大气校正
大气校正(ENVI)
大气校正就是定量遥感中重要的组成部分。本专题包括以下内容:
? ? ●大气校正概述
? ? ●ENVI中的大气校正功能
1大气校正概述
大气校正的目的就是消除大气与光照等因素对地物反射的影响,广义上讲获得地物反射率、辐射率或者地表温度等真实物理模型参数;狭义上就是获取地物真实反射率数据。用来消除大气中水蒸气、氧气、二氧化碳、甲烷与臭氧等物质对地物反射的影响,消除大气分子与气溶胶散射的影响。大多数情况下,大气校正同时也就是反演地物真实反射
率的过程。
图1 大气层对成像的影响示意图
很多人会有疑问,什么情况下需要做大气校正,我们购买或者其她途径获取的影像就是否做过大气校正。
通俗来讲,如果我们需要定量反演或者获取地球信息、精确识别地物等,需要使用影像上真实反映对太阳光的辐射情况,那么就需要做大气校正。我们购买的影像,说明文档中会注明就是经过辐射校正的,其实这个
辐射校正指的就是粗的辐射校正,只就是做了系统大气校正,就跟系统
几何校正的意义就是一样的。
目前,遥感图像的大气校正方法很多。这些校正方法按照校正后
的结果可以分为2种:
??●绝对大气校正方法:将遥感图像的DN(Digital Number)值转换为地表反射率、地表辐射率、地表温度等的方法。
??●相对大气校正方法:校正后得到的图像,相同的DN值表示相同的地物反射率,其结果不考虑地物的实际反射率。
常见的绝对大气校正方法有:
●基于辐射传输模型
? ??MORTRAN模型
? ??LOWTRAN模型
? ??ATCOR模型
? ??6S模型等
●基于简化辐射传输模型的黑暗像元法
●基于统计学模型的反射率反演;
相对大气校正常见的就是:
●基于统计的不变目标法
●直方图匹配法等。
既然有怎么多的方法,那么又存在方法选择问题。这里有一个总结
供参考:
1、如果就是精细定量研究,那么选择基于基于辐射传输模型的大
大气校正方法说明
利用MODTRAN 进行大气校正的方法说明 一． 大气校正公式、原理以及所需参数 大气是介于传感器和地球表层之间由多种气体和气溶胶组成的介质层，电磁波在地物和传感器之间传输时，必然受到大气的影响。遥感对地观测时，要想得到目标的真实信息，大气校正是不可回避的。由卫星传感器获取的表观反射率ρ* 可由下式表出： '()(,,)(,,)(())1v s s v s v a s v s v t t v d t T S e t τμθρθθφφρθθφφρρθρ-*-=-++- (1) 式中： s θ：太阳天顶角 ， s φ：太阳方位角 ，v θ ：传感器天顶角，v φ ：传感器方位角， t ρ：目标反射率，(,,)a s v s v ρθθφφ-：大气的路径辐射项等效反射率， τ：大气的光学厚度， S ：大气的半球反照率，' ()v d t θ：散射透过率，cos()v v μθ=。 通过MODTRAN4对大气辐射传输进行模拟，求得大气校正所需参数，将所求的大气校正参数和传感器获得的表观反射率一并代入大气辐射传输公式 (1)，便可计算出目标的真实反射率t ρ，从而完成大气校正的任务。 在实际的工作中，我们可以用下面的公式： 0()()()1t v v d v t L L F T S ρμμμρ=+ - (2) 是传感器接收到的辐射亮度，0()v L μ是路径辐射项，d F ＝ 式中：s μ0F ()s T μ是太阳下行总辐射(0F 是大气层顶的太阳辐照度)， ()v T μ=v e τμ-+'()v d t θ是传感器和目标之间的透过率（v e τμ-是直射透过率，' ()v d t θ是散射透过率）。在已知的观测条件（太阳和传感器的几何参数，大气廓线，地表反射率等）下，设定一组t ρ值以及相应的传感器高度，通过MODTRAN4模拟得到一组辐射亮度()v L μ，代入方程(2)，再经过简单的代数运算就可以求出大气校正所需的参数（路径辐射项、透过率、大气半球反照率和太阳下行总辐射）。地表反射率和相应传感器高度设置见表1：(地面高程时候传感器不受大气影响,L0项去掉；()v T μ＝1表示完全透过) 表1 地表反射率和相应的传感器高度参数设置 由(2)式，可以解出t ρ， ()v L μ
大气校正问题心得
九月份学习报告 报告人：fairy郑 学习内容介绍： 九月份主要对论文中存在的问题进行了修正以及对论文中不足的部分进行了改善。 一．首先：对环境小卫星HJ_1A的HIS数据进行了深入的了解。 二．其次：对envi软件在处理环境小卫星的HJ_1A的HIS数据的FALSSH大气校正从原理到实际操作有更加清晰的认识。 三．最后：对环境小卫星的HJ_1A的HIS数据的FALSSH大气校正的处理结果进行分析，并且根据此次实验对论文中的错误进行修正。 一．对环境小卫星HJ_1A的HIS数据的了解。 HSI 数据为资源卫星中心提供的辐亮度产品, 影像已经过系统级几何校正与表观辐亮度标定, 但前20 几个波段具有较为明显的噪声和条带效应。由此可知：环境小卫星HJ_1A的HIS数据是经过辐射定标的数据。 由辐亮度数据可以直接用公式求算出地物的表观反射率曲线 下图即为表观反射率曲线，即为原始数据的光谱曲线： 由上图可以得出在760 nm 与820 nm 附近存在两个明显的波谷, 这是由于760 nm 处为氧气吸收带,820 nm 处为水汽吸收带。说明直接由H SI 的辐亮度产品获得的表观反射率含有较多的大气影响。若直接基于表观反射率开展遥感应用, 难以体现地物的真实物理特性, 从而影响其后遥感应用的准确性。
二．在envi软件中进行大气校正的步骤 第一步：由于envi软件不能打开HJ_1A的HIS的h5格式的图像，所以下载了HDF5 这个扩展模块，这个扩展模块不用自己安装，直接将copy到“save_add”目录下，默认为C:\Program Files\ITT\IDL##\products\envi##\save_add\。 要使用这个这个功能时：按照File→Open Extenral File→HJ-1→HIS就可以打开h5格式的图像，同时还可以读取下载图像的原始信息。如下图 第二步：将图像格式转换为bip格式，
FLAASH大气校正参数设置
