Гиперспектральная коррекция данных

Гиперспектральные датчики, используемые для приложений дистанционного зондирования, получают спектральные характеристики поверхности Земли во многих узких и непрерывных полосах. Когда солнечное излучение является инцидентом на поверхностном материале, материал отражает инцидентное излучение. Сумма отраженной энергии показывает спектральные характеристики поверхностного материала.

Инцидентное излучение, отраженное поверхностью, известно как surface reflectance. Отраженное излучение, измеренное датчиком, расположенным наверху атмосферы (TOA), известно как сияние TOA. Идеально, сияние TOA равно поверхностному коэффициенту отражения. Но в действительных условиях инцидент и отраженное излучение затронуты атмосферными явлениями, такими как рассеивание и поглощение. В результате значение сияния TOA является суммой отражений от поверхности, отражений от облаков, и рассеивающийся от воздушных молекул и частиц аэрозоля в атмосфере.

Radiation from surface

Наряду с характеристиками источника света и поверхностного материала, значениями излучения, измеренными датчиком, является под влиянием датчика gain и bias (смещение) в каждой спектральной длине волны. Необработанные данные, зарегистрированные гиперспектральными датчиками, известны как цифровые числа (DNS). Чтобы использовать гиперспектральные данные для количественного анализа, необходимо калибровать данные для значений сияния TOA и оценить фактические поверхностные значения коэффициента отражения от DNS.

Процесс оценки значений сияния TOA от DNS известен как радиометрическую калибровку. Процесс оценки поверхностных значений коэффициента отражения путем удаления атмосферных эффектов известен как атмосферную коррекцию.

Можно выполнить радиометрическую калибровку и атмосферные процедуры коррекции как предварительно обрабатывающие шаги для полного спектрального анализа.

Радиометрическая калибровка

DN к сиянию TOA

Чтобы оценить значения сияния TOA от DNS, калибруйте усиление датчика и смещение в каждом диапазоне.

${Radiance L}_{λ} = (D N_{λ} \times G a i n_{λ}) + B i a s_{λ}$

_Gainλ и _Biasλ являются усилением и смещают значения для каждого диапазона (λ), соответственно.

Можно найти значения сияния TOA для некалиброванных гиперспектральных данных при помощи dn2radiance функция. Функция читает усиление и смещение (смещение) значения для каждого диапазона от заголовочного файла, сопоставленного с гиперспектральными данными.

Сияние TOA к коэффициенту отражения TOA

Можно оценить значения коэффициента отражения TOA от значений сияния TOA. Коэффициент отражения TOA задает отношение сияния TOA к инциденту излучения на поверхности.

$Reflectance ρ_{λ} = \frac{π d^{2} L_{λ}}{E S U N_{λ} θ_{E}}$

d является расстоянием Наземного солнца в астрономических модулях, _ESUNλ является средней освещенностью солнечного излучения для каждого диапазона, и _θE является углом возвышения солнца. Можно оценить значения коэффициента отражения TOA от значений сияния TOA при помощи radiance2Reflectance функция.

DN к коэффициенту отражения TOA

Можно непосредственно вычислить значения коэффициента отражения TOA из DNS, если усиление коэффициента отражения (_RGain) и коэффициент отражения возместило (_ROffset), параметры каждого диапазона доступны.

$Reflectance ρ_{λ} = (D N_{λ} \times R_{G a i n_{λ}}) + R_{O f f s e t_{λ}}$

dn2reflectance функция калибрует DNS к значениям коэффициента отражения TOA при помощи усиления коэффициента отражения и параметров смещения, доступных в метаданных.

Атмосферная коррекция

Атмосферные методы коррекции оценивают поверхностные значения коэффициента отражения от сияния TOA или значения коэффициента отражения TOA. Атмосферные методы коррекции классифицируются как эмпирические методы и основанные на модели методы.

Эмпирические методы являются находящимися на сцене подходами, которые оценивают относительные поверхностные значения коэффициента отражения. Эмпирические методы в вычислительном отношении эффективны, и не требует априорных измерений.
Основанные на модели методы зависят от атмосферных данных на месте и полезны для точной оценки поверхностных значений коэффициента отражения.

Метод	Описание
`subtractDarkPixel`	Темное пиксельное вычитание или темное объектное вычитание, эмпирический метод, подходящий для удаления атмосферного тумана от гиперспектральных изображений. Атмосферный туман характеризуется высокими значениями DN и приводит к неестественному прояснению изображений. Темные пиксели являются пикселями минимальных значений в каждой полосе. Темные пиксели приняты, чтобы иметь нулевой поверхностный коэффициент отражения, и их значения составляют аддитивный эффект атмосферного сияния пути.
`empiricalLine`	Эмпирический калибровочный метод линии принимает линейное соотношение между поверхностным коэффициентом отражения и измеренными значениями коэффициента отражения. Этот метод принимает, что вход, гиперспектральные данные имеют один или несколько известных целевых пикселей, для которых поверхностные значения коэффициента отражения доступны. Калибровочный метод состоит из регрессирования измеренного спектрального значения целевых пикселей против априорных поверхностных значений коэффициента отражения. Можно использовать эмпирический калибровочный метод линии, если данные получены при универсальных атмосферных условиях, и измерения, связанные с целью, независимы от времени.
`flatField`	Плоская полевая коррекция принимает, что отображаемая поверхность включает яркую, универсальную область, которая имеет нейтральный спектральный коэффициент отражения. Средний спектр такой области включает совместное воздействие освещенности солнечного излучения, атмосферного рассеивания и поглощения. Относительные поверхностные значения коэффициента отражения оцениваются путем деления каждого пиксельного спектра средним спектром.
`iarr`	Внутренний средний относительный коэффициент отражения (IARR) является эмпирическим подходом, который вычисляет относительный поверхностный коэффициент отражения путем нормализации каждого пиксельного спектра со средним спектром. Метод принимает, что поверхность неоднородна, и спектральные характеристики коэффициента отражения уравновешиваются. В результате средний спектр поверхности похож на плоский полевой спектр. Этот метод особенно полезен в оценке относительных поверхностных значений коэффициента отражения для областей без растительности.
`logResiduals`	Логарифмическая остаточная коррекция гиперспектральных данных выполняется путем деления каждого пиксельного спектра в гиперспектральных данных спектральным средним геометрическим и пространственным средним геометрическим. Этот метод является эмпирическим подходом, который использует статистику полученного гиперспектрального изображения. Можно использовать этот метод, чтобы удалить освещенность солнечного излучения и атмосферные эффекты коэффициента пропускания.
`sharc`	Метод спутникового гиперкуба атмосферной быстрой коррекции (SHARC) вычисляет абсолютные поверхностные значения коэффициента отражения на основе аналитических решений радиационного уравнения передачи. Поверхностные значения коэффициента отражения вычисляются путем рассмотрения эффекта смежности для каждой точки на поверхности и атмосферных эффектов. Можно использовать этот метод, если атмосферные параметры модели, необходимые, чтобы вычислить точные поверхностные значения коэффициента отражения, доступны.
`fastInScene`	Быстрый метод в сцене является эмпирическим подходом, который выполняет атмосферную коррекцию на основе характеристик в сцене. Метод определяет параметры коррекции непосредственно из пиксельных спектров полученных гиперспектральных данных. Этот метод приводит к аппроксимированной коррекции, но это в вычислительном отношении быстрее, чем основанные на модели методы. Используйте быстрый метод в сцене, чтобы откорректировать атмосферные эффекты на гиперспектральных данных с разнообразными пиксельными спектрами и достаточным числом темных пикселей. Метод оценивает базовый спектр при помощи темных пикселей.
`rrs`	Коэффициент отражения дистанционного зондирования (RRS) для исправления атмосферных эффектов из гиперспектральных данных, содержащих большие водные тела. Метод RRS оценивает оставляющее воду сияние и является атмосферным методом коррекции для гиперспектральных океанских цветных данных.
`correctOOB`	Внеполосный метод коррекции. Этот метод удаляет внеполосные (OOB) эффекты из многоспектральных данных при помощи измеренного сияния и датчика спектральные значения отклика.

Документация