Townsend 学术主页

SSH 免密登录教程：从原理到实战，一次配置永久生效

Thu, 16 Apr 2026 14:50:00 +0800

注意

适用场景：Windows 本地 → Linux 远程服务器（HPC 集群、实验室工作站等）。配置一次，永久免密。全文约 5 分钟。

一、为什么要配置免密登录？

每次 ssh 都要手动输入密码，不仅操作繁琐，还存在安全隐患——密码在网络传输中可能被截获。

SSH 密钥认证使用非对称加密替代密码登录，同时解决了这两个问题：

🔒 更安全 — 私钥从不离开本机，无法被中间人截获
⚡ 更方便 — 连接时自动完成身份验证，无需交互

二、原理图解

SSH 密钥是成对出现的两个文件：

文件	存放位置	作用	能否公开
🔑 私钥 `id_rsa`	你的电脑 `~/.ssh/`	签名，证明"我是我"	❌ 绝不泄露
🔓 公钥 `id_rsa.pub`	服务器 `~/.ssh/authorized_keys`	验证签名	✅ 可以公开

四步握手流程

 你的电脑 (客户端) 远程服务器
 │ │
 ① │──── "我是 <用户名>" ───────────────→│
 │ │
 ② │←─── 找到公钥，发送随机挑战 ─────────│
 │ │
 ③ │──── 用私钥签名挑战 ────────────────→│
 │ │
 ④ │←─── 用公钥验证签名 → ✅ 免密登录！ ──│

提示

直觉理解：把公钥当作一把"锁"装在服务器门上，私钥是唯一配套的"钥匙"。能开锁 = 证明身份 = 不用密码。

三、操作步骤

3.1 🔍 检查是否已有密钥

打开 PowerShell 或 cmd：

type $env:USERPROFILE\.ssh\id_rsa.pub

输出结果	说明	操作
显示 `ssh-rsa AAAAB3...`	✅ 已有密钥	直接跳到 3.3
报错"找不到文件"	❌ 尚未生成	继续 3.2

3.2 🔧 生成密钥对（仅首次）

ssh-keygen -t rsa -b 4096

连按 三次回车（全部使用默认值，不设密码短语）：

Generating public/private rsa key pair.
Enter file in which to save the key (.../.ssh/id_rsa): ← 回车
Enter passphrase (empty for no passphrase): ← 回车
Enter same passphrase again: ← 回车

生成完毕后，C:\Users\你的用户名\.ssh\ 目录下会出现两个文件：

id_rsa — 私钥 ⚠️ 绝对不要发给任何人
id_rsa.pub — 公钥（需复制到服务器）

3.3 📤 一键推送公钥到服务器

type $env:USERPROFILE\.ssh\id_rsa.pub | ssh -p 端口号 用户名@服务器地址 "mkdir -p ~/.ssh && chmod 700 ~/.ssh && cat >> ~/.ssh/authorized_keys && chmod 600 ~/.ssh/authorized_keys"

实际例子（中科算联云 · 西北 1 集群）：

type $env:USERPROFILE\.ssh\id_rsa.pub | ssh -p 50888 <用户名>@c1.hpcmaster.com "mkdir -p ~/.ssh && chmod 700 ~/.ssh && cat >> ~/.ssh/authorized_keys && chmod 600 ~/.ssh/authorized_keys"

警告

首次连接会提示 Are you sure you want to continue connecting?，输入 yes。随后需要输入一次密码——这是你最后一次输入密码。

📋 命令逐段拆解（点击展开）

部分	作用
`type ...id_rsa.pub`	读取本地公钥内容
`\|`	通过管道传输给远程 SSH
`mkdir -p ~/.ssh`	在服务器上创建 `.ssh` 目录
`chmod 700 ~/.ssh`	设置目录权限（仅本人可访问）
`cat >> ~/.ssh/authorized_keys`	将公钥追加到授权列表
`chmod 600 ~/.ssh/authorized_keys`	设置文件权限（仅本人可读写）

3.4 ✅ 验证免密登录

ssh -p 50888 <用户名>@c1.hpcmaster.com "hostname"

如果直接返回主机名而没有要求密码 → 🎉 配置成功！

四、进阶：配置 SSH 别名

每次输 ssh -p 50888 <用户名>@c1.hpcmaster.com 太长了？配个别名，一劳永逸。

编辑 C:\Users\你的用户名\.ssh\config 文件，添加：

# ═══ 中科算联云 ═══
Host hpc-west1
 HostName c1.hpcmaster.com
 Port 50888
 User <用户名>

Host hpc-west
 HostName c2.hpcmaster.com
 Port 50888
 User <用户名>

# ═══ 矿大内网服务器 ═══
Host cumt-server
 HostName <内网服务器IP>
 Port 5911
 User wrf4

配置后的效果：

ssh hpc-west1 # 等价于 ssh -p 50888 <用户名>@c1.hpcmaster.com
ssh hpc-west # 等价于 ssh -p 50888 <用户名>@c2.hpcmaster.com
ssh cumt-server # 等价于 ssh -p 5911 wrf4@<内网服务器IP>

提示

scp 也支持别名，文件传输同样变简洁：

scp 本地文件 hpc-west1:/data/user/<用户名>/目标路径/

五、常见问题排查

❓ 推送公钥后还是要密码？

依次检查以下三项：

① 权限问题（最常见）——SSH 对文件权限要求极严格：

chmod 700 ~/.ssh
chmod 600 ~/.ssh/authorized_keys

② 公钥是否正确追加：

cat ~/.ssh/authorized_keys
# 应看到 ssh-rsa AAAAB3... 开头的完整一行

③ 服务器是否开启密钥认证：

grep PubkeyAuthentication /etc/ssh/sshd_config
# 应为 PubkeyAuthentication yes，若为 no 需联系管理员

