赵 凯，赵之重，徐剑波，宋立生，崔江锋

（1.华南农业大学信息学院，广东广州510642；2.青海大学农牧学院，青海西宁430072）

黄河源区遥感数据的大气校正及其效果分析

赵 凯1，赵之重2＊，徐剑波1，宋立生1，崔江锋2

（1.华南农业大学信息学院，广东广州510642；2.青海大学农牧学院，青海西宁430072）

利用6S模型结合暗目标法确定TM过境时的最优气象能见度，分别使用MODIS气溶胶产品（MOD04）、最优气象能见度作为TM的气溶胶光学厚度，对黄河源区的Landsat TM数据进行大气校正。以同步野外实测地面数据为标准，比较了两种气溶胶参数输入方法的校正结果，并从光谱曲线、植被指数、草地生物量的估算三方面探讨了大气校正的效果，两种气溶胶参数输入方法均可以对遥感图像进行有效的大气校正，消除因散射增加的辐射能量，同时补偿因吸收而损失的辐射能量。经过大气校正后的TM光谱更接近真实地表光谱，更有助于地物真实光谱信息的提取，同时对与该地区相似气候条件下影像的大气校正有借鉴意义。

大气校正；Landsat TM；6S模型；植被指数；生物量

0 引言

遥感影像的大气校正方法大致可以归纳为基于图像特征的相对校正法、基于地面线性回归模型法、基于大气辐射传输模型法和复合模型法［1］，其中基于辐射传输模型的校正方法建立在电磁波在大气中辐射传输的原理之上，模型物理意义明显，校正精度高，普适性好，在近年得到了广泛应用［2－4］。6S模型基于辐射传输理论，考虑了地形、气象、光谱等多种参数的共同作用，适用于波长范围为0.25～4.0μm的多光谱遥感数据大气校正；在该模型中气溶胶光学厚度参数对大气校正结果的精度影响最大，而大气校正最重要、最难的部分就是气溶胶散射的校正［5］。获取气溶胶光学厚度最好的方法是利用太阳分光光度计实测获得，但受区域范围、地表复杂程度、测量样点数以及历史影像数据气溶胶厚度不易获取等因素的影响，限制了这种方法的广泛应用［5］。杨贵军等［6，7］尝试将MODIS气溶胶产品应用于大气校正，杨静学等［5，8］通过6S模型和地面暗目标建立查找表，估算出当天的MODIS气溶胶光学厚度代替TM的气溶胶光学厚度进行大气校正。然而部分陆地区域由于太阳天顶角大于72°，NASA不提供这些区域的气溶胶产品；同时MODIS与TM卫星过境时间也有差异，使用成像时间相差较大的MODIS气溶胶光学厚度代替TM的气溶胶光学厚度，必然会对校正结果有一定的影响。此外，6S模型也提供了通过气象能见度计算气溶胶光学厚度的方法，阿布都瓦斯提等［9，10］根据同步气象资料输入气象能见度，确定大气中气溶胶的含量。但在无法获得同步气象资料时，通常只能根据天气条件估算气象能见度，这种方法产生的人为误差较大，特别是对于历史影像数据更是增加了估算难度。

黄河源区作为三江源自然保护区的典型代表，具有特殊的生境，由于该地区海拔较高，下垫面和大气状况相比低海拔地区有所差异，现有大气校正模型是否适用于黄河源区的遥感数据大气校正，目前鲜有文献报道。本研究基于6S模型，利用地面暗目标确定TM过境时的最优气象能见度；分别使用MODIS气溶胶产品、最优气象能见度作为TM的气溶胶光学厚度对黄河源区的Landsat TM数据进行大气校正。以同步野外实测地面数据作为标准，比较两种气溶胶参数输入方法的校正结果，评价最优气象能见度气溶胶参数输入方法的可行性。此外，从光谱曲线、植被指数、草地生物量的估算三方面分析大气校正的效果，从而确定适合研究区遥感数据大气校正的方法，以保证地表反射率衍生信息的精度、质量与可用性。

