長時(shí)序Landsat數(shù)據(jù)輻射校正方法對比研究

鄧琳 胡勇 黃健 李婷婷

?

長時(shí)序Landsat數(shù)據(jù)輻射校正方法對比研究

鄧琳1,2胡勇1,2黃健1,2李婷婷1,2

（1 重慶市國土資源和房屋勘測規(guī)劃院，重慶 400020）（2 重慶市土地利用與遙感監(jiān)測工程技術(shù)研究中心，重慶 400020）

Landsat數(shù)據(jù)以其存檔時(shí)間長、輻射性能穩(wěn)定、全球免費(fèi)獲取等優(yōu)勢，被廣泛應(yīng)用于時(shí)序定量遙感監(jiān)測研究。但長時(shí)序的遙感數(shù)據(jù)必須經(jīng)過輻射校正獲得地表反射率后，才能應(yīng)用統(tǒng)一的模型或分類規(guī)則進(jìn)行地表變化監(jiān)測。文章以重慶地區(qū)2001年到2009年的5景Landsat數(shù)據(jù)為數(shù)據(jù)源，分別采用基于MODIS大氣產(chǎn)品和6S輻射傳輸模型的逐像素大氣校正方法和基于多元變化檢測的相對輻射校正方法反演了地表反射率，并采用目視解譯、影像直方圖和時(shí)序未變化像元統(tǒng)計(jì)，對上述兩種輻射校正結(jié)果進(jìn)行了對比分析。結(jié)果表明：兩種校正方法均能有效反演時(shí)序Landsat數(shù)據(jù)的地表反射率，消除時(shí)序影像的地物色彩差異，且時(shí)序未變像元點(diǎn)的反射率光譜一致性較好。大氣校正能夠消除可見光波段的大氣空間異質(zhì)性影響，使反演結(jié)果在時(shí)間序列上具有更高的穩(wěn)定性和精度。

長時(shí)序數(shù)據(jù) 相對輻射校正 大氣校正 輻射校正 衛(wèi)星遙感應(yīng)用

0 引言

隨著越來越多遙感衛(wèi)星的發(fā)射、運(yùn)行，遙感數(shù)據(jù)得到持續(xù)快速累積，充足的遙感數(shù)據(jù)源有利地支撐了遙感應(yīng)用研究。遙感反演分析已經(jīng)從利用單景、兩期、多期，逐漸發(fā)展為利用長時(shí)間序列遙感數(shù)據(jù)，開展特定區(qū)域?qū)Φ胤囱荼O(jiān)測研究[1-4]，特別是Landsat系列衛(wèi)星穩(wěn)定運(yùn)行了40余年，獲得了全球覆蓋的長時(shí)間序列衛(wèi)星數(shù)據(jù)，利用其進(jìn)行地表變化定量監(jiān)測是當(dāng)前國內(nèi)外研究工作的前沿和熱點(diǎn)。

由于遙感影像受成像時(shí)刻的大氣散射、太陽光照和傳感器狀態(tài)等因素影響，導(dǎo)致相同地物目標(biāo)在不同時(shí)相遙感影像上的輻亮度或反射率光譜不一致[5]。為消除大氣散射、太陽光照、傳感器狀態(tài)等因素給時(shí)序遙感數(shù)據(jù)分析與應(yīng)用造成的影響，在長時(shí)間序列的遙感反演計(jì)算中，必須對遙感數(shù)據(jù)進(jìn)行輻射校正。目前常用的輻射校正方法主要包括：大氣校正和相對輻射校正兩類方法[6]。其中，大氣校正是依據(jù)成像時(shí)的大氣參數(shù)，利用大氣校正模型，將表觀反射率轉(zhuǎn)換成地表反射率，目前主流的大氣校正模型包括：6S模型（Second Simulation of the Satellite Signal in the Solar Spectrum，6S）和空間分布快速大氣校正模型（A Spatially-adaptive Fast Atmospheric Correction，ATCOR）等[7-8]。相對輻射校正是以一幅清晰的影像為參考影像，利用其它時(shí)相影像（目標(biāo)影像）和參考影像對應(yīng)像元的灰度值之間的關(guān)系，建立各波段之間的校正模型，并將目標(biāo)影像逐波段的歸一化到參考影像，使目標(biāo)影像和參考影像具有相同的輻射尺度[9]。相對輻射校正能糾正因大氣狀況變化造成的差異，能減小傳感器狀態(tài)產(chǎn)生的噪聲。與大氣校正相比，相對輻射校正輻射歸一化操作簡單，成本低，但往往會削弱地物的變化差異。大氣校正一般需要成像時(shí)的大氣參數(shù)或同步的地表反射率，而歷史影像數(shù)據(jù)往往難以獲取成像時(shí)的大氣數(shù)據(jù)和同步地表反射率。

