一种用于空间高光谱成像仪光谱和辐射度同时校准的新算法

《Remote Sensing Applications: Society and Environment》：A novel algorithm for spectral and radiometric simultaneous calibration of spaceborne hyperspectral imagers

同步校正方法在高光谱遥感中的应用研究。通过联合建模观测与模拟的顶大气层（TOA）辐射，提出同步校正光谱与辐射参数的方法，有效降低误差传播。在可见近红外（VNIR）和短波红外（SWIR）波段分别实现中心波长和半高宽（FWHM）的绝对误差低于0.24nm和0.34nm，辐射校正系数相对误差优于2.8%。实验验证表明该方法在ZY1E/AHSI传感器上保持稳定性能，与Landsat-8数据对比显示辐射精度提升10%，地表反射率与实地测量吻合度达1%-3%。敏感性分析证实模型对气溶胶光学深度、水汽含量和观测几何敏感度低，验证了方法的鲁棒性。

　　近年来，随着航天遥感技术的不断进步，高光谱图像数据的获取量迅速增加，这些数据在可见光-近红外（VNIR）和短波红外（SWIR）波段具有高光谱和高空间分辨率，广泛应用于环境监测、资源调查、灾害评估等多个领域。然而，为了实现这些数据的定量分析，精确的光谱和辐射校准至关重要。当前大多数校准方法将光谱校准和辐射校准作为独立步骤进行处理，这种做法虽然在一定程度上可行，但容易导致误差在两个过程中相互传播，从而影响整体的校准精度。因此，有必要探索一种能够同时校准光谱和辐射参数的方法，以提升校准的准确性和可靠性。

本文提出了一种新型的算法，用于对航天高光谱成像仪进行光谱和辐射参数的同步校准。该方法通过建立观测光谱与模拟顶大气层（TOA）辐亮度之间的关系，联合估计光谱和辐射参数。该算法的核心思想在于，将光谱中心波长和半高全宽（FWHM）与辐射校准系数视为一个整体进行优化，而非分别处理。这种联合校准策略可以有效减少误差传播，提高校准结果的稳定性。在实验验证过程中，研究人员使用基于MODTRAN的合成数据集对算法进行了评估，并取得了令人满意的结果。例如，在可见光-近红外波段中，光谱中心波长的平均绝对误差（MAE）低于0.24纳米，FWHM的平均绝对误差低于0.33纳米；而在短波红外波段中，MAE分别控制在0.34纳米和0.35纳米以内。此外，该算法还显著提升了辐射校准的精度，使相对误差降至10%以内，表面反射率的平均相对误差分别低于3%和1%。这些结果表明，该方法在实际应用中具有较高的可行性。

为了进一步验证该方法的鲁棒性和可靠性，研究人员还进行了敏感性分析，探讨了不同观测几何条件、气溶胶光学厚度（AOD）和水汽含量（WVC）对校准结果的影响。实验结果显示，即使在不同的环境条件下，该算法仍能保持较高的校准精度，说明其在实际操作中具有较强的适应性。这一发现对于未来航天高光谱传感器的长期运行和维护具有重要意义，因为航天器在轨道运行过程中，受到机械应力、组件老化和环境变化等因素的影响，其传感器性能可能会发生一定程度的漂移或变化。因此，定期进行轨道校准不仅有助于维持数据质量，还能确保遥感数据在不同时间、不同条件下的一致性。

在方法论部分，研究人员详细描述了该算法的实现过程。首先，利用模拟的高光谱分辨率TOA辐亮度值，通过卷积运算计算出各个波段的模拟TOA辐亮度值。然后，将这些模拟值与实际观测的光谱数据进行匹配，以优化光谱和辐射参数。这一过程涉及对TOA辐亮度数据的建模和分析，同时考虑了大气吸收特征对校准精度的影响。此外，为了确保校准的准确性，研究人员还引入了优化算法，以最小化观测数据与模拟数据之间的差异。通过这种方式，该算法能够在不依赖地面测量的情况下，实现对航天高光谱传感器的高效校准。

