GOCI2波段表解读与海洋水色遥感反演实战：SIF计算与赤潮监测

简介：第二代地球同步轨道海洋水色成像仪GOCI2说明手册，集中整理其波段信息与关键性能指标，面向海洋遥感数据处理、水色研究及传感器定标领域的科研人员和工程师，有助于快速弄清GOCI至GOCI2的升级差异与观测能力。资源包内含1个PDF文件，压缩后约2.93MB，目前已有1155人学习浏览。内容以参数表格展示GOCI与GOCI2对比，涵盖可见光至近红外多个特征波段的中心波长、带宽、名义辐射亮度、最大海洋辐射亮度、阈值辐射亮度以及信噪比等指标，并介绍快门罩、指向镜、滤波轮、焦平面组件等设备结构组成；同时收录GOCI2月球校准计划，提出利用月球反射光开展绝对辐射定标，以提高遥感数据一致性与精度。读者可据此获得较完整的传感器技术资料，支撑海洋环境监测、数据产品处理或定标方案设计等工作。

1. GOCI2 波段信息：拿到数据先看光谱，再看算法

做海洋水色遥感的人，第一次打开 GOCI2 的 L1B 文件时，大概率会被 13 个波段吓到——上一代 GOCI 只有 8 个波段，这一代直接加了 5 个。但波段多不等于效果好，关键在于每个波段放在什么位置、带宽多宽、响应函数长什么样、在反演链条里扮演什么角色。GOCI2 是静止轨道海洋水色成像仪的二代载荷，一天能对东亚近海拍摄十几次，这意味着一个赤潮爆发的完整过程可以被连续追踪，而不是像极轨卫星那样一天只有一两次过境。

这篇内容围绕 GOCI2 说明手册里的波段表展开，适合三类人：一是刚拿到 GOCI2 数据、想知道怎么把波段和反演算法对应的新手；二是做叶绿素、悬浮物、透明度反演，需要确定波段组合和参数的老手；三是想评估“静止轨道高频观测 + 荧光基线波段”这套设计对自己研究到底有没有用的人。先把波段表吃透，后面设参数、跑大气校正、做时间序列才不会翻车。

2. GOCI2 的 13 个波段怎么看：中心波长、带宽与设计意图

2.1 一张表理清 GOCI2 全波段结构

GOCI2 的波段设计比第一代复杂得多。它从可见光一路铺到热红外，既有继承自 GOCI 的经典水色波段，也有专门为太阳诱导叶绿素荧光（SIF）增加的窄波段。整理波段信息时，不要只盯着中心波长，带宽和波段用途同样关键。这里给出一个可直接对照的波段总览表：

这张表是后续所有处理的基础。我一般会把这张表存成一份 JSON 或 CSV，放在算法工程目录下，而不是每次翻手册。原因很简单：不同来源的处理脚本里，波段编号有的是“1~13”，有的是“0~12”，还有人直接用中心波长做变量名，没有统一配置表，代码跑起来就是一场灾难。

2.2 新增的 5 个波段到底补了什么能力

对比第一代 GOCI，GOCI2 的核心变化集中在 380nm、510nm、620nm、660nm、680nm、709nm、745nm 这 7 个位置上，其中 510nm、620nm、680nm、709nm、745nm 是对旧设计的重要补充。

510nm 和 620nm 的加入解决了一个实际问题：传统 443nm 和 490nm 波段在浑浊水体里很快就饱和了，吸收系数高、反射率低，反演结果噪声极大。510nm 和 620nm 对高浓度悬浮物更敏感，用来做近岸水体分类比单靠 490nm 稳定得多。680nm、709nm、745nm 这一组是 SIF 算法的地基：叶绿素荧光峰值在 680~685nm 附近，要计算荧光信号，必须在峰两侧各取一个基线波段做线性插值。GOCI2 用 660nm 和 745nm 做基线两端，680nm 做信号峰，709nm 做辅助验证，这个组合比老一代只用 680nm 单点要可靠得多。

