Sentinel-2卫星影像的大气校正方法 下载: 2645次
1 引言
光学卫星影像是遥感应用的重要数据源之一。随着国内外航天技术的不断发展,可用的卫星影像种类不断增加,时间分辨率、空间分辨率和光谱分辨率也在不断提高,为遥感数据的定量化应用提供了基础。Sentinel-2影像是新一代多光谱影像,共有13个光谱波段,其中包括3个红边波段,是植被长势监测的理想数据源,在全球环境变化、农作物生长监测、森林监测、灾害应急与救援等方面具有重要意义[1]。
在太阳-大气-目标-大气-传感器的辐射传输过程中,由于大气分子、气溶胶的散射以及臭氧、水汽等气体的吸收,卫星接收的信号不能准确地反映地表物理特征,从而造成影像的清晰度和对比度下降以及反射率、辐亮度等相关物理量出现偏差,降低了卫星影像的质量和可用性[2]。大气校正的目的是通过一定的手段消除或减少大气分子、气溶胶的散射和臭氧、水汽等气体吸收对地物反射率的影响[3],是进行地表参数定量分析的前提。
大气校正的方法主要有经验线性法、物理模型法和介于经验方法和物理模型之间的半经验物理模型法。经验线性法是基于影像统计量或地面实测的实验方法,包括直方图调整法、暗物体扣除法、固定目标法等[4],其优点是简单、易于操作,缺点是依赖各种假设或实测数据,对影像的要求较高,容易出现过度校正。基于大气辐射传输模型的理论方法即物理模型法,如6S模型、FLAASH模型、MORTRAN模型、ACTOR模型,以数学、物理学为基础,通过研究太阳辐射在大气介质中的传输过程,得到大气介质的吸收和散射特性。相比经验线性法,基于大气辐射传输模型法具有明确的物理意义,精度更高,是目前使用最广泛的大气校正方法。介于经验方法和物理模型之间的半经验物理模型法,如大气校正简化模型(SMAC),采用半经验公式代替复杂的物理过程,兼具经验方法和物理模型的优点。
目前,国内外已有多位学者对卫星影像的大气校正方法进行了研究。Adlergolden等[5-6]基于MODTRAN4模型分别对AVIRIS短波光谱影像及HJ-1卫星CCD数据进行大气校正,得到了较好的效果。Tachiiri等[7-8]利用6S模型分别对NOAA/AVHRR数据和GF-1数据进行了大气校正研究,并计算了影像的归一化植被指数(NDVI)值。彭妮娜等[9]基于同步MODIS影像和6S辐射传输模型对QuickBird-2卫星海岸带影像进行大气校正,同时考虑了混浊水域上空气溶胶光学特性和高分辨率影像临近像元效应,得到了理想的结果。Fuyi等[10]分别利用ACTOR2、ACTOR3及FLAASH模型对Landsat 5 TM影像进行大气校正研究,结合实测值分析,得出ACTOR3精度高于另外两种模型的结论。Proud等[11]对比了6S模型与SMAC两种大气校正模型,发现SMAC具有较高的精度。宋晓宇等[12]基于AVIRIS数据评价了大气纠正校正模块FLAASH,认为在大气条件较好的情况下,FLAASH模型反演天底点垂直观测获取的影像地表反射率更准确。周莉等[13]采用6S模型与近红外波段离水反射率模型相结合的方法,通过神经网络模拟大气辐射传输过程,实现了可见光波段的大气校正,结果表明该方法在太湖有较好的适用性。
本文以农作物生长过程监测为应用目标,以Sentinel-2卫星影像的大气上层表观反射率(TOA)产品为数据源,研究基于SMAC、6S模型和Sen2cor方法的Sentinel-2卫星影像大气校正,主要内容包括:Sentinel-2卫星影像概况及应用潜力分析;SMAC、6S模型和Sen2cor方法原理介绍;基于SMAC、6S模型和Sen2cor方法的Sentinel-2卫星影像大气校正结果分析及精度评价。
2 数据源
2.1 Sentinel-2卫星影像概况及应用潜力分析
Sentinel-2环境监测卫星是欧盟委员会(EC)和欧洲航天局(ESA)共同倡议的全球环境与安全监测系统“哥白尼计划”中的第二颗卫星。Sentinel-2A和Sentinel-2B分别于2015年6月和2017年3月成功发射。Sentinel-2卫星的主要任务是对全球陆地表面进行高分辨率多光谱成像。该卫星的轨道高度为786 km,观测幅宽为290 km,使用寿命为7.25 a,单星重访周期为10天,A/B双星重访周期为5天。卫星上搭载了一个采用推扫式成像模式的多光谱成像仪(MSI),且包含一个光瞳直径为150 mm的望远镜,该望远镜的结构和反射镜利用碳化硅材料制成,可减少光学系统的热变形[14]。该卫星影像共有13个波段,空间分辨率分别为10,20,60 m,各波段空间分辨率的详细情况如
