鄧琳 胡勇 黃健 李婷婷

?

長時序Landsat數據輻射校正方法對比研究

鄧琳1,2胡勇1,2黃健1,2李婷婷1,2

（1 重慶市國土資源和房屋勘測規(guī)劃院，重慶 400020）（2 重慶市土地利用與遙感監(jiān)測工程技術研究中心，重慶 400020）

Landsat數據以其存檔時間長、輻射性能穩(wěn)定、全球免費獲取等優(yōu)勢，被廣泛應用于時序定量遙感監(jiān)測研究。但長時序的遙感數據必須經過輻射校正獲得地表反射率后，才能應用統(tǒng)一的模型或分類規(guī)則進行地表變化監(jiān)測。文章以重慶地區(qū)2001年到2009年的5景Landsat數據為數據源，分別采用基于MODIS大氣產品和6S輻射傳輸模型的逐像素大氣校正方法和基于多元變化檢測的相對輻射校正方法反演了地表反射率，并采用目視解譯、影像直方圖和時序未變化像元統(tǒng)計，對上述兩種輻射校正結果進行了對比分析。結果表明：兩種校正方法均能有效反演時序Landsat數據的地表反射率，消除時序影像的地物色彩差異，且時序未變像元點的反射率光譜一致性較好。大氣校正能夠消除可見光波段的大氣空間異質性影響，使反演結果在時間序列上具有更高的穩(wěn)定性和精度。

長時序數據 相對輻射校正 大氣校正 輻射校正 衛(wèi)星遙感應用

0 引言

隨著越來越多遙感衛(wèi)星的發(fā)射、運行，遙感數據得到持續(xù)快速累積，充足的遙感數據源有利地支撐了遙感應用研究。遙感反演分析已經從利用單景、兩期、多期，逐漸發(fā)展為利用長時間序列遙感數據，開展特定區(qū)域對地反演監(jiān)測研究[1-4]，特別是Landsat系列衛(wèi)星穩(wěn)定運行了40余年，獲得了全球覆蓋的長時間序列衛(wèi)星數據，利用其進行地表變化定量監(jiān)測是當前國內外研究工作的前沿和熱點。

由于遙感影像受成像時刻的大氣散射、太陽光照和傳感器狀態(tài)等因素影響，導致相同地物目標在不同時相遙感影像上的輻亮度或反射率光譜不一致[5]。為消除大氣散射、太陽光照、傳感器狀態(tài)等因素給時序遙感數據分析與應用造成的影響，在長時間序列的遙感反演計算中，必須對遙感數據進行輻射校正。目前常用的輻射校正方法主要包括：大氣校正和相對輻射校正兩類方法[6]。其中，大氣校正是依據成像時的大氣參數，利用大氣校正模型，將表觀反射率轉換成地表反射率，目前主流的大氣校正模型包括：6S模型（Second Simulation of the Satellite Signal in the Solar Spectrum，6S）和空間分布快速大氣校正模型（A Spatially-adaptive Fast Atmospheric Correction，ATCOR）等[7-8]。相對輻射校正是以一幅清晰的影像為參考影像，利用其它時相影像（目標影像）和參考影像對應像元的灰度值之間的關系，建立各波段之間的校正模型，并將目標影像逐波段的歸一化到參考影像，使目標影像和參考影像具有相同的輻射尺度[9]。相對輻射校正能糾正因大氣狀況變化造成的差異，能減小傳感器狀態(tài)產生的噪聲。與大氣校正相比，相對輻射校正輻射歸一化操作簡單，成本低，但往往會削弱地物的變化差異。大氣校正一般需要成像時的大氣參數或同步的地表反射率，而歷史影像數據往往難以獲取成像時的大氣數據和同步地表反射率。

大氣校正和相對輻射校正均可用于時序遙感數據的地表反射率反演，但現有文獻對兩種方法應用于時序Landsat地表反射率反演的對比分析較少。本研究以2001年到2009年的5景Landsat數據為數據源，采用基于中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）的大氣產品和6S輻射傳輸模型的逐像元大氣輻射校正，以及基于多元變化檢測的相對輻射校正，分別反演了時間序列地表反射率。然后通過目視判讀、直方圖統(tǒng)計、時序未變像元值統(tǒng)計，對比分析了長時序輻射校正效果，以期為長時序的Landsat地表反射率反演提供參考依據。

