一种协同反演气溶胶与水汽含量的高光谱图像大气校正算法

引用本文

佃袁勇, 方圣辉, 徐永荣. .一种协同反演气溶胶与水汽含量的高光谱图像大气校正算法[J]. 国土资源遥感, 2015,27(2): 22-28
DIAN Yuanyong, FANG Shenghui, XU Yongrong. .An atmospheric correction algorithm for hyperspectral imagery with collaborative retrieval of aerosol optical thickness and water vapor content[J]. REMOTE SENSING FOR LAND & RESOURCES,2015,27(2): 22-28 复制到剪切板

Permissions

《国土资源遥感》编辑部

一种协同反演气溶胶与水汽含量的高光谱图像大气校正算法

佃袁勇¹, 方圣辉², 徐永荣¹

1.华中农业大学园艺林学学院,武汉 430070

2.武汉大学遥感信息工程学院,武汉 430079

第一作者简介: 佃袁勇(1981-),男,博士,讲师,主要从事遥感在资源环境中的应用方面的研究。Email: dianyuanyong@126.com。

收稿日期: 2013-11-04

基金: 国家863项目“多尺度遥感数据按需快速处理与定量遥感产品生成关键技术”(编号: 2012AA12A304)和“作物生长信息的数字化获取与解析技术”(编号: 2013AA102401)、国家自然科学基金项目“基于叶面积指数的城市绿地固碳释氧与降温增湿功能反演”(编号: 31270744)、中央高校基本科研业务费专项资金项目“基于时间序列遥感影像的三峡库区森林覆盖及动态变化监测”(编号: 2014QC018)和地理国情监测国家测绘地理信息局重点实验室项目“多分辨率遥感影像的变化检测算法研究”(编号: 2013NGC05)共同资助

摘要

大气校正是高光谱图像定量反演地表参数的前提。为充分利用高光谱数据本身的光谱特点,提出了一种协同反演大气气溶胶光学厚度(aerosol optical thickness,AOT)与水汽含量(water vapor content,WV)的大气校正方法,在同时考虑了气溶胶模式、AOT和WV这3个因素的综合影响基础上,采用循环迭代的思想,基于6S辐射传输模型,反演大气参数及地表反射率,弥补了现有反演算法中没有同时考虑AOT与WV的不足; 并以武汉市Hyperion高光谱图像为例,验证了该算法的有效性。从与FLAASH算法及MOIDS提供的AOT和WV产品对比来看,该算法能较好地校正气溶胶与水汽对高光谱图像的影响,且反演过程中所有的输入均来自图像数据本身或6S辐射传输模型,无需输入额外的参数。

关键词: 气溶胶模式; 气溶胶光学厚度(AOT); 水汽含量(WV); 高光谱; 大气校正

中图分类号:TP751.1 文献标志码:A 文章编号:1001-070X(2015)02-0022-07 doi: 10.6046/gtzyyg.2015.02.04

An atmospheric correction algorithm for hyperspectral imagery with collaborative retrieval of aerosol optical thickness and water vapor content

DIAN Yuanyong¹, FANG Shenghui², XU Yongrong¹

1. College of Horticulture and Forestry, Huazhong Agricultural University, Wuhan 430070, China

2. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China

Abstract

Atmospheric correction is the basic step in quantitative retrieval of land surface parameters with hyperspectral imagery. Based on abundant spectral information in the hyperspectral image,this paper presents a new atmospheric correction algorithm for hyperspectral imagery characterized by collaborative retrieval of the aerosol optical thickness (AOT) and the water vapor content (WV). The algorithm takes into account the effects of aerosol type,AOT and WV,and uses the iteration method combined with the 6S(second simulation of the satellite signal in the solar spectrum)radiative transfer model to retrieve the atmospheric parameters and ground reflectance. This new method overcomes the weakness of the existing atmospheric correction algorithms which fail to consider the effects of both AOT and WV. Hyperion hyperspectral image data covering Wuhan City were used to verify the effectiveness of the algorithm proposed in this paper,with the results compared with those of FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)method in ENVI and MODIS’s AOT and WV products. It is shown that the proposed algorithm can better correct the effect of aerosol and water vapor in the atmosphere,and needs no additional parameters because all the inputs are taken from the image data themselves or the 6S radiative transfer model in the inversion process.

Keyword: aerosol type; aerosol optical thickness(AOT); water vapor content(WV); hyperspectra; atmospheric correction

Show Figures

0 引言

大气中的气溶胶和水汽是影响航空与航天遥感图像数据质量的重要因素之一^{[1, 2, 3, 4, 5]}。大气校正的目的就是要消除大气中各种成分对遥感信号的影响, 还原真实的地表辐射信息。大气的状况瞬息万变, 很难同步测量卫星过境时大气的参数; 而如果能直接从遥感信息中反演出大气信息, 就能更好地进行大气校正。大气中的O₃, O₂, CO₂, NO₂和CH₄等含量相对稳定, 只有气溶胶和水汽含量变动较大, 因而大气校正的关键就在于估算气溶胶模式、气溶胶光学厚度(aerosol optical thickness, AOT)与水汽含量(water vapor content, WV)^{[3, 4, 5, 6, 7, 8, 9]}。目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17]}。其中, 大气辐射传输模型法模拟太阳辐射信号通过大气并与地表相互作用后回到传感器的信号, 能较精确地描述水汽和气溶胶的作用^{[8, 9, 10, 11, 12]}, 因此被广泛应用于遥感图像的大气校正。但现阶段基于大气辐射传输模型的大气校正算法对AOT和WV是分开进行反演的— — 先利用水汽吸收波段估算WV^{[18, 19, 20]}, 在消除水汽影响后再考虑AOT的反演; 而且在考虑气溶胶的影响时, 假设气溶胶为单一的模式, 没有考虑气溶胶模式的差异问题。但实际中气溶胶模式是变化的, 对气溶胶模式的选择是最大的误差源^{[3, 4, 5, 10, 21]}。现有研究成果表明, 大陆型和城镇型气溶胶模式在蓝波段和红波段的反射率最大差别可达到13%^{[22, 23, 24]}。

本文在前人研究基础上, 提出了一种协同反演AOT与WV的高光谱遥感图像大气校正算法。该算法以6S辐射传输模型^[25](Version 4.1)构建查找表, 在估算气溶胶模式的基础上, 采用循环迭代方式协同反演AOT与WV; 并以EO-1卫星Hyperion高光谱图像为例, 验证该算法的有效性。

1 实验数据

以武汉市Hyperion高光谱数据为数据源, 验证本文提出的大气校正算法。Hyperion是地球观测卫星EO-1上搭载的高光谱传感器, 共有242个波段(其中44个波段没有定标, 有效波段只有198个); 其中第8— 57波段采用可见光的定标系数, 第77— 224波段采用短波红外的定标系数; 空间分辨率为30 m, 光谱分辨率为10 nm。本文使用的数据是2004年4月2日上午10: 40经过武汉市上空获取的Hyperion卫星数据(行列号为123/39)。