❓ 能给多台服务器配免密吗？

可以。同一把公钥可以推送到任意多台服务器——重复执行 3.3 步骤，替换服务器地址即可。

❓ 换了电脑怎么办？

两种方案：

迁移密钥：把旧电脑的 ~/.ssh/id_rsa + id_rsa.pub 复制到新电脑同一位置
重新生成：在新电脑执行 3.2 → 3.3，重新推送新公钥

❓ 私钥泄露了怎么办？

小心

私钥泄露属于严重安全事件，请立即执行：

登录每台已配置的服务器，编辑 ~/.ssh/authorized_keys，删除旧公钥对应的行
在本地重新 ssh-keygen 生成新密钥对
重新推送新公钥到所有服务器

❓ `Warning: remote port forwarding failed for listen port 7890`？

这是代理软件（如 Clash）的端口转发配置导致的，不影响 SSH 连接，可以安全忽略。如需消除警告，检查 SSH config 中是否有 RemoteForward 相关行并移除。

六、安全建议速查

🛡️ 做法	📌 建议
私钥文件	永远不要发给他人、上传 GitHub、或复制到不信任的设备
密码短语	对高安全需求场景，建议在 `ssh-keygen` 时设置 passphrase
定期轮换	每 1–2 年更换一次密钥对
清理旧钥	定期检查 `authorized_keys`，删除不再使用的旧公钥

《小王子》读书笔记：爱如何从喜欢走向责任与珍惜

Tue, 14 Apr 2026 09:15:00 +0800

这次重读《小王子》，我更在意的不是它“提醒人保持纯真”，而是它如何写爱从喜欢慢慢走向责任、珍惜与尊重。

读《小王子》之前，这本书给我的印象一直很鲜明。它太有名了，几乎每个年龄阶段的人都能从中读出不同的感受。对我来说，它一开始更像一种隐喻：在当下复杂、喧闹的社会里，一个人如何还能追求内心、保持纯真。

真正读完之后，我发现最打动我的并不只是这种“保持纯真”的主题，而是它对爱的理解。它并没有把爱写成一种天然圆满、顺理成章的东西，而是写出了爱如何从喜欢开始，经过困惑、离开、理解，最后慢慢走向责任、珍惜与尊重。

喜欢，往往从一朵玫瑰开始

最令我动容的是，生命最开始的时候，我们都像小王子一样，生活在自己的 B612 号小行星上。那个世界并不大，也不复杂，生活本身也足够简单。直到某一天，我们遇见了一朵“从天而降”的玫瑰，第一次感受到心动，也第一次产生了走向更大世界的冲动。

从那一刻起，人不再只是围绕自己生活。我们会因为“一朵花”而欢喜，也会因为“一朵花”而难过；会想靠近，会想理解，也会想替她遮风挡雨。喜欢，往往就是这样开始的。它最初并不一定成熟，却真实地改变了一个人看待世界的方式。

困惑，是喜欢走向理解之前的必经阶段

但《小王子》并没有把喜欢写成一种轻松明亮的体验。恰恰相反，小王子对玫瑰的感情，一开始是吸引，也是一种困惑。他被玫瑰的美丽、独特和骄傲吸引，却也常常被她的矫情、敏感和试探弄得不知所措。小王子并不是不爱她，而是那时的他还太年轻，还不能分辨一段关系里表面的情绪和真正的在意，也不懂得如何回应一个自己珍视的人。

所以他选择了离开。在我看来，这个离开并不只是情节上的分开，而是理解发生的前提。很多时候，人只有离开之后，才会真正看清一段关系的意义。如果小王子始终停留在玫瑰身边，他也许只会继续被她表面的骄傲、敏感和矫情所困住；但当他走出自己的小星球，见到更多相似的花、见到更多不同的人之后，他才慢慢意识到，玫瑰之所以重要，并不是因为她客观上比别的花更完美，而是因为自己曾经为她付出过时间、耐心和牵挂。

“独一无二”不是天生的，而是被爱赋予的

也正是在这里，我重新理解了《小王子》里“独一无二”的含义。独一无二并不是天然存在的属性，而是在关系中被一点点赋予的意义。不是因为玫瑰天生就比别的花更值得爱，所以她才特别；而是因为小王子曾经为她浇水、挡风、陪伴、牵挂，所以她才变得不可替代。换句话说，爱不是发现一个天然完美的对象，而是在投入时间与情感之后，慢慢确认谁对自己真正重要。

所谓“独一无二”，并不是先验存在的属性，而是在时间、情感与责任中慢慢形成的意义。

狐狸让爱变得成熟

而真正让这种理解变得清楚的人，是狐狸。狐狸告诉小王子，所谓“驯养”，就是建立联系；而一旦建立联系，原本普通的事物就会因此变得不同。正因为彼此之间投入了时间、耐心和情感，一个人、一朵花、一片麦田，才会从“成千上万中的一个”变成“独一无二”。

这也是我最喜欢狐狸的地方。它让小王子明白了玫瑰为什么重要，但更重要的是，它让人看见一种成熟的爱。狐狸明知道建立联系会带来离别，明知道自己会因此难过，但仍然愿意靠近。它很清醒，也很温柔。它知道小王子终究要离开，知道小王子心里始终有那朵想回去守护的玫瑰，但它没有因为自己的不舍而试图占有对方，而是选择理解和成全。

爱如何从喜欢走向责任与珍惜

所以对我来说，《小王子》里最打动人的，并不是停留在“纯真”二字上，而是它写出了爱的成长过程。爱可以从喜欢开始，但不会停在喜欢本身。喜欢也许只是心动，是被吸引，是愿意为一个人笑、为一个人流泪；而真正成熟的爱，则会继续向前走，走到责任，走到珍惜，走到理解，也走到尊重。

如果说玫瑰让小王子明白了什么是珍贵，那么狐狸则进一步让他明白了什么是成熟。成熟并不意味着感情变淡，相反，它意味着一个人更清楚地知道什么重要，也更清楚地知道，真正的爱未必以占有为结局。真正成熟的爱，既理解珍贵，也接受不能占有。