1 試驗區(qū)與數據

本文以重慶主城附近地區(qū)的Landsat數據為試驗數據（如圖1所示），開展相對輻射校正與大氣校正對比研究。試驗數據覆蓋范圍內包含水體、山地、城市、植被等多種典型地物，可全面比較在復雜地物類型下兩種方法的校正結果。

1.1 Landsat數據

本研究使用Landsat系列數據，時間跨度為8年，時間節(jié)點分別為2001年7月17日、2002年8月5日、2004年7月25日、2008年6月18日和2009年6月5日，數據來源于美國地質勘探局（United States Geological Survey，USGS）。

1.2 MODIS數據

MODIS光譜輻射計攜帶490個探測器，每天覆蓋全球一次，提供了可見光-近紅外（0.4μm～14.4μm）36個光譜波段的全球觀測，且有許多大氣校正的特征波段，便于大氣參數的反演，包括氣溶膠光學厚度、水汽柱含量、臭氧含量等[10]?？紤]到MODIS Terra和Landsat過境時間相近，大氣狀況改變較小，且具有較高的空間分辨率，可以反映Landsat數據內部大氣分布的空間差異，因此本文基于多源協(xié)同思路利用MODIS大氣產品作為輸入參數對Landsat數據進行大氣校正。

本文所用MODIS為5景與Landsat數據同期的產品，以氣溶膠、水汽柱含量、溫度和大氣廓線數據作為6S模型的大氣輸入參數，對Landsat數據進行大氣校正，MODIS產品列表如表1。

表1 本文所用MODIS產品列表

Tab.1 Information of MODIS data

1.3 DEM數據

本文利用0.01°空間分辨率的全球多分辨率高程數據集[11]（The Global Multi-resolution Terrain Elevation Data 2010，GMTED2010）作為6S模型的高程輸入參數對Landsat數據進行大氣校正。該產品采用WGS84經緯度坐標系，本文將其重采樣為0.05°分辨率后輸入6S輻射校正模型。

2 研究方法

2.1 結合6S輻射傳輸模型和MODIS大氣數據的逐像素大氣校正

6S模型以輻射傳輸理論為基礎，采用逐次散射算法解算大氣的散射和吸收，并改進了大氣吸收率、散射率、透過率等參數輸入的解算，與大氣去除模型（The Atmosphere Removal Program，ATREM）、中分辨率輻射傳輸模型（Moderate Resolution Atmospheric Transmission，MODTARN）、ATCOR等模型相比，受研究區(qū)域變化和目標差異影響小、精度高，更接近目標真實情況[12]。6S模型已應用于多個業(yè)務化運行的大氣校正系統(tǒng)并處理長時序的遙感數據，如MODIS數據處理系統(tǒng)、陸地衛(wèi)星生態(tài)系統(tǒng)干擾自適應處理系統(tǒng)和陸地資源衛(wèi)星網絡共享數據系統(tǒng)[13]。

本文的結合6S輻射傳輸模型和MODIS大氣數據的大氣校正方法主要分為以下幾步，其流程如圖2所示[14]：

1）數據預處理。主要包括MODIS數據的投影轉換、空值區(qū)插值、與Landsat數據匹配的范圍裁剪等，以及Landsat數據的幾何精校正、輻射定標等處理；

2）調用6S模型。以影像成像參數、MODIS數據、GMTED2010數據為輸入，逐像元配置6S模型輸入文件，包括幾何參數、大氣模式、氣溶膠模式、氣溶膠含量參數、地面高度等，通過6S模型解算出大氣校正系數；

3）系數轉換。以Landsat數據為參考，將解算出的0.05°分辨率經緯度投影的大氣校正系數，經轉投影和重采樣，得到30m分辨率和UTM投影的大氣校正系數。

4）大氣校正。將Landsat輻亮度數據和大氣校正系數為輸入，根據式（3）和式（4）解算大氣校正后的地表反射率。

2.2 基于多元變化檢測的相對輻射校正

1998年，Nielsen等[15-16]提出多元變化檢測（Multivariate Alteration Detection，MAD）算法，該算法基于典型相關分析[17-18]獲取兩景影像中未變化的像元點；Canty等[19-20]在此基礎上建立了相對輻射校正方法。