Hyperion数据信号转化为表观反射率的公式为

$\begin{matrix} \{\begin{matrix} ρ_{λ} = \frac{π L_{λ} d^{2}}{E_{λ} cos θ} \\ L_{λ} = DN / S \end{matrix} \end{matrix}$ , (1)

式中: ρ _λ为λ 波段的表观反射率; L为光谱辐亮度; d为日地归一化距离; E为大气上界太阳光辐照度; θ 为太阳天顶角; DN为图像像元值; S为定标系数, 对于可见光波段, S=40; 对于短波红外波段, S=80。

鉴于没有地面同步实测数据可供对比, 本文选择与EO-1卫星Hyperion准同步过境的TERRA卫星MODIS的AOT与WV产品, 用于评估本文提出的反演算法。由于MODIS的AOT产品的分辨率为10 km, WV产品的分辨率为1 km(选择由近红外波段反演的WV产品), 其分辨率远小于Hyperion高光谱图像的分辨率; 因此, 本文根据MODIS产品提供的经纬度坐标, 选取在Hyperion图像范围内的AOT和WV的均值作为验证数据(表1)。

表1 Hyperion图像范围内从MODIS产品中提取的AOT与WV数据 Tab.1 AOT and WV data extracted from MODIS products in Hyperion imange extent

2 研究方法

根据6S辐射传输理论, 卫星接收到的辐射信号包含大气直接散射、地表目标反射和地表目标周围背景反射部分。假设地表为朗伯面, 则卫星入瞳处信号(即表观反射率)ρ _TOA为

ρ _TOA= $\begin{matrix} T_{g (O_{3}, O_{2}, C O_{2}, N O_{2}, C H_{4})} \end{matrix} \begin{matrix} [ρ_{R + A} + T_{R + A} T_{g (H_{2} O)} \frac{ρ_{s}}{1 - S ρ_{s}}] \end{matrix}$ , (2)

式中: ρ _TOA为传感器接收到的单个像元的反射率; $\begin{matrix} T_{g (O_{3}, O_{2}, C O_{2}, N O_{2}, C H_{4})} \end{matrix}$ 为气体分子引起的大气透过率; ρ _R+A为大气瑞利和分子散射; T_R+A为瑞利散射和气溶胶引起的大气透过率; $\begin{matrix} T_{g (H_{2} O)} \end{matrix}$ 为水汽引起的大气透过率; S为大气半球反射率; ρ _s为像元地表反射率。所有的变量均与波长相关。

由ρ _TOA反演地表反射率ρ _s的过程需要首先估算大气参数, 即 $\begin{matrix} T_{g (O_{3}, O_{2}, C O_{2}, N O_{2}, C H_{4})} \end{matrix}$ , ρ _R+A, S, T_R+A和 $\begin{matrix} T_{g (H_{2} O)} \end{matrix}$ 。将 $\begin{matrix} T_{g (O_{3} 、 O_{2}, C O_{2}, N O_{2}, C H_{4})} \end{matrix}$ 和ρ _R+A归纳为一个变量ρ _path, 将 $\begin{matrix} T_{g (O_{3} 、 O_{2}, C O_{2}, N O_{2}, C H_{4})} \end{matrix}$ , $\begin{matrix} T_{g (H_{2} O)} \end{matrix}$ 和T_R+A归纳为一个变量T, 则式(2)可简化为

ρ _TOA=ρ _path+ $\begin{matrix} \frac{T ρ_{s}}{1 - S ρ_{s}} \end{matrix}$ , (3)

式中: ρ _path, T和S分别为与大气廓线, 水汽含量(WV)和气溶胶模式、气溶胶光学厚度(τ )有关的变量。当给定大气廓线、气溶胶模式、WV和τ 时, 利用6S模型即可计算ρ _path, T和S这3个变量; 进而在给定星上反射率后, 即可得到地表反射率。于是大气校正的问题转化为: 在已知星上反射率的情况下, 求解大气廓线、气溶胶模式、WV和AOT参数, 亦即求解ρ _path, T和S。其中, 大气廓线可根据遥感数据获取时间以及所在地区, 选择6S模型中已有的廓线数据。因此, WV、气溶胶模式和AOT是大气校正需要反演的3个参数。本文提出了一种基于AOT和WV协同反演的大气校正算法, 该算法的流程如图1所示。

	Figure Option View Download New Window
	图1 大气校正算法流程图Fig.1 Flow chart of atmospheric correction algorithm

算法的关键步骤包括气溶胶模式反演、查找表生成、WV反演以及暗目标和蓝波段(0.48 μ m)及红波段(0.66 μ m)地表反射率确定等。

2.1 反演气溶胶模式

以6S模型中定义的4种类型的气溶胶(即沙尘类型(dust-like, DL)、海洋型(oceanic, OC)、水溶型(water-soluble, WS)和煤烟类(soot, SO))为基础, 将这4种类型气溶胶按一定比例组合, 建立不同的气溶胶模式; 结合MODIS提供的AOT与星上反射率数据, 反演气溶胶模式。根据武汉市所处的地理位置和环境等情况, 武汉市城区气溶胶的组成在城市型气溶胶(体积比为沙尘型占17%, 水溶型占61%, 煤烟类占22%)和大陆型气溶胶(体积比为沙尘型占70%, 水溶型占29%, 煤烟类占1%)之间, 因3种组分之和应等于100%, 故3个变量并不是互相独立的。首先把沙尘型和烟尘型组分各分为10个等级, 水溶型组分可根据前两者含量计算得到; 然后根据MODIS提供的AOT, 利用这100种气溶胶模式, 根据查找表分别反演地面暗目标在红波段和蓝波段的星上反射率 $\begin{matrix} ρ_{R}^{*} \end{matrix}$ 和 $\begin{matrix} ρ_{B}^{*} \end{matrix}$ 。假定550 nm处的光学厚度为τ , 卫星观测的表观反射率在红波段和蓝波段分别为ρ _R和ρ _B, 当满足条件

( $\begin{matrix} ρ_{R}^{*} \end{matrix}$ -ρ _R)²+( $\begin{matrix} ρ_{B}^{*} \end{matrix}$ -ρ _B)²< ε (4)

时(式中ε 为表观反射率的误差允许范围), 得到的气溶胶模式就是当前大气的气溶胶模式。

2.2 反演水汽含量

在近红外通道, 当忽略地表反照率的影响, 将其他的吸收特性与瑞利、气溶胶特性融合在一起考虑时, 则辐射传输方程(2)可简化为

ρ _TOA=T ρ _s+ρ _path , (5)

式中: T为大气中水汽含量导致的透过率 $\begin{matrix} T_{(H_{2} O)} \end{matrix}$ 与其他成分的综合透过率T_z的乘积; ρ _s为地表反射率值。

而水汽通道的透过率可以表示为与水汽含量的关系^[18], 其模型为

$\begin{matrix} T_{(H_{2} O)} \end{matrix}$ =exp(α -β $\begin{matrix} \sqrt[]{ω} \end{matrix}$ ) , (6)

