CN116879237A - 一种近海浑浊水体的大气校正方法 - Google Patents
一种近海浑浊水体的大气校正方法 Download PDFInfo
- Publication number
- CN116879237A CN116879237A CN202311127577.4A CN202311127577A CN116879237A CN 116879237 A CN116879237 A CN 116879237A CN 202311127577 A CN202311127577 A CN 202311127577A CN 116879237 A CN116879237 A CN 116879237A
- Authority
- CN
- China
- Prior art keywords
- correction
- water body
- atmospheric
- wave band
- visible light
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 171
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000002310 reflectometry Methods 0.000 claims abstract description 51
- 239000000443 aerosol Substances 0.000 claims abstract description 45
- 230000005855 radiation Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000013213 extrapolation Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 210000000476 body water Anatomy 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种近海浑浊水体的大气校正方法,属于卫星遥感大气校正技术领域,解决了现有大气校正技术无法适用于近海不同浑浊程度水体的问题。该方法包括:S1.实时采集高空间分辨率卫星的可见光波段和近红外波段的L1C级数据;S2.通过ACOLITE大气校正方法对上述L1C级数据进行瑞利校正,得出瑞利校正后的可见光波段和近红外波段大气反射率;S3.将可见光波段和近红外波段特征波长对应的瑞利校正后大气反射率值,输入水体浑浊程度识别模型中,得出目标水体属于高浑浊水体还是中低浑浊水体的识别结果;S4.选用与识别结果匹配的大气校正方法,对瑞利校正后的可见光波段大气反射率进行气溶胶校正,得到目标水体大气校正后的影像数据。
Description
技术领域
本发明涉及卫星遥感大气校正技术领域,尤其涉及一种近海浑浊水体的大气校正方法。
背景技术
河口和沿岸水体的水体环境受到人类活动的直接影响。卫星遥感技术可以通过获取水体反射光谱,并建立水质参数浓度与反射光谱之间的关系,实现大范围内同步、动态的水质监测。在可见光波段,卫星传感器接收到的大部分信号来自大气分子和气溶胶的散射,仅有约 10%来自水体,因此,需要进行大气校正,将卫星传感器接收信号的非水体部分的影响去除,获得包含水体中物质光谱信息的离水辐射。
目前,传统的海洋水色传感器在光谱分辨率、时间分辨率和信噪比存在很多优势,但空间分辨率不够高,在沿岸海域及内陆水体应用中受到限制。目前大气校正主要采用6S等辐射传输模型或黑暗像元法等,但是,辐射传输模型法需要输入大量的同步实测参数如气溶胶类型、能见度等,而这些参数往往难以获取;对于内陆浑浊水体,黑暗像元法往往产生过校正的现象,导致出现许多负值。
此外,由于沿岸海域及内陆水体的水体光学成分复杂、水体中的悬浮物浓度过高,基于暗像元假设的近红外(NIR)波段的波段外推算法失效。Dian Wang等人于2019年的Optics Express中发表的Improved atmospheric correction algorithm for Landsat8–OLI data in turbid waters: a case study for the Lake Taihu是一种基于短波红外波段(ACZI)零假设的大气校正算法,使用黑色像素指数(BPI)和漂浮藻类指数(FAI)来区分黑色像素,基于气溶胶类型的空间均匀性假设来估计非黑色像素的气溶胶散射。但该方法只能用于内陆湖泊大气校正,无法区分高浑浊和中低浑浊水体,不可用于近海不同浑浊程度水体。
CN102508226B的中国专利通过531、551、667和678nm这四个波段来展开大气校正,然而实际上只能适用中低浑浊度,在高浑浊度水体的情况下,这四个波段的离水辐射反射率近似为零的暗像元假设不再成立,无法用于后续的大气校正步骤。
CN103389494B的中国专利通过1.240,1.640和2.130μm的瑞利校正反射率进行指数函数拟合,并以此指数拟合函数外推到近红外波段0.748μm和0.869μm的模拟瑞利校正反射率,在一个小范围内及同一种气溶胶类型下,再通过指数外推的方法依次计算其他可见光波段的气溶胶反射率,最终完成大气校正。但实际上,对于近海,根据天气条件不同,可能同时存在海洋性气溶胶、陆地性气溶胶以及混合型气溶胶等多种气溶胶,该方法无法适用于存在多种气溶胶的地区。
CN103558190B的中国专利只适用于内陆水域,不适用于近海。内陆(淡水)和近海(咸水)的水体特性不同,其从清洁水体绿光波段(可见光波谱的左端)离水反射率推算各波段气溶胶散射的方法不适用于近海,可能得到错误的结果。
