不确定性作为互操作性的关键：基于天基成像光谱的可溯源框架

《Remote Sensing of Environment》：Uncertainty as the key to interoperability: Traceable frameworks for space-based imaging spectroscopy

　　

近年来，前所未有的数量搭载于低地球轨道的天基地球观测（EO）成像光谱辐射计（IS）被发射入轨。这些仪器以光谱辐亮度形式测量地表和水面反射的太阳辐照度，为环境科学提供关键观测数据集。当前由空间机构主导的任务，如PRISMA、DESIS、HISUI、GOSAT、EMIT以及Sentinel和Landsat系列，收集跨多光谱和高光谱域的地表信息。随着包括CHIME、EAGLE-VSWIR（原SBG-VSWIR）、TRUTHS、FLEX、PRISMA第二代、Landsat Next及商业星座等计划发射任务的推进，这一天基能力将在本十年末进一步扩展。释放这一不断扩大的星座的全部科学和业务价值，需要实现测量互操作性，以提供协调一致的分析就绪数据集（CEOS ARD）。这种互操作性对于构建全球土地管理、农业监测和生态系统跟踪所需的密集、无缝时间序列至关重要，因为单传感器覆盖因云覆盖和重访限制而不足。尽管对协调一致数据有需求，但实现多任务互操作性因传感器数据和产品不确定性的处理方式存在局限而严重受阻。由于天基光谱辐射计由独立的空间机构和研究机构开发和运行，从0级（L0）大气顶（TOA）计数到2A级（L2A）大气底（BOA）反射率的处理链每个阶段都出现差异。仪器硬件设计、辐射定标协议和大气校正算法（如ATCOR、PACO、ISOFIT）的差异，导致观测同一目标的不同仪器间地表反射率估计存在系统性差异。当前业务方法在解决这些差异方面存在关键局限。首先，协调一致的相互比较倡议（如ACIX）主要通过经验匹配与现场网络（如RadCalNet、AERONET）评估传感器间差异，而非在整个仪器和大气系统中建模物理误差传播。其次，天基任务传统上使用静态的精度、精密度和不确定性（APU）矩阵传达产品性能，未能捕捉运行时依赖场景的、逐像元的动态不确定性。最后，实验室推导的定标不确定性与下游大气反演算法频繁脱钩，尽管已有既定质量标准（QA4EO、Giering等、Niro等），最终L2A地表反射率仍缺乏端到端、可溯源的不确定性预算。此外，尽管本文主要关注光谱不确定性和溯源性，不确定性在空间域也显著表现。成像光谱仪和大气的点扩散函数（PSF）引入空间混合、模糊和像元级变异性，影响地表反射率估计。尽管这些空间伪影在单个像元级别显著，但在较粗聚合尺度上趋于平均化。为弥合这一差距，本文引入端到端、SI可溯源的不确定性传播链，动态建模从初始仪器遥测到最终BOA地表反射率产品的误差源。研究人员建立关键要求、计量学概念和业务建议，供卫星运营商采用参考方法，以标准化当前和未来成像光谱任务的不确定性报告。本文其余部分组织如下：第2节建立天基高光谱成像光谱核心术语的基础概述，聚焦CEOS分析就绪数据框架、GUM一致的不确定性度量和QA4EO流程。第3节详述建立可溯源不确定性预算的方法，包括不确定性架构和敏感性分析。第4节考察模型组件和反演技术对L2A BOA反射率数据的实际影响。第5节过渡到验证策略，介绍不确定性表征相互比较练习（UCIX）和基准参考测量（FRM）的最佳实践。第6节讨论不确定性评估报告，涵盖元数据处理和国际倡议。第7节强调社区外展、数字孪生和协作软件工具。最后，第8节概述成像光谱社区优先的、分阶段的路线图。为使地球观测（EO）数据能够即时和一致地使用，地球观测卫星委员会（CEOS）陆地表面成像虚拟星座（LSI-VC）定义了分析就绪数据（ARD）框架。CEOS-ARD框架评估EO数据（包括成像光谱辐射计产品）是否（i）满足最低处理标准，（ii）组织为分析就绪且用户额外投入最少。CEOS-ARD合规数据集促进跨传感器、任务、时间和数据提供者的互操作性，从而拓宽EO用户基础并支持L2A产品之外的下游分析。CEOS-ARD的定义反映了面向大多数全球遥感用户（陆地和水中成像应用）的基本测量产品（如地表反射率）的属性。CEOS-ARD通过产品族规范（PFS）形式化，为特定产品族（如地表或水中反射率）定义标准化数据结构、元数据和约定。每个PFS规定辐射和几何校正、大气补偿、文档（如算法技术基线文档（ATBD））、机器可读元数据和逐像元质量层（如云、云影和饱和掩膜）的最低要求。地表和水面反射率PFS与成像光谱辐射计应用尤为相关。尽管CEOS-ARD PFS详细定义了地表反射率，但不确定性及其量化尚未以同等严谨性规定。因此，不确定性量化、传播和传达的方法在数据集间存在差异。为对成像光谱辐射计产品进行定量相互比较，必须一致地提供不确定性。将PFS扩展到包括对辐射和处理不确定性的明确要求——逐像元和逐波长定义——将显著加强CEOS-ARD数据质量指导。这一需求在CEOS内部通过“地表反射率质量与一致性”倡议和“未来ARD”战略制定得到认可。跨EO数据集的互操作性需要一致的术语来描述处理和数据质量。此处的数据质量指由不确定性评估支持的质量指标，该评估通过不间断的相互比较和校准链可溯源至参考标准（最好是SI）。遵循测量不确定度表示指南（GUM），不确定性定义为可合理归因于被测量的值的分散性，描述被测量与未知真值之间差异的分布。不确定性表征的一个关键方面是光谱、空间和时间维度上的误差相关性。误差相关指测量不确定性和反演参数在光谱波段或空间像元之间的统计依赖性。必须考虑这些相关性以实现准确的不确定性传播。GUM一致的具有多维误差相关性的不确定性传播方法已被开发并应用于EO数据集。针对VSWIR成像光谱区分三种常见分析场景：（a）当考虑单一数据源（如来自一个天基光谱辐射计的测量）时，不确定性通过将输入数据相关的不确定性经处理链传播来表征。当算法或辐射传输模型近似引入未校正的系统偏差时，这些结构模型误差最好应作为额外不确定性分量纳入（如通过δ0项捕捉模型不足）。此处，测量与某种参考相关联，要么基于社区，要么理想情况下溯源至SI。在不变目标上的时间序列或输出产品的不一致中可能出现差异，通常由于被测量中缺失分量（如未建模的方向变化，如BRDF效应）和/或不确定性分析中缺失分量，或参考定义不明确。此类差异只能以很大程度上预测的模式表征，因为无其他外部且完全稳健的数据源可用。尽管可使用星上定标系统，但它们通常也以不可预测的方式退化。（b）当卫星产品与光谱地面比较（SGC）测量比较时，两者均伴随不确定性，主要结果是两个被测量之间的观测差异（或不等）。差异可按系统偏差和随机变异性分析。地面测量常被视为参考，尽管有时被错误地称为“地面真值”。比较应评估观测差异是否落在组合比较不确定性内，该不确定性考虑两个数据集的贡献、时空采样失配以及协调被测量所需的任何处理（如将现场平均到像元尺度）。将卫星或地面数据视为参考影响结果的统计解释。此类比较中识别的不可校正残余差异随后用于验证或改进总不确定性预算。（c）当比较来自多个卫星任务的产品时，每个产品有其自身不确定性，并可选用SGC测量作为参考。差异可以两种方式出现：与参考地面数据比较，或卫星产品间不一致。两类差异应分别分析，使用基于不确定性的方法确定差异是否在预期范围内或指示系统偏差。原则上，三种不同情况看似代表分析同一事物的不同方式，三种方法在差异方面会给出相似答案。然而，进入数学细节时，三类分析可提供相当不同的定量答案和对差异性质的定性不同解释。在所有情况下，重要的是将不确定性分为三类：（i）与独立误差相关的不确定性，（ii）与共同误差相关的不确定性，（iii）与结构误差相关的不确定性，如FIDUCEO项目所提出。从实践角度看，这种分类对于清晰传达与不确定性相关的误差相关结构至关重要。在EO成像光谱中，区分现象相关和误差相关也很有用。在“几乎”相同时间对“几乎”相同目标的测量可能因空间、时间和尺度的自然变异性而不同；由此变异性产生的相关性称为现象相关。相反，误差相关源于共享但未知的测量或处理不确定性。一个测量x1的不确定性随另一测量x2一致变化的程度由误差相关系数r(x1, x2)量化。该系数是误差协方差u(x1, x2)的归一化形式，衡量两个测量的联合变异性（式1），其中u(xi)分别是每个IS测量相关的标准不确定性。u(x1, x2) = u(x1) u(x2) r(x1, x2)。（1）“随机”和“系统”术语在大量文献中（实际上在GUM中）用于描述“独立”和“共同”误差相关模式。然而，Woolliams等（2025）建议限制这些术语仅用于描述不确定性的随机起源。遵循GUM实践，通过不确定性分析和传播进行的数据质量分析始于定义被测量，即输出量Y（即意图测量的量，式2）。Y依赖于输入量Xi（即贡献于Y的不同“被测量”（我们无法测量的“真”值））和一组校准系数A（即“真”值的校准值）。Y = f(X1, X2, X3, …, Xn, A) + Δ0。（2）此处，Δ0指贡献于建模被测量的测量函数f的残余未知误差源。在许多环境数据集中，这些不足被捕捉并表示为此前Mittaz等（2019）引入的所谓“+0”项。在那里，Mittaz和合著者引入零作为助记符，提醒从业者考虑模型不确定性，并且因为零是影响被测量的现象及其相关不确定性的最佳估计。数学上，引入数字零混合了量和值，因此许多数学家偏好式2中的符号。然而，“加零”在图表中视觉简单，常被开发不确定性树者偏好（见第3节）。输入参数（即被测量（X1, X2, X3, …, Xn））通过测量（即天基光谱辐射计记录的数字数（DN））估计。这些测量结果值记为小写xi（式3）。y = f(x1, x2, x3, …, xn, a) + δ0。（3）在此情况下，被测量是地球表面反射的光谱辐亮度（以W m?1 nm?2 sr?1的辐亮度测量），在天基仪器测量的光谱波段（波长以nm计）上积分。总结用于不确定性传播的不同量如下：•Y：由测量函数描述的被测量/输出量•Xi：输入参数•f(Xi)：评估被测量Y的测量函数，组合不同可测输入参数Xi•xi：输入参数的最佳估计•u(xi)：与xi相关的不确定性•ci：与输入参数xi相关的灵敏度系数，定义为测量函数f(xi)对xi的偏导数，或通过敏感性分析估计•u(xi, xj)：输入参数内部或之间的协方差（Cov(xi, xj)）•y：通过评估测量函数（f(Xi)）并代入输入参数最佳估计（xi）得到的被测量最佳估计•u(y)：与y相关的不确定性（合成标准不确定性）•Uy：输出变量的协方差矩阵（如果y为向量值），捕捉不确定性和相关性•U(y)：与y相关的扩展不确定性•k：对应覆盖概率p的覆盖因子•δ0：对计算被测量所需校正的最佳估计，以考虑测量模型是现实的近似，常写作0并作为助记符。GUM提供两种通过测量模型传播不确定性的方法：不确定性传播律（LPU；式11）和蒙特卡洛方法（MCM）。使用任一方法首先需要评估每个输入量的不确定性并通过PDF描述。在式11（不确定性传播律（LPU））中，应用于计算合成标准不确定性（u(y)），协方差作为合成标准不确定性的必要部分被包含。虽然在每个处理阶段的测量模型中各个输入量之间很少有误差相关，但维护和传播数据集中光谱、空间和时间误差相关信息以支持更高层次处理是重要的（图1）。图1. 