还有一个细节值得注意：12000nm 热红外波段在大多数海洋水色分析里不会直接参与反演，但它在云检测里价值极高。可见光波段区分薄云和海表高反射率区域经常误判，热红外波段对云顶亮温敏感，把 B13 加进云掩膜逻辑后，白天的云边界识别精度能提升不少。很多人拿到数据后第一件事就是把热红外波段丢掉，等到做大气校正时才发现云掩膜质量差，又回来补这一块。

2.3 波段响应函数比中心波长更重要

手册里给出的中心波长只是标称值，真正做定量反演时，必须使用各波段的光谱响应函数（SRF）做加权计算。GOCI2 的每个波段不是理想的矩形响应，而是类似高斯分布的曲线，相邻波段的响应函数还有重叠。若直接拿中心波长代替整个波段做辐射传输模拟，误差在近岸高浑浊水体里会被放大，因为水体反射率在蓝绿波段斜率很陡。

处理这类问题时，常见做法是将 GOCI2 的 SRF 保存成查找表（LUT），在反演算法里做如下处理：把光谱模拟值按 SRF 权重积分，而不是取单波长点值。我一般会在初始化配置里加这样一段逻辑：

import numpy as np # 假设波段 B3 (443nm) 的 SRF 已从说明手册附带的响应函数文件中读出 srf_wavelength = np.array([430, 435, 440, 443, 448, 452]) srf_response = np.array([0.05, 0.42, 0.87, 1.00, 0.76, 0.12]) def weighted_band_reflectance(spectral_wl, spectral_reflectance, srf_wl, srf_resp): # 将光谱模拟值插值到 SRF 的波长网格上 interp = np.interp(srf_wl, spectral_wl, spectral_reflectance) # 按响应函数加权平均 return np.sum(interp * srf_resp) / np.sum(srf_resp)

这段代码的逻辑不复杂：先把高光谱模拟数据插值到 SRF 网格，再做加权平均，得到的就是卫星传感器真正“看到”的波段反射率。参数上要注意两点：第一，srf_response 必须归一化，否则加权结果会偏移；第二，插值时使用线性插值即可，没有必要用高阶插值，因为 SRF 本身是平滑曲线，高阶插值不会带来显著改善，反而可能在响应函数变化剧烈的边缘产生振荡。这个习惯养成后，无论是做大气校正还是和现场实测光谱对比，都会少很多“玄学误差”。

3. 用 Python 从 L1B 里把波段信息真正读出来

3.1 最小可用的 NetCDF 读取脚本

GOCI2 的 L1B 数据以 NetCDF4 格式分发，每个波段是一组二维数组，存放辐射率或反射率数据。读取时最忌讳的事情是闷头用netCDF4.Dataset裸读，变量名、缩放因子、填充值全靠猜。正确做法是先列出文件全部变量和全局属性，确认波段名规则后再批量提取。

下面是一段我常用在项目初始阶段的脚本，目标只有一个：把 13 个波段的辐射率全部读进一个字典：

import netCDF4 as nc import numpy as np def load_goci2_bands(filepath): ds = nc.Dataset(filepath, 'r') band_dict = {} scale = getattr(ds, 'scale_factor', 1.0) offset = getattr(ds, 'add_offset', 0.0) # GOCI2 的 L1B 文件中，波段变量常以 B1..B13 命名 for i in range(1, 14): var_name = f'B{i}' if var_name in ds.variables: data = ds.variables[var_name][:] fill_value = ds.variables[var_name]._FillValue valid_min = ds.variables[var_name].valid_min valid_max = ds.variables[var_name].valid_max # 应用缩放和偏移 data = data * scale + offset # 将填充值和超出有效范围的像元统一设为 NaN data = np.where((data == fill_value) | (data < valid_min) | (data > valid_max), np.nan, data) band_dict[f'B{i}'] = data ds.close() return band_dict