CN114646616B的中国专利只能针对二类水体,即悬浮物浓度较高的水体,不能对不同悬浮物浓度的水体自适应采用合适的大气校正方法或者气溶胶反射率计算方法。而且,该方案用到了紫外波段,实际上紫外波段在大气程的衰减较大,用来作为校正其他波段的手段时,在一定程度上可能影响大气校正精度。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种近海浑浊水体的大气校正方法,用以解决现有大气校正技术无法适用于近海不同浑浊程度水体的问题。
一方面,本发明实施例提供了一种近海浑浊水体的大气校正方法,包括如下步骤:
S1.实时采集高空间分辨率卫星的可见光波段和近红外波段的L1C级数据,以及几何观测条件数据;
S2. 通过ACOLITE大气校正方法,结合几何观测条件数据对上述可见光波段和近红外波段的L1C级数据进行瑞利校正,得出瑞利校正后的可见光波段和近红外波段大气反射率;
S3.将560nm、665nm、865nm三个特征波长对应的瑞利校正后大气反射率值,输入水体浑浊程度识别模型中,得出目标水体属于高浑浊水体还是中低浑浊水体的识别结果;
S4. 选用与识别结果匹配的大气校正方法,对瑞利校正后的可见光波段大气反射率进行气溶胶校正,得到目标水体大气校正后的影像数据。
上述技术方案的有益效果如下:针对已有大气校正算法在高浑浊水体中大范围失效以及低估的问题,使用水体浑浊程度识别模型区分高浑浊水体与低中浑浊水体,并在不同程度的浑浊水体中使用不同算法进行大气校正,提高大气校正的精度。相比背景技术中的现有技术,上述方案对于高浑浊度水体其离水辐射反射率近似为零的暗像元假设仍然成立,可用于更大范围悬浮物浓度的海区。提出的方案可自适应针对不同悬浮物浓度开展大气校正,不需要考虑气溶胶类型是否相同。
基于上述方法的进一步改进,步骤S3进一步包括:
S31.获取560nm、665nm、865nm三个特征波长对应的瑞利校正后大气反射率值;
S32.将上述三个特征波长对应的瑞利校正后大气反射率值分别输入下面公式中的水体浑浊程度识别模型中,得出浑浊指数HI:
,
式中,为560nm特征波长对应的瑞利校正后大气反射率值,/>为665nm特征波长对应的瑞利校正后大气反射率值,/>为865nm特征波长对应的瑞利校正后大气反射率值;
S33.识别是否满足HI<0.2,如果是,识别结果为目标水体属于高浑浊水体,否则,识别结果为目标水体属于中低浑浊水体;
S34.输出目标水体属于高浑浊水体还是中低浑浊水体的识别结果。
进一步,当识别结果为目标水体属于中低浑浊水体,步骤S4进一步包括:
S41.选用C2RCC大气校正方法对可见光波段的L1C级数据进行气溶胶校正,得到目标水体大气校正后的遥感反射率影像数据。
进一步,当识别结果为目标水体属于高浑浊水体,步骤S4进一步包括:
S42.获取两个短波红外特征波长SWIR1、SWIR2各自对应的气溶胶反射率、;
S43.根据上述气溶胶反射率、/>,通过下面公式中的光谱指数外推方法获得可见光波段的气溶胶反射率/>,
,
其中
,
,
,
式中,为可见光波段的任一特征波长,/>为气溶胶散射比,/>为自定义系数,为大气反射率系数。
进一步,步骤S4还包括:
S44.通过下面公式获得可见光波段的水体反射率,
,
式中, 为特征波长/>对应的瑞利校正后大气反射率,/>为太阳天顶角θs、观测天顶角θv处的大气透过率。
进一步,SWIR1=1610nm,SWIR2=2190nm。
进一步,高分辨率卫星为Sentinel-2卫星,步骤S1进一步包括:
S11.建立用于获取近海水体水色遥感数据的海上数据采集点;
S12.通过MSI传感器在晴空时段采集可见光波段和近红外波段的L1C级数据,以及几何观测条件数据。
进一步,步骤S1还包括:
S13.对获得的可见光波段和近红外波段的L1C级数据进行预处理。
进一步,所述预处理包括几何校正、辐射校正以及蝴蝶效应纠正中的至少一种。
进一步,步骤S13进一步包括:
S131.通过多个海上数据采集点,对目标水体的遥感影像进行30m分辨率的重采样,校正均方根误差控制在0.5个像元以内;
S132.根据重采样结果,对目标水体的遥感影像进行几何校正;
S133.在几何校正基础上,对目标水体的遥感影像进行辐射定标,即将传感器的数字化输出值与对应地物的辐射亮度通过定量关系式进行转化;
S134.对辐射定标结果进行蝴蝶效应纠正。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、在中低浑浊水体中,采用了校正效果最好的C2RCC大气校正方法。C2RCC是一种基于机器学习方法的大气校正算法,无需传统方法中的瑞利校正和气溶胶校正的步骤,直接将L1C级的MSI影像输入至SNAP软件的C2RCC大气校正程序中,即可得到校正后的遥感反射率影像结果。
2、在高浑浊水体中,基于ACOLITE算法进行了进一步校正,先根据ACOLITE算法得出瑞利校正后的可见光波段和近红外波段大气反射率,然后再计算浑浊指数HI,在HI<0.2之后采用一种改进的EXP的改进算法即使用两个短波红外波段的EXP算法的结合来进行大气校正,显著提高了校正精度。因为在高浑浊水体中,MSI影像使用865nm来计算气溶胶参数时,往往会导致大气校正失败。
3、可以获得可靠的高浑浊水体的大气校正结果,从而保证更加准确的近海高分辨率水环境参数反演产品。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本发明的重要特征或必要特征,也无意限制本发明的范围。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了实施例1近海浑浊水体的大气校正方法步骤示意图;
图2示出了特征波长440nm对应的实施例2大气校正方法结果、现有ACOLITE-DSF算法结果对比示意图;
图3示出了特征波长490nm对应的实施例2大气校正方法结果、现有ACOLITE-DSF算法结果对比示意图;
图4示出了特征波长560nm对应的实施例2大气校正方法结果、现有ACOLITE-DSF算法结果对比示意图;