1 数据与模型

研究区玛多县位于青海省南部（33°50′～35°40′N，96°55′～99°20′E），是三江源自然保护区的典型区域，在西部大开发生态环境的治理保护中具有重要作用。全县总面积25 253 km2，为高原草原地带，属高原大陆性半湿润气候，年均温－2.1～5.3℃，年降水量247.8～484.8 mm。本研究使用的遥感数据为2011年8月8日Landsat TM影像，卫星过境时间11∶52，轨道号为134／36，对其进行了辐射校正、几何纠正、辐射定标等预处理；选用MODIS气溶胶产品（MOD04），卫星过境时间11∶30；在玛多县布设了2个样地进行同步野外观测，样地1观测时间11∶20－11∶50，样地2观测时间12∶40—13∶10。采用美国ASD公司的Field Spec Handheld便携式野外地物光谱仪和标准漫反射板得到地物光谱曲线，然后利用ENVI软件进行波谱重采样，将其匹配到卫星传感器相应的波段上。

6S模型建立在辐射传输理论基础之上，描述了不同的遥感器、不同的地面状况下太阳光在太阳—地面目标—遥感器整个传输路径中所受大气的影响［9］；该模型兼顾大气分子散射与气溶胶散射及其相互作用，采用连续散射方法求解辐射传输方程，假定下垫面是反射率为ρt的均匀朗伯面，根据遥感方程遥感器接收的表观反射率ρ＊可表示为［11］：

表1 6S模型输入参数Table 1 Input parameters of 6S model

2 气溶胶光学厚度计算

6S模型使用气溶胶的浓度表示大气中气溶胶的含量，用户可以直接给定550 nm处的气溶胶光学厚度值，也可以根据输入的气象能见度值（km）计算出气溶胶在550 nm处的光学厚度。

2.1 MODIS气溶胶光学厚度

MODIS标准数据产品中的气溶胶产品（MOD04）主要是利用空间分辨率为250 m的1波段（620～670 nm）以及500 m的3波段（459～479 nm）、7波段（2 105～2 135 nm）3个波段的反射率，然后利用陆地上空AOD的暗目标算法作为MODIS反演气溶胶的业务算法，为使用者提供了空间分辨率为10 km的AOD产品［12］。卫星过境时间相近时，MODIS气溶胶光学厚度可代替TM过境时的气溶胶光学厚度。根据MODIS气溶胶产品得到地面同步观测的2块样地在550 nm处的气溶胶光学厚度值均为0.16。

2.2 最优气象能见度计算

Kaufman等［13］从大量飞机试验数据中发现浓密植被在2.1μm通道附近的表观反射率与可见光波段的反射率有良好的比例关系，而陆地上有浓密植被覆盖的地区在2.1μm卫星通道表观反射率几乎不受气溶胶影响。因此，可以用2.1μm通道表观反射率代替2.1μm通道地表反射率，确定可见光红通道和蓝通道地表反射率，公式如下：

本研究尝试在6S模型中利用地面暗目标确定TM过境时的最优气象能见度。先提取浓密植被像元，从中随机选取20个作为地面暗目标，根据式（2）用TM第7波段的表观反射率计算出地面暗目标在第1、3波段的反射率ρ0.47、ρ0.66。分别假设气象能见度为10 km、15 km、20 km、25 km、30 km、35 km、40 km，利用6S模型计算出地面暗目标对应不同气象能见度时第1、3波段的地表反射率，并与ρ0.47、ρ0.66比较，平均绝对误差最小的一组地表反射率对应的气象能见度为最优气象能见度。

3 结果分析

3.1 大气校正对地物光谱特征的影响

在缺少地面实测数据时，通常从校正前后影像的对比度、直方图的范围来评价校正效果。本研究采用同步野外实测地表反射率定量评价校正结果的精度，因光谱仪波谱范围为325～1 075 nm，只能对TM前4个波段进行大气校正的精度评价。如图1所示，未经大气校正的原始图像的表观反射率与实际地面测量值存在较大差异。经过大气校正后，TM可见光波段（第1～3波段）的反射率有所降低，其中蓝光波段（Band1）最为明显，绿光波段（Band2）次之；而近红外波段（Band4）的反射率有所升高。经过大气校正后的反射率数据与地面实测数据更加接近，更能反映真实的地表状况。