式中: ω 为水汽含量; α 和β 为常量参数。

利用6S和MODTRAN等模型可以很好地建立透过率与水汽含量的关系, 因此求解的关键是如何求透过率。现有的水汽反演算法中, 将式(5)中的ρ _path项忽略掉, 同时认为在0.85~1.25 μ m之间的地面反射率满足线性关系^[18], 且水汽以外窗口的大气透过率为1; 将大气透过率表达为2个波段或3个波段的比值, 进而利用水汽查找表求得水汽含量^[19]。而在实际过程中, 由于受气溶胶的厚度和类型等影响, ρ _path并不为0, 且水汽以外窗口的大气透过率也不是1, 因此利用该算法反演的水汽含量存在一定误差。

本文在以上研究基础上, 考虑了气溶胶的影响因素, 对3个波段的水汽反演算法进行了改进。针对Hyperion高光谱的卫星数据中940 nm和1 140 nm处水汽吸收带具有的多个波段, 根据赵祥等^[7]的建议, 选择Hyperion第80波段(942.73 nm)为水汽吸收波段, 选择第52波段(874.53 nm)和第110波段(1 245.36 nm)为水汽弱吸收波段; 采用上述3个波段比值模型, 具体构建水汽透过率 $\begin{matrix} T_{(H_{2} O)} \end{matrix}$ 的计算公式, 即

$\begin{matrix} T_{(H_{2} O)} \end{matrix}$ = $\begin{matrix} \frac{2 [ρ_{TOA (80)} - ρ_{path (80)}]}{C_{1} [ρ_{TOA (52)} - ρ_{path (52)}] + C_{2} [ρ_{TOA (110)} - ρ_{path (110)}]} \end{matrix}$ , (7)

式中: ρ _TOA(80), ρ _TOA(52)和ρ _TOA(110)分别为Hyperion第80, 52和110波段的星上反射率; ρ _path(80), ρ _path(52)和ρ _path(110)分别为Hyperion第80, 52和110波段的大气程辐射; C₁=0.82; C₂=0.18。

2.3 生成查找表

在确定研究区域的大气气溶胶模式后, 利用6S模型, 根据相应的观测几何参数, 可以建立WV, τ 与ρ _path, T, S之间对应关系的查找表。在构建查表时, WV的变化范围在0.2~4.2 g/cm², 以0.2 g/cm²递增; τ 的变化区间在0.05~5.0, 其中τ < 2时以0.2递增, τ > 2时以0.5递增。针对Hyperion图像, 在给定的观测几何参数下, 对每一个τ 和WV值, 假定3个地表反射率值(ρ _s=0.0, 0.5, 0.8), 用6S模型进行运算, 可得到3个星上反射率。将3组对应的地表反射率和星上反射率代入式(3), 即可求得ρ _path, T和S。查找表即可表示为WV和τ 与地表反射率和星上反射率的关系表。这样, 对于大气参数(AOT和WV)、地表反射率和星上反射率这3组变量, 只要知道了其中2组, 便可以推导出第3组变量。

2.4 确定暗目标

在高光谱图像大气校正中, 图像中的暗目标能用于探测AOT^[5]。对于绿色植被、黑色土壤等暗目标区域在红波段(0.66 μ m)和蓝波段(0.48 μ m)的地表反射率, 根据Levy等^[5]的建议, 在暗目标地区, 红波段( $\begin{matrix} ρ_{0.66}^{s} \end{matrix}$ )与蓝波段( $\begin{matrix} ρ_{0.48}^{s} \end{matrix}$ )地表反射率与2.12 μ m处的暗目标反射率( $\begin{matrix} ρ_{2.12}^{s} \end{matrix}$ )之间的关系可以表示为NDVI_SWIR和散射角Θ 的函数, 其函数关系为

$\begin{matrix} {ρ^{s}}_{0.66} \end{matrix}$ =f( $\begin{matrix} {ρ^{s}}_{2.12} \end{matrix}$ )= $\begin{matrix} {ρ^{s}}_{2.12} \end{matrix}$ slope₀_.₆₆_/₂_.₁₂+yint₀_.₆₆_/₂_.₁₂ , (8)

$\begin{matrix} {ρ^{s}}_{0.48} \end{matrix}$ =f( $\begin{matrix} {ρ^{s}}_{0.66} \end{matrix}$ )= $\begin{matrix} {ρ^{s}}_{0.66} \end{matrix}$ slope₀_.₄₈_/₀_.₆₆+yint₀_.₄₈_/₀_.₆₆ 。 (9)

其中,

slope₀_.₆₆_/₂_.₁₂=slop $\begin{matrix} e_{\frac{0.66}{2.12}}^{NDV I_{SWIR}} \end{matrix}$ +0.002 Θ -0.27 , (10)

yint₀_.₆₆_/₂_.₁₂=-0.000 25 Θ +0.003 , (11)

slope₀_.₄₈_/₀_.₆₆=0.49 , (12)

yint₀_.₄₈_/₀_.₆₆=0.005 。 (13)

式(10)— (11)中:

slop $\begin{matrix} e_{\frac{0.66}{2.12}}^{NDV I_{SWIR}} \end{matrix}$ = $\begin{matrix} \{\begin{matrix} 0.48, & NDV I_{SWIR} < 0.25 \\ 0.58, & NDV I_{SWIR} > 0.75 \\ 0.48 + 0.2 (NDV I_{SWIR} - 0.25), & 0.25 \leq NDV I_{SWIR} \leq 0.75 \end{matrix} \end{matrix}$ , (14)

NDVI_SWIR=(ρ ₁_.₂₄-ρ ₂_.₁₂)/(ρ ₁_.₂₄+ρ ₂_.₁₂) , (15)

Θ =cos^-¹(-cos θ ₀ cos θ +sin θ ₀ sin θ cosφ )。 (16)

式(15)— (16)中: ρ _1.24和 ρ _2.12分别为1.24 μ m和2.12 μ m处的星上反射率; θ ₀为太阳天顶角; θ 为传感器观测天顶角; φ 为太阳与传感器间相对方位角。

本文在确定暗目标及红波段和蓝波段的地表反射率时, 直接采用了上述方法。

2.5 过程循环迭代反演

在确定了研究区域气溶胶模式并利用6S模型建立了查找表后, 采取2.4节中的方法, 利用高光谱图像数据确定暗目标, 估算蓝波段和红波段的地表反射率; 然后采用循环迭代的方式反演AOT与WV。具体过程如下:

1)给定初始光学厚度τ ₀, 利用2.2节中的方法计算水汽含量初值WV₀。

2)根据暗目标的星上反射率及估算的地表反射率(见2.4节), 利用已经建立的查找表(见2.3节), 得到气溶胶光学厚度τ _i。

3)根据τ _i, 结合2.2节中水汽含量反演方法, 重新计算水汽含量值WV_i。

4)更新当前气溶胶光学厚度τ _i+₁及水汽含量值WV_i+₁。

5)比较2次获得的AOT及WV值, 如果2次的差值在误差允许范围内, 则进入步骤6); 否则, 返回步骤2)。

6)输出WV与AOT, 并计算每个像元的地表反射率。

3 结果与分析

3.1 气溶胶模式反演结果

以同一天获取的MODIS原始数据及气溶胶产品, 获得研究区域的红波段和绿波段地表反射率、星上反射率以及相对应的AOT。利用气溶胶模式反演算法, 反演得到武汉市的气溶胶模式为: 沙尘型所占比例为17%, 水溶型所占比例为82%, 煤烟类所占比例为1%; 此时式(4)中的ε 为0.004。该气溶胶模式介于大陆型和城市型气溶胶之间, 与武汉市的地理条件和环境(湿度较大, 沙尘、煤烟较少)比较相符。

