CN103712955B - 一种基于神经网络二次优化的二类水体大气校正方法 - Google Patents

Abstract

本发明公开了一种基于神经网络二次优化的二类水体大气校正方法，它涉及遥感影像数据处理技术领域。其步骤为：对所获取的高光谱影像提取其几何信息、波长信息以及550nm处气溶胶光学厚度初值τ₅₅₀ ⁰；将前述提取的参数输入神经网络模型，模拟输出大气漫射透过率t以及总贡献ρ_pat ^h；利用近红外波段的离水反射率ρ_w(NIR)，连同t、ρ_path，模拟出表观反射率ρ_toa ^sin；将ρ_toa ^sim与从影像中提取的真实表观反射率ρ_toa ^mes进行光谱优化，最终得到最优解τ₅₅₀ ^opt、R^opt、n^opt；将τ₅₅₀ ^opt带入神经网络模型中，得到所有高光谱波段的大气漫射透过率t^opt以及大气分子和气溶胶的总贡献ρ_path ^opt；结合影像上真实表观反射率ρ_toa ^mes，估算高光谱影像的离水反射率。本发明提高了模型的实用性，减少输入参数的同时提高了估算精度。

Description

一种基于神经网络二次优化的二类水体大气校正方法

技术领域

本发明涉及的是遥感影像数据处理技术领域，具体涉及一种基于神经网络二次优化的二类水体大气校正方法。

背景技术

大气校正一直是水色遥感中数据预处理的一个重要问题。Morel&Prieur(1977)将海水划分为一类水体和二类水体。一类水体大多是远离陆地，较少受到人类活动影响的开阔大洋水体，水中叶绿素对其光学特性起决定性作用；二类水体大多是沿岸和内陆水体，受到人类活动的显著影响，水体的光学特性由有色可溶性有机物、悬浮无机物以及叶绿素共同决定，复杂多变。Gordon，etal.(1994)根据一类水体在近红外波段离水辐射率近似为0的特征，假设近红外波段的信号值全部来自于瑞利散射和气溶胶散射，发展了基于暗像元的标准大气修正算法，在一类水体中获得了较高的精度。然而，由于水体悬浮物在近红外波段的高反射，使得暗像元的假设在二类水体中不再成立，因此标准大气修正算法在二类水体不适用。

针对二类水体，国内外学者在标准大气修正算法的基础上，进行改进、发展，提出了新的大气校正方法。Wang，etal.(2007)认为浑浊水体在短波红外波段可视为暗像元，并利用MODIS短波红外和近红外波段相结合，定义了一个浑浊水体指数，当该指数值大于等于1.3时，视为浑浊水体，用短波红外波段进行大气校正，反之则用近红外波段校正。该方法适用于美国和中国的东部沿岸水体。Hu，etal.(2000)假设气溶胶类型在50～100km空间范围内不变，找出研究区内的清洁水体，根据近红外波段离水辐射值为0的特征计算气溶胶参数，再用最临近象元法将其传递给浑浊水体。并在墨西哥湾进行实验，发现校正精度较高，改善了可见光短波波段被低估的情况。然而这些方法都要依赖于对清洁像元的选取，对于浑浊的二类水体，往往会出现过校正的现象。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种基于神经网络二次优化的二类水体大气校正方法，针对二类水体，克服其暗像元难以选取的缺点，构建一种神经网络模型，建立一种优化算法，准确估算大气对卫星传感器获取信息的影响；为了提高估算精度，从影像直接提取参数参与优化过程，使得大气校正结果与数据获取时刻的大气条件更加接近。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于神经网络二次优化的二类水体大气校正方法，其步骤为：A：对二类水体的高光谱影像数据进行预处理，提取影像表观反射率；

B：对所获取的高光谱影像提取其几何信息、波长信息以及550nm处气溶胶光学厚度初值τ₅₅₀ ⁰；

C：将B中提取的参数输入神经网络模型，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献ρ_path；

D：利用近红外波段的离水反射率ρ_w(NIR)，连同t、ρ_path，模拟出表观反射率ρ_toa ^sim；

E：将ρ_toa ^sim与A中提取的真实表观反射率ρ_toa ^mes进行光谱优化，不断调整参数τ₅₅₀、R、n，直到模拟值最接近真实值，最终得到最优解τ₅₅₀ ^opt、R^opt、n^opt；