这段脚本的关键点有三个。第一，scale_factor和add_offset不一定每个版本的文件都放在变量属性里，有些版本放在全局属性里，稳妥的做法是先从变量属性取，取不到再从全局属性取。第二，valid_min和valid_max一定要用，否则你会看到大量异常负值混在数据里，后面做比值指数时这些负值会直接污染结果。第三，变量名规则需要先确认一次，不同处理批次命名可能与B1有出入，有的版本用band_1或wavelength_412这类命名，写脚本前先print(ds.variables.keys())扫一眼比看手册更快。

3.2 波段坐标与时间维度的处理

GOCI2 是静止轨道成像仪，它的数据网格不像极轨卫星那样按扫描条带组织，而是固定在一个标称网格上。每帧数据的行、列坐标对应固定经纬度，读取时通常不需要做重投影。

但有一个容易踩坑的地方：L1B 文件的经度、纬度变量可能是二维数组，也可能只有四个角点的坐标信息，取决于数据分发版本。如果拿到的是经纬度场，建议直接和波段数组配合使用；如果只有角点坐标，则需要用pyproj生成网格。下面给一个将经纬度网格和波段数组对齐的做法：

from pyproj import Proj # 假设文件给出了标称投影参数 proj_str = '+proj=geos +lon_0=128.2 +h=35785863 +x_0=0 +y_0=0 +ellps=GRS80' p = Proj(proj_str) # 载荷全圆盘的行列号 cols, rows = np.meshgrid(np.arange(width), np.arange(height)) # 将行列号转成经纬度（具体偏移量按文件属性填写） lon, lat = p(cols * pixel_size + origin_x, rows * pixel_size + origin_y, inverse=True)

这步做完后，经纬度数组的 shape 与波段数组完全一致，可以直接做逐像元分析。参数上需要特别注意geos投影里的h是卫星离地心距离，GOCI2 静止轨道位置约在东经 128.2 度，h 的标称值可以从事先保存的配置表里读取，不要从文件里猜。

3.3 把波段信息保存成工程配置文件

读懂了 L1B 结构之后，把这些信息固化下来是值得做的事。我每次接触一种新数据源，习惯先写一份波段配置文件，后续所有算法脚本都从这份配置读取波段参数，而不是散落在代码各处。这样做的好处是：换数据批次、换传感器、做交叉验证时，改配置就能切换，不用动算法逻辑。

# goci2_bands.json { "sensor": "GOCI2", "bands": { "B1": {"center_wl": 380, "type": "uv", "role": "aerosol_correction"}, "B2": {"center_wl": 412, "type": "blue", "role": "cdom"}, "B3": {"center_wl": 443, "type": "blue", "role": "chl_a_absorption"}, "B4": {"center_wl": 490, "type": "bluegreen", "role": "transparency"}, "B5": {"center_wl": 510, "type": "green", "role": "turbid_water"}, "B6": {"center_wl": 555, "type": "green", "role": "tsm"}, "B7": {"center_wl": 620, "type": "yellow", "role": "red_tide_discrimination"}, "B8": {"center_wl": 660, "type": "red", "role": "fluorescence_baseline_low"}, "B9": {"center_wl": 680, "type": "red", "role": "sif_peak"}, "B10": {"center_wl": 709, "type": "nir", "role": "fluorescence_baseline_high"}, "B11": {"center_wl": 745, "type": "nir", "role": "fluorescence_baseline_support"}, "B12": {"center_wl": 865, "type": "nir", "role": "atmospheric_correction"}, "B13": {"center_wl": 12000, "type": "tir", "role": "cloud_detection"} } }

这份 JSON 的价值会在后续写反演算法时充分体现——比如算 SIF 时，脚本只从配置里读fluorescence_baseline_low和fluorescence_baseline_high对应波段，而不是写死B8和B11。波段编号一旦发生调整，配置文件改一行就能解决。另外建议把这份配置纳入版本管理，数据分发方如果更新了波段表，你能清楚地看到差异在哪里，而不是某天突然发现结果曲线断了一截才去排查。