图1 大气校正前后地物光谱曲线变化Fig.1 The object spectral response curves before and after atmospheric correction

可见光波段在大气窗口内的辐射失真现象主要由瑞利散射和气溶胶的散射引起，随着波长的增大逐渐减弱。其中对蓝光波段的瑞利散射最强，散射常使可见光波段的亮度值增加；在近红外波段大气散射作用较小，而水汽吸收率大，从而降低近红外像元亮度值。因此，经过大气校正后，可见光波段反射辐射下降，并且蓝光波段反射率减少最为明显，而在近红外波段反射率上升。说明本研究采用的方法可对大气效应引起的辐射失真进行辐射校正，消除因散射增加的辐射能量，补偿因吸收而损失的辐射能量。

大气校正后反射率与同步野外实测地表反射率依然存在偏差，影响因素主要包括时间上非绝对同步、尺度效应、辐射传输模型采用近似计算、假设地表为朗伯体等；另外，野外实地测量时会存在人为因素带来的误差，如参考板放置不水平、测量时抖动等，同时地理位置、天气条件也造成实测数据难以精确。样地1观测时间相比样地2更接近TM卫星过境时间，因而在图1中1—16号点的校正效果更好。

为比较两种参数输入方法的校正结果，采用平均绝对误差（MAE）和均方根误差（RMSE）进行评价，公式如下：

表2 大气校正结果比较Table 2 Comparison of atmosphere correction results

从表2可以看出两种参数输入方法的校正结果相差不大，由于本研究使用的MODIS气溶胶产品与TM卫星过境时间较为接近，因此，可以用MODIS气溶胶光学厚度代替TM气溶胶光学厚度。相比之下，使用最优气象能见度的气溶胶参数输入方法进行大气校正同样能取得理想效果。因而，在没有同步气象资料且MODIS卫星过境时间与TM又相差较大时，可采用上述方法确定TM过境时的最优气象能见度，对黄河源区遥感数据进行大气校正。

3.2 大气校正对NDVI的影响

在植被遥感中，植被指数NDVI应用最为广泛，已有研究［9，15］表明，利用NDVI能检测大气校正的效果。NDVI的计算公式如下：

式中：DNNIR和DNR分别表示TM数据近红外波段和红波段的DN值和分别表示大气校正前TM数据近红外波段和红波段的表观反射率；ρNIR和ρR分别表示使用最优气象能见度的气溶胶参数输入方法进行大气校正后TM数据近红外波段和红波段的反射率。

从图2可以看出，直接用DN值计算的NDVI值较小，减少了信息量，主要是大气对红与近红外波段有不同的衰减系数，表现为大气的吸收与散射使植被在红波段增加了辐射，而在近红外波段降低了辐射，从而使NDVI值减小［16］。大气校正后红光波段反射率降低，而近红外波段反射率增加，使用经6S模型大气校正后的反射率计算的NDVI值比表观反射率计算的值大，与地表实测反射率计算的NDVI值更为接近。大气效应会使NDVI发生变化，大气校正前后NDVI变化会达到18%，这种变化会限制对植被的准确探测［17］；未经大气校正计算的NDVI只能用于快速监测植被变化中［18］，因而，在NDVI的提取、应用研究中，需要考虑大气效应的影响。