目前能够免费获取并用于植被定量监测的卫星影像多数可覆盖4个光谱波段,即蓝、绿、红、近红外波段,但许多种植物有着自身特殊的光谱,是这4个光谱波段无法表征的[15-16]。例如,葡萄冠层的光谱颜色很特殊,水稻植株在稻田中时常被水的颜色波段所掩盖。因此,仅有4个光谱波段无法充分反映植被冠层情况。Sentinel-2卫星影像除了具有蓝、绿、红、近红外这4个光谱波段外,还具有3个植被红边波段(
表 1. Sentinel-2影像波段
Table 1. Bands of Sentinel-2 imagery
|
素和氮含量非常敏感,这对于植被定量遥感监测具有重要意义。此外,Sentinel-2卫星影像与Landsat 8 OLI、SPOT5有相似波段,在有自己独特波段和分辨率的基础上,结合其他卫星影像,进一步提高了该卫星影像的可用性。
Sentinel-2卫星提供的数据产品为Level-1C,它是经过辐射校正和几何校正的大气上层表观反射率,每幅Level-1C产品由一景100 km2的正射影像(UTM/WGS84)构成,影像的地图坐标经过数字高程模型(DEM)进行纠正,包括陆地、水、云掩模等数据。目前可以从官方网站(https:∥scihub.copernicus.eu/dhus/#/home)免费下载Level-1C数据产品。
2.2 研究区概况和数据获取
Sentinel-2卫星影像获取时间为2017年3月29日11:16,影像地理范围为115°30'E—117°30'E和39°30'N—40°00'N,具体地理位置如
野外实测数据采集时间为2017年3月31日11:00—12:00,天气情况与2017年3月29日基本一致。使用的探测仪器为美国Spectra Vista生产的SVC HR1024i便携式地物光谱仪,其探测波长范围为340~2510 nm,可实时获取地物辐照度及反射率曲线。SVC HR1024i便携式地物光谱仪镜头视场角为4°,当在离地面1.5 m的位置进行测量时,可视地物的面积约为0.008 m2,认为光谱仪的观测对象为单一地物。实验地点在中国农业大学上庄实验站,实验对象包括4种地物:冬小麦、裸土、水泥路和油菜地,每两个点之间的距离大于15 m,共计39个点,其分布情况如
图 1. 研究区位置及影像概况。(a)研究区位置;(b)分辨率为10 m,RGB通道为波段2,3,4;(c)分辨率为20 m,RGB通道为波段5,7,12;(d)分辨率为60 m,RGB通道为波段1,9,10
Fig. 1. Location and image situation of study area. (a) Location of study area; (b) resolution is 10 m, and RGB channels are band 2, 3 and 4; (c) resolution is 20 m, and RGB channels are band 5, 7 and 12; (d) resolution is 60 m, and RGB channels are band 1, 9 and 10
图 2. 图像分割。(a)实地拍摄照片;(b)图像分割结果(植被为白色,土壤为黑色)
Fig. 2. Image segmentation. (a) Photo taken in the fieldwork; (b) image segmentation result (vegetation is white, and soil is black)
3 大气校正方法
3.1 SMAC原理
大气校正简化模型(SMAC)是Rahman和Dedieu[18]提出的,其以5S(Simulation of Satellite Signal in the Solar Spectrum)模型为基础,采用各个波段的系数方程及半经验模型来描述太阳辐射在穿越大气过程中大气介质的吸收和散射作用。SMAC的主要优点包括:1)不依赖于查找表,计算速度快;2)模型易迁移到其他辐射传输模型中;3)有正向和逆向两个过程,即大气上层表观反射率(TOA)与大气下层表观反射率(BOA)可以相互计算。当前SMAC支持的卫星包括Sentinel-2、Landsat系列MODIS、SPOT等20余种常用卫星影像。该模型同时考虑到大气介质的吸收和散射以及表观反射率的空间关系。在给定太阳天顶角、卫星天顶角、太阳-卫星相对方位角、传感器光谱响应函数和大气特性的情况下,SMAC可以实现TOA与BOA的相互计算。上述参数中,太阳和卫星的几何关系如
