CN118211427A - 一种针对强太阳耀斑下卫星遥感数据的大气校正方法 - Google Patents
一种针对强太阳耀斑下卫星遥感数据的大气校正方法 Download PDFInfo
- Publication number
- CN118211427A CN118211427A CN202410619818.5A CN202410619818A CN118211427A CN 118211427 A CN118211427 A CN 118211427A CN 202410619818 A CN202410619818 A CN 202410619818A CN 118211427 A CN118211427 A CN 118211427A
- Authority
- CN
- China
- Prior art keywords
- atmosphere
- reflectivity
- model
- correction
- atmospheric
- 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 86
- 238000000034 method Methods 0.000 title claims abstract description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 98
- 238000002310 reflectometry Methods 0.000 claims abstract description 72
- 230000003287 optical effect Effects 0.000 claims abstract description 23
- 238000010521 absorption reaction Methods 0.000 claims description 34
- 239000000443 aerosol Substances 0.000 claims description 25
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 14
- 238000002834 transmittance Methods 0.000 claims description 13
- 230000035699 permeability Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 239000000049 pigment Substances 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 239000003570 air Substances 0.000 description 14
- 239000007789 gas Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241001420622 Meris Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010432 diamond Substances 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
- 230000008092 positive effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了一种针对强太阳耀斑下卫星遥感数据的大气校正方法，属于图像数据处理技术领域，包括：（1）、计算大气层顶反射率；（2）、大气层顶反射率初始校正步骤，包括分别对所述大气层顶反射率进行气体校正、瑞利散射校正和弱太阳耀斑校正，得到校正后的大气层顶反射率；（3）、构建大气模型和生物光学水体模型；（4）、对大气模型和生物光学水体模型通过非线性拟合的方式求得模型中未知参数的最优解，未知参数的最优解满足使得损失函数的值最小。本发明的大气校正方法，尤其针对现有一些水色卫星由于自身设计原因，导致遥感数据受强太阳耀斑影响较大的技术问题。
Description
技术领域
本发明涉及一种图像数据处理技术领域，具体地说，是涉及一种针对强太阳耀斑下卫星遥感数据的大气校正方法。
背景技术
太阳耀斑是太阳光通过海洋表面反射后，由传感器直接接收到的信息，通常会显示出大而明亮的图像。在标准大气校正算法过程中，通过归一化太阳耀斑辐亮度（LGN）进行耀斑强度的判断，将LGN≤0.0001的像素点判断为弱耀斑或无耀斑，将0.0001<LGN≤0.005的像素点判断为中等强度耀斑，将LGN>0.005的像素点判断为强耀斑。
