CN112051226A - 基于无人机载高光谱图像估算近海总悬浮物浓度的方法 - Google Patents

Abstract

本发明公开了一种基于无人机载高光谱图像估算近海水体总悬浮物浓度的方法，包括以下步骤：无人机载设备获取海水高光谱图像；对无人机载海水高光谱图像进行预处理，得到预处理图像；获取反演敏感波段；建立反演模型；将所述预处理图像输入至所述反演模型，获得总悬浮物浓度分布数据，并输出总悬浮物浓度分布图像。本发明针对无人机载高光谱图像研究近海总悬浮物浓度遥感反演算法，从光谱质量和反演模型两个层面出发，利用现场测量光谱对图像光谱进行校正，使图像光谱接近现场测量光谱，提高图像光谱质量，通过改进总悬浮物浓度反演算法，使总悬浮物浓度与波段组合的回归关系在对数和线性模型间获得最优拟合，反演精度和可靠性得到较大提高。

Description

基于无人机载高光谱图像估算近海总悬浮物浓度的方法

技术领域

本发明属于水质参数遥感反演技术领域，具体地说，涉及一种基于无人机载高光谱图像估算近海水体总悬浮物浓度的方法。

背景技术

近海水域是全球生态系统的一个重要组成部分，为人类提供多种生态服务，如水产养殖、灌溉、旅游等。随着近海经济的快速发展，近海生态环境遭到破坏，绿潮、蓝藻等富营养化现象逐年上升，严重影响海洋生物生存和人类健康。近海水质监测为近海环境评估和管理提供了指导依据。总悬浮物(TSM,mg/L)是指悬浮在水中的固体物质，主要包括悬浮泥沙和浮游植物，其浓度是水质监测和评价的重要指标之一，对水体营养盐及污染物的运输、光在水体中的传输、表层沉积物的分布特征及运输趋势等有重要影响。总悬浮物与其他水质参数关系密切，是近岸海域水质的良好代表。

针对总悬浮物浓度的监测，传统的船舶现场方法成本高、时效性差，星载高光谱遥感不仅能够实现长时序、同步、大面积观测，而且为水质评估提供了精细的水体光谱信息，成为海洋水色参数监测的有效手段之一。如利用HJ-1A、GOCI、Landsat、MODIS等卫星数据获取了近海总悬浮物浓度的时空变化。但是，在现有技术条件下，星载高光谱技术难以同时实现图像的高空间分辨率，制约了空间维度上信息的获取。尤其对于受人类活动影响较大的近海水域，因为近海水域受到不同光学组分，包括总悬浮物、叶绿素a和有色可溶性有机物的独立影响，不仅光谱特征复杂，而且小范围内可能产生较大的光谱差异。

机载高光谱遥感具有集高空间分辨率、高时间分辨率和图像采集灵活于一体的优势，为区域水质监测应用提供了新途径。光谱分辨率在10-2λ数量级范围内的光谱图像称为高光谱图像。Mohammad H G等总结了水质监测应用中常用的机载高光谱仪，指出机载高光谱传感器在配置和测量时间方面具有高度灵活性，最适合测量小尺度研究区的水质参数。基于机载高光谱传感器的小尺度水域水质参数反演的研究很多，比较常用的机载成像光谱仪有AISA、HyMap、AVIRIS和CASI等。但是，这类传感器成本高、部署困难，难以广泛应用，低成本、低空无人机搭载的高光谱成像仪在快速评估近海或难以到达的水域的水质任务中呈现出优势，近年来在环境遥感方面显示出巨大的价值。