假设大气下层表观反射率为
式中
为了降低算法的复杂性并提高计算效率,(1)式可简化为
式中
在大气传输情况下,大气介质总透射率
式中
式中
SMAC输入参数包括系数及太阳与卫星的几何参数,系数可以从SAMC的系数表中获取,影像的太阳天顶角为34.39°,太阳方位角为155.01°,各波段的卫星天顶角和卫星方位角可从影像的头文件中获取,如
表 2. Sentinel-2影像各波段角度信息
Table 2. Angle information of each band of Sentinel-2 imagery
|
当参数输入后,经过SMAC计算得到三个系数
3.2 6S模型原理
6S模型是5S模型的改进版本,加入了最新的散射计算方法,太阳光谱波段的散射计算精度有所提高。6S模型可以模拟平面观测,考虑到较高的目标及非朗伯表面的边界条件,将新的气体(甲烷、一氧化二氮和一氧化碳)集成到气体传输计算当中,使得瑞利散射和气溶胶散射效应的计算精度得到显著提高[20]。
假设地球表面为均匀的朗伯表面,在大气垂直均匀变化的条件下,基于6S模型卫星传感器测得的大气上层表观反射率定义为
式中
6S模型的参数除了包括太阳与卫星的几何参数(
3.3 Sen2cor方法原理
Sen2cor是欧洲航天局(ESA)官方提供的Sentinel-2卫星影像的大气校正方法[21],其目的是将大气上层表观反射率转化为大气下层地表反射率。该算法的核心是大气辐射传输模型libRadtran[22]。libRadtran是用于计算地球大气辐射传输的软件包,该算法运用离散纵标法计算地球大气、太阳以及热辐射传输,包含平面、二流、多流、伪球面和球面等不同计算模块[23],适用于各种大气条件,包括太阳和部分地球光谱的辐射、辐照度和光化通量。辐射方程可以表示为
式中
式中
Sen2cor将libRadtran代码生成的大气校正查找表集成在程序中,缩短了程序运行的时间并简化了操作流程。该查找表包含了各种大气条件、太阳角度、地形、4种基本气溶胶类型(农村、城市、沙漠和海洋)以及6种不同的臭氧含量等,存储的反射率的光谱分辨率为0.6 nm,随后利用滤波函数对光谱进行重采样,得到特定通道的反射率,查找表结构如
表 3. Sen2cor查找表结构
Table 3. Lookup table structure of Sen2cor
|
三种模型的基本原理都是辐射传输理论,但SMAC基于经验的简化5S模型,6S模型则严格遵循辐射传输模型。相对于5S模型,6S模型考虑了地面目标的海拔高度、非朗伯平面的情况和新的吸收气体种类,虽然运算速度低于SMAC,但精度较高。Sen2cor基于libRadtran代码生成的查找表进行大气校正,并利用Python编译的可移植代码,提供用户命令行和集成软件两种模式,与SMAC和6S模型相比,其优点是普适性好,不需要人为输入复杂的参数,操作简单,缺点是需占用计算机的大量内存,计算速度慢。
4 结果分析
为了初步分析三种大气校正方法的结果,选取10 m分辨率(B2,B3,B4,B8)及20 m分辨率(B5,B6,B7,B8a)8个波段,并选择冬小麦、裸土、水泥路和油菜地4种地物的像元实测值、大气上层表观反射率及三种模型的校正结果进行分析。其中冬小麦和油菜地为混合像元,首先通过第2.2节的方法计算植被覆盖度,得到混合像元中植被与土壤的比例,并结合实测地物光谱计算出混合光谱,结果如
由
图 4. 各类地物大气校正前后的反射光谱曲线。(a)冬小麦;(b)油菜地;(c)裸土;(d)水泥路面
Fig. 4. Reflectance spectral curves of different ground objects before and after atmospheric correction. (a) Winter wheat; (b) rape field; (c) bare soil; (d) cement pavement
