遥感中的辐射校正：为什么它对于准确分析至关重要

遥感是一门无需物理接触即可获取地球表面信息的科学。 它涉及利用传感器来检测和测量从地球表面发射或反射的电磁辐射。 遥感中最关键的因素之一是辐射校正， 这是校正传感器记录数字（DN）的过程， 以消除由各种因素引起的数据中任何系统误差或不一致。

辐射校正是必要的， 因为遥感传感器记录的数字并不是地球表面反射或发射辐射的绝对测量值。 相反，它们是受多种因素影响的相对测量值， 例如传感器的特性、大气和地球表面。 亦或是传感器记录的 DN 值可能会受到太阳辐射量、大气吸收和散射、表面反射率和传感器噪声变化的影响。 这些因素可能导致 DN 值随时间、空间和光谱带变化， 从而导致遥感数据的比较和分析变得困难。

辐射校正对于确保各种应用（例如土地覆盖分类、植被监测和气候变化研究）遥感数据的准确性和可靠性至关重要。 它们涉及对 DN 值应用校正因子， 以消除由上述因素引起的系统误差或不一致。 辐射校正的目标是将原始 DN 值转换为校准的反射率或辐射率值， 这是辐射的绝对测量值， 可以在不同的传感器、时间和光谱带上进行比较和分析。

多种类型的辐射校正可应用于遥感数据，包括如下：

传感器校准：

该校正涉及传感器的校准， 以消除传感器对辐射响应中的任何系统误差， 传感器校准通常在获取遥感数据之前或之后进行。

前后条带（由于Landsat 7 卫星中的 SLC 传感器关闭）。

大气校正：

该校正涉及消除大气对传感器记录辐射的影响。 大气会导致辐射散射或吸收， 从而影响传感器记录的 DN 值。 大气校正涉及使用大气模型和校正算法来估计和消除大气影响。

双向反射分布函数 (BRDF) 校正：此校正涉及 DN 值的归一化， 以考虑来自地球表面的反射辐射的方向性。 BRDF 校正对于比较不同照明和观察几何形状的反射率值至关重要。

降噪：

这种校正涉及从 DN 值中去除传感器噪声， 以提高遥感数据的信噪比。

SAR B 雷达图像去噪前后

辐射校正的方法根据校正类型和数据特征而有所不同。 一些常用的方法包括：

经验线法：

该方法涉及使用地面反射率或辐射率测量来校准传感器对辐射的响应， 该方法假设 DN 值和地面测量值之间存在线性关系。

暗物体减法：

此方法涉及使用黑暗物体（例如阴影或水体）来估计应对应于零反射率或辐射率的最小 DN 值。

NIR 波段的暗像素方法示例。

查找表：

该方法涉及使用预先校准的查找表， 将 DN 值与校准的反射率或辐射率值联系起来。

交叉校准：

该方法涉及比较具有重叠光谱带的不同传感器获取的遥感数据， 以估计校正因子。

辐射校正并非没有挑战和限制。 其中一些挑战包括地面测量的可用性和质量、地球表面的环境变化以及校正算法的复杂性。

辐射校正在遥感中的重要性

由于多种原因，辐射校正在遥感中至关重要。 辐射校正的一些主要意义是：

准确的图像解读：

辐射校正通过校正遥感数据的辐射值的错误和变化， 有助于实现准确的图像解释， 这些校正可确保捕获地面物体的真实反射率值， 并且图像不存在任何失真。

更好的图像增强：

辐射校正通过确保数据标准化和校准来实现更好的图像增强， 这使得执行各种图像增强技术变得更加容易， 例如对比度拉伸、直方图均衡和锐化， 从而可以提高图像的可见度和细节。

一致的数据分析：

辐射校正可确保遥感数据在不同图像、传感器和平台上保持一致。 这对于时间序列分析尤其重要， 因为需要一致的数据来监控环境随时间的变化。

更好的定量分析：

辐射校正通过提供地面物体的准确辐射值来实现更好的定量分析， 这使得能够估计各种参数， 例如植被指数、地表温度和土地覆盖分类， 这对于环境监测和管理至关重要。

改进的数据融合：

辐射校正可以融合来自不同传感器和平台的数据， 因为它们确保辐射值一致且兼容， 这样可以集成不同的数据源， 例如光学、热和雷达数据， 从而可以提供对环境的更全面的了解。