海水的光谱特征和水体中各组分的复杂光谱相互作用已经开展了广泛的研究，并建立了一系列基于经验、半分析和分析方法的总悬浮物反演模型。经验方法是根据总悬浮物浓度与单通道或多通道反射率之间的统计关系建立的，方法简单，易于建立。许多经验模型已经在实际卫星遥感系统中得到应用，但其适用范围往往局限于特定地区。半分析和分析模型，如多波段准解析算法(QAA)和一些查找表方法可能比经验方法更准确，但它们运算复杂，耗时较长，并且对输入和模型参数更敏感。有研究表明，对于复杂河口和沿海地区的海色遥感，经验模型仍然是一个很好的选择。但是，其他地区开发的总悬浮物反演模型并不完全适用于近海的复杂水域。例如，针对中国黄、东海二类水体总悬浮物浓度反演，唐军武等提出了NSOAS模型，是在Tassan模型基础上发展而来的。NSOAS模型特别适用于预测公海水域的总悬浮物浓度，但在复杂的沿海则很快失去了预测能力。越靠近海岸，水体变得越来越复杂，由于叶绿素a、有色可溶性有机物的丰富性导致光谱特征重叠，用于公海总悬浮物浓度反演的NSOAS算法性能下降。

总体来说，目前为止，依旧缺乏一种适用于近海水域总悬浮物浓度反演的遥感算法，基于无人机载高光谱数据的近海总悬浮物遥感反演算法更是没有报道。鉴于无人机载高光谱数据在图像获取和数据质量上的优势，有必要研究一个新的方法，以实现近海复杂水域总悬浮物浓度的精确反演。

发明内容

本发明针对现有技术中近海水域总悬浮物浓度反演受近海水体复杂环境限制，导致反演精度低的技术问题，提出了一种基于无人机载高光谱图像估算近海水体总悬浮物浓度的方法，可以解决上述问题。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种基于无人机载高光谱图像估算近海水体总悬浮物浓度的方法，包括以下步骤：

无人机载设备获取海水高光谱图像；

对所述海水高光谱图像进行预处理，得到预处理图像；

获取反演敏感波段，包括：根据海水中总悬浮物对光的吸收反射特征以及遥感反射率和总悬浮物浓度的相关性确定总悬浮物的敏感波段；

建立反演模型，包括：将所述总悬浮物的敏感波段以及不同干扰物的敏感波段组合和总悬浮物浓度进行回归拟合；

将所述预处理图像输入至所述反演模型，获得总悬浮物浓度分布数据，并输出总悬浮物浓度分布图像。

进一步的，所述反演模型为：

lg S＝s₀+s₁×lg x₁+s₂×lg x₂+s₃×x₁+s₄×x₂；

其中，S为总悬浮物浓度，s₀、s₁、s₂、s₃、s₄为回归系数，x₁＝R_rs(λ1)+R_rs(λ2)，x₂＝R_rs(λ3)/R_rs(λ1)，λ1和λ2为总悬浮物的敏感波段，λ3与λ1的反射率比值用于区分干扰物与总悬浮物的光谱特征，R_rs(λ1)为光谱图像在λ1波段的反射率，R_rs(λ2)为光谱图像在λ2波段的反射率，R_rs(λ3)为光谱图像在λ3波段的反射率。