结语

因此，在我看来，《小王子》真正动人的地方，并不只是它提醒人保持童真，而是它写出了一个人如何在关系中慢慢学会爱。爱如何从喜欢开始，经过困惑、分离、反思和回望，最后变成责任、珍惜、理解与尊重。也正因为如此，这本书才会在不同年龄反复被阅读。它写的并不是一个孩子的童话，而是一个人如何在成长里逐渐明白爱。

ERA5 数据下载教程

Fri, 10 Apr 2026 12:50:00 +0800

ERA5 数据下载教程

使用 CDS API 通过 Python 脚本下载 ECMWF ERA5 再分析气象数据

1. 注册与获取 API Key

1.1 注册账号

访问并注册账号。

1.2 获取 API Key

登录后，点击右上角用户图标 → Your profile，页面底部可以看到：

Personal Access Token（即 API Key）

1.3 配置本地凭证

在用户主目录下创建 .cdsapirc 文件：

Windows: C:\Users\<你的用户名>\.cdsapirc
Linux/Mac: ~/.cdsapirc

文件内容：

url: https://cds.climate.copernicus.eu/api
key: <你的Personal Access Token>

重要

key 后面直接填 Token 字符串，不要加引号。

2. 安装依赖

pip install cdsapi

验证安装：

import cdsapi
c = cdsapi.Client() # 如果没报错，说明配置成功

3. 基础用法

3.1 最简示例

import cdsapi

c = cdsapi.Client()

c.retrieve(
 'reanalysis-era5-single-levels', # 数据集名称
 {
 'product_type': 'reanalysis', # 产品类型
 'variable': '2m_temperature', # 变量
 'year': '2023', # 年
 'month': '01', # 月
 'day': '01', # 日
 'time': '12:00', # 时间 (UTC)
 'area': [40, 110, 35, 115], # 区域 [北, 西, 南, 东]
 'format': 'netcdf', # 输出格式
 },
 'output.nc' # 输出文件名
)

3.2 参数说明

参数	说明	示例
`product_type`	产品类型	`'reanalysis'`
`variable`	变量名（可多个）	`['2m_temperature', 'surface_pressure']`
`year`	年份（可多个）	`'2023'` 或 `['2022', '2023']`
`month`	月份（可多个）	`'06'` 或 `[f'{m:02d}' for m in range(1,13)]`
`day`	日期（可多个）	`[f'{d:02d}' for d in range(1,32)]`
`time`	UTC 时间（可多个）	`'03:00'` 或 `['03:00', '04:00', '05:00']`
`area`	裁剪区域	`[北纬, 西经, 南纬, 东经]`
`format`	输出格式	`'netcdf'` 或 `'grib'`

4. 常用变量速查

4.1 单层变量（single-levels）

数据集名：reanalysis-era5-single-levels

API 变量名	含义	单位
`10m_u_component_of_wind`	10m 东西风分量	m/s
`10m_v_component_of_wind`	10m 南北风分量	m/s
`2m_temperature`	2m 温度	K
`surface_pressure`	地表气压	Pa
`total_precipitation`	总降水量	m
`2m_dewpoint_temperature`	2m 露点温度	K
`mean_sea_level_pressure`	海平面气压	Pa
`boundary_layer_height`	边界层高度	m
`total_cloud_cover`	总云量	0~1

4.2 气压层变量（pressure-levels）

数据集名：reanalysis-era5-pressure-levels

API 变量名	含义	单位
`u_component_of_wind`	东西风	m/s
`v_component_of_wind`	南北风	m/s
`temperature`	温度	K
`geopotential`	位势	m²/s²
`relative_humidity`	相对湿度	%
`specific_humidity`	比湿	kg/kg

气压层需额外指定 pressure_level 参数：

'pressure_level': ['500', '700', '850', '925', '1000'] # 单位: hPa

5. 实战示例

5.1 下载特定区域的风场数据

import cdsapi

c = cdsapi.Client()

c.retrieve(
 'reanalysis-era5-single-levels',
 {
 'product_type': 'reanalysis',
 'variable': [
 '10m_u_component_of_wind',
 '10m_v_component_of_wind',
 '2m_temperature',
 'surface_pressure',
 ],
 'year': '2024',
 'month': [f'{m:02d}' for m in range(1, 13)], # 全年
 'day': [f'{d:02d}' for d in range(1, 32)], # 全月
 'time': ['03:00', '04:00', '05:00'], # 仅卫星过境时段
 'area': [37, 112, 36, 113], # 李村矿区
 'format': 'netcdf',
 },
 'era5_2024_wind.nc'
)

5.2 并行下载多年数据

import cdsapi
from concurrent.futures import ThreadPoolExecutor, as_completed

def download_year(year):
 """下载单年数据"""
 output = f'era5_{year}.nc'
 try:
 c = cdsapi.Client() # 每个线程创建独立客户端
 c.retrieve(
 'reanalysis-era5-single-levels',
 {
 'product_type': 'reanalysis',
 'variable': [
 '10m_u_component_of_wind',
 '10m_v_component_of_wind',
 ],
 'year': str(year),
 'month': [f'{m:02d}' for m in range(1, 13)],
 'day': [f'{d:02d}' for d in range(1, 32)],
 'time': ['03:00', '04:00', '05:00'],
 'area': [37, 112, 36, 113],
 'format': 'netcdf',
 },
 output
 )
 return f'[OK] {year}'
 except Exception as e:
 return f'[FAIL] {year}: {e}'

# 最多 4 个并发
with ThreadPoolExecutor(max_workers=4) as executor:
 futures = {executor.submit(download_year, y): y for y in range(2020, 2026)}
 for future in as_completed(futures):
 print(future.result())

