什么时候应该进行影像的大气校正
分享
-
2015-07-03
这是我们经常被问及的问题，尤其是刚刚接触遥感的用户。这个问题的回答依赖于特定的应用和传感器类型。但是一般情况下，对于光学影像，我们应该在进行任何光谱分析之前进行大气校正；这篇文章将会给予一些指导，告诉我们什么时候进行大气校正和每种应用的最好的校正方法。
光学影像的大气校正是用来去除云和气溶胶对辐射率影像的影响的；结果是表面反射率影像，并用它从地球表面的要素中提取精确的光谱信息。
如果元数据充足可用，那么，你可以通过一些传感器的顶层大气反射率（top-of-atmosphere，TOA）来进行影像定标；通过这篇文章（http://www.exelisvis.com/Compa ... .aspx）来查看更多的关于DN值、辐射率和反射率的更多信息；是否不进行创建地表反射影像的处理，元数据就足够用来进行进行顶层大气反射率的影像定标？看下面关于worldview-3的例子，DigitalGlobe公司提供。这两个图像被的反射率值被缩放从0到1之间，并进行了1%的线性拉伸；
他们显示效果相同，应为只使用了RGB波段。然而下面的一个像元的光谱曲线揭示了两个影像的不同；
这个不同说明在辐射率影像上去除大气影响的重要性。与TOA反射率曲线相比，地表反射率曲线更加准确的反应地表健康植被的特征，通过红边曲线在接近700nm处陡峭上升反映出来。
下面我们来看更多的特殊应用：
1.分类和变化监测：
一般情况下，非监督影像分类和变化监测，大气校正是没有必要的；Chinsu et al. (2015) 表明大气校正将不会提高土地利用与分类结果的精度；
Song et al. (2011) 的文章提供了更多的细节引导，建议在进行影像分类和变化监测前，大气校正是没有必要的；除非训练样本数据是从一份时间应用到另一个时间的；
对于监督分类，如果你使用来自于波普库的光谱特征作为端元或者训练样本，那么大气校正通常是是需要的；这是因为波普库来源于采集野外的地表反射率；
1984年（Landsat TM）和2013年（Landsat-8）亚马逊雨林的影像差异变化监测，这个过程要求辐射归一化，但是没有大气校正；
2.光谱指数
定标影像为地表反射率能够生成最准确的光谱指数。这个对高光谱传感器尤其重要；它也能确保不同时间和不同传感器计算得到的指数的一致性。
一些植被指数，比如NDVI，它对大气的影响敏感度要比其他指数强烈。比如，大气阻抗植被指数Atmospherically Resistant Vegetation Index(ARVI)和相关的指数(GARI and VARI)被设计用来最小化大气散射在蓝波段上的影响；这些指数的计算是不需要进行大气校正的；
当使用多光谱影像（比如Landsat TM）来计算光谱指数，简单的方法QUAC或者dark subtraction就足够了（Hadjimitsis et al., 2015）；一些人可能更倾向于更加严谨和基于模型的FLAASH。这些工具是ENVI大气校正的模块的一部分，应该被用在超光谱影像，例如worldview-3和高光谱影像；
绿色植被指数（green vegetation index，GVI），由landsat-8影像得来，此图是2015年5月21日的加利福利亚洲的valley。原始影像进行了辐射定标，谈后进行了QUAC操作，然后进行GVI计算；
3.材料识别
高光谱和超光谱传感器被用于类如材料识别的应用。当使用多光谱数据（例如LandsatTM或者Geoeye）进行分析时，大气影响很少被关注，因为这些通道被设计来适应大气气体的吸收特征。然而，高光谱和超光谱传感器覆盖了所有的可见光和近红外波谱，包括吸收特征；
你可以使用QUAC和FLAASH来移除大气散射和气体吸收的影响，来生成表面反射数据；可以查看关于 Preprocessing AVIRIS Data Tutorial的例子；
QUAC是使用简单的过程来计算得到精确的结果，需要以下条件：
——影像必须有几个不同的类型，QUAC将不会计算同质的一景影像；
——海洋或者大面积的水体首先需要掩膜掉；
——下面对比了不同的校正方法的反射率值的曲线，地类是健康植被，数据源是EO-1高光谱数据；；两个最严谨的方法：QUAC和FLAASH，他们能够得到更加准确的健康植被的反射率曲线，与dark subtraction 和 TOA reflectance方法相比 FLAASH和QUAC做出的吸收特征曲线和参照光谱很接近；
