太湖水体遥感大气校正：6S模型与神经网络结合方法

"基于辐射传输优化模型的二类水体大气校正，通过结合6S辐射传输模型和近红外波段离水反射率模型，利用神经网络模拟大气辐射传输，用MERIS数据的754、779、865、885 nm波段进行光谱优化，计算气溶胶光学厚度，进而实现对可见光波段的大气校正。这种方法在太湖地区的应用表明，其在水体遥感反射率反演中表现出较高的精度和稳定性，平均相对误差主要在20%~40%之间，优于传统的6S和Beam 4.9软件的大气校正方法。" 本文主要探讨了遥感影像大气校正的关键技术，特别是在二类水体（如湖泊）的应用。大气校正是从遥感图像中提取水色参数的重要步骤，因为它可以消除大气对地表反射的影响，提高遥感数据的准确性。作者选取太湖作为研究区域，采用了6S（Second Simulation of the Satellite Signal in the Solar Spectrum）大气辐射传输模型，这是一种广泛使用的模型，可以计算出大气对地表辐射的影响。 为了优化大气校正过程，作者结合了近红外波段的离水反射率模型，通过神经网络来模拟大气辐射传输的复杂过程。神经网络是一种强大的非线性建模工具，可以捕捉大气条件和地表特性之间的复杂关系。在MERIS（Medium Resolution Imaging Spectrometer，中分辨率成像光谱仪）的754、779、865、885 nm波段进行光谱优化，这些波段在大气校正中具有重要作用，因为它们对应于气溶胶和水体吸收特征。 通过对550 nm处的气溶胶光学厚度等关键大气参数的计算，可以外推至可见光波段，实现全波段的大气校正。论文使用了2007年和2008年不同日期的MERIS Level 1p影像以及野外测量的水体遥感反射率数据进行验证，结果证明该方法的反演效果良好，平均相对误差控制在20%~40%之间，显示了较高的精度和稳定性。 相比于传统的6S模型和商业软件Beam 4.9自带的大气校正方法，该方法在太湖地区表现出了更好的适用性，这意味着它可能特别适用于类似太湖这样的复杂水体环境，尤其是在处理气溶胶光学厚度变化和复杂地形时。这一研究对于提升水体监测和环境分析的精确度具有重要意义，特别是对于水体污染监测、生态健康评估以及气候变化研究等领域。