图2 大气校正对NDVI的影响Fig.2 Influence of atmospheric correction on NDVI

3.3 大气校正对草地生物量估算的影响

毛留喜等［19－21］利用地面样点实测的生物量结合相应月份遥感数据，计算得到与样点对应的植被指数，建立生物量与植被指数之间的关系模型。大气对植被指数有影响，大气效应会使植被覆盖度的反演精度降低［22］。因此，利用大气校正前后的影像反演草地生物量，也可以间接反映大气校正的效果。本研究使用6S模型对2009年7月17日TM数据进行了大气校正，比较大气校正前后的NDVI、EVI与地面样点实测的生物量建立的模型的精度。生物量野外调查样点布设在玛多县的11个三江源自然保护区生态监测站，在每个生态监测站样区取6个大小1 m的样方，调查时间为2009年7—8月。由表3可知，虽然大气校正前后估算模型方程的变化不显著，也可看出使用大气校正后的植被指数建立的遥感估算模型精度更高一些，主要是因为大气效应影响植被指数的计算结果，经过大气校正后的植被指数更能反映真实的植被信息。

表3 大气校正前后草地生物量估算模型Table 3 The estimation model of the grassland biomass before and after atmospheric correction

4 结论

本研究假设地面像元为均一、朗伯地表，使用6S模型对黄河源区玛多县的Landsat TM数据进行了大气校正，结合同步野外实测地面光谱数据评价大气校正的效果，可以得出以下结论：

大气校正前后的卫星光谱反射率与ASD Field－Spec Handheld同步野外实测地面光谱数据比较表明，在可见光波段，校正后的反射率相对于表观反射率呈现下降趋势，在蓝色波段尤为明显；随着波长的增加这种趋势逐渐减缓，到近红外波段时，相对于原图像的表观反射率有所升高。经6S模型大气校正处理后的数据有效降低了大气对电磁波传输过程中的影响和作用，可以更真实地反映地物反射特征，有助于地物真实光谱信息的提取及地物识别研究。在无法获取到同步气象资料且MODIS卫星过境时间又与TM相差较大时，可利用地面暗目标确定TM过境时的最优气象能见度，将最优气象能见度作为气溶胶参数输入6S模型以进行大气校正。大气效应对植被指数的计算结果有影响，在红波段增加了辐射，而在近红外波段降低了辐射，在植被指数的提取、应用研究中，需要考虑大气效应对植被指数的影响，经过大气校正后的植被指数更能反映真实植被信息，使用大气校正后的植被指数估算草地生物量的精度更高。

［1］ 亓雪勇，田庆久.光学遥感大气校正研究进展［J］.国土资源遥感，2005（4）：1－6.

［2］ 姚薇，李志军，姚珙，等.Landsat卫星遥感影像的大气校正方法研究［J］.大气科学学报，2011，34（2）：251－256.

［3］ 郑盛，赵祥，张颢，等.HJ－1卫星CCD数据的大气校正及其效果分析［J］.遥感学报，2011，15（4）：709－721.

［4］ CALLIECO F，DELL′ACQUA F.A comparison between two radiative transfer models for atmospheric correction over a wide range of wavelengths［J］.International Journal of Remote Sensing，2011，32（5）：1357－1370.

［5］ 杨静学，王云鹏，杨勇.基于高程或气溶胶厚度与6S模型校正参数回归方程的遥感图像大气校正模型［J］.遥感技术与应用，2009，4（3）：331－340.

［6］ 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.

［7］ TIAN L，LU J，CHEN X，et al.Atmospheric correction of HJ－1A／B CCD images over Chinese coastal waters using MODISTerra aerosol data［J］.Science China Technological Sciences，2010，53（S1）：191－195.

［8］ 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.

［9］ 阿布都瓦斯提·吾拉木，秦其明，朱黎江.基于6S模型的可见光、近红外遥感数据的大气校正［J］.北京大学学报（自然科学版），2004，40（4）：611－618.

［10］ 武永利，栾青，田国珍.基于6S模型的FY－3A／MERSI可见光到近红外波段大气校正［J］.应用生态学报，2011，22（6）：1537－1542.

［11］ VERMOTE E F，TANRE D，DEUZ J L，et al.The Second Simulation of the Satellite Signal in the Solar Spectrum（6S）User′s Guide［Z］.1997.

［12］ 孙娟，束炯，鲁小琴，等.上海地区气溶胶特征及MODIS气溶胶产品在能见度中的应用［J］.环境污染与防治，2007，29（2）：127－131.