3.2 AOT和WV的验证与比较

利用暗目标确定方法, 在整个研究区范围内共确定2 196个暗目标像元; 根据这些暗目标像元的地表反射率与星上反射率数据, 采用本文提出的算法反演大气参数。为比较不同算法的反演效果, 利用ENVI软件中FLAASH大气校正模块对同一Hyperion高光谱图像进行大气校正, 以比较用FLAASH反演的AOT和WV与本文算法反演的结果。同时, 以同一天获取的MODIS的AOT和WV产品值为标准值(因没有当天的地面实测数据, 故无法与地面数据对比)计算相对误差, 其结果如表2所示。

表2 AOT与WV反演结果 Tab.2 Inversion results of AOT and WV

从表2可以看出, 与MODIS的值相比本文方法对WV的反演精度, 相对误差在3.0%~37.6%之间, 平均相对误差20.3%, 精度略高于FLAASH算法的反演结果; 对AOT的反演精度, 相对误差在5.3%~35.5%, 平均相对误差11.8%, 精度略低于FLAASH算法的反演结果。

3.3 大气校正前后光谱反射率比较

图2显示了大气校正前、后的效果, 其中图2(a)为大气校正前的Hyperion高光谱图像, 图2(b)与(c)分别为FLAASH算法与本文算法的大气校正结果。

	Figure Option View Download New Window
	图2 大气校正前后效果对比Fig.2 Comparsion between results before and after atmospheric correction

图3显示了大气校正前、后Hyperion高光谱图像中典型植被、水体和水泥路面光谱反射率差异。

	Figure Option View Download New Window
	图3 大气校正前后典型地物的光谱反射率Fig.3 Spectrum reflectance of typical objects before and after of atmospheric correction

对比图3中大气校正前、后的效果可以看出, 气溶胶对可见光波段(400~700 nm), 特别是对蓝波段影响较大; 水汽的影响主要在近红外波段, 特别是在820 nm, 940 nm和1 135 nm附近。经过大气校正后, 可基本消除气溶胶及水汽的影响。对比本文算法与FLAASH算法大气校正后典型地物的光谱反射率曲线可以看出, 植被的反射率相差最大为0.09, 水体的反射率相差最大为0.07, 水泥路面反射率相差最大为0.05, 表明本文算法的大气校正效果与FLAASH算法的相当。

3.4 循环迭代效果比较

本文采用循环迭代的思路协同反演AOT与WV, 对整个研究区域内的2 196个暗目标像元计算了相邻2次迭代的误差。图4显示了迭代次数与相邻2次迭代的AOT和WV的平均误差关系。

	Figure Option View Download New Window
	图4 反演AOT和WV的迭代次数与相邻2次迭代误差的关系Fig.4 Relationship between iteration times and adjacent two iterative error in retrieval AOT and WV

从图4可知, 随着迭代次数的增加, 相邻2次迭代的误差逐渐减小, 一般迭代3~4次即可收敛, 此时AOT和WV的误差均< 0.05。但是, 每个像元都要循环迭代3~4次, 会增大数据处理的运算量。

4 结论

1)大气校正是高光谱图像定量反演地表参数的前提。本文提出了一种协同反演大气气溶胶光学厚度(AOT)与水汽含量(WV)的方法, 充分利用高光谱数据本身的光谱特点, 在同时考虑气溶胶模式、AOT和WV这3个因素的综合影响基础上, 采用循环迭代的思想, 基于6S辐射传输模型, 反演大气参数及地表反射率, 弥补了现有反演算法中没有同时考虑AOT与WV的不足。

2)从对武汉市Hyperion高光谱图像大气校正的效果来看, 本文提出的算法能较好地校正大气中气溶胶与水汽对高光谱图像的影响, 且反演过程中所有的输入均来自图像数据本身或6S辐射传输模型, 无需输入额外的参数。