5.3 下载后合并多个文件

import xarray as xr

files = ['era5_2020.nc', 'era5_2021.nc', 'era5_2022.nc']
ds = xr.open_mfdataset(files, combine='by_coords')
ds.to_netcdf('era5_2020-2022_merged.nc')
ds.close()
print("合并完成")

5.4 下载气压层数据

import cdsapi

c = cdsapi.Client()

c.retrieve(
 'reanalysis-era5-pressure-levels', # 注意数据集名不同
 {
 'product_type': 'reanalysis',
 'variable': [
 'u_component_of_wind',
 'v_component_of_wind',
 'temperature',
 ],
 'pressure_level': ['850', '925'], # 气压层 (hPa)
 'year': '2024',
 'month': '06',
 'day': '15',
 'time': '03:00',
 'area': [37, 112, 36, 113],
 'format': 'netcdf',
 },
 'era5_pressure_levels.nc'
)

6. 注意事项

6.1 请求大小限制

CDS API 对单次请求有大小限制。如果报 403 cost limits exceeded，需要拆分请求：

策略	说明
减少时间	只下需要的小时（如 `03:00-05:00`）
拆分年份	按年分别提交
缩小区域	尽量只覆盖研究区

提示

一般经验：1年 × 3小时 × 小区域 的单层数据可以一次提交。全年 24 小时的通常需要按月或按季度拆分。

6.2 时间说明

ERA5 时间均为 UTC
北京时间 = UTC + 8 小时
例：北京时间 11:00 ≈ UTC 03:00

6.3 空间分辨率

ERA5 默认分辨率：0.25° × 0.25°（约 25km）
area 中的边界会自动对齐到最近的 0.25° 网格

6.4 常见错误

错误	原因	解决
`403 cost limits exceeded`	请求数据量太大	减少时间/拆分年份
`ModuleNotFoundError: cdsapi`	未安装	`pip install cdsapi`
`Exception: Missing/malformed configuration`	`.cdsapirc` 配置错误	检查文件路径和格式
`SSLError / ConnectionReset`	网络不稳定	重试，或挂代理

7. 读取下载的数据

import xarray as xr
import numpy as np

ds = xr.open_dataset('era5_2024_wind.nc', engine='netcdf4')

# 查看基本信息
print(ds)
print('变量:', list(ds.data_vars))
print('坐标:', list(ds.coords))

# 提取某时刻某位置的风速
lon, lat = 112.87, 36.09
u = ds['u10'].sel(longitude=lon, latitude=lat, method='nearest')
v = ds['v10'].sel(longitude=lon, latitude=lat, method='nearest')
wind_speed = np.sqrt(u**2 + v**2)

# 风向 (气象标准: 从北顺时针)
wind_dir = (270 - np.degrees(np.arctan2(v, u))) % 360

print(f'风速: {float(wind_speed.isel(valid_time=0)):.2f} m/s')
print(f'风向: {float(wind_dir.isel(valid_time=0)):.1f}°')

ds.close()

8. 参考链接

拨开云雾见甲烷：一文读懂遥感反演中的匹配滤波 (Matched Filter) 算法

Fri, 10 Apr 2026 10:00:00 +0800

在处理高分辨率点源卫星（如 GHGSat、PRISMA 或 EMIT）数据时，我们经常会面临一个棘手的挑战：如何从极其复杂的地表背景中，提取出微弱的特定气体（如甲烷）吸收信号？

甲烷在短波红外（SWIR）波段（特别是 $1.6\ \mu\text{m}$ 或 $2.3\ \mu\text{m}$ 附近）具有独特的特征吸收峰。然而，这种由气体吸收引起的光谱变化往往只有百分之几甚至更低，完全被淹没在巨大的地表反射率（Albedo）自然起伏和传感器噪声之中。

为了解决这个“大海捞针”的问题，匹配滤波（Matched Filter, MF） 算法成为了目前进行甲烷羽流检测与浓度量化最主流、最高效的手段。

1. 核心思想：从“正向模拟”到“逆向解算”

整个卫星影像的反演流程，本质上是正向物理模拟与逆向统计解算的完美结合。

正向物理模拟（构建标准尺子）

首先，我们需要知道“甲烷信号长什么样”。这里通常依赖辐射传输模型（RTM，如 SCIATRAN 或 MODTRAN）。通过输入当前的大气廓线、太阳天顶角等参数，我们可以模拟出不同地面浓度的甲烷会导致卫星观测到的辐射亮度（Radiance）发生怎样的变化。

在数学上，这个转换关系被称为甲烷的雅可比矩阵（Jacobian），我们将其定义为目标波谱 $t$。它相当于 RTM 在当前观测条件下为我们提供的一把“标准尺子”。

逆向统计解算（复杂背景下的信号提取）

有了尺子，接下来的挑战是如何在充满杂波的真实影像中使用它。这就轮到匹配滤波登场了。它的核心目的只有一个：抑制背景噪声与地表杂波，最大化目标气体（甲烷）的信噪比（SNR）。

2. 匹配滤波的两个关键动作

我们可以用一个生活化的场景来理解匹配滤波：在火车站汹涌的人潮中，找出一个具有特定长相的通缉犯。

在这个场景里，“通缉犯”是微弱的甲烷吸收信号 $t$，“汹涌的人潮”则是复杂的地表（植被、土壤、建筑）和仪器干扰。匹配滤波主要通过以下两步完成任务：

动作一：背景白化与杂波抑制 (Background Whitening)

如果你死盯着照片在人群中找人，很容易被路人干扰。匹配滤波的第一步不是找甲烷，而是去“学习背景长什么样”。

算法会先统计局部图像的背景光谱均值 $\mu$ 和背景协方差矩阵 $C$。协方差矩阵描述了图像中地表光谱的自然变异性。通过乘以协方差矩阵的逆（$C^{-1}$），算法能在数学上把复杂的植被、土壤等背景特征进行“去相关”处理，将其“压平”成均匀的白噪声。这就相当于主动过滤掉了正常路人的特征，让背景变得干净。