互操作性：

经过辐射校正的数据变得更具互操作性， 可以与其他数据集相结合或集成到地理信息系统（GIS）中以进行进一步分析和决策， 这种互操作性增强了遥感数据在各个领域的有用性和适用性。

数据标准化：

通过将 DN 值转换为辐射率或反射率， 辐射校正可以对数据进行标准化， 从而可以对不同图像和传感器进行有意义的比较。 这种标准化有助于变化检测、土地覆盖分类和其他定量分析。

遥感过程中辐射校正的需要

辐射校正的主要目标是将获取的原始数字 (DN) 转换为有物理意义的单位， 例如辐射率或反射率。 这种转换至关重要，因为 DN 值是任意的， 并且在传感器、采集和平台之间可能会有所不同， 因此很难一致地比较和分析数据。 通过将 DN 值转换为辐射率或反射率， 辐射校正可以在不同图像和传感器之间进行定量测量和有意义的比较。

有几个因素导致需要进行辐射校正：

传感器特性：

遥感传感器具有固有的局限性和特性， 可能会导致所获取的数据失真。 其中包括传感器特定的噪声、校准误差以及传感器对不同波长的响应的变化。 辐射校正考虑了这些传感器特定的影响， 以确保数据的一致性。

由于 Landsat 7 SLC 传感器关闭而导致划线错误。

大气影响：

地球大气层与传入的电磁辐射相互作用， 导致散射、吸收和其他现象。 这些大气效应会使记录的信号失真， 特别是在可见光和近红外区域。 辐射校正结合大气校正算法来消除或最小化这些影响， 从而能够准确解释表面特性。

上图为大气效应图。

由于大气的影响，航拍照片会出现雾霾。

太阳传感器几何形状：

太阳的角度以及传感器的观察几何形状会影响传感器接收到的辐射量。 图像采集过程中太阳传感器几何形状的变化可能会导致记录的信号强度发生变化。 辐射校正考虑了这些几何效应， 确保不同时间和地点的数据具有可比性。

太阳的入射角i和太阳天顶角θ o

辐射校正的挑战和局限性

辐射校正是遥感分析的关键组成部分， 但它们也有自己的一系列挑战和局限性。 以下是与辐射校正相关的一些主要挑战和限制：

大气影响：

大气会影响遥感数据的辐射特性。 气溶胶、水蒸气和其他大气成分会散射、吸收和反射辐射， 导致辐射校准出现误差， 已经开发了几种大气校正模型来缓解这个问题。

地形影响：

地形坡度和坡向也会影响遥感数据的辐射特性。 这是因为斜坡的不同区域接收到的阳光量不同， 导致反射率发生变化， 通常进行地形校正以考虑这些影响。

传感器噪声：

所有传感器都存在一定程度的与其测量相关的噪声或误差。 辐射校正可以减少一些噪声，但并不总是能够消除它。

光谱校准：

辐射校正假设传感器的光谱响应随着时间的推移是稳定的。 然而，光谱响应可能会因老化、温度或其他因素而发生变化。 如果不加以考虑，这可能会导致辐射校准出现错误。

饱和度效果：

当传感器收集过多辐射时，信号就会饱和，数据可能会丢失。 当传感器指向明亮的物体或具有高反射率的区域时， 可能会发生这种情况。 辐射校正可以通过调整传感器的增益或曝光时间来帮助缓解这个问题。

数据存储和处理限制：

辐射校正可能需要大量计算，并且需要大量存储容量。 大型数据集可能难以管理， 并且存储或处理所有数据可能并不总是可行。 尽管存在这些挑战和限制， 辐射校正仍然是遥感分析的重要组成部分。 通过减少噪声并校正大气和地形影响， 辐射校正可以提高遥感数据的准确性和精度， 从而做出更明智的决策。