水色卫星遥感具有能够大范围获取水色信息的能力，科研人员需要使用大气校正算法获得遥感反射率（Rrs）的数据。在此过程中，云和耀斑的存在是影响数据质量和有效覆盖范围的重要因素。然而，对于大多数传感器而言，包括我国所发射的海洋1号（HY1）C/D两颗业务化卫星，由于其硬件设计不具有倾斜能力，而无法有效的避免太阳耀斑的存在。在耀斑存在的水色卫星遥感影像中，耀斑区域会造成一个较大的辐亮度信息，甚至会达到传感器饱和的效果。通常传统算法中可以通过风速来进行简单的弱耀斑数据的校正处理，而对中强耀斑数据会进行掩膜。
海洋水色信息在大气层顶卫星传感器所接收到所有信号中只占一小部分（约10%），而通过大气层顶的所有信息中获取有效的水体信息，最关键的步骤是大气校正过程。
传统大气校正算法使用近红外数据来确立气溶胶贡献，当强太阳耀斑存在的时候，海面镜面反射的太阳光进入到卫星传感器中会引起可见光波段的反射率升高，无法使用近红外数据，从而导致大气校正的失败。通过对2020年整年的云像素（CLOUD）、高太阳耀斑像素（HIGLINT），中等太阳耀斑像素（MODGLINT）的VIIRS-SNPP和MODIS-Auqa数据统计得到，中强耀斑的像素点占比约为30%左右。因此能够有效的获取该区域的数据，对有效数据的覆盖范围具有一定的影响。
目前针对于耀斑区域像素点的校正很多人提出了不同的算法，其中针对弱耀斑区
域（），通常使用Cox和Munk模型进行耀斑剔除，此外还有一些基于神经网络的方
法可以对其进行处理。针对中强耀斑区域，2011年，Steinmetz等人的文章“Atmospheric
correction in presence of sun glint: application to MERIS”（Opt. Express,
2011. 19, 9783-9800），提出基于多项式拟合的大气校正算法（POLYMER），该算法基于光谱
优化算法，利用了从蓝色到近红外波段的光谱范围，并且适用于整个耀斑区域。基于神经网
络的方法适用性差，在不同传感器之间的可移植性不高。
发明内容
本发明为了解决现有一些水色卫星由于自身设计原因，导致遥感数据受强太阳耀斑影响较大的技术问题，提出了一种针对强太阳耀斑下卫星遥感数据的大气校正方法，可以解决上述问题。
为了解决上述技术问题，本发明采用以下技术方案予以实现：
一种针对强太阳耀斑下卫星遥感数据的大气校正方法，包括：
（1）、计算大气层顶反射率；
（2）、大气层顶反射率初始校正步骤，包括分别对所述大气层顶反射率进行气体校正、瑞利散射校正和弱太阳耀斑校正，得到校正后的大气层顶反射率；
（3）、对校正后的大气层顶反射率中的当空气分子不存在时气溶胶散射反射率、空气分子与气溶胶耦合时产生的反射率和残留太阳耀斑反射率之和构建大气模型；
根据各波段的水体吸收系数和各波段的水体后向散射系数构建生物光学水体模型，各波段的水体吸收系数通过波长为443nm的水体吸收系数进行表示，各波段的水体后向散射系数通过波长为555nm的水体后向散射系数进行表示；
（4）、对所述大气模型和生物光学水体模型通过非线性拟合的方式求得模型中未知参数的最优解，所述未知参数的最优解满足使得损失函数的值最小；
将LGN≤0.0001的像素点判断为弱耀斑，否则为强耀斑；
LGN为归一化太阳耀斑辐亮度。
在有的实施例中，步骤（1）中大气层顶反射率为：
；
其中，是波长，为大气层顶太阳辐照度，为太阳天顶角，为卫星传感器在
大气层顶观测到的辐亮度。
在有的实施例中，校正后的大气层顶反射率为：
；
；
其中，为当空气分子不存在时气溶胶散射反射率，为空气分子与气溶胶耦合
时产生的反射率，为残留太阳耀斑反射率，表示经过弱太阳耀斑校正后，仍残留的太阳
耀斑的贡献，为太阳到海面的大气漫射透过率，为海面到传感器的大气漫射透过率，为水体反射率。
在有的实施例中，步骤（3）中所构建的大气模型为：
；
其中，、、、分别是大气模型中待求解的未知参数。
在有的实施例中，步骤（3）中所构建的生物光学水体模型为：
；
其中，
；
；
；
；
；
；
；
为水体反射率，、分别为中间函数变量，为水体吸收系数，为水体后向
散射系数，为纯水吸收系数，为浮游植物色素吸收系数，为碎屑吸收系数；
、、分别是生物光学水体模型中待求解的未知参数。
在有的实施例中，所述损失函数为：
；
其中，为传感器波段个数,表示传感器波段的编号，为自然数编号，最大取值
为，表示大气模型在第个波段计算得到的模型参数值，表示大气模型在第个
波段计算得到的大气层顶反射率，表示大气模型在第个波段计算得到的水体反射
率。
在有的实施例中，步骤（2）中对所述大气层顶反射率进行气体校正的方法为：
；
其中，为气体透过率， 为太阳耀斑反射率，为当气溶胶不存在时的瑞利散
射反射率，T为太阳直射透过率；
；