大氣校正和相對輻射校正均可用于時(shí)序遙感數(shù)據(jù)的地表反射率反演，但現(xiàn)有文獻(xiàn)對兩種方法應(yīng)用于時(shí)序Landsat地表反射率反演的對比分析較少。本研究以2001年到2009年的5景Landsat數(shù)據(jù)為數(shù)據(jù)源，采用基于中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）的大氣產(chǎn)品和6S輻射傳輸模型的逐像元大氣輻射校正，以及基于多元變化檢測的相對輻射校正，分別反演了時(shí)間序列地表反射率。然后通過目視判讀、直方圖統(tǒng)計(jì)、時(shí)序未變像元值統(tǒng)計(jì)，對比分析了長時(shí)序輻射校正效果，以期為長時(shí)序的Landsat地表反射率反演提供參考依據(jù)。

1 試驗(yàn)區(qū)與數(shù)據(jù)

本文以重慶主城附近地區(qū)的Landsat數(shù)據(jù)為試驗(yàn)數(shù)據(jù)（如圖1所示），開展相對輻射校正與大氣校正對比研究。試驗(yàn)數(shù)據(jù)覆蓋范圍內(nèi)包含水體、山地、城市、植被等多種典型地物，可全面比較在復(fù)雜地物類型下兩種方法的校正結(jié)果。

1.1 Landsat數(shù)據(jù)

本研究使用Landsat系列數(shù)據(jù)，時(shí)間跨度為8年，時(shí)間節(jié)點(diǎn)分別為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，數(shù)據(jù)來源于美國地質(zhì)勘探局（United States Geological Survey，USGS）。

1.2 MODIS數(shù)據(jù)

MODIS光譜輻射計(jì)攜帶490個(gè)探測器，每天覆蓋全球一次，提供了可見光-近紅外（0.4μm～14.4μm）36個(gè)光譜波段的全球觀測，且有許多大氣校正的特征波段，便于大氣參數(shù)的反演，包括氣溶膠光學(xué)厚度、水汽柱含量、臭氧含量等[10]?？紤]到MODIS Terra和Landsat過境時(shí)間相近，大氣狀況改變較小，且具有較高的空間分辨率，可以反映Landsat數(shù)據(jù)內(nèi)部大氣分布的空間差異，因此本文基于多源協(xié)同思路利用MODIS大氣產(chǎn)品作為輸入?yún)?shù)對Landsat數(shù)據(jù)進(jìn)行大氣校正。

本文所用MODIS為5景與Landsat數(shù)據(jù)同期的產(chǎn)品，以氣溶膠、水汽柱含量、溫度和大氣廓線數(shù)據(jù)作為6S模型的大氣輸入?yún)?shù)，對Landsat數(shù)據(jù)進(jìn)行大氣校正，MODIS產(chǎn)品列表如表1。

表1 本文所用MODIS產(chǎn)品列表

Tab.1 Information of MODIS data

1.3 DEM數(shù)據(jù)

本文利用0.01°空間分辨率的全球多分辨率高程數(shù)據(jù)集[11]（The Global Multi-resolution Terrain Elevation Data 2010，GMTED2010）作為6S模型的高程輸入?yún)?shù)對Landsat數(shù)據(jù)進(jìn)行大氣校正。該產(chǎn)品采用WGS84經(jīng)緯度坐標(biāo)系，本文將其重采樣為0.05°分辨率后輸入6S輻射校正模型。