许多好资源可以被用来更加细致的解释大气校正，这个文章只是抛砖引玉；
文章来源：http://blog.sina.com.cn/s/blog_497c741a0102vvhl.html
光学影像的大气校正是用来去除云和气溶胶对辐射率影像的影响的；结果是表面反射率影像，并用它从地球表面的要素中提取精确的光谱信息。
如果元数据充足可用，那么，你可以通过一些传感器的顶层大气反射率（top-of-atmosphere，TOA）来进行影像定标；通过这篇文章（http://www.exelisvis.com/Compa ... .aspx）来查看更多的关于DN值、辐射率和反射率的更多信息；是否不进行创建地表反射影像的处理，元数据就足够用来进行进行顶层大气反射率的影像定标？看下面关于worldview-3的例子，DigitalGlobe公司提供。这两个图像被的反射率值被缩放从0到1之间，并进行了1%的线性拉伸；
他们显示效果相同，应为只使用了RGB波段。然而下面的一个像元的光谱曲线揭示了两个影像的不同；
这个不同说明在辐射率影像上去除大气影响的重要性。与TOA反射率曲线相比，地表反射率曲线更加准确的反应地表健康植被的特征，通过红边曲线在接近700nm处陡峭上升反映出来。
下面我们来看更多的特殊应用：
1.分类和变化监测：
一般情况下，非监督影像分类和变化监测，大气校正是没有必要的；Chinsu et al. (2015) 表明大气校正将不会提高土地利用与分类结果的精度；
Song et al. (2011) 的文章提供了更多的细节引导，建议在进行影像分类和变化监测前，大气校正是没有必要的；除非训练样本数据是从一份时间应用到另一个时间的；
对于监督分类，如果你使用来自于波普库的光谱特征作为端元或者训练样本，那么大气校正通常是是需要的；这是因为波普库来源于采集野外的地表反射率；
1984年（Landsat TM）和2013年（Landsat-8）亚马逊雨林的影像差异变化监测，这个过程要求辐射归一化，但是没有大气校正；
2.光谱指数
定标影像为地表反射率能够生成最准确的光谱指数。这个对高光谱传感器尤其重要；它也能确保不同时间和不同传感器计算得到的指数的一致性。
一些植被指数，比如NDVI，它对大气的影响敏感度要比其他指数强烈。比如，大气阻抗植被指数Atmospherically Resistant Vegetation Index(ARVI)和相关的指数(GARI and VARI)被设计用来最小化大气散射在蓝波段上的影响；这些指数的计算是不需要进行大气校正的；
当使用多光谱影像（比如Landsat TM）来计算光谱指数，简单的方法QUAC或者dark subtraction就足够了（Hadjimitsis et al., 2015）；一些人可能更倾向于更加严谨和基于模型的FLAASH。这些工具是ENVI大气校正的模块的一部分，应该被用在超光谱影像，例如worldview-3和高光谱影像；
绿色植被指数（green vegetation index，GVI），由landsat-8影像得来，此图是2015年5月21日的加利福利亚洲的valley。原始影像进行了辐射定标，谈后进行了QUAC操作，然后进行GVI计算；
3.材料识别
高光谱和超光谱传感器被用于类如材料识别的应用。当使用多光谱数据（例如LandsatTM或者Geoeye）进行分析时，大气影响很少被关注，因为这些通道被设计来适应大气气体的吸收特征。然而，高光谱和超光谱传感器覆盖了所有的可见光和近红外波谱，包括吸收特征；
你可以使用QUAC和FLAASH来移除大气散射和气体吸收的影响，来生成表面反射数据；可以查看关于 Preprocessing AVIRIS Data Tutorial的例子；
QUAC是使用简单的过程来计算得到精确的结果，需要以下条件：
——影像必须有几个不同的类型，QUAC将不会计算同质的一景影像；
——海洋或者大面积的水体首先需要掩膜掉；
——下面对比了不同的校正方法的反射率值的曲线，地类是健康植被，数据源是EO-1高光谱数据；；两个最严谨的方法：QUAC和FLAASH，他们能够得到更加准确的健康植被的反射率曲线，与dark subtraction 和 TOA reflectance方法相比 FLAASH和QUAC做出的吸收特征曲线和参照光谱很接近；
许多好资源可以被用来更加细致的解释大气校正，这个文章只是抛砖引玉；
文章来源：http://blog.sina.com.cn/s/blog_497c741a0102vvhl.html
