分类号： 单位代码：10389

密 级： 学 号：3200831035

硕士专业学位论文

基于 6SV 模型的离水反射率提取方法改进
及应用研究

学位类型：农业硕士

专业领域：资源利用与植物保护

研究方向：农业面源污染与生态治理

学生姓名： 刘 炜

指导教师：陈瀚阅 讲师

李家国 副研究员

完成时间：二○二三年五月
 An Improved Algorithm for
Retrieving Water-leaving Radiance Based
on the 6SV Model and its Application.

By

LIU Wei

Supervised by Instructor. CHEN Hanyue

associate Professor. LI Jiaguo

A Thesis Submitted to May,2023

Fujian Agriculture and Forestry University

in Partial Fulfillment of the Requirements

for

Professional Master’s Degree in Agriculture

College of Resources and Environment

Fujian Agriculture and Forestry University
Fujian, P.R. China
Completion Date（May,2023）
Commencement Date (June,2023)
 目 录

第一章 绪论............................................................................................... 1
1.1 研究背景和意义............................................................................... 1
1.2 国内外研究现状............................................................................... 2
1.2.1 水体大气校正算法研究进展..................................................... 2
1.2.2 水质参数研究现状 ..................................................................... 5
1.3 研究内容及技术路线....................................................................... 7
1.3.1 研究内容 ..................................................................................... 7
1.3.2 研究技术路线 ............................................................................. 7
第二章 研究区域概况及数据预处理 ...................................................... 9
2.1 研究区域概况................................................................................... 9
2.2 遥感影像数据介绍........................................................................... 9
2.3 数据预处理 ..................................................................................... 10
2.3.1 实测光谱数据处理 ................................................................... 10
2.3.2 MODIS 影像预处理 .................................................................. 11
第三章 基于辐射传输模型大气校正算法改进 .................................... 14
3.1 水色遥感大气校正基本原理 ........................................................ 14
3.2 算法改进 ......................................................................................... 16
3.3 基于 6SV 模型的参数提取 .......................................................... 17
3.3.1 6SV 模型介绍 ............................................................................ 17
3.3.2 基于 6SV 模型的参数提取模型 ............................................ 19
3.4 6SV 辐射传输模型查找表建立 ..................................................... 20
3.4.1 6SV 模型输入参数敏感性分析 ............................................... 20
3.4.2 查找表优化 ............................................................................... 26
3.4.3 多项式拟合精度验证方法 ....................................................... 27
3.4.4 多项式拟合精度验证结果 ....................................................... 28
3.5 章节小结 ......................................................................................... 29
第四章 基于改进算法的离水反射率反演和评估 ................................ 30
4.1 算法反演和评估方法..................................................................... 30
4.1.1 采样点筛选 ............................................................................... 30
4.1.2 对比算法 ................................................................................... 30
4.1.3 大气校正算法精度评价方法................................................... 31
4.2 基于 2013 年数据的反演精度对比 ............................................ 32
4.3 基于 2015 年数据的反演精度对比 ............................................ 34
4.4 太湖离水反射率空间分布特征 .................................................... 37
 4.5 本章小结 ......................................................................................... 39
第五章 水质参数遥感反演模型建立及精度对比分析 ........................ 40
5.1 特征波段选取................................................................................. 40
5.2 大气校正方法选取......................................................................... 43
5.3 水质参数遥感反演模型构建 ........................................................ 43
5.3.1 2013 年水质参数遥感反演模型构建 ..................................... 43
5.3.2 2015 年水质参数遥感反演模型构建 ..................................... 45
5.4 水质参数遥感反演模型检验 ........................................................ 47
5.5 太湖水质参数空间分布格局 ........................................................ 48
5.6 本章小结 ......................................................................................... 50
第六章 总结与展望 ................................................................................ 51
6.1 总结 ................................................................................................. 51
6.2 展望 ................................................................................................. 52
参考文献................................................................................................... 53
附录 A ....................................................................................................... 58
附录 B ....................................................................................................... 59
 基于 6SV 模型的离水反射率提取方法改进及应用研究