4. 波段组合实战：SIF 基线计算与赤潮日内追踪

4.1 660/680/745 三波段配出荧光信号

GOCI2 波段设计的最大亮点就是 SIF 相关波段。叶绿素分子吸收光能后，一部分以荧光形式在 680~685nm 附近重新发射，这个信号强度跟浮游植物光合作用效率相关。问题是荧光信号在辐射亮度里占比很小，要把这个微弱信号从大气散射和水体反射的背景里提取出来，必须借助基线法。

SIF 基线法的思路很简单：荧光峰位于 680nm，在 660nm 和 745nm 处基本没有荧光贡献，用这两个波段的辐射率做线性插值，就能得到“没有荧光”时 680nm 应有的大小。实际值与基线值之差就是荧光信号。

import numpy as np # 假设已经提取了三个波段的遥感反射率（Rrs） rrs_660 = band_data['B8'] rrs_680 = band_data['B9'] rrs_745 = band_data['B11'] # 三波段基线法（660nm 和 745nm 线性插值到 680nm） baseline_680 = rrs_660 + (rrs_745 - rrs_660) * (680 - 660) / (745 - 660) # 荧光信号 sif_680 = rrs_680 - baseline_680 # 异常值处理：基线值大于峰值时，SIF 为负，属于无效值 sif_680[(baseline_680 > rrs_680)] = np.nan

这段计算看着简单，实际用起来有几个容易出现偏差的细节。第一，波段间的辐射度要严格对齐，如果 660nm 和 745nm 波段数据里有残留云污染或太阳耀光，插值出的基线会偏高，SIF 直接被低估。第二，线性插值的两个端点要根据实际环境微调。在离岸清洁水体，745nm 的瑞利散射路径辐射较小，但在近岸高浑浊水体，745nm 信号里包含大量悬浮物散射，此时把 709nm 加入做交叉验证更稳妥。第三，SIF 有明显日变化，正午前后光强最大时荧光也最强，做时间序列对比时必须固定每日过境时段，否则会把日变化当成空间变化。

4.2 用 13 个波段做近岸赤潮的日内过程追踪

赤潮暴发时，海表浮游植物浓度在几小时内就可能出现明显变化。极轨卫星一天只能给一两次有效观测，很难捕捉这种短时间尺度的动态。GOCI2 的静止轨道特性让它能实现白天至少 8~10 次连续观测，这对研究赤潮的“起爆—扩散—消亡”过程提供了关键数据支持。

我在处理这类过程数据时，一般不会一步到位地反演叶绿素浓度，而是先做波段指数分析，锁定可疑区域再深入。一个实用路径是：先用 555nm 和 865nm 比值剔除高悬浮物水体，再计算 B8/B5 比值识别浮游植物富集区，最后用 SIF 信号确认生理活性。

import numpy as np rrs_555 = band_data['B6'] rrs_865 = band_data['B12'] rrs_510 = band_data['B5'] rrs_660 = band_data['B8'] # 悬浮指数：555nm 反射率远高于 865nm 说明水体浑浊 turbidity_index = (rrs_555 - rrs_865) / (rrs_555 + rrs_865) # 浮游植物指数：660nm 与 510nm 的差异反映色素吸收 veg_index = (rrs_660 - rrs_510) / (rrs_660 + rrs_510) # 综合判定：高浑浊水体排除，浮游植物信号强则标记 potential_bloom = (turbidity_index > 0.1) & (veg_index > 0.02)

这套指数组合的优势在于利用了 GOCI2 特有的 510nm 和 620nm 波段。传统 NDVI 在近岸高浑浊水体里经常失效，因为悬浮物的散射会掩盖叶绿素吸收信号。加上 510nm 后，叶绿素吸收与悬浮物散射可以在不同光谱区间被区分开，误判率明显降低。参数阈值不是固定的，不同季节、不同海域、不同大气条件下要重新标定。我一般会取研究区域内无明显赤潮的历史 L1B 数据作为背景场，计算turbidity_index和veg_index的均值和标准差，把阈值设在均值加两倍标准差的位置，而不是拍脑袋定一个常数。