［13］ KAUFMAN Y J，WALD A E，REMER L A，et al.The MODIS 2.1μm channel－correlation with visible reflectance for use in remote sensing of aerosol［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35（5）：1286－1298.

［14］ 石锋，沙晋明，张友水，等.基于高程分层方法的HJ－1B CCD2影像大气校正［J］.遥感技术与应用，2011，26（6）：775－781.

［15］ 徐春燕，冯学智.TM图像大气校正及其对地物光谱响应特征的影响分析［J］.南京大学学报（自然科学版），2007，43（3）：309－317.

［16］ 赵英时.遥感应用分析原理与方法［M］.北京：科学出版社，2003.372－386.

［17］ HADJIMITSIS D G，PAPADAVID G，AGAPIOU A，et al.Atmospheric correction for satellite remotely sensed data intended for agricultural applications：Impact on vegetation indices［J］.Natural Hazards and Earth System Sciences，2010（10）：89－95.

［18］ TACHIIRI K.Calculating NDVI for NOAA／AVHRR data after atmospheric correction for extensive images using 6S code：A case study in the Marsabit District，Kenya［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2005，59：103－114.

［19］ 毛留喜，侯英雨，钱拴，等.牧草产量的遥感估算与载畜能力研究［J］.农业工程学报，2008，24（8）：147－151.

［20］ 崔霞，梁天刚，刘勇.基于MOD09GA产品的草地生物量遥感估算模型［J］.兰州大学学报（自然科学版），2009，45（5）：79－87.

［21］ 方金，黄晓东，王玮，等.青藏高原草地生物量遥感动态监测［J］.草业科学，2011，28（7）：1345－1351.

［22］ GU Z，ZENG Z，SHI X，et al.Assessing factors influencing vegetation coverage calculation with remote sensing imagery［J］.International Journal of Remote Sensing，2009，30（10）：2479－2489.

Abstract：This paper deals with a suitable atmospheric correction method based on Landsat TM image in the source region of the Yellow River，a method based on 6S radiation transfer code and dark object was used to determine the optimal meteorological visibility on sensing time，and the MODIS aerosol product（MOD04）and the optimal meteorological visibility were used to extract Aerosol Optical Thickness（AOT）values at 550 nm respectively in the atmosphere correction.Validation analysis was conducted by comparing the reflectance data corrected and uncorrected atmospherically，significant differences occurred between them.The values of the corrected reflectance of TM visible bands decreased obviously，whereas those of TM near－infrared band increased.The retrieved surface reflectance and vegetation index after atmospheric correction were evaluated against the groundbased reflectance measured by ASD Field Spec Handheld during Landsat TM satellite overpass，and it is shown that the curves of the figures are similar.Furthermore，the vegetation index after atmospheric correction used for estimating grassland biomass can achieve better results.That is to say both methods used in this paper to extract AOT values could carry out the radiation correction to radiation－induced distortion caused by atmospheric effects，which can eliminate the radiative energy increased by scattering and simultaneously compensate the radiative energy lost by absorption，the atmospheric corrected TM spectrum is closer to measured objects spectrum，so it is more conducive to extracting ground object spectrum information，This method also can be applied in the regions with similar climate conditions for references.

Key words：atmospheric correction；Landsat TM；6S model；vegetation index；biomass

Atmospheric Correction of Remote Sensing Images in the Source Region of the Yellow River and Analysis of Its Effect

ZHAO Kai1，ZHAO Zhi－zhong2，XU Jian－bo1，SONG Li－sheng1，CUI Jiang－feng2
（1.College of Informatics，South China Agricultural University，Guangzhou 510642；2.Agriculture and Animal Husbandry College，Qinghai University，Xining 430072，China）

P407.8

A

1672－0504（2012）04－0046－05

2011－12－27；

2012－03－14

国家自然科学基金项目（41061024）；青海省科学技术厅资助项目（2009－J－805）

赵凯（1989－），男，硕士研究生，研究方向为农业资源与环境信息系统。＊通讯作者E－mail：qd＿zzz＠163.com