摘 要

水是人类生存和发展的必需物质。近年来，水污染问题日趋严重，

影响居民日常生活及社会经济发展。遥感技术因其在数据获取和分析

处理方面的优势，被广泛应用于内陆水体的长期动态监测。遥感器接

受到的总信号中，包含水体信息的离水辐亮度占比较小，大部分为大

气散射信号。大气校正是去除大气散射影响，从总信号中提取离水辐

亮度的重要手段，大气校正的精度不仅决定了离水反射率的提取精度

还影响着水质参数的反演精度。

6SV 辐射传输模型是目前常用的大气校正方法之一，本论文针对

其存在的问题提出了一种改进算法，该算法解决了 6SV 模型所忽略

的水气镜面反射辐亮度的计算，并对 6SV 模型建立查找表时存在的

精度和效率问题提出了优化方案。通过优化后的查找表计算出水气镜

面反射辐亮度，将其从遥感器接收到的总信号中剔除，达到提高离水

反射率的反演精度的目的。以太湖为研究区域，结合 2013 年和 2015

年的同步实测数据对比改进算法、6SV 模型、FLAASH 模型及 SWIR

算法对 MODIS 遥感数据第 1 至第 4 波段的大气校正精度。之后利用

实测的光谱数据与水质参数数据确定水质参数反演的最佳波段组合，

并基于此对比四种大气校正结果的水质参数建模精度，选取出最佳大

气校正方法及反演模型进行太湖水质参数反演及分布情况分析。研究

结果表明：

III
 摘要

（1）利用多项式拟合法优化的查找表具有较高的模拟精度，与

6SV 模型输出结果的相对误差不超过 3%，并且优化后的查找表减少

了气溶胶光学厚度的查找过程，有效提高查找表的建立及使用效率。

（2）水气镜面反射的去除有利于提高离水反射率的校正精度。

改进算法的大气校正精度高于 6SV 模型、FLAASH 模型和 SWIR 算

法，在第 1 至第 4 波段都具有更高的大气校正精度，并且校正后的光

谱曲线更接近于水体真实光谱曲线。

（3）四种算法中，基于改进算法得到离水反射率与水质参数（叶

绿素 a 浓度和总悬浮物浓度）的相关性相对最高。叶绿素 a 浓度和总

悬浮物浓度最佳的反演模型分别为二次模型和指数函数关系模型，且

在 2013 年数据应用中的最佳组合波段分别为（绿波段（550nm）-蓝

波段（460nm））和（绿波段-红波段（658nm），2015 年的最佳组合

波段分别为（近红外波段（847nm）/红波段）和（近红外波段/绿波

段）。

（4）太湖湖心区浑浊程度较低，叶绿素 a 浓度及总悬浮物浓度

反演结果均处于较低水平且变化较小；太湖东北水域及南部沿岸相较

于其他水域浑浊程度较高，2015 年水质参数反演结果高于 2013 年，

并且呈现出越靠近岸边越浑浊的现象。

关键词：大气校正，离水反射率，MODIS 影像，6SV 辐射传输模型，

查找表优化

IV
 基于 6SV 模型的离水反射率提取方法改进及应用研究

ABSTRACT

Water is an essential substance for human survival and development.

In recent years, water pollution has become increasingly serious,

affecting residents' daily life and socio-economic development. Remote

sensing technology is widely used for long-term dynamic monitoring of

inland water bodies due to its advantages in data acquisition and analysis

processing. In the total signal received by the remote sensor, the

water-leaving radiance containing water information accounts for a

relatively small proportion, with the majority being atmospheric

scattering signals. Atmospheric correction is an important means to

remove the influence of atmospheric scattering and extract the radiance of

water leaving from the total signal. The accuracy of atmospheric

correction not only determines the extraction accuracy of water-leaving

reflectance, but also affects the inversion accuracy of water quality

parameters.

