表观反射率概念

大气表观反射率

大气表观反射率是指大气中的一种现象，即光线从大气中传播时，部分光线会被大气中的颗粒物和分子散射、吸收或折射，导致光线的强度和方向发生变化。大气表观反射率的大小与大气中的颗粒物浓度、颗粒物的大小、光线的波长等因素有关。

大气表观反射率对于地球观测、遥感和气象预测等领域具有重要意义。通过观测和分析大气表观反射率，可以获取大气中的颗粒物浓度和组成等信息，对气象灾害的预警和防护提供重要依据。此外，大气表观反射率还可以用于遥感图像的处理和解译，提高遥感数据的质量和可靠性。

大气表观反射率受多种因素影响。首先，大气中的颗粒物浓度越高，光线的散射和吸收就越强，导致大气表观反射率增大。例如，在雾霾天气中，颗粒物浓度高，大气表观反射率较大。其次，颗粒物的大小也会影响大气表观反射率。较大的颗粒物更容易散射光线，使大气表观反射率增大。此外，光线的波长也会对大气表观反射率产生影响。不同波长的光线在大气中的传播和散射特性不同，因此大气表观反射率也会有所差异。

为了准确测量大气表观反射率，科学家们使用了各种仪器和技术。常用的方法包括光度计、光谱仪和遥感卫星等。光度计通过测量光线的强度来计算大气表观反射率。光谱仪则可以测量不同波长下的光线强度，进而分析大气中不同波长光线的散射和吸收情况。遥感卫星则可以从空中获取整个地球的遥感图像，通过分析图像中的颜色和亮度等信息来推测大气表观反射率。

除了仪器和技术的发展，研究人员还通过模拟和实验等方法来深入理解大气表观反射率的机理。通过模拟大气中的散射和吸收过程，科学家们可以研究不同因素对大气表观反射率的影响，并优化测量方法和技术。实验室中的实验则可以模拟不同大气环境下的光线传播和反射过程，验证理论模型的准确性和可靠性。

大气表观反射率是大气中光线传播的重要现象，与地球观测、遥感和气象预测等领域密切相关。通过测量和分析大气表观反射率，可以获得大气中颗粒物浓度和组成等重要信息，为气象预警和遥感图像处理提供依据。随着仪器和技术的不断发展，我们对大气表观反射率的认识将更加深入和准确，为人们提供更多有关大气环境和气象变化的信息。

* *

地表反射率、温度、植被指数、几何精纠正和Landsat影像

初步学会和掌握ENVI空间建模的使用方法和5S大气辐射校正模型，进而根据Landsat 7 ETM+影像附带的元数据完成地表反射率和温度的反演，在此基础上完成植被指数的计算。

1、初步学会和掌握使用ENVI进行NDVI计算建模

2、学会使用5S大气辐射校正模型

3、Landsat 7 ETM+计算可见光、近红外各个波段上的反射率

4、植被指数的计算，计算NDVI，分析不同地表覆盖类型的植被指数，给出统计表

1、植被指数是指利用多光谱遥感数据中对绿色植物强吸收的红光波段（0.6~0.7µm）和对绿色植物高反射的近红外波段（0.7~1.1µm）两者之间反射率的比值、差分，或者线性组合等形式计算出来的无量纲参数，用以增强或提取遥感影像中隐含的植被信息，抑制或消除非植被信息。其理论依据：遥感影像上的植被信息，主要通过绿色植物叶子和植被冠层的光谱特征及其差异、变换而反映出来。健康的绿色植被，在近红外波段（0.7~1.1µm）由于叶片海绵组织的活动通常可反射40~50%的太阳辐射能量，而在可见光范围内（0.4~0.7µm），由于叶绿素的光合作用只能反射10~20%的能量，因为植被中的叶绿素吸收大多数的可见光。枯萎及干死植被中叶绿素含量大量减少，辐射吸收能力减弱，因此在可见光波段，其反射率比健康植被低。而裸露土壤的反射率通常在可见光波段要高于健康植被，但低于干死及枯萎植被；在近红外波段，则明显低于健康植被。

2、归一化差值植被指数的数学公式是NDVI＝（DNNIR-DNR）/（DNNIR+DNR）取值范围是-1到1，对于陆地表面主要覆盖而言，如果根据地表实际的反射率来计算，则云、雪在可见光波段比近红外波段有* *

较高的反射率，因而其NDVI值为负值；水体的NDVI接近0；岩石、裸土在两波段有相似的反射作用，因而其NDVI介于0与0.1之间；在有植被覆盖的情况下，NDVI介于0.1~1.0之间，且随植被覆盖度的增大而增加。几种典型的地面覆盖类型在大尺度NDVI图像上区分鲜明，植被得到有效的突出。因此，特别适用于全球或区域植被的宏观动态监测。

python对landsat8数据进⾏辐射校正和⼤⽓校正

Landsat8 L1 T数据是辐射校正数据使⽤地⾯控制点和数字⾼程模型数据进⾏精确校正后的数据产品，还需要做辐射校正（辐射定标和⼤⽓校正）。

⼀、辐射定标

辐射亮度L=DN*Gain+Bias

from osgeo import gdal

from osgeo import gdal_array

import numpy as np

from show import TwoPercentLinear

from matplotlib import pyplot as plt

import cv2 as cv

class Landsat8Reader(object):

def __init__(self):

self.base_path = r"D:\ProfessionalProfile\LandsatImage\LC08_L1TP_134036_20170808_20170813_01_T1\LC08_L1TP_134036_20170808_20170813_01_T1"

self.bands = 7

self.band_file_name = []

self.nan_position = []

def read(self):

for band in range(self.bands):

band_name = self.base_path + "_B" + str(band + 1) + ".tif"

self.band_file_name.append(band_name)

ds = gdal.Open(self.band_file_name[0])

image_dt = ds.GetRasterBand(1).DataType

image = np.zeros((ds.RasterYSize, ds.RasterXSize, self.bands),

TM数据预处理（DN转表观反射率）⼀般我们拿到的TM数据都是灰度值（DN值），必须转换为反射率才能进⾏运算（⽐如NDVI运算），否则是不严密的。由灰度值转换为反射率的过程为：

具体过程：1、DN转辐射能量值

公式为： =DN*gain bias其中L为地物在⼤⽓顶部的辐射能量值，单位为 ；DN为样本的灰度值，gain和bias分别为图像的增益与偏置，可从图像的头⽂件中读取(需要经过转换)，头⽂件⼀般与原始数据⼀起提供。在ENVI中可以这么做：

打开原始影像，⽤basic tools->preprocessing ->general purpose utilities->apply gain and offset ,

并选中要进⾏转换的波段，弹出如下对话框：

从头⽂件中读取该波段的gain和biases值：

也可查看固定值，如下表:

　Landsat5和Landsat7各波段光谱通道的增益和偏置　单位：W/m2. ster.µmTable4　the Gains and Biases of L5 and L7　unit: W/m2. ster.µm

1750波段号BandNumberL5 TM1990/1991L7 ETM 2001/2002

增益GAINS偏置BIASES增益GAINS偏置BIASES

B10.99992-0.010001.18070871-7.38070852

B22.42430-0.023201.20984250-7.60984259

B31.36344-0.007800.94251966-5.94251966B42.62901-0.019300.96929136-6.06929127

B50.58771-0.008000.19122047-1.19122047B63.201070.25994

B70.38674-0.004000.06649607-0.41649606

详见《基于TM/ETM 遥感数据的地⾯相对反射率反演》