1.3.2FLAASH其它参数的设置 （1）图像中心点坐标 可以从相应的HDF文件中找到，也可以从屏幕上直接读取影像的中心坐标，对反演结果影响不大。当影像位于西半球时，经度为负值； （2）传感器类型 当选择传感器类型时，模块会选择相应的类型的传感器波段响应函数，同时系统一般会自动设置传感器的高度和图像的空间分辨率； （3）海拔高度 海拔高度为研究区的平均海拔； （4）数据获取日期和卫星过境时间 卫星过境时间为格林尼治时间，可以从相应的HDF文件中找到； （5）大气模型 模块提供热带、中纬度夏季、中纬度冬季、极地夏季、极地冬季和美国标准大气模型，研究者根据数据获取时间选择相应的大气模型； （6）水气反演 大多数多光谱数据不推荐反演水汽含量； （7）气溶胶模型 可供选择的气溶胶模型有无气溶胶、城市气溶胶、乡村气溶胶、海洋气溶和对流层气溶胶模型。当能见度大于40Km时，气溶胶类型选择对反演没有太多影响，一般情况下利用ASTER 数据不做气胶反演； 在高级设置中，①Modtran 分辨率（Modtran resolution）：一般设置成5cm-1；②反射率输出的时尺度系数，默认尺度系数是10000，可以使用默认的尺度系数。若使用默认的尺度系数，大气校正后得到反射率图像的数值域为：0-10000。其余参数使用默认值。 大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率和辐射率、地表温度等真实物理模型参数，用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧对地物反射的影响，消除大气分子和气溶胶散射的影响。FLAASH 可以处理任何高光谱数据、卫星数据和航空数据(860nm/1135nm)，这些数据是由HyMAP、AVIRIS、CASI、HYDICE、HYPERION(EO-1)AISA、HARP、DAIS、Probe-1、TRWIS-3、SINDRI、MIVIS、OrbView-4、NEMO等传感器获得的。FLAASH还可以校正垂直成像数据和侧视成像数据。
大气校正(ENVI)
大气校正（ENVI） 大气校正是定量遥感中重要的组成部分。本专题包括以下容： 大气校正概述 ENVI中的大气校正功能 1大气校正概述 大气校正的目的是消除大气和光照等因素对地物反射的影响，广义上讲获得地物反射率、辐射率或者地表温度等真实物理模型参数；狭义上是获取地物真实反射率数据。用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等物质对地物反射的影响，消除大气分子和气溶胶散射的影响。大多数情况下，大气校正同时也是反演地物真实反射率的过程。
图1 大气层对成像的影响示意图 很多人会有疑问，什么情况下需要做大气校正，我们购买或者其他 途径获取的影像是否做过大气校正。 通俗来讲，如果我们需要定量反演或者获取地球信息、精确识别地物等，需要使用影像上真实反映对太的辐射情况，那么就需要做大气校正。我们购买的影像，说明文档中会注明是经过辐射校正的，其实这个辐射校
正指的是粗的辐射校正，只是做了系统大气校正，就跟系统几何校正的 意义是一样的。 目前，遥感图像的大气校正方法很多。这些校正方法按照校正后的 结果可以分为2种： 绝对大气校正方法：将遥感图像的DN(Digital Number)值转换为地表反射率、地表辐射率、地表温度等的方法。 相对大气校正方法：校正后得到的图像，相同的DN值表示相同的地物反射率，其结果不考虑地物的实际反射率。 常见的绝对大气校正方法有： 基于辐射传输模型 MORTRAN模型 LOWTRAN模型 ATCOR模型 6S模型等 基于简化辐射传输模型的黑暗像元法 基于统计学模型的反射率反演； 相对大气校正常见的是： 基于统计的不变目标法 直方图匹配法等。 既然有怎么多的方法，那么又存在方法选择问题。这里有一个总结供 参考： 1、如果是精细定量研究，那么选择基于基于辐射传输模型的大
大气校正问题
ENVI FLAASH 大气校正常见错误及解决方法（2013年7月15号更新） (2011-03-07 16:55:57) 转载▼ 标签： flaash 大气校正 分类： ENVI 本文汇总了ENVI FLAASH 大气校正模块中常见的错误，并给出解决方法，分为两部分：运行错误和结果错误。前面是错误提示及说明，后面是错误解释及解决方法。 FLAASH 对输入数据类型有以下几个要求： 1、波段范围：卫星图像：400－2500nm ，航空图像：860nm-1135nm 。如果要执行水汽反演，光谱分辨率<=15nm ，且至少包含以下波段范围中的一个： ??●1050-1210 nm ??●770-870 nm ??●870-1020 nm 2、像元值类型：经过定标后的辐射亮度（辐射率）数据，单位是：（μW ） /（cm2*nm*sr ）。 3、数据类型：浮点型（Floating Point ）、32位无符号整型（Long Integer ）、16位无符号和有符号整型（Integer 、Unsigned Int)，但是最终会在导入数据时通过Scale Factor 转成浮点型的辐射亮度（μW ）/（cm2*nm*sr ）。 4、文件类型：ENVI 标准栅格格式文件，BIP 或者BIL 储存结构。 5、中心波长：数据头文件中（或者单独的一个文本文件）包含中心波长（wavelenth ）值，如果是高光谱还必须有波段宽度（FWHM ），这两个参数都可以通过编辑头文件信息输入（Edit Header ）。 运行错误 1.Unable to write to this file.File or directory is invalid or unavailable 。
Flassh大气校正
[转载]大气校正（转） 大气校正是定量遥感中重要的组成部分。本专题包括以下内容： ? ●大气校正概述 ??●ENVI中的大气校正功能 1大气校正概述 大气校正的目的是消除大气和光照等因素对地物反射的影响，广义上讲获得地物反 射率、辐射率或者地表温度等真实物理模型参数；狭义上是获取地物真实反射率数据。用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等物质对地物反射的影响，消除大气分子和气溶胶散射的影响。大多数情况下，大气校正同时也是反演地物真实反射率的过程。 很多人会有疑问，什么情况下需要做大气校正，我们购买或者其他途径获取的影像是否做过大气校正。 通俗来讲，如果我们需要定量反演或者获取地球信息、精确识别地物等，需要使用影像上真实反映对太阳光的辐射情况，那么就需要做大气校正。我们购买的影像，说明文档中会注明是经过辐射校正的，其实这个辐射校正指的是粗的辐射校正，只是做了系统大气校正，就跟系统几何校正的意义是一样的。 常见的绝对大气校正方法有： ●基于辐射传输模型 ? ??MORTRAN模型 ? ??LOWTRAN模型
? ??ATCOR模型 ? ??6S模型等 ●基于简化辐射传输模型的黑暗像元法 ●基于统计学模型的反射率反演； 相对大气校正常见的是： ●基于统计的不变目标法 ●直方图匹配法等。 既然有怎么多的方法，那么又存在方法选择问题。这里有一个总结供参考： 1、如果是精细定量研究，那么选择基于基于辐射传输模型的大气校正方法。 2、如果是做动态监测，那么可选择相对大气校正或者较简单的方法。 3、如果参数缺少，没办法了只能选择较简单的方法了。 2 ENVI大气校正功能 在ENVI中包含了很多大气校正模型，包括基于辐射传输模型的MORTRAN模型、黑暗像元法、基于统计学模型的反射率反演。基于统计的不变目标法可以利用ENVI一些功能实现。其中MORTRAN 模型集成在ENVI大气校正扩展模块中。还有直方图匹配等。 2.1 简化黑暗像元法大气校正
FLAASH大气校正常见错误及解决方法
FLAASH大气校正常见错误及解决方法 本文汇总了ENVI FLAASH大气校正模块中常见的错误，并给出解决方法，分为两部分：运行错误和结果错误。前面是错误提示及说明，后面是错误解释及解决方法。 FLAASH对输入数据类型有以下几个要求： 1、波段范围：卫星图像：400－2500nm，航空图像：860nm-1135nm。如果要执行水汽反演，光谱分辨率<=15nm，且至少包含以下波段范围中的一个： ??●1050-1210 nm ??●770-870 nm ??●870-1020 nm 2、像元值类型：经过定标后的辐射亮度（辐射率）数据，单位是：（μW）/（cm2*nm*sr）。 3、数据类型：浮点型（Floating Point）、32位无符号整型（Long Integer）、16位无符号和有符号整型（Integer、Unsigned Int)，但是最终会在导入数据时通过Scale Factor转成浮点型的辐射亮度（μW）/（cm2*nm*sr）。 4、文件类型：ENVI标准栅格格式文件，BIP或者BIL储存结构。 5、中心波长：数据头文件中（或者单独的一个文本文件）包含中心波长（wavelenth）值，如果是高光谱还必须有波段宽度（FWHM），这两个参数都可以通过编辑头文件信息输入（Edit Header）。 运行错误 1.Unable to write to this file.File or directory is invalid or unavailable。
没有设置输出反射率文件名。 解决方法是单击Output Reflectance File按钮，选择反射率数据输出目录及文件名，或者直接手动输入。 2.ACC Error：convert7 IDL Error：End of input record encountered on file unit:0. 平均海拔高程太大。 注意：填写影像所在区域的平均海拔高程的单位是km：Ground Elevation（Km）。 3.ACC error：avrd: IDL error：Unable to allocate memory:to make array Not enough space ACC_AVRD
大气校正模型简述
大气辐射校正模型简介 1、acorn模型 它是一种基于图像自身的大气校正软件，可以实现图像辐射值到表观地表反射率的转换，其工作的波长范围是350－2500nm。 在目前的大气校正程序一般都把地表假定为水平朗伯体，这主要是因为我们一般很难获取地表的充足信息以完成地形校正，因此大气校正的结果称为拉伸的地表反射率，又称表观反射率，在地形信息已知的情况下，可以将表观反射率转为地表反射率。 Acorn所提供的最高级的大气校正形式是基于辐射传输理论的，大气校正的方法是基于chandrasekhar（1960，dover）公式，描述了太阳辐射源、大气、和地表对辐射的贡献关系。Caorn提供了一系列大气校正策略，包括经验法和基于辐射传输理论的方法，既可以对高光谱数据进行大气校正，也可以对多光谱图像数据进行大气校正，校正模式如下： 1）模式1：对定标后的高光谱数据进行辐射传输大气校正，输出项为地表 表观反射率。 2）模式1.5：对定标后的高光谱数据利用水气和液体水光谱你和技术进行 辐射传输大 气校正。 3）模式2：对高光谱大气校正结果进行独立的光谱增强。 4）模式3：利用经验线性法对高光谱数据进行大气校正 5）模式4：对高光谱数据进行卷积处理得到多光谱数据 6）模式5：对定标的多光谱数据进行辐射传输大气校正 7）模式6：对多光谱的大气校正结果进行独立的光谱增强 2、lowtran模型 LOWTRAN是一种低分辨率（分辨率≥20cm-1）大气辐射传输模式。它提供了6种参考大气模式的温度、气压、密度的垂直廓线，水汽、臭氧、甲烷、一氧化碳、一氧化二氮的混合比垂直廓线，其他13种微量气体的垂直廓线，城乡大气气溶胶、雾、沙尘、火山喷发物、云、雨的廓线，辐射参量（如消光系数、吸收系数、非对称因子的光谱分布），以及地外太阳光谱。 lowtran7可以根据用户的需要，设置水平、倾斜、及垂直路径，地对空、空对地等各种探测几何形式，适用对象广泛。lowtran7的基本算法包括透过率计算方法，多次散射处理和几何路径计算。 1）多次散射处理 lowtran 采用改进的累加法，自海平面开始向上直至大气的上界，全面考虑整层大气和地表、云层的反射贡献，逐层确定大气分层每一界面上的综合透过率、吸收率、反射率和辐射通量。再用得到的通量计算散射源函数，用二流近似解求辐射传输方程。 2）透过率计算 该模型在单纯计算透过率或仅考虑单次散射时，采用参数化经验方法计算带平均透过率，在计算多次散射时，采用k－分布法 3）光线几何路径计算 考虑了地球曲率和大气折射效应，将大气看作球面分层，逐层考虑大气折射效应 3、modtran模型 MODTARN（ModerateResolutionTransmission）这是由美国空军地球物理实验（AFGL）开发的计算大气透过率及辐射的软件包。MODTRAN从LOWTRAN发展而来，它提高LOWTRAN的光
大气校正
二类水体大气校正算法说明书 子模块介绍：该模块的主要任务是针对太湖流域二类水体水质，通过对遥感器水色波段的大气校正，计算出可见光波段的归一化离水辐射率，为水体水色信息的提前做准备。 1.输入数据: MODIS TERRA 几何校正后产品 MODIS产品中太阳和卫星天顶角、方法角数据集 大气辅助数据产品（臭氧含量、压强） CE318太阳光度计辅助数据（用于大气气溶胶光学厚度计算） 2.输出数据 海洋水色产品（离水辐射率） 3.算法说明 3.1大气校正模块说明 来自大气外层的太阳光通过大气的瑞利散射和气溶胶散射，其中一部分返回到卫星水色扫描仪，一部分直射和漫散射到达海面．到达海面的直射光，一部分由于镜面反射可能会穿过大气到达卫星水色扫描仪，另一部分经水面折射穿过水面，受到水色因子如叶绿素、悬浮泥沙和黄色物质等颗粒的散射后，再经水面折射穿过大气到达卫星水色扫描仪．水次表面的另一部分继续向下到达真光层深度或到达海底又部分反射。经折射回到卫星水色扫描仪．因此，可能到达卫星水色扫描仪的总辐射量为（为简洁，省略波长 ）： L t=L r+L a+t L f+T L g+t L w（1） 式中： L r－大气分子单次和多次散射；
L a－气溶胶单次和多次散射以及气溶胶与大气分子间的多次散射； L f －白帽散射； L g－太阳耀斑； T－大气直射透过率； L w－离水辐亮度； t－大气漫射透过率。 对于太阳耀斑Lg，若像元处在耀斑区，则其值非常大，无法准确的去除其影响，实际上这一块图象数据是无效的；而在非耀斑区，其值又比较小，可以忽略不计。故本算法未考虑其影响，则上式可表示为： L t=L r+L a+t L f+t L w（2）水色大气校正的目的是从传感器接收到的辐亮度值中去除大气的散射贡献，从而计算得到载有水体信息的离水辐亮度。由于大气分子成分及含量比较稳定，L r已能比较精确的计算得到。关键是气溶胶散射，由于气溶胶含量在空间域及时间域上变化较大，要准确计算其散射比较困难，各种大气校正方法的不同也主要体现在对气溶胶散射的处理上。 针对太湖水体特殊情况（较混浊，区域小），基于以上基本原理，提出了针对太湖水体的大气校正方法。该方法首先在清洁像元利用一类水体大气校正方法，获得近红外波段的气溶胶散射辐亮度以及表征气溶胶类型的参数。在假定在太湖区域气溶胶类型一样的情况下，就可以由清洁像元的参数得到非清洁像元的气溶胶参数。主要从以下两个方面来具体阐述该原理：清洁像元大气校正、非清洁像元大气校正。 表1：modis影像部分波段介绍 波段波段宽度/nm 中心波长/nm F0 (uw/cm^2/nm) 臭氧单位吸收系数空间分辨率 1 620-670 645 163.00 0.07 250m 2 841 858 100.58 0 250m 8 405~420 412 180.50 0 1000m 9 438~448 443 194.50 0.003 1000m 10 483~498 488 187.50 0.019 1000m 11 526~536 531 196.00 0.064 1000m 12 546~556 551 186.50 0.085 1000m 13 662~672 667 154.00 0.049 1000m 14 673~683 678 150.50 0.04 1000m 15 743~753 748 128.05 0.0092 1000m 16 862~877 865 99.05 0 1000m 3.3光学厚度计算说明 光学厚度的计算根据太阳光度辐射计CE318实测数据反演得到。 表2 CE318的波段配置
Flaash大气校正
上机实习内容：Flaash大气校正 学生姓名王玲 学号201420771 院系城市与环境学院 专业地图学与地理信息系统年级2014级 教务处制
Flaash大气校正实验报告 一、实验目的 通过本次实验能够更深一步理解大气校正的原理、方法。并且熟练掌握Landsat8 OLI 数据的大气校正的流程。 二、实验内容 1、辐射定标 目的：将传感器记录的电压或数字量化值（DN值）转换为绝对辐射亮度值（辐射率）。 原理：L=Gain*DN + Bias 步骤： （1）首先，在Envi5.1中打开辐射定标工具，Toolbox/Radiometric Correction/ Radiometric Calibration，并在File Selection对话框中选择数据，如下所示： （2）辐射定标参数设置 当选择好辐射定标的数据时，接下来需选择定标参数。其中， ①Calibration Type：辐射定标类型，因Flaash校正要求输入的数据为辐亮度值，因此辐射定 标类型选择辐亮度。当数据的每个波段包含Gain和Offest参数时，Envi会自动从元数据文件中获取这些参数，并按照辐射定标公式进行定标，本实验所使用的Landsat8 OLI 数据的元数据中包含这两个参数。另外，Envi默认Gain和Offest参数定标单位为W/（m2*sr*μm），因此，计算得到的辐亮度值为W/（m2*sr*μm）。 ②Output Interleave：输出数据存储顺序，因Flaash校正要求输入的数据存储类型为BIL或 BIP，但因BIL的处理速度快，故在此选择BIL。 ③Output Data Type：输出数据类型，辐射定标中可以选择的输出数据类型为三种，分别是： 浮点型（Float）、双精度浮点型(Double)和无符号位16整型(Uint)。本实验中使用的OLI6 原始数据为无符号16位整型，在进行Flaash校正时计算缩放因子是无单位型与浮点型数据之间的缩放关系，因此，该处选择浮点型（Float）。 ④Scale Factor：因辐射定标计算的辐亮度值单位是W/（m2*sr*μm），而FLAASH校正所要 求输入数据的辐亮度单位为μW/（cm2*sr*nm），该缩放系数是这两单位间的转换系数，
大气校正常见错误处理方法及校正后检查
本文汇总了ENVI FLAASH大气校正模块中常见的错误，并给出解决方法，分为两部分：运行错误和结果错误。前面是错误提示及说明，后面是错误解释及解决方法。 FLAASH对输入数据类型有以下几个要求： 1、波段范围：卫星图像：400－2500nm，航空图像：860nm-1135nm。如果要执行水汽反演，光谱分辨率<=15nm，且至少包含以下波段范围中的一个： ??●1050-1210 nm ??●770-870 nm ??●870-1020 nm 2、像元值类型：经过定标后的辐射亮度（辐射率）数据，单位是：（μW）/（cm2*nm*sr）。 3、数据类型：浮点型（Floating Point）、32位无符号整型（Long Integer）、16位无符号和有符号整型（Integer、Unsigned Int)，但是最终会在导入数据时通过Scale Factor转成浮点型的辐射亮度（μW）/（cm2*nm*sr）。 4、文件类型：ENVI标准栅格格式文件，BIP或者BIL储存结构。 5、中心波长：数据头文件中（或者单独的一个文本文件）包含中心波长（wavelenth）值，如果是高光谱还必须有波段宽度（FWHM），这两个参数都可以通过编辑头文件信息输入（Edit Header）。 运行错误 1.Unable to write to this file.File or directory is invalid or unavailable。 没有设置输出反射率文件名。 解决方法是单击Output Reflectance File按钮，选择反射率数据输出目录及文件名，或者直接手动输入。 2.ACC Error：convert7
Flaash大气校正
Flaash大气校正（IRSP6-08.3.24） 大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率和辐射率、地表温度等真实物理模型参数，用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧对地物反射的影响，消除大气分子和气溶胶散射的影响。FLAASH 可以处理任何高光谱数据、卫星数据和航空数据(860nm/1135nm)，这些数据是由HyMAP、AVIRIS、C ASI、HYDICE、HYPERION(EO-1)AISA、HARP、DAIS、Probe-1、TRWIS-3、SINDRI、MIVIS、OrbView-4、N EMO等传感器获得的。FLAASH还可以校正垂直成像数据和侧视成像数据。 Flaash大气校正使用了MODTRAN 4+ 辐射传输模型的代码，基于像素级的校正，校正由于漫反射引起的连带效应，包含卷云和不透明云层的分类图，可调整由于人为抑止而导致的波谱平滑。 FLAASH可对Landsat, SPOT, AVHRR, ASTER, MODIS, MERIS, AATSR, IRS等多光谱、高光谱数据、航空影像及自定义格式的高光谱影像进行快速大气校正分析。能有效消除大气和光照等因素对地物反射的影响，获得地物较为准确的反射率和辐射率、地表温度等真实物理模型参数。 校正过程 点击envi——Basic Tools －Preprocessing －Calibration Utilities －FLAASH Spectral －FLAASH.或者点击envi-spectral- FLAASH 1、输入数据必须是辐射校正后的数据，对辐射校正数据转成BIL或BIP格式（Basic Tools ——Convert Data）；