其中，为通过臭氧浓度获取得到的臭氧光学厚度信息，为卫星天顶角。
在有的实施例中，对所述大气层顶反射率进行弱太阳耀斑校正的方法为：
根据风速计算得到归一化的太阳耀斑辐亮度，并根据归一化的太阳耀斑辐亮
度计算得到太阳耀斑辐亮度：
；
；
其中，是菲涅尔反射系数，是倾斜面的天顶角，为海面坡度的概率分布函
数，T为太阳直射透过率。
在有的实施例中，步骤（4）中非线性拟合时，使用全球前八天的水体平均数据作为初始值的输入至所述生物光学水体模型。
与现有技术相比，本发明的优点和积极效果是：本发明的大气校正方法，尤其针对现有一些水色卫星由于自身设计原因，导致遥感数据受强太阳耀斑影响较大的技术问题，1、首先通过大气层顶反射率初始校正步骤，能够对遥感数据因受气溶胶、空气和气溶胶耦合反射以及弱太阳耀斑影响进行校正，消除此类因素造成的影响。
2、对于强太阳耀斑的影响，本方法通过根据各波段的水体吸收系数和各波段的水体后向散射系数构建生物光学水体模型，基于水体固有光学性质建立的遥感反射率模型，能够适用于更多的水体类型，能够更好的表达强烈太阳耀斑存在的情况，对于强太阳耀斑的影响校正效果明显。
结合附图阅读本发明实施方式的详细描述后，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或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明所提出的大气校正方法的一种实施例的流程图；
图2是本发明所提出的大气校正方法和传统大气校正算法在412nm波段处对比散点图；
图3是本发明所提出的大气校正方法和传统大气校正算法在443nm波段处对比散点图；
图4是本发明所提出的大气校正方法和传统大气校正算法在490nm波段处对比散点图；
图5是本发明所提出的大气校正方法和传统大气校正算法在520nm波段处对比散点图；
图6是本发明所提出的大气校正方法和传统大气校正算法在565nm波段处对比散点图；
图7是本发明所提出的大气校正方法和传统大气校正算法在670nm波段处对比散点图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一，参见图1所示，本实施例提出了一种针对强太阳耀斑下卫星遥感数据的大气校正方法，包括：
步骤1、计算大气层顶反射率。也即，对卫星传感器在大气层顶观测到的辐亮度
转换为反射率信息。
步骤2、大气层顶反射率初始校正步骤，包括分别对所述大气层顶反射率进行气体校正、瑞利散射校正和弱太阳耀斑校正，得到校正后的大气层顶反射率。通过大气层顶反射率初始校正步骤，能够对遥感数据因受气溶胶、空气和气溶胶耦合反射以及弱太阳耀斑影响进行校正，消除此类因素造成的影响。
步骤3、对校正后的大气层顶反射率中的当空气分子不存在时气溶胶散射反射率、空气分子与气溶胶耦合时产生的反射率和残留太阳耀斑反射率之和构建大气模型。
步骤3还包括根据各波段的水体吸收系数和各波段的水体后向散射系数构建生物光学水体模型，各波段的水体吸收系数通过波长为443nm的水体吸收系数进行表示，各波段的水体后向散射系数通过波长为555nm的水体后向散射系数进行表示。本步骤通过根据各波段的水体吸收系数和各波段的水体后向散射系数构建生物光学水体模型，基于水体固有光学性质建立的遥感反射率模型，能够适用于更多的水体类型，能够更好的表达强烈太阳耀斑存在的情况，对于强太阳耀斑的影响校正效果明显。
步骤4、对大气模型和生物光学水体模型通过非线性拟合的方式求得模型中未知参数的最优解，未知参数的最优解满足使得损失函数的值最小。
损失函数反映了大气信息和水体信息加起来与初始化的数据光谱差异，通过不断的迭代这模型中的未知参数，每次迭代中通过这多个参数都会生成对应的大气信息和水体信息，直到使得损失函数的值最小，也即得到未知参数的最优解，此时，最优解获得的水体信息和大气信息可以认为是最终的大气校正结果。
本发明的大气校正方法，尤其针对现有一些水色卫星由于自身设计原因，导致遥感数据受强太阳耀斑影响较大的技术问题，首先通过大气层顶反射率初始校正步骤，能够对遥感数据因受气溶胶、空气和气溶胶耦合反射以及弱太阳耀斑影响进行校正，消除此类因素造成的影响。
对于强太阳耀斑的影响，本方法通过根据各波段的水体吸收系数和各波段的水体后向散射系数构建生物光学水体模型，基于水体固有光学性质建立的遥感反射率模型，能够适用于更多的水体类型，能够更好的表达强烈太阳耀斑存在的情况，对于强太阳耀斑的影响校正效果明显。
将LGN≤0.0001的像素点判断为弱耀斑，否则为强耀斑，LGN为归一化太阳耀斑辐亮度。本实施例中将0.0001<LGN≤0.005的像素点判断为中等强度耀斑按照强耀斑进行处理。
此外，本方案不再依赖于物理过程，可以对不同传感器获得的数据进行处理，适用范围更广泛。