2 研究方法

2.1 結(jié)合6S輻射傳輸模型和MODIS大氣數(shù)據(jù)的逐像素大氣校正

6S模型以輻射傳輸理論為基礎(chǔ)，采用逐次散射算法解算大氣的散射和吸收，并改進(jìn)了大氣吸收率、散射率、透過率等參數(shù)輸入的解算，與大氣去除模型（The Atmosphere Removal Program，ATREM）、中分辨率輻射傳輸模型（Moderate Resolution Atmospheric Transmission，MODTARN）、ATCOR等模型相比，受研究區(qū)域變化和目標(biāo)差異影響小、精度高，更接近目標(biāo)真實(shí)情況[12]。6S模型已應(yīng)用于多個(gè)業(yè)務(wù)化運(yùn)行的大氣校正系統(tǒng)并處理長時(shí)序的遙感數(shù)據(jù)，如MODIS數(shù)據(jù)處理系統(tǒng)、陸地衛(wèi)星生態(tài)系統(tǒng)干擾自適應(yīng)處理系統(tǒng)和陸地資源衛(wèi)星網(wǎng)絡(luò)共享數(shù)據(jù)系統(tǒng)[13]。

本文的結(jié)合6S輻射傳輸模型和MODIS大氣數(shù)據(jù)的大氣校正方法主要分為以下幾步，其流程如圖2所示[14]：

1）數(shù)據(jù)預(yù)處理。主要包括MODIS數(shù)據(jù)的投影轉(zhuǎn)換、空值區(qū)插值、與Landsat數(shù)據(jù)匹配的范圍裁剪等，以及Landsat數(shù)據(jù)的幾何精校正、輻射定標(biāo)等處理；

2）調(diào)用6S模型。以影像成像參數(shù)、MODIS數(shù)據(jù)、GMTED2010數(shù)據(jù)為輸入，逐像元配置6S模型輸入文件，包括幾何參數(shù)、大氣模式、氣溶膠模式、氣溶膠含量參數(shù)、地面高度等，通過6S模型解算出大氣校正系數(shù)；

3）系數(shù)轉(zhuǎn)換。以Landsat數(shù)據(jù)為參考，將解算出的0.05°分辨率經(jīng)緯度投影的大氣校正系數(shù)，經(jīng)轉(zhuǎn)投影和重采樣，得到30m分辨率和UTM投影的大氣校正系數(shù)。

4）大氣校正。將Landsat輻亮度數(shù)據(jù)和大氣校正系數(shù)為輸入，根據(jù)式（3）和式（4）解算大氣校正后的地表反射率。

2.2 基于多元變化檢測的相對輻射校正

1998年，Nielsen等[15-16]提出多元變化檢測（Multivariate Alteration Detection，MAD）算法，該算法基于典型相關(guān)分析[17-18]獲取兩景影像中未變化的像元點(diǎn)；Canty等[19-20]在此基礎(chǔ)上建立了相對輻射校正方法。

（6）

（7）

3 結(jié)果與分析

3.1 目視解譯對比分析

采用上述的大氣校正方法對研究區(qū)數(shù)據(jù)進(jìn)行處理，得到一組地表反射率時(shí)序影像。然后以2004年大氣校正后影像為參考影像，對其余時(shí)相的輻亮度影像進(jìn)行相對輻射校正，得到另外一組地表反射率時(shí)序影像。將表觀反射率影像和兩組地表反射率影像分別進(jìn)行拼接，拼接采用時(shí)序影像依次選擇400列的方式進(jìn)行，拼接結(jié)果如圖3所示，采用標(biāo)準(zhǔn)假彩色波段組合方式，并以相同的拉伸參數(shù)顯示。

從整體上看，表觀反射率影像有一層明顯的薄霧，尤其是在2002年8月5日和2008年6月18日的拼接影像上，其表觀反射率差異較大（見圖3（a））。經(jīng)過輻射校正后，得到的兩組地表反射率拼接影像在2002年8月5日和2008年6月18日均有明顯改善，且在整個(gè)時(shí)間序列上顯示更清晰、無薄霧感、鑲嵌線兩側(cè)色彩差異減小，有利于地物的識別（見圖3（b）和圖3（c））。在放大細(xì)部圖中，對于山區(qū)、植被、城市和水體等典型地物，在表觀反射率影像都存在較大色差，經(jīng)過輻射校正后的地表反射率拼接影像，地物色彩一致性更好，有利于判讀和后續(xù)定量分析。