大气矫正详细步骤
安徽理工大学实验报告 实验名称：遥感图像大气矫正 实验目的：1、了解大气校正的原因及什么是大气矫正； 2、大气校正消除的大气影响因素及大气校正的方法； 3、大气校正各种方法的优缺点及确定应选择何种方法； 4、与大气校正相关的实验步骤需熟练掌握。 实验原理：大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率和辐射率、地表温度等真实物理模型参数，用来消除大气中水蒸气、氧气、二 氧化碳、甲烷和臭氧对地物反射的影响，消除大气分子和气溶胶散射的影响。 FLAASH大气校正可对Landsat,SPOT,AVHRR,ASTER,MODIS,MERIS, AATSR,IRS等多光谱、高光谱数据、航空影像及自定义格式的高光谱影像进行 快速大气校正分析，能有效消除大气和光照等因素对地物反射的影响，获得地物 较为准确的反射率、地表温度等真实物理模型参数。 数据来源：LE71230322002142EDC00 实验过程： 第一步：波段合成 ?点击“Basic Tools”—“Layer Stacking”,这时就打开了波段合成窗口，如图：
?然后点击“Import file”，打开波段输入窗口，从中选择输入波段。如图
?点击“reorder files”来调整波段顺序，如图： ?完成波段顺序调整后，点击‘’OK”，生成一个新合成的波段，如图：
?得到图像如图：
第二步：储存数据调整 ?在主菜单中，选择“Basic Tool”—“Convert Data(BSQ、BIL、BIP)”，在”Convert File Input File”对话框中选择图像。单击OK按钮，打开”Convert File Parameters”对话框，选择Output Interleave:BIL，保存路径和文件名。如图： 第三步：输入参数FLAASH参数 ?点击“Edit Header…”—“Edit Attributes”—“Wavelengths…”，依据提供的 wavelength&fwhm.txt文件进行对wavelength进行编辑。如图：
环境小卫星多光谱数据FLAASH精确大气校正方法
环境小卫星多光谱数据FLAASH精确大气校正方法 环境与灾害监测预报小卫星星座A、B星（简称环境小卫星，简写HJ-1A /1B）于2009年3月30日开始正式交付使用，HJ-1-A星搭载了CCD相机和超光谱成像仪（HSI），HJ-1-B 星搭载了CCD相机和红外相机（IRS）。HJ-1A/1B卫星是继我国继气象、海洋、国土资源卫星之后一个全新的民用卫星。卫星投入使用后，对自然灾害、生态破坏、环境污染进行大范围、全天候、全天时的动态监测，对灾害和环境质量进行快速和科学评估，提高灾害和环境信息的观测、采集、传送和处理能力，为紧急救援、灾后救助及恢复重建和环境保护工作提高科学依据。 HJ-1数据应用于自然灾害、生态环境之前，需要进行几何及光谱方面的预处理。ENVI 在数据读取、图像配准、精确大气校正等方面提供了非常好的工具。 1、数据读取 目前，网上免费获取的HJ-1A/1B卫星CCD和HSI影像的分发的格式主要有两种：CCD为Geotiff，每一个波段为一个Geotiff文件，并提供一个元数据说明（.XML）; HSI为HDF5格式，也提供一个元数据说明（.XML）。 CCD相机的Geotiff格式直接可以在ENVI软件下打开，利用ENVI->Basic Tools->Layer Stacking工具将各个波段组合成一个文件输出。HIS高光谱数据是以HDF5格式提供，安装ENVI的HDF5读取补丁后直接在ENVI中打开。 更为方便的方法是直接使用HJ-1数据读取补丁，下载网址为：https://www.360docs.net/doc/c516198463.html,/ESRI/thread-83044-1-3.html。直接双击运行.sav 或拷贝sav 文件到ENVI安装目录的save_add 目录下， 1）启动ENVI->File->Open External File->HJ-1->HJ-1A/1B Tools工具（下图）。直接读取CCD、HIS、IRS数据，输出结果为一个多波段的ENVI标准栅格文件，并带有中心波长等信息，其中CCD数据可以直接输出定标结果（辐射亮度）。 图1.1 HJ-1A /1B Tools 注意此步骤中Calibration 和Layer Stacking选项应勾上。如果数据是BSQ格式的，要转换
FLAASH大气校正参数设置
1.3.2 FLAASH其它参数的设置 （1）图像中心点坐标 可以从相应的HDF文件中找到，也可以从屏幕上直接读取影像的中心坐标，对反演结果影响不大。当影像位于西半球时，经度为负值； （2）传感器类型 当选择传感器类型时，模块会选择相应的类型的传感器波段响应函数，同时系统一般会自动设置传感器的高度和图像的空间分辨率； （3）海拔高度 海拔高度为研究区的平均海拔； （4）数据获取日期和卫星过境时间 卫星过境时间为格林尼治时间，可以从相应的HDF文件中找到； （5）大气模型 模块提供热带、中纬度夏季、中纬度冬季、极地夏季、极地冬季和美国标准大气模型，研究者根据数据获取时间选择相应的大气模型； （6）水气反演 大多数多光谱数据不推荐反演水汽含量； （7）气溶胶模型 可供选择的气溶胶模型有无气溶胶、城市气溶胶、乡村气溶胶、海洋气溶和对流层气溶胶模型。当能见度大于40Km时，气溶胶类型选择对反演没有太多影响，一般情况下利用ASTER 数据不做气胶反演； 在高级设置中，①Modtran 分辨率（Modtran resolution）：一般设置成5cm-1；②反射率输出的时尺度系数，默认尺度系数是10000，可以使用默认的尺度系数。若使用默认的尺度系数，大气校正后得到反射率图像的数值域为：0-10000。其余参数使用默认值。 大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率和辐射率、地表温度等真实物理模型参数，用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧对地物反射的影响，消除大气分子和气溶胶散射的影响。FLAASH 可以处理任何高光谱数据、卫星数据和航空数据(860nm/1135nm)，这些数据是由HyMAP、AVIRIS、CASI、HYDICE、HYPERION(EO-1)AISA、HARP、DAIS、Probe-1、TRWIS-3、SINDRI、MIVIS、OrbView-4、NEMO 等传感器获得的。FLAASH还可以校正垂直成像数据和侧视成像数据。
大气校正ENVI流程
在最初的遥感学习中，我总是分不清传感器定标、辐射定标、辐射校正、大气校正这几个概念的区别与联系。而且在不同的资料中，各个名词的解释又不一样。例如： 定标是将传感器所得的测量值变换为绝对亮度或变换为与地表反射率、表面温度等物理量有关的相对值的处理过程（赵英时等《遥感应用分析原理与方法》） 遥感器定标就是建立遥感器每个探测器输出值与该探测器对应的实际地物辐射亮度之间的定量关系；建立遥感传感器的数字量化输出值DN与其所对应的视场中辐射亮度值之间的定量关系（陈述彭）。辐射定标是将传感器记录的电压或数字值转换成绝对辐射亮度的过程（梁顺林《定量遥感》，2009） 其实，简单来说，辐射定标就是将记录的原始DN值转换为大气外层表面反射率，目的是消除传感器本身产生的误差，有多种方法：实验室定标、星上定标、场地定标。公式1就是将初始的DN值转换为辐射亮度，其中Lb是值辐射亮度值，单位是：W/cm2.μm.sr（瓦特/平方厘米.微米.球面度），Gain和Bias是增益和偏移，单位和辐射亮度值相同，可以看出，辐射亮度和DN值是线性关系。公式二是将辐射亮度值转换为大气表观反射率，式中：Lλ为辐射亮度值，d为天文单位的日地距离，ESU Nλ为太阳表观辐射率均值，θs是以度为单位的太阳高度角。不过总的来说，这部分的工作基本上不需要用户自己做，相关的系数都包含在数据的头文件或者元数据中了。例如用Env i打开Modis数据，就是反射率（大气外层表观反射率），辐射亮度
以及发射率三个数据类型（见dsbin：传感器定标http://bbs.esri https://www.360docs.net/doc/c516198463.html,/ESRI/viewthread.php?tid=56191）。 大气校正就是将辐射亮度或者表观反射率转换为地表实际反射率，目的是消除大气散射、吸收、反射引起的误差。主要分为两种类型：统计型和物理型。 统计型是基于陆地表面变量和遥感数据的相关关系，优点在于容易建立并且可以有效地概括从局部区域获取的数据，例如经验线性定标法，内部平场域法等，详细请参照玉妮小居新浪博客：辐射校正的统计模型https://www.360docs.net/doc/c516198463.html,/s/blog_5f4afe870100da1w. html。 另一方面，物理模型遵循遥感系统的物理规律，它们也可以建立因果关系。如果初始的模型不好，通过加入新的知识和信息就可以知道应该在哪部分改进模型。但是建立和学习这些物理模型的过程漫长而曲折。模型是对现实的抽象；所以一个逼真的模型可能非常复杂，包含大量的变量。例如6s模型，Mortran等。 而辐射校正指在光学遥感数据获取过程中，产生的一切与辐射有关的
大气校正
大气校正(ENVI) 大气校正就是定量遥感中重要的组成部分。本专题包括以下内容: ? ? ●大气校正概述 ? ? ●ENVI中的大气校正功能 1大气校正概述 大气校正的目的就是消除大气与光照等因素对地物反射的影响,广义上讲获得地物反射率、辐射率或者地表温度等真实物理模型参数;狭义上就是获取地物真实反射率数据。用来消除大气中水蒸气、氧气、二氧化碳、甲烷与臭氧等物质对地物反射的影响,消除大气分子与气溶胶散射的影响。大多数情况下,大气校正同时也就是反演地物真实反射 率的过程。
图1 大气层对成像的影响示意图 很多人会有疑问,什么情况下需要做大气校正,我们购买或者其她途径获取的影像就是否做过大气校正。 通俗来讲,如果我们需要定量反演或者获取地球信息、精确识别地物等,需要使用影像上真实反映对太阳光的辐射情况,那么就需要做大气校正。我们购买的影像,说明文档中会注明就是经过辐射校正的,其实这个
辐射校正指的就是粗的辐射校正,只就是做了系统大气校正,就跟系统 几何校正的意义就是一样的。 目前,遥感图像的大气校正方法很多。这些校正方法按照校正后 的结果可以分为2种: ??●绝对大气校正方法:将遥感图像的DN(Digital Number)值转换为地表反射率、地表辐射率、地表温度等的方法。 ??●相对大气校正方法:校正后得到的图像,相同的DN值表示相同的地物反射率,其结果不考虑地物的实际反射率。 常见的绝对大气校正方法有: ●基于辐射传输模型 ? ??MORTRAN模型 ? ??LOWTRAN模型 ? ??ATCOR模型 ? ??6S模型等 ●基于简化辐射传输模型的黑暗像元法 ●基于统计学模型的反射率反演; 相对大气校正常见的就是: ●基于统计的不变目标法 ●直方图匹配法等。 既然有怎么多的方法,那么又存在方法选择问题。这里有一个总结 供参考: 1、如果就是精细定量研究,那么选择基于基于辐射传输模型的大
大气校正,几何校正 简单教程剖析
遥感图像几何精校正、辐射校正 实验名称：遥感图像的几何精校正。 实验目的：1.了解和熟悉envi软件的几何校正的原理 2.熟悉和掌握envi软件的几何校正的功能和使用方法； 3.对自己的图像先找到投影，再另存一幅图像，去掉投影，在其它软 件中旋转一 角度，用原先的图像作为参考对旋转后的图像进行几何校正，使得其 比较精确。 实验原理：几何校正，主要方法是采用多项式法，机理是通过若干控制点，建立不同图像间的多项式控件变换和像元插值运算，实现遥感图像与实际 地理图件间的配准，达到消减以及消除遥感图像的几何畸变。 多项式几何校正激励实现的两大步： 1. 图像坐标的空间变换： 有几何畸变的遥感图像与没有几何畸变的遥感图像，其对应的像元的 坐标是不一样的，如下图1右边为无几何畸变的图像像元分布图，像 元是均匀且不等距的分布。为了在有几何畸变的图像上获取无几何畸 变的像元坐标，需要进行两图像坐标系统的空间装换。 图1：图像几何校正示意图 在数学方法上,对于不同二维笛卡儿坐标系统间的空间转换,通常采 用的是二元n次多项式,表达式如下: 其中x, y为变换前图像坐标, u, v为变换后图像坐标, aij , bij为多项式 系数, n = 1, 2, 3, ?。 二元n次多项式将不同坐标系统下的对应点坐标联系起来, ( x, y )和( u, v )分别应不同坐标系统中的像元坐标。这是一种多项式数字模拟坐标 变换的方法,一旦有了该多项式,就可以从一个坐标系统推算出另一个 坐标系统中的对应点坐标。 如何获取和建立二元n次多项式,即二元n次多项式系数中a和b的求 解,是几何校正成败的关键。数学上有一套完善的计算方法,核心是通 过已知若干存在于不同图像上的同名点坐标,建立求解n次多项式系 数的方程组,采用最小二乘法,得出二元n次多项式系数。 不同的二元n次多项式,反映了几何畸变的遥感图像与无几何畸变的遥 感图像间的像元坐标的对应关系, 其中哪种多项式是最佳的空间变 换模拟式,能达到图像间坐标的完全配准,是需要考虑和分析的。
