长时序Landsat数据辐射校正方法对比研究

邓琳 胡勇 黄健 李婷婷



长时序Landsat数据辐射校正方法对比研究

邓琳1,2胡勇1,2黄健1,2李婷婷1,2

（1 重庆市国土资源和房屋勘测规划院，重庆 400020）（2 重庆市土地利用与遥感监测工程技术研究中心，重庆 400020）

Landsat数据以其存档时间长、辐射性能稳定、全球免费获取等优势，被广泛应用于时序定量遥感监测研究。但长时序的遥感数据必须经过辐射校正获得地表反射率后，才能应用统一的模型或分类规则进行地表变化监测。文章以重庆地区2001年到2009年的5景Landsat数据为数据源，分别采用基于MODIS大气产品和6S辐射传输模型的逐像素大气校正方法和基于多元变化检测的相对辐射校正方法反演了地表反射率，并采用目视解译、影像直方图和时序未变化像元统计，对上述两种辐射校正结果进行了对比分析。结果表明：两种校正方法均能有效反演时序Landsat数据的地表反射率，消除时序影像的地物色彩差异，且时序未变像元点的反射率光谱一致性较好。大气校正能够消除可见光波段的大气空间异质性影响，使反演结果在时间序列上具有更高的稳定性和精度。

长时序数据 相对辐射校正 大气校正 辐射校正 卫星遥感应用

0 引言

随着越来越多遥感卫星的发射、运行，遥感数据得到持续快速累积，充足的遥感数据源有利地支撑了遥感应用研究。遥感反演分析已经从利用单景、两期、多期，逐渐发展为利用长时间序列遥感数据，开展特定区域对地反演监测研究[1-4]，特别是Landsat系列卫星稳定运行了40余年，获得了全球覆盖的长时间序列卫星数据，利用其进行地表变化定量监测是当前国内外研究工作的前沿和热点。

由于遥感影像受成像时刻的大气散射、太阳光照和传感器状态等因素影响，导致相同地物目标在不同时相遥感影像上的辐亮度或反射率光谱不一致[5]。为消除大气散射、太阳光照、传感器状态等因素给时序遥感数据分析与应用造成的影响，在长时间序列的遥感反演计算中，必须对遥感数据进行辐射校正。目前常用的辐射校正方法主要包括：大气校正和相对辐射校正两类方法[6]。其中，大气校正是依据成像时的大气参数，利用大气校正模型，将表观反射率转换成地表反射率，目前主流的大气校正模型包括：6S模型（Second Simulation of the Satellite Signal in the Solar Spectrum，6S）和空间分布快速大气校正模型（A Spatially-adaptive Fast Atmospheric Correction，ATCOR）等[7-8]。相对辐射校正是以一幅清晰的影像为参考影像，利用其它时相影像（目标影像）和参考影像对应像元的灰度值之间的关系，建立各波段之间的校正模型，并将目标影像逐波段的归一化到参考影像，使目标影像和参考影像具有相同的辐射尺度[9]。相对辐射校正能纠正因大气状况变化造成的差异，能减小传感器状态产生的噪声。与大气校正相比，相对辐射校正辐射归一化操作简单，成本低，但往往会削弱地物的变化差异。大气校正一般需要成像时的大气参数或同步的地表反射率，而历史影像数据往往难以获取成像时的大气数据和同步地表反射率。

大气校正和相对辐射校正均可用于时序遥感数据的地表反射率反演，但现有文献对两种方法应用于时序Landsat地表反射率反演的对比分析较少。本研究以2001年到2009年的5景Landsat数据为数据源，采用基于中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer，MODIS）的大气产品和6S辐射传输模型的逐像元大气辐射校正，以及基于多元变化检测的相对辐射校正，分别反演了时间序列地表反射率。然后通过目视判读、直方图统计、时序未变像元值统计，对比分析了长时序辐射校正效果，以期为长时序的Landsat地表反射率反演提供参考依据。

