基于深度学习的在轨辐射定标方法研究

刘李 高海亮 潘志强 傅俏燕 顾行发



基于深度学习的在轨辐射定标方法研究

刘李1高海亮2潘志强1傅俏燕1顾行发2

（1 中国资源卫星应用中心，北京 100094）（2 中国科学院遥感与数字地球研究所，北京100101）

辐射定标是将卫星传感器的计数值转化为具有物理意义的数值的关键环节。传统的在轨定标方法都是基于一天的数据，定标精度受限于当天的地面测量数据和天气情况。文章提出了一种基于深度学习的在轨定标新方法，其思想是利用定标场地的大量历史卫星影像、历史大气数据和历史光谱数据，通过对这些数据的学习和筛选，构建和真实场景最接近的定标场地模型。利用这一定标场地模型，模拟出待定标卫星成像时刻对应观测几何下的表观反射率，实现传感器的绝对辐射定标。为验证新方法的有效性，分别利用场地定标法、交叉定标法和深度学习定标法对“高分一号”卫星PMS2相机进行在轨辐射定标。结果表明，深度学习定标法的定标精度和场地定标法接近，优于交叉定标方法，且具备交叉定标方法的成本低、频率高、可实现历史数据再定标等优点，是一种比较理想的在轨定标新方法。

深度学习 辐射定标 “高分一号”卫星 空间相机

0 引言

辐射定标是实现遥感定量化的前提和基础，任何定量化产品都需要首先将图像灰度值转换成具有物理意义的表观辐亮度，这一过程即辐射定标。随着遥感卫星数量的增多和定量遥感应用的深入，辐射定标越来越受到国内外的高度重视，提出了多种在轨辐射定标方法。

在轨辐射定标方法可分为四类：在轨星上定标、在轨场地定标、在轨交叉定标和在轨场景定标[1-2]。1）在轨星上定标是利用星上定标设备，通过内置的定标灯光源或引入太阳/月亮等外部光源，实现在轨定标。星上定标具有定标精度高，不受地表和大气影响等优点，但该方法需要搭载星上定标设备，技术实现难度大，卫星研制成本高，而且随着星上定标设备自身的衰减也会降低星上定标的精度。2）在轨场地定标是在卫星过境时刻，在地面辐射定标场开展星地同步试验，利用实验场地的地表和大气参数，实现传感器的在轨辐射定标。场地定标法又分为反射率基法、辐照度基法和辐亮度基法三种。场地定标具有较高的定标精度和可信度，但定标时需要开展星地同步试验，定标频率低，成本高，且无法实现历史数据的在轨定标。3）在轨交叉定标利用定标设备完善的传感器作为参考，获取参考传感器和待定标传感器在同一时间同一区域成像的影像对，进行光谱匹配等处理，得到待定标传感器的辐射定标系数。交叉定标方法具有定标成本低，频率高，可实现历史数据定标等优点。但交叉定标的难点在于影像对的获取：若选择宽幅宽相机作为参考传感器，获取的参考影像往往有大的观测角度，地表方向反射率的变化会显著影响定标精度；若选择窄幅宽相机作为参考传感器，每年可获取的有效影像对数量非常少，难以实现高频次定标。4）在轨场景定标利用地球表面的某一类场景作为研究对象，构建相应的场景模型，根据卫星的观测几何等参数，得到传感器的绝对辐射定标系数。场景定标法根据场景的不同，又分为沙漠场景法、云场景法、海洋场景法、极地场景法等[3]。场景定标法的优点是不需要地面同步实测数据，定标频率高，不足之处在于其构建的模型主要依赖理论假设，其定标精度较低。

本文在现有方法的基础上，提出了一种基于深度学习的在轨定标新方法，充分利用敦煌辐射定标场地多年的历史地面测量数据和卫星影像数据，构建定标场地表观反射率定标场地模型，实现传感器历史数据的高频次高精度定标。以“高分一号”卫星为例，分别采用场地定标法、交叉定标法和新提出的深度学习定标方法，实现传感器的在轨定标。结果表明，基于深度学习的定标结果具有高的定标精度和定标频率，为今后卫星的在轨辐射定标提供了新的思路和方法。

