python大气校正_什么情况下需要做大气校正之探讨

经常会遇到这样的问题：什么情况需要做大气校正产生？这个问题取决于传感器和应用目标，总的来说，如果要做光谱分析，那么大气校正是必须要做的。本文对于在什么情况下选择什么样的大气校正方法，给出了一些依据。

大气校正处理是去除云和气溶胶等对数据的影响，得到地表真实的反射率的过程，其结果就是地表反射率，可用于光谱特征分析。

与地表反射率这个概念相对应的，还有一个表观反射率。表观反射率是指大气层顶的反射率，这是辐射定标的结果之一，它是由地表反射率和大气反射率组成的，表观反射率数据经过大气校正后得到地表反射率。

下图是wv3数据，都是0-1区间的反射率，1%线性拉伸显示，左图是表观反射率，右图是地表反射率。在RGB真彩色合成的显示下，两个图看起来非常相似，但是查看同一个像元在表观反射率图像和地表反射率图像的光谱曲线，发现差异非常明显，地表反射率的植被像元光谱曲线在红边波段(700nm附近)有跟高的反射率，斜率更大，更能反应出健康植被的特点。这说明做大气校正是非常重要的。

图 WV3数据真彩色合成(左：表观反射率数据，右：地表反射率数据)

图 光谱曲线的差异

地物分类和变化监测

一般来说，做非监督分类或者是变化监测，大气校正不是必须要做的，Chinsu

et al. (2015)的研究表明大气校正不会提高土地利用分类的精度。Song et al.

(2011) 做了更详细的阐述，如果要做非监督分类或土地利用变化监测，不用做大气校正。

对于使用训练样本的监督分类，当一个时相或区域的训练样本要用于另一个时相或区域时，这种情况下，需要做大气校正，不过用暗像元法就足够了。

如果要用标准光谱库文件作为端元或训练样本，进行光谱分析制图或监督分类，一般是需要做大气校正的，因为光谱库的数据都是地表反射率。

下面的变化监测例子图是亚马逊雨林1998年的Landsat

TM数据和2013年的Landsat8数据，进行变化监测，这个过程只做了辐射归一化，没有做大气校正。

图 森林变化监测

光谱指数

计算光谱指数的话，使用地表反射率计算更加精确。尤其是对高光谱传感器数据做处理，大气校正也是很重要的。如果要用不同时相或不同传感器的光谱指数进行对比的话，那么最好保证计算量级的一致性，这时候最好做个大气校正。

有一些植被指数如NDVI，大气对该指数的影响比其他光谱指数更为敏感，那么计算NDVI之类受大气影响大的指数，需要做大气校正。

有些光谱指数，如大气阻抗植被指数(ARVI)，和相关的指数如GARI和VARI，这些指数的设计就是将大气在蓝波段的散射的影响最小化，那么计算这些光谱指数的时候，可以不做大气校正。

当用多光谱数据计算光谱指数的时候，可以使用简单的大气校正方法，如快速大气校正(QUAC)或暗像元法(Hadjimitsis

et al.,

2015)。若使用较多光谱波段的WV3或高光谱数据，最好是做更精确模型的大气校正，如FLAASH大气校正。

下图是用2015年5月21日的Landsat8数据计算的加州中央谷区域的绿度植被指数(GVI)图像，数据先进行了辐射定标，定标为辐射亮度，再做了个快速大气校正，然后计算的GVI。

图 用Landsat8数据计算的加州中央谷区域GVI指数图

物质识别

高光谱和超光谱数据常用于物质识别，当使用Landsat

TM或GeoEye数据时，大气的影响是比较小的，因为通道设计的时候参考了大气窗口，避开了大气吸收特征明显的波段，

而高光谱传感器覆盖了所有的可见光到近红外波段，也包括大气吸收波段。可以使用(QUAC)或FLAASH去除大气散射和吸收的影响，生成地表反射率数据。

快速大气校正(QUAC)操作简单，选择这种方法做大气校正需要注意以下两点：

区域内必须有多种类型的地物，不能是均一的物质；

海洋或者是大的水域、背景区域，要用掩膜处理。

下图是EO-1

Hyperion数据用四种不同的大气校正方法，得到的同一个植被像元的光谱曲线。可以看出，具有严格模型的QUAC和FLAASH方法，得到的光谱曲线更能准确地反应健康植被的光谱特性。和暗像元法和表观反射率定标法相比，经过FLAASH和QUAC校正的光谱曲线，其吸收特征更贴近实际的光谱曲线。

图 用四种大气校正方法得到的同一植被像元光谱曲线对比

有关大气校正方法的介绍，可参考