由于本文提出的算法采用了循环迭代的思路, 运算量较大, 增加了大气校正的时间。同时, 因缺少地面的实地验证数据, 仅将本文方法的大气校正结果与FLAASH大气校正结果和MODIS数据产品进行了对比。在今后的工作中, 需要进一步优化算法, 提高算法的效率, 并进行同步的地面验证工作。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	Barducci A, Guzzi D, Marcoionni P, et al. Algorithm for the retrieval of columnar water vapor from hyperspectral remotely sensed data[J]. Applied Optics, 2004, 43(29): 5552-5563. [本文引用:1] [JCR: 1.689]
[2]	Li B G, Yuan H S, Feng N, et al. Comparing MODIS and AERONET aerosol optical depth over China[J]. International Journal of Remote Sensing, 2009, 30(24): 6519-6529. [本文引用:1]
[3]	Levy R C, Remer L A, Dubovik O. Global aerosol optical properties and application to moderate resolution imaging spectroradiometer aerosol retrieval over land [J]. Journal of Geophysical Research: Atmospheres, 2007, 112(D13): D13210. [本文引用:3] [JCR: 3.174]
[4]	夏双, 阮仁宗, 张月, 等. 气溶胶光学厚度对蓝藻水华信息提取的影响[J]. 国土资源遥感, 2013, 25(1): 33-38. doi: DOI: 106046/gtzyyg. 2013. 01. 06. Xia S, Ruan R Z, Zhang Y, et al. Effects of aerosol optical thickness on extracting cyanbacteria bloom[J]. Remote Sensing for Land and Resources, 2013, 25(1): 33-38. doi: DOI:10.6046/gtzyyg.2013.01.06. [本文引用:3]
[5]	Levy R C, Remer L A, Mattoo S, et al. Second-generation operational algorithm: Retrieval of aerosol properties over land from inversion of moderate resolution imaging spectroradiometer spectral reflectance[J]. Journal of Geophysical Research: Atmospheres, 2007, 112(D13): D13211. [本文引用:5] [JCR: 3.174]
[6]	Remer L A, Kaufman Y J, Tanré D, et al. The MODIS aerosol algorithm, products, and validation[J]. Journal of the Atmospheric Sciences, 2005, 62(4): 947-973. [本文引用:1] [JCR: 2.672]
[7]	徐永明, 覃志豪, 陈爱军. 基于查找表的MODIS逐像元大气校正方法研究[J]. 武汉大学学报: 信息科学版, 2010, 35(8): 959-962. Xu Y M, Qin Z H, Chen A J. A pixel-by-pixel atmospheric correction algorithm for MODIS data based on look-up table[J]. Geomatics and Information Science of Wuhan University, 2010, 35(8): 959-962. [本文引用:3] [CJCR: 0.779]
[8]	赵祥, 梁顺林, 刘素红, 等. 高光谱遥感数据的改正暗目标大气校正方法研究[J]. 中国科学: 地球科学, 2007, 37(12): 1653-1659. Zhao X, Liang S L, Liu S H, et al. Atmospheric correction with Hyperspectral image data based on modified dark object method[J]. Scientia Sinica Terrae, 2007, 37(12): 1653-1659. [本文引用:3]
[9]	郑求根, 权文婷. 基于暗像元的Hyperion高光谱影像大气校正[J]. 光谱学与光谱分析, 2010, 30(10): 2710-2713. Zheng Q G, Quan W T. Application of dark pixels atmospheric correction algorithm to Hyperion imageries[J]. Transactions of Spectroscopy and Spectral Analysis, 2010, 30(10): 2710-2713. [本文引用:3]
[10]	胡方超, 王振会, 张兵, 等. 遥感试验数据确定大气气溶胶类型的方法研究[J]. 中国激光, 2009, 36(2): 312-317. Hu F C, Wang Z H, Zhang B, et al. Study on method for determining atmospheric aerosol type using remote sensing experimental data[J]. Chinese Journal of Lasers, 2009, 36(2): 312-317. [本文引用:3] [CJCR: 1.5642]
[11]	唐洪钊, 晏磊, 李成才, 等. 基于MODIS高分辨率气溶胶反演的ETM+影像大气校正[J]. 地理与地理信息科学, 2010, 26(4): 12-15. Tang H Z, Yan L, Li C C, et al. Atmospheric correction for ETM+ imagery based on high resolution aerosol optical depth retrieved from MODIS data[J]. Transactions of Geography and Geo-Information Science, 2010, 26(4): 12-15. [本文引用:2]
[12]	袁金国, 牛铮, 王锡平. 基于FLAASH的Hyperion高光谱影像大气校正[J]. 光谱学与光谱分析, 2009, 29(5): 1181-1185. Yuan J G, Niu Z, Wang X P. Atmospheric correction of Hyperion hyperspectral image based on FLAASH[J]. Transactions of Spectroscopy and Spectral Analysis, 2009, 29(5): 1181-1185. [本文引用:2]
[13]	Liang S L, Fang H L. An improved atmospheric correction algorithm for hyperspectral remotely sensed imagery[J]. Geoscience and Remote Sensing Letters, IEEE, 2004, 1(2): 112-117. [本文引用:1] [JCR: 1.823]
[14]	程晨, 陈健, 李鑫慧. 基于TM图像的南京市气溶胶光学厚度反演[J]. 国土资源遥感, 2013, 25(3): 90-96. doi: DOI: 106046/gtzyyg. 2013. 03. 16. Cheng C, Chen J, Li X H. Retrieving aerosol optical depth over Nanjing City based on TM image[J]. Remote Sensing for Land and Resources, 2013, 25(3): 90-96. doi: DOI:10.6046/gtzyyg.2013.03.16. [本文引用:1]
[15]	杨磊, 潘志强, 傅俏燕, 等. 资源三号卫星多光谱数据的大气校正研究[J]. 光谱学与光谱分析, 2013, 33(7): 1903-1907. Yang L, Pan Z Q, Fu Q Y, et al. Research on the atmospheric correction for ZY-3 MUX image[J]. Spectroscopy and Spectral Analysis, 2013, 33(7): 1903-1907. [本文引用:1] [JCR: 0.293] [CJCR: 1.36]
[16]	方莉, 余涛, 顾行发, 等. 北京地区HJ-1卫星CCD数据的气溶胶反演及在大气校正中的应用[J]. 遥感学报, 2013, 17(1): 151-164. Fang L, Yu T, Gu X F, et al. Aerosol retrieval and atmospheric correction of HJ-1 CCD data over Beijing[J]. Journal of Remote Sensing, 2013, 17(1): 151-164. [本文引用:1] [CJCR: 0.992]
[17]	杨贵军, 黄文江, 刘三超, 等. 环境减灾卫星高光谱数据大气校正模型及验证[J]. 北京大学学报: 自然科学版, 2010, 46(5): 821-828. Yang G J, Huang W J, Liu S C, et al. Research on modeling and validating of atmospheric correction for HJ-1A hyperspectral imager data[J]. Transactions of Peking University: Natural Science Edition, 2010, 46(5): 821-828. [本文引用:1]
[18]	Kaufman Y J, Gao B C. Remote sensing of water vapor in the near IR from EOS/MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(5): 871-884. [本文引用:3] [JCR: 3.467]
[19]	Gao B C, Kaufman Y J. Water vapor retrievals using moderate resolution imaging spectroradiometer(MODIS)near-infrared channels[J]. Journal of Geophysical Research: Atmospheres, 2003, 108(D13): 4389. [本文引用:2] [JCR: 3.174]
[20]	姜立鹏, 覃志豪, 谢雯. 针对MODIS近红外数据反演大气水汽含量研究[J]. 国土资源遥感, 2006, 18(3): 5-9. doi: DOI: 106046/gtzyyg. 2006. 03. 02. Jiang L P, Qin Z H, Xie W. Retrieving atmospheric water vapor from MODIS near infrared data[J]. Remote Sensing for Land and Resources, 2006, 18(3): 5-9. doi: DOI:10.6046/gtzyyg.2006.03.02. [本文引用:1]
[21]	周春艳, 柳钦火, 唐勇. MODIS气溶胶C004、C005产品的对比分析及其在中国北方地区的适用性评价[J]. 遥感学报, 2009, 13(5): 863-872. Zhou C Y, Liu Q H, Tang Y. Comparison between MODIS aerosol product C004 and C005 and evaluation of their applicability in the north of China[J]. Transactions of Journal of Remote Sensing, 2009, 13(5): 863-872. [本文引用:1]
[22]	佃袁勇. 高光谱数据反演植被信息的研究[D]. 武汉: 武汉大学, 2011. Dian Y Y. Inversion Vegetation Information Based on Hyperspectral Remote Sensing Data[D]. Wuhan: Wuhan University, 2011. [本文引用:1] [CJCR: 0.2893]
[23]	Laurent V C E, Verhoef W, Clevers J G P W, et al. Estimating forest variables from top-of-atmosphere radiance satellite measurements using coupled radiative transfer models[J]. Remote Sensing of Environment, 2011, 115(4): 1043-1052. [本文引用:1] [JCR: 5.103]
[24]	陈新芳, 陈镜明, 安树青, 等. 不同大气校正方法对森林叶面积指数遥感估算影响的比较[J]. 生态学杂志, 2006, 25(7): 769-773. Chen X F, Chen J M, An S Q, et al. Comparison of different atmospheric correction models in their effects on Land sat TM estimation of forest leaf area index[J]. Chinese Journal of Ecology, 2006, 25(7): 769-773. [本文引用:1] [CJCR: 1.729]
[25]	Vermote E F, Tanré D, DeuzéJ L, et al. Second simulation of the satellite signal in the solar spectrum, 6S: An overview[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(3): 675-686. [本文引用:1] [JCR: 3.467]

2004

1.689

0.0

... 0 引言大气中的气溶胶和水汽是影响航空与航天遥感图像数据质量的重要因素之一^[1,2,3,4,5] ...