4.3 多时次影像的波段对齐与合成

GOCI2 的高频观测虽然好，但把多帧数据用起来必须处理两个实际问题：帧间几何配准和太阳高度角变化。前者通常通过影像配准算法解决，后者则需要把数据归一化到相同观测几何条件下，否则时间序列上会出现虚假波动。

import xarray as xr import numpy as np # 将同一区域的多帧 L1B 数据读取后按时间堆叠 time_slices = [] for t, filepath in enumerate(filelist): ds = xr.open_dataset(filepath) band = ds['B9'].squeeze() # 680nm 波段 # 假设卫星天顶角 sza 已经读取，做余弦归一化 sza = ds['SolarZenithAngle'].squeeze() band_norm = band / np.cos(np.deg2rad(sza)) time_slices.append(band_norm) ds.close() # 按时间维堆叠 stacked = xr.concat(time_slices, dim='time')

这里要注意squeeze()的使用时机。GOCI2 的 L1B 常有单维长度为 1 的帧维，不压缩掉后面做数组运算很容易出现维度不匹配。余弦归一化的前提是辐射亮度与太阳入射角的余弦成正比，这只在朗伯体假设下成立，实际海表的二向反射特性会让这个归一化在高太阳天顶角时（如早晨和傍晚）产生偏差。所以这些时次的 SIF 反演结果要谨慎使用，最稳定的观测窗口是当地时间 10:00 到 14:00。

波段选择、基线计算、归一化方式都确认后，拿来进行赤潮日内变化分析就能看到比较干净的过程曲线。极轨卫星完全看不到的“上午发展、下午消退”这类现象，静止轨道数据可以完整呈现。

5. GOCI2 波段数据处理的五个常见坑与排查思路

5.1 中心波长版本差异导致反演结果漂移

现象：同一区域、同一天的两景数据，用同一套算法反演，得到的叶绿素浓度差了一倍。排查到最后，发现算法里写死了中心波长，而数据分发方更新过快，某些波段的中心波长了调整。

原因：GOCI2 在轨测试期间，部分波段的中心波长和带宽做过调整。如果你使用早期版本的手册数据写死了波段参数，后面拿到校正后的数据，偏差会直接体现在定量结果里。

解决：不要硬编码中心波长，从 L1B 文件的波段属性里读取实际值。打开 NetCDF 文件后先检查band_wavelength或central_wavelength属性，再写进配置。这个习惯能帮你避免掉一个很大的坑，尤其是做长时序研究时，数据跨度大、版本混杂，有中心波长动态读取机制比任何事后校正都靠谱。

5.2 填充值没清干净，时间序列全是异常的负值

现象：处理某天的数据时，SIF 结果大面积出现负值，而且负值大致呈条带状分布，统计数据几乎不可用。

原因：L1B 中未扫描区域和云遮挡区域的填充值没有被识别，参与进了插值和比值计算。数组里的填充值多为一个极大负数如 -9999，线性插值遇到它会把整条基线拉歪。

解决：在读取阶段就把填充值替换为 NaN，例如：

data = np.where(data == fill_value, np.nan, data)

然后在所有波段计算前先检查 NaN 比例，如果某帧数据 NaN 超过 40%，这帧基本可以直接舍弃。这步要在预处理管线里做，不要在出结果后才检查。时间复杂度不高，但对结果的稳定性帮助极其明显。