1 基于深度学习的定标方法

深度学习是近年来在大数据环境下兴起的一门机器学习技术，其实质是基于海量的训练数据，构建相应的机器学习模型，用于之后的分析、预测等应用。由于其具备海量数据的学习能力和高度的特征抽象能力，在诸多图像应用领域取得了显著的应用效果。在遥感领域，基于深度学习的思想，成功用于遥感图像的目标识别、分类和图像融合，取得了较好的应用效果[4-6]。

基于深度学习的在轨定标，其思想利用辐射定标场地多年的地面测量数据和卫星影像数据，通过对各类数据的筛选和学习，构建场地方向表观反射率模型，模拟出待定标传感器过境时刻的表观反射率，实现传感器的绝对辐射定标。和传统定标方法相比，基于深度学习的在轨定标方法有以下特点：

1）传统定标方法都是基于一天的数据，其数据本身包含的信息有限，精度难以提高。而基于深度学习的在轨定标基于辐射定标场地多年的地面和卫星影像数据，自身包含了大量的信息，使得定标精度的进一步提高成为可能。

2）传统定标方法难以对输入数据自身精度进行评价。以场地定标为例，假如输入的地表反射率由于测量的失误，其输入的反射率和真实反射率有较大的差异，由此产生的误差将会全部传递给最终的定标结果。而基于深度学习的定标方法，通过利用大量的地面和卫星数据作为参考，可以对输入的各类数据进行筛选和分析，滤除明显错误的数据，以提高定标的精度。

基于深度学习的定标方法关键在于定标场地模型的构建，其基本流程如图1所示。

图1 基于深度学习的辐射定标方法技术流程

第一步，根据定标场地的历史卫星影像、历史光谱数据和历史大气数据，构建定标场地方向表观反射率模型。第二步，根据参考传感器的表观反射率和待定标卫星的观测几何，模拟出待定标卫星观测几何下的表观反射率。第三步，根据参考传感器和待定标卫星的光谱响应函数，利用辐射传输模型进行光谱匹配[7-8]，模拟出待定标卫星光谱响应函数对应的表观反射率。最后，根据辐亮度和反射率的转换关系，以及定标场地的图像灰度值，得到待定标卫星的定标系数。

理论上，深度学习方法具有比传统方法更高的定标频率和定标精度。这是因为，传统的场地定标依赖场地测量试验，而交叉定标需要获取同一角度下的参考影像对，使得传统定标次数有限。而深度学习法只要是经过定标场地晴朗天气下的影像，都可以用于在轨定标，定标频率远高于传统方法。此外，深度学习法以定标场地大量历史数据作为参考，而传统定标只依赖一天的数据，因此，定标精度要高于传统方法。

2 基于深度学习的定标场地模型

敦煌辐射校正场是我国第一个国家级的在轨辐射定标场，也是国际对地观测委员会推荐的国际上八个有仪器测量的标准定标场之一[9]。自1999年以来，已经在敦煌场地开展了多次在轨定标试验，获得了实验场地大量的卫星影像数据和地面测量数据。这些地面测量数据和在轨定标结果表明，敦煌辐射校正场具有稳定的地表辐射特征和大气特征[10]。本文利用2015年敦煌场地所有的MODIS影像数据，结合地面实测数据，对各种数据进行学习和筛选，构建敦煌场地方向表观反射率模型。

根据统计分析，2015年敦煌场地所有图像第1波段对应的表观反射率，由于天气的变化和地表的影响，不同日期的场地表观反射率有很大差异，最小值约为0.2，最大值超过0.8。根据敦煌场地历史光谱测量数据表明，敦煌场地的地表反射率在0.2~0.3之间，当反射率远超这一值时主要是由于云的影响。为去除历史图像中的异常数据，需做出以下几个假设：

1）敦煌场地相邻日期的表观反射率变化小于阈值1；

2）敦煌场地表观反射率的变异系数小于阈值2；

3）敦煌场地的亮温大于阈值3。

其中，阈值1，2，3根据场地多年测量数据和影像数据确定。基于上述三个假设，结合敦煌场地2015年所有地面测量数据和影像产品，剔除被云污染的图像，获取有效图像数据。图2给出了2015年敦煌场地所有图像以及经过云污染图像剔除后的MODIS第一波段表观反射率，可以看出，经过云污染图像剔除后，敦煌场地的表观反射率接近一致。

