%/ENVI)
3. 复杂操作放在夜间批量处理

7. 完整流程优化建议

经过多个项目的验证，我总结出一套效率提升方案：

时间节省技巧：

1. 创建处理模板(.sav文件)
2. 使用Batch Processing处理多景数据
3. 编写IDL脚本自动化重复操作

质量控制方法：

1. 建立检查点(Checkpoint)机制
2. 每个环节保存中间结果
3. 使用ROI工具抽样验证

以2021年三江源生态监测项目为例，通过流程优化：

• 单景数据处理时间从8小时缩短到3小时
• 成果合格率从85%提升到98%
• 人工干预次数减少60%

特别提醒：不同应用场景可以灵活调整流程。比如做土地分类时，可以简化大气校正步骤；而做水质反演时，则需要严格进行大气校正。