大氣校正

有時候可以完全忽略遙感數據的大氣影響(Cracknell和Hayes，1993；Song等，2001）例如，對某些分類和變化檢測而言，大氣校正並不是必需的。理論分析和經驗結果都只有取自某個時間或空間的訓練數據需要進行時空拓展時，影像分類和各種變化檢測才需進行大氣校正(song等，2001)。例如，用最大似然法對單時相遙感數據進行分類，通常就不需要大氣校正。只要影像中用於分類的訓練數據具有相對一致的尺度(1過的或未經校正的)，大氣校正與否就對分類精度幾乎沒有影響(Kawata等，1990；Sc)ng2001)。

例如，用單時相Landsat TM數據進行地面覆蓋分類。瑞利散射和其他散射常使可見光波段(400—700nm)的亮度增加，大氣吸收是降低近紅外和中紅外波段(700—2400nrn)像元亮度值的主要影響因素。幸運的是，Landsat TM近紅外和中紅外的波段設置已經使大氣吸收的影響最小化。因此，對單時相Landsat TM數據進行大氣校正，其效果僅是對每個波段分別簡單地調整偏差，使每個波段的最小值和最大值減小。由單時相影像提取的各個訓練類型的均值會變化，但訓練類的方差—協方差矩陣保持不變。因此，採用最大似然法對數據集分類得到的結果也不變。

這種推理方式也可以用於其他類型的變化檢測。例如，如果分別對兩個時相的影像進行變化檢測，若都採用最大似然法進行分類，然後用分類后的比較法進行變化檢測(第11章討論)，對單時相遙感數據進行大氣校正就是沒有必要的(S1ngh，1989；Foodv等，1996)。類似地，進行多時相合成影像變化檢測(Jensen等，1993)時，從放在一個數據集的兩個時相所有波段的數據中(例如，時相1的4個TM波段和時相2的4個TM波段放置在一個8波段數據集中)，採用變化檢測演演算法確定變化類別，也沒有必要進行大氣校正。

不需要進行大氣校正的基本原則就是：訓練數據來自所研究的影像(或合成影像)，而不是來自從其他時間或地點獲取的影像。

有時必須對遙感數據進行大氣校正。例如，從水體或植被中提取生物物理變數(如：水體中的葉綠素a、懸浮泥沙、溫度；植被中的生物量、葉面積指數、葉綠素、樹冠鬱閉百分比)時，就必須對遙感數據進行大氣校正(Haboudane等，2002；Thiemann和Hemann，2002)。如果數據未經校正，就可能會丟失這些重要成分的反射率(或出射率)的微小差別信息。此外，如果需要將某景影像中提取的生物物理量(如：生物量)與另一景不同時相影像中提取的同一生物物理量相比較，就必須對遙感數據進行大氣校正。

例如，由Landsat TM數據推導的歸一化植被指數(Nomalied Difference VeRetation lndex，NDVl)

NDVI=（ρ-ρ)/(ρ+ρ)

在許多決策支持系統如非洲飢荒預警系統和家畜預警系統中，經常採用它(NdvI)測度植物的生物量和功能健康(Jen刪等，2002)。錯誤估計NdvI會導致生命和財產損失。大氣對NDVI的影響很大，在植被稀少或已被破壞的地區能引起50%的誤差甚至更多。因此，如何去除用於計算NDVI估計的遙感數據中大氣的不利影響具有重要意義。簡單比值(Simpl‘Ratio，雙)植被指數(TM4/rM3，Landsat TM)同樣受大氣影響(Song等，2001)。

備受重視的是，發展遙感信息提取演演算法來提取遙感數據中的生物物理信息，為地區、區域和全球應用提供服務。這些數據也用於各種確定性和隨機模型以及決策支持系統，以監測全球過程，並希望提高人們的生活質量。因此，受到極大關注的是，從大量的具有精確空間位置的時間序列遙感數據中提取各種測度值的能力。在時空域上對光譜特徵的拓展變得越來越重要，而這種拓展的惟一方式是對每個單時相遙感數據進行大氣校正。

遺憾的是，將這些大氣校正模型應用於具體某景和某時相的影像時，同樣需要同步的感測器光譜剖面信息和大氣狀況特徵值。即使是經過計劃，大氣狀況特徵值也是很難獲取的。因為對大多數的歷史衛星數據而言，已無法獲知當時的大氣信息。即使，對於大多數用於地面覆蓋變化檢測的衛星影像，精確提取摺合表面反射率也難以實現(Du等，2002)。NA5從的中解析度成像光譜儀(MODIS)是個例外，它的表面反射率產品是可以獲取的(Jus—比e等，1998)。我們將繼續討論有關絕對大氣校正的問題，並給出輻射校正的實例。

主要分為兩種類型：統計型和物理型。統計型是基於陸地表面變數和遙感數據的相關關係，優點在於容易建立並且可以有效地概括從局部區域獲取的數據，例如經驗線性定標法，內部平場域法等，另一方面，物理模型遵循遙感系統的物理規律，它們也可以建立因果關係。如果初始的模型不好，通過加入新的知識和信息就可以知道應該在哪部分改進模型。但是建立和學習這些物理模型的過程漫長而曲折。模型是對現實的抽象；所以一個逼真的模型可能非常複雜，包含大量的變數。例如6s模型，Mortran等。而輻射校正指在光學遙感數據獲取過程中，產生的一切與輻射有關的誤差的校正（包括輻射定標和大氣校正）。三者關係如圖：