Band 3~Band 5的大气校正结果与实测值拟合效果较好,误差均小于0.02;在大于705 nm的Band 6~Band 8a波段中,实测地物的反射率高于三种大气校正结果,误差范围为0.01~0.04。在土壤光谱曲线中,大气校正结果相比于大气上层表观Band 2反射率明显下降,Band 4~Band 8a波段的反射率明显增加,Band 2的三种大气校正结果高于实测地物的反射率,其余波段的实测地物反射率均高于三种大气校正结果,误差在0.02左右。在水泥路的光谱曲线中,大气校正结果相比于大气上层表观反射率除了Band 2明显下降,其余波段反射率明显增加,而且实测地物的反射率均高于大气校正结果。从
SMAC、6S模型和Sen2cor方法都是基于大气辐射传输理论的机理模型,只是计算方法不同。为了验证三种模型的一致性,对其结果分别进行回归分析,
图 5. 基于Sen2cor,6S模型和SMAC的大气校正结果相关性分析。(a) SMAC, 6S与Sen2cor的反射率结果; (b) SMAC与Sen2cor的反射率结果; (c) SMAC与6S的反射率结果; (d) 6S与Sen2cor的反射率结果
Fig. 5. Correlation analysis of atmospheric correction results of Sen2cor, 6S model and SMAC. (a) Result of reflectance by SMAC, 6S and Sen2cor; (b) result of reflectance by SMAC and Sen2cor; (c) result of reflectance by SMAC and 6S; (d) result of reflectance by 6S and Sen2cor
表 4. Sen2cor方法,6S模型和SMAC之间的回归分析
Table 4. Regression analysis of Sen2cor method, 6S model and SMAC
|
为了定量分析SMAC、6S模型和Sen2cor方法大气校正的精度,将野外39个实测地物的光谱数据与大气校正结果提取出Band 2~Band 8a范围的反射率进行回归分析,结果如
三种结果的检验
图 6. 反射率大气校正结果与实测值的相关性分析
Fig. 6. Correlation analysis between atmospheric correction results and measured values of reflectance
表 5. 反射率大气校正结果与实测值的回归分析
Table 5. Regression analysis between atmospheric correction results and measured values of reflectance
|
植被定量遥感是卫星影像最普遍的应用之一。植被指数是常用的参数,其通常是由两个或两个以上的波段计算得到。大气校正的目的是让卫星影像的光谱趋近于地表真实光谱,所以植被指数也用来检测大气校正效果[24]。本研究选用归一化植被指数(NDVI)作为指标,对大气校正后影像上的NDVI值及实测值进行分析,NDVI值可表示为
式中
图 7. Sentinel-2影像NDVI与实测NDVI值的相关性分析
Fig. 7. Correlation analysis between NDVI from Sentinel-2 imagery and measured NDVI value
表 6. Sentinel-2影像NDVI与实测NDVI值的回归分析
Table 6. Regression analysis between NDVI from Sentinel-2 imagery and measured NDVI value
|
5 结论
在对Sentinel-2卫星影像和大气校正理论研究的基础上,基于SMAC、6S模型和Sen2cor方法对Sentinel-2卫星影像进行了大气校正,并结合实测地物光谱对其精度进行了分析。结果表明,影像光谱曲线与实测地物的光谱曲线的变化趋势一致,二者具有较高的拟合度。从三者之间的相关性分析得出,三种模型具有较好的相关性和一致性,其中6S模型与Sen2cor方法的决定系数
在后续的研究中,将着重分析大气校正参数(如气溶胶类型)对其结果的影响,还将选择不同季节、不同植被类型和植被覆盖度的数据进行验证。
[1] 岳桢干. 欧洲Sentinel-2A卫星即将大显身手——“哥白尼”对地观测计划简介(上)[J]. 红外, 2015, 36(8): 32-36.