在有的实施例中，步骤1中卫星传感器在大气层顶观测到的辐亮度可以通过以
下公式转换为反射率信息，也即，大气层顶反射率为：
。
其中，是波长，为大气层顶太阳辐照度，为太阳天顶角，为卫星传感器在
大气层顶观测到的辐亮度。
大气层顶辐亮度可以通过下式表达：
。
表示当气溶胶不存在时的瑞利散射辐亮度，表示为当空气分子不存在时气
溶胶散射辐亮度，表示为空气分子与气溶胶耦合时产生的辐亮度，表示太阳耀斑辐亮
度，表示水体反射率。
将大气层顶辐亮度的表达式代入到大气层顶反射率转换公式，可得到步骤2中对所述大气层顶反射率进行气体校正的公式：
。
其中，为气体透过率（臭氧、氧气、水汽等）， 为太阳耀斑反射率，为当气溶
胶不存在时的瑞利散射反射率，T为太阳直射透过率。
上述公式中，的获取通常主要考虑臭氧的影响，因为在大多数传感器光谱响应
函数的设计中会避免与氧气吸收带和水汽吸收带的重合，进而避免其对数据的影响，因此
这主要考虑臭氧气体透过率计算。
采用臭氧气体透过率进行表示：
；
其中，表示为通过臭氧浓度获取得到的臭氧光学厚度信息，为卫星天顶角，为太阳天顶角，为臭氧气体透过率。
、和均是已知量，并且可以通过查找表的方式精准的获得，因此通过上述
计算，可以准确地获取。
具体而言，通过气体校正、瑞利散射校正和弱太阳耀斑校正后的反射率信息简
单的表示为：
；
；
其中，为当空气分子不存在时气溶胶散射反射率，为空气分子与气溶胶耦合
时产生的反射率，为残留太阳耀斑反射率，表示经过弱太阳耀斑校正后，仍残留的太阳
耀斑的贡献，为太阳到海面的大气漫射透过率，为海面到传感器的大气漫射透过率，
为水体反射率。
在有的实施例中，步骤3中所构建的大气模型为：
；
其中，、、、分别是大气模型中待求解的未知参数。
本实施例所构建的大气模型中通过设置λ的m阶函数，这个可变参量m能够更好的表达强烈太阳耀斑存在的情况。
在有的实施例中，步骤3中所构建的生物光学水体模型为：
；
其中，
。
使用上述算法得到各波段的吸收系数和后向散射系数，进一步得到水体反射率数据。
；
；
；
；
；
。
为水体反射率，、分别为中间函数变量，为水体吸收系数，为水体后向
散射系数，为纯水吸收系数，为浮游植物色素吸收系数，为碎屑吸收系数，和分别为经验系数，为的光谱斜率。水体吸收系数可通过纯水吸收系数、浮游植
物色素吸收系数和碎屑吸收系数的总和进行计算得到。和可以通过443nm参
考波段的数据进行表示。
、、分别是生物光学水体模型中待求解的未知参数。
其中，和分别是经验系数，S为的光谱斜率，使用具有代表性的平均值
0.016 nm-1，即。
在有的实施例中，损失函数为：
；
其中，为传感器波段个数,表示传感器波段的编号，最大取值为，表示
大气模型在第个波段计算得到的模型参数值，表示大气模型在第个波段计算得到的
大气层顶反射率，表示大气模型在第个波段计算得到的水体反射率。
通过Cox和Munk模型进行弱太阳耀斑的校正，通过风速计算得到归一化太阳耀斑
辐亮度，并通过计算得到太阳耀斑辐亮度，此处辐亮度可进一步通过反射率转
换公式转换为反射率。
在有的实施例中，对大气层顶反射率进行弱太阳耀斑校正的方法为：
；
；
其中，是菲涅尔反射系数，是倾斜面的天顶角，为海面坡度的概率分布函
数，T为太阳直射透过率。
在有的实施例中，步骤4中非线性拟合时，使用全球前八天的水体平均数据作为初始值的输入至生物光学水体模型。
本方法使用了前八天水体的平均数据作为最优化初始值，相较于现有一些算法使用固定初始值的做法，较好地解决了最优化过程对初始值非常的敏感影响，能够更好的找到全局最优解，而固定初始值会存在找到局部最优解的情况。
实施例二，本实施例使用多光谱卫星的数据，通过构建大气模型和生物光学水
体模型，从而实现大气校正过程，得到具体水体信息。为了对算法进行进一步说明，本算法
使用了AERONET-oc现场实测站点与HY1C/D-COCTS卫星数据进行匹配并进行了算法精度比
较。
将匹配到的卫星数据通过日期时间信息进行NCEP大气再分析数据下载，该数据分辨率为1°，每6小时的全球大气数据，包括风速、臭氧浓度、大气压强和水汽含量等信息。通过臭氧浓度信息计算得到大气气体透过率。使用风速数据通过Cox和Munk模型进行弱耀斑反射率的计算。瑞利散射反射率通过查找表进行计算得到。
通过步骤1进行初始校正后，对剩余的分量分别构建大气模型和生物光学水体模型。
使用步骤3中所构建的大气模型和水体模型进行非线性最优化拟合的计算，其中设置非线性最优化拟合的初始值为全球前8天水体平均数据。
通过步骤4后获得各卫星影像的水体遥感反射率数据。通过AERONET-oc现场实测站对算法精度进行精度验证，绘制了反演得到的水体数据和现场实测数据之间的散点图，如图2所示，计算了相关系数（R）、均方根误差（RMSE）和相对百分比误差（MAPE）。可以看出，本发明提出的大气校正方法（Nonlinear Optimization Algorithm, NOA）相较于传统大气校正算法（Standard Atmospheric Correction, SAC）得到的有效点数更多，并且在精度方面两者相当。