动作二：特征投影与完美对冲 (Target Projection)

背景被“漂白”后，算法将第一步用 RTM 算出来的“标准尺子”（目标光谱 $t$）作为一个滤波器，投影到处理后的像元光谱上。这就好比拿着通缉犯的照片，在过滤后的环境中进行比对。如果特征完美吻合，滤波器就会输出一个极值（尖峰）。

3. 数学推导与公式

根据比尔-朗伯定律的线性化近似，包含微弱甲烷羽流的像素光谱 $x$ 可以表示为：

$$x = \mu + \alpha t + n$$

其中，$\mu$ 是背景均值，$\alpha$ 是需要反演的甲烷柱浓度增强量，$n$ 是仪器噪声。

为了从观测光谱 $x$ 中解算出浓度 $\alpha$，我们通过拉格朗日乘数法寻找一个最优的线性滤波器 $q$，得到经典的匹配滤波算子：

$$q = \frac{C^{-1} t}{t^T C^{-1} t}$$

将该算子应用于去均值后的观测光谱 $(x - \mu)$，即可直接估算出该像素的甲烷浓度 $\hat{\alpha}$：

$$\hat{\alpha} = \frac{(x - \mu)^T C^{-1} t}{t^T C^{-1} t}$$

通过将这个公式遍历影像中的每一个像素，我们就能得到一张以 $\text{ppm}\cdot\text{m}$ 为单位的二维甲烷浓度图。

4. 算法的工程局限性

虽然匹配滤波在数学上非常优雅，且计算效率极高，但在实际遥感工程中，它也并非银弹：

对背景统计极度敏感： 算法的成败完全取决于背景均值 $\mu$ 和协方差矩阵 $C$ 的准确性。如果计算背景的窗口内包含了大面积的甲烷羽流，会导致“信号自相残杀”；如果窗口选取得过大，地表异质性过高，协方差矩阵将无法准确代表局部特征。
地表反照率（Albedo）的干扰： 经典的 MF 算法对地表反射率极其敏感。在极端高亮地表（如金属屋顶）或极暗地表（如水体、阴影），公式中的 $(x - \mu)$ 项会异常变大，从而在最终的浓度图中产生强烈的假阳性（False Positives）或噪声伪影。

延伸思考： 为了解决反照率带来的假阳性问题，学术界目前提出了反射率校正匹配滤波（Albedo-Corrected Matched Filter, AMF），通过引入一个与反照率相关的缩放因子来优化基础公式，显著降低了由地表亮度急剧变化引起的误报率。

结语

匹配滤波不仅是一个数学公式，更是连接遥感物理机制与统计信号处理的桥梁。理解了从 RTM 的正向模拟到协方差矩阵的逆向白化，我们在处理海量的高光谱或多光谱数据时，就能更加游刃有余地拨开地表的“云雾”，捕捉到那些隐藏在像素深处的关键信息。

补充示例

我们直接拿遥感卫星最常关注的**短波红外（SWIR）波段来“解剖”这个计算过程。

由于你掌握着遥感科学与技术的专业背景，我们假设你现在正在处理高光谱数据。甲烷在 $1.6\ \mu\text{m}$ 附近有一个非常著名的吸收带组。

为了说明问题，我们从你跑的 SCIATRAN 数据中，抽出两个极具代表性的具体波长来进行对比：一个是强吸收波长，另一个是无吸收（连续统）波长。

场景设定

假设你输入 SCIATRAN 的地表参数和太阳角度固定不变。你只改变了羽流的浓度增强量（X轴），分别跑了 4 组模拟：0, 100, 200, 300 $\text{ppm}\cdot\text{m}$。

（注：为方便阅读，假设辐射亮度的单位为标准的 $W/(m^2 \cdot sr \cdot \mu m)$）

实例 1：切入甲烷的“大动脉”（波长 $= 1650.9\ \text{nm}$）

这是甲烷特征吸收极强的一个波段。你提取出这 4 次模拟中该波长的 Radiance 结果：

当浓度为 0 $\text{ppm}\cdot\text{m}$ (背景) 时，Radiance = 10.000
当浓度为 100 $\text{ppm}\cdot\text{m}$ 时，Radiance = 9.850 (甲烷吸收了部分能量，亮度下降)
当浓度为 200 $\text{ppm}\cdot\text{m}$ 时，Radiance = 9.700
当浓度为 300 $\text{ppm}\cdot\text{m}$ 时，Radiance = 9.550

开始算雅可比 $t$：

你把这 4 个点放在坐标系里，用代码进行线性拟合求斜率：

公式：$\text{Slope} = \frac{\Delta \text{Radiance}}{\Delta \text{浓度}}$
计算：$(9.850 - 10.000) / 100 = \mathbf{-0.0015}$

Q1 ：多组浓度

结论： 在 $1650.9\ \text{nm}$ 这个波段，雅可比刻度是 -0.0015。

物理意义：在当前气象条件下，地表每增加 $1\ \text{ppm}\cdot\text{m}$ 的甲烷，卫星在这个波段接收到的辐射亮度就会固定减少 $0.0015$。

实例 2：切入旁边的“白板”（波长 $= 1550.0\ \text{nm}$）

这个波长距离吸收峰很远，属于纯粹的连续统（Continuum）背景，甲烷对这里的电磁波几乎完全透明。你再次提取出这 4 次模拟的 Radiance 结果：

当浓度为 0 $\text{ppm}\cdot\text{m}$ (背景) 时，Radiance = 12.000
当浓度为 100 $\text{ppm}\cdot\text{m}$ 时，Radiance = 12.000 (甲烷不吸收这个波段，亮度毫无反应)
当浓度为 200 $\text{ppm}\cdot\text{m}$ 时，Radiance = 12.000
当浓度为 300 $\text{ppm}\cdot\text{m}$ 时，Radiance = 12.000