图5示出了特征波长665nm对应的实施例2大气校正方法结果、现有ACOLITE-DSF算法结果对比示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的实施例,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
下面首先介绍本发明涉及的缩略语及其定义:
C2RCC大气校正方法:一种常见的C2RCC大气校正方法的大气校正算法,可通过下载直接使用。无需传统方法中的瑞利校正和气溶胶校正的步骤。
ACOLITE大气校正方法:另一种常见的大气校正算法,也可通过下载直接使用。
可见光波段的波长范围:380~780nm。
近红外波段的波长范围:780~2526 nm。
实施例1
本发明的一个实施例,公开了一种近海浑浊水体的大气校正方法,如图1所示,包括如下步骤:
S1.实时采集高空间分辨率卫星(可以是Sentinel-2卫星或Landsat卫星)的可见光波段和近红外波段的L1C级数据,以及几何观测条件数据;
具体地, L1C级数据包括可见光波段和近红外波段内的大气顶表观辐亮度LTOA(λ);几何观测条件数据包括太阳天顶角θs、观测天顶角θv、相对方位角φ,以及各波段的大气顶太阳辐照度 F0(λ)和等效瑞利光学厚度τ;
S2.通过ACOLITE大气校正方法,结合几何观测条件数据对上述可见光波段和近红外波段的L1C级数据进行瑞利校正,得到可见光波段的瑞利散射辐射亮度值和近红外波段的瑞利散射辐射亮度值,进而得出瑞利校正后的可见光波段大气反射率和近红外波段大气反射率;
具体地,ACOLITE大气校正方法可通过网上直接下载并使用;几何观测条件数据为ACOLITE大气校正方法涉及的参数;
S3. 获取可见光波段和近红外波段特征波长对应的瑞利校正后大气反射率值,输入水体浑浊程度识别模型中,得出目标水体属于高浑浊水体(具有高浑浊度的水体)还是中低浑浊水体(具有中低浑浊度的水体)的识别结果;
具体地,水体浑浊程度识别模型并不唯一,除了实施例2所述模型外,还可采用人工神经网络,以及申请号为CN202011216114.1、201410326487.2的中国专利中的识别模型,本领域技术人员能够理解;
S4.选用与识别结果匹配的大气校正方法,对瑞利校正后的可见光波段大气反射率进行气溶胶校正,得到目标水体大气校正后的影像数据。
优选地,对于中低浑浊水体,选用C2RCC大气校正方法对瑞利校正后的可见光波段大气反射率进行气溶胶校正,得到目标水体大气校正后的遥感反射率影像数据;
优选地,对于高浑浊水体,可选用实施例2所述的优选方法,或者申请号为201510382708.2、CN201811257737.6的中国专利中的一般方法,对瑞利校正后的可见光波段大气反射率进行气溶胶校正,得到目标水体大气校正后的影像数据。方法并不唯一,故此处不限制。
实施时,经研究与实践发现,在中低浑浊水体中,C2RCC大气校正方法的校正效果最好,因此优选地,采用C2RCC大气校正方法进行中低浑浊水体的大气校正。直接将L1C级的MSI影像输入至SNAP软件的C2RCC大气校正程序中,设置输出参数Rrs,即可得到目标水体大气校正后的影像数据,即遥感反射率结果。
但在高浑浊水体中,C2RCC大气校正方法无法输出足够的有效数据,而且其他现有方法在高浑浊水体中都表现出低估,为了提高在高浑浊水体中大气校正的有效数据量并减小浑浊水体中大气校正的误差,可采用实施例2所述的优选方法,此外也可采用申请号为201510382708.2、CN201811257737.6的中国专利中的方法。
与现有技术相比,本实施例提供的方法针对已有大气校正算法在高浑浊水体中大范围失效以及低估的问题,使用水体浑浊程度识别模型区分高浑浊水体与低中浑浊水体,并在不同程度的浑浊水体中使用不同算法进行大气校正,提高大气校正的精度。相比背景技术中的现有技术,上述方案对于高浑浊度水体其离水辐射反射率近似为零的暗像元假设仍然成立,可用于更大范围悬浮物浓度的海区。提出的方案可自适应针对不同悬浮物浓度开展大气校正,不需要考虑气溶胶类型是否相同。
实施例2
在实施例1的基础上进行改进,高分辨率卫星可以为Sentinel-2卫星,步骤S1进一步包括:
S11.建立用于获取近海水体水色遥感数据的海上数据采集点;
S12.通过Sentinel-2卫星的MSI传感器在晴空时段采集可见光波段和近红外波段的L1C级数据,以及几何观测条件数据。
具体地,根据所述海上数据采集点的经纬度,从MSI传感器采集各波段内的高空间分辨率连续水体光谱数据中,筛选出可见光近红外9个波段内的高空间分辨率连续水体光谱数据,对筛选出的上述高空间分辨率连续水体光谱数据进行数据分析,得出可见光近红外9个波段内的 L1C 级光谱数据,以及几何观测条件数据。
优选地,步骤S1还可包括:
S13.对获得的可见光波段和近红外波段的L1C级数据进行预处理,所述预处理包括几何校正、辐射校正以及蝴蝶效应纠正,参见申请号为201310528567.1的中国专利。
优选地,步骤S13进一步包括:
S131.通过多个海上数据采集点,对目标水体的遥感影像进行30m分辨率的重采样,校正均方根误差(RMSE)控制在0.5个像元以内;是否重采样都可以,Sentinel-2的空间分辨率是10m;
S132.根据重采样结果,对目标水体的遥感影像进行几何校正;
S133.在几何校正基础上,对目标水体的遥感影像进行辐射定标,即将传感器的数字化输出值(DN值)与对应地物的辐射亮度通过定量关系式进行转化;
S134.对辐射定标结果进行蝴蝶效应纠正。
步骤S2进一步包括:
S21.根据ACOLITE大气校正方法的基于6SV模型构建的各种条件下(主要考虑观测几何和大气模型)的瑞利散射查找表,在计算瑞利散射数值时,通过读取L1C数据中影像几何信息,匹配最接近的查找表参数,获得瑞利散射数值,输出经瑞利散射查找表校正后的可见光波段和近红外波段的大气反射率。
优选地,步骤S3进一步包括:
S31.获取560nm、665nm、865nm三个特征波长对应的瑞利校正后大气反射率值;
S32.将上述三个特征波长对应的瑞利校正后大气反射率值分别输入下面公式中的水体浑浊程度识别模型中,得出浑浊指数HI:
(1)
式中,为560nm特征波长对应的瑞利校正后大气反射率值,/>为665nm特征波长对应的瑞利校正后大气反射率值,/>为865nm特征波长对应的瑞利校正后大气反射率值;
S33.识别是否满足HI<0.2,如果是,识别结果为目标水体属于高浑浊水体,否则(HI≥0.2),识别结果为目标水体属于中低浑浊水体;
S34.输出目标水体属于高浑浊水体还是中低浑浊水体的识别结果。
对于浑浊的沿岸和内陆水体,传统的暗像元假设经常无效。因为在 NIR 波段中气溶胶的贡献被高估,导致大气效应的过度校正,这导致反射率在可见光区域较短的波长上变得非常低,甚至出现负值。因此,一些大气校正算法基于气溶胶类型的空间同质性假设,常常利用清洁水体来校正浑浊水体。由于浑浊水体在近红外波段具有非常强的吸收能力,因此扩展暗像元假设在该波段中仍然成立,即使是在极端浑浊的水体中。
优选地,步骤S4进一步包括:
S41. 当识别结果为目标水体属于中低浑浊水体,选用C2RCC大气校正方法对瑞利校正后的可见光波段大气反射率进行气溶胶校正,得到目标水体大气校正后的遥感反射率影像数据,完成大气校正;
S42. 当识别结果为目标水体属于高浑浊水体,获取两个短波红外特征波长SWIR1、SWIR2各自对应的气溶胶反射率、/>,执行步骤S43;
S43.根据上述气溶胶反射率、/>,通过下面公式中的光谱指数外推方法获得可见光波段的气溶胶反射率/>,
(2)
其中
,
,
式中,为可见光波段的任一特征波长,/>为气溶胶散射比,指两个短波红外波段大气反射率的比值,用来估算大气反射率的光谱依赖性,/>为自定义系数,/>为大气反射率系数;
S44.通过下面公式获得可见光波段的水体反射率,
(3)
式中,为特征波长/>对应的瑞利校正后大气反射率,/>为太阳天顶角θs、观测天顶角θv处的大气透过率,也称双向瑞利透射率,依赖于水像素。
通过步骤S44后得到目标水体大气校正后的遥感反射率影像数据,完成大气校正。
对于高浑浊水体,将用于气溶胶大气校正的两个波段设置为两个短波红外(SWIR)波段;假设SWIR波段的水体反射率为零,通过这两个短波红外波长的光谱指数外推,得到可见光波段的气溶胶反射率。
根据暗像元假设,即= 0 时,多次散射大气反射率/>和/>等同,
,
(4)
优选地,SWIR1=1610nm,SWIR2=2190nm。上述参数是经大量试验总结出的最优参数。
实施时,使用两个短波红外特征波长SWIR1、SWIR2各自对应的大气反射率,再根据暗像元方法进行外推,以计算其他波段的水体反射率。通常情况下,采用红外/近红外波段的组合,但在具有高后向散射的近红外波段中,该组合可能会导致大气校正失败并出现负反射率。在对比了不同的波段组合包括近红外/近红外、近红外/短波红外和短波红外/短波红外后,研究结果表明,当使用865 nm的波段组合时,现有EXP和DSF算法产生的有效结果较少,443 nm、490 nm和560 nm波段的校正结果是负值,甚至665 nm波段也是负值。此外,基于SWIR的扩展暗像元假设是成立的。采用本实施例的上述EXP改进算法使用1610/2190波段组合才能在高度浑浊水体中获取足够多的有效数据。不同波段组合的校正误差总结见表1(S2A表示Sentinel-2卫星的第一颗星,全称为Sentinel-2A,S2B表示Sentinel-2卫星的第二颗星),每行对应不同组合,数据为有效项与匹配样本总数比例。可以看到,基于两个SWIR波段的改进EXP算法的有效数据量更多。
表1 本实施例算法在有效校正数据项(N1)与总匹配数(N2)之比
然后比较了使用ACOLITE的DSF算法和本实施例算法(采用1610/2190波段组合)的性能,如图2~图5和表2,图中ACOLITE-DSF表示ACOLITE-DSF算法结果,ACOLITE-EXP表示本实施例2大气校正方法结果。可看出,在443 nm和490 nm波段中,本实施例与1:1线更接近,并且结果低估的程度减少。R为整体相关系数。其平均绝对百分比误差(MAPE)从62.26%和48.96%分别下降到31.87%和29.98%。其均方根误差(RMSE)也略微减少,从0.0212和0.0215分别降至0.0128和0.0161。
表2本实施例算法与DSF算法在高浑浊站点的评估指标
与现有技术相比,本实施例提供的近海浑浊水体的大气校正方法具有如下有益效果:
1、在中低浑浊水体中,采用了校正效果最好的C2RCC大气校正方法。C2RCC是一种基于机器学习方法的大气校正算法,无需传统方法中的瑞利校正和气溶胶校正的步骤,直接将L1C级的MSI影像输入至SNAP软件的C2RCC大气校正程序中,即可得到校正后的遥感反射率影像结果。
2、在高浑浊水体中,基于ACOLITE算法进行了进一步校正,先根据ACOLITE算法得出瑞利校正后的可见光波段和近红外波段大气反射率,然后再计算浑浊指数HI,在HI<0.2之后采用一种改进的EXP的改进算法即使用两个短波红外波段的EXP算法的结合来进行大气校正,显著提高了校正精度。因为在高浑浊水体中,MSI影像使用865nm来计算气溶胶参数时,往往会导致大气校正失败。
3、可以获得可靠的高浑浊水体的大气校正结果,从而保证更加准确的近海高分辨率水环境参数反演产品。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对现有技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种近海浑浊水体的大气校正方法,其特征在于,包括如下步骤:
S1.实时采集高空间分辨率卫星的可见光波段和近红外波段的L1C级数据,以及几何观测条件数据;
S2.通过ACOLITE大气校正方法,结合几何观测条件数据对上述可见光波段和近红外波段的L1C级数据进行瑞利校正,得出瑞利校正后的可见光波段和近红外波段大气反射率;