The 6SV radiation transfer model is currently one of the commonly

used atmospheric correction methods. This paper proposes an improved

algorithm to address its existing problems. The algorithm solves the

calculation of water vapor mirror reflection radiance ignored by the 6SV

model, and proposes an optimization solution for the accuracy and

efficiency issues when establishing a lookup table for the 6SV model. By

V
 Abstract

using the optimized lookup table to calculate the radiance of the water

vapor mirror reflection, it is removed from the total signal received by the

remote sensor, achieving the goal of improving the inversion accuracy of

the water-leaving reflectivity. Taking the Taihu Lake Lake as the research

area, the atmospheric correction accuracy of the first to fourth bands of

MODIS remote sensing data is compared with the improved algorithm,

6SV model, FLAASH model and SWIR algorithm based on the

synchronous measured data in 2013 and 2015. Then, the measured

spectral data and water quality parameter data are used to determine the

optimal band combination of water quality parameter inversion, and

based on this, the modeling accuracy of water quality parameters of four

kinds of atmospheric correction results is compared, and the optimal

atmospheric correction method and inversion model are selected to carry

out water quality parameter inversion and distribution analysis of the

Taihu Lake Lake. The research results indicate that:

(1)The lookup table optimized using polynomial fitting method has

high simulation accuracy, with a relative error of no more than 3%

compared to the output results of the 6SV model. Moreover, the

optimized lookup table reduces the search process of aerosol optical

thickness, effectively improving the establishment and utilization

efficiency of the lookup table.

(2) The removal of water vapor mirror reflection is beneficial for

VI
 基于 6SV 模型的离水反射率提取方法改进及应用研究

improving the accuracy of correction of off water reflectance. The

atmospheric correction accuracy of the improved algorithm is higher than

that of the 6SV model, FLAASH model, and SWIR algorithm. It has

higher atmospheric correction accuracy in the first to fourth bands, and

the corrected spectral curve is closer to the true spectral curve of the

water body.

(3) Among the four algorithms, the correlation between

water-leaving reflectivity and water quality parameters (chlorophyll a

concentration and total suspended solids concentration) obtained based on

the improved algorithm is relatively highest. The best inversion models of

chlorophyll a concentration and total suspended solids concentration are

quadratic model and exponential function relationship model respectively,

and the best combination bands in data application in 2013 are (green

band (550nm) - blue band (460nm)) and (green band - red band (658nm))

respectively, and the best combination bands in 2015 are (near infrared

band (847nm)/red band) and (near infrared band/green band) respectively.

(4) The turbidity in the central area of the Taihu Lake Lake is low,

and the inversion results of chlorophyll a concentration and total

suspended solids concentration are at a low level with little change;

Compared with other waters, the northeastern waters and southern coastal

waters of the Taihu Lake Lake are more turbid. The inversion results of

water quality parameters in 2015 are higher than those in 2013, and the

VII
 Abstract

closer to the shore, the more turbid the water is.