进一步的，λ1＝566nm，λ2＝670nm，λ3＝490nm；

干扰物为叶绿素a和有色可溶性有机物。

进一步的，还包括对光谱图像在各波段的反射率进行校正的步骤：

其中，

为光谱图像在λ波段的反射率校正系数，λ可取值λ1、λ2或者λ3。

进一步的，

的获取方法为：

获取现场海水高光谱反射率，计算现场海水高光谱反射率和同一位置所对应的海水高光谱图像上像元的反射率之间的平均差值：

其中，

表示λ波段处反射率的平均差值，

表示采样点i在λ波段处的现场海水高光谱反射率，

表示采样点i在λ波段处的海水高光谱图像的反射率，n为现场采样点个数；

根据最小二乘原理，对所述平均差值按照波长进行三次多项式拟合，得到λ波段处的光谱校正值

其中，p₀、p₁、p₂和p₃为最小二乘拟合系数。

进一步的，针对每个采样点的现场海水高光谱反射率和海水高光谱图像的反射率，还包括去除位于镜面反射区域的采样点的步骤。

进一步的，对所述海水高光谱图像进行预处理包括：

辐射定标步骤，将光谱仪每个探测元件输出的数字量化值转换为所对应视场中的辐射亮度值；

大气校正步骤，对辐射定标后的图像进行大气校正；

几何校正步骤，对大气校正后的图像进行几何校正。

进一步的，在大气校正步骤和几何校正步骤之间还包括图像滤波步骤，采用Savitzky-Golay滤波算法，对大气校正后的图像上每一个像元的光谱曲线进行滤波处理。

进一步的，辐射定标步骤的方法为：

L＝δ×gain×DN+offset；

其中，DN为海水高光谱图像的灰度值，δ为调整参数，gain和offset分别为光谱仪增益和偏移，从光谱仪定标文件中获得。

进一步的，大气校正步骤中采用ENVI软件中的FLAASH模块对辐射定标后的图像进行大气校正。

与现有技术相比，本发明的优点和积极效果是：本发明针对无人机载高光谱图像研究近海总悬浮物浓度遥感反演算法，从光谱质量和反演模型两个层面出发，一方面利用现场测量光谱对图像光谱进行校正，使图像光谱接近现场测量光谱，提高图像光谱质量，另一方面改进总悬浮物浓度反演算法，建立Tassan对数模型和NSOAS线性模型的组合形式，使总悬浮物浓度与波段组合的回归关系在两模型间获得最优拟合，反演精度和可靠性得到较大提高，实现了基于无人机载高光谱图像对近海总悬浮物浓度的高精度估算，证明了利用无人机高光谱图像对近海水质进行监测的可行性。

结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提出的基于无人机载高光谱图像估算近海水体总悬浮物浓度的方法一种实施例的流程图；

图2是实施例一中归一化光谱与总悬浮物浓度的相关关系图；

图3是实施例一中无人机载设备获取的海水高光谱曲线；

图4是实施例一中现场测量的海水高光谱曲线；

图5是实施例一中校正后的无人机载设备获取的海水高光谱曲线；

图6是实施例一中无人机载海水高光谱图；

图7是实施例一中估算并输出的总悬浮物图；

图8为采用已有模型和本发明模型估算的总悬浮物与实测总悬浮物的其中一种精度评估图；

图9为采用已有模型和本发明模型估算的总悬浮物与实测总悬浮物的再一种精度评估图；

图10为采用已有模型和本发明模型估算的总悬浮物与实测总悬浮物的又一种精度评估图；

图11为已有模型和本发明模型的精度对比统计图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。

实施例一

由于近海水域总悬浮物浓度反演受近海水体复杂环境限制，长期以来存在反演精度低的技术问题，本实施例中近海水域尤其指距离海岸线2公里范围内的水域。

本实施例提出了一种基于无人机载高光谱图像估算近海水体总悬浮物浓度的方法，如图1所示，包括以下步骤：

(1)无人机载设备获取海水高光谱图像；

通过无人机载探测设备对近海进行高光谱图像采集，无人机具有灵活、飞行高度低等优点，容易探测。无人机载高光谱图像获取时距离海面约150m-200m。

(2)对海水高光谱图像进行预处理，得到预处理图像；

采集得到的高光谱图像经过以下处理过程得到研究海域的水体遥感反射率图像，包括：

辐射定标步骤，将光谱仪每个探测元件输出的数字量化值转换为所对应视场中的辐射亮度值；

具体地，辐射定标步骤的方法为：

L＝δ×gain×DN+offset；

其中，DN为海水高光谱图像的灰度值，δ为调整参数，gain和offset分别为光谱仪增益和偏移，从光谱仪定标文件中获得。

大气校正步骤，对辐射定标后的图像进行大气校正；

具体地，大气校正步骤中采用ENVI软件中的FLAASH模块对辐射定标后的图像进行大气校正，本实施例中大气模型选择中纬度夏季/冬季，气溶胶模型选择海洋模型，传感器类型选择高光谱传感器。