如表1所示，是本实施例所提出的大气校正方法和传统大气校正算法反演的卫星数据分别与现场实测数据之间的统计参数对比，分别统计了像素点数（N）、相关系数（R）、均方根误差（RMSE）和相对百分比误差（MAPE）。可以看出对于HY1C/D传感器数据，传统大气校正算法所反演得到的像素点数分别是29和10，而本发明所提出的大气校正方法可处理得到64和22个像素点数，因此相较而言，本方法能够获得更多的有效数据。此外，NOA通过对比MAPE，可以看出与SAC拥有较为一致的精度，在绿光波段MAPE均小于30%。
表1 SAC和NOA的统计参数对比表
如图2-图7所示，分别是本发明所提出的大气校正方法和传统大气校正算法在不同波段（412nm、443nm、490nm、520nm、565nm、670nm） 处所反演得到的HY1C/D-COCTS卫星遥感反射率（Satellite-derived）与现场实测数据（In Situ）的散点对比。其中圆圈和五角星分别表示了HY1C数据使用NOA和SAC算法计算得到的散点对比结果，菱形和三角星分别表示了HY1D数据使用NOA和SAC算法计算得到的散点对比结果。可以看出在各波段结果中，NOA结果与现场实测数据均具有较好的一致性。当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (9)
1.一种针对强太阳耀斑下卫星遥感数据的大气校正方法，其特征在于，包括：
（1）计算大气层顶反射率；
（2）大气层顶反射率初始校正步骤，包括分别对所述大气层顶反射率进行气体校正、瑞利散射校正和弱太阳耀斑校正，得到校正后的大气层顶反射率；
（3）对校正后的大气层顶反射率中的当空气分子不存在时气溶胶散射反射率、空气分子与气溶胶耦合时产生的反射率和残留太阳耀斑反射率之和构建大气模型；
根据各波段的水体吸收系数和各波段的水体后向散射系数构建生物光学水体模型，各波段的水体吸收系数通过波长为443nm的水体吸收系数进行表示，各波段的水体后向散射系数通过波长为555nm的水体后向散射系数进行表示；
（4）对所述大气模型和生物光学水体模型通过非线性拟合的方式求得模型中未知参数的最优解，所述未知参数的最优解满足使得损失函数的值最小；
将LGN≤0.0001的像素点判断为弱耀斑，否则为强耀斑；
LGN为归一化太阳耀斑辐亮度。
2.根据权利要求1所述的大气校正方法，其特征在于，步骤（1）中大气层顶反射率为：
；
其中，是波长，/>为大气层顶太阳辐照度，/>为太阳天顶角，/>为卫星传感器在大气层顶观测到的辐亮度。
3.根据权利要求2所述的大气校正方法，其特征在于，校正后的大气层顶反射率为：
；
；
其中，为当空气分子不存在时气溶胶散射反射率，/>为空气分子与气溶胶耦合时产生的反射率，/>为残留太阳耀斑反射率，表示经过弱太阳耀斑校正后，仍残留的太阳耀斑的贡献，/>为太阳到海面的大气漫射透过率，/>为海面到传感器的大气漫射透过率，/>为水体反射率，/>为步骤（3）中所构建的大气模型。
4.根据权利要求3所述的大气校正方法，其特征在于，步骤（3）中所构建的大气模型为：
；
其中，、/>、/>、/>分别是大气模型中待求解的未知参数。
5.根据权利要求3所述的大气校正方法，其特征在于，步骤（3）中所构建的生物光学水体模型为：
；
其中，
；
；
；
；
；
；
；
、/>分别为中间函数变量，/>为水体吸收系数，/>为水体后向散射系数，/>为纯水吸收系数，/>为浮游植物色素吸收系数，/>为碎屑吸收系数，/>和/>分别为经验系数，/>为的光谱斜率；
、/>、/>分别是生物光学水体模型中待求解的未知参数。
6.根据权利要求5所述的大气校正方法，其特征在于，所述损失函数为：
；
其中，为传感器波段个数,/>表示传感器波段的编号，最大取值为/>，/>表示大气模型在第/>个波段计算得到的模型参数值，/>表示大气模型在第/>个波段计算得到的大气层顶反射率，/>表示大气模型在第/>个波段计算得到的水体反射率。
7.根据权利要求3所述的大气校正方法，其特征在于，
步骤（2）中对所述大气层顶反射率进行气体校正的方法为：
；
其中，为气体透过率，/> 为太阳耀斑反射率，/>为当气溶胶不存在时的瑞利散射反射率，T为太阳直射透过率；
；
其中，为通过臭氧浓度获取得到的臭氧光学厚度信息，/>为卫星天顶角，/>为臭氧气体透过率。
8.根据权利要求3所述的大气校正方法，其特征在于，对所述大气层顶反射率进行弱太阳耀斑校正的方法为：
根据风速计算得到归一化的太阳耀斑辐亮度，并根据归一化的太阳耀斑辐亮度/>计算得到太阳耀斑辐亮度/>：
