2、多光谱数据预处理：辐射定标、大气校正与几何校正
各位同学，大家好。今天我们聊一个非常“磨人”但又绕不开的话题——多光谱数据的预处理。
说实话，我刚开始接触遥感那会儿，觉得预处理就是“点几下按钮”的事。直到有一次，我拿了一景Landsat 8数据，没做大气校正就直接拿去算植被指数，结果反演出来的NDVI值全在0.8以上，一看就是错的。后来才发现，是大气散射把近红外波段抬高了。从那以后，我养成了一个习惯：预处理不做完，绝不碰后续分析。
今天这一章，我们重点讲三个核心步骤：辐射定标、大气校正、几何校正与正射校正。这三步，说白了就是把传感器记录的“原始数字”变成“真实地物反射率”的过程。
2.1 辐射定标：从DN值到物理量
先问大家一个问题：传感器记录的那个数字（DN值），到底代表什么？
说白了，DN值就是一个无量纲的整数。它跟地物反射的电磁波能量有关系，但不是直接对应关系。辐射定标，就是把这个数字转换成有物理意义的辐亮度或表观反射率。
我个人习惯把辐射定标分成两步：
- DN → 辐亮度：使用增益（Gain）和偏移（Offset）参数
- 辐亮度 → 表观反射率：考虑太阳天顶角和日地距离
关键公式：
Lλ = Gain × DN + Offset
ρ = π × Lλ × d² / (ESUNλ × cos(θs))
其中：Lλ为辐亮度，ρ为表观反射率，d为日地距离，ESUNλ为太阳辐照度，θs为太阳天顶角
嗯，这里要注意：不同传感器的定标参数格式可能不一样。比如Landsat 8的OLI传感器，它的元数据文件（MTL.txt）里直接给出了反射率缩放系数，你甚至不用手动算辐亮度。但像SPOT或高分系列，就得老老实实查增益值。
我的小技巧：
拿到数据后，先看一眼DN值的范围。如果全是0-255的8位整数，大概率没做过定标。如果看到小数（比如0.0x），那可能已经做过部分处理了。别偷懒，一定要看元数据文件。
2.2 大气校正：把“雾”去掉
大气校正，说白了就是去掉大气对信号的干扰。你想想看，太阳光穿过大气照到地面，再反射回传感器，这一路上被大气分子和气溶胶散射、吸收了多少次？如果不做校正，你看到的“绿色植被”可能比实际更亮（因为蓝光散射强），或者更暗（因为吸收）。
常用的方法有三种，我分别说说：
2.2.1 6S模型
6S（Second Simulation of the Satellite Signal in the Solar Spectrum）是一个基于辐射传输理论的物理模型。它需要输入：
- 传感器类型和波段
- 气溶胶光学厚度（AOD）
- 水汽含量
- 臭氧含量
- 大气模式（热带、中纬度、极地等）
我在项目中用过6S，说实话，精度确实高，但参数太多。有一次做城市热岛研究，我为了获取准确的气溶胶数据，专门去下载了MODIS的AOD产品。结果发现，6S对气溶胶类型特别敏感——选“城市型”和“乡村型”，输出结果能差5%。
避坑指南：
我曾经犯过一个错误：直接用默认的“大陆型”气溶胶模型去校正沿海地区的影像。结果近红外波段校正过度，植被指数全偏了。后来我学乖了：先查当地气候特征，再选大气模式。
2.2.2 FLAASH模型
FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）是ENVI软件里集成的大气校正模块。它基于MODTRAN模型，但做了加速优化。
FLAASH的好处是：
- 界面友好，参数相对少
- 能自动估算水汽和气溶胶
- 支持多光谱和高光谱数据
我个人觉得，FLAASH最适合初学者。你只需要设置传感器类型、成像日期、平均海拔，剩下的交给软件。但别太依赖自动估算——如果影像里没有明显的“暗目标”（比如深水体、浓密植被），水汽反演可能会失败。