S3.获取可见光波段和近红外波段特征波长对应的校正后大气反射率值,输入水体浑浊程度识别模型中,得出目标水体属于高浑浊水体还是中低浑浊水体的识别结果;
S4.选用与识别结果匹配的大气校正方法,对瑞利校正后的可见光波段大气反射率进行气溶胶校正,得到目标水体大气校正后的影像数据。
2.根据权利要求1所述的近海浑浊水体的大气校正方法,其特征在于,步骤S3进一步包括:
S31.获取560nm、665nm、865nm三个特征波长对应的瑞利校正后大气反射率值;
S32.将上述三个特征波长对应的瑞利校正后大气反射率值分别输入下面公式中的水体浑浊程度识别模型中,得出浑浊指数HI:
,
式中,为560nm特征波长对应的瑞利校正后大气反射率值,/>为665nm特征波长对应的瑞利校正后大气反射率值,/>为865nm特征波长对应的瑞利校正后大气反射率值;
S33.识别是否满足HI<0.2,如果是,识别结果为目标水体属于高浑浊水体,否则,识别结果为目标水体属于中低浑浊水体;
S34.输出目标水体属于高浑浊水体还是中低浑浊水体的识别结果。
3.根据权利要求2所述的近海浑浊水体的大气校正方法,其特征在于,当识别结果为目标水体属于中低浑浊水体,步骤S4进一步包括:
S41.选用C2RCC大气校正方法对可见光波段的L1C级数据进行气溶胶校正,得到目标水体大气校正后的遥感反射率影像数据。
4.根据权利要求1-3任一项所述的近海浑浊水体的大气校正方法,其特征在于,当识别结果为目标水体属于高浑浊水体,步骤S4进一步包括:
S42.获取两个短波红外特征波长SWIR1、SWIR2各自对应的气溶胶反射率、;
S43.根据上述气溶胶反射率、/>,通过下面公式中的光谱指数外推方法获得可见光波段的气溶胶反射率/>,
,
其中
,
,
,
式中,为可见光波段的任一特征波长,/>为气溶胶散射比,/>为自定义系数,/>为大气反射率系数。
5.根据权利要求4所述的近海浑浊水体的大气校正方法,其特征在于,步骤S4还包括:
S44.通过下面公式获得可见光波段的水体反射率,
,
式中,为特征波长/>对应的瑞利校正后大气反射率,/>为太阳天顶角θs、观测天顶角θv处的大气透过率。
6.根据权利要求4或5所述的近海浑浊水体的大气校正方法,其特征在于,SWIR1=1610nm,SWIR2=2190nm。
7.根据权利要求6所述的近海浑浊水体的大气校正方法,其特征在于,步骤S1进一步包括:
S11.建立用于获取近海水体水色遥感数据的海上数据采集点;
S12.通过MSI传感器在晴空时段采集可见光波段和近红外波段的L1C级数据,以及几何观测条件数据。
8.根据权利要求7所述的近海浑浊水体的大气校正方法,其特征在于,步骤S1还包括:
S13.对获得的可见光波段和近红外波段的L1C级数据进行预处理。
9.根据权利要求8所述的近海浑浊水体的大气校正方法,其特征在于,所述预处理包括几何校正、辐射校正以及蝴蝶效应纠正中的至少一种。
10.根据权利要求9所述的近海浑浊水体的大气校正方法,其特征在于,步骤S13进一步包括:
S131.通过多个海上数据采集点,对目标水体的遥感影像进行30m分辨率的重采样,校正均方根误差控制在0.5个像元以内;
S132.根据重采样结果,对目标水体的遥感影像进行几何校正;
S133.在几何校正基础上,对目标水体的遥感影像进行辐射定标,即将传感器的数字化输出值与对应地物的辐射亮度通过定量关系式进行转化;
S134.对辐射定标结果进行蝴蝶效应纠正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127577.4A CN116879237B (zh) | 2023-09-04 | 2023-09-04 | 一种近海浑浊水体的大气校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127577.4A CN116879237B (zh) | 2023-09-04 | 2023-09-04 | 一种近海浑浊水体的大气校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116879237A true CN116879237A (zh) | 2023-10-13 |
CN116879237B CN116879237B (zh) | 2023-12-12 |
Family
ID=88271822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311127577.4A Active CN116879237B (zh) | 2023-09-04 | 2023-09-04 | 一种近海浑浊水体的大气校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879237B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10115585A (ja) * | 1996-10-14 | 1998-05-06 | Fuji Electric Co Ltd | 液体の色・濁り計測装置の自己診断方法 |
EP1091188A1 (de) * | 1999-07-16 | 2001-04-11 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Korrektur atmosphärischer Einflüsse in multispektralen optischen Fernerkundungsdaten |
US20050114026A1 (en) * | 2003-11-24 | 2005-05-26 | Boright Arthur L. | Sub-visible cloud cover assessment: VNIR-SWIR |