不确定性传播律（LPU）。上半部分（蓝色框）中，输入参数通过测量函数处理到输出量。下半部分（绿色框）中，与输入量相关的不确定性传播到与输出量相关的标准不确定性。红色框中分别显示各自的概率密度函数（左）和组合不确定性的概率密度函数（右）。在从测量DN到BOA反射率的转换中，数据经过多个处理阶段，每个阶段贡献的不确定性源必须在可溯源的不确定性预算中严格量化。这样，从原始计数到1级TOA辐亮度，再到2级BOA反射率的数据处理可视为JCGM GUM-6:2020（2020）所称的“多阶段测量模型”。如物理学和大多数学科通常所做，而非提供对应输出变量的点估计，习惯上以给定置信水平（统计显著性）的“置信区间”形式给出输出值。该置信区间与相应统计分布相关，并考虑与测量次数相关的自由度。使用置信区间的一个优点是它们在统计术语中具有非常精确的含义，可定量用于比较来自不同来源的测量。GUM通过LPU以“标准不确定性”传播不确定性，即66%置信区间。测量结果常以其他置信区间的“扩展不确定性”给出。在正态（高斯）分布的常见情况下，95%置信区间约为标准不确定性的2倍。在计量学中这写作覆盖因子k=2。如果用A类方法计算，它等于2倍标准差，即2 sigma，因此有时区间范围以sigma值单位而非概率报告。在此背景下，1-2-3 sigma情况用于定义置信区间，但这仅适用于围绕均值的对称分布，并定义在从负无穷到正无穷的整个范围，如高斯分布。正因如此，GUM现在建议通过蒙特卡洛分析传播完整PDF，尽管对于成像光谱中的大型数据集这仍计算昂贵。在VSWIR成像光谱情况下，常存在非对称分布，例如对于非常亮或非常暗的表面，值接近零或一。因为地表反射率和大气透射率均限于0-1范围，大多数变量必须为正（如气溶胶光学厚度、水汽、太阳辐照度、TOA辐亮度等），高斯模型需截断以免超出物理限制。对于所有其他地表反射率值（当然对于气溶胶光学厚度和水汽等参数），可假设高斯分布，因此应用覆盖因子估计扩展不确定性。在非高斯不确定性分布情况下，以概率范围报告不确定性更可取，因为它们对所有可能的统计分布函数具有明确定义。与不确定性术语一样，清晰定义天基EO数据集中“差异”、“差别”或“偏差”的含义很重要。如前所述，来自不同天基传感器的观测数据集之间总存在差异。其中一些差异由测量中真实的仪器或观测差异引起。此类差异主要影响L1和L2A产品，更高层次处理（如为归一化到共同观测和太阳角度（BRDF归一化））旨在尽可能消除它们。进一步差异，我们称为“不等”，来自测量和处理误差，可能在不确定性分析中考虑或未考虑。由仪器及其校准中系统性的、影响L1产品的测量误差产生的差异常称为偏差（如来自传感器校准、传感器线性和杂散光校正等）。进一步差异来自不同处理方法（如大气校正和BRDF校正），源于不同假设集。与测量相关的偏差可溯源至用于计数光子的硬件（L0光子到DN转换和L1辐亮度（实验室/参考校准））。与数据处理相关的差异可溯源至将测量辐亮度转换为估计L2A地表反射率的算法。这些处理步骤包括对大气成分、测量几何、BRDF效应等的校正。这些算法在机构间和科学团队间在非常详细层面不同，对所得L2A数据集有不可忽视的影响。理想情况下，与校正相关的不确定性，包括开发校正模型中使用的假设，应针对每个数据集评估。为确保这些数据集的互操作性，两个测量之间的差异预期小于不确定性；因此，两个测量应位于彼此的扩展不确定性内（在预定义覆盖因子（如k=2）下）（见图2）。因此，天基IS需要严格且可溯源的不确定性预算，以建立彼此间的互操作性程度，并通过整个生命周期的独立校准和验证活动确保数据质量。图2. 两个天基反射率测量在一个波长绘制的概率分布函数（PDF），说明不同显著性水平（k）下测量一致性（E）的不同情况。左图中，E在k=1检验，置信区间（浅蓝区域）大幅重叠（深蓝区域），表明测量一致。中图中，两个测量PDF相距更远但在k=2重叠，表明测量一致。右图中，两个测量PDF相距最远，导致扩展不确定性（k=2）不重叠。这表明测量间存在显著差异。重叠区域（深蓝）直观指示每个置信水平的统计兼容性。统计上，差异因此定义为均值之差。为评估两个天基光谱辐射计测量间的差异，各自不确定性必须纳入相互比较。用归一化差异（EN，式8），两个测量间的差异用各自不确定性的平方和归一化，用于确定两个测量间的统计一致性。不仅对单一比较，而且对“几乎”相同目标在“几乎”相同时间“几乎”相同条件下的若干比较，每个个体观测由以下统计模型描述（式4）：R?x,i = Rx,i + δxI,i + δxC。（4）其中R?x,i是传感器x在场景i上测量的反射率，Rx,i是未知且不可知的“真”反射率值，δxI,i是由独立效应引起的未知且不可知误差，δxC是由共同效应引起的未知且不可知测量误差。值得注意的是共同误差没有i，因为共同误差按定义不随位置和时间变化。尽管“真”值和误差不可知，但可写出“统计”模型（JCGM GUM-6:2020, 2020）。注意该公式假设两个传感器已变换到共同光谱网格，与该光谱变换相关的不确定性完全纳入总不确定性预算。因此，来自两个天基IS的测量间差异用以下方程计算（式5）：Δ?Ri = R?1,i + δ1I,i + δ1C ? (R?2,i + δ2I,i + δ2C)。（5）为评估两个测量/观测是否在不确定性内一致，计算简单不等式（式6）：|Δ?Ri| < k·√(u2(R?1,i) + u2(R?2,i)) = k·√(u2(δ1I,i) + u2(δ1C) + u2(δ2I,i) + u2(δ2C))。（6）用此不等式，考虑两个IS测量间的差异是否小于给定k乘以与差异相关的独立和共同不确定性（单测量不确定性的平方和）。对于单次匹配，也可检查归一化差异的模（EN,i比率）是否小于一（式7）：|EN,i| < 1，（7）其中EN,i = |R?1,i ? R?2,i| / √(u2(R?1,i) + u2(R?2,i))。（8）然而，在EO成像光谱中很少只做单一比较。通常执行多次比较，以获得两个传感器间统计显著比较。计算一组差异ΔRi或归一化差异EN,i并对单差异平均得到：?R?j? = (1/n) Σi=1n [R1,i + δ1I,i + δ1C ? R2,i ? δ2I,i ? δ2C]。（9）式9可重写为式10：?Δ?Ri? = ?ΔRi? + [(1/n) Σi=1n (δ1I,i ? δ2I,i)] + (δ1C ? δ2C)。（10）此处，?Ri?是任意两个天基IS测量间的平均“真”差异，若两传感器在相同时间相同条件下测量相同目标，假设为零。与ΔRi相关的不确定性为u2(δ1I/√n) + u2(δ1C/√n)，其中独立不确定性随观测数增加趋于零。将使用(δ1C ? δ2C)计算的一组差异汇总到直方图（图2）将得到以偏差差异（对“真值”或传感器间）为中心的高斯分布，标准差等于1。这意味着（i）标准差高于或低于1表明与差异相关的不确定性（因而与两个天基IS测量相关的不确定性）被低估或高估，（ii）两个传感器间的误差相关未被正确考虑。用这些直方图，可显示EN,i不同“通过”标准（即式7中不同覆盖因子k）的影响。对于给定测量一致性，定义所研究两个测量间的等价度（图2、图3）。增大覆盖因子考虑PDF下更宽区域，增加测量被接受为一致（但不一定相容）的机会。相反，设k=1降低接受两测量一致的机会；但允许评估其相容性。对于成像光谱，研究人员建议将>2σ的偏差视为差异。图3. 两个测量（R1和R2）间测量一致性的数值示例，固定间隔（|R1?R2|）。不确定性u(R1)和u(R2)分别从1-10%和0.1-5%变化。左图显示每个不确定性对的一致性度量E，说明更高不确定性增加一致性可能性（E>1）。右图提供顶视分类及反演生物物理参数的 uncertainty阈值。绿色表示在阈值内一致；品红色表示不一致且不可反演；浅蓝表示不一致但生物物理可反演；深蓝表示一致但超出阈值。计算归一化差异并检验其与阈值，返回两个天基IS测量在“几乎”相同目标、“几乎”相同时间、“几乎”相同条件下一致性的定量度量（需专家级判断）。假设两个测量将用于反演更高层次参数（如L2B），可与EN一起对数据集应用可反演性阈值。此背景下可反演性定义为应用于L2A IS测量相关不确定性的阈值。任何低于该阈值的不确定性值指示数据适合目的，而高于阈值标记数据不适合所需反演，即参数不可反演。绘制每个IS测量相关不确定性（u(R1,i)和u(R2,i)）增加对R1,i和R2,i的E，得到图3所示表面。应用可反演性阈值允许将天基IS数据集分类为图3右图所示四类。为促进计量学不确定性评估标准在天基IS测量中的实际应用，联合计量学指南委员会（JCGM）、世界气象组织（WMO）和CEOS等计划正在制定建议、要求和数学工具，连接计量学和观测社区。在EU FIDUCEO项目中，开发了一种方法，已形式化为通用步骤集，现称为“QA4EO五步法”（QA4EO, 2018; Woolliams et al., 2025），如图5所示。地球观测质量保证框架（QA4EO）制定EO科学家在开发不确定性预算时可遵循的指南。在这些指南（经CEOS认可）中，概述实现与天基EO测量相关的完全可溯源不确定性预算的五个关键步骤。不确定性预算的五个步骤是：（i）定义被测量和测量函数，（ii）建立溯源性，（iii）评估输入量的不确定性，（iv）计算产品及其不确定性，（v）存储相关信息。这五个步骤从不在线性过程中执行，它们被建立并在迭代过程中精炼。GUM和QA4EO均始于定义描述被测量的测量模型。重要的是注意测量和被测量的表示（是均值还是时空点测量）。第二步建议建立溯源性，识别不确定性源并理解多阶段测量模型（如EO成像光谱数据处理）各被测量如何关联。第三阶段，量化和记录第二步识别的关于不确定性源的信息。此步骤中，评估每个输入参数的误差相关结构并评估一维误差与其他维度误差的关联程度也很重要。第四步建议考虑应用LPU或MCM计算传播的不确定性。此步骤的数学指南和工具在GUM中规定和描述。最后一步（第五步）讨论为用户存储不确定性信息的可能方式。与不同图像处理级别相关的不确定性信息对于理解图像处理背后的物理非常重要。另一方面，信息必须以易于使用的格式存储并应用于IS。第3节更详细讨论不确定性预算的五个步骤。近年来若干倡议开发了评估天基IS数据质量和估计产品不确定性的方法。本节详细讨论不确定性预算的五个步骤，提出EO科学家和工程师可遵循的策略，以估计和计算与天基IS测量相关的不确定性预算。（a）定义被测量和测量函数。对于EO任务，测量模型——即具有各种子处理步骤的1级和2级处理——通常由产品定义和地面处理软件（定义测量函数）定义，通常是多阶段测量。每个阶段精确被测量定义，使得同一物理量在所有测量和处理步骤中一致表示。例如对于IS数据，重要的是清晰定义测量哪种“反射率”以及从L0 TOA DN到L2A BOA反射率执行了哪些步骤。多阶段模型包括但不限于：•应用校准系数（辐射和光谱）将DN变换为TOA辐亮度。•云（如薄卷云和卷云）影响辐亮度状况的效应。•多步大气校正以校正气溶胶光学厚度（AOT）、水汽（WV）和臭氧（O3）引起的效应。•由成像地形、地表材料和感兴趣区域周围大气成分引起的邻近效应。•IS数据的地理配准/地理参考，应用参考网格。•BRDF归一化到定义的太阳和观测角度。