何时应对影像进行大气效应校正？
26726 对此文章评分：
4.7
何时应对影像进行大气效应校正？
匿名作者 2015年8月25日，星期二
这是我们最常被问到的问题之一，尤其是来自遥感初学者的提问。答案取决于具体的应用和传感器，但一般来说，在对光学影像进行任何光谱分析之前，都应先应用遥感大气校正。本文将就何时应用大气校正以及针对不同应用的最佳方法提供一些指导。
光学影像的大气校正通常是指从辐射亮度影像中移除云和气溶胶的影响。其结果是生成一幅表观表面反射率影像，可用于从地球表面地物中提取准确的光谱信息。
如果元数据充足，您也可以将某些传感器的影像校准为大气层顶（TOA）反射率。更多信息请参阅文章数字数值、辐射亮度与反射率。那么，仅将影像校准为TOA反射率而不经过生成表面反射率影像的过程就足够了吗？请看以下由DigitalGlobe提供的WorldView-3影像。两幅影像均按反射率单位缩放至0到1的范围，并采用1%线性拉伸显示：
它们在视觉上是相同的，因为仅显示了RGB波段。然而，单个像素的光谱曲线图揭示了两幅影像之间的差异：
这种差异说明了从校准影像中移除大气效应的重要性。此处，与TOA反射率曲线相比，表面反射率曲线在700纳米附近具有更陡峭的"红边"曲线，更准确地代表了健康植被的特征。这凸显了遥感大气校正在生成可靠数据中的作用。
接下来，我们将探讨更具体的应用场景。
分类与变化检测
通常，在进行非监督影像分类或变化检测之前，不需要进行大气校正。Chinsu等人（2015）的研究表明，大气校正不会提高土地利用和土地覆盖（LULC）分类结果的准确性。
Song等人（2011）的一篇文章提供了更详细的指导，指出除了将某一时间或地点的训练数据应用于另一不同时间或地点的情况外，在分类和变化检测中无需进行校正。即使在那种情况下，通常采用暗目标减法也足够了。
对于监督影像分类，如果您使用来自光谱库的光谱特征作为端元或训练样本，则通常需要进行大气校正。这是因为从实地收集的光谱库使用的是表面反射率数据。
亚马逊雨林地区一幅Landsat TM影像（1984年）与一幅Landsat-8影像（2013年）之间的影像差值变化检测。此过程需要进行辐射归一化，但无需大气校正。
光谱指数
将影像校准为表观表面反射率，能在计算光谱指数时得到最准确的结果。这对于高光谱传感器尤为重要。同时，它也能确保在不同时间以及使用不同传感器时比较光谱指数的一致性。
一些植被指数，如NDVI，比其他指数对大气效应更敏感。例如，大气阻抗植被指数（ARVI）及其相关指数（如GARI和VARI）的设计旨在最小化蓝光波段中大气散射的影响。使用这些指数时无需进行大气校正。
当使用多光谱影像（例如 Landsat TM）计算光谱指数时，采用QUAC®或暗目标减法等简单方法可能就足以处理大气效应（Hadjimitsis等人，2015）。有些人可能更倾向于使用基于模型的更严格方法，例如FLAASH®。这些工具是ENVI大气校正模块的一部分，应与超光谱影像（如WorldView-3）以及高光谱影像一起使用。
由2015年5月21日加利福尼亚中央谷地的Landsat-8影像创建的绿色植被指数（GVI）图。原始影像先被校准为光谱辐射亮度，然后在计算GVI之前应用了QUAC大气校正。
材料识别
高光谱和超光谱传感器用于材料识别等应用。在分析多光谱传感器（如Landsat TM或GeoEye）的影像时，大气效应的影响较小，因为这些传感器的通道设计已经考虑到了大气气体吸收特征。然而，高光谱和超光谱传感器覆盖了整个可见光和近红外光谱，包括吸收特征。
您可以使用QUAC或FLAASH来消除大气散射和气体吸收的影响，从而生成表面反射率数据。示例可参考预处理AVIRIS数据教程。
QUAC使用简单，并在以下条件下能产生准确的结果：
- 场景必须包含多种不同的地物；QUAC在均质场景中效果不佳。
- 应先掩膜掉海洋或大型水体的像素。
下图比较了EO-1 Hyperion影像中一个健康植被像素采用不同校正方法得到的反射率值。两种最严格的方法——QUAC和FLAASH——生成了能更准确代表健康植被的反射率曲线。与暗目标减法和TOA反射率相比，FLAASH和QUAC结果中的吸收特征更接近参考光谱。
有许多优秀的资源可以更详细地解释大气校正。本文仅涉及该主题，但希望您能从中获得一些入门的建议。
参考文献
Chinsu, L., C.C. Wu, K. Tsogt, Y.C. Ouyang, and C.I. Chang. "Effects of Atmospheric Correction and Pansharpening on LULC Classification Accuracy Using WorldView-2 Imagery." Information Processing in Agriculture2 (2015): 25-36.
Hadjimitsis, D.G., G. Papadavid, A. Agapiou, K. Themistocleous, M.G. Hadjimitsis, A. Retalis, S. Michaelides, N. Chrysoulakis, L. Toulios, and C.R .I. Clayton. "Atmospheric Correction for Satellite Remotely Sensed Data Intended for Agricultural Applications: Impact on Vegetation Indices." Natural Hazards and Earth Systems Sciences 10 (2010): 89-95.
Song, C., C. Woodcock, K. Seto, M.P. Lenney, and S. Macomber. "Classification and Change Detection Using Landsat TM Data: When and How to Correct Atmospheric Effects?" Remote Sensing of Environment 75 (2001): 230-244.