4种常用的大气校正方法
A Comparison of Four Common Atmospheric Correction Methods Abdolrassoul S. Mahiny and Brian J. Turner Abstract Four atmospheric correction methods,two relative and two absolute,were compared in this study.Two of the methods (PIF and RCS)were relative approaches;COST is an absolute image-based method and6S,an absolute modeling method. The methods were applied to the hazy bands1through4 of a Landsat TM scene of the year1997,which was being used in a change detection project.The effects of corrections were studied in woodland patches.Three criteria,namely (a)image attributes;(b)image classification results,and (c)landscape metrics,were used for comparing the perform-ance of the correction methods.Average pixel values, dynamic range,and coefficient of variation of bands consti-tuted the first criterion,the area of detected vegetation through image classification was the second criterion,and patch and landscape measures of vegetation the third criterion.Overall,the COST,RCS,and6S methods performed better than PIF and showed more stable results.The6S method produced some negative values in bands2through 4due to the unavailability of some data needed in the model.Having to use only a single set of image pixels for normalization in the PIF method and the difficulty of selecting such samples in the study area may be the reasons for its poor performance. Introduction Australian woodlands have been subject to vegetation clearing and livestock grazing since European settlement around two centuries ago, which has resulted in patchy vegetation remnants surrounded by farms and other land- use. The long-term persistence of these patches has been the subject of debate and research in Australia and elsewhere (e.g., Saunders et al., 1987). These have given rise to studies of vegetation change at the local and countrywide scales. One of the most time and cost-efficient methods of vegeta- tion change detection is through remote sensing data and methods. This has brought about an era of research highly dependent on remotely sensed imagery. However, reflectance of the objects recorded by satellite sensors is generally affected by atmospheric absorption and scattering, sensor-target-illumination geometry, and sensor calibration (Teillet, 1986). These normally result in distor- tion of the actual reflectance of the objects that subsequently affects the extraction of information from images. There has been considerable research on the need to and the ways of correcting the satellite data for atmospheric effects (Song et al., 2001; Campbell et al., 1994; Chavez, 1988; Collett et al., 1997; Forster, 1984; Furby and Campbell, 2001; Hall et al., 1991; Milton, 1994; Schott et al., 1988; Yang et al., 2000; Yuan and Elvidge, 1996). Deciding on the need to correct for atmospheric effects is often a critical first step that