几何校正步骤，对大气校正后的图像进行几何校正。

具体地，根据单应映射原理，建立高光谱仪倾斜和正射状态下像点的映射关系，即两种状态下，高光谱仪平面坐标系中的点满足：

其中，q_b为倾斜状态下高光谱仪平面点坐标，q_n为正射状态下高光谱仪平面点坐标，M为高光谱仪内参数矩阵，

表示从正射状态坐标系到倾斜状态坐标系的旋转矩阵，数据来自无人机载高光谱仪的惯性导航系统提供的俯仰角、横滚角和航偏角。

经过单应映射的高光谱仪扫描行根据惯性导航系统提供的成像中心坐标配置地理信息，镶嵌成为一幅完整的研究区影像。

在大气校正步骤和几何校正步骤之间还包括图像滤波步骤，采用Savitzky-Golay滤波算法，对大气校正后的图像上每一个像元的光谱曲线进行滤波处理。

本实施例中Savitzky-Golay滤波核窗口大小选择31，导数阶数选择3。

(3)获取反演敏感波段，包括：根据海水中总悬浮物对光的吸收反射特征以及遥感反射率和总悬浮物浓度的相关性确定总悬浮物的敏感波段；

近海水体的光谱特征受总悬浮物、叶绿素a和有色可溶性有机物的共同影响。叶绿素a和有色可溶性有机物对总悬浮物浓度的干扰较大，因此，本实施例中干扰物为叶绿素a和有色可溶性有机物。

总悬浮物在555nm和670nm附近反射作用明显，对总悬浮物浓度变化敏感，是反演总悬浮物浓度的敏感波段。叶绿素a和有色可溶性有机物在490nm和555nm的吸收率之比高于总悬浮物，是用来去除反演中叶绿素a和有色可溶性有机物的影响的理想波段组合。

如图2所示，为归一化光谱与总悬浮物浓度的相关关系图，图中不同曲线分别表示2018年12月17日、2019年3月22日和2019年7月20日归一化光谱与总悬浮物浓度的相关关系，正相关最大值平均位于566nm处，566nm处正相关性均大于555nm处，且总悬浮物在该波长附近具有高散射特性，故566nm是比555nm更理想的反映总悬浮物浓度的一个敏感波段。

综上可以用

表示总悬浮物浓度，用

去除干扰物的影响，以这两种波段组合建立与总悬浮物浓度的回归关系，从海水组分的物理特性出发表征了总悬浮物浓度与水体光谱的关系。

(4)建立反演模型，包括：将总悬浮物的敏感波段以及不同干扰物的敏感波段组合和总悬浮物浓度进行回归拟合；

本实施例中的反演模型为：

lg S＝s₀+s₁×lg x₁+s₂×lg x₂+s₃×x₁+s₄×x₂；

其中，S为总悬浮物浓度，s₀、s₁、s₂、s₃、s₄为回归系数，x₁＝R_rs(λ1)+R_rs(λ2)，x₂＝R_rs(λ3)/R_rs(λ1)，λ1和λ2为总悬浮物的敏感波段，λ3与λ1的反射率比值用于区分干扰物与总悬浮物的光谱特征，R_rs(λ1)为光谱图像在λ1波段的反射率，R_rs(λ2)为光谱图像在λ2波段的反射率，R_rs(λ3)为光谱图像在λ3波段的反射率。

λ1＝566nm，λ2＝670nm，λ3＝490nm；

s₁、s₂、s₃、s₄既作为回归系数，又起到权重的作用，回归系数变化，反演的总悬浮物浓度受不同波段组合形式的影响程度也发生变化。近海水体特征复杂，单一模型难以描述反射率与总悬浮物的关系，模型组合的形式能够根据权重的变化在对数和线性模型之间获得最优拟合，得到较好的反演效果。

以实验室测量得到的所有海水样品的总悬浮物浓度作为S的输入值，以高光谱图像上所有海水采样点位置的490nm、566nm和670nm光谱反射率作为R_rs(λ)的输入值，带入进行最小二乘拟合，得到模型的拟合系数s₀、s₁、s₂、s₃、s₄，用于图像中总悬浮物浓度的反演。

