引用本文
吕思思, 甘淑, 刘国徽. 基于FLAASH模型输入参数的校正结果评价分析[J]. 浙江农业科学, 2017,(8):1471-1476  
Permissions
Copyright©2017, 《浙江农业科学》编辑部
《浙江农业科学》编辑部 所有
基于FLAASH模型输入参数的校正结果评价分析
吕思思, 甘淑, 刘国徽
昆明理工大学 国土资源工程学院,云南 昆明 650093

作者简介:吕思思(1992—),女,云南宣威人,硕士研究生,主要研究遥感信息技术与应用,E-mail:14787879254@126.com。

基金项目: 国家自然科学基金(41561083); 云南省自然科学基金重点项目(2015FA016)
摘要

以香格里拉地区的Landsat5 TM遥感图像为例,对FLAASH模型在使用不同范围、不同大气模式、不同气溶胶模式和不同二氧化碳浓度等输入条件情况下分别进行大气校正实验,将校正结果进行对比分析。结果表明:从校正后植被的反射光谱曲线来看,虽然FLAASH模型的这4个参数发生了变化,但其结果仍能在一定程度上减弱遥感影像所受到的大气的影响。这4个参数的变化对FLAASH模型的校正结果有一定的影响,但敏感性不强。无气溶胶模式的大气校正,虽然在结果的异常值像元个数方面比有气溶胶模式的表现要好,但是在进行FLAASH大气校正时,不建议选择无气溶胶模式。

关键词: FLAASH; 大气校正; 敏感度
中图分类号:TP75 文献标志码:A 文章编号:0528-9017(2017)08-1471-06 doi: 10.16178/j.issn.0528-9017.20170852

太阳辐射传输过程中, 大气中的气体和气溶胶与太阳辐射发生相互作用后, 会造成太阳辐射的衰减。因此, 大气被认为是造成遥感图像辐射畸变的主要外部因素之一, 在进行遥感定量应用时, 需要考虑减弱或消除其对遥感图像造成的影响。

卫星遥感图像的大气校正, 一直是遥感定量化研究的难点之一。近些年来, 随着定量遥感技术的迅速发展, 以及利用多传感器、多时相遥感数据进行土地利用和土地覆盖变化监测、全球资源环境分析、气候变化监测等的需要, 遥感图像大气校正研究越来越受到重视。

目前, 遥感图像的大气校正方法很多, 按照校正后的结果可以分为绝对大气校正和相对大气校正[1], 按照校正过程可分为间接大气校正和直接大气校正[2]。常见的绝对大气校正的方法主要有辐射传输模型、黑暗像元法、不变目标法、参考值大气校正法和大气阻抗植被指数法等[3], 其中, 以辐射传输模型法校正精度较高。

辐射传输模型法是利用电磁波在大气中的辐射传输原理建立起来的方法。这类方法的原理基本相同, 差异在于假设条件和适用范围不同。目前, 应用广泛的大气校正模型就有近30种, 以6S、MODTRAN、LOWTRAN和ATCOR模型最为常用。

FLAASH模型是基于MODTRAN4模型的大气纠正模块, 主要用于从高光谱遥感图像中还原出无大气影响或受大气影响较小的地物地表反射率。与其他大气纠正模型的计算方法不同, FLAASH模型直接与MODTRAN4模型的大气辐射传输编码相结合, 而不采用模型数据库中加入的辐射参数对大气进行纠正, 因此任何标准MODTRAN4大气模型和气溶胶类型都可以被直接选用。此外, FLAASH模型还具有校正精度高、操作简便和适用性强等优点, 被广泛应用于遥感图像的大气校正。刘瑜[4]介绍了FLAASH大气校正模型的主要原理及算法, 并通过实验证明, FLAASH模型能够较好地消除大气影响。吴彬等[5]基于FLAASH模型对Hyperion图像进行了大气校正, 分析了不同地物校正前后的光谱特征, 通过与标准库对比后, 指出基于大气辐射传输模型理论进行大气校正是可行的。赵国祥等[6]对FLAASH校正模型中参数的正确性与否对结果产生的影响进行了研究。田丰等[7]对香格里拉地区的Hyperion卫星影像进行FLAASH大气校正和MNF平滑后, 较好地消除了大气影响和Hyperion高光谱遥感图像的光谱噪声。综上, FLAASH模型可用于减弱多种遥感图像受到的大气影响, 但以往的研究在FLAASH模型输入参数对结果敏感性的影响方面[8]较少涉足。