CN103389494A (zh) * | 2013-07-24 | 2013-11-13 | 中国科学院南海海洋研究所 | 一种ii类水体水色遥感数据大气校正新方法 |
CN103499815A (zh) * | 2013-09-10 | 2014-01-08 | 李云梅 | 一种基于氧气和水汽吸收波段的内陆水体大气校正方法 |
CN103558190A (zh) * | 2013-10-22 | 2014-02-05 | 李云梅 | 基于绿光波段的内陆浑浊水体多光谱数据大气校正方法 |
CN104075997A (zh) * | 2014-07-10 | 2014-10-01 | 北京林业大学 | 一种水体浑浊度连续监测方法及监测装置 |
CN105004846A (zh) * | 2015-07-02 | 2015-10-28 | 南京信息工程大学 | 一种监测高浑浊海水浊度的卫星遥感方法 |
KR101621354B1 (ko) * | 2016-03-31 | 2016-05-20 | 주식회사 지오스토리 | 항공 초분광영상을 활용한 수심 보정 방법 |
CN106126826A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院南京地理与湖泊研究所 | 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法 |
CN109283144A (zh) * | 2018-10-26 | 2019-01-29 | 浙江省水利河口研究院 | 强潮高浑浊河口悬浮泥沙长历时变化的遥感计算方法 |
CN109325973A (zh) * | 2018-11-19 | 2019-02-12 | 珠江水利委员会珠江水利科学研究院 | 一种城市河网区水体大气校正方法 |
CN109635249A (zh) * | 2019-01-09 | 2019-04-16 | 中国科学院遥感与数字地球研究所 | 水体浊度反演模型建立方法、水体浊度检测方法及装置 |
KR20190076523A (ko) * | 2017-12-22 | 2019-07-02 | 한국해양과학기술원 | 대기 에어로졸입자에 의한 광 산란 반사도 보정 장치 및 방법 |
CN112184709A (zh) * | 2020-11-04 | 2021-01-05 | 黄振海 | 一种基于人工智能的水体浑浊度预测方法及系统 |
CN112818749A (zh) * | 2020-12-31 | 2021-05-18 | 中国电子科技集团公司第二十七研究所 | 一年两熟地区大宗粮油作物复种模式遥感监测方法 |
RU2750853C1 (ru) * | 2020-08-28 | 2021-07-05 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тверской государственный университет" | Способ выделения границ водных объектов и ареалов распространения воздушно-водной растительности по многоспектральным данным дистанционного зондирования Земли |
CN113326827A (zh) * | 2021-08-03 | 2021-08-31 | 南京信大环境科技有限公司 | 一种监测入海排污口水体的卫星遥感方法及系统 |
CN114297938A (zh) * | 2021-12-31 | 2022-04-08 | 厦门大学 | 一种基于神经网络的光学浅水水底深度的反演方法 |
CN114781537A (zh) * | 2022-05-07 | 2022-07-22 | 自然资源部第二海洋研究所 | 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 |
KR102446218B1 (ko) * | 2022-07-07 | 2022-09-23 | 대한민국 | 재난안전 다종 위성정보의 수신 및 처리장치 |
KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
CN116380846A (zh) * | 2023-04-19 | 2023-07-04 | 自然资源部第二海洋研究所 | 用于强吸收性气溶胶情况下的大气校正方法 |
-
2023
- 2023-09-04 CN CN202311127577.4A patent/CN116879237B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10115585A (ja) * | 1996-10-14 | 1998-05-06 | Fuji Electric Co Ltd | 液体の色・濁り計測装置の自己診断方法 |
EP1091188A1 (de) * | 1999-07-16 | 2001-04-11 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Korrektur atmosphärischer Einflüsse in multispektralen optischen Fernerkundungsdaten |
US6484099B1 (en) * | 1999-07-16 | 2002-11-19 | Deutsches Zentrum Fur Luft -Und Raumfahrt E.V. | Process for correcting atmospheric influences in multispectral optical remote sensing data |