2009

0.0

... 0 引言大气中的气溶胶和水汽是影响航空与航天遥感图像数据质量的重要因素之一^[1,2,3,4,5] ...

2007

3.174

0.0

... 0 引言大气中的气溶胶和水汽是影响航空与航天遥感图像数据质量的重要因素之一^[1,2,3,4,5] ...

... 大气中的O₃,O₂,CO₂,NO₂和CH₄等含量相对稳定,只有气溶胶和水汽含量变动较大,因而大气校正的关键就在于估算气溶胶模式、气溶胶光学厚度(aerosol optical thickness,AOT)与水汽含量(water vapor content,WV)^{[3,4,5,6,7,8,9]} ...

... 但实际中气溶胶模式是变化的,对气溶胶模式的选择是最大的误差源^{[3,4,5,10,21]} ...

2013

0.0

夏双, 阮仁宗, 张月, 等. 气溶胶光学厚度对蓝藻水华信息提取的影响[J]. 国土资源遥感, 2013, 25(1): 33-38. doi: DOI: 106046/gtzyyg. 2013. 01. 06.

Xia

, Ruan R

, Zhang

, et al. Effects of aerosol optical thickness on extracting cyanbacteria bloom[J]. Remote Sensing for Land and Resources, 2013, 25(1): 33-38. doi: DOI:10.6046/gtzyyg.2013.01.06.

In this paper, the effect of Aerosol Optical Thickness (AOT) on cyanbacteria bloom in the Taihu Lake was investigated, which could lay a foundation for dynamically monitoring cyanbacteria bloom. Moreover, a study of the elimination of the effects of AOT on the extraction results was carried out. MODIS products (MOD 02, MOD 04 and MOD 09) were chosen. Single band ( NIR ) and ratio vegetation index ( NIR/G ) were used to extract the spatial distribution of cyanbacteria bloom in the Taihu Lake in 2006. The effect of AOT was explored. A quantitative analysis of the degree of the effect of AOT on both the net changes of the area of cyanbacteria bloom and threshold selection was conducted. The results show that the correlation in the case of fixed threshold is higher than that of the demand threshold when the correlation of the area differences of cyanbacteria bloom and AOT is studied with single band and ratio vegetation index. In these two methods, the correlation without atmospheric correction is higher than that with atmospheric correction in the case of the corresponding value. This shows that the atmosphere will have some impact on the extraction of cyanbacteria bloom. Therefore, if cyanbacteria bloom information needs to be extracted accurately and reliably, AOT cannot be ignored. Also, if it cannot be completely eliminated, appropriate methods could be used to minimize its effect.

School of Earth Sciences and Engineering, Hehai University, Nanjing 210098, China

通过探讨气溶胶光学厚度(AOT)对蓝藻水华信息提取的影响程度和消除方法,为蓝藻水华的动态监测提供可靠依据。首先,利用MODIS数据产品(MOD 02,MOD 04和MOD 09),基于单波段和比值植被指数2种方法分别提取了2006年太湖蓝藻水华的空间分布信息,探讨了AOT对信息提取阈值选择的影响方式和影响程度。研究结果表明:在固定阈值情况下,采用上述2种方法提取的蓝藻水华信息面积差异与AOT的相关性高于自选阈值情况下的相关性;在单波段法和比值植被指数法中,大气校正前所设定的阈值与AOT的相关性都高于大气校正后再选择阈值的相关性。这反映出AOT对蓝藻水华信息提取的影响是不容忽视的,即便不能完全消除,也要选择适当的方法尽量降低其影响程度。

... 0 引言大气中的气溶胶和水汽是影响航空与航天遥感图像数据质量的重要因素之一^[1,2,3,4,5] ...

... 但实际中气溶胶模式是变化的,对气溶胶模式的选择是最大的误差源^{[3,4,5,10,21]} ...

2007

3.174

0.0

... 0 引言大气中的气溶胶和水汽是影响航空与航天遥感图像数据质量的重要因素之一^[1,2,3,4,5] ...

... 但实际中气溶胶模式是变化的,对气溶胶模式的选择是最大的误差源^{[3,4,5,10,21]} ...

... 4 确定暗目标在高光谱图像大气校正中,图像中的暗目标能用于探测AOT^[5] ...

... m)的地表反射率,根据Levy等^[5]的建议,在暗目标地区,红波段( ρ0 ...

2005

2.672

0.0

2010

0.0

0.779

徐永明, 覃志豪, 陈爱军. 基于查找表的MODIS逐像元大气校正方法研究[J]. 武汉大学学报: 信息科学版, 2010, 35(8): 959-962.

Xu Y

, Qin Z

, Chen A

A pixel-by-pixel atmospheric correction algorithm for MODIS data based on look-up table[J]. Geomatics and Information Science of Wuhan University, 2010, 35(8): 959-962.

Based on the 6S radiation transfer model,the influences of aerosol optical depth,solar zenith,sensor zenith and ground altitude changes on atmospheric corrected reflectances were calculated.The 6S model's sensitivities to these four parameters were discussed.A new correction algorithm based on look-up table was introduced.The look-up tables of correction parameters for different aerosol optical depth,solar zenith,sensor zenith and ground altitude values were established by the 6S model offline computation.Each pixel of MODIS data was corrected by interpolation from the look-up tables to get surface reflectance.The comparison results between our method,online method and parameter-uniform method show that the result of our method was closed to that of online method,which indicates that our method effectively reduces the influence of parameters spatial heterogeneity on atmospheric correction.

1 School of Remote Sensing,Nanjing University of Information Science & Technology,219 Ningliu Road,Nanjing 210044,China； (2 International Institute for Earth System Sciences,Nanjing University,22 Hankou Road,Nanjing 210093,China； (3 Institute of Natural Resources and Regional Planning,Chinese Academy of Agricultural Sciences,12 South Zhongguancun Street,Beijing 100081,China； (4 School of Atmospheric Physics,Nanjing University of Information Science & Technology,219 Ningliu Road,Nanjing 210044,China

以6S大气辐射传输模型为基础,计算了气溶胶光学厚度、太阳天顶角、传感器天顶角以及地表海拔变化对于校正得到的地表反射率的影响,讨论了6S模型对于这些参数的敏感性,提出了一种基于查找表的大气校正方法,利用6S模型离线计算建立了不同气溶胶的光学厚度、太阳天顶角、传感器天顶角以及地表海拔条件下大气校正系数的查找表,基于该查找表对MODIS影像进行逐像元大气校正。通过对本文方法、6S在线校正方法和利用统一输入参数校正方法的比较表明,本文方法的计算结果与6S在线校正方法很接近,说明本文方法可以有效地改善由于大气条件、传感器位置等空间分布差异对MODIS图像大气校正的影响。

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

... 针对Hyperion高光谱的卫星数据中940 nm和1 140 nm处水汽吸收带具有的多个波段,根据赵祥等^[7]的建议,选择Hyperion第80波段(942 ...