；
；
其中，是菲涅尔反射系数，/>是倾斜面的天顶角，/>为海面坡度的概率分布函数，T为太阳直射透过率。
9.根据权利要求1-8任一项所述的大气校正方法，其特征在于，步骤（4）中非线性拟合时，使用全球前八天的水体平均数据作为初始值的输入至所述生物光学水体模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410619818.5A CN118211427B (zh) | 2024-05-20 | 2024-05-20 | 一种针对强太阳耀斑下卫星遥感数据的大气校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410619818.5A CN118211427B (zh) | 2024-05-20 | 2024-05-20 | 一种针对强太阳耀斑下卫星遥感数据的大气校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118211427A true CN118211427A (zh) | 2024-06-18 |
| CN118211427B CN118211427B (zh) | 2024-08-02 |
Family
ID=91450769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410619818.5A Active CN118211427B (zh) | 2024-05-20 | 2024-05-20 | 一种针对强太阳耀斑下卫星遥感数据的大气校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118211427B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101329173A (zh) * | 2008-07-07 | 2008-12-24 | 武汉大学 | 一种浑浊水体大气校正方法 |
| CN104156567A (zh) * | 2014-07-23 | 2014-11-19 | 中国科学院遥感与数字地球研究所 | 一种耦合卫星遥感影像大气校正和地形校正过程的地表反射率获取技术 |
| US20190300208A1 (en) * | 2018-03-27 | 2019-10-03 | Massachusetts Institute Of Technology | Methods and apparatus for in-situ measurements of atmospheric density |
| CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
| CN114646616A (zh) * | 2022-05-23 | 2022-06-21 | 自然资源部第二海洋研究所 | 一种用于二类水体的大气校正方法 |
| CN115630256A (zh) * | 2022-12-07 | 2023-01-20 | 自然资源部第二海洋研究所 | 基于暗像元假定的多角度偏振水色卫星大气校正方法 |
| 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 |
| CN117789056A (zh) * | 2024-02-27 | 2024-03-29 | 杭州蚁联传感科技有限公司 | 一种带太阳耀斑的遥感数据处理方法、装置及存储介质 |
-
2024
- 2024-05-20 CN CN202410619818.5A patent/CN118211427B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101329173A (zh) * | 2008-07-07 | 2008-12-24 | 武汉大学 | 一种浑浊水体大气校正方法 |
| CN104156567A (zh) * | 2014-07-23 | 2014-11-19 | 中国科学院遥感与数字地球研究所 | 一种耦合卫星遥感影像大气校正和地形校正过程的地表反射率获取技术 |
| US20190300208A1 (en) * | 2018-03-27 | 2019-10-03 | Massachusetts Institute Of Technology | Methods and apparatus for in-situ measurements of atmospheric density |
| CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