（6）

（7）

3 結果與分析

3.1 目視解譯對比分析

采用上述的大氣校正方法對研究區(qū)數據進行處理，得到一組地表反射率時序影像。然后以2004年大氣校正后影像為參考影像，對其余時相的輻亮度影像進行相對輻射校正，得到另外一組地表反射率時序影像。將表觀反射率影像和兩組地表反射率影像分別進行拼接，拼接采用時序影像依次選擇400列的方式進行，拼接結果如圖3所示，采用標準假彩色波段組合方式，并以相同的拉伸參數顯示。

從整體上看，表觀反射率影像有一層明顯的薄霧，尤其是在2002年8月5日和2008年6月18日的拼接影像上，其表觀反射率差異較大（見圖3（a））。經過輻射校正后，得到的兩組地表反射率拼接影像在2002年8月5日和2008年6月18日均有明顯改善，且在整個時間序列上顯示更清晰、無薄霧感、鑲嵌線兩側色彩差異減小，有利于地物的識別（見圖3（b）和圖3（c））。在放大細部圖中，對于山區(qū)、植被、城市和水體等典型地物，在表觀反射率影像都存在較大色差，經過輻射校正后的地表反射率拼接影像，地物色彩一致性更好，有利于判讀和后續(xù)定量分析。

3.2 輻射校正后影像直方圖曲線變化分析

直方圖曲線可直觀反映出像元值在空間域的分布情況，以2004年期影像為例，統(tǒng)計原始表觀反射率、大氣校正后地表反射率和相對輻射歸一化后地表反射率，并繪制各波段的直方圖曲線，對輻射校正前后各波段反射率的變化趨勢、兩種輻射校正方法結果進行對比分析。

從圖4輻射校正前后的反射率直方圖曲線來看，存在明顯差異，主要表現在可見光波段（藍、綠、紅）反射率整體減小，直方圖曲線波峰左移；近紅外和短波紅外波段反射率整體增加，直方圖曲線波峰右移。結合大氣對不同波段電磁輻射能的作用分析：可見光波段主要受大氣散射影響，其中，藍波段受瑞利散射影響最大，而各可見光波段受云霧中水汽影響存在無選擇性散射，因此，傳感器接收到部分大氣散射信號，反射率增強；而近紅外和短波紅外波段波長較長，受散射影響較小，但由于大氣中水、臭氧、微粒對信號能量的吸收，致使傳感器接收到的信號減弱，反射率降低。經輻射校正后，如圖4中紅色和綠色直方圖曲線，兩種方法對削弱大氣散射和增強大氣吸收的反射率信號均有明顯效果。另外，在可見光波段，經大氣校正后的直方圖曲線波峰值均有削弱，其反射率直方圖曲線分布更為均勻，這是由于大氣校正以MODIS大氣參數為輸入，0.05°分辨率的大氣參數可以反映影像內部大氣分布的空間異質性，而相對輻射校正以未變像元為基礎建立線性回歸方程，整景影像采用相同回歸系數進行校準。

圖4 各波段反射率直方圖曲線

3.3 時序未變像元統(tǒng)計分析

在忽略物候差異的情況下，長時序地表反射率影像中地表未發(fā)生變化像元點的光譜曲線應相同或差異很小。由于實驗時序影像跨度8年，水體、城市等地物變化顯著，不易提取未變化像元。此外，所有時序影像獲取時間為6~8月份，均為森林植被生長穩(wěn)定期，物候差異較小，因此本文以穩(wěn)定的森林植被作為評價對象，以減少年份差異和季相差異對地物光譜特征的影響。結合目視解譯和實地調查結果，在時序影像中選擇穩(wěn)定的森林植被像元近似作為“未變化”像元，并統(tǒng)計這些像元的均值和均方根誤差，其統(tǒng)計結果見表2。