开始算雅可比 $t$：

同样去求斜率：

计算：$(12.000 - 12.000) / 100 = \mathbf{0}$

结论： 在 $1550.0\ \text{nm}$ 这个波段，雅可比刻度是 0。

最终的“目标波谱 $t$”是如何成型的？

高光谱卫星通常有几百个波段。你的代码写了一个 for 循环，把上面这个“求斜率”的过程在每一个波长上都跑了一遍。

最终，你得到了一个包含几百个斜率值的列向量（雅可比矩阵）：

$t = \begin{bmatrix} \dots \\ 0 \\ \dots \\ -0.0015 \\ \dots \\ 0 \\ \dots \end{bmatrix} \begin{matrix} \leftarrow 1550.0\ \text{nm 的斜率} \\ \\ \leftarrow 1650.9\ \text{nm 的斜率} \\ \\ \end{matrix}$

这就是匹配滤波算法手里拿的那把“标准尺子”！

当你把卫星拍到的真实影像数据喂给匹配滤波算法时，算法就会拿着这个 $t$ 向量去跟影像里的每一个像元做点积（投影）：

如果算法看到某个像元在 $1650.9\ \text{nm}$ 处亮度大幅下降，而在 $1550.0\ \text{nm}$ 处亮度正常，它就会发现这个特征与 $t$ 向量完美匹配，从而判定这里有甲烷，并根据下降的幅度（结合那把 $-0.0015$ 的尺子）直接换算出真实的浓度。

国产 OGI 技术发展全景：2025-2030 路线图

Wed, 08 Apr 2026 19:10:00 +0800

1 介绍

光学气体成像（Optical Gas Imaging, OGI）利用气体在红外或紫外波段吸收特性的差异，通过中红外（MWIR）、短波红外（SWIR）或紫外成像，实现对气体泄漏的可视化检测。OGI 在石油石化、天然气长输管道、化工园区、环保监管与军工侦察（CBRN、尾焰、烟幕）等领域具有不可替代的价值。

2 OGI 技术概述

整个波段

核心硬件包括：探测器、制冷机、滤光片、光学镜头、AI 算法。

3 国内 OGI 技术热点

当前国内关注的关键主题包括：

甲烷 / VOC 泄漏可视化（MWIR）
无人机轻量化 OGI（SWIR）
OGI 定量化（QOGI）
超窄带滤光片国产化
多模态（OGI + 热像 + 可见光）融合
战场态势感知（烟幕、尾焰、化学剂）

4 国产 OGI 关键突破点

五大核心突破点

序号	关键突破点	当前瓶颈 (2025)	2025 阶段目标	2026 阶段目标	2027-2028 阶段目标	2029-2030 阶段目标 (2030 总目标)
1	MCT 冷却探测器	NETD 偏高；640 阵列成熟但 1024 不足	320/640 阵列工程化稳定量产；冷却机/ROIC 配套成熟	完成 1024×1024 工程样机；小规模试点	1024×768 / 1024×1024 性能优化，实现小批量工程应用	1024×1024 工程化量产；NETD <20 mK，接近国际先进
2	Stirling 制冷机	寿命仅 8,000-12,000 h	国产制冷机稳定应用于工业 OGI	寿命提升至 12,000-15,000 h；噪声/振动降低	寿命达 15,000-18,000 h；可靠性验证体系完善	>20,000 h；满足固定监测与军工高可靠性要求
3	SWIR 全谱国产化 (InGaAs)	640 成熟；1280 在量产中	640×512 国产成熟，用于固定/移动 OGI	1280×1024 实用化，进入 UAV 巡检主力	多光谱 SWIR (VIS-SWIR) 量产；夜视+烟雾穿透提升	2K 面阵量产；成本下降 30-50%；成为 UAV 主流探测器
4	超窄带滤光片	<40 nm 可量产；中心波长精度有限	40-80 nm 工程化成熟；OGI 基础应用广	多滤光片切换 (CH4/VOC/CO) 结构成熟	成功量产 <30 nm 超窄带滤光片；精度/透过率提升	<20 nm、OD4-OD5 标准化；定量 OGI 标配器件
5	定量 OGI (QOGI) 算法体系	无统一数据集，误报率高	AI 羽流检测（定性检测稳定化）	QOGI 1.0 初级定量：相对泄漏量估计	QOGI 2.0 工程化定量：深度学习 + 物理模型；kg/h 反演	QOGI 3.0 国标级定量：建立国家标准；支持碳核查与 CCUS
附	T2SL (二类超晶格 MWIR/LWIR 探测器)	外延周期多（>1000 层）一致性不足；ROIC 匹配不成熟	完成 640×512 T2SL 原型样机；验证初步 MWIR 灵敏度	优化外延材料体系，提升均匀性；640→1024 工程型机突破	形成 1024×1024 T2SL 原型机；NETD、暗电流接近中端 MCT	1280×1024 工程化样机；可满足工业/军工应用；成为国产 MWIR 战略备份路线

5 红外成像光谱发展路线

发展路线

阶段	SWIR (短波红外)	MWIR (中波红外)	光学件	算法	应用领域
2025	640×512	320/640 稳定	普通带宽成熟	AI 羽流检测	工厂巡检、车载
2026	1280×1024	制冷机寿命提升	多滤光片切换	初级定量	环保、化工
2027-2028	多光谱 SWIR	1024×768 研发突破	<30 nm	工程化定量	UAV 巡线、CCUS
2029-2030	2K 面阵	1024×1024 工程化	<20 nm 标准化	国标级定量	固定监测、CBRN