（a）所有图像

（a）All images

（b）有效图像

根据2015年全年有效数据，结合卫星过境时刻的观测几何，利用核驱动模型构建敦煌场地方向表观反射率模型，具体公式为[11]

(s，v，)=iso+geogeo(s，v，)+volvol(s，v，) （1）

式中为二向表观反射率；geo为几何光学核，vol为体散射核，都是光线入射角和观测角的函数；s为太阳光入射天顶角；v为观测天顶角；为相对方位角；iso，geo，vol是校正常数，分别表示各向均匀散射、几何光学散射、体散射这三部分所占比例。

几何光学核采用LiSparse核心，描述稀疏分布不均匀树冠和其它不透明体；体散射核采用RossThick核，适于描述稠密均匀植被、叶倾角球型分布的情形。本文利用该模型实现场地表观反射率的模拟，通过线性回归，反演出拟合观测数据最优的iso，geo，vol，然后通过核的外推，根据卫星过境时刻的观测几何，得到对应观测角度下的表观反射率。其中，敦煌场地表观反射率拟合系数如表1所示。

表1 敦煌场地方向表观反射率拟合系数

Tab.1 The fitting coefficients of apparent reflectance of Dunhuang site

3 基于深度学习的“高分一号”卫星在轨定标

“高分一号”卫星是我国高分辨率对地观测系列卫星的第一颗星，于2013年4月26日在酒泉卫星发射中心成功发射。卫星发射以来，主要依赖在轨场地定标，通过在敦煌辐射校正场开展地面同步测量试验，实现“高分一号”卫星的在轨绝对辐射定标[12]。也可利用敦煌场地的历史光谱数据和实时气象观测数据[13]，得到“高分一号”卫星多个载荷的辐射定标系数。此外，文献[14]和文献[15]还分别利用“实践九号”（SJ-9A）卫星的PMS相机和Landsat-8卫星的OLI相机作为参考传感器，对“高分一号”卫星进行交叉定标。

本文选择“高分一号”卫星PMS2相机的两幅敦煌场地遥感影像为例，分别采用场地定标法、交叉定标法和新提出的深度学习定标方法，实现“高分一号”卫星的在轨辐射定标，并对各种方法的定标结果进行验证和评价。

3.1 试验数据

选择2015年8月3日和8月11日的两幅“高分一号”卫星PMS2相机遥感影像作为研究区，进行传感器的在轨辐射定标。两幅影像的基本参数如表2所示。

表2 敦煌场地图像基本信息

Tab.2 Basic information of Dunhuang site images

3.2 定标结果

分别采用场地定标法、交叉定标法和深度学习法三种定标方法，对这两幅卫星影像进行在轨定标。

场地定标法采用反射率基法[16-17]，两幅影像分别以地面同步实测数据和历史光谱作为输入，通过辐射传输模型模拟出卫星过境时刻的表观辐亮度，实现“高分一号”卫星的绝对辐射定标。

交叉定标法以Terra卫星的MODIS作为参考传感器，分别获取2015年8月3日和8月11日这两天的MODIS影像，采用传统的交叉定标方法[18-19]，得到“高分一号”卫星PMS2相机的辐射定标系数。

深度学习法根据2015年8月3日和8月11日这两天PMS2图像的观测几何、成像当天的MODIS表观反射率以及表1给出的场地方向表观反射率拟合系数，模拟得到敦煌场地两幅图像对应的方向表观反射率。在此基础上，利用辐射传输模型模拟出敦煌场地表观反射率光谱曲线，并根据MODIS和PMS2的光谱响应函数，计算出MODIS和PMS2的光谱匹配校正因子，得到“高分一号”卫星PMS2相机两幅图像成像时刻对应的方向表观反射率。最后，利用方向表观反射率和场地图像灰度值，得到“高分一号”卫星的定标系数。表3给出了8月3日和8月11日两幅影像基于深度学习方法的定标结果。

表4给出了8月3日和8月11日两幅影像三种方法的定标系数和资源卫星中心公布的定标系数。表5为三种方法与资源卫星中心公布的定标系数的相对差异。表6为这三种方法对应两个日期图像的相对差异。