F：将τ₅₅₀ ^opt代 入神经网络模型中，得到所有高光谱波段的大气漫射透过率t^opt以及大气分子和气溶胶的总贡献ρ_path ^opt；

G：结合影像上真实表观反射率ρ_toa ^mes，估算高光谱影像的离水反射率。

优选地，所述步骤A具体包括步骤：

A1：获取所需进行大气校正的高光谱遥感影像，从中提取二类水体水域的影像数据；

A2：利用所获取数据的定标参数(通常由传感器发射方提供)，对原始影像数据进行辐射定标和几何纠正；

A3：从A2处理后的原始影像中提取表观反射率数据ρ_toa ^mes。

优选地，所述步骤B具体包括步骤：

B1：从A处理的影像直接提取高光谱影像的几何信息，包括太阳天顶角和方位角(θ_s，φ_s)、卫星天顶角和方位角(θ_v，φ_v)；

B2：从A处理的影像直接提取高光谱影像的波长信息；

B3：从A处理的影像直接提取550nm处气溶胶光学厚度初值τ₅₅₀ ⁰。

优选地，所述步骤C中，将B中提取的参数如太阳和卫星天顶角(θ_s，θ_v)、方位角(φ_s，φ_v)，影像多个波段的波长λ以及550nm处气溶胶光学厚度初值τ₅₅₀ ⁰，输入神经网络模型BP-ρ_path以及BP-t，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献ρ_path。两个神经网络模型如下：

C1：神经网络模型BP-ρ_path用于模拟输出大气分子和气溶胶的总贡献ρ_path，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由辐射传输模拟构建的ρ_path查找表建立，辐射传输模拟可采用大气辐射传输方程或现有公开发布的开源代码如6S模型完成。

C2：神经网络模型BP-t用于模拟输出大气漫射透过率t，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由辐射传输模拟构建的t查找表建立，辐射传输模拟可采用大气辐射传输方程或现有公开发布的开源代码如6S模型完成。

优选地，所述步骤D中，将754nm处离水反射率初值R⁰，光谱指数初值n⁰代 入近红外离水反射率模型中，估算出近红外波段的离水反射率ρ_w(NIR)，再连同t、ρ_path，模拟出表观反射率ρ_toa ^sim。具体计算方法如下：

${\mathrm{\ρ}}_w\left(\mathrm{NIR}\right)=R^0\frac{a_w\left({\mathrm{\λ}}_0\right)}{a_w\left(\mathrm{\λ}\right)}{\left(\frac{\mathrm{\λ}}{{\mathrm{\λ}}_0}\right)}^{-n}---\left(1\right)$

ρ_toa(λ)=ρ_path(λ)+t(λ)ρ_w(λ)(2)

ρ_path(λ)=ρ_r(λ)+ρ_a(λ)+ρ_ta(λ)(3)

其中，λ₀为参考波段，R为参考波长的离水反射率ρ_w(λ₀)的简化形式，a_w为纯水的吸收系数，n为光谱形状指数，由水中颗粒物的类型和大小决定，ρ_toa(λ)为大气层外反射率，ρ_r(λ)为大气分子瑞利散射，ρ_a(λ)为大气中气溶胶散射贡献，ρ_ra(λ)为大气分子和瑞利散射相互作用，ρ_w(λ)为离水反射率，t(λ)为大气漫射透过率。

优选地，所述步骤E中，将ρ_toa ^sim与A中提取的真实表观反射率ρ_toa ^mes进行光谱优化，不断调整参数τ₅₅₀、R、n，直到模拟值最接近真实值，最终得到最优解τ₅₅₀ ^opt、R^opt、n^opt。在光谱优化过程中，借助于罚函数判断模拟表观反射率与真实表观反射率的接近程度，使模型模拟的值更加逼近真值。罚函数P定义为模拟表观反射率与真实表观反射率误差的平方和，并加入参数初始值进行约束：