3.2 輻射校正后影像直方圖曲線變化分析

直方圖曲線可直觀反映出像元值在空間域的分布情況，以2004年期影像為例，統(tǒng)計(jì)原始表觀反射率、大氣校正后地表反射率和相對輻射歸一化后地表反射率，并繪制各波段的直方圖曲線，對輻射校正前后各波段反射率的變化趨勢、兩種輻射校正方法結(jié)果進(jìn)行對比分析。

從圖4輻射校正前后的反射率直方圖曲線來看，存在明顯差異，主要表現(xiàn)在可見光波段（藍(lán)、綠、紅）反射率整體減小，直方圖曲線波峰左移；近紅外和短波紅外波段反射率整體增加，直方圖曲線波峰右移。結(jié)合大氣對不同波段電磁輻射能的作用分析：可見光波段主要受大氣散射影響，其中，藍(lán)波段受瑞利散射影響最大，而各可見光波段受云霧中水汽影響存在無選擇性散射，因此，傳感器接收到部分大氣散射信號，反射率增強(qiáng)；而近紅外和短波紅外波段波長較長，受散射影響較小，但由于大氣中水、臭氧、微粒對信號能量的吸收，致使傳感器接收到的信號減弱，反射率降低。經(jīng)輻射校正后，如圖4中紅色和綠色直方圖曲線，兩種方法對削弱大氣散射和增強(qiáng)大氣吸收的反射率信號均有明顯效果。另外，在可見光波段，經(jīng)大氣校正后的直方圖曲線波峰值均有削弱，其反射率直方圖曲線分布更為均勻，這是由于大氣校正以MODIS大氣參數(shù)為輸入，0.05°分辨率的大氣參數(shù)可以反映影像內(nèi)部大氣分布的空間異質(zhì)性，而相對輻射校正以未變像元為基礎(chǔ)建立線性回歸方程，整景影像采用相同回歸系數(shù)進(jìn)行校準(zhǔn)。

圖4 各波段反射率直方圖曲線

3.3 時(shí)序未變像元統(tǒng)計(jì)分析

在忽略物候差異的情況下，長時(shí)序地表反射率影像中地表未發(fā)生變化像元點(diǎn)的光譜曲線應(yīng)相同或差異很小。由于實(shí)驗(yàn)時(shí)序影像跨度8年，水體、城市等地物變化顯著，不易提取未變化像元。此外，所有時(shí)序影像獲取時(shí)間為6~8月份，均為森林植被生長穩(wěn)定期，物候差異較小，因此本文以穩(wěn)定的森林植被作為評價(jià)對象，以減少年份差異和季相差異對地物光譜特征的影響。結(jié)合目視解譯和實(shí)地調(diào)查結(jié)果，在時(shí)序影像中選擇穩(wěn)定的森林植被像元近似作為“未變化”像元，并統(tǒng)計(jì)這些像元的均值和均方根誤差，其統(tǒng)計(jì)結(jié)果見表2。

從表2中可以看出，B1、B2、B3和B7的時(shí)序未變像元值波動(dòng)輕微，在時(shí)間序列上兩種方法解算的植被反射率得到有效校正，另外B4和B5波段，大氣校正后的時(shí)序未變像元值域波動(dòng)以及最大差值均小于相對輻射校正結(jié)果。對比表2中的均方根誤差項(xiàng)，各波段大氣校正方法的均方根誤差均小于相對輻射校正方法，且最大減低均方根誤差21.8%。通過時(shí)序未變像元的統(tǒng)計(jì)分析，表明兩種校正方法均能對時(shí)序影像進(jìn)行校正，但比較而言，大氣校正方法在時(shí)間序列上穩(wěn)定性和精度更高。

表2 時(shí)序未變像元統(tǒng)計(jì)表

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

4 結(jié)束語

本研究以2001年、2002年、2004年、2008年和2009年的5景Landsat數(shù)據(jù)為基礎(chǔ)，對結(jié)合6S輻射傳輸模型和MODIS數(shù)據(jù)的大氣校正方法和基于多元變化檢測的相對輻射校正方法進(jìn)行對比分析。對比采用三種方式，得到以下結(jié)論：