從表2中可以看出，B1、B2、B3和B7的時序未變像元值波動輕微，在時間序列上兩種方法解算的植被反射率得到有效校正，另外B4和B5波段，大氣校正后的時序未變像元值域波動以及最大差值均小于相對輻射校正結果。對比表2中的均方根誤差項，各波段大氣校正方法的均方根誤差均小于相對輻射校正方法，且最大減低均方根誤差21.8%。通過時序未變像元的統(tǒng)計分析，表明兩種校正方法均能對時序影像進行校正，但比較而言，大氣校正方法在時間序列上穩(wěn)定性和精度更高。

表2 時序未變像元統(tǒng)計表

Tab.2 The statistical data of invariant pixels in time-series 像元

4 結束語

本研究以2001年、2002年、2004年、2008年和2009年的5景Landsat數據為基礎，對結合6S輻射傳輸模型和MODIS數據的大氣校正方法和基于多元變化檢測的相對輻射校正方法進行對比分析。對比采用三種方式，得到以下結論：

1）目視解譯和時序未變像元統(tǒng)計分析顯示，兩種輻射校正方法均可有效消除或減小時序影像之間因成像條件導致的輻射差異并獲得地表反射率數據，未變化像元點的反射率光譜一致性較好。

2）反射率影像直方圖統(tǒng)計結果顯示，由于0.05°分辨率的MODIS大氣參數能夠反映Landsat數據內部大氣分布的空間異質性，在大氣影響強烈的可見光波段，大氣校正結果優(yōu)于相對輻射歸一化結果。

試驗證明，兩種輻射校正方法均能有效消除或減小時序Landsat數據中大氣散射和吸收的影響，獲取更為符合地物反射特征的地表反射率，但對于長時間序列的輻射校正而言，結合6S輻射傳輸模型和MODIS大氣數據的逐像素大氣校正方法穩(wěn)定性更好、精度更高。但由于MODIS大氣參數產品始于2000年，因此該方法不能處理2000年之前的影像。

[1] LIU L, TANG H, CACCETTA P, et al. Mapping Afforestation and Deforestation from 1974 to 2012 Using Landsat Time-series Stacks in Yulin District, a Key Region of the Three-north Shelter Region, China[J]. Environ mental Monitoring Assessment, 2013, 185(12): 9949-9965.

[2] VOGELMANN J E, XIAN G, HOMER C, et al. Monitoring Gradual Ecosystem Change using Landsat Time Series Analyses: Case Studies in Selected Forest and Rangeland Ecosystems[J]. Remote Sensing of Environment, 2012, 122(3): 92-105.

[3] 胡勇, 劉良云, CACCETTA P, 等. 光譜特征擴展的時間序列Landsat數據地表覆蓋分類[J]. 遙感學報, 2015, 19(4): 639-656. HU Yong, LIU Liangyun, CACCETTA P, et al. Landsat Time-series Land Cover Mapping with Spectral Signature Extension Method[J]. Journal of Remote Sensing, 2015, 19(4): 639-656. (in Chinese)

[4] 由佳, 張懷清, 陳永富, 等. 基于“高分四號”衛(wèi)星影像洞庭湖濕地信息提取[J]. 航天返回與遙感, 2016, 37(4): 116-122. YOU Jia, ZHANG Huaiqing, CHEN Yongfu, et al. Comparative Study of Dongting Lake Wetland Information Extraction Based on GF-4 Satellite Image[J]. Spacecraft Recovery & Remote Sensing, 2016, 37(4): 116-122. (in Chinese)

[5] 胡勇, 劉良云, 張九星, 等. 基于MODIS大氣產品的天宮一號高光譜成像儀數據大氣校正研究[J]. 遙感技術與應用, 2014, 29(6): 1060-1066. HU Yong, LIU Liangyun, ZHANG Jiuxing, et al. A TG-1 Hyper-spectral Imagery Atmospheric Correction based on MODIS Atmosphere Products[J]. Remote Sensing Technology and Application, 2014, 29(6): 1060-1066. (in Chinese)