每个多阶段模型取决于处理器开发期间采取的不同设计选择，导致不同产品间差异。这包括如何测量物理上不同的量“地表反射率”的定义（如HCRF、DHR、BHR；Schaepman-Strub等，2006）。还包括用于数字高程模型（DEM）的辅助数据（如Copernicus DEM或Landsat DEM）、气象数据（如ECMWF或当地气象站数据）、云分类（如卷云）。这些选择对每个测量函数和相关不确定性的传播有影响。考虑比较CHIME和EAGLE-VSWIR观测的情况，必须定义两个不同被测量，每个IS一个。然而，这两个测量不能直接比较。因此，跨不同任务/仪器比较地表反射率的第一步是对齐被测量定义。例如，表1显示CHIME和EAGLE-VSWIR L2A产品团队联合开发的反射率处理参数。前五行涉及反射率被测量定义——被测量表面的几何及其在地表的位置。这些保持相同以允许跨两个任务产品无缝相互比较。中间四行是测量函数的属性。这些显示关于地表和大气参数表示的 different 建模假设。相反，这些不需要相同以进行数据相互比较，尽管建模假设差异可能导致结果差异。然而实践中，它们在大多数情况下相同，反映跨任务对AC最佳实践的共识。底行代表与反射率数据一起分发以指示无效数据的数据。表1. CHIME和EAGLE-VSWIR L2A处理的临时参数。顶行代表与被测量定义相关的参数。中间行代表改变测量函数的建模选择。底行代表辅助数据。*答案待确认。1最终产品间性能趋同将决定CHIME中该能力的激活与否以及EAGLE中可能的应用（如需要）。2如Gege（2014）。参数 CHIME EAGLE-VSWIR 陆地表面定义 地形相对 地形相对 数字高程模型 Copernicus DEM* Copernicus DEM* 正射校正底图 Sentinel-2-GRI Sentinel-2-GRI 陆地BRDF校正 能力将存在1 在更高层次（L2B+）产品中 水面耀光校正 是 是 辐射传输模型 ERADIATE, LibRadTran* MODTRAN 6.0*, PCRTM, vSmartMOM, 或 sRTMNet 耀光模型 WASI2 WASI2 太阳辐照度 TSIS* TSIS* 气溶胶参数 AOD, Angstrom指数* AOD, Angstrom指数* 掩膜 CEOS ARD & Sentinel-2列表 水、云、云影 云邻近、雪、植被 土壤等，在L2B+（b）建立溯源性。为建立可溯源至定义参考的不确定性预算，需要一种简单全面的方式说明不确定性源如何贡献于总不确定性预算并传播到最终不确定性预算。图4所示不确定性树图是研究人员提出记录不确定性及其来源的方式。不确定性树图围绕中心方程（图4黑框），中心方程的每个输入量（包括“+0”或Δ0项，见第2.2节；作为考虑方程形式近似的助记符）有一个向外生长的分支，说明该量的起源（溯源性）。这些分支终止于各自的不确定性源及其特征。使用不确定性树图能够跟踪不确定性源并确保其可溯源至参考（最好至SI），并说明将误差缩放至被测量的灵敏度（即偏导数）（图10）。图4. 通用不确定性树图，说明简化的辐射校准以展示不确定性树图原理。用此图，所有输入参数可溯源。添加与输入参数相关的不确定性直观表示其向输出量的传播。图5. 不确定性预算报告（表）示例，显示如何计算不同列以及各自参数在不确定性传播中贡献的位置，遵循不确定性传播律（LPU）。计量学溯源性通过不间断的校准链建立，通过测量相互比较练习，始于参考标准。对于仪器校准和使用，这些是实验室比较，如两个探测器测量共同源。此类比较在任务生命周期内持续——在轨传感器与现场原位测量之间。对于处理数据集，“计量学溯源性”概念必须扩展至包括处理步骤，其中不是传递人工制品，而是数据从一个过程传递到另一个过程。（c）评估输入量的不确定性。建立溯源性至参考并开发不确定性树图后，必须评估和记录输入量的不确定性。对于每个不确定性源，重要的是记录其相对于其他不确定性源“可忽略”，或提供正确传播此不确定性至产品所需的所有信息。所需所有信息包括不确定性幅度评估，以及空间、时间和光谱维度误差相关尺度的信息。例如，考虑传感器实验室校准期间与传感器噪声相关的不确定性。此效应起源随机，可在校准期间通过重复测量的统计分析（A类方法）评估。然而，一旦仪器校准，与该校准相关的残余未知误差固定在校准增益值中。因此它在空间和时间维度作为共同（系统）不确定性源，尽管在光谱维度可能保持独立（随机）。相反，探测器测量地球时的噪声（地球计数噪声）产生在光谱、空间和时间维度独立变化的未知误差。在轨表征探测器噪声可能难以评估此类不确定性在轨幅度，除非有机会测量均匀场景。然而，飞行前校准的A类统计分析可能是评估与这些独立（随机）效应相关的在轨不确定性的适当方法。或者，可能基于已知噪声等效功率和场景亮度创建噪声模型。此类模型提供与随机噪声贡献相关不确定性的B类评估。然而，应注意最终反演量中的相关性可能与测量模型输入量中出现的不同。独立不确定性包括，例如，实验室仪器辐射和光谱校准期间的传感器噪声，以及在轨测量期间的噪声。这些独立贡献通常可从一系列测量统计估计。共同不确定性包括，例如，辐射校准中的不确定性以及成像光谱辐射计随时间的潜在漂移。（d）计算产品及其不确定性。为从输入量（如L0）到最终产品（如L2A），数据用该数据集选定的处理算法处理。在IS数据情况下，若干处理步骤（特别是从1级到2级，执行大气校正处）使用额外数据集（不同来源，如CAMS、MODIS或SRTM DEM）。与这些数据集及其代表实际观测能力相关的不确定性也应考虑和传播。通常，特别是对于蒙特卡洛方法计算太昂贵的大型数据集，这些不确定性遵循不确定性传播律（LPU）组合。用LPU，与输入量相关的标准不确定性通过测量函数的局部线性一阶泰勒级数展开传播，产生与被测量y相关的标准不确定性（式11）。uc2(y) = Σi=1n ci2 ui2(xi) + 2 Σi=1n?1 Σj=i+1n ci cj u(xi, xj)。（11）其中ui是与测量相关的不确定性，ci和cj是各自灵敏度系数。方程第一和以平方和（正交）添加不确定性树图中识别（和说明）的不确定性。LPU仅适用于不确定性可解析传播且测量模型“足够”线性的情况。GUM认为对于非线性函数，以及难以提供解析测量模型处，蒙特卡洛方法提供最稳健的不确定性估计。对于1级到2级处理，存在复杂大气校正算法，目前只能用蒙特卡洛方法分析。然而，有活跃的研究和开发更快速方法通过复杂AC校正传播不确定性。因为蒙特卡洛方法计算远比LPU昂贵，可能需要对一些示例情况执行MC分析以训练局部线性LPU模型（即通过查找表提供局部灵敏度系数）。用MC方法，与输入变量相关的概率分布由来自输入参数概率分布的有限随机抽样集近似。此有限 probable 输入参数集用测量函数处理，获得有限随机和 probable 输出值集。统计汇总此随机输出变量集得到与输出变量相关的传播标准不确定性。除两种不确定性传播方法外，为下游用户提供协方差或归一化相关矩阵。这对于在不同时间和位置组合测量时考虑数据的光谱、空间和时间相关性至关重要。为传播不确定性和各自相关矩阵，可使用CoMet工具包等工具。CoMet工具包是NPL开发和维护的开源Python工具包，用于传播不确定性和相关矩阵。QA4EO、FIDUCEO和MetEOC推荐并经CEOS认可的两种方法，能够以计量学合理的方式将不确定性传播到可溯源组合不确定性预算中。（e）为用户存储相关信息。与各自IS数据相关的组合标准不确定性预算必须以有意义的方式与最终用户传达和共享。这包括存储逐波长（逐波段）和逐像元不确定性以及相关矩阵，以允许用户以直接方式通过更高层次处理传播不确定性。存储不确定性及其相关误差相关结构应满足两个需求：i）为与数据提供者同层次工作的人存储数据，ii）长期数据保存。然而，为每个像元存储完整协方差矩阵在计算上不可行。为克服此内存瓶颈，误差相关应以参数化或分解格式存储，如将不确定性分离为独立、共同和结构分量，或采用主成分分析（PCA）压缩光谱协方差矩阵，从而允许高效不确定性传播而无过多存储开销。此外，应提供关于具有相同独立、共同和“结构”误差相关结构的不同效应的组合不确定性以及误差相关尺度的摘要信息。为广泛社区存储该信息应以跨任务一致方式完成。这不仅限于数据格式（如ENVI、netCDF或Zarr格式），还扩展到文件实际内容（特别是与数据相关的元数据/属性）。元数据应包含：i）以纳米计的辐亮度测量中心波长，ii）以纳米计的半高全宽，iii）关于IS数据集地理范围的一致信息（如起始像元索引、起始像元坐标、EPSG投影字符串），iv）地面采样距离，v）光谱响应曲线。还应提供任何应用处理和辅助数据来源的透明报告。为促进互操作性，测量的辐亮度以及逐像元和逐波长不确定性必须以SI单位存储。3.1. 不同传感器间的互操作性。可接受的溯源不确定性表征和传播方法是不同天基IS间互操作性的基础。不确定性可通过不确定性树图描述（图4提供对每个传感器不确定性源的理解，以及可能量化传感器间测量差异的组合图）。为评估两个IS传感器间测量及各自不确定性的一致性，推荐在伪不变校准场（PICS）（如Libya-4）或CEOS RadCalNet站点进行近同时观测，以最小化站点特征引起的额外不确定性。然而，对于此类练习，与参考测量相关的不确定性必须小，以验证天基不确定性。然后需要执行在相似条件下、相似视角和过境时间获取的重叠测量的组合。两个不同天基测量间的差异只有在其均有遵循相同方法计算的相关不确定性预算时才能真正处理。因此，不确定性构成两个传感器协调互操作使用的基础，以计量学合理方式进行不确定性传播至关重要。计量学合理的不确定性估计和传播 rigorously 纳入各自处理链每一步的不确定性源，遵循QA4EO和FIDUCEO项目提出的方法。当比较具有不同SSI和SRF形状的不同传感器间地表反射率（ρL2A）时，将测量对齐到共同波长网格所需的插值引入不可忽视的不确定性。这些贡献必须明确整合到总跨传感器误差预算中。此外，关于SRF形状的假设（通常近似为高斯，尽管现实仪器常表现出非理想特征如不对称或更宽翼）代表光谱重采样期间的关键不确定性源。然而，不确定性传播应超出BOA反射率（L2A）数据处理，并需要延续到更高层次产品。这包括不同数据集的组合使用，其中各自L2A不确定性需要通过数据组合/相互比较方程传播。对于CHIME和EAGLE VSWIR等以陆地为重点的任务，此框架使地表反射率不确定性和误差相关矩阵直接传播到下游生物物理反演。例如，如第3.3节所示，将光谱不确定性传播到植被指数——如归一化差异植被指数（NDVI）和增强植被指数（EVI）——允许用户推导逐像元不确定性预算，同时考虑不同物候阶段波段间误差相关。实践中，纳入这些协方差结构揭示光谱误差相关如何作为关键边界条件，假设不相关与完全相关误差可显著改变传播的VI不确定性（如NDVI在2%至4%间变化）。此外，建立这些严格量化的不确定性促进稳健多传感器数据融合，并启用正式统计比较（如通过Student's T检验）确定观测差异反映真实地表动态还是落在预期测量不确定性内。3.2. 共同不确定性架构——答案的多元性。这些不确定性组合和报告技术在通用意义上可应用于任何观测系统。然而，其实现将取决于系统特定因素，包括仪器性质、校准协议以及数据处理和反演中使用的假设。