1）目視解譯和時(shí)序未變像元統(tǒng)計(jì)分析顯示，兩種輻射校正方法均可有效消除或減小時(shí)序影像之間因成像條件導(dǎo)致的輻射差異并獲得地表反射率數(shù)據(jù)，未變化像元點(diǎn)的反射率光譜一致性較好。

2）反射率影像直方圖統(tǒng)計(jì)結(jié)果顯示，由于0.05°分辨率的MODIS大氣參數(shù)能夠反映Landsat數(shù)據(jù)內(nèi)部大氣分布的空間異質(zhì)性，在大氣影響強(qiáng)烈的可見光波段，大氣校正結(jié)果優(yōu)于相對輻射歸一化結(jié)果。

試驗(yàn)證明，兩種輻射校正方法均能有效消除或減小時(shí)序Landsat數(shù)據(jù)中大氣散射和吸收的影響，獲取更為符合地物反射特征的地表反射率，但對于長時(shí)間序列的輻射校正而言，結(jié)合6S輻射傳輸模型和MODIS大氣數(shù)據(jù)的逐像素大氣校正方法穩(wěn)定性更好、精度更高。但由于MODIS大氣參數(shù)產(chǎn)品始于2000年，因此該方法不能處理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, 劉良云, CACCETTA P, 等. 光譜特征擴(kuò)展的時(shí)間序列Landsat數(shù)據(jù)地表覆蓋分類[J]. 遙感學(xué)報(bào), 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, 張懷清, 陳永富, 等. 基于“高分四號”衛(wèi)星影像洞庭湖濕地信息提取[J]. 航天返回與遙感, 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, 劉良云, 張九星, 等. 基于MODIS大氣產(chǎn)品的天宮一號高光譜成像儀數(shù)據(jù)大氣校正研究[J]. 遙感技術(shù)與應(yīng)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, 張立福, 晏磊, 等. 遙感影像相對輻射校正方法及適用性研究[J]. 遙感學(xué)報(bào), 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] 王歡, 陳向?qū)? 徐萬鵬. 基于6S模型的多光譜遙感影像大氣校正應(yīng)用研究[J]. 測繪地理信息, 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] 譚偉, 王鈺, 何紅艷, 等. 常用大氣校正模型對圖像清晰度提升的對比分析[J]. 航天返回與遙感, 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] 鄧書斌, 武紅敢, 江濤. 遙感動(dòng)態(tài)監(jiān)測中的相對輻射校正方法研究[J]. 遙感信息, 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, 沈煥鋒, 張良培, 等. 采用6S模型的多時(shí)相MODIS植被指數(shù)NDVI歸一化方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)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] 孫源, 顧行發(fā), 余濤, 等. 環(huán)境星CCD數(shù)據(jù)大氣校正研究[J]. 國土資源遙感, 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] 張路. 基于多元統(tǒng)計(jì)分析的遙感影像變化檢測方法研究[D]. 武漢: 武漢大學(xué), 2004. ZHANG Lu. Change Detection in Remotely Sensed Imagery Using Multivariate Statistical Analysis[D]. Wuhan: Wuhan University, 2004. (in Chinese)

[18] 馬超. 基于典型相關(guān)分析的遙感變化檢測方法研究[D]. 南京: 南京理工大學(xué), 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] 胡明曉. 正交回歸和一般最小二乘回歸的幾何誤差分析[J]. 數(shù)理統(tǒng)計(jì)與管理, 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, 劉慧平, 朱壽東, 等. 多元變化檢測的相對輻射校正方法研究[J]. 測繪科學(xué), 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

鄧琳，女，1989年生，2015年獲西南交通大學(xué)攝影測量與遙感專業(yè)碩士學(xué)位，工程師。研究方向?yàn)槎窟b感技術(shù)和遙感技術(shù)應(yīng)用研究。E-mail: rs_denglin@126.com。

胡勇，男，1985年生，2014年6月獲中國科學(xué)院遙感與數(shù)字地球研究所攝影測量與遙感專業(yè)博士學(xué)位，高級工程師。研究方向?yàn)檫b感數(shù)據(jù)定量化處理與土地利用遙感。E-mail: rihor@sina.com。

2018-01-20

住房和城鄉(xiāng)建設(shè)部科技項(xiàng)目（2016-k8-054）

（編輯：龐冰）