在实验验证方面，研究人员选择了多个国际认可的辐射校准站点，包括Gobabeb、Dunhuang、Baotou、La Crau和Railroad Valley Playa（简称RVP）。这些站点的特点是地表均匀性高、大气条件稳定且云量较少，因此非常适合用于卫星校准。通过对这些站点的观测数据进行分析，研究人员验证了所提出的算法在实际场景中的有效性。特别是在针对ZY1E/AHSI传感器的校准过程中，该方法不仅能够准确地监测其光谱和辐射性能，还能在不依赖地面测量的情况下，实现对传感器状态的持续跟踪。

该研究的成果表明，同步校准方法能够显著提高航天高光谱数据的精度和可靠性，为定量遥感应用提供了更加坚实的基础。此外，该方法在实际应用中的表现也验证了其在复杂环境下的适应能力，这对于未来航天高光谱传感器的长期运行和数据质量保障具有重要的参考价值。研究人员还指出，由于光谱和辐射校准之间存在紧密的耦合关系，因此传统的分离校准方法往往无法充分考虑到这种相互影响，从而导致校准误差的累积。而同步校准方法通过建立两者之间的联系，能够在一定程度上避免这种误差传播，提高整体校准效果。

在方法的应用方面，该算法已经被成功应用于ZY1E/AHSI传感器的轨道校准。校准结果表明，该传感器在轨道运行过程中表现出稳定的性能，其波长漂移和带宽变化均处于较低水平。这不仅意味着该算法能够有效校正传感器的光谱和辐射参数，还表明其在实际应用中具有较高的鲁棒性。此外，研究人员还进行了与其他卫星传感器（如Landsat-8/OLI）的交叉比较，发现该方法在提升辐射精度方面具有显著优势，能够将相对误差降低至10%以内。这种跨传感器的校准能力为多源遥感数据的融合和对比提供了新的思路。

在实际操作中，同步校准方法的实施需要依赖于高精度的模型和数据。例如，研究人员使用MODTRAN辐射传输模型对合成数据集进行了模拟，从而能够更准确地评估算法的性能。同时，他们还利用了美国地质调查局（USGS）的光谱库，选择了沙地、植被、草地、人造材料和积雪等代表性地表反射率谱作为输入条件。这种数据选择方式确保了校准结果的多样性和适用性，同时也为后续研究提供了丰富的数据支持。此外，为了提高校准的精度，研究人员还考虑了不同观测角度对结果的影响，并在方法中引入了相应的修正机制。

该研究的创新之处在于，它首次提出了一种将光谱和辐射校准相结合的算法框架，突破了传统方法的局限性。这种方法不仅能够提升校准的准确性，还能在一定程度上减少对地面测量的依赖，提高校准的效率。这对于那些难以进行地面测量的偏远地区或复杂地形区域尤为重要，因为这些区域往往缺乏可靠的地面参考数据。通过同步校准，研究人员能够在不依赖地面测量的情况下，对航天高光谱传感器进行有效的性能评估和校正，从而确保其在不同环境和时间条件下都能提供高质量的遥感数据。

此外，该方法还具有较强的可扩展性，能够适用于多种航天高光谱传感器。例如，研究人员在方法论中提到，该算法已经被成功应用于GF-5/AHSI和ZY1E/AHSI等传感器的校准过程中，其性能表现良好。这表明，该方法不仅适用于特定的传感器，还能够推广到其他类型的高光谱成像设备，为航天遥感技术的发展提供了新的解决方案。同时，该方法的实现也依赖于先进的算法和计算工具，能够有效处理高光谱数据的复杂性和高维度特性，从而提高校准的效率和精度。

总的来说，本文提出了一种新型的同步校准算法，为航天高光谱传感器的定量分析提供了新的思路和方法。该方法通过联合估计光谱和辐射参数，有效减少了误差传播，提高了校准的准确性和稳定性。实验结果表明，该算法在多个校准站点和不同波段条件下均表现出良好的性能，其应用范围广泛，具有重要的实际意义。未来，随着航天遥感技术的不断发展，同步校准方法有望成为高光谱数据处理的标准流程之一，为环境监测、资源调查、灾害评估等领域的定量遥感应用提供更加可靠的数据支持。