(5)将预处理图像输入至反演模型，获得总悬浮物浓度分布数据，并输出总悬浮物浓度分布图像。

具体地，根据总悬浮物浓度反演模型，将无人机图像相应波段应用于模型中，获得研究区总悬浮物浓度分布，通过ENVI进行图像输出获得近海总悬浮物浓度分布图。

无人机载设备获取海水高光谱图像，由于测量距离和环境原因，导致获取的图像与实际值存在一定的偏差，本实施例优选还包括对光谱图像在各波段的反射率进行校正的步骤。

现场测量海表面光谱数据，并将现场测量的海表面光谱数据用于对无人机载设备获取海水高光谱图像进行校正。

对光谱图像在各波段的反射率进行校正的步骤包括：

其中，

为光谱图像在λ波段的反射率校正系数，λ可取值λ1、λ2或者λ3。

本实施例中

的获取方法为：

获取现场海水高光谱反射率，计算现场海水高光谱反射率和同一位置所对应的海水高光谱图像上像元的反射率之间的平均差值：

其中，

表示λ波段处反射率的平均差值，

表示采样点i在λ波段处的现场海水高光谱反射率，

表示采样点i在λ波段处的海水高光谱图像的反射率，n为现场采样点个数。

根据最小二乘原理，对平均差值按照波长进行三次多项式拟合，得到λ波段处的光谱校正值

其中，p₀、p₁、p₂和p₃为最小二乘拟合系数。

光谱校正既能消除由于观测距离较远导致的机载光谱辐亮度低的问题，还能尽可能保持不同采样点机载光谱之间的微小差异，有利于提高无人机载海水高光谱的准确度，进而可以提高总悬浮物浓度反演精度。

如图3-图5所示，图3为无人机载设备获取的海水高光谱曲线，图4为现场测量的海水高光谱曲线，图5为校正后的无人机载设备获取的海水高光谱曲线。

本实施例中利用船载高光谱仪实现现场光谱测量。如图6所示，图像整体为标定区域范围内的无人机载海水高光谱图，其中亮点位置为现场采样站点分布。

依据水面以上测量法，利用船载海洋高光谱仪QE Pro采集研究区内34个站点的海表面上行辐亮度L_sw、天空光的辐亮度L_sky以及参考板的上行辐亮度L_p。

现场测量的光谱数据处理包括光谱预处理和遥感反射率计算两部分，光谱数据预处理包含剔除受太阳耀斑和阴影影响的异常光谱数据、光谱辐亮度的暗噪声校正、多次采集光谱平均等，海表面水体遥感反射率R_rs根据以下公式计算得到。

其中，ρ_p是标准漫反射板的反射率，从漫反射板参数说明中获得；δ为气水界面的菲涅尔反射系数，受太阳位置、观测几何、风向、风速和海面粗糙度等因素影响，取值范围为0.021-0.05，本实施例的实验中，海面风速小于5m/s，δ取经验值0.028。

光谱采集需要在天气晴朗、光照较好的条件下进行，海面波动易造成太阳光线产生直射反射，也称为镜面反射或太阳耀斑，在机载高光谱图像上表现为一片或零散的明亮区域，位于明亮区域内的采样点海水光谱不能代表实际光谱反射，需要进行剔除，可以提高反演精度。

因此，针对每个采样点的现场海水高光谱反射率和海水高光谱图像的反射率，还包括去除位于镜面反射区域的采样点的步骤。

具体地，根据海水样品采样点在高光谱图像上的位置，判断采样点是否在镜面反射区域内，对位于镜面反射区域内的采样点进行剔除，保留非镜面反射区域的采样点用于建立反演模型。

本实施例的基于无人机载高光谱图像估算近海水体总悬浮物浓度的方法，首先图像光谱经过光谱仪现场采集的海面光谱的校正，降低了外界环境对光谱质量的影响，为建立高精度反演模型奠定了基础；其次总悬浮物浓度反演模型建立在反演敏感性分析和已有的Tassan模型和NSOAS模型基础上，具有科学的理论依据。图7是本实施例估算并输出的总悬浮物图。我们将该方法应用于2018年12月17日、2019年3月22日和2019年7月20日近海总悬浮物浓度反演中，以回归模型精度评估指标分别对Tassan模型、NSOAS模型和本发明模型进行比较，指标包括相关系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)和平均百分比差值(APD)，结果如图8-图11所示，其中，图8为2018年12月17日采用三种模型估算的总悬浮物与实测总悬浮物的精度评估图，图9为2019年3月22日采用三种模型估算的总悬浮物与实测总悬浮物的精度评估图，图10为2019年7月20日采用三种模型估算的总悬浮物与实测总悬浮物的精度评估图，图11为Tassan模型、NSOAS模型和本发明模型的精度对比统计图，通过对比可见，对于近海总悬浮物浓度反演，本发明方法与已有的Tassan模型和NSOAS模型相比，R²提高，同时RMSE、MAE和APD均下降，证明本发明方法应用于近海总悬浮物浓度反演精度更高，更具有优势。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (10)