$P({\mathrm{\τ}}_{550},R,n)=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{c}_i[{\mathrm{\ρ}}_{\mathrm{toa}}^{\mathrm{mes}}\left({\mathrm{\λ}}_i\right)-{\mathrm{\ρ}}_{\mathrm{toa}}^{\sin }\left({\mathrm{\λ}}_i\right){]}^2+d^{\mathrm{\τ}}{({\mathrm{\τ}}_{550}-{{\mathrm{\τ}}_{550}}^0)}^2+d^R{(R-R^0)}^2+d^n{(n-n^0)}^2$

其中，ρ_toa ^mes为影像上计算得到的真实表观反射率，τ₅₅₀ ⁰、R⁰、n⁰为所求参数τ₅₅₀、R、n的初值，i取值1^～4分别代表近红外四个波段，c_i是第i波段的权重，d^τ、d^R、dⁿ分别是τ₅₅₀、R、n的权重。

优选地，所述步骤F中，将τ₅₅₀ ^opt代 入神经网络模型BP-ρ_path以及BP-t中，得到所有高光谱波段的大气漫射透过率t^opt以及大气分子和气溶胶的总贡献ρ_path ^opt。

优选地，所述步骤G中，结合影像上真实表观反射率ρ_toa ^mes，估算高光谱影像的离水反射率，计算由公式(2)完成。

本发明的大气校正方法，从影像直接提取表观反射参数参与优化过程，避免了以往大气校正需要输入气象条件等参数的缺陷，不需要输入暗像元，使得大气校正结果与数据获取时刻的大气条件更加接近，减少输入参数的同时还能提高估算精度。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明的方法流程图；

图2为本发明的步骤C的流程图；

图3为太湖地区2007年11月11日、20日、21日，2008年11月20日共4景MERISLevellp影像数据大气校正的效果对比图，图中显示的是22个准同步地面样点中随机抽取的8个样点，地面实测遥感反射率、本发明提出的方法、6S大气校正方法、Beam软件大气校正方法的结果比较。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1-3，本具体实施方式采用以下技术方案：本实施例以太湖作为二类水体的示例，以MERIS影像作为高光谱遥感影像的示例，详细说明利用所述方法进行二类水体大气校正的过程。图1是本发明实施例所述的基于神经网络二次优化的二类水体大气校正方法的方法流程图，

如图1所述，所述方法包括步骤：

A：通过网站获取了2007年11月11日、20日、21日，2008年11月20日共4景MERISLevellρ影像数据，并对数据进行预处理，包括：水域提取、几何校正和辐射定标；进而从影像中提取表观反射率数据ρ_toa ^mes。

B：对所述经过预处理的MERIS影像数据，提取影像的几何信息，包括太阳天顶角和方位角(θ_s，φ_s)、卫星天顶角和方位角(θ_v，φ_v)；提取影像除了761nm和900nm波段外的13个波段的波长信息；提取550nm处气溶胶光学厚度初值τ₅₅₀ ⁰。

C：对所述提取的参数如太阳和卫星天顶角(θ_s，θ_v)、方位角(φ_s，φ_v)，影像13个波段的波长λ以及550nm处气溶胶光学厚度初值τ₅₅₀ ⁰，输入神经网络模型BP-ρ_path以及BP-t，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献ρ_path。其中，两个神经网络模型如下：

C1：神经网络模型BP-ρ_path用于模拟输出大气分子和气溶胶的总贡献ρ_path，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型由辐射传输模拟构建的ρ_path查找表建立，其辐射传输模拟采用现有公开发布的开源代码6S模型完成，模型参数如表1。

表1BP-ρ_path与BP-t神经网络参数及结构

C2：神经网络模型BP-t用于模拟输出大气漫射透过率t，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型由辐射传输模拟构建的t查找表建立，辐射传输模拟采用现有公开发布的开源代码如6S模型完成，模型参数如表1。