[6] 段依妮, 張立福, 晏磊, 等. 遙感影像相對輻射校正方法及適用性研究[J]. 遙感學報, 2014, 18(3): 597-617. DUAN Yining, ZHANG Lifu, YAN Lei, et al. Relative Radiometric Correction Methods for Remote Sensing Images and Their Applicability Analysis[J]. Journal of Remote Sensing, 2014, 18(3): 597-617. (in Chinese)

[7] 王歡, 陳向寧, 徐萬鵬. 基于6S模型的多光譜遙感影像大氣校正應用研究[J]. 測繪地理信息, 2013, 38(5): 49-51. WANG Huan, CHEN Xiangning, XU Wanpeng. Application Study of Atmospheric Correction on Multi-spectrum Remote Sensing Image Based on 6S Model[J]. Journal of Geomatics, 2013, 38(5): 49-51. (in Chinese)

[8] 譚偉, 王鈺, 何紅艷, 等. 常用大氣校正模型對圖像清晰度提升的對比分析[J]. 航天返回與遙感, 2017, 38(5): 96-105. TAN Wei, WANG Yu, HE Hongyan, et al. Comparison of Improving Image Definition with Common-used Atmospheric Correction Models[J]. Spacecraft Recovery & Remote Sensing, 2017, 38(5): 96-105. (in Chinese)

[9] 鄧書斌, 武紅敢, 江濤. 遙感動態(tài)監(jiān)測中的相對輻射校正方法研究[J]. 遙感信息, 2008, (4): 71-75. DENG Shubin, WU Honggan, JIANG Tao. A Study on Relative Radiometric Normalization for Remote Sensing Dynamic Monitoring[J]. Remote Sensing Information, 2008, (4): 71-75. (in Chinese)

[10] 甘文霞, 沈煥鋒, 張良培, 等. 采用6S模型的多時相MODIS植被指數NDVI歸一化方法[J]. 武漢大學學報(信息科學版), 2014, 39(3): 300-304. GAN Wenxia, SHEN Huanfeng, ZHANG Liangpei, et al. Normalization of Multi-temporal MODIS NDVI Based on 6S Radiative Transfer Model[J]. Geomatics and Information Science of Wuhan University, 2014, 39(3): 300-304. (in Chinese)

[11] CARABAJAL C C, HARDING D J, BOY J P, et al. Evaluation of the Global Multi-resolution Terrain Elevation Data 2010 (GMTED2010) using ICESat Geodetic Control[J]. International Symposium on Lida & Radar Mapping: Technology & Application, 2011, 8286(4): 82861Y-82861Y-13.

[12] 孫源, 顧行發(fā), 余濤, 等. 環(huán)境星CCD數據大氣校正研究[J]. 國土資源遙感, 2010, 87(4): 6-9. SUN Yuan, GU Xingfa, YU Tao, et al. A Study of HJ-1A CCD Image Atmospheric Correction[J]. Remote Sensing for Land & Resources, 2010, 22(4): 6-9. (in Chinese)

[13] ROY D, JU J, KOMMADREDDY I. Web-enabled Landsat Data (WELD): Demonstration of MODIS-Landsat Data Fusion to Provide a Consistent, Long-term, Large-area Data Record for the Terrestrial User Community[C]//American Geoplaysical Union, Fall Meeting 2010. Brookugs, SD, USA, 2010.

[14] HU Y, LIU L, LIU L, et al. A Landsat-5 Atmospheric Correction Based on MODIS Atmosphere Products and 6S Model[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(5): 1609-1615.

[15] NIELSEN A. The Regularized Iteratively Reweighted MAD Method for Change Detection in Multi-and Hyperspectral Data[J]. IEEE Transactions on Image Processing, 2007, 16(2): 463-478.

[16] NIELSEN A, CONRADSEN K, SIMPSON J J. Multivariate Alteration Detection (MAD) and MAF Postprocessing in Multispectral, Bitemporal Image Data: New Approaches to Change Detection Studies[J]. Remote Sensing of Environment, 1998, 64(1): 1-19.