1 试验区与数据

本文以重庆主城附近地区的Landsat数据为试验数据（如图1所示），开展相对辐射校正与大气校正对比研究。试验数据覆盖范围内包含水体、山地、城市、植被等多种典型地物，可全面比较在复杂地物类型下两种方法的校正结果。

1.1 Landsat数据

本研究使用Landsat系列数据，时间跨度为8年，时间节点分别为2001年7月17日、2002年8月5日、2004年7月25日、2008年6月18日和2009年6月5日，数据来源于美国地质勘探局（United States Geological Survey，USGS）。

1.2 MODIS数据

MODIS光谱辐射计携带490个探测器，每天覆盖全球一次，提供了可见光-近红外（0.4µm～14.4µm）36个光谱波段的全球观测，且有许多大气校正的特征波段，便于大气参数的反演，包括气溶胶光学厚度、水汽柱含量、臭氧含量等[10]。考虑到MODIS Terra和Landsat过境时间相近，大气状况改变较小，且具有较高的空间分辨率，可以反映Landsat数据内部大气分布的空间差异，因此本文基于多源协同思路利用MODIS大气产品作为输入参数对Landsat数据进行大气校正。

本文所用MODIS为5景与Landsat数据同期的产品，以气溶胶、水汽柱含量、温度和大气廓线数据作为6S模型的大气输入参数，对Landsat数据进行大气校正，MODIS产品列表如表1。

表1 本文所用MODIS产品列表

Tab.1 Information of MODIS data

1.3 DEM数据

本文利用0.01°空间分辨率的全球多分辨率高程数据集[11]（The Global Multi-resolution Terrain Elevation Data 2010，GMTED2010）作为6S模型的高程输入参数对Landsat数据进行大气校正。该产品采用WGS84经纬度坐标系，本文将其重采样为0.05°分辨率后输入6S辐射校正模型。

2 研究方法

2.1 结合6S辐射传输模型和MODIS大气数据的逐像素大气校正

6S模型以辐射传输理论为基础，采用逐次散射算法解算大气的散射和吸收，并改进了大气吸收率、散射率、透过率等参数输入的解算，与大气去除模型（The Atmosphere Removal Program，ATREM）、中分辨率辐射传输模型（Moderate Resolution Atmospheric Transmission，MODTARN）、ATCOR等模型相比，受研究区域变化和目标差异影响小、精度高，更接近目标真实情况[12]。6S模型已应用于多个业务化运行的大气校正系统并处理长时序的遥感数据，如MODIS数据处理系统、陆地卫星生态系统干扰自适应处理系统和陆地资源卫星网络共享数据系统[13]。

本文的结合6S辐射传输模型和MODIS大气数据的大气校正方法主要分为以下几步，其流程如图2所示[14]：

1）数据预处理。主要包括MODIS数据的投影转换、空值区插值、与Landsat数据匹配的范围裁剪等，以及Landsat数据的几何精校正、辐射定标等处理；

2）调用6S模型。以影像成像参数、MODIS数据、GMTED2010数据为输入，逐像元配置6S模型输入文件，包括几何参数、大气模式、气溶胶模式、气溶胶含量参数、地面高度等，通过6S模型解算出大气校正系数；

3）系数转换。以Landsat数据为参考，将解算出的0.05°分辨率经纬度投影的大气校正系数，经转投影和重采样，得到30m分辨率和UTM投影的大气校正系数。

4）大气校正。将Landsat辐亮度数据和大气校正系数为输入，根据式（3）和式（4）解算大气校正后的地表反射率。

2.2 基于多元变化检测的相对辐射校正

1998年，Nielsen等[15-16]提出多元变化检测（Multivariate Alteration Detection，MAD）算法，该算法基于典型相关分析[17-18]获取两景影像中未变化的像元点；Canty等[19-20]在此基础上建立了相对辐射校正方法。