那么为什么不确定性量化方法的协调如此重要？将不确定性预测置于共同框架内允许不同任务传感器间稳健相互比较，并声明遥感数据产品彼此间或与验证活动地面测量（光谱地面比较数据）比较的一致性。答案的多元性是预期的，甚至有用的，只要（a）任务传感器测量可比量，（b）它们使用兼容框架进行不确定性量化和核算。这允许识别不一致性和模型假设影响，推进遥感 state of the art。图6说明此原则。生成产品使用何种校准或建模假设无关紧要；只要测量量以相同方式定义，不确定性以一致基础估计，就可对不同平台数据产品一致性做出严格声明。图6. 不确定性量化使有原则的跨传感器比较和数据融合成为可能，无论产品如何推导。图片来源：NASA。3.3. 不确定性贡献者和灵敏度。不同管线（即不同天基成像光谱辐射计和不同图像处理算法）处理遥感数据的不确定性贡献者不仅取决于传感器本身，还取决于从L1到L2A（BOA反射率）实施的算法，例如AC。如果考虑单个光谱辐射计，对记录数据应用不同AC处理器将有不同的不确定性源并可能导致不同结果。这些不确定性源与1）实施的算法，2）应用的输入/模型（如不同大气剖面模拟 versus 仅一个或不同太阳模型），3）某些校正所需的辅助数据（如臭氧总柱）相关。对用不同成像光谱辐射计获取的数据应用相同图像处理器自然 also 引入不同不确定性源。这些不确定性（与AC算法相关）需要量化（如第4节所述）。为捕捉输入量灵敏度系数，需要对每个参数相对于处理算法进行敏感性分析。敏感性分析是用于确定不同输入元素变化如何影响给定模型输出的技术。此方法有助于量化不确定性贡献者，识别对传播标准不确定性影响最显著者。此外，敏感性分析能够更详细理解AC算法，并通过基于整体不确定性框架定义物理/理论约束促进不确定性贡献者本身的建模（图7）。图7. 敏感性分析是用于确定不同输入元素变化如何影响给定模型输出的技术。此方法通过识别对结果影响最显著者帮助量化不确定性贡献者。此外，敏感性分析能够更好理解并帮助建模不确定性贡献者本身，基于整体不确定性框架定义其物理/理论约束。总标准不确定性的第一个不确定性贡献者是输入L1（L1B/L1C，TOA辐亮度）校准的不确定性。若干研究分析了该贡献者对不同任务L1产品的影响。最近敏感性研究中包括基于模拟数据（EnMAP）和记录成像光谱数据（Sentinel 2）量化EnMAP和Sentinel 2光谱和辐射校准不确定性对各自L2A产品的影响。由于光学遥感是被动遥感技术，AC过程中使用不同太阳辐照度模型的影响应在敏感性研究中考虑。De Los Reyes等（2022）已进行此类研究，确定在传感器校准和AC间使用一致太阳模型是减少从TOA辐亮度计算BOA反射率时与所选模型相关不确定性的关键。还值得注意的是CEOS推荐TSIS模型用于AC。来自所用太阳模型和测量期间实际太阳辐照度的不确定性仍应视为贡献者，理想情况下应基于太阳活动测量和周期进行敏感性分析。对于基于通过先前模拟大气辐射传输过程建模大气的大气校正算法，推荐的第一种方法是确定与有限模拟分箱集相关的不确定性以及模拟场景与实际大气条件（并非世界各处测量）比较时的不确定性。模拟分箱应调整以最小化模拟参数空间中插值的不确定性。也许还可改变模拟参数空间定义（不丢弃）如果需要更准确插值（对于插值的处理器）。此处不确定性贡献因此 specific。最常见分箱参数定义包括：•大气垂直廓线：Leroy等（2024）对压力、温度和氣溶胶浓度大气垂直廓线如何影响分子吸收计算进行敏感性分析。此类研究一例调查了来自CAMS数据的大气廓线对Libya-4模拟卫星观测的影响 versus 操作AC反演过程中常用AFGL美国标准大气重缩放廓线。研究结论在分子透射率超过97%的光谱区域方法间差异微不足道，但在较低透射率区域使用CAMS推导廓线应减少不确定性幅度。•大气成分：用于描述这些气溶胶特性的气溶胶特性和模型（如AFGL美国标准大气）以及大气廓线中气体浓度（如臭氧、水汽和CO2）。除这些大气贡献者外，与其他效应（如太阳天顶角或表面特性）相关的不确定性以及这些效应所谓耦合项的建模必须考虑。这些效应一般分为地形、邻近和方向效应。AC算法中应用的耦合在一定程度上描述通过大气传输的辐射与不同表面特性反射率的耦合。当前可用辐射传输模型（RTM）引入不同不确定性源，源于不同数据源和为建模太阳辐照度或大气廓线所做的 diverse 假设。为处理这些差异，必须找到RTM参数某种程度共性（如就太阳辐照度模型达成一致）以及通过RTM的不确定性估计和传播。建立共同接受的不确定性传播能够捕捉和量化RTM间差异，这些差异由不同（或不兼容）大气垂直廓线和每个RTM中所做建模假设引起。此时应建立差异有已知来源的情况，更甚者差异来源可明确避免的情况，如使用不同参考太阳辐照度光谱或不兼容大气垂直模型，或相当不同辐射传输建模假设。非常常见RTM中差异来源未知，使得仔细不确定性估计、敏感性分析和后续不确定性传播至关重要。这包括将RTM视为黑箱，并用MC方法通过RTM函数传播输入参数不确定性（在严格可溯源不确定性估计后）。这些效应将导致差异，但不是此处感兴趣者。最关键者通常与未知来源相关，其后果可在数据产品中观测，因此即使真实来源仍未知，影响可通过严格不确定性分析表征和量化。可溯源不确定性预算，包括敏感性研究，应成为任务准备的一部分，即L2A算法开发的一部分。在地表生态系统天基IS任务准备阶段，处理算法是 effort 关键和非常核心部分。由于IS数据预期反演大量关于地球表面、大气或水体的基本信息，终端用户产品（如植被生化、水质变量或矿物丰度和组成）同样多样。这些产品从成像光谱数据用 diverse 反演方法反演，包括通过数据驱动模型的分类和回归，以及基于物理模型的数值反演。整个处理链中使用的模型包括：1）用于L1处理中原始数据辐射和光谱校准的仪器模型；2）用于L2A中估计大气特性和地表反射率的辐射传输模型；3）将地表反射率与特定物理或生化特性关联的模型，用于反演应用产品（如2B级或3级（L2B/L3）产品）。下文仅列出L1–L2A处理链的一些模型和方法及相关不确定性。尽管如此，每个终端使用产品将需要不确定性评估，包括从TOA产品校准到BOA反射率产品到最终感兴趣物理量的整个处理链。4.1. 仪器模型。L1阶段使用的仪器模型能够将仪器DN转换为以物理单位表示的TOA辐亮度。一般它们描述与每个空间位置相关的空间响应函数、与每个光谱通道相关的光谱响应函数以及仪器辐射特性（即DN与孔径处辐射能之间的映射）。空间和光谱响应函数通常用受控和可变照明源在实验室测量。此外，仪器点扩散函数（PSF）引起像元级空间模糊并引入相邻像元间空间误差相关。由于IS响应从不完全均匀，必须注意表征这些响应在横向视场中的任何变异性。辐射特性由描述仪器光学吞吐量和增益的校准系数捕捉。这些系数用已知强度源在实验室测量，而传感器非线性在探测器全动态范围内表征。来自此非线性建模的残余误差贡献系统误差分量，直接传播到TOA辐亮度的组合L1标准不确定性。响应函数和校准系数均可使用观测场景（包括星上源）的已知特性在轨更新。总之，此信息能够以辐亮度单位解释仪器数据。此类仪器模型还可包括噪声特性描述，能够预测任何观测光谱的噪声水平。除仪器噪声外，校准系数的不确定性也将贡献L1整体误差。此类校准误差常表现为光谱形状或幅度在1%--10%水平变化。其他仪器校准伪影如杂散光或带外响应，如果校准过程中未校正，可能影响光谱辐射精度，并将始终留下某种水平未校正残余作为不确定性。4.2. 辐射传输模型。RTM描述电磁辐射通过大气的传播及其与地球表面的相互作用。它们是遥感中模拟大气效应（如散射、吸收和透射）的基本工具。这些模型求解分层大气的辐射传输方程，其中填充适当浓度的吸收和散射气体和粒子。已为不同用例和复杂度开发多种大气RTM。示例包括MODTRAN（中分辨率大气传输），广泛用于模拟大气透射和路径辐亮度的模型；6S（太阳光谱卫星信号二次模拟），设计用于卫星信号模拟和大气校正；libRadtran，开源辐射传输模型；Eradiate，模块化且物理严谨的RTM，设计考虑互操作性和可重复性。这些模型在复杂度、计算效率、光谱分辨率及对传感器设计、校准/验证和地表反射率反演等应用的适用性方面不同。Vicent等（2020）的综述量化了一些流行辐射传输模型输出的差异。辐射传输模型在大气建模中提供巨大灵活性，自由参数远多于可直接从测量光谱反演者。因此，辐射传输模型一些参数基于外部知识源假设。例如，温度和压力廓线可能基于单一典型大气设定或从气候数据库推断。类似地，臭氧浓度在粗光谱分辨率难以测量，常取自该区域单独卫星观测。有时大气成分直接从光谱反演但以约束方式——例如，气溶胶反演常限制为一或两个自由度（如550 nm总光学厚度），其他参数从气候学推导。当此类假设偏离现实时，可在辐亮度模拟中引入误差。除输入相关不确定性外，为方便使用的内部模型假设，如将大气视为平面平行、假设朗伯表面反射率或忽略邻近效应，可显著影响BOA反射率模拟精度。此外，大气通过散射和大气点扩散函数（PSF）在异质地形上作为空间滤波器，影响像元级辐亮度场。尽管此类假设常为计算可处理性必要，但在现实世界场景中并不总是有效，特别是在异质或复杂地形上。在验证遥感反射率测量中，反射率量间表示失配也常见——例如，RTM可能计算由数字高程模型定义表面的反射率，这是环境真实3D结构的简化表示。因此，报告的反射率可能不对应环境中任何可测量地形。随着RTM不断增加现实性，改进这些差异的表示和文档对于确保地表反射率产品的稳健性和互操作性至关重要。RTM在处理链中的应用对BOA反射率组合不确定性及由此衍生的任何下游产品引入不可忽视影响。RTM不仅传播TOA辐亮度不确定性，还通过使用来自查找表（LUT）、外部数据库、内部模型假设和数值近似（如LUT插值）的参数引入额外不确定性。存在各种方法在可接受计算成本内量化这些不确定性，包括MC模拟、敏感性分析、机器学习算法以及与验证参考数据比较。4.3. BOA反射率反演的反演方法。用户定义观测几何（即阳光在太阳、地表和传感器间通过大气的轨迹）后，可模拟任何地表反射率和大气成分的辐亮度。更大挑战是反演这些模型，俗称大气校正，以确定观测辐亮度起源的地表反射率和大气参数。这通常通过最小化用前向模型（如MODTRAN）生成的模拟TOA辐亮度与天基仪器测量辐亮度间差异实现。因为未知数多于测量，此反演是不适定问题，需要额外约束求解——通常假设大气影响区域有效地表反射率形状。实施此策略的一个示例框架是基于Python的大气校正（PACO），支持成像光谱中操作大气校正。此包使用暗密植被（DDV）方法估计气溶胶，利用植被区域地表反射率已知形状识别和分离气溶胶散射对观测辐亮度的影响。然后独立反演近红外通道水汽，使用差分吸收方法，假设反射率光谱在这些吸收窗口线性。以此方式，它提供足够地表特性约束以求解两个大气项的不适定问题。一旦估计大气状态，地表反射率以闭式代数计算。BOA反射率反演另一广泛使用方法是贝叶斯最大后验反演，遥感文献中俗称最优估计。此处，关于物理合理地表特性的先验知识表示为统计先验分布。将此先验信息与测量辐亮度及其相关不确定性结合，用于确定反演唯一解。由于问题非线性，通常用迭代求解器估计最 probable 状态。后验不确定性常通过高斯误差估计通过线性化反演传播计算。ISOFIT是此方法的显著实现。