[17] 張路. 基于多元統(tǒng)計分析的遙感影像變化檢測方法研究[D]. 武漢: 武漢大學, 2004. ZHANG Lu. Change Detection in Remotely Sensed Imagery Using Multivariate Statistical Analysis[D]. Wuhan: Wuhan University, 2004. (in Chinese)

[18] 馬超. 基于典型相關分析的遙感變化檢測方法研究[D]. 南京: 南京理工大學, 2013. MA Chao. Detection of Remote Sensing Method Based on Canonical Correlation Analysis[D]. Nanjing: Nanjing University of Science and Technology, 2013. (in Chinese)

[19] CANTY M J, NIELSEN A A, SCHMIDT M. Automatic Radiometric Normalization of Multitemporal Satellite Imagery[J]. Remote Sensing of Environment, 2004, 91(3-4): 441-451.

[20] CANTY M J, NIELSEN A A. Automatic Radiometric Normalization of Multitemporal Satellite Imagery with the Iteratively Re-weighted MAD Transformation[J]. Remote Sensing of Environment, 2008, 112(3): 1025-1036.

[21] 胡明曉. 正交回歸和一般最小二乘回歸的幾何誤差分析[J]. 數理統(tǒng)計與管理, 2010, 29(2): 248-253. HU Mingxiao. Geometric Error Analysis for Orthogonal Regression and Ordinary Least Squares Regression[J]. Application of Statistics and Management, 2010, 29(2): 248-253. (in Chinese)

[22] 白穆, 劉慧平, 朱壽東, 等. 多元變化檢測的相對輻射校正方法研究[J]. 測繪科學, 2012, 37(4): 143-146. BAI Mu, LIU Huiping, ZHU Shoudong, et al. Relative Radiometric Correction for Remote Sensing Images Based on Multivariate Alteration Detection[J]. Science of Surveying and Mapping, 2012, 37(4): 143-146. (in Chinese)

Comparative Study on the Radiometric Correction Methods of Long Time-series Landsat Data

DENG Lin1,2HU Yong1,2HUANG Jian1,2LI Tingting1,2

（1 Chongqing Institute of Surveying and Planning for Land Resources and Housing, Chongqing 400020, China）（2 Chongqing Engineering Research Center of Land Use and Remote-sense Monitoring, Chongqing 400020, China）

Landsat data have always been used in time series quantitative remote sensing applications, because of the advantages of long time storage, stable radiation and free mode. However, the radiometric correction procedure used to remove the atmosphere effects is necessary as a critical preprocessing step before monitoring the surface change. In this study, taking five sets of Landsat data in Chongqing city from 2001 to 2009 as the data source, the radiometric correction results obtained by two different procedures are compared. One method is the per-pixel atmospheric correction based on MODIS (Moderate-resolution Imaging Spectror-adiometer) atmospheric characterization products and the 6S (Second Simulation of a Satellite Signal in the Solar Spectrum) radiative transfer algorithm, and the other is the radiometric normalization based on MAD (Multivariate Alteration Detection) transformation. Then visual interpretation, images histogram and invariant pixels are employed to compare and evaluate the atmospheric correction results on time-series images. The results show that the two methods are effective in inversing the surface reflectance from time-series images and removing the impact of atmosphere, and the surface reflectances retrieved by the two methods are consistent for invariant pixels. It should be noted that because the atmospheric correction methods can remove the effects of spatial heterogeneity in atmospheric conditions, the surface reflectance has higher stability and accuracy for time-series images.

long time-series data; relative radiometric correction; atmospheric correction; radiometric correction; space remote sensing; application of satellite remote sensing

TP751

A

1009-8518(2018)05-0104-09

10.3969/j.issn.1009-8518.2018.05.014

鄧琳，女，1989年生，2015年獲西南交通大學攝影測量與遙感專業(yè)碩士學位，工程師。研究方向為定量遙感技術和遙感技術應用研究。E-mail: rs_denglin@126.com。

胡勇，男，1985年生，2014年6月獲中國科學院遙感與數字地球研究所攝影測量與遙感專業(yè)博士學位，高級工程師。研究方向為遙感數據定量化處理與土地利用遙感。E-mail: rihor@sina.com。

2018-01-20

住房和城鄉(xiāng)建設部科技項目（2016-k8-054）

（編輯：龐冰）