本研究以香格里拉地区的Landsat 5 TM遥感图像为研究资料, 进行不同图像范围、不同气溶胶、不同大气模式和不同二氧化碳浓度条件下的大气校正对比实验, 通过对校正结果的植被反射波谱曲线、归一化植被指数和异常值像元个数的对比, 旨在分析不同输入参数对FLAASH模型大气校正结果的影响, 以期为相关应用研究提供参考。

1 材料与方法
1.1 研究区概况

香格里拉市是迪庆藏族自治州下辖市之一, 位于云南省西北部, 是滇、川、藏三省区交汇处, 也是举世闻名的“ 三江并流” 风景区腹地。香格里拉市地形总体西北高、东南低, 最高点巴拉格宗海拔5 545 m, 最低点洛吉吉函海拔1 503 m, 海拔高差4 042 m, 平均海拔3 280 m, 地理坐标为94° ~102° E、27° ~34° N, 香格里拉市地处高海拔低纬度地带, 气候随海拔升高而变化, 地貌按形态可分为山地、高原、盆地、河谷。

1.2 遥感数据概况

研究区的遥感数据是Landsat 5 TM影像, 下载自美国地质调查局网站, 轨道号/行号131/41, 产品级别L1T, 空间分辨率30 m, 坐标系统WGS 84, 投影方式UTM, 投影带47 N。

1.3 数据处理

首先, 进行辐射定标。即将传感器记录的电压或数字量化值(DN)转换成绝对辐射亮度值(辐射率)[9], 或者转换成与地表反射率等物理量有关的相对值。

然后, 利用香格里拉市界的矢量数据对辐射定标后的结果进行裁剪, 得出研究区图像。

FLAASH大气校正模块对于数据文件的存储格式要求为BIL或BIP格式, 但上述计算结果的存储方式为BSQ, 因此, 还需进行波段存储顺序的转化。

1.4 FLAASH模型参数设置

1.4.1 不同范围大气校正参数设置

原始图像的FLAASH模型参数设置:影像中心点, 27.41° N, 100.77° E; 传感器高度, 705 km; 像元大小, 30 m; 飞行日期, 2006-01-25; 飞行时间, 3 h 36 min 33 s; 传感器类型, Landsat TM5; 大气模型, 中纬度夏季(Mid-Latitude Summer, MLS); 水汽反演, NO; 气溶胶类型, 乡村气溶胶模式(Rural); 气溶胶反演, 2-Band(K-T); 气溶胶反演设置, 标准陆地上; CO2混合比例, 390 ppm(注:ppm为系统设定单位, 按国家标准单位应为μ L· L-1, 下同); MODTRAN分辨率, 5 cm-1。

裁剪后图像的FLAASH模型参数设置:影像中心点, 27.61° N, 100.012° E; 传感器高度, 705 km; 平均海拔, 3.28 km; 像元大小, 30 m; 飞行日期, 2006-01-25; 飞行时间, 3 h 36 min 33 s; 传感器类型, Landsat TM5; 大气模型, MLS; 水汽反演, NO; 气溶胶类型, Rural; 气溶胶反演, 2-Band(K-T); 气溶胶反演设置, 标准陆地上; CO2混合比例, 390 ppm; MODTRAN分辨率, 5 cm-1。

1.4.2 不同大气模式大气校正参数设置

以原始图像的FLAASH模型参数设置为依据, 设定平均海拔3.28 km, 进行MLS大气模式的校正。完成后, 再改变大气模式参数为亚极地冬季(Sub-Arctic Winter, SAW)、中纬度冬季(Mid-Latitude Winter, MLW)、美国标准(U.S. Standard, US)、亚极地夏季(Sub-Arctic Summer, SAS)和热带(Tropical, T), 分别进行大气校正。