表3 “高分一号”卫星PMS2相机深度学习法定标结果

Tab.3 The calibration results with deep learning of GF-1 PMS2

表注：波段1,2,3和4分别为蓝、绿、红和近红外波段。

表4 “高分一号”卫星PMS2相机不同方法定标结果

Tab.4 The calibration results with various methods of GF-1 PMS2

表5 “高分一号”卫星PMS2相机定标结果相对差异

Tab.5 The relative differences of various calibration methods of GF-1 PMS2

表6 “高分一号”卫星PMS2相机两个日期图像定标结果相对差异

Tab.6 The relative differences between two days of various calibration methods of GF–1 PMS2

可以看出，场地定标法前两个波段定标结果和资源卫星中心公布的定标系数的相对差异小于4%，后两个波段的相对差异为5%~7%之间。交叉定标法8月3日定标结果和官方定标结果相对差异小于4%，但8月11日定标结果相对差异大于50%。深度学习法在第1波段和第3波段定标结果和资源卫星中心定标结果的相对差异小于4%，第2波段和第4波段的相对差异为5%~7.5%之间。结果表明，深度学习法具有和场地定标相似的定标精度；交叉定标法的定标精度受参考传感器影响大，定标结果不稳定。

对两个不同日期相同定标方法得到的定标结果分析表明，场地定标法和深度学习法的相对变化小于2%，而交叉定标法的相对变化高达30%以上，表明场地定标法和深度学习法具有更高的可信度和算法稳定性。

3.3 定标误差分析

基于深度学习的定标方法利用构建的定标场地模型，模拟出卫星过境时刻对应观测角度下的表观反射率，实现在轨定标。影响辐射定标精度的主要误差源有：1）场地二向表观反射率模型的反演误差为2.6%，由模型模拟的表观反射率和MODIS图像测量反射率的相对差异计算得到；2）卫星过境时刻大气引起的误差为1.6%，通过计算光谱匹配因子时，输入不同大气参数导致的光谱匹配因子的相对变化计算得到；3）卫星过境时刻地表光谱引起的定标误差为1%，通过输入不同的地表光谱，计算其相对应光谱匹配因子的相对差异得到；4）邻近效应影响的误差为1%，根据场地图像的变异系数计算得到；5）辐射传输模型引起的定标误差为0.5%；6）MODIS参考传感器自身定标误差为2%[20]。总的定标误差为3.95%，优于传统交叉定标方法8%~9%的定标精度[21]。

4 结束语

本文提出了一种基于深度学习的在轨辐射定标新方法，其思想是利用定标场地大量历史数据，构建并优化定标场地方向表观反射率模型。然后，根据待定标卫星的光谱响应函数、观测几何等信息，模拟出待定标卫星成像时刻的方向表观反射率，在此基础上实现待定标卫星的绝对辐射定标。深度学习方法是一种不断优化和完善的方法，其表观反射率模型会随着定标场地的历史数据的更新而不断优化。本文只是采用了2015年全年的MODIS影像数据，少量场地测量光谱和大气参数。今后随着定标场地各类数据的增多和深度学习定标方法的优化，将会更加精确地模拟出敦煌场地的方向表观反射率，实现传感器的高精度在轨辐射定标。深度学习法具有定标精度高、频率高、可实现历史数据再定标等优点，是未来重要的定标方法。今后将进一步优化完善深度学习的定标理论和方法，为多个国产卫星历史数据的高精度高频次定标奠定技术基础。此外，基于深度学习的方法和思想，还可进行全球定标场地的选择和模型构建，推进全球数字化定标场网的建设，将全球陆地、海洋和极地作为定标和真实性检验场，以提高对地观测的应用水平。

(References)

[1] 高海亮, 顾行发, 余涛, 等. 星载光学遥感器可见光近红外通道辐射定标研究进展[J]. 遥感信息, 2010, 25(4): 117-128.GAO Hailiang, GU Xingfa, YU Tao, et al. Space-borne Optical Remote Sensors Visible and Near-Infrared Channels Radiance Calibration Research Overview[J]. Remote Sensing Information, 2010, 25(4): 117-128. (in Chinese)

[2] DINGUIRARD M, SLATER P N. Calibration of Space-multispectral Imaging Sensors: A Review[J].Remote Sensing of Environment, 1999, 68(3): 194-205.

[3] 顾行发, 田国良, 余涛, 等. 航天光学遥感器辐射定标原理与方法[M]. 北京: 科学出版社, 2013. GU Xingfa, TIAN Guoliang, YU Tao, et al. Radiometric Calibration Principle and Method of Aerospace Optical Remote Sensor[M]. Beijing: China Science Publishing, 2013. (in Chinese)

[4] 阚希, 张永宏, 曹庭, 等. 利用多光谱遥感和深度学习方法进行青藏高原积雪判识[J]. 测绘学报, 2016, 45(10): 1210-1221. KAN Xi, ZHANG Yonghong, CAO Ting, et al. Snow Cover Recognition for Qinghai-tibetan Plateau Using Deep Learning and Multispectral Remote Sensing[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(10): 1210-1221. (in Chinese)

[5] 刘大伟, 韩玲, 韩晓勇. 基于深度学习的高分辨率遥感影像分类研究[J]. 光学学报, 2016, 36(4): 298-306.LIU Dawei, HAN Ling, HAN Xiaoyong. High Spatial Resolution Remote Sensing Image Classification Based on Deep Learning[J]. Acta Optica Sinica, 2016, 36(4): 298-306. (in Chinese)

[6] 李红, 刘芳, 杨淑媛, 等. 基于深度支撑值学习网络的遥感图像融合[J]. 计算机学报, 2016, 39(8): 1583-1596. LI Hong, LIU Fang, YANG Shuyuan, et al. Remote Sensing Image Fusion Based on Deep Support Value Learning Networks[J]. Chinese Journal of Computers, 2016, 39(8): 1583-1596. (in Chinese)

[7] CHANDER G, MISHA N, HELDER D L, et al. Applications of Spectral Band Adjustment Factors (SBAF) for Cross-calibration[J]. IEEE Trans. Geosci. Remote Sens., 2013, 51(3): 1267-1281.

[8] TEILLET P M, FEDOSEJEVES G, THOME KJ, et al. Impacts of Spectral Band Difference Effects on Radiometric Cross-calibration Between Satellite Sensors in the Solar-reflective Spectral Domain[J]. Remote Sensing of Environment, 2007, 110(3): 393-409.

[9] CHANDER G, HEWISON TJ, FOX N, et al.Overview of Intercalibration of Satellite Instruments[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(3): 1056-1081.

[10] 傅俏燕, 闵祥军, 李杏朝, 等. 敦煌场地CBERS-02 CCD传感器在轨绝对辐射定标研究[J]. 遥感学报, 2006, 10(4): 433-439.FU Qiaoyan, MIN Xiangjun, LI Xingchao, et al. In-flight Absolute Calibration of the CBERS-02 CCD Sensor at the Dunhuang Test Site[J]. Journal of Remote Sensing, 2006, 10(4): 433-439. (in Chinese)

[11] 李小文, 高峰, 刘强, 等. 新几何光学核的验证以及用核驱动模型反演地表反照率(之一)[J]. 遥感学报, 2000, 4(增刊): 1-7.LI Xiaowen, GAO Feng, LIU Qiang, et al. Validation of a New GO Kernel and Inversion of Land Surface Albedo by Kernel-Driven Model(1)[J]. Journal of Remote Sensing, 2000, 4(Suppl.): 1-7. (in Chinese)

[12] 韩启金, 张学文, 乔志远, 等. 高分一号卫星PMS相机多场地宽动态辐射定标[J]. 红外与激光工程, 2014, 44(1): 127-133. HAN Qijin, ZHANG Xuewen, QIAO Zhiyuan, et al. Wide Dynamic Radiometric Calibration of GF-1 PMS Sensors Using Multi-test Sites[J]. Infrared and Laser Engineering, 2014, 44(1): 127-133. (in Chinese)

[13] 韩启金, 傅俏燕, 张学文, 等. 高分一号卫星宽视场成像仪的高频次辐射定标[J]. 光学精密工程, 2014, 22(7): 1707-1714. HAN Qijin, FU Qiaoyan, ZHANG Xuewen, et al. High-frequency Radiometric Calibration for Wide Field-of-view Sensor of GF-1 Satellite[J]. Optics and Precision Engineering, 2014, 22(7): 1707-1714. (in Chinese)

[14] 韩启金, 潘志强, 张学文, 等, 基于均匀目标的GF-1 WFV与SJ-9A PMS相机交叉定标[J]. 光学学报, 2014, 34(6): 284-291. HAN Qijin, PAN Zhiqiang, ZHANG Xuewen, et al. Cross-calibration of GF-1 WFV and SJ-9A PMS Sensors Based on Homogeneous Land Surface Targets[J]. Acta Optica Sinica, 2014, 34(6): 284-291. (in Chinese)