2.2.3 暗目标法（DOS）
暗目标法，也叫DOS（Dark Object Subtraction）。它的原理很简单：假设影像里存在一个“绝对黑体”（反射率为0），那么它记录的DN值应该全部来自大气散射。把这个值减掉，就完成了校正。
实际应用中，我们通常找深水体或浓密植被阴影作为暗目标。我记得有一次做农田监测，影像里没有水体，我就找了山体阴影区。结果校正效果还不错，NDVI值从0.3恢复到了0.6左右。
三种方法对比：
| 方法 | 精度 | 参数需求 | 适用场景 |
|---|---|---|---|
| 6S | 高 | 多（需实测大气参数） | 科研级、高精度反演 |
| FLAASH | 中高 | 中等（可自动估算） | 工程应用、快速处理 |
| 暗目标法 | 中低 | 少（仅需暗目标DN值） | 快速评估、无大气数据时 |
2.3 几何校正与正射校正
几何校正，就是把影像“摆正”到真实的地理坐标上。你想想看，卫星成像时，由于地球曲率、地形起伏、传感器姿态变化，影像里的像素位置和实际地面位置是有偏差的。这个偏差，小的几个像素，大的能到几十个像素。
几何校正分两种：
- 粗校正：利用卫星星历参数（轨道、姿态）进行系统校正
- 精校正：利用地面控制点（GCP）进行多项式拟合
正射校正是几何校正的“升级版”。它考虑了地形起伏的影响，利用数字高程模型（DEM）对每个像素进行逐点校正。说白了，就是把山上的像素“拉”到它真实的位置上。
我的经验：
做正射校正时，DEM的精度很关键。30米的SRTM DEM对于平原地区够用，但到了山区，最好用12米的TanDEM-X或5米的ALOS DEM。我曾经用30米DEM校正山区影像，结果山脊和山谷的偏移量差了3-4个像素，根本没法用。
2.3.1 控制点选取技巧
选控制点是个技术活。我总结了几个要点：
- 选特征明显的地物：道路交叉口、建筑物角点、水库堤坝——这些地方容易精确定位
- 均匀分布：别把所有点都堆在影像中央，四角和边缘也要有
- 数量适中：一次多项式至少6个点，二次多项式至少10个点。但别超过50个，否则过拟合
- 检查RMS误差：一般要求RMS小于1个像素。如果某个点误差特别大，果断删掉
避坑指南：
我曾经在沙漠地区做几何校正，找了半天找不到明显的地物特征。后来我用了GPS实地测量了几个沙丘的拐点，才勉强凑够控制点。所以，如果影像里全是“均匀”地物（沙漠、森林、海洋），考虑用自动匹配方法（如影像到影像配准）。
2.3.2 重采样方法
几何校正后，像素位置变了，需要重新赋值。常用的重采样方法有：
- 最近邻法：速度快，保持原始DN值，但会有锯齿效应
- 双线性内插：平滑，但会改变原始值
- 三次卷积：最平滑，但计算量大
我个人建议：如果后续要做分类，用最近邻法（保持原始光谱信息）；如果要做变化检测或指数计算，用双线性或三次卷积（减少噪声）。
2.4 预处理流程总结
好了，我们把这一章的内容串起来。一个完整的预处理流程应该是：
- 数据检查：查看元数据，确认DN值范围、传感器类型、成像时间
- 辐射定标：DN → 辐亮度 → 表观反射率
- 大气校正：根据数据条件和精度要求，选择6S、FLAASH或暗目标法
- 几何校正：选取控制点，进行多项式校正
- 正射校正：结合DEM，消除地形引起的几何畸变
- 质量检查：检查校正后的影像是否出现“拉花”、“空洞”或“光谱失真”
嗯，最后说一句：预处理没有“万能公式”。不同的数据、不同的应用场景，处理流程和参数设置都不一样。多动手、多对比、多总结，慢慢你就能找到感觉了。
公众号:蓝海资料掘金营，微信deep3321