一、先建立框架：名词分四类

刚接触农业遥感，最容易被一堆术语绕晕。其实这些名词可以按四个层次归类。

第一类是数据源与平台相关，回答"用什么看"；第二类是指数与参数，回答"算出什么"；第三类是技术方法，回答"怎么算出来"；第四类是成果与精度，回答"结果长什么样、准不准"。

按这个框架去记，名词就不再是一盘散沙。下面按类梳理最常用的那些。

二、数据源类名词

多光谱影像：同时在几个较宽波段上成像的数据，常见有蓝、绿、红、近红外等波段，是农业遥感的主力数据源，性价比高。

高光谱影像：把光谱切成几十甚至上百个连续窄波段，能分辨更细微的地物差异，适合识别作物胁迫类型、估算生化参数，但数据量大、处理复杂。

合成孔径雷达（SAR）：主动发射微波并接收回波的成像雷达，最大特点是不受云雨和昼夜限制，洪涝、台风等灾害应急时几乎是唯一可靠手段。

热红外：探测地表热辐射，反演冠层温度，常用于干旱监测与蒸散估算。

重访周期：卫星两次经过同一地区上空的时间间隔，决定了一年能拿到多少期可用影像。

地面分辨率：影像上一个像素代表的地面对应尺寸，数值越小越清晰，也通常越贵。

三、指数类名词：最常被问到的几个

NDVI（归一化植被指数）：用近红外与红光的组合计算，反映绿色植被的覆盖与活力，是最经典的植被指数。数值越高通常表示植被越茂盛，但在高生物量区容易饱和。

EVI（增强型植被指数）：对 NDVI 的改进，在高覆盖区不易饱和，对大气与土壤背景的敏感性更低。

NDWI（归一化水体指数）：对水分敏感，常用于识别水体、监测洪涝淹没范围和灌溉情况。

LAI（叶面积指数）：单位地面面积上叶片总面积的倍数，是描述作物群体结构的关键参数，常用于长势评估与产量预估。

红边指数：利用红光与近红外之间反射率陡升的那一段（红边）构建的指数，对叶绿素含量变化极为敏感，适合早期营养诊断。

植被覆盖度：植被垂直投影面积占地面面积的比例，反映地表被植被覆盖的程度。

四、技术方法类名词

大气校正：消除大气散射与吸收对影像的影响，把传感器记录的亮度值转换为地物真实反射率，是多时相对比与定量反演的前提。

正射纠正：消除影像因地形起伏和传感器倾斜产生的几何变形，使影像具备可量测性，正射影像（DOM）由此而来。

监督分类：先给算法一批已知类别的样本，让它学习后对整幅影像分类，常用于作物类型识别。

非监督分类：不提供样本，让算法按光谱特征自动聚类，再由人工判读每一簇的类别，适合对研究区了解不多时做初步探索。

语义分割：深度学习中的图像分类方法，逐像素判断类别，在地块边界提取中效果突出，是目前的主流技术路线。

空三（空中三角测量）：通过多张影像之间的同名点匹配与平差，解算每张影像的位置与姿态，是无人机航测内业的核心步骤。

变化检测：对比同一区域不同时间的影像，识别发生变化的区域与变化类型，是灾害评估与违建巡查的基本方法。

同物异谱 / 异物同谱：前者指同一种地物因状态不同而光谱不同，后者指不同地物光谱相似难以区分，是分类误差的主要来源。

五、成果与精度类名词

DOM（数字正射影像图）：经过正射纠正与镶嵌的影像底图，可量测距离与面积。

DEM / DSM：数字高程模型与数字表面模型，前者表达裸露地表高程，后者包含建筑、树冠等表面高度，两者相减可估算植被高度。

三维点云：由激光雷达或影像密集匹配生成的海量三维点集，用于体积计算与三维建模。

总体精度与 Kappa 系数：分类结果精度评价的常用指标，前者是正确分类样本占比，后者考虑随机一致性的影响。

混淆矩阵：把分类结果与真实类别逐类对照的表格，能看出是哪两类之间容易混淆，是改进模型的直接依据。

F1 分数：综合考虑精确率与召回率的指标，在样本不均衡时比单纯准确率更有参考价值。

六、几组最容易混淆的概念

分辨率：空间、时间、光谱、辐射。空间分辨率是像素大小，时间分辨率是重访周期，光谱分辨率是波段细分程度，辐射分辨率是灰度级精细程度。说"分辨率高"时必须指明是哪一种。

精度与准确度。精度指重复测量结果的一致性，准确度指与真值的接近程度。一组数据可能很稳定但整体偏移，那就是精度高、准确度低。

解译与反演。解译偏定性，判断"是什么地物、什么状态"；反演偏定量，估算"参数是多少"。前者的成果是类别图，后者的成果是数值。

验证与核验。验证是用数据检验模型精度，核验是用实地调查确认结论是否与实际相符。前者是技术环节，后者往往涉及业务确认。

七、看到术语时的三个自问

面对一个陌生术语，可以按三个问题快速定位。

一是它描述的是"输入"还是"输出"，即属于数据源、处理过程还是最终成果；二是它是定性还是定量，即给出的是类别还是数值；三是它回答什么问题，是"有什么""变了多少"还是"有多准"。

把术语放回业务流程里去理解，比死记定义有效得多。比如 SAR 之所以重要，不是因为它技术先进，而是因为它能在灾害最关键的那几天穿过云层拿到影像——这才是理解它的正确方式。

结语

农业遥感的名词看似庞杂，按数据源、指数、方法、成果四类梳理后并不难掌握。真正需要下功夫的，是理解每个术语背后解决的实际问题，以及几组容易混淆的概念之间的差别。把名词放回业务链条里理解，读报告和写方案都会轻松很多。

时维遥感——遥感+AI，让农业更智慧