C3：采用6SV1.0B版本建立大气漫射透过率t以及大气分子和气溶胶的总贡献ρ_path的查找表，模型中采用的大气模式为中纬度冬季，各参数设置如下：Sunzenith：0～60°；Sensorzenith：0～60°;Sunazimuth：100～300°；Sensorazimuth：100～300°;Atmosρhericmode：3；Aerosoltyρe1；AOTτat550nm：0～2；Bands：0.412～0.885。

D：将754nm处离水反射率初始值R⁰设为0.001、光谱指数初始值n⁰设为1，代 入近红外离水反射率模型中，估算出近红外波段的离水反射率ρ_w(NIR)，再连同t、ρ_path，模拟出表观反射率ρ_toa ^sim。具体计算方法如下：

${\mathrm{\ρ}}_w\left(\mathrm{NIR}\right)=R^0\frac{a_w\left({\mathrm{\λ}}_0\right)}{a_w\left(\mathrm{\λ}\right)}{\left(\frac{\mathrm{\λ}}{{\mathrm{\λ}}_0}\right)}^{-n}---\left(1\right)$

ρ_toa ^sim(λ)=ρ_path(λ)+t(λ)ρ_w(λ)(2)

ρ_path(λ)=ρ_r(λ)+ρ_a(λ)+ρ_ra(λ)(3)

其中，λ₀为参考波段，R为参考波长的离水反射率ρ_w(λ₀)的简化形式，a_w为纯水的吸收系数，n为光谱形状指数，由水中颗粒物的类型和大小决定，ρ_toa(λ)为大气层外反射率，ρ_r(λ)为大气分子瑞利散射，ρ_a(λ)为大气中气溶胶散射贡献，ρ_ra(λ)为大气分子和瑞利散射相互作用，ρ_w(λ)为离水反射率，t(λ)为大气漫射透过率。

E：将ρ_toa ^sim与A中提取的真实表观反射率ρ_toa ^mes进行光谱优化，不断调整参数τ₅₅₀、R、n，直到模拟值最接近真实值，最终得到最优解τ₅₅₀ ^opt、R^opt、n^opt；。在光谱优化过程中，借助于罚函数判断模拟表观反射率与真实表观反射率的接近程度，使模型模拟的值更加逼近真值。罚函数P定义为模拟表观反射率与真实表观反射率误差的平方和，并加入参数初始值进行约束：

$P({\mathrm{\τ}}_{550},R,n)=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{c}_i[{\mathrm{\ρ}}_{\mathrm{toa}}^{\mathrm{mes}}\left({\mathrm{\λ}}_i\right)-{\mathrm{\ρ}}_{\mathrm{toa}}^{\sin }\left({\mathrm{\λ}}_i\right){]}^2+d^{\mathrm{\τ}}{({\mathrm{\τ}}_{550}-{{\mathrm{\τ}}_{550}}^0)}^2+d^R{(R-R^0)}^2+d^n{(n-n^0)}^2$

其中，ρ_toa ^mes为影像上计算得到的真实表观反射率，τ₅₅₀ ⁰、R⁰、n⁰为所求参数τ₅₅₀、R、n的初值，i取值1～4分别代表近红外四个波段，c_i是第i波段的权重，d^τ、d^R、dⁿ分别是τ₅₅₀、R、n的权重。其中，通过对模型输入0～2范围内的若干τ⁰ ₅₅₀值，观察发现该初值对最终结果的影响不大，因此，本示例中取τ₅₅₀ ⁰初值为0.5。

F：将参数优化得到的τ₅₅₀ ^opt再次代入神经网络模型BP-ρ_path以及BP-t中，得到所有高光谱波段的大气漫射透过率t^opt以及大气分子和气溶胶的总贡献ρ_path ^opt。