（6）

（7）

3 结果与分析

3.1 目视解译对比分析

采用上述的大气校正方法对研究区数据进行处理，得到一组地表反射率时序影像。然后以2004年大气校正后影像为参考影像，对其余时相的辐亮度影像进行相对辐射校正，得到另外一组地表反射率时序影像。将表观反射率影像和两组地表反射率影像分别进行拼接，拼接采用时序影像依次选择400列的方式进行，拼接结果如图3所示，采用标准假彩色波段组合方式，并以相同的拉伸参数显示。

从整体上看，表观反射率影像有一层明显的薄雾，尤其是在2002年8月5日和2008年6月18日的拼接影像上，其表观反射率差异较大（见图3（a））。经过辐射校正后，得到的两组地表反射率拼接影像在2002年8月5日和2008年6月18日均有明显改善，且在整个时间序列上显示更清晰、无薄雾感、镶嵌线两侧色彩差异减小，有利于地物的识别（见图3（b）和图3（c））。在放大细部图中，对于山区、植被、城市和水体等典型地物，在表观反射率影像都存在较大色差，经过辐射校正后的地表反射率拼接影像，地物色彩一致性更好，有利于判读和后续定量分析。

3.2 辐射校正后影像直方图曲线变化分析

直方图曲线可直观反映出像元值在空间域的分布情况，以2004年期影像为例，统计原始表观反射率、大气校正后地表反射率和相对辐射归一化后地表反射率，并绘制各波段的直方图曲线，对辐射校正前后各波段反射率的变化趋势、两种辐射校正方法结果进行对比分析。

从图4辐射校正前后的反射率直方图曲线来看，存在明显差异，主要表现在可见光波段（蓝、绿、红）反射率整体减小，直方图曲线波峰左移；近红外和短波红外波段反射率整体增加，直方图曲线波峰右移。结合大气对不同波段电磁辐射能的作用分析：可见光波段主要受大气散射影响，其中，蓝波段受瑞利散射影响最大，而各可见光波段受云雾中水汽影响存在无选择性散射，因此，传感器接收到部分大气散射信号，反射率增强；而近红外和短波红外波段波长较长，受散射影响较小，但由于大气中水、臭氧、微粒对信号能量的吸收，致使传感器接收到的信号减弱，反射率降低。经辐射校正后，如图4中红色和绿色直方图曲线，两种方法对削弱大气散射和增强大气吸收的反射率信号均有明显效果。另外，在可见光波段，经大气校正后的直方图曲线波峰值均有削弱，其反射率直方图曲线分布更为均匀，这是由于大气校正以MODIS大气参数为输入，0.05°分辨率的大气参数可以反映影像内部大气分布的空间异质性，而相对辐射校正以未变像元为基础建立线性回归方程，整景影像采用相同回归系数进行校准。

图4 各波段反射率直方图曲线

3.3 时序未变像元统计分析

在忽略物候差异的情况下，长时序地表反射率影像中地表未发生变化像元点的光谱曲线应相同或差异很小。由于实验时序影像跨度8年，水体、城市等地物变化显著，不易提取未变化像元。此外，所有时序影像获取时间为6~8月份，均为森林植被生长稳定期，物候差异较小，因此本文以稳定的森林植被作为评价对象，以减少年份差异和季相差异对地物光谱特征的影响。结合目视解译和实地调查结果，在时序影像中选择稳定的森林植被像元近似作为“未变化”像元，并统计这些像元的均值和均方根误差，其统计结果见表2。

从表2中可以看出，B1、B2、B3和B7的时序未变像元值波动轻微，在时间序列上两种方法解算的植被反射率得到有效校正，另外B4和B5波段，大气校正后的时序未变像元值域波动以及最大差值均小于相对辐射校正结果。对比表2中的均方根误差项，各波段大气校正方法的均方根误差均小于相对辐射校正方法，且最大减低均方根误差21.8%。通过时序未变像元的统计分析，表明两种校正方法均能对时序影像进行校正，但比较而言，大气校正方法在时间序列上稳定性和精度更高。