1.4.3 不同气溶胶模式大气校正参数设置

以原始图像的FLAASH模型参数设置为依据, 设定平均海拔3.28 km, 进行Rural气溶胶模式的校正。完成后, 再改变气溶胶模式参数为无气溶胶(No Aerosol)、城市气溶胶(Urban)、海事气溶胶(Maritime)和对流层气溶胶(Tropospheric), 分别进行大气校正。

1.4.4 不同二氧化碳浓度的大气校正参数设置

以原始图像的FLAASH模型参数设置为依据, 设定平均海拔3.28 km, CO2混合比例300 ppm; 进行此条件下的校正。待其完成后, 再改变二氧化碳浓度为360 ppm、420 ppm、480 ppm, 分别进行大气校正。

2 结果与分析
2.1 不同范围大气校正结果与分析

2.1.1 植被反射波谱曲线分析

用ENVI分别打开原始图像数据与大气校正后的结果, 将原始图像与大气校正后的结果进行链接, 并选取植被的反射光谱曲线进行比较(图1, 表1)。可以看出:经大气纠正后植被反射率在绿光(0.55 μ m附近)有一个小的反射峰, 在红光处(0.68 μ m附近)有一吸收谷, 这是光合作用吸收谷。在0.7~0.8 μ m附近有很高的红外反射峰, 它和前面的绿光波峰、红光波谷一起形成了植被光谱的特征。这说明FLAASH大气纠正可以有效地减弱Landsat卫星TM数据中大气因素的影响。

图1 不同范围FLAASH大气校正植被反射光谱

表1 不同范围大气校正后的植被反射率%

对比未裁剪影像数据和裁剪影像数据植被反射波谱可以看出, 两者曲线相差不大(图1)。两种图像范围下各波段反射率平均值的差在0.07%~0.4%, 表明FLAASH模型对景中心坐标(不同图像范围)的敏感性并不表现出强依赖, 但相比之下, 景中心坐标对TM4和TM5的影响大于其他波段。

2.1.2 归一化植被指数(NDVI)分析

归一化植被指数(NDVI)是一种由遥感传感器所接收的地物光谱信息推算而得的反映地表植被状况的定量值。经过测算, 校正后未裁剪影像数据、裁剪影像数据以及原始影像数据的NDVI值分别为0.639 6、0.691 4、0.383 1。可以看出, 未裁剪影像数据、裁剪影像数据的NDVI平均值与原始影像相比都有改善, 2种图像范围得到的NDVI平均值的差值为0.051 8, 表明改变FLAASH模型图像景中心坐标对NDVI的影响不大, 说明FLAASH模型校正结果对景中心坐标的依赖性不强。

2.1.3 异常值像元分析

地表的反射率正常值在0~1, 超过此范围的像元值可看作是校正异常值, 异常值像元的多少可以代表FLAASH模型对遥感图像获取时大气状况模拟的情况:异常值像元少的, 说明校正效果好; 异常值多的, 说明校正效果不好。

为避免影像背景对异常值像元统计的影响, 将背景进行掩膜。在ENVI下分别打开大气校正后的待掩膜的影像和掩膜所需的矢量数据, 将矢量数据转化为ROI, 对影像做掩膜处理, 提取异常值像元。从表2可以看出:未裁剪影像的异常值像元个数比裁剪影像的多, 表明在进行遥感图像的FLAASH大气校正时, 直接对研究区的影像进行校正的效果优于对包含研究区的整景影像进行校正。

表2 不同范围大气校正结果的异常值像元
2.2 不同大气模式大气校正结果与分析

2.2.1 植被反射波谱曲线分析

如图2所示, 相较于原始影像数据, 大气纠正后的植被光谱反射波谱曲线更符合植被光谱的特征, 说明FLAASH大气校正可以有效地减弱Landsat卫星TM数据中大气因素的影响。在FLAASH模型下采用不同大气模式进行校正后, 各波段反射率的差值在0.05%~0.48%(表3), 表明FLAASH模型对不同大气模式输入参数的敏感性并不体现出强依赖。在各波段之中, 相较而言, 对TM4和TM5的影响大于其他波段。