在这些反演框架中，BOA反射率反演受前向模型（如关于大气成分或地表反射率各向异性的假设）和输入数据（如仪器噪声、校准不确定性）中不确定性以及求解不适定反演所用假设任何不准确性的影响。解析方法可正式将这些不确定性传播到最终BOA反射率产品，尽管结果仅与其输入完整性和数学假设适当性一样好。4.4. 用于BOA反射率反演的先进机器学习和深度学习模型。近年来，先进机器学习（ML）和深度学习（DL）技术作为物理反演模型替代方案估计BOA地表反射率日益受关注。这些数据驱动方法从大量模拟或常规处理数据集学习TOA辐亮度与BOA反射率间复杂非线性关系，无需运行辐射传输建模。卷积神经网络（CNN）、随机森林、支持向量机和深度神经网络（DNN）已被用于估计地表反射率，特别是最小化处理计算费用。这些模型在类似MODTRAN或6S的辐射传输模型输出上训练，应用于 diverse 大气和表面条件。此外，这些模型在具有验证地表反射率产品的观测上训练。虽然机器学习反演方法提供可扩展性、快速推理和建模复杂模式及噪声特性能力等优势，但也存在显著局限。一个主要挑战是缺乏可解释性和物理透明度。与物理方法不同，ML/DL模型常作为黑箱，难以追踪输入不确定性对输出的影响。此外，ML模型对训练数据质量和现实世界条件代表性高度敏感。如果训练数据未涵盖现实世界大气或表面条件全部变异性，反演可能 exhibit 系统偏差或无法泛化。另一个关键局限是估计和传播不确定性的困难。迄今为止，ML和DL方法不提供不确定性估计。贝叶斯神经网络或MC dropout方法例外，提供与模型相关的不确定性估计。因此，许多机器学习模型输出可能看似确定性，缺乏科学和业务地球观测应用所需的定量不确定性信息。鉴于这些约束，通过ML/DL方法协调不确定性传播至关重要。结合辐射传输模型物理可解释性与机器学习灵活性和效率的混合模型正在探索以满足此需求。示例包括RTM代理建模、物理信息神经网络和不确定性感知集成方法。最终，无论BOA反射率用传统反演、先进机器学习还是混合方法反演，严格且协调不确定性传播需求仍然根本。量化BOA反射率反演中不确定性对下游分析和评估多传感器数据互操作性至关重要。为有意义多传感器比较，每个BOA反射率估计相关不确定性必须可溯源。BOA层面严格不确定性表征确保更高层次生物物理和生化特性反演可靠输入。5. 发射前和发射后数据验证。5.1. UCIX——不确定性表征相互比较练习（轮转数据集模拟）。多个机构和研究所正开始努力通过其大气校正算法传播不确定性。因此，存在精简这些活动并使算法不确定性在不同实现间可比较的潜力。通过提供专门设计的标准化场景可实现精简和不确定性协调效应。此处描述的UCIX是拟议练习，应进行以量化与大气校正相关的不确定性，遵循与第3次ACIX类似策略，使用共同测试场景。待测试算法属于大气校正领域，涵盖作为不确定性分析一部分需评估的所有子模块。因此，比较练习测试集设计用于测试不确定性树特定子分支，如气溶胶光学厚度（AOT）估计。一般，测试场景可用于：•在不确定性模块开发期间通过作为标准测试集建立灵敏度。•在相互比较练习期间比较不同不确定性实现的 resulting 概率分布。•将更新算法的不确定性基准化 against 当前相互比较结果。测试场景定义为提供具有定义表面/场景组成和大气参数的虚拟环境（见图8）。对于定义表面组成，建模各种大气状态，产生共享该特定表面内容的传感器处辐亮度场测试用例集合。大气状态向量一次变化一维以隔离特定效应，如在1…M离散LUT步变化AOT同时保持水汽在1…N步静态。图8. 测试用例集合生成概念图，其中具有定义光谱内容和空间模式（如棋盘场景）的表面与跨RTM LUT分箱范围（N…M）采样的大气状态集组合，产生大气顶辐亮度。可引入变化复杂度从简单（平坦景观单一土地覆盖和均匀大气）到高度复杂（变化地形和海拔、异质土地覆盖——如暗密植被和亮沙高对比棋盘——和空间变化大气）。纳入此类空间和光谱土地覆盖异质性能够严格测试空间混合、邻近效应和DEM不确定性。所有测试场景以足够高空间和光谱分辨率（如1 nm光谱采样间隔）合成生成传感器处辐亮度场，以允许通过卷积进行传感器合成。为平衡MC运行期间计算效率，使用2×2 km至9×9 km空间子集作为测试场景而非全刈幅覆盖。为尽可能隔离仪器效应与大气校正，建议仅调用光谱卷积，如需要空间卷积。后者在简单情况下可能不需要，其中空间子集用作测试场景，即不覆盖全刈幅出于计算效率原因。辐亮度级不确定性和典型相关性也应与测试场景一起提供，以允许尽可能仪器无关比较。或者，可使用实际仪器不确定性比较仪器特定不确定性对传播不确定性的影响。AOT反演不确定性测试的特定测试用例集合应用概念性显示于图9。每个测试场景与仪器模拟器卷积，然后传递到AOT反演模块。AOT模块由CoMet等工具包包裹以通过MC运行估计算法不确定性，摄取辐亮度不确定性。然后可为测试用例集合中每个场景计算反演过程的偏差和不确定性。上述使用CoMet对模块MC包裹的前提是待测试过程可独立于大气校正其他模块调用。这要求模块提供API，通过其可传递输入参数和计算输出。然后可编写合适包装器将模块封装在Python测量函数中，呈现给CoMet传播方法。因此，研究人员注意到算法必须要么开源以允许此类包裹，要么为编译代码提供API，其中知识产权必须保留给私营行业。在所有情况下，算法必须以模块化方式编写以允许不确定性归因于子模块。将完整大气校正包视为黑箱不鼓励，因为涉及复杂性和在MC环境运行完整反射率反演的计算负载。图9. 专门设计用于测试所研究大气校正处理器AOT反演算法的测试用例集合工作流程图。此图说明生成的TOA辐亮度测试场景（用场景均匀AOT层模拟并卷积以匹配传感器规格）如何用AOT反演算法单独处理以在下游BOA地表反射率比较传播前评估算法行为。共同不确定性（偏差）通过计算已知输入AOT（AOTScene）与反演AOT值均值间差异估计。与AOT反演算法相关的不确定性通过计算AOT反演运行标准差估计。合适参数空间（如大气条件）可从RAMI练习改编。RAMI练习在大多数基准练习中使用无散射或吸收黑表面；各向同性漫射照明通过从所有方向均匀添加漫射天空光模拟大气散射效应；半球漫射照明模拟天空光。测试场景和如何使用CoMet工具包在示例模块上调用MC模拟的示例代码将作为开源提供以简化实现 effort。最终，整个大气处理器可在这些测试场景上运行以提供组合传播不确定性，但相互比较重点在子模块以帮助解缠大气处理器内不确定性源。除非应用足够计算资源，否则较大数量MC运行运行时间可能 prohibitive。大气校正似乎是本文关键问题，但需区分内在大气校正问题与独立于所用方法的事实，即需包括由大气校正不确定性驱动的地表反射率不确定性。重点应在不确定性估计，而非大气校正本身。显然有联系，但协调基于估计和报告大气校正不确定性的共同程序，尽可能独立于大气校正程序，至少足够协调使输出可比。无论每种情况下执行大气校正的实际策略如何，应报告用于将TOA辐亮度转换为地表反射率的每个基本大气函数的不确定性：大气内在反射率、上/下行透射率、球面反照率等。此类函数高度相关，但仅部分相关，因此为考虑此，应提供所有此类光谱函数间全n维协方差矩阵以估计地表反射率不确定性。由于相互光谱相关（不仅是系统），每个组件不确定性不足。完整方法计算 prohibitive，因此已开发使用主成分分析或其他光谱分解技术的方法以至少部分考虑相互相关（见第3(e)节）。通用方法是可能的，分离独立与共同分量，并建议作为几乎独立于每种大气校正程序具体细节的通用方法。丢弃输入（不同大气变量，如气溶胶参数）和输出（大气光谱函数）中相互相关的简单方法导致相当不现实的不确定性，在大多数情况下高估，因为相关倾向于减少总不确定性。大气校正不确定性估计中所有这些方面应更多是本文焦点，而非大气校正方法差异，后者也相关但非本文关键焦点。应特别提及生物/地球物理信息直接从TOA辐亮度反演，不使用地表反射率作为中间步骤，不应用显式大气校正的情况。尽管该方法由于大气和表面特性变化空间尺度不同而有物理限制，但该方法随新AI/ML技术日益流行，值得在文中提及。在此情况下，不确定性直接出现在输出产品中，TOA辐亮度与最终输出间步骤有时是黑箱，但即使在此情况下，不确定性估计是可能的，应以一致方式报告。5.2. FRM——参考测量的最佳实践和不确定性预算。实践中，每个天基任务的数据质量通过校准和验证（Cal/Val）通过与现场测量相互比较监测。为对地观测卫星任务发射后Cal/Val提供“可信”参考，建立基准参考测量（FRM）概念，后由Goryl等（2023）精炼。FRM定义为：“一套独立、完全表征和可溯源（至社区 agreed 参考，理想至SI）的卫星相关被测量地面测量，专门定制以满足一类星载传感器校准/验证需求，并遵循GEO/CEOS地球观测质量保证框架（QA4EO）概述的指南。”FRM核心方面是确保现场Cal/Val测量独立于（被校准/验证的）卫星反演且可溯源。后者通过作为社区主导活动开发的指南/标准实现。这可包括现场和实验室相互比较练习，以及实验室参考与现场测量比较以验证相关测量不确定性。主要焦点是全面文档（包括数据、ATBD和处理）和这些元数据及过程的透明度（公开可访问或开源）。FRM概念被国际采用但缺乏发布“FRM合规”标签的权威，因此为实现此类过程，CEOS校准和验证工作组（WGCV）提出更新CEOS-FRM框架，其中数据提供者系统进行自评估遵循一套指南，然后由独立专家验证。CEOS-FRM保留其前身所有原则，并添加与卫星验证相关的可溯源现场测量，例如不同空间分辨率空间效应。不确定性和效用充分性也在CEOS-FRM中考虑。具体而言，所用FRM和比较过程的不确定性必须与卫星要求大小可比。例如，即使完美FRM文档数据在k=1时不确定性8%也不能用于验证k=1要求5%的卫星产品。效用理解为FRM数据非任务特定，而是设计用于一类卫星任务。CEOS-FRM理念是满足提供用于卫星验证的文档充分数据集的要求，这些数据集可信，但这不意味着其他测量质量低劣。虽然有为光学卫星任务Cal/Val设计的FRM，但没有足够数量适合高光谱任务验证的适当FRM。例如，完整验证计划需覆盖不同景观和生物群系中一系列不同大气和表面类型及环境条件（陆地和水中）。这已为EnMAP任务基于RadCalNet等自主网络和基于活动的测量执行，使用标准化现场测量协议遵循CEOS WGCV社区方法标准化地表反射率数据验证。此类方法需要大量验证站点，每个具有充分和可溯源测量。因此，在考虑代表不同条件的若干不同站点（意味着可变传感器和操作员）与测量符合验证要求间存在权衡。在此框架中，其他FRM网络——如陆地表面反射率HYPERNETS网络和水生反射率验证——代表 valuable 选项，除RadCalNet站点外。为覆盖传感器动态范围并适应不同条件，并不总是可能在地面测量伪不变表面。在这些情况下，使用良好校准传感器（机载或遥控驾驶航空系统（RPAS）平台或已通过FRM验证的在轨传感器）可帮助表征与像元级表面变异性相关的不确定性并理解缩放过程。然而，注意到这些传感器将携带其独特不确定性，必须考虑。5.3. 现场、机载和在轨锚点及潜在演进。为实现 diverse 天基IS任务互操作使用，定期Cal/Val活动至关重要，以确保任务数据符合既定质量标准。