岳桢干. 欧洲Sentinel-2A卫星即将大显身手——“哥白尼”对地观测计划简介(上)[J]. 红外, 2015, 36(8): 32-36.
岳桢干. 欧洲Sentinel-2A卫星即将大显身手——“哥白尼”对地观测计划简介(上)[J]. 红外, 2015, 36(8): 32-36.
Yue Z G. The Sentinel-2A satellite will display skills to the full——“Copernicus” on earth observation program[J]. Infrared, 2015, 36(8): 32-36.
[2] 孙长奎, 孙林, 麻盛芳, 等. HJ-1CCD数据大气校正方法研究[J]. 遥感学报, 2012, 16(4): 826-836.
孙长奎, 孙林, 麻盛芳, 等. HJ-1CCD数据大气校正方法研究[J]. 遥感学报, 2012, 16(4): 826-836.
孙长奎, 孙林, 麻盛芳, 等. HJ-1CCD数据大气校正方法研究[J]. 遥感学报, 2012, 16(4): 826-836.
Sun C K, Sun L, Ma S F, et al. Atmospheric correction method based on HJ-1 CCD data[J]. Journal of Remote Sensing, 2012, 16(4): 826-836.
[3] Vermote E F. Saleous N Z E, Justice C O. Atmospheric correction of MODIS data in the visible to middle infrared: First results[J]. Remote Sensing of Environment, 2002, 83(1/2): 97-111.
Vermote E F. Saleous N Z E, Justice C O. Atmospheric correction of MODIS data in the visible to middle infrared: First results[J]. Remote Sensing of Environment, 2002, 83(1/2): 97-111.
Vermote E F. Saleous N Z E, Justice C O. Atmospheric correction of MODIS data in the visible to middle infrared: First results[J]. Remote Sensing of Environment, 2002, 83(1/2): 97-111.
[5] Adlergolden SM, Matthew MW, Bernstein LS, et al. Atmospheric correction for shortwave spectral imagery based on MODTRAN4[C]. SPIE, 1999, 3753: 61- 69.
Adlergolden SM, Matthew MW, Bernstein LS, et al. Atmospheric correction for shortwave spectral imagery based on MODTRAN4[C]. SPIE, 1999, 3753: 61- 69.
Adlergolden SM, Matthew MW, Bernstein LS, et al. Atmospheric correction for shortwave spectral imagery based on MODTRAN4[C]. SPIE, 1999, 3753: 61- 69.
[6] 郑盛, 赵祥, 张颢, 等. HJ-1卫星CCD数据的大气校正及其效果分析[J]. 遥感学报, 2011, 15(4): 709-721.
郑盛, 赵祥, 张颢, 等. HJ-1卫星CCD数据的大气校正及其效果分析[J]. 遥感学报, 2011, 15(4): 709-721.
郑盛, 赵祥, 张颢, 等. HJ-1卫星CCD数据的大气校正及其效果分析[J]. 遥感学报, 2011, 15(4): 709-721.
Zheng S, Zhao X, Zhang H, et al. Atmospheric correction on CCD data of HJ-1 satellite and analysis of its effect[J]. Journal of Remote Sensing, 2011, 15(4): 709-721.
[8] 刘佳, 王利民, 杨玲波, 等. 基于6S模型的GF-1卫星影像大气校正及效果[J]. 农业工程学报, 2015, 31(19): 159-168.
刘佳, 王利民, 杨玲波, 等. 基于6S模型的GF-1卫星影像大气校正及效果[J]. 农业工程学报, 2015, 31(19): 159-168.
刘佳, 王利民, 杨玲波, 等. 基于6S模型的GF-1卫星影像大气校正及效果[J]. 农业工程学报, 2015, 31(19): 159-168.
Liu J, Wang L M, Yang L B, et al. GF-1 satellite image atmospheric correction based on 6S model and its effect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(19): 159-168.
[9] 彭妮娜, 易维宁, 方勇华. 利用MODIS数据进行海岸带卫星图像大气校正[J]. 大气与环境光学学报, 2007, 2(6): 504-508.
彭妮娜, 易维宁, 方勇华. 利用MODIS数据进行海岸带卫星图像大气校正[J]. 大气与环境光学学报, 2007, 2(6): 504-508.
彭妮娜, 易维宁, 方勇华. 利用MODIS数据进行海岸带卫星图像大气校正[J]. 大气与环境光学学报, 2007, 2(6): 504-508.
[10] FuyiT, Mohammed SK, AbdullahK, et al. A comparison of atmospheric correction techniques for environmental applications[C]∥IEEE International Conference on Space Science and Communication, 2013: 13769025.
FuyiT, Mohammed SK, AbdullahK, et al. A comparison of atmospheric correction techniques for environmental applications[C]∥IEEE International Conference on Space Science and Communication, 2013: 13769025.
FuyiT, Mohammed SK, AbdullahK, et al. A comparison of atmospheric correction techniques for environmental applications[C]∥IEEE International Conference on Space Science and Communication, 2013: 13769025.
[12] 宋晓宇, 王纪华, 刘良云, 等. 基于高光谱遥感影像的大气纠正: 用AVIRIS数据评价大气纠正模块FLAASH[J]. 遥感技术与应用, 2005, 20(4): 393-398.
宋晓宇, 王纪华, 刘良云, 等. 基于高光谱遥感影像的大气纠正: 用AVIRIS数据评价大气纠正模块FLAASH[J]. 遥感技术与应用, 2005, 20(4): 393-398.
宋晓宇, 王纪华, 刘良云, 等. 基于高光谱遥感影像的大气纠正: 用AVIRIS数据评价大气纠正模块FLAASH[J]. 遥感技术与应用, 2005, 20(4): 393-398.
Song X Y, Wang J H, Liu L Y, et al. Atmospheric correction of hyper-spectral imagery: Evaluation of the FLAASH algorithm with AVRIS data[J]. Remote Sensing Technology and Application, 2005, 20(4): 393-398.
[13] 周莉, 李云梅, 郭宇龙, 等. 基于辐射传输优化模型的二类水体大气校正[J]. 光学学报, 2014, 34(2): 0201002.
周莉, 李云梅, 郭宇龙, 等. 基于辐射传输优化模型的二类水体大气校正[J]. 光学学报, 2014, 34(2): 0201002.
周莉, 李云梅, 郭宇龙, 等. 基于辐射传输优化模型的二类水体大气校正[J]. 光学学报, 2014, 34(2): 0201002.
[14] 龚燃. 哨兵-2A光学成像卫星发射升空[J]. 国际太空, 2015( 440): 36- 40.
龚燃. 哨兵-2A光学成像卫星发射升空[J]. 国际太空, 2015( 440): 36- 40.
龚燃. 哨兵-2A光学成像卫星发射升空[J]. 国际太空, 2015( 440): 36- 40.
[17] 张凯, 郭铌, 王润元, 等. 甘肃省两种主要草地类型的光谱反射特征比较[J]. 农业工程学报, 2009, 25(s2): 142-148.