图2 不同大气模式FLAASH大气校正植被反射光谱

表3 不同大气模式大气校正结果的植被反射率%

2.2.2 归一化植被指数分析

利用不同大气模式校正的结果, 计算NDVI值。SAW、MLW、SAS、MLS、T、US模式下, 植被的NDVI平均值分别为0.680 2、0.678 0、0.663 1、0.660 7、0.653 1、0.680 2, 原始影像数据的NDVI平均值为0.383 1。各大气模式得到的NDVI平均值的差值为0.027 1, 且与原始影像相比均有明显的改善。相对来说, T模式下NDVI改善最小。

2.2.3 异常值像元分析

由表4可以看出, SAS、MLS、US模式下的异常值像元数量较多, 而T模式下的异常值像元数量最少, 说明该模式下大气校正效果最好。

表4 不同大气模式校正结果的异常值像元
2.3 不同气溶胶模式大气校正结果与分析

2.3.1 植被反射波谱曲线分析

如图3所示, 相较于原始影像数据, 大气纠正后的植被光谱反射波谱曲线更符合植被光谱的特征, 说明FLAASH大气校正可以有效地减弱Landsat卫星TM数据中大气因素的影响。总体来看, 各气溶胶模式(除无气溶胶模式外)校正结果的植被反射光谱曲线相差不大。相较于其他模式, 无气溶胶模式校正的植被反射光谱曲线在TM1~3上的反射率比有气溶胶模式的大, 在TM4上的反射率略小, 在TM5和TM7上相差不大(表5)。这可能是由于无气溶胶模式不输入气溶胶, FLAASH模型在计算时不对溶胶引起的大气散射作用进行弥补而造成的。

图3 不同气溶胶模式FLAASH大气校正植被反射光谱

表5 不同气溶胶模式大气校正结果的植被反射率%

各模式下不同波段的反射率差值在0.02%~0.49%, 表明FLAASH模型对不同气溶胶模式输入参数的敏感性并不体现出强依赖。对比各波段可以看出, 各模式对TM4~5波段的影响大于其他波段。

2.3.2 归一化植被指数分析

利用不同大气模式校正的结果, 计算NDVI值。乡村气溶胶模式、无气溶胶模式、城市气溶胶模式、海事气溶胶模式、对流层气溶胶模式下, 植被的NDVI平均值分别为0.712 3、0.651 3、0.717 1、0.713 1、0.712 8, 原始影像数据的植被NDVI平均值为0.383 1。各气溶胶模式下NDVI平均值的差值为0.065 8, 与原始影像数据相比都有明显改善, 但以无气溶胶模式下的NDVI改善最小。

2.3.3 异常值像元分析

由表6可以看出, 无气溶胶模式下校正结果的异常像元比有气溶胶模式校正的少, 这可能是因为无气溶胶模式校正时, FLAASH模型不用考虑气溶胶对太阳辐射的散射作用造成的影响。各气溶胶模式(考虑气溶胶的校正)校正结果中, 乡村气溶胶模式下的异常值像元个数最少, 说明其校正效果较优。

表6 不同气溶胶模式大气校正结果的异常值像元
2.4 不同二氧化碳浓度大气校正结果与分析

2.4.1 植被反射波谱曲线分析

如图4所示, 相较于原始影像数据, 大气纠正后的植被光谱反射波谱曲线更符合植被光谱的特征, 说明FLAASH大气校正可以有效地减弱Landsat卫星TM数据中大气因素的影响(图4)。经过不同二氧化碳浓度校正影像数据的植被反射波谱曲线相差不大。不同CO2浓度下, 各个波段反射率平均值差值在0~0.04%(表7), 说明二氧化碳浓度对FLAASH模型大气校正影响不大, FLAASH模型对不同二氧化碳浓度输入参数的敏感性并不体现出强依赖。

图4 不同二氧化碳浓度FLAASH大气校正植被反射光谱

表7 不同气溶胶模式大气校正结果的植被反射率 %

2.4.2 归一化植被指数分析

利用不同大气模式校正的结果, 计算NDVI值。CO2浓度分别为300、360、420、480 ppm条件下, 植被的NDVI平均值分别为0.727 6、0.727 9、0.729 1、0.729 1, 原始影像数据的植被NDVI平均值为0.383 1。各气溶胶模式下NDVI平均值的差值为0.001 5, 与原始影像数据相比都有明显改善, 但以300 ppm下的NDVI改善最小。

2.4.3 异常值像元分析

由表8可以看出, 二氧化碳浓度在300~420 ppm, 异常值像元数相差不大(3.362%~3.369%), 但当增加到480 ppm时, 异常值像元比率为3.388%。可见在进行遥感图像的FLAASH大气校正时, 在二氧化碳浓度300~420 ppm条件下进行校正的效果相对较好。

表8 不同气溶胶模式大气校正结果的异常值像元
3 小结与讨论

本文对香格里拉地区的多光谱数据进行FLAASH模型不同输入参数的大气校正对比实验, 从不同范围、不同大气模式、不同气溶胶模式和不同二氧化碳浓度4个方面分别进行了对比分析, 结果表明:1)从校正后植被的反射光谱曲线来看, 虽然FLAASH模型的这4个参数发生了变化, 但其结果均能在一定程度上减弱遥感影像受到的大气的影响; 2)这4个参数的变化对FLAASH模型的校正结果虽然有一定的影响, 但是敏感性不强, 这使得工程应用时的易用性大大增强。

要指出的是, 虽然无气溶胶模式下的大气校正结果异常值像元数比有气溶胶模式下少, 但是在进行FLAASH大气校正时, 不建议选择无气溶胶模式。因为该模式与实际情况不符, 会影响大气校正的效果, 但是影响不大。另外, 本文的结论是在一景遥感影像基础上得到的, 得到的结果未必能真实地反映FLAASH模型校正结果对输入参数的依赖性。虽然文中采用了一些定量的统计方法, 对校正结果进行评价, 但是这些评价未涉及定量遥感方面。若能结合研究区大量的实际调查地表物理变量(森林蓄积量、生物量等)做更进一步的分析, 那么结论将更具说服力。

The authors have declared that no competing interests exist.

参考文献:
[1] LIANG S, FANG H, CHEN M. Atmospheric correction of Land sat ETM+land surface imagery. I. Methods[J]. IEEE Transactions on Geoscience & Remote Sensing, 2001, 39(11): 2490-2498. [本文引用:1]
[2] KAUFMAN Y J, TANRÉ D. Strategy for direct and indirect methods for correcting the aerosol effect on remote sensing: From AVHRR to EOS-MODIS[J]. Remote Sensing of Environment, 1996, 55(1): 65-79. [本文引用:1]
[3] 廖吉庆, 章开灵. 遥感图像处理中大气校正方法综述[J]. 科学与财富, 2013(3): 153. [本文引用:1]
[4] 刘瑜. 基于FLAASH模型的MODIS1B数据的大气校正[J]. 测绘与空间地理信息, 2013, 36(3): 47-49. [本文引用:1]
[5] 吴彬, 苗放, 叶成名, 等. 基于FLAASH的高光谱遥感数据大气校正应用[J]. 物探化探计算技术, 2010, 32(4): 442-445. [本文引用:1]
[6] 赵国祥, 苗放. 高光谱影像FLAASH大气校正模型参数影响与评价——以西藏山南为例[J]. 科技资讯, 2012(34): 6-7. [本文引用:1]
[7] 田丰, 杨苏明, 王润生. EO-1Hyperion高光谱数据FLAASH模块大气纠正[J]. 新疆地质, 2010, 28(1): 109-112. [本文引用:1]
[8] 杨校军, 陈雨时, 张晔, 等. FLAASH模型输入参数对校正结果的影响[J]. 遥感信息, 2008(6): 32-37. [本文引用:1]
[9] 张玉环. HJ1-CCD交叉辐射定标[D]. 青岛: 山东科技大学, 2011. [本文引用:1]