这些计量学合理的Cal/Val努力应在光谱良好表征站点使用良好表征仪器进行，称为锚点（如AVIRIS-4）。锚点是使用现场、机载或在轨仪器在特定站点收集的数据。从这些锚点收集的数据代表特定环境条件、景观或光谱和空间特征，有利于识别某些系统误差和差异，从而确保VSWIR成像光谱EO的准确性和可靠性。通过协同利用现场、无人机（UAV）、机载和在轨锚点各自优势，可获得对成像光谱仪任务、传感器和数据产品从L1到L3固有有效差异的更全面理解。理想情况下，单一锚点不被用作或视为独立“地面真值”。多样锚点提供由空间-光谱和时间尺度、传感器响应和测量条件产生的不同响应。因此，若干协同锚点的整合支持不同量的识别和量化，适用于广泛各种应用。空间、光谱和时间过采样，可能大规模，促进参数方面平衡和过滤被识别为不确定性驱动因素的数据点。对齐这些个体测量特征的自由度需仔细检查，主要由元数据可访问性、过采样和个体不确定性信息可用性定义。来自各种锚点的固有答案多元性必须理解为识别不一致性和某些系统误差的机会。各种个体锚点的协同解释和分析可用于验证模型假设并减少和预测不确定性。互补测量和系统的可用性增加潜在差异和系统误差可识别、校正和减少的概率。现场数据用于在精细空间或光谱尺度验证和校准机载和卫星观测，但不代表或支持焦平面阵列（FPA）整个跨轨范围。CEOS WGCV最近发布现场实践和资源全面摘要。这些包括收集长期时间校准和验证数据的网络。与本文主题最相关网络是RadCalNet，系统提供SI可溯源TOA光谱分辨反射率。此门户提供的TOA反射率从各个站点表面和大气测量使用通用方法通过中央处理系统推导。具体而言，RadCalNet提供连续更新的TOA反射率档案，在站点网络推导，附带相关不确定性，10 nm光谱采样间隔，380 nm至2500 nm光谱范围，30分钟间隔。从良好校准和可溯源高光谱传感器（与所评估天基传感器相似/兼容特性）安装在机载或RPAS平台或其他在轨系统收集的数据可用于提供互补测量。与稀疏地面测量相比，RPAS（无人机）平台提供精细尺度空间采样，帮助背景化区域地表参数。高质量、校准高光谱RPAS数据具有表征不确定性提供强大潜力空间扩展锚点以评估复杂表面上在轨传感器光谱和辐射响应。CEOS WGCV关于植被站点RPAS光学/高光谱地表反射率测量最佳实践指南提供部署这些技术的框架。关键的是，这些指南建议与卫星过境同步获取RPAS数据以匹配太阳和大气条件，以及验证期间应用视角过滤。其他在轨系统可进一步提供互补测量。在轨锚点如TRUTHS、CLARREO Pathfinder和LIBRA可提供基准参考质量测量，具有非常低不确定性，以完全开放和透明方式提供其测量所有显著贡献的可验证证据，可溯源至国际单位制SI，在其测量位置和时间。此类SI可溯源卫星（SITSat）通常设计轨道允许与其他卫星（如高光谱传感器）在多种位置和局部太阳过境时间多次同时交叉，启用广泛潜在锚点。它们还可为其他校准基础设施如PICS、RadCalNet和月球提供参考校准，以促进更协调EO校准系统。其他校准传感器如Landsat或Sentinel-2目前正用于缺乏星上校准能力的NewSpace小卫星星座以及当前在轨IS任务独立验证。6. 不确定性评估和报告的业务化。6.1. 国际倡议。为应对当前在轨各种天基EO任务和即将发射任务带来的挑战，空间机构和研究机构间国际合作对于处理不同天基IS测量间差异至关重要。像CEOS这样的倡议长期致力于确保民用天基地球观测计划国际协调，促进数据交换以优化社会效益并为决策提供信息，确保人类繁荣可持续未来。CEOS有多个努力致力于与地球观测数据差异相关主题。这些包括：1. CEOS工作组处理校准/验证、数据门户、能力建设、灾害管理、气候和跨广泛地球观测领域共享的通用数据处理标准等主题。与VSWIR差异直接相关的最显著工作是CEOS校准和验证工作组（WGCV）及其内红外和可见光传感器子组、土地产品验证子组和地形测绘子组进行的工作。研究领域包括辐射校准、伪不变目标、自动化网络和使用RPAS验证地表反射率产品。WGCV最近专门编写了处理IS Cal/Val的文件。另一个相关CEOS工作组是信息系统和服务工作组（WGISS）。WGISS促进开发管理和提供这些观测数据的系统和服务协作。WGISS活动和专业知识跨越信息生命周期全范围，从卫星数据初始摄取到档案的要求和元数据定义到将衍生信息纳入终端用户应用。2. CEOS虚拟星座协调天基、地基和/或数据交付系统以满足特定领域内共同要求集。与VSWIR成像光谱差异最相关虚拟星座是LSI-VC。LSI-VC存在通过提供总体协调角色最大化CEOS机构陆地表面成像资产和活动价值。最相关活动是：•促进任务开发协调以确保整体空间资产集在供应组织能力和约束内优化，支持整体验证数据要求包。•基于收到的输入协调定期采集规划以优化资产使用；帮助解决竞争要求；促进虚拟星座韧性和冗余。•支持一致校准和预处理方法实施协调，使观测数据用于生产用户受益的可比基本测量产品，特别是CEOS ARD框架。然而，随着地球轨道操作天基IS数量增加，需要加强国际合作/协作以处理从L0到L2A通过处理算法协调和可溯源不确定性表征和传播的努力。这包括实现通过各种传感器校准方法（L1处理）和不同大气校正方法（L2A处理）传播的协调方法努力。国际倡议，如ESA和NASA为准备CHIME和EAGLE-VSWIR的合作，应旨在识别天基任务间协同和差异。特别是不确定性传播应协调并遵循共同接受结构（如第3节建议）。除方法努力外，国际合作包括组织研讨会、会议和培训学校以增强不同社区内应用方法的传播、讨论和进一步发展。6.2. 数据格式和元数据处理。6.2.1. 产品修改以摄取元数据。现代EO产品格式需考虑内存和存储表示，以及两种表示在云优化框架上的高效交互。为避免因不准确、不完整或过于复杂元数据引入差异，必须保证跨任务和产品的可读性、可解释性和可比性。由于任务时效性和运营成本等若干限制因素，系统生产不确定性值可能不可行。在更受限场景，不确定性可通过向地面段特殊请求或使用终端用户可用离线不确定性计算工具临时生成。无论不确定性生成方式如何，负责官方产品定义和生成的实体良好实践是设置清晰产品结构，包括不确定性应位于何处、预期格式和所有必要溯源信息（如所用太阳辐照度模型、所用不确定性软件和版本）。像IEEE P4001标准草案这样的倡议旨在定义高光谱成像设备性能特征，从而标准化和建立元数据结构。此方面透明度需要实现跨任务和设备一致不确定性估计可比。对于所有提供的数据产品级别，代表特定处理步骤，必须提供不确定性估计所需元数据以及不确定性本身。所用辅助资源和产品（如高程模型、姿态和导航定时）的元数据和不确定性应透明并可供终端用户使用。必须保证重采样到相同分辨率和尺度以将所需信息相应整合到通用元数据结构。只有元数据稳健性和关于交付产品级别、涉及预处理步骤和不确定性传播本身的透明度，不确定性信息才有附加价值和意义，额外努力才合理。这样社区将拥有轻松分享终端用户不确定性补充EO数据集的方式。6.2.2. AIM为不同任务元数据中可同意的最小不确定性集。在FP7/FP7 EUFAR项目内，先前进行了协调机载高光谱数据提供者间元数据和不确定性估计的努力。成果之一是，为启动努力，识别最小和 agreed 参数集有帮助，以便所有贡献机构提供包含最相关者的共同集。一旦此内容设定，提供数据和元数据的格式也可协调，可能包括通用术语表。这些努力在CoMet工具包框架内不确定性元数据命名约定（UNC）项目中进一步增强。从此共同基础，可添加描述特定处理链处理步骤内不确定性的进一步和更专业参数。具有最小和额外可选集也符合CEOS ARD方法，其中设置“阈值”和“目标”级别。此最小集对终端用户摄取数据也至关重要，因为协调格式的共同参数集促进处理来自不同提供者数据时更容易处理。6.3. 诊断不确定性。第2节概述定义稳健不确定性预算估计的方法，包括开发不确定性树、评估不同贡献及其组合。实践上，处理链某些部分评估和实施可能缺失。这可能是由于评估整个过程技术困难或过程某些部分缺乏定义测量方程。当产品生成期间包括辅助反演或外部数据集时可能出现此情况。关于敏感性分析或不确定性预算的可用信息可能减少或不存在。例如，Sentinel 2 L2A产品反演包括AOT和WV辅助反演定义。没有此反演文档化不确定性预算，在缺乏其他信息情况下，L2A不确定性预算基于从 against AERONET站验证定义的诊断不确定性。这不意味着完整AOT反演不确定性（或其他参数）不可行，但可能需要额外努力，在评估整个不确定性评估优先级时需平衡。Yang等（2024）工作是具有挑战性但可行的AOT反演预测不确定性估计定义的很好示例。它包括详细不确定性树和不同贡献研究；但也强调当前包括逐像元估计或贡献间相互关系的局限性。在辐射传输建模特定情况下，可建立测量方程和潜在不确定性贡献的部分理解。然而，此练习需要显著努力，如果个体贡献需要评估将更具挑战性。或者，这些辐射传输模型的不确定性现在基于算法基准化，使用理想情况如单色辐射或朗伯表面。最近工作使用代表EO卫星观测真实条件的场景精炼精度估计。总之，定义不确定性预算复杂任务，有时受外部信息存在或进行中工作限制。在操作场景，一些贡献或处理树部分可能被相互比较、验证练习或基于专家判断的临时分配替换。尽管它们不源于稳健评估，可能足以实施初始操作版本。基于一些相互比较练习如ACIX，一些所用指标和参考图目前用于验证当前操作IS天基传感器（图11：ACIx-II陆地相互比较练习精度、精密度和不确定性图。可能操作任务建议规格和练习数据集群体分布也可见）。图10. （上）使用暗目标方法气溶胶光学厚度（AOD）反演不确定性树图，作为说明性大气校正子模块，其残余不确定性直接馈入总体2A级地表反射率误差预算。偏导数代表灵敏度系数，u(0)指评估中未考虑的不确定性因素（经Yang等（2024）许可转载）。（下）S2 550 nm AOD反演 against AERONET数据在24个测试站点散点图，包括诊断不确定性估计（经J. Louis许可转载）。图11. 气溶胶光学厚度（AOD）估计每AOD 0.1分箱 versus AERONET测量。此图显示各种处理器间AOD估计一致性能（轻至中度AOD负载），不确定性接近建议规格。6.4. 像元级不确定性一致性以约束其他任务。具有超过100波段的高光谱传感器能够同时反演各种大气参数以及表征前向模型的参数，包括辐射传输模型和传感器模型。此能力允许量化不确定性中由前向模型本身不完整性引起的偏差分量，除与大气物理量或观测配置相关的不确定性外。y = F(x) + ε。（12）其中x是状态向量，包括地表反射率、气溶胶光学厚度（AOT）、总柱水汽（TCWV）等。y是观测光谱，F(x)是通过前向模型获得的合成光谱，ε是光谱残差。当考虑状态向量x的先验信息xa时，负对数似然（Rodgers, 2000）导致：?2 ln P(x|y) = [y ? F(x)]T So?1 [y ? F(x)] + [x ? xa]T Sa?1 [x ? xa] + const。（13）此处，So是观测误差协方差，Sa是先验状态向量xa（如AOT用AERONET，地表反射率用RadCalNet）的协方差。执行迭代计算以最大化似然，最终迭代后协方差矩阵如下：? = (KlT So?1 Kl + Sa?1)?1。