KEY WORDS：Atmospheric correction，Water-leaving Reflectivity，

MODIS image，6SV radiation transfer model，Lookup Table Optimization

VIII
 基于 6SV 模型的离水反射率提取方法改进及应用研究

第一章 绪论

1.1 研究背景和意义

水是自然资源的重要组成部分，是我们生存和发展的重要基础，在工业生产、
农业灌溉及畜牧业养殖等方面都发挥着重要的作用[1, 2]。近年来，我国经济高速
发展，人类活动不断增加，给内陆水体带来了许多环境问题。工业污水的不合理
排放以及农业化肥的过量使用，使得大量氮、磷元素通过地表径流或地下渗漏的
方式进入湖泊中[3]，导致湖泊富营养化现象，严重影响周边居民的用水安全和身
心健康。因此，对湖泊进行水质监测有利于我们准确掌握湖泊现状，为环境预测
及污染治理提供丰富的数据基础，对我国经济的发展及人民生活质量的提高都有
十分重要的现实意义[4]。
水质监测是通过水质参数（主要包括叶绿素 a 浓度（chl-a）、总悬浮物浓度
（TPM）、黄色物质（CDOM）等）直接或间接的掌握水体污染情况[5]，为水体
治理提供方向。传统水质监测方法需布置大量人工进行实地采样[6]，虽能获得种
类全面且精度较高的水质参数，但费时费力，并且难以实现目标水体的长时序监
测。遥感技术具有时效性高、覆盖范围广的特点[7]，可较好地弥补传统监测方法
的不足。利用遥感技术对水质参数进行实时监测，可快速获取水体污染的位置、
范围、程度及源头等数据，阻止污染的进一步扩散[8]。其已成为水体动态监测的
强有力手段之一。目前，水质参数遥感反演算法多是基于高光谱或多光谱遥感数
据，研究水体光谱曲线与水质参数间的关系，建立水质参数反演模型[9]。
通过遥感数据获取精确的水体反射率是保证水质参数反演精度的重要前提。
太阳辐射在传输过程中多次经过大气与水体，因此在传感器接收到的总信号中，
大气瑞利散射及气溶胶散射的贡献占比较大，严重影响水体信号的获取[10]。大气
校正是消除大气散射和吸收过程的影响，从总信号中提取离水辐亮度的重要手
段。因此，通过大气校正，获取反映水体信息的真实离水反射率是保证水质参数
遥感反演精度的必要基础[11]。
目前对于内陆水体的大气校正多是基于辐射传输模型完成，该模型原先应用
于陆地的大气校正，虽充分考虑了大气对辐射传输过程的影响，却忽略了水体的
辐射特征与陆地不同[12]。当辐射能量到达水面时，水气界面引起的下行天空光的
镜面反射也会被传感器接收，而这部分能量不携带任何水体信息[13, 14]。但常用的
地表反射率产品，如 MODIS 的 MOD09 产品，未将不包含水体信息的水气界面
镜面反射从水体反射率中剔除，而是将水体反射率等同于地表反射率。目前
MODIS 数据产品中也没有专门的离水反射率产品。内陆湖泊水体光学特性尤其

1
 绪论

复杂，且信号弱、变化快，较小的大气校正误差都会导致最终结果的显著差异[15]。
前人针对清洁或浑浊度较低的水体提出了一些经验模型用于大气校正，该模
型基于“SWIR 波段离水辐亮度为零”的假设，通过 SWIR 波段计算大气散射的
贡献，并外推至可见光波段完成大气校正，取得了较为理想的结果[16]。但内陆水
体光学性质复杂，假设较难成立，且经验模型在使用中具有一定局限性[17]。为增
强算法机理，许多学者[18-20]将辐射传输模型用于遥感影像大气校正，其中 6SV
模型表现出了较高的精度及效率，但原始 6SV 模型未剔除水气界面镜面反射，
降低了大气校正的精度，并且对于像元各异的输入参数集，逐像元调用 6SV 模
型效率低，不利于长时序离水反射率的批量提取。
因此，需要针对内陆湖泊水体特别开发大气校正方法，尤其是兼顾精度和效
率的大气校正方法，可用于长时间序列离水反射率产品的快速批量生产。且有必
要对不同离水反射产品用于水质参数反演的精度进行对比评价，这对于内陆水质
遥感动态监测意义重大。