2007

0.0

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

... 其中,大气辐射传输模型法模拟太阳辐射信号通过大气并与地表相互作用后回到传感器的信号,能较精确地描述水汽和气溶胶的作用^{[8,9,10,11,12]},因此被广泛应用于遥感图像的大气校正 ...

2010

0.0

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

2009

0.0

1.5642

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

... 但实际中气溶胶模式是变化的,对气溶胶模式的选择是最大的误差源^{[3,4,5,10,21]} ...

2010

0.0

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

2009

0.0

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

2004

1.823

0.0

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

2013

0.0

程晨, 陈健, 李鑫慧. 基于TM图像的南京市气溶胶光学厚度反演[J]. 国土资源遥感, 2013, 25(3): 90-96. doi: DOI: 106046/gtzyyg. 2013. 03. 16.

Cheng

, Chen

, Li X

Retrieving aerosol optical depth over Nanjing City based on TM image[J]. Remote Sensing for Land and Resources, 2013, 25(3): 90-96. doi: DOI:10.6046/gtzyyg.2013.03.16.

Aerosol is an important factor which not only influences land-atmosphere energy balance and climate change but also affects the environmental quality of human life. Based on TM image of Landsat 5, the authors built up a look-up table by 6S atmospheric radiative transfer model, and then got the aerosol optical depth (AOD) of the dark pixels based on regression analysis. After that, the spatial distribution of AOD over Nanjing City was calculated by kriging interpolation. The results were tested by atmospheric correction and an analysis was made on the inversion results at last. The results show that the TM images, which have a higher resolution, can be used to retrieve AOD accurately through the "dark pixel" method, that the AOD value in the north of Nanjing is relatively higher than that in the south, that the distribution of vegetation, urban area and elevation in Nanjing City is the main factor influencing the distribution of AOD, and that high resolution images are capable of obtaining more details of the spatial distribution of aerosol than low resolution images in the urban area.

College of Remote Sensing, Nanjing University of Information Science and Technology, Nanjing 210044, China

气溶胶是影响地气能量平衡和气候变化的重要因素,对人类生活环境质量有着重要的影响。利用Landsat5 TM图像,通过6S大气辐射传输模型建立查找表; 在此基础上进行回归分析,得到暗像元的气溶胶光学厚度(aerosol optical depth,AOD); 再通过克里金插值计算得到南京市的AOD空间分布数据; 最后通过大气校正对结果的合理性进行检验,并对反演结果进行了分析。结果表明: 将暗像元法应用于TM图像可以较好地反演出南京市AOD的空间分布; 南京市AOD总体呈现北高南低的分布特点,植被、城市建成区、地形的分布是影响南京市AOD分布的主要因素; 对于南京市来说,采用高空间分辨率的图像能够获得比一般空间分辨率图像更多气溶胶分布的细节信息。

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

2013

0.293

1.36

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

2013

0.0

0.992

方莉, 余涛, 顾行发, 等. 北京地区HJ-1卫星CCD数据的气溶胶反演及在大气校正中的应用[J]. 遥感学报, 2013, 17(1): 151-164.

Fang

, Yu

, Gu X

, et al. Aerosol retrieval and atmospheric correction of HJ-1 CCD data over Beijing[J]. Journal of Remote Sensing, 2013, 17(1): 151-164.

Compared to moderate/low resolution satellite sensors for aerosol detection, the high spatial resolution of HJ-1 CCD camera (30 m) provides an opportunity to easily find spectrally pure pixels (SPP) over urban areas. In this study, we developed an SPP algorithm for urban Aerosol Optical Depth (AOD) retrieval using HJ-1 CCD data. Pixel Purity Index (PPI) is used to identify the pure pixels in the image. The surface reflectances of the pure pixels were estimated from the multi-temporal CCD measurements of HJ-1A and HJ-1B based on the surface Bi-directional Reflectance Distribution Function (BRDF) model. Then the AOD can be retrieved from satellite measurements. The comparison with ground-based AErosol RObotic NETwork AERONET AOD measurements shows good performance of our algorithm. A significant correlation coefficient with R=0.83 was obtained with a linear regression slope close to 1 and a intercept of 0.053. With the retrieved AOD as an input, HJ-1CCD data over urban areas was significantly improved after the atmospheric correction.

与现有的大气卫星传感器相比,环境一号卫星(HJ-1)CCD相机具有较高的空间分辨率(30 m),使得在城市地区找到光谱纯像元的机率大大增加。本文提出一种基于纯像元提取的城市地区气溶胶光学厚度(Aerosol Optical Depth,AOD)反演算法,利用像元纯净指数来提取CCD影像上的纯像元,并由HJ-1 A星和B星的多时相CCD观测数据结合地表双向反射率模型确定纯像元的地表反射特性,在此基础上反演AOD。与AERONET地基测量数据的对比表明,该算法具有较高精度,相关系数为0.83,线性拟合斜率为1.091,截距为0.053。基于该方法的AOD反演结果作为输入,能较大程度提高HJ-1卫星CCD影像大气校正的精度。

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

2010

0.0

... 目前大气校正方法主要有基于图像特征的相对订正法、基于地面线性回归模型法、大气辐射传输模型法和复合模型法等^{[7,8,9,10,11,12,13,14,15,16,17]} ...

1992

3.467

0.0

... 先利用水汽吸收波段估算WV^[18,19,20],在消除水汽影响后再考虑AOT的反演 ...

... 而水汽通道的透过率可以表示为与水汽含量的关系^[18],其模型为 ...

... m之间的地面反射率满足线性关系^[18],且水汽以外窗口的大气透过率为1 ...

2003

3.174

0.0

... 先利用水汽吸收波段估算WV^[18,19,20],在消除水汽影响后再考虑AOT的反演 ...

... 将大气透过率表达为2个波段或3个波段的比值,进而利用水汽查找表求得水汽含量^[19] ...

2006

0.0

姜立鹏, 覃志豪, 谢雯. 针对MODIS近红外数据反演大气水汽含量研究[J]. 国土资源遥感, 2006, 18(3): 5-9. doi: DOI: 106046/gtzyyg. 2006. 03. 02.

Jiang L

, Qin Z

, Xie

Retrieving atmospheric water vapor from MODIS near infrared data[J]. Remote Sensing for Land and Resources, 2006, 18(3): 5-9. doi: DOI:10.6046/gtzyyg.2006.03.02.

Retrieving atmospheric water vapor from remote sensing data is very important in such aspects as weather forecast, atmosphere correction and the study of climatic change and water circulation. At present, there are the two-band ratio method and the three-band ratio method for retrieving atmospheric water vapor from near infrared data. Based on the near infrared radiative transfer theory, this paper has proposed an improved three-band ratio method under the simulation of the radiative transfer model, MODTRAN. Applying this method to three water absorbing bands of MODIS, the authors obtained three kinds of water vapor values. Then the method for retrieving water vapor for MODIS data was worked out on the basis of different sensitivities of the three bands to the absorbing of water vapor. The authors retrieved the water vapor of eastern China and the results show that the method is feasible and practical.