表2 时序未变像元统计表

Tab.2 The statistical data of invariant pixels in time-series 像元

4 结束语

本研究以2001年、2002年、2004年、2008年和2009年的5景Landsat数据为基础，对结合6S辐射传输模型和MODIS数据的大气校正方法和基于多元变化检测的相对辐射校正方法进行对比分析。对比采用三种方式，得到以下结论：

1）目视解译和时序未变像元统计分析显示，两种辐射校正方法均可有效消除或减小时序影像之间因成像条件导致的辐射差异并获得地表反射率数据，未变化像元点的反射率光谱一致性较好。

2）反射率影像直方图统计结果显示，由于0.05°分辨率的MODIS大气参数能够反映Landsat数据内部大气分布的空间异质性，在大气影响强烈的可见光波段，大气校正结果优于相对辐射归一化结果。

试验证明，两种辐射校正方法均能有效消除或减小时序Landsat数据中大气散射和吸收的影响，获取更为符合地物反射特征的地表反射率，但对于长时间序列的辐射校正而言，结合6S辐射传输模型和MODIS大气数据的逐像素大气校正方法稳定性更好、精度更高。但由于MODIS大气参数产品始于2000年，因此该方法不能处理2000年之前的影像。

[1] LIU L, TANG H, CACCETTA P, et al. Mapping Afforestation and Deforestation from 1974 to 2012 Using Landsat Time-series Stacks in Yulin District, a Key Region of the Three-north Shelter Region, China[J]. Environ mental Monitoring Assessment, 2013, 185(12): 9949-9965.

[2] VOGELMANN J E, XIAN G, HOMER C, et al. Monitoring Gradual Ecosystem Change using Landsat Time Series Analyses: Case Studies in Selected Forest and Rangeland Ecosystems[J]. Remote Sensing of Environment, 2012, 122(3): 92-105.

[3] 胡勇, 刘良云, CACCETTA P, 等. 光谱特征扩展的时间序列Landsat数据地表覆盖分类[J]. 遥感学报, 2015, 19(4): 639-656. HU Yong, LIU Liangyun, CACCETTA P, et al. Landsat Time-series Land Cover Mapping with Spectral Signature Extension Method[J]. Journal of Remote Sensing, 2015, 19(4): 639-656. (in Chinese)

[4] 由佳, 张怀清, 陈永富, 等. 基于“高分四号”卫星影像洞庭湖湿地信息提取[J]. 航天返回与遥感, 2016, 37(4): 116-122. YOU Jia, ZHANG Huaiqing, CHEN Yongfu, et al. Comparative Study of Dongting Lake Wetland Information Extraction Based on GF-4 Satellite Image[J]. Spacecraft Recovery & Remote Sensing, 2016, 37(4): 116-122. (in Chinese)

[5] 胡勇, 刘良云, 张九星, 等. 基于MODIS大气产品的天宫一号高光谱成像仪数据大气校正研究[J]. 遥感技术与应用, 2014, 29(6): 1060-1066. HU Yong, LIU Liangyun, ZHANG Jiuxing, et al. A TG-1 Hyper-spectral Imagery Atmospheric Correction based on MODIS Atmosphere Products[J]. Remote Sensing Technology and Application, 2014, 29(6): 1060-1066. (in Chinese)

[6] 段依妮, 张立福, 晏磊, 等. 遥感影像相对辐射校正方法及适用性研究[J]. 遥感学报, 2014, 18(3): 597-617. DUAN Yining, ZHANG Lifu, YAN Lei, et al. Relative Radiometric Correction Methods for Remote Sensing Images and Their Applicability Analysis[J]. Journal of Remote Sensing, 2014, 18(3): 597-617. (in Chinese)