6 国产 OGI 产业链全景

产业链全景

7 国际主流厂商对标分析

环节	内容	国内代表企业	说明
上游材料	外延片 (MCT/InGaAs)、IR 镜片材料	三安光电、北方华创	外延一致性仍是瓶颈
核心探测器 (SWIR)	InGaAs 400–1700 nm	GHOPTO（国惠）、泓科光电	技术成熟、国产优势强
核心探测器 (MWIR)	MCT/InSb	GST（高德）、航天系、Ulirvision（优利德）	高端面阵仍在突破
制冷机	Stirling（斯特林制冷机）	陕西伏泰、航天体系	最大短板
滤光片/光学件	3.3 μm、4.6 μm、超窄带	Multi IR、Ant、WaveteK	国产成熟
整机产品	MWIR/SWIR OGI 相机	GST、Ulirvision、GuideIR（高德）	覆盖工业/安防
系统集成	工厂监测、巡检平台	和利时、中控、中石油装备	与 SCADA/DCS 集成明显

8 国内外差距总结

厂商	国家	优势	备注
FLIR	美国	工业 OGI 全球第一、算法最成熟	行业标准建立者
Teledyne	美国	全链条 MWIR 产业	MCT 先进
Xenics	比利时	SWIR 领先	已被 Teledyne 收购
Lynred	法国	全球最强 MCT 外延	军用核心供应商
IRCameras	美国	科研级 MWIR、超高灵敏度	高端市场
DRS	美国	最强制冷机	>30000 h 寿命
Infratec	德国	工业红外系统强者	应用广

9 未来趋势

编号	趋势方向	核心驱动力	2030 预期
T1	UAV + 轻量化 OGI	SWIR 成熟、巡检需求	市占率 35–45%
T2	工厂固定 OGI 网络	安全监管升级	每厂 10–30 台
T3	OGI 定量化 (QOGI)	EPA/CCUS/碳核查	泄漏量化 kg/h
T4	多模态融合	降误报、融入风险感知	主流产品≥2传感器
T5	CBRN + 战场态势感知	战场多模态需求	装备化应用
T6	国产化自主可控	全国产链成熟	出口能力提升

10 趋势（国际政策 + 工程数据 + 军事需求）

10.1 国际形势

EPA Methane Rule 2024：首次要求 OGI 具备“定量能力”
欧盟 CCUS 管理标准：要求 CO2 泄漏量化报告
OGI 必须从“看到”升级到“量到”。

10.2 工程应用趋势

无人机 OGI 全球采购增速 >50%/年
北美油田 38% 巡检已由 UAV 完成
国产 SWIR OGI 成本下降 30–50%
UAV + OGI 在效率和安全性上明显优于人工巡检

10.3 军事需求

国外已在多个场景部署 OGI：

应用	国家/地区	波段	优势
尾焰探测	美国	MWIR	早期识别喷流
化学剂侦察	北约	UV-DIAL	远距识别
烟幕/伪装识别	欧盟	SWIR	看穿烟雾

10.4 国内行业趋势

化工园区试点“OGI 固定监测网”成功
国家管网推广“无人机 + OGI 巡检”
碳监测体系明确要求“甲烷排放量化工具”
OGI 将从“设备”升级为“平台 + 系统”能力

11 总结

2025–2030 年将是国产 OGI 从“追赶期”跨越到“体系化突破期”的关键阶段：

SWIR：国产全面成熟，具备竞争力
MWIR：MCT + 制冷机仍是核心技术瓶颈
滤光片：国产已领先
算法：未来决胜点在定量化（QOGI）
应用：从巡检扩展到固定监测与战场态势感知
产业链：正在形成自主可控体系

随着国产探测器、光学件、算法与系统能力成熟，中国将在 2030 年前后具备完整的 OGI 自主可控能力，并有机会在 SWIR、UAV、定量化 OGI 等方向形成国际优势。

来源微信公众号：光学工作站

如何用 Hugo 搭建自己的学术博客（完整实战）

Wed, 08 Apr 2026 16:32:00 +0800

这篇文章记录了我搭建个人学术博客的完整过程。目标很明确：做一个可长期维护、能服务博士阶段研究工作的知识库网站。

我最终采用了 Hugo + HugoBlox Academic CV + GitHub Pages 的组合。下面是可复用的全过程。

一、为什么选 Hugo

我最初尝试过 Astro，也成功部署了，但后续更需要“学术主页 + 博客 + 简历/经历”这一类结构，所以切换到 HugoBlox Academic CV。

这套方案的优势：

静态站点，部署稳定，成本低。
学术主页结构成熟，适合博士生。
内容用 Markdown/YAML 管理，长期维护成本低。

二、环境准备（Windows / PowerShell）

1. 安装 Hugo Extended

winget install --id Hugo.Hugo.Extended -e --source winget --accept-package-agreements --accept-source-agreements

验证：

hugo version

2. 安装 Go（Hugo Modules 需要）

winget install --id GoLang.Go -e --source winget --accept-package-agreements --accept-source-agreements

3. 安装 Node 依赖（主题构建需要）

在项目目录执行：

npm install

三、创建并初始化站点

我使用了 HugoBlox 官方 Academic CV 模板，直接克隆最省事：

cd D:\8_blox
git clone https://github.com/HugoBlox/theme-academic-cv.git my-blog
cd my-blog

四、配置成自己的学术主页

关键文件如下：

config/_default/hugo.yaml
config/_default/menus.yaml
data/authors/me.yaml
content/_index.md

必改项

baseURL：改为你的 Pages 地址（例如 https://用户名.github.io/仓库名/）。
个人信息：姓名、学校、课题组、研究方向、邮箱。
首页区块：按自己的研究内容调整。
导航菜单：保留你真的会用到的栏目。

五、本地预览与构建

本地开发：

hugo server -D

生产构建：

hugo --gc --minify --baseURL "https://用户名.github.io/仓库名/"

六、推送 GitHub 并启用自动部署

1. 初始化并推送仓库

git init -b main
git add .
git commit -m "init blog"
git remote add origin https://github.com/用户名/仓库名.git
git push -u origin main

2. GitHub Pages 设置

仓库中打开：

Settings -> Pages -> Source = GitHub Actions

然后每次 git push 都会自动部署。

七、我遇到的典型问题与解决方法

1. `Author identity unknown`

原因：Git 用户名/邮箱未配置。
解决：

git config --global user.name "你的用户名"
git config --global user.email "你的邮箱"