张凯, 郭铌, 王润元, 等. 甘肃省两种主要草地类型的光谱反射特征比较[J]. 农业工程学报, 2009, 25(s2): 142-148.
张凯, 郭铌, 王润元, 等. 甘肃省两种主要草地类型的光谱反射特征比较[J]. 农业工程学报, 2009, 25(s2): 142-148.
Zhang K, Guo N, Wang R Y, et al. Comparison of spectral reflectance characteristics of two main grassland types in Gansu province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(s2): 142-148.
[19] 张月维. 珠三角MERSI影像的大气校正方法研究[D]. 广州: 华南理工大学, 2012: 26- 29.
张月维. 珠三角MERSI影像的大气校正方法研究[D]. 广州: 华南理工大学, 2012: 26- 29.
张月维. 珠三角MERSI影像的大气校正方法研究[D]. 广州: 华南理工大学, 2012: 26- 29.
Zhang YW. Study on atmospheric correction methods for MERSI image over Pearl River Delta region[D]. Guangzhou: South China University of Technology, 2012: 26- 29.
Zhang YW. Study on atmospheric correction methods for MERSI image over Pearl River Delta region[D]. Guangzhou: South China University of Technology, 2012: 26- 29.
Zhang YW. Study on atmospheric correction methods for MERSI image over Pearl River Delta region[D]. Guangzhou: South China University of Technology, 2012: 26- 29.
[21] Mackert M, Lazard A, Liang M C, et al. XL-[J]. validation plan for the l2A processor, products of the Sentinel-2 mission. International Archives of the Photogrammetry Remote Sensing & S, 2015, 7/W3(7): 1249-1255.
Mackert M, Lazard A, Liang M C, et al. XL-[J]. validation plan for the l2A processor, products of the Sentinel-2 mission. International Archives of the Photogrammetry Remote Sensing & S, 2015, 7/W3(7): 1249-1255.
Mackert M, Lazard A, Liang M C, et al. XL-[J]. validation plan for the l2A processor, products of the Sentinel-2 mission. International Archives of the Photogrammetry Remote Sensing & S, 2015, 7/W3(7): 1249-1255.
[23] 霍娟, 吕达仁. 晴空与有云大气辐射分布的数值模拟及其对全天空图像云识别的应用[J]. 气象学报, 2006, 64(1): 31-38.
霍娟, 吕达仁. 晴空与有云大气辐射分布的数值模拟及其对全天空图像云识别的应用[J]. 气象学报, 2006, 64(1): 31-38.
霍娟, 吕达仁. 晴空与有云大气辐射分布的数值模拟及其对全天空图像云识别的应用[J]. 气象学报, 2006, 64(1): 31-38.
Huo J, Lü D R. Characteristics and distribution of all-sky radiance by libradtran modeling: For cloud determination algorithm in all-sky images[J]. Acta Meteorologica Sinica, 2006, 64(1): 31-38.
[24] 杨磊, 潘志强, 傅俏燕, 等. 资源三号卫星多光谱数据的大气校正研究[J]. 光谱学与光谱分析, 2013, 33(7): 1903-1907.
杨磊, 潘志强, 傅俏燕, 等. 资源三号卫星多光谱数据的大气校正研究[J]. 光谱学与光谱分析, 2013, 33(7): 1903-1907.
杨磊, 潘志强, 傅俏燕, 等. 资源三号卫星多光谱数据的大气校正研究[J]. 光谱学与光谱分析, 2013, 33(7): 1903-1907.
Article Outline
苏伟, 张明政, 蒋坤萍, 朱德海, 黄健熙, 王鹏新. Sentinel-2卫星影像的大气校正方法[J]. 光学学报, 2018, 38(1): 0128001. Wei Su, Mingzheng Zhang, Kunping Jiang, Dehai Zhu, Jianxi Huang, Pengxin Wang. Atmospheric Correction Method for Sentinel-2 Satellite Imagery[J]. Acta Optica Sinica, 2018, 38(1): 0128001.