[7] 王欢, 陈向宁, 徐万鹏. 基于6S模型的多光谱遥感影像大气校正应用研究[J]. 测绘地理信息, 2013, 38(5): 49-51. WANG Huan, CHEN Xiangning, XU Wanpeng. Application Study of Atmospheric Correction on Multi-spectrum Remote Sensing Image Based on 6S Model[J]. Journal of Geomatics, 2013, 38(5): 49-51. (in Chinese)

[8] 谭伟, 王钰, 何红艳, 等. 常用大气校正模型对图像清晰度提升的对比分析[J]. 航天返回与遥感, 2017, 38(5): 96-105. TAN Wei, WANG Yu, HE Hongyan, et al. Comparison of Improving Image Definition with Common-used Atmospheric Correction Models[J]. Spacecraft Recovery & Remote Sensing, 2017, 38(5): 96-105. (in Chinese)

[9] 邓书斌, 武红敢, 江涛. 遥感动态监测中的相对辐射校正方法研究[J]. 遥感信息, 2008, (4): 71-75. DENG Shubin, WU Honggan, JIANG Tao. A Study on Relative Radiometric Normalization for Remote Sensing Dynamic Monitoring[J]. Remote Sensing Information, 2008, (4): 71-75. (in Chinese)

[10] 甘文霞, 沈焕锋, 张良培, 等. 采用6S模型的多时相MODIS植被指数NDVI归一化方法[J]. 武汉大学学报(信息科学版), 2014, 39(3): 300-304. GAN Wenxia, SHEN Huanfeng, ZHANG Liangpei, et al. Normalization of Multi-temporal MODIS NDVI Based on 6S Radiative Transfer Model[J]. Geomatics and Information Science of Wuhan University, 2014, 39(3): 300-304. (in Chinese)

[11] CARABAJAL C C, HARDING D J, BOY J P, et al. Evaluation of the Global Multi-resolution Terrain Elevation Data 2010 (GMTED2010) using ICESat Geodetic Control[J]. International Symposium on Lida & Radar Mapping: Technology & Application, 2011, 8286(4): 82861Y-82861Y-13.

[12] 孙源, 顾行发, 余涛, 等. 环境星CCD数据大气校正研究[J]. 国土资源遥感, 2010, 87(4): 6-9. SUN Yuan, GU Xingfa, YU Tao, et al. A Study of HJ-1A CCD Image Atmospheric Correction[J]. Remote Sensing for Land & Resources, 2010, 22(4): 6-9. (in Chinese)

[13] ROY D, JU J, KOMMADREDDY I. Web-enabled Landsat Data (WELD): Demonstration of MODIS-Landsat Data Fusion to Provide a Consistent, Long-term, Large-area Data Record for the Terrestrial User Community[C]//American Geoplaysical Union, Fall Meeting 2010. Brookugs, SD, USA, 2010.

[14] HU Y, LIU L, LIU L, et al. A Landsat-5 Atmospheric Correction Based on MODIS Atmosphere Products and 6S Model[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(5): 1609-1615.

[15] NIELSEN A. The Regularized Iteratively Reweighted MAD Method for Change Detection in Multi-and Hyperspectral Data[J]. IEEE Transactions on Image Processing, 2007, 16(2): 463-478.

[16] NIELSEN A, CONRADSEN K, SIMPSON J J. Multivariate Alteration Detection (MAD) and MAF Postprocessing in Multispectral, Bitemporal Image Data: New Approaches to Change Detection Studies[J]. Remote Sensing of Environment, 1998, 64(1): 1-19.