2. `src refspec main does not match any`

原因：还没有成功 commit。
解决：先 git add + git commit，再 git push -u origin main。

3. Pages 第一次部署报 Not Found

原因：刚切换到 GitHub Actions，Pages 站点状态还没同步。
解决：重跑一次 workflow 即可。

4. 头像不显示

这是我这次踩过的坑：
本地有头像，但文件没提交到 GitHub，线上构建拿不到资源。

正确做法：

头像放在 assets/media/authors/me.jpg。
确认已 git add 并推送。
等 Actions 绿灯后强刷页面。

八、我当前的网站结构

为了先保证质量，我目前只保留：

简介
博客
经历

“论文”和“项目”先隐藏，等内容积累后再开放。

九、可复用更新流程

以后每次更新都可以按这个流程：

git add .
git commit -m "update content"
git push

等待 GitHub Actions 成功后，网站自动更新。

对我来说，博客不是一次性作品，而是博士阶段的长期基础设施。
它的核心价值不是“页面好看”，而是把论文阅读、实验复盘和写作经验，沉淀成可复用的研究资产。

经历

Wed, 08 Apr 2026 00:00:00 +0000

Pandas

Thu, 26 Oct 2023 00:00:00 +0000

Flexible and powerful data analysis / manipulation library for Python, providing labeled data structures.

PyTorch

Thu, 26 Oct 2023 00:00:00 +0000

PyTorch is a Python package that provides tensor computation (like NumPy) with strong GPU acceleration.

scikit-learn

Thu, 26 Oct 2023 00:00:00 +0000

scikit-learn is a Python module for machine learning built on top of SciPy and is distributed under the 3-Clause BSD license.

An example preprint / working paper

Sun, 07 Apr 2019 00:00:00 +0000

This work is driven by the results in my on LLMs.

注意

Create your slides in Markdown - click the Slides button to check out the example.

Add the publication’s full text or supplementary notes here. You can use rich formatting such as including .

An example journal article

Tue, 01 Sep 2015 00:00:00 +0000

注意

Click the Cite button above to demo the feature to enable visitors to import publication metadata into their reference management software.

注意

Create your slides in Markdown - click the Slides button to check out the example.

Add the publication’s full text or supplementary notes here. You can use rich formatting such as including .

An example conference paper

Mon, 01 Jul 2013 00:00:00 +0000

注意

Click the Cite button above to demo the feature to enable visitors to import publication metadata into their reference management software.

注意

Create your slides in Markdown - click the Slides button to check out the example.

Add the publication’s full text or supplementary notes here. You can use rich formatting such as including .

Mon, 01 Jan 0001 00:00:00 +0000

Townsend 学术主页

SSH 免密登录教程：从原理到实战，一次配置永久生效

一、为什么要配置免密登录？

二、原理图解

四步握手流程

三、操作步骤

3.1 🔍 检查是否已有密钥

3.2 🔧 生成密钥对（仅首次）

3.3 📤 一键推送公钥到服务器

3.4 ✅ 验证免密登录

四、进阶：配置 SSH 别名

五、常见问题排查

❓ 推送公钥后还是要密码？

❓ 能给多台服务器配免密吗？

❓ 换了电脑怎么办？

❓ 私钥泄露了怎么办？

❓ Warning: remote port forwarding failed for listen port 7890？

六、安全建议速查

《小王子》读书笔记：爱如何从喜欢走向责任与珍惜

喜欢，往往从一朵玫瑰开始

困惑，是喜欢走向理解之前的必经阶段

“独一无二”不是天生的，而是被爱赋予的

狐狸让爱变得成熟

爱如何从喜欢走向责任与珍惜

结语

ERA5 数据下载教程

ERA5 数据下载教程

1. 注册与获取 API Key

1.1 注册账号

1.2 获取 API Key

1.3 配置本地凭证

2. 安装依赖

3. 基础用法

3.1 最简示例

3.2 参数说明

4. 常用变量速查

4.1 单层变量（single-levels）

4.2 气压层变量（pressure-levels）

5. 实战示例

5.1 下载特定区域的风场数据

5.2 并行下载多年数据

5.3 下载后合并多个文件

5.4 下载气压层数据

6. 注意事项

6.1 请求大小限制

6.2 时间说明

6.3 空间分辨率

6.4 常见错误

7. 读取下载的数据

8. 参考链接

拨开云雾见甲烷：一文读懂遥感反演中的匹配滤波 (Matched Filter) 算法

1. 核心思想：从“正向模拟”到“逆向解算”

正向物理模拟（构建标准尺子）

逆向统计解算（复杂背景下的信号提取）

2. 匹配滤波的两个关键动作

动作一：背景白化与杂波抑制 (Background Whitening)

动作二：特征投影与完美对冲 (Target Projection)

3. 数学推导与公式

4. 算法的工程局限性

结语

补充示例

场景设定

实例 1：切入甲烷的“大动脉”（波长 $= 1650.9\ \text{nm}$）

Q1 ： 多组浓度

实例 2：切入旁边的“白板”（波长 $= 1550.0\ \text{nm}$）

最终的“目标波谱 $t$”是如何成型的？

国产 OGI 技术发展全景：2025-2030 路线图

1 介绍

2 OGI 技术概述

3 国内 OGI 技术热点

4 国产 OGI 关键突破点

5 红外成像光谱发展路线

6 国产 OGI 产业链全景

7 国际主流厂商对标分析

8 国内外差距总结

9 未来趋势

10 趋势（国际政策 + 工程数据 + 军事需求）

10.1 国际形势

10.2 工程应用趋势

10.3 军事需求

❓ `Warning: remote port forwarding failed for listen port 7890`？

Q1 ：多组浓度

1. `Author identity unknown`

2. `src refspec main does not match any`