US20050114026A1 (en) * | 2003-11-24 | 2005-05-26 | Boright Arthur L. | Sub-visible cloud cover assessment: VNIR-SWIR |
CN103389494A (zh) * | 2013-07-24 | 2013-11-13 | 中国科学院南海海洋研究所 | 一种ii类水体水色遥感数据大气校正新方法 |
CN103499815A (zh) * | 2013-09-10 | 2014-01-08 | 李云梅 | 一种基于氧气和水汽吸收波段的内陆水体大气校正方法 |
CN103558190A (zh) * | 2013-10-22 | 2014-02-05 | 李云梅 | 基于绿光波段的内陆浑浊水体多光谱数据大气校正方法 |
CN104075997A (zh) * | 2014-07-10 | 2014-10-01 | 北京林业大学 | 一种水体浑浊度连续监测方法及监测装置 |
CN105004846A (zh) * | 2015-07-02 | 2015-10-28 | 南京信息工程大学 | 一种监测高浑浊海水浊度的卫星遥感方法 |
KR101621354B1 (ko) * | 2016-03-31 | 2016-05-20 | 주식회사 지오스토리 | 항공 초분광영상을 활용한 수심 보정 방법 |
CN106126826A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院南京地理与湖泊研究所 | 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法 |
KR20190076523A (ko) * | 2017-12-22 | 2019-07-02 | 한국해양과학기술원 | 대기 에어로졸입자에 의한 광 산란 반사도 보정 장치 및 방법 |
CN109283144A (zh) * | 2018-10-26 | 2019-01-29 | 浙江省水利河口研究院 | 强潮高浑浊河口悬浮泥沙长历时变化的遥感计算方法 |
CN109325973A (zh) * | 2018-11-19 | 2019-02-12 | 珠江水利委员会珠江水利科学研究院 | 一种城市河网区水体大气校正方法 |
CN109635249A (zh) * | 2019-01-09 | 2019-04-16 | 中国科学院遥感与数字地球研究所 | 水体浊度反演模型建立方法、水体浊度检测方法及装置 |
RU2750853C1 (ru) * | 2020-08-28 | 2021-07-05 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тверской государственный университет" | Способ выделения границ водных объектов и ареалов распространения воздушно-водной растительности по многоспектральным данным дистанционного зондирования Земли |
CN112184709A (zh) * | 2020-11-04 | 2021-01-05 | 黄振海 | 一种基于人工智能的水体浑浊度预测方法及系统 |
CN112818749A (zh) * | 2020-12-31 | 2021-05-18 | 中国电子科技集团公司第二十七研究所 | 一年两熟地区大宗粮油作物复种模式遥感监测方法 |
CN113326827A (zh) * | 2021-08-03 | 2021-08-31 | 南京信大环境科技有限公司 | 一种监测入海排污口水体的卫星遥感方法及系统 |
CN114297938A (zh) * | 2021-12-31 | 2022-04-08 | 厦门大学 | 一种基于神经网络的光学浅水水底深度的反演方法 |
CN114781537A (zh) * | 2022-05-07 | 2022-07-22 | 自然资源部第二海洋研究所 | 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 |
KR102446218B1 (ko) * | 2022-07-07 | 2022-09-23 | 대한민국 | 재난안전 다종 위성정보의 수신 및 처리장치 |
KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
CN116380846A (zh) * | 2023-04-19 | 2023-07-04 | 自然资源部第二海洋研究所 | 用于强吸收性气溶胶情况下的大气校正方法 |
Non-Patent Citations (8)
Title |
---|
PANNIMPULLATH REMANAN RENOSH 等: "Evaluation of Atmospheric Correction Algorithms for Sentinel-2-MSI and Sentinel-3-OLCI in Highly Turbid Estuarine Waters", 《REMOTE SENSING》, no. 12, pages 1285 - 1 * |
SHUYI ZHANG 等: "Evaluating Atmospheric Correction Methods for Sentinel 2 in Low-to-High-Turbidity Chinese Coastal Waters", 《REMOTE SENSING》, no. 15, pages 3 - 15 * |