[15] 杨磊, 傅俏燕, 潘志强, 等. 高分一号卫星相机的辐射交叉定标研究[J]. 红外与激光工程, 2015, 44(8): 2456-2460. YANG Lei, FU Qiaoyan, PAN Zhiqiang, et al. Research of Radiometric Cross-calibration About GF-1 Satellite Sensors[J]. Infrared and Laser Engineering, 2015, 44(8): 2456-2460. (in Chinese)

[16] SLATER P N, BIGGAR SF, HOLM R G, et a1. Reflectance-and Radiance-based Methods for the In-flight Absolute Calibration of Multispectral Sensors[J]. Remote Sensing of Environment, 1987, 22(1): 11-37.

[17] THOME K J, HELDER D L, AARON D, et al. Landsat- 5 TM and Landsat-7 ETM+ Absolute Radiometric Calibration Using the Reflectance-based Method[J]. IEEE Trans. Geosci. Remote Sens., 2004, 42(12): 2777-2785.

[18] TEILLETPM, BARKERB J L, MARKHAMB B L, et al. Radiometric Cross Calibration of the Landsat 7 ETM + and Landsat 5 TM Sensors Based on Tandem Data Sets[J]. Remote Sensing of Environment, 2001, 78(1): 39-54.

[19] LI Xiaoying, GU Xingfa, MIN Xiangjun, et al.Radiometric Cross-calibration of the CBERS-02 CCD Camera with the TERRA MODIS[J]. Science in China Series E-Engineering & Materials Science, 2005, 48(Suppl 2): 44-60.

[20] XIONG X, SUN J, BARNES W, et al. Multi-year On-orbit Calibration and Performance of Terra MODIS Reflective Solar Bands[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(4): 879-889.

[21] 陈正超, 刘翔, 李俊生, 等. 北京一号小卫星多光谱遥感器交叉定标[J]. 宇航学报, 2008, 29(2): 637-643.CHEN Zhengchao, LIU Xiang, LI Junsheng, et al. The Cross Calibration of Beijing-1 Microsatellite Multispectral Sensors[J]. Journal of Astronautics,2008, 29(2): 637-643. (in Chinese)

（编辑：王丽霞）

On-orbit Radiometric Calibration Method Research Based on Deep Learning Theory

LIU Li1GAO Hailiang2PAN Zhiqiang1FU Qiaoyan1GU Xingfa2

（1 China Center for Resources Satellite Data and Application, Beijing 100094, China）（2 Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China）

Radiometric calibration is the key to transform a satellite sensor dimensionless value into a physical value. Traditional on-orbit calibration methods are based on one-day data, whose calibration accuracy is limited by the in situ measurement data and the weather that day. This paper proposes a new on-orbit calibration method based on deep learning, which is to establish a model of calibration site through the deep learning of historical satellite images，atmosphere and spectral data of this calibration site. The apparent reflectance corresponding to the observation satellite geometry can be simulated through the new calibration site model, and then the absolute radiometric calibration is realized. The validation of the new method is performed with the site calibration, cross calibration and deep learning calibration of GF-1 PMS2. The results shows that the calibration precision of the new method is similar to site calibration while is better than the cross calibration method. In addition, it also has the advantages of cross calibration method, such as lower cost, and higher frequency. In brief，the new on-orbit calibration method is feasible.

deep learning; radiometric calibration; GF-1 satellite; space camera

TP732

A

1009-8518(2017)02-0064-08

10.3969/j.issn.1009-8518.2017.02.009

2017-01-10

国家自然科学基金（41401424），遥感科学国家重点实验室开放基金OFSLRSS201615，中国科学院通用光学定标与表征技术重点实验室开放基金KLOCC2016-1

刘李，男，1984年生，2013年获中国科学院遥感与数字地球研究所地图学与地理信息专业博士学位，高级工程师，高分定标检校系统主任设计师。研究方向为卫星传感器辐射定标及定量化应用。E-mail：liulicugb@126.com。高海亮，男，1982年生，2011年获中国科学院遥感与数字地球研究所博士学位，副研究员，研究方向为传感器在轨辐射定标、高光谱遥感及真实性检验等。E-mail: gaohl@radi.ac.cn。