| CN114646616A (zh) * | 2022-05-23 | 2022-06-21 | 自然资源部第二海洋研究所 | 一种用于二类水体的大气校正方法 |
| CN115630256A (zh) * | 2022-12-07 | 2023-01-20 | 自然资源部第二海洋研究所 | 基于暗像元假定的多角度偏振水色卫星大气校正方法 |
| 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 |
| CN117789056A (zh) * | 2024-02-27 | 2024-03-29 | 杭州蚁联传感科技有限公司 | 一种带太阳耀斑的遥感数据处理方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 宋挺 等: "浑浊二类水体的高分四号卫星大气校正效果分析", 光谱学与光谱分析, 15 April 2018 (2018-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118211427B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111795936B (zh) | 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质 | |
| 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 | |
| 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 | |
| CN111368817B (zh) | 一种基于地表类型进行热效应定量评价方法及系统 | |
| CN114544452B (zh) | 一种多角度偏振水色遥感器卫星大气校正方法 | |
| CN109325973B (zh) | 一种城市河网区水体大气校正方法 | |
| CN107219497A (zh) | 用于大观测角传感器的交叉辐射定标方法及系统 | |
| CN108731817B (zh) | 应用于林火热点判别的不同传感器红外辐射归一建模方法 | |
| CN103712955A (zh) | 一种基于神经网络二次优化的二类水体大气校正方法 | |
| CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
| De Graaf et al. | Comparison of south-east Atlantic aerosol direct radiative effect over clouds from SCIAMACHY, POLDER and OMI–MODIS | |
| CN109300133B (zh) | 一种城市河网区水体提取方法 | |
| CN102901563B (zh) | 一种同时确定地表窄波段和宽波段比辐射率的方法及装置 | |
| CN111241991B (zh) | 一种基于遥感影像的水质分类方法 | |
| CN114646616B (zh) | 一种用于二类水体的大气校正方法 | |
| CN116642666A (zh) | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 | |
| CN115984715A (zh) | 基于先验地物光谱匹配的高光谱卫星自适应大气校正方法 | |
| Li et al. | Restoration of wintertime ocean color remote sensing products for the high-latitude oceans of the Southern Hemisphere | |
| CN116879237B (zh) | 一种近海浑浊水体的大气校正方法 | |
| CN118211427B (zh) | 一种针对强太阳耀斑下卫星遥感数据的大气校正方法 | |
| CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
| CN113218874A (zh) | 一种基于遥感影像获取地表目标物反射率方法及系统 | |
| CN110702228B (zh) | 一种航空高光谱影像的边缘辐射校正方法 | |
| CN116148189A (zh) | 一种基于被动偏振卫星数据的气溶胶层高获取方法 |
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 |