G：结合影像上真实表观反射率ρ_toa ^mes，估算高光谱影像的离水反射率，计算由公式(2)完成。

本发明实施例所述基于神经网络二次优化的二类水体大气校正方法，利用大气辐射传输模型模拟建立查找表，进而构建计算大气漫射透过率t以及大气分子和气溶胶的总贡献ρ_path的神经网络模型。通过提取高光谱影像中的几何信息、波长信息等信息，获得输入神经网络模型的初始参数，模拟输出漫射透过率t以及大气分子和气溶胶的总贡献ρ_path，进而求算表观反射率ρ_toa ^sim；将ρ_toa ^sim与从影像中提取的真实表观反射率ρ_toa ^mes进行光谱优化，不断调整模型参数τ₅₅₀、R、n，直到模拟值最接近真实值，最终得到最优解τ₅₅₀ ^opt、R^opt、n^opt；将τ₅₅₀ ^opt代 入神经网络模型中，得到所有高光谱波段的大气漫射透过率t^opt以及大气分子和气溶胶的总贡献ρ_path ^opt；结合影像上真实表观反射率ρ_toa ^mes，估算高光谱影像的离水反射率。将该方法应用于2007年11月11日、20日、21日，2008年11月20日共4景MERIS影像中，利用地面准同步的22个样点进行精度检验，其平均相对误差小于30％，满足二类水体大气校正的精度要求。图3是从22个样点中随机选取的8个样点的对比图，图中显示了地面实测遥感反射率、本发明方法校正的遥感反射率、6S模型校正的遥感反射率、beam4.9软件自带插件校正的遥感反射率，从图中可以看到，从整体趋势上看，本方法校正的结果与实测值最为接近，在可见光短波波段基本没有出现低估的现象，尤其是B、D这两个点，几乎与实测光谱曲线重合，G、H点次之。相对于6S大气校正方法，本发明方法的结果更加稳定，说明本发明方法更加适合于内陆二类水体的应用。本发明方法从影像直接提取表观反射参数参与优化过程，避免了以往利用辐射传输模型进行大气校正时，需要输入气象条件等参数的缺陷，使得大气校正结果与数据获取时刻的大气条件更加接近，减少输入参数的同时提高了估算精度。该发明减少了利用辐射传输模型进行大气校正时需要输入的先验参数，避免了暗像元的选取，提高了模型的实用性，为提高二类水体高光谱数据的大气校正精度，提供了一种技术方法，此方法的推广，将促进遥感技术在水环境监测中的应用。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，其步骤为：(A)：对二类水体的高光谱影像数据进行预处理，提取影像表观反射率；

(B)：对所获取的高光谱影像提取其几何信息、波长信息以及550nm处气溶胶光学厚度初值τ₅₅₀ ⁰；

(C)：将步骤B中提取的参数输入神经网络模型，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献ρ_path；

(D)：利用近红外波段的离水反射率ρ_w(NIR)，连同t、ρ_path，模拟出表观反射率ρ_toa ^sim；

(E)：将ρ_toa ^sim与步骤(A)中提取的真实表观反射率ρ_toa ^mes进行光谱优化，不断调整参数τ₅₅₀、R、n，直到模拟值最接近真实值，最终得到最优解τ₅₅₀ ^opt、R^opt、n^opt；

(F)：将τ₅₅₀ ^opt代入神经网络模型中，得到所有高光谱波段的大气漫射透过率t^opt以及大气分子和气溶胶的总贡献ρ_path ^opt；

(G)：结合影像上真实表观反射率ρ_toa ^mes，估算高光谱影像的离水反射率。

2.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述的步骤(A)具体包括步骤：(A1)：获取所需进行大气校正的高光谱遥感影像，从中提取二类水体水域的影像数据；

(A2)：利用所获取数据的定标参数，对原始影像数据进行辐射定标和几何纠正；

(A3)：从步骤(A2)处理后的原始影像中提取表观反射率数据ρ_toa ^mes。

3.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(B)具体包括步骤：

(B1)：从步骤(A)处理的影像直接提取高光谱影像的几何信息，包括太阳天顶角和方位角(θ_s，φ_s)、卫星天顶角和方位角(θ_v，φ_v)；

(B2)：从步骤(A)处理的影像直接提取高光谱影像的波长信息；

(B3)：从步骤(A)处理的影像直接提取550nm处气溶胶光学厚度初值τ₅₅₀ ⁰。

4.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(C)中，将步骤(B)中提取的参数如太阳和卫星天顶角(θ_s，θ_v)、方位角(φ_s，φ_v)，影像多个波段的波长λ以及550nm处气溶胶光学厚度初值τ₅₅₀ ⁰，输入神经网络模型BP-ρ_path以及BP-t，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献ρ_path；两个神经网络模型如下：

(C1)：神经网络模型BP-ρ_path用于模拟输出大气分子和气溶胶的总贡献ρ_path，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由辐射传输模拟构建的ρ_path查找表建立，辐射传输模拟可采用大气辐射传输方程或现有公开发布的开源代码；

(C2)：神经网络模型BP-t用于模拟输出大气漫射透过率t，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由辐射传输模拟构建的t查找表建立，辐射传输模拟可采用大气辐射传输方程或现有公开发布的开源代码。

5.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(D)中，将754nm处离水反射率初值R⁰，光谱指数初值n⁰代入近红外离水反射率模型中，估算出近红外波段的离水反射率ρ_w(NIR)，再连同t、ρ_path，模拟出表观反射率ρ_toa ^sim；具体计算方法如下：

${\mathrm{\ρ}}_w\left(NIR\right)=R^0\frac{a_w\left({\mathrm{\λ}}_0\right)}{a_w\left(\mathrm{\λ}\right)}{\left(\frac{\mathrm{\λ}}{{\mathrm{\λ}}_0}\right)}^{-n}---\left(1\right)$

ρ_loa(λ)＝ρ_path(λ)+t(λ)ρ_w(λ)(2)

ρ_path(λ)＝ρ_r(λ)+ρ_a(λ)+ρ_ra(λ)(3)

其中，λ₀为参考波段，R为参考波长的离水反射率ρ_w(λ₀)的简化形式，a_w为纯水的吸收系数，n为光谱形状指数，由水中颗粒物的类型和大小决定，ρ_toa(λ)为大气层外反射率，ρ_r(λ)为大气分子瑞利散射，ρ_a(λ)为大气中气溶胶散射贡献，ρ_ra(λ)为大气分子和瑞利散射相互作用，ρ_w(λ)为离水反射率，t(λ)为大气漫射透过率。

6.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(E)中，将ρ_toa ^sim与A中提取的真实表观反射率ρ_toa ^mes进行光谱优化，不断调整参数τ₅₅₀、R、n，直到模拟值最接近真实值，最终得到最优解τ₅₅₀ ^opt、R^opt、n^opt。在光谱优化过程中，借助于罚函数判断模拟表观反射率与真实表观反射率的接近程度，使模型模拟的值更加逼近真值；罚函数P定义为模拟表观反射率与真实表观反射率误差的平方和，并加入参数初始值进行约束：

$P({\mathrm{\τ}}_{550},R,n)=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{c}_i{\[{\mathrm{\ρ}}_{toa}^{mes}\left({\mathrm{\λ}}_i\right)-{\mathrm{\ρ}}_{toa}^{sim}\left({\mathrm{\λ}}_i\right)\]}^2+d^{\mathrm{\τ}}{({\mathrm{\τ}}_{550}-{{\mathrm{\τ}}_{550}}^0)}^2+d^R{(R-R^0)}^2+d^n{(n-n^0)}^2$

其中，ρ_toa ^mes为影像上计算得到的真实表观反射率，τ₅₅₀ ⁰、R⁰、n⁰为所求参数τ₅₅₀、R、n的初值，i取值1～4分别代表近红外四个波段，c_i是第i波段的权重，d^τ、d^R、dⁿ分别是τ₅₅₀、R、n的权重。

7.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(F)中，将τ₅₅₀ ^opt代入神经网络模型BP-ρ_path以及BP-t中，得到所有高光谱波段的大气漫射透过率t^opt以及大气分子和气溶胶的总贡献ρ_path ^opt。

8.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(G)中，结合影像上真实表观反射率ρ_toa ^mes，估算高光谱影像的离水反射率，计算由公式(2)完成。