[17] 张路. 基于多元统计分析的遥感影像变化检测方法研究[D]. 武汉: 武汉大学, 2004. ZHANG Lu. Change Detection in Remotely Sensed Imagery Using Multivariate Statistical Analysis[D]. Wuhan: Wuhan University, 2004. (in Chinese)

[18] 马超. 基于典型相关分析的遥感变化检测方法研究[D]. 南京: 南京理工大学, 2013. MA Chao. Detection of Remote Sensing Method Based on Canonical Correlation Analysis[D]. Nanjing: Nanjing University of Science and Technology, 2013. (in Chinese)

[19] CANTY M J, NIELSEN A A, SCHMIDT M. Automatic Radiometric Normalization of Multitemporal Satellite Imagery[J]. Remote Sensing of Environment, 2004, 91(3-4): 441-451.

[20] CANTY M J, NIELSEN A A. Automatic Radiometric Normalization of Multitemporal Satellite Imagery with the Iteratively Re-weighted MAD Transformation[J]. Remote Sensing of Environment, 2008, 112(3): 1025-1036.

[21] 胡明晓. 正交回归和一般最小二乘回归的几何误差分析[J]. 数理统计与管理, 2010, 29(2): 248-253. HU Mingxiao. Geometric Error Analysis for Orthogonal Regression and Ordinary Least Squares Regression[J]. Application of Statistics and Management, 2010, 29(2): 248-253. (in Chinese)

[22] 白穆, 刘慧平, 朱寿东, 等. 多元变化检测的相对辐射校正方法研究[J]. 测绘科学, 2012, 37(4): 143-146. BAI Mu, LIU Huiping, ZHU Shoudong, et al. Relative Radiometric Correction for Remote Sensing Images Based on Multivariate Alteration Detection[J]. Science of Surveying and Mapping, 2012, 37(4): 143-146. (in Chinese)

Comparative Study on the Radiometric Correction Methods of Long Time-series Landsat Data

DENG Lin1,2HU Yong1,2HUANG Jian1,2LI Tingting1,2

（1 Chongqing Institute of Surveying and Planning for Land Resources and Housing, Chongqing 400020, China）（2 Chongqing Engineering Research Center of Land Use and Remote-sense Monitoring, Chongqing 400020, China）

Landsat data have always been used in time series quantitative remote sensing applications, because of the advantages of long time storage, stable radiation and free mode. However, the radiometric correction procedure used to remove the atmosphere effects is necessary as a critical preprocessing step before monitoring the surface change. In this study, taking five sets of Landsat data in Chongqing city from 2001 to 2009 as the data source, the radiometric correction results obtained by two different procedures are compared. One method is the per-pixel atmospheric correction based on MODIS (Moderate-resolution Imaging Spectror-adiometer) atmospheric characterization products and the 6S (Second Simulation of a Satellite Signal in the Solar Spectrum) radiative transfer algorithm, and the other is the radiometric normalization based on MAD (Multivariate Alteration Detection) transformation. Then visual interpretation, images histogram and invariant pixels are employed to compare and evaluate the atmospheric correction results on time-series images. The results show that the two methods are effective in inversing the surface reflectance from time-series images and removing the impact of atmosphere, and the surface reflectances retrieved by the two methods are consistent for invariant pixels. It should be noted that because the atmospheric correction methods can remove the effects of spatial heterogeneity in atmospheric conditions, the surface reflectance has higher stability and accuracy for time-series images.

long time-series data; relative radiometric correction; atmospheric correction; radiometric correction; space remote sensing; application of satellite remote sensing

TP751

A

1009-8518(2018)05-0104-09

10.3969/j.issn.1009-8518.2018.05.014

邓琳，女，1989年生，2015年获西南交通大学摄影测量与遥感专业硕士学位，工程师。研究方向为定量遥感技术和遥感技术应用研究。E-mail: rs_denglin@126.com。

胡勇，男，1985年生，2014年6月获中国科学院遥感与数字地球研究所摄影测量与遥感专业博士学位，高级工程师。研究方向为遥感数据定量化处理与土地利用遥感。E-mail: rihor@sina.com。

2018-01-20

住房和城乡建设部科技项目（2016-k8-054）

（编辑：庞冰）