5.3 热红外波段与可见光波段分辨率不匹配

现象：把 B13 的云检测结果直接作为掩膜应用到 250m 分辨率的可见光波段上，云边界处出现了大量像元错判。

原因：B13 的空间分辨率通常比可见光波段低很多，直接做逐像元布尔运算会导致云边界处产生锯齿状伪影。把低频掩膜叠加到高频数据上，物理解释本身就是错的。

解决：先将热红外波段重采样到可见光波段的分辨率再参与云检测。重采样方法不要用双线性插值而用最近邻插值，因为云掩膜是类别数据，双线性插值会产生介于“有云”和“无云”之间的中间值，反而需要额外设定阈值。最近邻插值虽然粗糙，但保持了类别语义：

from scipy.ndimage import zoom cloud_mask_lowres = ds['cloud_mask'][:] zoom_factor = visible_res / tir_res cloud_mask_highres = zoom(cloud_mask_lowres, zoom_factor, order=0)

5.4 太阳耀光污染在高频观测中被线性插值放大

现象：做 680nm SIF 基线计算时，部分像元出现荧光信号极高的情况，这些像元往往位于海面太阳耀光区，跟赤潮无关。

原因：太阳耀光在近红外波段的影响大于红光波段，660nm 和 745nm 两个基线波段受耀光污染程度不同，线性插值后基线值严重偏离实际。

解决：先用菲涅尔反射模型计算每个像元的耀光风险指数，把高风险像元直接屏蔽掉。GOCI2 静止轨道上太阳-卫星几何相对固定，每天同一时刻的耀光分布接近，可以提前算好一个掩膜，不必每帧重复计算。做高频时间序列时，优先采用耀光影响最小的几个时次参与反演。

5.5 波段编号从 0 开始还是从 1 开始

现象：从不同渠道下载的 GOCI2 数据，有的文件里波段变量叫B1~B13，有的叫band0~band12，脚本里固定的索引把两个文件的数据互相覆盖了。

原因：原始处理系统和后来的再处理产品采用了不同的波段编号约定，没有统一标准。

解决：任何读取脚本的第一步都是打印变量列表，确认波段索引规则，再动态生成映射。我在前面给出的load_goci2_bands函数里就用了一个循环来匹配，这个设计就是为了防止这类问题。不要在脚本里写死ds.variables['B5']，而要先用字符串匹配去找到包含 510 或 5 的关键字，再做解析。

6. 用波段配置表驱动一个通用的 GOCI2 分析框架

处理 GOCI2 数据的流程已经很清晰：读波段配置、提取数据、做大气校正、算指数、输出时间序列。把这套流程沉淀成一个可复用的小框架，能显著提升效率。我的做法是把前面写的 JSON 波段配置作为唯一的数据源，每个功能模块都从配置里读取所需波段，不直接在功能代码里写波段号。

比如做一个通用的 SIF 反演函数，它的输入只需要研究区域、时间范围和一个模式参数，函数内部通过配置查到 660nm、680nm、745nm 对应的波段编号，再执行基线计算。这样哪怕数据分发方重新编号了波段，也只需要更新 JSON，整个框架不需要改。更进一步，可以把每天的 L1B 处理结果按波段存档成 DataArray，配合 xarray 的groupby('time.hour')直接看日内变化曲线：

# 按小时分组统计 SIF 均值和标准差，观察荧光日内变化 hourly_sif = sif_dataset.groupby('time.hour').mean(dim='time') hourly_std = sif_dataset.groupby('time.hour').std(dim='time')

这段分析能直接揭示数据质量随太阳高度角的变化。如果某个小时窗口的 SIF 标准差异常大，大概率是观测几何或耀光影响，后续处理应避开这个时段。这比肉眼翻影像快得多，也能给大气校正参数调整提供量化依据。

我对波段信息的理解是：它不只是说明书里的一张参数表，而是整套反演算法的“坐标系”。坐标系建对了，后面的配准、归一化、指数计算都有意义；坐标系错了，所有结果都是空中楼阁。我自己刚接触 GOCI2 时就是因为觉得波段表没什么好研究的，直接跳进算法开发，后面花了大量时间排查波段版本问题，这段血泪经验后来沉淀成了这份做法：先把波段配置固化成工程文件，再把处理流程模块化，最后才谈反演算法调优。

希望这份梳理能帮你少走一点弯路。

本文还有配套的精品资源，点击获取