遥感大气校正

有时必须对遥感数据进行大气校正。例如，从水体或植被中提取生物物理变量(如：水体中的叶绿素a、悬浮泥沙、温度；植被中的生物量、叶面积指数、叶绿素、树冠郁闭百分比)时，就必须对遥感数据进行大气校正。如果数据未经校正，就可能会丢失这些重要成分的反射率(或出射率)的微小差别信息。此外，如果需要将某景影像中提取的生物物理量(如：生物量)与另一景不同时相影像中提取的同一生物物理量相比较，就必须对遥感数据进行大气校正。

例如，由Landsat TM数据推导的归一化植被指数(Nomalied Difference VeRetation lndex，NDVl)

NDVI=（ρ_tm4-ρ_tm3)/(ρ_tm4+ρ_tm3)

在许多决策支持系统如非洲饥荒预警系统和家畜预警系统中，经常采用它(NdvI)测度植物的生物量和功能健康。错误估计NdvI会导致生命和财产损失。大气对NDVI的影响很大，在植被稀少或已被破坏的地区能引起50%的误差甚至更多。因此，如何去除用于计算NDVI估计的遥感数据中大气的不利影响具有重要意义。简单比值植被指数(TM4/rM3，Landsat TM)同样受大气影响。

备受重视的是，发展遥感信息提取算法来提取遥感数据中的生物物理信息，为地区、区域和全球应用提供服务。这些数据也用于各种确定性和随机模型以及决策支持系统，以监测全球过程，并希望提高人们的生活质量。因此，受到极大关注的是，从大量的具有精确空间位置的时间序列遥感数据中提取各种测度值的能力。在时空域上对光谱特征的拓展变得越来越重要，而这种拓展的惟一方式是对每个单时相遥感数据进行大气校正。

遗憾的是，将这些大气校正模型应用于具体某景和某时相的影像时，同样需要同步的传感器光谱剖面信息和大气状况特征值。即使是经过计划，大气状况特征值也是很难获取的。因为对大多数的历史卫星数据而言，已无法获知当时的大气信息。即使，对于大多数用于地面覆盖变化检测的卫星影像，精确提取折合表面反射率也难以实现。NA5从的中分辨率成像光谱仪(MODIS)是个例外，它的表面反射率产品是可以获取的。我们将继续讨论有关绝对大气校正的问题，并给出辐射校正的实例。 

大气校正方法

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，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误差的校正（包括辐射定标和大气校正）。广西善图科技有限公司