（14）矩阵Kl是雅可比矩阵，代表前向模型F(x)的一阶导数。?每个对角元素的平方根对应状态向量x每个元素的不确定性。从上述方程明显，先验信息存在改善不确定性。此外，可能使用来自其他任务（如MODIS）的地表反射率作为先验信息。此过程利用高光谱传感器广泛光谱覆盖，同时连贯整合辐射传输模型、传感器模型、来自AERONET等来源的大气参数和来自其他任务的地表反射率估计。此整合确保跨数据集一致性并提高反演物理参数的精度和可靠性。6.5. 不确定性在操作处理链中的实施。将不确定性量化整合到操作地面段工作流需要平衡物理严谨性、计算可行性和数据分发约束。对于高光谱成像光谱（IS），存储全逐像元、逐波段不确定性以及多维误差协方差矩阵可使产品大小翻倍或显著增加，造成严重存储和带宽瓶颈。为应对这些约束，数据提供者有两种主要部署策略：1. 数据提供者生成产品不确定性（直接分发）：处理链计算并直接在分发数据产品中嵌入静态或逐像元不确定性层（如Sentinel-3 OLCI操作化）。•优点：提供即时、一致和用户友好访问跨工作流，无需本地客户端软件。•缺点：大幅增加档案和带宽要求。动态传播（如通过运行时蒙特卡洛模拟）施加严重地面段计算负载，而追溯更新历史集合需要全档案重处理。2. 离线/即时用户侧生成（算法/模型分发）：数据提供者分发标准产品元数据（第6.2节）以及算法配方或任务工具箱（如Sentinel-2实施）。运行时，客户端进程查询模型执行即时传播（通过解析表达式、蒙特卡洛近似或预训练代理模型）以匹配所需保真度。•优点：最小化产品文件大小和地面段负载，允许快速模型更新而无需重处理历史档案。•缺点：将处理负担置于终端用户，存在用户间不一致风险，且无法考虑专有或未提供辅助输入（如原始DEM空间质量指标）。鉴于地面段资源和用户能力间非平凡权衡，任务架构必须选择适合目标社区的策略。为缓解两种方法中存储限制，高维协方差矩阵应使用光谱分解技术或简化参数集参数化（见补充材料S1详细数学公式和存储减少策略）。无论选择何种实施，维护标准化元数据定义（第6.2节）和透明文档对于弥合跨任务差异和确保多传感器互操作性至关重要。6.6. 操作实施示例：Sentinel-3光学任务。Sentinel-3光学任务处理链实施L1和L2A产品预测不确定性计算。推导TOA辐亮度和亮温预测不确定性，并准备在整个2级地球物理反演算法中使用。1级预测不确定性尽可能根据GUM从信号采集和处理链严格不确定性分析推导。实施方法两种仪器不同：对于OLCI完全嵌入L1处理器和产品，而对于SLSTR从L1产品可用信息后验计算，辅以表征数据。6.7. OLCI辐射不确定性。逐像元辐射不确定性提供在1级产品中。它们存储在专用文件，编码为1字节整数对数尺度，作为辐射分辨率和产品大小开销间最佳权衡。总1级产品大小增加约35%，而CPU时间仅增加约3%。OLCI L1不确定性通过辐射处理每个步骤计算，包括校准，遵循GUM方法，产生TOA辐亮度逐像元不确定性。相应ATBD在线可用。由于缺乏输入或算法复杂性，使用一些简化，特别是漫射板BRDF模型和杂散光校正，基于估计性能用简单百分比值估计。分析聚焦辐射、不相关、独立不确定性。这意味着一些贡献者未包括：•无地理配准贡献者•无光谱贡献者•无系统贡献者。全天采集统计分析提供代表性概览：以辐亮度百分比表示的中值不确定性，对于Oa01至Oa17通道（400至865 nm）低于2%——排除大气吸收专用波段，在NIR增加但仍低于5%。95%覆盖区间（k=2）对于可见波段（排除吸收波段）保持低于或约5%，向NIR强烈增加，那里信号在大多数水体上消失，意味着高相对不确定性。值得提及95%覆盖范围宽不是由于异常值存在。7. 终端用户外展和工具。7.1. 传感器建模、数字孪生、端到端模拟器。为通过大气校正等复杂算法传播不确定性，应用MC方法传播不确定性。这通过用有限随机抽样输入变量集计算测量函数实现。最终不确定性通过计算用随机输入变量集计算的输出变量标准差估计。MC方法优点在于其独立于观测模型或测量函数特定形式以及处理复杂PDF能力。这在遥感背景下特别重要，其中复杂PDF与所研究测量函数相关。因此，使用集中规划的端到端建模和模拟框架支持计量学评估以连续、可溯源和灵活方式（如Sgheri等，2022）。这也使得在整个任务生命周期评估设计变更或算法开发成为可能。当努力协调不同天基IS间不确定性时，传感器建模变得更加关键。传感器架构、光谱响应函数、辐射校准、空间采样和星上处理差异可导致任务特定不确定性贡献，使相互比较困难。协调数字孪生方法允许这些 diverse 不确定性源透明传播和量化。数字孪生建立在统一计量学框架如E2EMS支持的基础上。因此，数字孪生使这些 diverse 不确定性源透明传播和量化成为可能。这在多传感器数据融合场景特别相关，其中仪器特性差异必须严格分析和考虑以确保溯源性和互操作性。E2EMS内基于MC方法的不确定性传播使得传感器性能系统比较成为可能，支持不同天基EO任务间L2A产品互操作性和一致性。7.2. 数字孪生作为OSSE类实验有用输入。除对不同表面类型反射光谱信息内容实验（评估最佳光谱采样间隔和最佳地面采样距离研究）外，即将到来的天基光谱辐射计任务实际性能必须评估。观测模拟实验（OSSE）是未来天基EO任务设计和评估关键工具，评估成像光谱辐射计在现实条件下性能。为模拟现实条件，如变化大气干扰、变化地表反射率和传感器噪声，需要复杂模拟工具如OSSE，提供虚拟环境，其中合成数据基于高保真模型（称为自然运行）生成。这些模拟模仿地球系统，允许模拟未来成像光谱辐射计在真实条件下如何收集数据。向OSSE模拟添加数字孪生将允许整合地球系统动态模型，使OSSE能够实时数据动态连续更新。这样，OSSE实验更代表地球系统变异性和复杂性，导致更精确评估未来传感器性能。因此，OSSE与数字孪生结合不仅能够测试一个天基成像光谱辐射计任务在实时条件下，而且能够测试多个任务飞越任务区域。在这些模拟中，两个任务测量一致性可在各种条件下评估，如不同飞越条件（如不同太阳角和不同大气条件）。用这些模拟，每个卫星任务不确定性估计和传播以及光谱辐射计性能也可测试。运行此类实验将允许识别不同任务在不同任务条件下差异，从而得出不同任务间一致性结论，并为不确定性预算估计技术协调（或适当对齐）铺平道路。7.3. 外展。对社会应用日益依赖地球观测（EO）数据强调需要可访问开放教育倡议以弥合复杂卫星产品与下游用户间差距。虽然HYPERedu等平台开创了成像光谱开放获取在线学习，但涵盖数据差异、误差传播和不确定性解释的专门教育模块仍然稀缺。对于CHIME等即将到来任务，将不确定性素养嵌入开放培训框架、大规模开放在线课程（MOOC）和开源工具包对于确保稳健、广泛数据利用至关重要（见补充材料S2关于教育框架和外展策略扩展细节）。7.4. 联合努力（基于软件）。前几节讨论和展示EO任务中不确定性预算如何关键但也非平凡任务。在此背景下，联合努力代表应对挑战最理性方式。联合努力不仅包括分享共同目标、策略和模型，还包括分享算法配方、开源代码/软件工具、标准化测试场景和FRM，将范式付诸实践。特别开源代码/软件工具可帮助科学团队（如不确定性图配置）和终端用户（如计算离线不确定性信息）。除协议、文档、工具和数据外，联合努力不能忽视标准被社区使用，社区由人组成。本文提出联合努力成功实验由科学家和EO专家网络/工作组进行，分享科学和技术知识、想法、愿景，但也分享约束和缺点意识。众所周知，事实标准常比正式标准更容易被社区采用，至少作为起点，因为它们是自下而上或易于使用。有成功故事，强调EO不确定性信息对下游应用如何关键。在这些社区，EO不确定性产品使整个任务生命周期共享范式、协议和基准化发展和应用成为可能。大多数这些案例与EO产品不确定性对应用关键且起源于第一批多光谱任务的社区相关。一个显著例子来自水色，社区从一开始就密切合作开发全球关注的EO技术，并从开始就采用共享范式、协议和基准化。国际水色协调组（IOCCG）等国际工作组通过协调、培训、连接提供者（空间机构）和用户（科学家）以及提供专家建议，为水色遥感科学技术发展和应用做出贡献。自1986年以来，IOCCG高度重视确保水色辐亮度数据集连续性和一致性，以及处理与这些测量相关的不确定性。另一个相关例子是ESA气候变化倡议（CCI），开发卫星衍生数据记录以处理若干基本气候变量（ECV）。迄今为止，ESA-CCI包括27个平行研究项目，每个致力于开发卫星衍生气候数据产品和处理系统，处理全球气候观测系统（GCOS）定义的ECV。无论每个项目处理的ECV（如气溶胶、生物量、火灾、冰川、湖泊、水色、雪和植被参数），总体目标是生产足够长（约30年）用于气候研究的卫星数据集。还值得提及每个数据记录包括不确定性信息以支持气候建模和数值天气预报再分析应用。遵循这些例子，研究人员建议制定一套关于如何估计和传播EO IS任务从L0到BOA反射率不确定性的建议（图12）。图12. 关于如何估计和传播BOA反射率不确定性以使天基IS数据互操作的建议示意图。为实现此，建议五个步骤。本质上，研究人员提出以下五个不确定性评估步骤：1. 定义被测量。2. 建立至标准（最好至SI）的溯源性，如用不确定性分析图。3. 估计输入参数不确定性。4. 计算产品及相关不确定性。5. 以统一方式存储相关数据。用这五个步骤，通过计算“测量一致性”、测量等价度，可实现不同传感器间互操作性模块开发。对互操作性最重要的是不确定性和相关元数据的一致报告。随着高光谱任务新时代，有机会开始类似联合努力以确保不确定性被一致考虑和报告。7.5. 合作进行现场测量活动以正确输入输出。水社区建立的共同平台/工具应成为陆地现场测量关键未来任务。拥有像SPECCHIO这样的共同平台促进对实际数据的存储和访问，以及 valuable 元数据。此外，SPECCHIO已升级，能够存储不确定性。运行光谱数据库需要标准化测量协议（促进数据管理）并使半自动或全自动数据分析成为可能，如用现场数据Cal/Val天基IS数据。此外，光谱数据管理系统促进机构和研究机构间合作数据共享。这使得多个任务近同时飞越任务区域（如EnMAP/DESIS在Sentinel-2和Landsat 8/9 ±1?2小时内飞越）并 consequently 在可比条件下用各种传感器分析任务区域成为可能。此类合作需要对齐测量和处理协议，包括与测量相关的可溯源不确定性预算，以及独立验证管线。共享数据（特征和输出）还使不同天基成像光谱辐射计输出相互比较成为可能，从而在任务任何阶段量化任务差异（如EnMAP调试期间内部和外部验证所做）。扩展光谱数据库使用（即在操作基础上）从局部研究所层面开发和使用的方式是至少组合努力，如HYPERNETS和SPECCHIO所示，并开发“社区”数据库，包含现场光谱辐射计数据以及急需的大气参数/数据或太阳辐照度数据。7.6. 大型光谱仪任务的不确定性处理哲学。已发射且未来几年扩展，大量商业小卫星高光谱任务计划为用户提供光谱数据组合，具有可变时间、空间和光谱分辨率以及可变数据质量。与具有高成本基础设施和支持计划的国家/ESA或NASA主导大型任务部署相比，这些小卫星任务声称提供与大型计划任务可比的质量类和覆盖类数据。空间传感器多样性和设计多样性（从非校准到替代校准到完全星上校准的可变校准和验证计划）可能导致用户困惑和确定性缺乏。