丁静;唐军武;宋庆君;王晓梅;: "中国近岸浑浊水体大气修正的迭代与优化算法", 遥感学报, no. 05, pages 733 - 739 * |
李海翠 等: "基于Sentinel-2 影像的鄱阳湖大气校正方法适用性评价", 《航天返回与遥感》, vol. 2, no. 4, pages 108 - 119 * |
李爽兆;袁德奎;王雪;: "二类水体短波红外波段大气校正方法的改进", 环境科学学报, no. 01, pages 104 - 111 * |
王峰;周艺;阎福礼;杨硕;杜聪;: "基于短波红外波段的Ⅱ类水体MODIS影像大气校正算法", 红外与毫米波学报, no. 05, pages 346 - 349 * |
田礼乔;陈晓玲;邱凤;张伟;: "星载激光雷达气溶胶数据辅助的近岸浑浊水体大气校正研究", 武汉大学学报(信息科学版), no. 08, pages 960 - 963 * |
陈芸芝;汪小钦;高中灵;: "台湾海峡MERIS数据大气校正研究", 海洋科学, no. 03, pages 62 - 67 * |
Also Published As
Publication number | Publication date |
---|---|
CN116879237B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112504979B (zh) | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 | |
CN114819150B (zh) | 一种极地海洋冬季初级生产力遥感反演方法 | |
CN110728642A (zh) | 一种针对goci卫星晨昏观测的神经网络大气校正方法 | |
Pan et al. | An improved spectral optimization algorithm for atmospheric correction over turbid coastal waters: A case study from the Changjiang (Yangtze) estuary and the adjacent coast | |
CN103712955B (zh) | 一种基于神经网络二次优化的二类水体大气校正方法 | |
Xia et al. | A bathymetry mapping approach combining log-ratio and semianalytical models using four-band multispectral imagery without ground data | |
CN114544452B (zh) | 一种多角度偏振水色遥感器卫星大气校正方法 | |
CN114297938B (zh) | 一种基于神经网络的光学浅水水底深度的反演方法 | |
CN101308215B (zh) | 一种ⅱ类水体离水辐亮度反演方法 | |
CN110909491A (zh) | 一种基于风云气象卫星的海面盐度反演算法 | |
CN111415309A (zh) | 一种基于最小反射率法的高分辨率遥感影像大气校正方法 | |
CN116482317B (zh) | 湖泊水体营养状态实时监测方法、系统、设备及介质 | |
CN114646616B (zh) | 一种用于二类水体的大气校正方法 | |
CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及系统 | |
CN116664947A (zh) | 一种基于卫星观测数据的蓝藻水华监测方法及系统 | |
CN117789056B (zh) | 一种带太阳耀斑的遥感数据处理方法、装置及存储介质 | |
Bongiorno et al. | Dynamic spectral-based underwater colour correction | |
CN111241991A (zh) | 一种基于遥感影像的水质分类方法 | |
CN116879237B (zh) | 一种近海浑浊水体的大气校正方法 | |
Lavigne et al. | Inter-band calibration for hyperspectral water remote sensing: demonstration for CHRIS-PROBA | |
CN116465803A (zh) | 一种构建悬浮物浓度反演模型的方法及装置 | |
CN114494501B (zh) | 一种水体叶绿素a的重构方法及装置 | |
Schroeder et al. | Remote sensing of apparent and inherent optical properties of Tasmanian coastal waters: application to MODIS data | |
Aitken et al. | Prelude to CZMIL: seafloor imaging and classification results achieved with CHARTS and the Rapid Environmental Assessment (REA) Processor | |
Martinez-Vicente et al. | Above-water reflectance for the evaluation of adjacency effects in Earth observation data: initial results and methods comparison for near-coastal waters in the Western Channel, UK |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |