基于经验的高光谱大气校正方法：原理、应用与展望

基于经验的高光谱大气校正方法：原理、应用与展望一、引言1.1研究背景与意义高光谱遥感作为光学遥感技术的前沿领域，能够获取地物丰富的光谱信息，在多个领域发挥着重要作用。在地质勘探中，高光谱遥感可精确识别矿物成分与地质构造，为矿产资源勘查提供关键依据，帮助勘探人员更准确地确定潜在的矿产区域。在农业监测方面，它能够实时监测农作物的生长状况，包括作物的健康程度、营养状况以及病虫害的早期预警等，有助于农民及时采取措施，提高农作物产量和质量。在环境监测领域，高光谱遥感可对水体污染、大气成分等进行有效监测，及时发现环境问题，为环境保护和治理提供科学的数据支持。在军事侦察中，高光谱遥感能通过分析地物的光谱特征，识别伪装目标，为军事决策提供重要情报。然而，高光谱数据在获取过程中，会受到大气的强烈干扰。大气中的气体分子（如水蒸气、氧气、二氧化碳等）和气溶胶会对太阳辐射产生吸收和散射作用，导致传感器接收到的辐射信息不仅包含地物的反射信息，还混入了大气的影响。这使得遥感影像的测量值与实际地物光谱反射信息存在偏差，同种地物在不同景影像上可能表现出不同的光谱信息。这种偏差极大地增加了遥感信息提取的难度，严重降低了地表参数定量反演的精度，对实际遥感应用工作产生了不可忽视的负面影响。例如，在利用高光谱数据进行植被覆盖度反演时，如果不进行大气校正，大气的吸收和散射作用会导致植被反射率的误判，从而使反演结果出现较大误差。大气校正作为消除大气影响的关键手段，旨在从遥感器所接收到的大气-陆地混合信号中提取出陆表目标物体的真实贡献部分，去除大气干扰信息，获得地表真实光谱信息。它是高光谱数据处理的核心环节，对于提高高光谱数据的质量和应用精度具有至关重要的作用。准确的大气校正可以使高光谱数据更真实地反映地物的光谱特征，从而提高地物分类、目标识别和参数反演等应用的准确性。在众多大气校正方法中，基于经验的大气校正方法具有独特的优势。这类方法不需要复杂的大气辐射传输模型和大量的大气参数，操作相对简便，成本较低，且在一些实际应用场景中能够取得较好的校正效果。例如，在缺乏实时大气参数测量数据的情况下，基于经验的大气校正方法可以利用影像本身的信息进行校正，具有较强的实用性。同时，基于经验的大气校正方法还可以与其他校正方法相结合，进一步提高大气校正的精度和适用性。因此，对基于经验的高光谱大气校正方法进行深入研究，具有重要的理论意义和实际应用价值。它不仅有助于完善高光谱大气校正的理论体系，还能为高光谱遥感在各个领域的广泛应用提供更可靠的数据处理技术支持，推动相关领域的发展。1.2国内外研究现状国外在基于经验的高光谱大气校正方法研究方面起步较早。1988年，Kaufman提出了最暗目标法，该方法基于整个研究区域大气效应均匀且黑暗目标存在的假设条件，不需要瞬时试场的实测大气参数和卫星同步光测数据，主要依靠影像本身的信息和影像头文件获取输入参数，操作简便，其校正精度能满足一般遥感应用研究，在历史数据处理中也表现出良好的适用性。此后，不少学者围绕最暗目标法的关键技术，即确定遥感影像中的最暗像元值和选择合适的大气校正模型展开深入研究，不断改进和完善该方法。例如，有研究通过优化最暗像元的选取算法，提高了该方法在复杂地形和多样地物条件下的适应性。1996年，Chave在暗目标法（DOS）基础上改进完善提出了COST模型。该模型纳入了辐射定标这一关键处理步骤，虽然需要计算一些图像信息来获取必要参数，但后续影像DN值转换为大气校正的反射率值可单独完成。COST模型弥补了黑暗像元法忽略大气吸收效应的缺陷，提高了校正精度，在实际应用中得到了较为广泛的应用。在一些植被覆盖度反演的研究中，使用COST模型进行大气校正后，反演结果的精度有了明显提升。国内学者也在积极开展基于经验的高光谱大气校正方法研究，并取得了一系列成果。部分学者针对国内复杂的地理环境和多样化的地物类型，对国外经典的经验方法进行了改进和验证。例如，在研究中发现，将最暗目标法与国内一些地区的地形、植被等先验信息相结合，可以更好地确定最暗像元，从而提高大气校正的精度。还有学者提出了基于图像特征的相对校正法的改进方案，通过对不同地物类型的光谱特征进行深入分析，优化了校正模型的参数选择，使校正结果更符合国内实际情况。此外，国内在基于经验的大气校正方法与其他技术的融合应用方面也有不少探索。将经验校正方法与机器学习算法相结合，利用机器学习算法对大量高光谱数据进行分析和学习，自动优化大气校正的参数，提高校正的效率和精度。在一些城市环境监测的高光谱数据处理中，这种融合方法能够更准确地去除大气干扰，提取出城市地表的真实光谱信息。尽管国内外在基于经验的高光谱大气校正方法研究上取得了一定成果，但仍存在一些不足之处。现有方法在复杂大气条件下的适应性有待进一步提高，如在强散射、高湿度等特殊大气环境中，校正精度可能会受到较大影响。部分经验方法对影像中地物类型和分布有一定要求，当研究区域地物类型复杂多样时，校正效果可能不理想。不同经验方法之间的比较和融合研究还不够深入，缺乏系统的评估体系来确定在不同应用场景下最适宜的校正方法。这些问题都为后续的研究提供了方向和挑战。1.3研究内容与方法本文将深入研究基于经验的高光谱大气校正方法，具体研究内容包括以下几个方面：基于经验的高光谱大气校正方法原理剖析：详细阐述最暗目标法、COST模型等基于经验的大气校正方法的基本原理，分析其在不同假设条件下的工作机制，如最暗目标法基于整个研究区域大气效应均匀且黑暗目标存在的假设，探究其如何利用影像本身信息确定最暗像元值并进行大气校正。深入研究这些方法在处理高光谱数据时的优势与局限性，包括对大气吸收和散射效应的处理能力，以及对不同地物类型和复杂地形的适应性等。基于经验的高光谱大气校正方法应用分析：选择不同研究区域的高光谱数据，涵盖城市、森林、水体等多种地物类型，运用基于经验的大气校正方法进行处理，通过对比校正前后的高光谱数据，分析大气校正对提高地物分类精度、目标识别准确性以及地表参数反演精度的作用。在城市区域，研究大气校正如何帮助更准确地识别建筑物、道路等城市地物；在森林区域，分析大气校正对植被类型识别和生物量反演的影响；在水体区域，探讨大气校正对水质参数反演的重要性。不同基于经验的高光谱大气校正方法对比研究：对多种基于经验的大气校正方法进行系统对比，从校正精度、计算效率、对数据和参数的要求等多个维度进行评估。通过实验分析不同方法在相同数据集上的校正效果差异，找出在不同应用场景下表现最优的校正方法。当研究区域地物类型简单且大气条件相对稳定时，评估哪种经验方法能以较高效率获得满意的校正精度；当面对复杂大气条件和多样地物类型时，分析哪种方法具有更好的适应性和稳定性。为实现上述研究内容，本文将采用以下研究方法：文献研究法：广泛查阅国内外关于基于经验的高光谱大气校正方法的相关文献，梳理该领域的研究现状、发展历程和主要成果，了解现有方法的原理、应用情况以及存在的问题，为本文的研究提供理论基础和研究思路。通过对文献的综合分析，总结前人在方法改进、应用拓展等方面的经验和教训，明确本文的研究方向和重点。案例分析法：选取具有代表性的高光谱遥感影像数据作为案例，运用不同的基于经验的大气校正方法进行处理，对校正结果进行详细分析和讨论。结合实际应用需求，如地物分类、植被监测等，评估不同方法在实际场景中的适用性和有效性，通过实际案例深入了解基于经验的大气校正方法的优势和局限性。实验对比法：设计一系列实验，对不同基于经验的大气校正方法进行对比实验。控制实验条件，包括数据集、大气参数等，确保实验的科学性和可靠性。通过对实验结果的统计分析，量化评估不同方法的校正精度、计算效率等指标，为方法的选择和改进提供客观依据。二、基于经验的高光谱大气校正方法原理2.1经验线性法2.1.1基本原理经验线性法是一种常用的基于经验的高光谱大气校正方法，其基本原理是利用地面已知反射率的控制点，通过线性回归建立影像数字量化值（DN值）与地表反射率之间的关系，从而实现大气校正。在高光谱遥感中，传感器接收到的辐射信号不仅包含地物的反射信息，还受到大气的吸收、散射等因素的影响，导致影像的DN值与地表真实反射率存在偏差。经验线性法假设在一定条件下，这种偏差可以通过线性关系进行补偿。具体来说，首先在研究区域内选择若干个具有已知反射率的地面控制点。这些控制点的选择至关重要，它们应具有代表性，能够覆盖研究区域内不同的地物类型和地表特征，如植被、土壤、水体等。同时，控制点的反射率应通过实地测量或其他可靠的方法准确获取，通常使用地物光谱仪在现场对控制点进行测量，以确保反射率数据的准确性。然后，在高光谱影像上准确识别并提取这些控制点对应的像元，并获取其DN值。由于影像的DN值与地表反射率之间存在一定的线性关系，设反射率为R，DN值为DN，通过线性回归可以建立如下关系式：R=a\timesDN+b，其中a为增益系数，b为偏移系数。通过已知反射率的控制点及其对应的DN值，利用最小二乘法等方法求解出增益系数a和偏移系数b。一旦确定了这两个系数，就可以利用该线性关系式对整幅高光谱影像的DN值进行转换，从而得到校正后的地表反射率图像，实现大气校正的目的。例如，在某一研究区域进行高光谱大气校正时，选择了一块草地、一块裸地和一片水体作为控制点。通过地物光谱仪测量得到草地在某一波段的反射率为0.25，裸地的反射率为0.18，水体的反射率为0.05。在高光谱影像上找到对应的像元，获取其DN值分别为150、120和30。利用这些数据进行线性回归，计算出增益系数a和偏移系数b，进而对整幅影像进行校正。2.1.2关键步骤选择控制点：控制点的选择直接影响大气校正的精度。应在研究区域内全面考虑地物类型的多样性，包括不同植被覆盖度的区域、不同质地的土壤区域以及各种水体等。同时，要保证控制点在空间上均匀分布，避免集中在某一局部区域。控制点的数量也有一定要求，一般来说，至少需要选择三个以上的控制点，以确保线性回归的准确性。在山区进行高光谱大气校正时，除了选择常见的植被、土壤控制点外，还应考虑选择一些具有代表性的岩石露头作为控制点，并且在不同海拔高度和地形部位均匀选取。测量地面反射率：使用专业的地物光谱仪在实地对选定的控制点进行反射率测量。测量过程中，要严格遵循仪器的操作规范，确保测量条件的一致性。选择在晴朗、无云、光照稳定的时间段进行测量，以减少光照变化对测量结果的影响。在测量时，要保持光谱仪的探头垂直于地面，并且与地面保持适当的距离，以获取准确的反射率数据。对于一些面积较小或形状不规则的控制点，可能需要进行多次测量并取平均值，以提高测量的可靠性。计算线性回归参数：将获取的控制点的地面反射率和影像上对应的DN值代入线性回归模型，利用最小二乘法等算法求解增益系数a和偏移系数b。在计算过程中，要对数据进行仔细的检查和预处理，去除异常值和噪声的影响。如果存在个别控制点的数据明显偏离其他数据，可能是由于测量误差或地物特性的特殊性导致的，需要对这些数据进行进一步分析和处理，必要时可以剔除这些异常数据，以保证线性回归的准确性。进行大气校正：利用计算得到的增益系数a和偏移系数b，对整幅高光谱影像的每个像元的DN值进行转换，得到校正后的地表反射率图像。在校正过程中，要注意数据的精度和范围，确保校正后的反射率值在合理的范围内。对于一些超出正常范围的反射率值，可能是由于影像噪声或其他异常情况导致的，需要进行适当的处理，如进行滤波或重新检查校正参数。2.2暗像元法2.2.1基本假设与原理暗像元法是一种经典的基于经验的高光谱大气校正方法，其建立在一系列假设基础之上。首先，假设待校正的高光谱遥感图像上存在黑暗像元区域。黑暗像元是指那些反射率极低的像元，理论上其反射率近似为0。在实际的地物中，水体在近红外波段，由于对太阳辐射的强烈吸收，反射率几乎为零，常被视为黑暗像元；浓密植被在红色波段，由于其叶绿素对红光的高吸收特性，反射率通常小于5%，也可作为黑暗像元的候选。其次，假定地表为朗伯面反射。朗伯面是一种理想的反射面，其反射特性是各向同性的，即无论从哪个角度观察，反射率都保持一致。这一假设简化了对地表反射的描述，使得在处理过程中不需要考虑复杂的地表反射方向性问题。在实际应用中，虽然大部分地表并非严格的朗伯面，但在一定程度上可以近似看作朗伯面，从而满足暗像元法的应用条件。另外，该方法还假设大气性质均一。这意味着在研究区域内，大气的成分、密度、温度等属性在空间上是均匀分布的，大气对太阳辐射的吸收和散射特性在整个区域内保持一致。尽管在现实中，大气性质会随地理位置、高度、时间等因素发生变化，但在相对较小的研究区域和较短的时间范围内，这种均一性假设具有一定的合理性。基于以上假设，暗像元法的原理是：反射率极小的黑暗像元，由于受到大气的影响，其像元值会相对增加。可以认为这部分增加的像元值是由大气的程辐射（路径辐射）所导致的。程辐射是指太阳辐射在到达地表目标物前，就直接被大气散射到太空并被传感器接收的那部分辐射，它不携带任何有关目标物的信息，却干扰了传感器对地表真实反射信息的获取。通过确定黑暗像元增加的像元值，即估算出程辐射，然后将图像中其他像元减去这个程辐射值，就能有效减少大气对整幅影像的影响，进而达到大气校正的目的，获得更接近地表真实反射率的图像。2.2.2黑暗像元的选取与应用黑暗像元的选取是暗像元法大气校正的关键步骤，其准确性直接影响校正效果。在实际操作中，有多种方法可用于选取黑暗像元。对于水体，由于其在近红外波段反射率极低，可通过近红外波段的影像数据来识别水体像元。设定一个反射率阈值，如在近红外波段反射率低于0.05的像元可初步判定为水体像元，即黑暗像元。利用水体在多光谱影像上的光谱特征，结合其他波段的信息进行综合判断，可进一步提高水体像元识别的准确性。对于浓密植被，可借助植被指数来选取黑暗像元。归一化植被指数（NDVI）是常用的植被指数之一，其计算公式为NDVI=\frac{NIR-R}{NIR+R}，其中NIR为近红外波段反射率，R为红光波段反射率。一般来说，NDVI值较高的区域表示植被覆盖度较高，当NDVI值大于某个阈值（如0.6），且红光波段反射率小于0.05时，该区域的像元可被认为是浓密植被像元，即黑暗像元。还可以参考其他植被指数，如增强型植被指数（EVI）等，以更全面地反映植被的生长状况和覆盖程度，提高浓密植被像元选取的可靠性。除了上述基于地物光谱特征和植被指数的方法外，还可以利用图像的空间信息来辅助选取黑暗像元。通过分析像元的邻域信息，判断其是否与周围像元具有相似的光谱特征。如果某个像元在其邻域内表现出明显较低的反射率，且其周围像元也具有相似的低反射率特征，那么该像元更有可能是黑暗像元。利用图像分割技术，将图像划分为不同的区域，然后在每个区域内根据反射率特征选取黑暗像元，可进一步提高选取的效率和准确性。在选取黑暗像元后，即可利用其进行大气校正。具体过程如下：首先，计算选取的黑暗像元在各个波段的平均像元值，这个平均像元值代表了大气程辐射在各个波段的贡献。然后，对于图像中的每个像元，将其在各个波段的原始像元值减去黑暗像元的平均像元值，得到校正后的像元值。设原始像元在某一波段的像元值为DN_{original}，黑暗像元在该波段的平均像元值为DN_{dark}，则校正后的像元值DN_{corrected}=DN_{original}-DN_{dark}。最后，将校正后的像元值重新组合成校正后的高光谱影像，完成大气校正过程。在实际应用中，还需要对校正后的影像进行质量评估，如通过对比校正前后影像的光谱特征、地物分类精度等指标，检验大气校正的效果，必要时可对校正参数或黑暗像元的选取方法进行调整和优化。2.3平场域法2.3.1原理概述平场域法是一种基于统计学模型的反射率反演方法，在高光谱大气校正中具有独特的应用价值。其核心原理是通过选择图像中一块具有高反射率、光谱变化平坦的区域，利用这个区域的平均光谱值来模拟飞行时的大气条件下的太阳光谱。在高光谱遥感过程中，传感器接收到的地物反射辐射不仅包含地物本身的反射信息，还受到大气的吸收、散射等因素的干扰，导致传感器记录的数字量化值（DN值）与地表真实反射率存在偏差。平场域法通过巧妙的假设和处理，试图消除这些大气影响。该方法假设所选的平场域区域具有特殊的光谱特性。一方面，平场域自身的平均光谱没有明显的吸收特征，这意味着该区域的光谱响应相对稳定，不会因为地物自身的光谱吸收特性而产生复杂的变化，从而能够更纯粹地反映大气条件下的太阳辐射情况。另一方面，平场域辐射光谱主要反映的是当时大气条件下的太阳光谱，即该区域的光谱主要受到大气的影响，而较少受到地物自身特性的干扰。基于这两个假设，平场域法将每个像元的DN值除以选择区域的平均光谱值，得到相对反射率，以此来消除大气的影响。假设图像中某像元的DN值为DN_i，平场域区域的平均光谱值为S_{avg}，则经过平场域法校正后该像元的相对反射率R_i可表示为：R_i=\frac{DN_i}{S_{avg}}。通过这种方式，将大气对太阳辐射的影响从像元的DN值中分离出来，从而实现大气校正的目的，得到更接近地表真实反射率的图像。在一幅包含沙漠区域的高光谱影像中，沙漠通常具有高反射率且光谱变化平坦的特点，可将其作为平场域区域。计算出该沙漠区域的平均光谱值后，将影像中每个像元的DN值除以这个平均光谱值，即可得到校正后的相对反射率图像。2.3.2实际操作要点在实际应用平场域法进行高光谱大气校正时，选择合适的平场域区域是关键步骤之一。一般来说，沙漠、大块水泥地、沙地等区域常被作为平场域的候选区域。这些区域通常具有高反射率，能够在影像中清晰地与其他地物区分开来，便于准确选取。它们的光谱变化相对平坦，符合平场域法对区域光谱特性的要求。在选择时，要注意确保平场域区域在图像中具有足够的面积，以保证其平均光谱值能够稳定地代表大气条件下的太阳光谱。面积过小的区域可能会受到周围地物的影响，导致其平均光谱值不能准确反映大气条件。利用ENVI软件进行平场域法大气校正时，首先需要利用ENVI提供的感兴趣区绘制工具（ROITool）在被定标图像上选择感兴趣区作为平场域。在选择过程中，可以结合图像的目视解译和光谱分析功能，仔细甄别不同地物区域的光谱特征，确保所选区域符合平场域的条件。选择完成后，软件会自动计算该平场域区域的平均光谱值。然后，软件将图像中每个像元的DN值除以该平均光谱值，得到相对反射率，完成大气校正过程。在得到校正后的图像后，还需要对校正结果进行评估。可以通过对比校正前后图像的光谱特征、地物分类精度等指标，检验平场域法大气校正的效果。如果发现校正结果不理想，可能需要重新选择平场域区域或调整校正参数，以获得更准确的校正结果。2.4其他常见基于经验的方法除了上述几种典型的基于经验的高光谱大气校正方法外，对数残差法和内部平均法也在实际应用中具有一定的地位。对数残差法旨在消除光照、大气传输、仪器系统误差、地形影响和星体反照率对数据辐射的影响。其原理是将数据除以波段几何均值，再除以像元几何均值。具体而言，设图像中某像元在第i个波段的DN值为DN_{i}，波段几何均值为G_{b}，像元几何均值为G_{p}，则经过对数残差法校正后该像元的值V为：V=\frac{DN_{i}}{G_{b}\timesG_{p}}。这种计算方式能够有效降低多种因素对数据辐射的干扰，使得校正结果的值通常在1附近。在一幅受地形影响较大的高光谱影像中，通过对数残差法校正后，不同地形部位的像元值能够更准确地反映地物的真实反射特性，减少了地形阴影等因素对影像的影响。内部平均法假定整幅图像的平均光谱基本代表了大气影响下的太阳光谱信息。基于这一假设，该方法把图像DN值与整幅图像的平均辐射光谱值相除，得到的结果即为相对反射率。设图像的平均辐射光谱值为S_{avg-all}，某像元的DN值为DN_{j}，则该像元经过内部平均法校正后的相对反射率R_{j}为：R_{j}=\frac{DN_{j}}{S_{avg-all}}。这种方法特别适用于没有植被的干旱区域，因为在这类区域中，地物类型相对单一，整幅图像的平均光谱更能代表大气影响下的太阳光谱信息，从而能够有效地消除大气对影像的影响，获得较为准确的相对反射率图像。在沙漠地区的高光谱影像处理中，内部平均法能够较好地去除大气干扰，突出沙漠地物的光谱特征，为后续的地物分析和研究提供更可靠的数据基础。三、基于经验的高光谱大气校正方法应用案例分析3.1案例一：某地区植被监测中的应用3.1.1研究区域与数据获取本案例选取的植被监测研究区域位于[具体地理位置]，该区域涵盖了多种植被类型，包括森林、草地和农田等，地形较为复杂，海拔高度在[最低海拔]-[最高海拔]之间。其气候属于[气候类型]，降水和光照条件在不同季节和区域存在一定差异，为研究基于经验的大气校正方法在复杂植被环境下的应用提供了典型样本。数据获取方面，采用搭载在[卫星名称或航空平台名称]上的高光谱传感器获取该区域的高光谱数据。传感器的光谱范围覆盖了[具体光谱范围，如400-2500nm]，光谱分辨率达到[具体分辨率，如5nm]，能够精细地捕捉植被的光谱特征。数据获取时间为[具体时间]，该时段植被生长旺盛，能够充分反映植被的光谱特性。同时，为了确保数据的准确性和可靠性，在获取高光谱数据的同时，还利用地面光谱仪在研究区域内选择了多个具有代表性的样地进行实地测量，获取这些样地的地面真实反射率数据，作为后续大气校正和结果验证的参考依据。在森林样地中，选择了不同树种、不同树龄的区域进行测量；在草地样地中，考虑了不同植被覆盖度和生长状况的区域；在农田样地中，针对不同农作物品种和生长阶段进行了测量。3.1.2大气校正过程与结果分析应用基于经验的暗像元法对该区域高光谱数据进行校正。在黑暗像元选取阶段，通过分析高光谱数据在近红外波段的反射率特征，结合实地调查信息，识别出研究区域内的水体像元作为黑暗像元。水体在近红外波段对太阳辐射具有强烈的吸收作用，其反射率极低，符合黑暗像元的特征。利用ENVI软件的感兴趣区（ROI）工具，在影像上准确勾画出水体区域，提取其在各个波段的像元值，并计算这些像元在每个波段的平均像元值，该平均像元值代表了大气程辐射在各个波段的贡献。得到大气程辐射值后，对图像中的每个像元进行校正处理。对于图像中的每个像元，将其在各个波段的原始像元值减去黑暗像元的平均像元值，得到校正后的像元值。设原始像元在某一波段的像元值为DN_{original}，黑暗像元在该波段的平均像元值为DN_{dark}，则校正后的像元值DN_{corrected}=DN_{original}-DN_{dark}。最后，将校正后的像元值重新组合成校正后的高光谱影像。对比校正前后植被光谱特征，结果显示校正前植被光谱在某些波段受到大气吸收和散射的影响，出现明显的噪声和偏移，导致光谱曲线的形态和特征不清晰。例如，在红光波段，由于大气中水汽和二氧化碳的吸收作用，植被光谱的反射率被低估，使得植被在该波段的特征不明显，难以准确识别植被的类型和生长状况。而校正后，植被光谱曲线更加平滑，特征明显，在红光波段的反射率恢复到合理范围，“红边”位置更加准确，能够清晰地反映植被的叶绿素含量和生长状态等信息。在近红外波段，校正后的光谱反射率也更能体现植被的结构和生物量信息，为植被监测提供了更可靠的数据支持。校正效果对植被监测产生了显著影响。在植被分类方面，校正前由于大气干扰导致光谱特征不明显，利用最大似然分类法等常用分类方法对植被进行分类时，分类精度较低，不同植被类型之间的混淆现象较为严重。校正后，基于清晰的植被光谱特征，分类精度得到了显著提高，能够更准确地区分森林、草地和农田等不同植被类型，各类植被的分类精度均提高了[X]%以上。在植被生物量反演方面，校正前由于光谱偏差，反演结果与实际生物量存在较大误差，无法准确反映植被的生长状况。校正后，利用校正后的高光谱数据进行生物量反演，反演结果与地面实测生物量数据的相关性显著增强，相关系数从校正前的[具体系数1]提高到校正后的[具体系数2]，能够更准确地评估植被的生物量，为森林资源管理和生态环境监测提供了更可靠的依据。3.2案例二：海洋水质监测中的应用3.2.1海洋监测需求与数据特点海洋水质监测对于维护海洋生态平衡、保障海洋资源可持续利用以及保护人类健康具有至关重要的意义。随着人类活动对海洋环境影响的日益加剧，如工业废水排放、海上石油开采、船舶运输等，海洋水质面临着严峻的挑战，水质污染事件频发，对海洋生物多样性、渔业资源以及沿海地区的经济发展造成了严重威胁。准确、及时地监测海洋水质状况，成为海洋环境保护和管理的迫切需求。高光谱数据在海洋水质监测中具有独特的优势，能够提供丰富的光谱信息，为水质参数的精确反演和污染物的识别提供有力支持。海洋高光谱数据具有高光谱分辨率的特点，其光谱通道窄且连续，能够精细地捕捉水体中各种物质的光谱特征。在可见光和近红外波段，不同的水质参数，如叶绿素a、悬浮泥沙、化学需氧量（COD）等，都具有独特的光谱吸收和反射特征。叶绿素a在蓝光和红光波段有明显的吸收峰，通过对这些波段光谱信息的分析，可以准确地反演叶绿素a的浓度，从而评估海洋浮游植物的生长状况和海洋初级生产力。悬浮泥沙在近红外波段的反射率较高，且随着泥沙浓度的增加而增大，利用这一光谱特征可以有效监测海洋中悬浮泥沙的含量和分布情况。海洋高光谱数据还具有图谱合一的特性，将图像信息和光谱信息相结合，能够直观地展示海洋水质参数的空间分布情况。通过对高光谱影像的分析，可以清晰地看到不同水质区域的边界和范围，以及水质参数在空间上的变化趋势。在监测海洋赤潮时，高光谱影像可以准确地识别赤潮发生的区域，并通过对赤潮生物光谱特征的分析，判断赤潮的种类和发展程度，为及时采取应对措施提供依据。然而，海洋高光谱数据在获取过程中也面临着诸多大气校正挑战。大气中的气体分子（如水蒸气、氧气、二氧化碳等）和气溶胶对太阳辐射的吸收和散射作用，会导致传感器接收到的辐射信息发生改变，使海洋高光谱数据受到严重的大气干扰。大气散射会使太阳辐射在到达海面之前发生多次散射，增加了路径辐射，导致传感器接收到的辐射中包含大量与水体无关的信息，从而降低了水体光谱信号的信噪比。大气吸收则会使某些波段的太阳辐射被大气中的气体分子吸收，导致这些波段的光谱信息缺失或失真，影响了对水质参数的准确反演。海洋表面的粗糙度和波浪等因素也会影响太阳辐射的反射和散射，进一步增加了大气校正的复杂性。在风浪较大的情况下，海面的反射率会发生显著变化，使得传感器接收到的辐射信号更加复杂，难以准确分离出大气和水体的贡献。3.2.2校正方法选择与应用效果在海洋水质监测中，选择合适的基于经验的大气校正方法对于提高数据质量和反演精度至关重要。考虑到海洋环境的特殊性以及数据获取的实际情况，平场域法在本案例中具有较好的适用性。海洋中的大面积海水区域在一定程度上可近似看作具有高反射率、光谱变化平坦的区域，符合平场域法对平场域区域的要求。海水在某些波段的光谱响应相对稳定，较少受到地物自身光谱吸收特性的干扰，能够较好地反映大气条件下的太阳光谱。利用平场域法对获取的海洋高光谱数据进行大气校正。首先，在高光谱影像上仔细选择大面积相对均匀的海水区域作为平场域。通过对影像的目视解译和光谱分析，确保所选区域的光谱特征符合平场域的条件。然后，利用ENVI软件的感兴趣区（ROI）工具，精确地勾画出平场域区域，并计算该区域的平均光谱值。将图像中每个像元的DN值除以平场域区域的平均光谱值，得到相对反射率，完成大气校正过程。对比校正前后的海洋高光谱数据，校正效果显著。校正前，由于大气干扰，水体光谱在多个波段出现明显的噪声和偏移，光谱曲线的形态和特征受到严重影响。在近红外波段，由于大气散射和吸收的作用，水体光谱的反射率被高估，导致对悬浮泥沙等水质参数的反演出现较大误差。而校正后，水体光谱曲线更加平滑，噪声明显减少，光谱特征更加清晰。在叶绿素a的特征波段，校正后的光谱能够准确地反映其吸收峰的位置和强度，为叶绿素a浓度的精确反演提供了可靠的数据支持。校正后的数据在海洋水质参数反演中取得了良好的应用效果。以叶绿素a浓度反演为例，利用校正后的高光谱数据，采用基于经验模型的反演方法，反演结果与现场实测数据的相关性显著提高。校正前，反演结果与实测数据的相关系数仅为[具体系数1]，存在较大偏差；校正后，相关系数提高到[具体系数2]，反演精度得到了大幅提升，能够更准确地反映海洋中叶绿素a的实际浓度分布情况。在悬浮泥沙含量反演方面，校正后的数据同样表现出色，反演结果能够更准确地反映悬浮泥沙在海洋中的分布和变化趋势，为海洋环境监测和管理提供了更有价值的信息。3.3案例三：城市环境监测中的应用3.3.1城市区域特征与数据来源城市区域是人类活动高度集中的区域，地物类型极为复杂多样。这里不仅有各种建筑物，如高楼大厦、居民住宅、商业建筑等，它们的材质、结构和表面特性各不相同，导致光谱特征差异显著。不同建筑材料，如混凝土、金属、玻璃等，在高光谱影像上会呈现出不同的反射率和光谱曲线形态。道路也是城市区域的重要组成部分，包括沥青路面、水泥路面以及不同类型的人行道等，其光谱特征也具有明显的区别。沥青路面在近红外波段具有较低的反射率，而水泥路面的反射率相对较高。城市中还分布着大量的植被，如公园、绿化带、行道树等，这些植被的种类、生长状况和覆盖度各异，进一步增加了地物类型的复杂性。不同树种的植被在光谱特征上存在明显差异，例如，阔叶树和针叶树在近红外波段的反射率和“红边”位置就有所不同。水体，如河流、湖泊、人工池塘等，其光谱特征与其他地物也有明显区别，在近红外波段，水体对太阳辐射具有强烈的吸收作用，反射率极低。城市中还存在大量的人造物体，如广告牌、路灯、电线杆等，这些物体的光谱特征也会对城市高光谱数据产生影响。为了进行城市环境监测，本案例获取了[具体城市名称]部分区域的高光谱数据。数据来源于搭载在[卫星名称或航空平台名称]上的高光谱传感器，其光谱范围覆盖[具体光谱范围，如400-2500nm]，光谱分辨率达到[具体分辨率，如10nm]。数据获取时间为[具体时间]，该时段天气晴朗，光照条件稳定，有利于获取高质量的高光谱数据。在数据获取后，进行了一系列预处理工作。首先进行辐射定标，将影像的数字量化值（DN值）转换为辐射亮度值，确保数据的准确性和可比性。利用卫星上的内部辐射标准源，结合影像头文件中的相关参数，通过特定的计算公式进行辐射定标，使数据能够准确反映地物的辐射特性。然后进行几何校正，通过采集地面控制点，利用多项式拟合等方法对影像进行几何变形校正，消除由于传感器姿态、地形起伏等因素导致的几何误差，使影像中的地物位置与实际地理位置相符。还进行了图像增强处理，采用直方图均衡化等方法，提高影像的对比度和清晰度，突出地物的光谱特征，为后续的大气校正和分析工作奠定基础。3.3.2大气校正对城市地物识别的影响大气校正对城市地物识别具有至关重要的影响。在进行大气校正前，由于大气的吸收和散射作用，城市不同地物的光谱特征受到严重干扰，存在明显的噪声和偏移。建筑物的光谱在某些波段可能会因为大气中水汽和二氧化碳的吸收而出现异常的低谷，导致其材质和结构信息难以准确识别。道路的光谱特征也会受到大气散射的影响，反射率出现偏差，使得不同类型道路之间的区分变得困难。植被的光谱在红光和近红外波段，由于大气的干扰，“红边”位置可能会发生偏移，影响对植被健康状况和种类的判断。水体的光谱在近红外波段，由于大气程辐射的影响，反射率可能会被高估，导致对水体污染状况的误判。经过大气校正后，城市不同地物的光谱特征得到显著改善。建筑物的光谱曲线更加平滑，材质和结构信息能够更清晰地展现出来。通过对校正后光谱的分析，可以更准确地识别建筑物的建筑材料，判断其年代和使用状况。道路的光谱特征更加准确，不同类型道路的区分度明显提高，能够更精确地绘制城市道路网络。植被的光谱“红边”位置恢复正常，叶绿素含量等信息能够更准确地反映出来，有助于对城市植被的生长状况进行监测和评估，及时发现病虫害和营养不良等问题。水体的光谱在近红外波段的反射率恢复到真实水平，能够更准确地监测水体的污染状况，如藻类繁殖、化学需氧量等指标，为城市水环境治理提供有力支持。大气校正对城市环境监测具有重要作用。在城市地物分类方面，校正前由于大气干扰导致光谱特征不明显，利用传统的分类方法，如最大似然分类法，分类精度较低，不同地物类型之间的混淆现象较为严重。校正后，基于清晰的光谱特征，分类精度得到显著提高，能够更准确地区分建筑物、道路、植被和水体等不同地物类型，各类地物的分类精度均提高了[X]%以上。在城市热岛效应监测中，校正前由于大气对热红外波段的干扰，难以准确获取城市地表的真实温度分布。校正后，可以更准确地反演城市地表温度，清晰地显示城市热岛的范围和强度，为城市规划和节能减排提供科学依据。在城市环境污染监测方面，校正后的高光谱数据能够更准确地识别和分析污染物的光谱特征，监测污染物的分布和扩散情况，及时发现污染源，为环境保护和治理提供重要支持。四、基于经验的高光谱大气校正方法对比与评估4.1不同方法的性能对比4.1.1校正精度对比为了深入对比不同基于经验的大气校正方法的校正精度，选取了涵盖多种地物类型的高光谱数据集进行实验。数据集包括了森林、草地、水体、城市等不同地物区域，以全面评估各种方法在不同地物条件下的表现。对于经验线性法，在选择控制点时，充分考虑了地物类型的多样性，在森林区域选择了不同树种的林地，在草地区域选择了不同植被覆盖度的草地，在水体区域选择了清洁水体和轻度污染水体，在城市区域选择了不同建筑材料的建筑物和道路等。通过地物光谱仪精确测量这些控制点的地面反射率，并在高光谱影像上准确提取其对应的DN值。利用最小二乘法求解线性回归参数，得到增益系数a和偏移系数b，进而对整幅影像进行大气校正。校正后，通过与地面实测反射率数据进行对比，计算其均方根误差（RMSE）和平均绝对误差（MAE）。在森林区域，经验线性法校正后的均方根误差为[具体数值1]，平均绝对误差为[具体数值2]；在草地区域，均方根误差为[具体数值3]，平均绝对误差为[具体数值4]。暗像元法在黑暗像元选取过程中，利用近红外波段和植被指数等信息，准确识别出水体和浓密植被像元作为黑暗像元。对于水体像元，通过设定近红外波段反射率阈值为0.05，筛选出符合条件的像元；对于浓密植被像元，利用归一化植被指数（NDVI）大于0.6且红光波段反射率小于0.05的条件进行选取。计算黑暗像元在各个波段的平均像元值，并将其作为大气程辐射值，对图像中每个像元进行校正。与地面实测数据对比后，在水体区域，暗像元法校正后的均方根误差为[具体数值5]，平均绝对误差为[具体数值6]；在浓密植被区域，均方根误差为[具体数值7]，平均绝对误差为[具体数值8]。平场域法在选择平场域区域时，考虑了沙漠、大块水泥地等具有高反射率且光谱变化平坦的区域。通过对影像的光谱分析，选择了一块面积较大的沙漠区域作为平场域，计算该区域的平均光谱值。将图像中每个像元的DN值除以平场域区域的平均光谱值，得到相对反射率，完成大气校正。在沙漠区域，平场域法校正后的均方根误差为[具体数值9]，平均绝对误差为[具体数值10]；在其他地物区域，均方根误差和平均绝对误差也分别在一定范围内。通过对比不同方法在各个地物区域的校正精度指标，发现经验线性法在控制点选择合理的情况下，对于多种地物类型都能取得较好的校正效果，尤其在具有明显光谱特征差异的地物区域，如城市区域，能够准确建立DN值与地表反射率之间的关系，校正精度较高。暗像元法对于水体和浓密植被等具有低反射率特征的地物区域表现出色，能够有效去除大气程辐射的影响，恢复地物的真实反射率。平场域法在沙漠等符合其假设条件的区域校正精度较高，但在其他地物类型复杂的区域，由于平场域区域的选择可能存在局限性，校正精度相对较低。4.1.2计算效率对比在计算效率方面，不同基于经验的大气校正方法存在一定差异。经验线性法的计算过程主要包括控制点的选择、地面反射率测量、线性回归参数计算以及整幅影像的校正。控制点的选择需要人工在影像上进行标记和筛选，这一过程相对耗时，尤其是当研究区域较大且地物类型复杂时，需要花费较多时间确保控制点的代表性和准确性。地面反射率测量需要使用专业的地物光谱仪进行实地测量，这不仅需要耗费时间和人力，还受到天气、地形等因素的限制。线性回归参数计算虽然可以通过计算机算法快速完成，但总体而言，经验线性法的前期准备工作较为繁琐，导致其整体计算效率相对较低。在处理一幅包含多种地物类型、大小为[具体尺寸]的高光谱影像时，经验线性法从数据准备到完成大气校正，总共耗时[具体时间1]。暗像元法的计算主要集中在黑暗像元的选取和大气程辐射的计算以及影像校正。黑暗像元的选取过程需要对影像进行波段分析和阈值设定，虽然可以通过计算机程序自动完成，但在复杂的地物环境中，准确识别黑暗像元可能需要多次调整阈值和分析过程，也会花费一定时间。大气程辐射的计算相对简单，主要是对黑暗像元的平均像元值进行计算。与经验线性法相比，暗像元法不需要进行实地测量，减少了数据获取的时间成本，整体计算效率相对较高。在处理相同尺寸的高光谱影像时，暗像元法从开始处理到完成校正，耗时[具体时间2]，明显短于经验线性法。平场域法的计算过程相对简洁，主要是选择平场域区域和计算平均光谱值，以及将像元DN值除以平均光谱值进行校正。选择平场域区域可以通过影像的光谱特征快速确定，计算平均光谱值和校正过程都可以通过计算机快速完成。在计算效率上，平场域法具有明显优势，处理相同影像时，仅耗时[具体时间3]，是三种方法中计算效率最高的。对数残差法和内部平均法在计算效率方面也各有特点。对数残差法主要是进行数据的几何均值计算，计算过程相对简单，能够快速完成。在处理大规模高光谱数据时，对数残差法能够在较短时间内完成大气校正，计算效率较高。内部平均法需要计算整幅图像的平均辐射光谱值，虽然计算过程不复杂，但对于大数据量的影像，计算整幅图像的平均值也会占用一定时间。在计算效率上，对数残差法略高于内部平均法，但两者都相对较快，适用于对计算时间要求较高的应用场景。4.1.3适用场景差异不同基于经验的高光谱大气校正方法在适用场景上存在明显差异。经验线性法适用于具有一定地面实测数据支持的场景。当研究区域内能够获取到准确的地面控制点的反射率数据时，经验线性法可以通过建立精确的线性关系，有效地消除大气影响，获得高精度的校正结果。在土地利用变化监测中，如果在不同时期的影像获取时，都对同一批控制点进行了地面反射率测量，那么经验线性法可以准确地校正不同时期的影像，使得不同时期的影像具有可比性，从而准确监测土地利用的变化情况。但如果缺乏地面实测数据，经验线性法的校正精度将受到严重影响，甚至无法进行有效的校正。暗像元法适用于存在明显黑暗像元区域的场景。在水体面积较大的区域，如湖泊、海洋等，水体在近红外波段的低反射率特性使得其成为理想的黑暗像元，暗像元法能够很好地发挥作用，有效去除大气程辐射，提高水体光谱的准确性，为水质监测等应用提供可靠的数据基础。在植被覆盖度较高的森林、草原等区域，浓密植被在红色波段的低反射率也满足黑暗像元的条件，暗像元法可以准确校正这些区域的高光谱数据，有助于植被类型识别和生物量反演等研究。然而，当研究区域缺乏明显的黑暗像元时，如在干旱的沙漠地区，几乎没有低反射率的地物，暗像元法就难以适用，校正效果会大打折扣。平场域法适用于具有高反射率、光谱变化平坦区域的场景。在沙漠地区，沙漠的高反射率和相对稳定的光谱特征使其成为平场域法的理想选择，平场域法能够准确地消除大气影响，突出沙漠地物的光谱特征，为沙漠研究提供高质量的数据。在城市中，如果存在大面积的水泥地、广场等区域，这些区域也可以作为平场域，平场域法可以有效校正城市区域的高光谱数据，提高城市地物识别的准确性。但在地形复杂、地物类型多样且光谱变化复杂的区域，很难找到符合条件的平场域区域，平场域法的应用就会受到限制。对数残差法适用于需要消除多种复杂因素对数据辐射影响的场景，尤其是在地形起伏较大、光照条件复杂的区域，对数残差法能够通过独特的计算方式，有效降低这些因素的干扰，使校正后的影像更能反映地物的真实反射特性。在山区进行高光谱数据处理时，对数残差法可以较好地校正由于地形阴影和光照不均匀导致的数据偏差。内部平均法适用于地物类型相对单一、整幅图像的平均光谱能够较好代表大气影响下太阳光谱信息的场景。在干旱的荒漠地区，地物类型主要为沙漠，内部平均法可以利用整幅图像的平均光谱有效去除大气干扰，得到较为准确的相对反射率图像。4.2影响校正效果的因素分析4.2.1大气条件的影响大气条件对基于经验的大气校正方法效果有着显著影响。大气成分是其中一个重要因素，大气中的各种气体分子，如二氧化碳（CO_2）、水汽（H_2O）、氧气（O_2）等，对太阳辐射具有不同的吸收特性。在近红外波段，水汽对太阳辐射有强烈的吸收作用，会导致该波段的辐射能量明显衰减。当大气中水汽含量较高时，基于经验的大气校正方法在处理高光谱数据时，可能难以准确地去除水汽吸收的影响，从而使校正后的光谱在近红外波段出现偏差，影响对植被含水量、土壤湿度等相关参数的反演精度。二氧化碳在某些波段也存在吸收峰，其含量的变化会改变大气的吸收特性，进而影响大气校正的准确性。气溶胶含量也是影响校正效果的关键因素。气溶胶是悬浮在大气中的固态或液态微粒，其粒径、浓度和分布等特性会影响太阳辐射的散射和吸收。在城市地区，工业排放和交通尾气等会导致气溶胶浓度增加，且气溶胶的粒径分布较为复杂。这些气溶胶会对太阳辐射产生强烈的散射作用，增加了大气程辐射，使得传感器接收到的辐射信号中包含大量与地物无关的信息。暗像元法在这种情况下，由于大气程辐射的增加，黑暗像元的选取可能会受到干扰，导致选取的黑暗像元不能准确代表大气程辐射，从而影响大气校正的精度。平场域法在气溶胶含量较高的区域，平场域区域的光谱可能会受到气溶胶散射的影响，不再能准确地反映大气条件下的太阳光谱，导致校正效果不佳。水汽含量对基于经验的大气校正方法效果的影响也不容忽视。水汽在近红外和中红外波段存在多个吸收带，其含量的变化会导致大气吸收特性的显著改变。在潮湿的气候条件下，大气中水汽含量较高，这会使高光谱数据在水汽吸收波段的信号减弱，噪声增加。经验线性法在这种情况下，由于水汽对光谱的影响，控制点的选择和反射率测量可能会受到干扰，导致线性回归模型的准确性下降，从而影响大气校正的效果。当水汽含量在空间上分布不均匀时，会导致大气的光学厚度在不同区域存在差异，这对基于大气均匀性假设的暗像元法和平场域法等经验方法来说，会增加校正的难度，降低校正精度。4.2.2地物类型与分布的影响不同地物类型和地物分布特征对基于经验的大气校正方法的校正效果有着重要作用。地物类型的多样性使得其光谱特征差异显著，这给大气校正带来了挑战。植被作为常见的地物类型，其光谱特征具有明显的“红边”现象，即在红光波段到近红外波段之间，反射率急剧上升。不同植被类型，如针叶林、阔叶林、草地等，其“红边”位置和反射率变化幅度存在差异。在进行大气校正时，如果研究区域内植被类型复杂，基于经验的大气校正方法可能难以准确地去除大气对不同植被光谱的影响，导致校正后的植被光谱特征仍存在偏差，影响对植被类型的识别和生物量的反演。水体的光谱特征也具有独特性，在近红外波段，水体对太阳辐射具有强烈的吸收作用，反射率几乎为零。在利用暗像元法进行大气校正时，通常将水体像元作为黑暗像元来估算大气程辐射。但如果水体受到污染，其光谱特征会发生改变，如水体中含有藻类、悬浮颗粒物等，会导致水体在近红外波段的反射率增加，不再符合黑暗像元的假设条件。这会使暗像元法选取的黑暗像元不准确，从而影响大气校正的精度。城市地物类型极为复杂，包括建筑物、道路、人工绿地等。建筑物的材质多样，如混凝土、金属、玻璃等，不同材质的建筑物在高光谱影像上具有不同的光谱特征。混凝土建筑物在近红外波段反射率相对较低，而金属建筑物则具有较高的反射率。道路的光谱特征也因路面材质和磨损程度而异。在城市区域进行大气校正时，由于地物类型的复杂性，基于经验的大气校正方法可能无法全面考虑各种地物的光谱特性，导致校正后的影像在不同地物之间的边界处出现光谱不连续或异常的情况，影响对城市地物的准确识别和分类。地物分布特征也会影响大气校正效果。当地物分布不均匀时，会导致大气校正的难度增加。在山区，地形起伏较大，不同海拔高度的地物受到的大气影响不同，大气的光学厚度随海拔升高而减小。如果在山区进行大气校正时，仅采用基于大气均匀性假设的经验方法，可能无法准确地校正不同海拔高度地物的光谱，导致校正后的影像出现明显的地形效应，影响对山区地物的分析和研究。在研究区域内存在大面积的同质区域时，如大片的沙漠或森林，基于经验的大气校正方法可能会因为缺乏足够的光谱变化信息，而难以准确地确定大气校正的参数，从而影响校正效果。4.2.3数据质量与预处理的影响高光谱数据的噪声、辐射定标精度和几何校正质量等对基于经验的大气校正方法的大气校正效果有着重要影响。噪声是高光谱数据中不可避免的问题，它会干扰地物的真实光谱信息，降低数据的质量。高光谱传感器在采集数据过程中，由于电子元件的热噪声、探测器的暗电流以及外界环境的干扰等因素，会导致数据中出现噪声。这些噪声会使地物的光谱曲线出现波动和异常，影响基于经验的大气校正方法对光谱特征的准确分析和处理。在利用经验线性法进行大气校正时，噪声可能会导致控制点的光谱值出现偏差，从而影响线性回归模型的准确性，使得校正后的光谱仍然存在噪声干扰，无法准确反映地物的真实反射率。辐射定标精度是影响大气校正效果的关键因素之一。辐射定标是将传感器接收到的数字量化值（DN值）转换为辐射亮度值的过程，其精度直接关系到后续大气校正的准确性。如果辐射定标不准确，会导致传感器接收到的辐射亮度值与实际地物辐射亮度值存在偏差。在进行大气校正时，基于不准确的辐射亮度值进行计算，会使大气校正结果出现误差，无法准确去除大气对光谱的影响。当辐射定标系数存在误差时，校正后的光谱在各个波段的反射率可能会出现整体偏移或比例失调，影响对不同地物光谱特征的区分和识别。几何校正质量也对大气校正效果有着重要影响。几何校正的目的是消除图像中的几何变形，使图像中的地物位置与实际地理位置相符。如果几何校正不准确，会导致图像中地物的位置发生偏移，不同地物之间的相对位置关系出现错误。在进行大气校正时，基于错误的地物位置信息进行计算，会使大气校正结果出现偏差。在利用暗像元法进行大气校正时，如果几何校正不准确，可能会导致黑暗像元的选取错误，将非黑暗像元误选为黑