can affect subsequent steps in applications of satellite data. For instance, the need for atmospheric correc-tion in change detection studies is generally related to the methods used. Song et al. (2001) state that in linear methods of change detection such as simple image differencing, there is no need to correct the images as long as the stable classes in the differenced image have a zero mean. Song et al. (2001) have shown that atmospheric correc-tion affects the results of ratio transformations such as Normalized Difference Vegetation Index (NDVI) (Song et al., 2001), and that image classification is the image analysis procedure least affected by correction. This is stated to be especially true when the training data and the image to be classified are at the same radiometric scale (i.e., both corrected or both non-corrected) (Song et al., 2001). In a study of vegetation change occurring in a rural area of southeastern Australia over the years 1973 through 1997, simple and NDVI differencing and post-classification compari-son methods were the change detection methods chosen to be used, based on an extensive literature review (Brogaard and Prieler, 1998; Caccetta et al., 1998; Macleod and Congal-ton, 1998; Singh, 1989). Prior to analysis, the remote sensing data were examined for their need for atmospheric correction and common correction methods were reviewed in an attempt to assess their usefulness. However, after an exten-sive literature review on the need to and the usefulness of the common methods of atmospheric correction, it was still not clear which of these methods was best for the available data and the objects of interest in this study, namely vege-tated areas. The literature often offered examples of studies carried out in a small area where nearly all the required data and parameters necessary for complete correction were available. This is far from reality in most practical applica-tions of remote sensing data where vast areas are studied using images from different sensors, and some of the needed information for atmospheric correction is usually lacking. As a result, we chose to compare the effects of four atmospheric correction methods on image attributes, image classification results, and landscape metrics of vegetation patches. These four represented a range of levels of sophistication in Abdolrassoul S. Mahiny is with the College of Environment, Gorgan University of Agriculture and Natural Resources Science, Gorgan, Iran, PC: 49138-15749 (Rassoul.Mahiny@https://www.360docs.net/doc/c516198463.html,.au). Brian J. Turner is with SRES, The Australian National Univer-sity, 0200, Canberra, Australia (Brian.Turner@https://www.360docs.net/doc/c516198463.html,.au).Photogrammetric Engineering & Remote Sensing Vol. 73, No. 4, April 2007, pp. 361–368. 0099-1112/07/7304–0361/$3.00/0? 2007 American Society for Photogrammetry and Remote Sensing PHOTOGRAMMETRIC ENGINEERING&REMOTE SENSING April2007361