在此背景下，校准光谱仪任务——唯一有能力提供完整不确定性估计和大型任务支持计划的任务——将成为未来参考任务，对用户和小卫星任务均如此。最终这些机构任务将由SITSat补充以提供集成多传感器校准框架。7.7. 差异理解和最小化。不同测量间差异源于测量本身以及处理链不同步骤。为增强科学进步，任务操作者需找到良好程度数据协调，使不同EO产品可比并最终实现所需成像覆盖（每至少7天飞越感兴趣区域（AOI））。本质上，要回答的问题是：1）处理算法协调应到何种程度，2）应在何处对数据处理应用相同算法（如地理配准），3）数据处理算法应有多不同。最好用大气处理算法示例讨论，其中不同机构或科学社区以不同方式处理数据。然而，重要的是注意现有国际合作进行中倡议（如ESA和NASA与CHIME和EAGLE-VSWIR），其中L2A处理链某些部分（如太阳辐照度模型或地理配准）协调但其他（如RT）独立开发，遵循 diverse 科学概念。理解差异基线是拥有关于如何估计、传播和传达与每个测量（逐像元和逐波长不确定性）相关不确定性的共同方式。相互比较练习交叉验证天基数据例如极大受益于严格和可溯源传播不确定性预算（如TRUTHS）。具有相关不确定性预算的数据可相互比较建立测量一致性，其中重叠不确定性边界指示分析数据一致，因此可高置信度用于更高层次分析。但此重叠必须在L2A BOA反射率达到。7.8. 建立共同优化基础设施并以RAMI为例。基于模拟的评估练习如RAMI，1999年启动，目前第25年活动，在基本方法成熟后可作为算法相互比较非常有用的工具。从第一阶段（1999）简单和定义明确场景描述到目前（2022；第五阶段）复杂3-D森林植被冠层反射率辐射传输模型，RAMI由EC联合研究中心（JRC）维护，并获得冠层反射率建模社区持续支持。除场景复杂性外，参考量方法（基于物理或模型集合）、模型不确定性量化和异常值检测已逐步改进。2007年，开发RAMI在线模型检查器（ROMC），允许冠层反射率模型开发者和用户基准化不同类型模拟。RAMI提供社区在运行和参与不确定性量化活动以及随领域成熟逐步改进和增加复杂性方面持续承诺的优秀示例。开源不确定性计算工具将对齐多个机构努力至关重要，因为它们同步不确定性记录约定。会议——如主要会议研讨会——可用于在成像光谱 diverse 从业者间建立共同最佳实践。8. 建议和展望。不确定性量化是过程，不是目的地——没有单一方法能满足所有需求。与经典计量学大多数问题不同，遥感充满需要外部实验验证的不适定问题。此外，大多数验证在受控环境进行，简化掉用户常面临的许多实际问题（雾霾和异质地形）。此外，算法仍在持续开发；下一代成像光谱仪目标许多产品今天不以任何形式存在。因此，全面不确定性量化需要多元方法和参与组织持续承诺。在差异分析和量化差异背景下，应用适当统计方法也重要。不适当使用统计方法可导致误导性结论，如识别不统计显著差异或误解观测差异相关性。特别是在多传感器天基地球观测背景下（即不同天基光谱辐射计间互操作性），协调不确定性估计对于使BOA反射率产品跨不同任务、传感器和算法一致使用和相互比较至关重要。只有通过此类协调不确定性框架，多传感器成像光谱全部潜力才能实现用于环境监测、气候研究和其他科学应用。随着未来几十年天基IS发射数量增加，需要共同接受前进方式，以实现IS数据协调和互操作使用。然而，旨在任务间协调数据采集、仪器校准或数据处理不切实际。因此，研究人员假设任务将应用不同方法测量地球表面反射光、校准传感器和处理步骤，这可能导致不同成像光谱辐射计数据产品间差异。作为表征这些差异的基础近期优先事项，理想情况下每个任务应用标准化不确定性传播方法，遵循共同接受计量学方法。此类方法中心是建立全面不确定性分析图（即不确定性树图），使每个输入参数（在不确定性分析图每个终端）可溯源至SI。此外，不确定性分析图能够跟踪不同来源传播以及不同不确定性对最终产品灵敏度。为传播不确定性，研究人员建议遵循CEOS认可的QA4EO提出方法，这些方法源于GUM和VIM并规定其中。在这些文件中，不确定性传播律详细解释，包括成像光谱辐射计地球观测数据用例。然而，需注意量化和传播不确定性的方式。建议利用可用和接受的不确定性传播工具包（如CoMet工具包），考虑参数间不确定性和相关性传播。最后， overarching 测量不确定性方法和数学实施的是用于传达与EO成像光谱辐射计相关不确定性的术语标准化。为清晰透明沟通，建议遵循GUM和VIM，其中提供测量不确定性命名约定（如不确定性类型、不确定性覆盖）。建立在这些计量学基线之上，中期实施需要任务间在统一机构/协会伞下强有力合作。类似案例是CEOS-ARD在CEOS中开发、实施和采用。建议前进方式是启动研发活动以在CEOS WGCV与CEOS LSI-VC合作制定不确定性表征/分析指南（不仅限于IS技术而是所有传感器领域），注意这可建立在现有活动如成熟度矩阵、ESA EDAP质量评估矩阵以及各种CEOS成员间就此启动的合作基础上。此操作阶段进一步步骤是在CEOS LSI-VC（作为未来ARD倡议一部分）试点实施此类方法，然后可作为如何在元数据中包括不确定性的展示，符合当前版本PFS的“目标”要求。注意CEOS-LSI VC能够通过CEOS ARD接触商业社区，应寻求遵循相同模式进行不确定性评估和报告。作为长期目标，努力必须解决这些框架下游采用。尽管不确定性表征/分析概念可视为有些小众和深奥主题，许多下游用户未接触过，但他们有兴趣评估数据和衍生信息对其应用充分性，特别是在财务或社会风险是关键因素处。这些用户最终将从讨论发展中获益最多，因此对这些社区教育外展对实现工作效益最重要。在CEOS内，与能力建设和数据民主工作组开发教育模块可能是工作逻辑进展。此外，像HyperEDU等教育平台已证明在高光谱概念外展中有效。因此考虑与下游用户社区已熟悉证明平台共同开发教育模块将有益。最后，虽然本文建立可溯源不确定性传播基础概念和架构框架，使用真实天基成像光谱数据的完整端到端操作演示仍是关键下一步。此实际实施和端到端验证正积极计划在即将到来操作任务（如ESA CHIME和NASA EAGLE-VSWIR）飞行调试阶段执行，提供多任务数据互操作性确定操作基准。

本文《不确定性作为互操作性的关键：基于天基成像光谱的可溯源框架》发表于《Remote Sensing of Environment》，系统探讨了天基成像光谱（IS）多传感器数据互操作性所面临的不确定性处理瓶颈，并提出了以计量学溯源为核心的系统性解决方案。

**研究背景与问题**：近年来，PRISMA、DESIS、HISUI、GOSAT、EMIT及Sentinel、Landsat系列等大量天基成像光谱辐射计被发射入轨，未来CHIME、EAGLE-VSWIR、TRUTHS、FLEX、Landsat Next等任务将进一步扩展这一能力。然而，由于各任务由独立空间机构开发运行，仪器硬件设计、辐射定标协议和大气校正算法（如ATCOR、PACO、ISOFIT）的差异导致同一目标的地表反射率估计存在系统性差异。当前业务方法存在三重局限：相互比较倡议（如ACIX）主要依赖经验匹配而非物理误差传播建模；静态精度、精密度和不确定性（APU）矩阵无法捕捉逐像元动态不确定性；实验室定标不确定性与下游大气反演算法脱钩，致使2A级大气底（BOA）地表反射率缺乏端到端可溯源不确定性预算。此外，点扩散函数（PSF）引起的空间混合效应在像元级显著影响反射率估计。研究旨在建立端到端、国际单位制（SI）可溯源的不确定性传播链，为卫星运营商提供标准化不确定性报告的参考方法。

**关键技术方法**：研究采用QA4EO五步法框架（定义被测量与测量函数、建立溯源性、评估输入量不确定性、计算产品及不确定性、存储相关信息），结合不确定性传播律（LPU）与蒙特卡洛方法（MCM）进行不确定性传播，引入不确定性树图实现逐参数溯源，利用CoMet开源工具包传播不确定性与相关矩阵，并通过不确定性表征相互比较练习（UCIX）和基准参考测量（FRM）开展验证。

**主要研究结果**：

**术语体系与CEOS-ARD框架**：地球观测卫星委员会（CEOS）分析就绪数据（ARD）框架通过产品族规范（PFS）定义标准化数据结构与元数据，但不确定性量化尚未以同等严谨性规定，需扩展PFS以纳入逐像元逐波长不确定性要求。测量不确定度表示指南（GUM）将不确定性定义为可合理归因于被测量的值的分散性，需区分独立、共同和结构误差三类，并区分现象相关与误差相关。

**不确定性预算建立**：QA4EO五步法为不确定性预算提供迭代框架。第一步需精确对齐不同任务的被测量定义（如CHIME与EAGLE-VSWIR联合定义反射率处理参数）；第二步通过不确定性树图记录溯源链至SI；第三步评估输入量不确定性并记录误差相关尺度；第四步应用LPU或MCM计算传播不确定性，LPU适用于线性模型，复杂大气校正需MCM，可通过MC训练局部线性LPU模型；第五步以参数化或分解格式（如主成分分析压缩光谱协方差矩阵）存储逐像元逐波段不确定性及相关矩阵。

**模型与反演影响**：仪器模型（空间/光谱响应函数、辐射定标系数、PSF）贡献系统误差；辐射传输模型（MODTRAN、6S、libRadtran、Eradiate）因参数假设和内部近似引入不确定性；贝叶斯最大后验反演（如ISOFIT）可传播后验不确定性；机器学习/深度学习反演缺乏不确定性估计能力，需发展混合模型与不确定性感知方法。

**验证策略**：提出UCIX通过标准化合成测试场景（变化气溶胶光学厚度、水汽等大气状态）隔离评估大气校正子模块不确定性；FRM需满足独立、完全表征、可溯源至SI的要求，CEOS-FRM框架通过自评估与独立专家验证实施；锚点体系整合现场、无人机、机载和在轨（如TRUTHS、CLARREO Pathfinder）多源观测。

**业务化实施**：Sentinel-3 OLCI在1级产品中嵌入逐像元辐射不确定性（产品大小增加约35%，CPU时间增加约3%）；数据提供者可直接分发不确定性层或分发算法配方供用户即时生成；需建立最小共识元数据集与标准化命名约定。

**讨论与结论**：研究强调不确定性量化是过程而非终点，遥感不适定问题需多元方法。短期优先事项为每任务建立标准化不确定性传播与不确定性树图溯源至SI；中期需在CEOS WGCV与LSI-VC框架下制定跨传感器不确定性指南并试点实施；长期需推动下游社区教育外展。研究结论指出，随着未来数十年天基成像光谱任务数量增加，任务间协调数据采集、仪器校准或数据处理不切实际，因此研究人员假设任务将采用不同方法并导致产品差异；作为表征这些差异的基础，理想情况下每个任务应遵循共同接受计量学方法应用标准化不确定性传播，核心是建立全面不确定性树图使每个输入参数可溯源至SI；建议遵循QA4EO提出并经CEOS认可的方法（源于GUM和VIM），利用CoMet等工具包传播不确定性与相关性；建议遵循GUM和VIM命名约定实现清晰透明沟通；中期需在CEOS WGCV与LSI-VC合作下启动研发制定不确定性表征指南并试点实施；长期需推动下游社区教育外展，与HyperEDU等平台共同开发教育模块；使用真实天基成像光谱数据的完整端到端操作演示计划在CHIME和EAGLE-VSWIR飞行调试阶段执行，以提供多任务数据互操作性操作基准。