1.一种基于无人机载高光谱图像估算近海总悬浮物浓度的方法，其特征在于，包括以下步骤：

无人机载设备获取海水高光谱图像；

对所述海水高光谱图像进行预处理，得到预处理图像；

获取反演敏感波段，包括：根据海水中总悬浮物对光的吸收反射特征以及遥感反射率和总悬浮物浓度的相关性确定总悬浮物的敏感波段；

建立反演模型，包括：将所述总悬浮物的敏感波段以及不同干扰物的敏感波段组合和总悬浮物浓度进行回归拟合；

将所述预处理图像输入至所述反演模型，获得总悬浮物浓度分布数据，并输出总悬浮物浓度分布图像。

2.根据权利要求1所述的方法，其特征在于，所述反演模型为：

lgS＝s₀+s₁×lgx₁+s₂×lgx₂+s₃×x₁+s₄×x₂；

其中，S为总悬浮物浓度，s₀、s₁、s₂、s₃、s₄为回归系数，x₁＝R_rs(λ1)+R_rs(λ2)，x₂＝R_rs(λ3)/R_rs(λ1)，λ1和λ2为总悬浮物的敏感波段，λ3与λ1的反射率比值用于区分干扰物与总悬浮物的光谱特征，R_rs(λ1)为光谱图像在λ1波段的反射率，R_rs(λ2)为光谱图像在λ2波段的反射率，R_rs(λ3)为光谱图像在λ3波段的反射率。

3.根据权利要求2所述的方法，其特征在于，λ1＝566nm，λ2＝670nm，λ3＝490nm；

干扰物为叶绿素a和有色可溶性有机物。

4.根据权利要求2所述的方法，其特征在于，还包括对光谱图像在各波段的反射率进行校正的步骤：

其中，

为光谱图像在λ波段的反射率校正系数，λ可取值λ1、λ2或者λ3。

5.根据权利要求4所述的方法，其特征在于，

的获取方法为：

获取现场海水高光谱反射率，计算现场海水高光谱反射率和同一位置所对应的海水高光谱图像上像元的反射率之间的平均差值：

其中，

表示λ波段处反射率的平均差值，

表示采样点i在λ波段处的现场海水高光谱反射率，

表示采样点i在λ波段处的海水高光谱图像的反射率，n为现场采样点个数；

根据最小二乘原理，对所述平均差值按照波长进行三次多项式拟合，得到λ波段处的光谱校正值

其中，p₀、p₁、p₂和p₃为最小二乘拟合系数。

6.根据权利要求5所述的方法，其特征在于，针对每个采样点的现场海水高光谱反射率和海水高光谱图像的反射率，还包括去除位于镜面反射区域的采样点的步骤。

7.根据权利要求1-6任一项所述的方法，其特征在于，对所述海水高光谱图像进行预处理包括：

辐射定标步骤，将光谱仪每个探测元件输出的数字量化值转换为所对应视场中的辐射亮度值；

大气校正步骤，对辐射定标后的图像进行大气校正；

几何校正步骤，对大气校正后的图像进行几何校正。

8.根据权利要求7所述的方法，其特征在于，在大气校正步骤和几何校正步骤之间还包括图像滤波步骤，采用Savitzky-Golay滤波算法，对大气校正后的图像上每一个像元的光谱曲线进行滤波处理。

9.根据权利要求7所述的方法，其特征在于，辐射定标步骤的方法为：

L＝δ×gain×DN+offset；

其中，DN为海水高光谱图像的灰度值，δ为调整参数，gain和offset分别为光谱仪增益和偏移，从光谱仪定标文件中获得。

10.根据权利要求7所述的方法，其特征在于，大气校正步骤中采用ENVI软件中的FLAASH模块对辐射定标后的图像进行大气校正。

Images