1.International Institute for Earth System Science， Nanjing University, Nanjing 210093, China; 2.Institute of Natural ReSources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China; 3.Urban and Resource Department， Nanjing University, Nanjing 210093, China

遥感反演大气水汽含量对进行天气预报、遥感大气校正、气候变化及水循环等研究具有重要意义。首先，通过对大气辐射传输方程的推导，改进了三通道算法；然后，模拟了在不同传感器视角条件下，大气水汽含量与MODIS 17、18、19通道大气透过率之间的关系，解决了传感器视角问题，提出了针对MODIS数据的大气水汽含量计算方法；最后，在IDL 6.0环境下，编程实现了该方法，并对2003年6月14日的一景图像进行了反演，结果表明，本文提出的方法是可行的。

... 先利用水汽吸收波段估算WV^[18,19,20],在消除水汽影响后再考虑AOT的反演 ...

2009

0.0

周春艳, 柳钦火, 唐勇. MODIS气溶胶C004、C005产品的对比分析及其在中国北方地区的适用性评价[J]. 遥感学报, 2009, 13(5): 863-872.

Zhou C

, Liu Q

, Tang

Comparison between MODIS aerosol product C004 and C005 and evaluation of their applicability in the north of China[J]. Transactions of Journal of Remote Sensing, 2009, 13(5): 863-872.

MODIS aerosol product Collection 005 (C005) is an upgrade of C004, and is introduced in detail in this paper. Through fitting with AERONET ground observation aerosol optical thickness (AOT), MODIS aerosol C004 and C005 products of TERRA and AQUA are compared and evaluated to analyze their applicability in the north of China at Beijing and Yulin sites. We match AERONET ground-based data with MODIS aerosol product by band interpolation and temporal-spatial matching, then compare and evaluate them by linear fitting. We conceive a scale of temporal-spatial matching in the north of China considering the local aerosol movement velocity of given sites. The results show that: (1) C005 product algorithm does not improve the accuracy of AOT at Beijing site, and the accuracy drops when AOT< 0.8; both C004 and C005 products do not have a significant application at Beijing site, but the C004 performs better than C005 products. (2) At Yulin site, TERRA-MODIS C004 product meets the demand, and the accuracy of AQUA-MODIS C004 product decreases. Compared with the C004 product, the accuracy of the C005 product improves greatly, and correlation coefficients between AOTs of three bands (470nm, 550nm, 660nm) and the AERONET ground observation data are all higher than 0.9. It could be concluded that the method of the surface reflectance determination used in the new algorithm is feasible for dark dense vegetation, but is not suitable for the bright surface.

详细介绍了MODIS气溶胶C005产品算法的改进情况。选择北京、榆林为试验区, 利用AERONET地基观测的气溶胶光学厚度数据, 对比分析了上午星TERRA、下午星AQUA的MODIS气溶胶C004、C005新旧产品的精度, 评价了它们在中国北方地区的适用性。采用波长插值、时空匹配将地基数据和MODIS 气溶胶产品匹配在一起, 然后采用线性拟合的方法进行对比分析。文中就MODIS气溶胶产品和地基数据的时空匹配, 摒弃了NASA关于MODIS气溶胶产品在全球所采用的方法, 引入当地月平均风速, 提出了中国北方地区时空匹配尺度。对比分析以及评价结果表明: (1) C005产品算法的改进并没有提高北京站点气溶胶光学厚度的精度, 在AOT<0.8时反而是下降的; C004、C005产品在北京站点不具有显著适用性, 但C004比C005产品效果好。(2) 榆林站点, TERRA-MODIS C004产品能够达到需求标准, 而AQUA-MODIS C004精度有所下降; 两星的C005产品精度较C004有很大程度的改善, 470、550、660nm 3个波段的气溶胶光学厚度与AERONET地基观测数据的相关系数均高于0.9, 具有显著适用性。这说明了新算法所采用的确定地表反射率的方法在植被覆盖好的地区是可行的, 在高反射地区效果不好。

... 但实际中气溶胶模式是变化的,对气溶胶模式的选择是最大的误差源^{[3,4,5,10,21]} ...

2011

0.0

0.2893

... 现有研究成果表明,大陆型和城镇型气溶胶模式在蓝波段和红波段的反射率最大差别可达到13%^[22,23,24] ...

2011

5.103

0.0

... 现有研究成果表明,大陆型和城镇型气溶胶模式在蓝波段和红波段的反射率最大差别可达到13%^[22,23,24] ...

2006

0.0

1.729

陈新芳, 陈镜明, 安树青, 等. 不同大气校正方法对森林叶面积指数遥感估算影响的比较[J]. 生态学杂志, 2006, 25(7): 769-773.

Chen X

, Chen J

, An S

, et al. Comparison of different atmospheric correction models in their effects on Land sat TM estimation of forest leaf area index[J]. Chinese Journal of Ecology, 2006, 25(7): 769-773.

To compare the effects of two atmospheric correction models on the relationships between vegetation indices (VIs) and forest leaf area index (LAI), the atmosphe ric correction reflectance images on the basis of DN image were obtained by usin g 6S and Gilabert models. The simple ratio (SR), normalizes difference vegetatio n index (NDVI), modified normalizes difference vegetation index (MNDVI), atmosph eric resistant vegetation index (ARVI) and reduced simple ratio (RSR) of the bro adleaved forests and mixed broad-leaved and coniferous forests in Baohe basin were estimated, and the relationships between the VIs and the ground-based mea surements of LAI were calculated. The results showed that compared with DN image , the two models significantly increased the correlation coefficients between LA I and VIs except SR and NDVI. Different atmospheric correction models had signif icant effects on the estimation of forest leaf area. It was suggested that more attention should be paid to choose appropriate atmospheric correction models and VIs when remote sensing data were applied to quantitative analyzing and informa tion collecting in field.

1 School of Life Science, Nanjing University, Nanjing 210093, China; 2 Department of Geography and Program in Planning, University of Toronto, O ntario M5S 3G3, Canada; 3 College of Water Resources and Environment, Hohai University, Nanjing 210 098, China; 4 School of Earth Sciences, Nanjing University, Nanjing 210093, China

利用TM原始图像以及经过6S模型和基于影像自身的Gilabert模型大气校正后的地面绝对反射率图像，分别计算了褒河流域阔叶林和针阔混交林2种林型的5类光谱植被指数（SR 、NDVI、MNDVI、ARVI和RSR），并建立各林型森林叶面积指数与同时相的各个植被指数的相关关系。结果表明，2种大气校正模型均显著提高了各植被指数与森林叶面积指数的相关关系，除了对森林叶面积指数与植被指数SR和NDVI的相关关系影响不显著外，对森林叶面积指数与植被指数MNDVI、ARVI和RSR相关关系的影响均非常显著。说明不同大气校正模型对叶面积指数的遥感估算结果有较大影响。因此，在利用遥感数据进行定量分析、信息提取和生态遥感应用时，不仅要进行大气校正，而且还要慎重选择大气校正模型和植被指数。

... 现有研究成果表明,大陆型和城镇型气溶胶模式在蓝波段和红波段的反射率最大差别可达到13%^[22,23,24] ...

1997

3.467

0.0

... 该算法以6S辐射传输模型^[25](Version 4 ...