综述：水体高对比度环境遥感中的邻近效应：综述与未来方向

《Science of The Total Environment》：The adjacency effect in optical remote sensing: A review on emergence, implications, and corrections for aquatic high-contrast environments

这篇综述系统梳理了光学遥感在水体高对比度环境中的邻近效应（AE）校正方法。文章详细比较了经验法、大气点扩散函数（APSF）法和三维辐射传输（3D RT）模型三大类方法，分析了各类方法的优势与局限性，并指出未来应重点关注3D RT模型与机器学习结合的发展方向。推荐从事水色遥感、大气校正（AC）和辐射传输建模的研究人员阅读。

　　

邻近效应及其对水色遥感的挑战

在水体光学遥感中，邻近效应（Adjacency Effect, AE）是指目标像元接收到的辐射信号受到周边高反射地表散射影响的物理现象。这种现象在海岸带、湖泊等水陆交界区域尤为显著，可能导致遥感反射率（R_rs）估算误差高达30%以上，严重影响了叶绿素a（chl-a）、总悬浮物（TSM）等水质参数的反演精度。

AE的产生主要源于大气中气溶胶和分子的散射作用。如图2所示，太阳光子进入大气层后与气溶胶颗粒、气体分子发生相互作用，部分来自邻近高反射地表（如植被、土壤）的散射光会进入传感器的瞬时视场（IFOV）。这种影响的程度取决于地表反射率对比度、空间距离、气溶胶光学厚度（AOD_550nm）以及太阳-观测几何关系。

邻近效应校正方法的发展历程

经验方法：从理论探索到实践应用

早期研究由Otterman和Fraser（1979）开创，首次建立了AE的理论框架。他们将到达传感器的辐射分为两个主要分量：来自邻近区域的交叉辐射（L_adj）和经过大气后向散射的交叉辐照（L_irr）。研究发现前向散射占主导地位时，交叉辐射是AE的主要贡献者。

Tanré等（1987）基于5S辐射传输模型提出了首个经验性AE校正公式，通过环境函数量化周边像元对目标像元的贡献。该方法在Landsat TM数据上的应用表明，小型内陆水体（约1km大小）的近红外（NIR）反射率会受到周边植被的显著影响。

Richter（1990）开发了基于查找表（LUT）的高效算法，采用固定窗口（如7×7至35×35像元）计算环境反射率。该方法后来被集成到Sen2Cor和ATCOR等主流大气校正处理器中，成为业务化应用的基础。

大气点扩散函数方法：量化空间影响

APSF方法通过表征大气散射的空间响应函数来量化AE的影响范围。Reinersman和Carder（1995）首次采用蒙特卡洛模拟生成APSF图像，通过迭代计算消除邻近贡献。研究发现，气溶胶的垂直分布对AE具有重要影响，高层气溶胶会使影响范围扩展到更远距离。

Vermote等（1997b）为MODIS数据开发的算法采用快速傅里叶变换（FFT）加速卷积计算，显著提高了运算效率。该方法将环境反射率计算为APSF加权平均值，并通过逆运算恢复真实地表反射率。

Santer和Schmechtig（2000）通过敏感性分析发现，气溶胶高度是影响AE的关键参数。他们采用Pade近似解决了Neumann级数在浑浊大气中的发散问题，使计算效率提高了5-6个数量级。

三维辐射传输模型：迈向高精度模拟

随着计算能力的提升，3D RT模型为AE校正提供了更精确的解决方案。Bulgarelli等（2014）开发了NAUSICAA模型，首次对亚得里亚海沿岸的AE进行了全3D模拟。研究发现，AE在555nm以下波段的影响小于1%，但在NIR波段显著增加，影响范围可超过30公里。

Rozwadowska和Górecka（2017）针对北极Hornsund峡湾的研究表明，雪覆盖地表会使水面辐照度透射率增加最高达0.053，TOA天底辐射增加0.055 sr^-1，这种影响甚至超过了气溶胶浓度倍增的效果。

Sun等（2021）基于LEIPSIC 3D RT代码开发了迭代校正算法，能够同时处理晴空和云况下的AE。在WorldView-4油轮影像上的测试显示，3D反演将反射率估算误差从0.25降低到0.028-0.038。

新兴算法与实现方案

近年来，多个研究团队开发了新型AE校正算法。Wu等（2024）基于T-Mart 3D RT代码开发了传感器通用的校正工具，支持Sentinel-2 MSI、Landsat 8 OLI和PRISMA等传感器。测试显示，该算法使ACOLITE、POLYMER和l2gen处理器的RMSE平均降低了16.7%。

Castagna和Vanhellemont（2025）在ACOLITE中集成了RAdCor模块，采用TSDSF（TOA-Surface Dark Spectrum Fitting）方法进行气溶胶参数估计。在比利时内陆水体的验证表明，该算法在可见光波段的平均绝对百分比偏差（MAPD）降低到28%以下。

Paulino等（2022）提出的AWP-Inland Water算法通过自适应窗口调整AE校正范围，根据非水体像元比例动态确定窗口大小。在亚马逊洪泛平原湖泊的应用中，该算法对暗水体的校正效果明显优于固定窗口方法。

方法比较与性能评估

不同AE校正方法在各波段表现出 varying 的性能特征。经验方法虽然计算高效，但在高浊度大气或高反射率地表条件下精度有限。APSF方法在多数情况下能取得精度与效率的良好平衡，但对气溶胶垂直分布和地表各向异性等 factors 较为敏感。

3D RT模型理论上能提供最准确的校正结果，但计算成本较高，目前主要应用于研究场景。研究表明，在可见光波段，各方法差异相对较小，但在红边和NIR波段，3D方法的优势更加明显。

验证结果显示，现有算法在NIR波段的校正仍不完善，残留信号通常在0.001-0.002 sr^-1之间。此外，浅水区底质反射、水面浮萍、藻华和太阳耀斑等因素仍给AE校正带来额外挑战。

未来发展方向

未来的AE研究应重点关注以下几个方向：发展适用于不同水色条件的NIR相似光谱模型，改进气溶胶垂直分布参数的估计方法，集成机器学习技术提高校正效率，以及建立标准化的验证数据集和评估协议。

特别是3D RT模型与人工智能技术的结合有望实现精度与效率的统一。随着计算能力的不断提升，全3D RT方法有望逐步走向业务化应用，为水色遥感提供更可靠的数据基础。

此外，需要加强对特殊环境（如极地、高山湖泊、城市水库等）的AE研究，拓展现有算法的适用范围。开发传感器无关的通用型校正工具也是未来的重要研究方向。