1.2 国内外研究现状

1.2.1 水体大气校正算法研究进展

大气校正是获取水体离水反射率的重要步骤。对于大洋这种一类水体而言，
已有较为成熟的大气校正算法，但近岸及内陆湖泊这种二类水体光学性质复杂，
没有统一的算法适用于所有二类水体。目前主要的二类水体大气校正算法可分为
以下几种：
（1）暗像元法
暗像元法由 Wang 和 Gordon[21]于 1994 年提出，最初应用于一类水体的大气
校正算法中。暗像元法是一种理想的大气校正方法，该方法假设研究区域大气性
质均一、地表为朗伯体、地面反射方向相同，因此无需大气、地面测量数据等的
辅助，仅依靠遥感影像本身的信息即可反演出相关参数。该方法认为研究区域的
遥感影像中存在辐亮度或反射率非常小，几乎可以忽略不记的黑暗像元，这些像
元亮度值的改变都是由大气散射引起，据此可计算出大气散射贡献，再筛选出与
研究区域相同的大气模型，去除大气影响，获得地物的真实反射率。因此，暗像
元的选择以及大气模型的确定都直接影响到暗像元法的校正精度。一类水体光学
性质单一，在近红外波段具有较强的吸收能力，常被用作暗像元的首选目标。
Ahern[22]和 Gordon[23]等基于“近红外波段离水辐射为零”的假设，将一类水体中
辐亮度较低的像元选为暗像元，根据这些像元获得气溶胶信息，外推至可见光波
段，实现一类水体的大气校正，并且取得了可接受的校正精度。

2
 基于 6SV 模型的离水反射率提取方法改进及应用研究

二类水体与一类水体不同，其光学性质复杂，水体中多种物质会增加水体在
近红外波段的反射率，导致“近红外波段离水辐亮度为零”的假设不再成立。沿
用一类水体的暗像元法会使大气散射贡献被高估，出现水体离水辐亮度为负的过
校正情况。因此，有学者对 Gordon 的大气校正算法进行改进，Hu 等[24]假设气溶
胶类型在小范围的研究区域内保持不变，寻找遥感影像中的清洁水体，将其作为
暗像元，利用 765nm 和 865nm 波段的比值确定气溶胶的类型，实现研究区的大
气校正。Wang 和 Shi[16]对比水体的光谱曲线发现，水体在短波红外波段的吸收
能力较近红外波段更强，这一发现对于浑浊程度较低的水体同样适用，基于此提
出了使用短波红外波段代替近红外波段的方法，并应用于美国东部海域的大气校
正，取得了较高的精度。国内许多水体的大气校正也使用了这一方法。王峰[25]
等人选择了与 Wang 等不同波长的短波红外波段，利用短波红外算法对我国东部
近海及湖泊进行大气校；李兆爽[26]等利用短波红外算法对我国渤海湾近岸海域进
行大气校正，均获得了较好的结果。
短波红外算法虽解决了二类水体近红外波段不为零的问题，但其应用还是存
在一些不足：在高度浑浊的水域，短波红外波段的离水辐亮度无法忽略，依旧会
产生“过校正”现象；相较于近红外波段，短波红外波段与可见光波段波长差距
较大，在外推过程中可能产生较大误差，导致大气校正精度降低；卫星在短波红
外的信噪比较低，会一定程度上影响校正的精度[27]。
（2）亮像元法
暗像元法试图寻找离水辐亮度近似为零的波段或范围，亮像元法则接受近红
外波段离水辐射不为零的情况，借助生物光学模型或离水辐射的波段相关关系估
算近红外波段离水辐射，反推出该波段的大气散射贡献，利用与暗像元法相同的
方式实现大气校正。2000 年，NASA 的 OBPG（Ocean Biology Processing Group）
基于生物光学模型，提出了 SeaWiFS 大气校正方法[28]。亮像元法先用近红外波
段暗像元法反演叶绿素 a 浓度的初始估计值，求出近红外波段悬浮物后向散射系
数，建立后向散射系数与近红外波段离水反射率的生物光学模型，从而计算近红
外波段的离水反射率，重复上述步骤直到反演的叶绿素 a 浓度收敛，表明水体信
号完全除去，仅剩大气散射影响，再借助暗像元法完成大气校正。后续十年里
NASA OBPG 对该算法进行了持续的改进和完善[29]。
Kuchinke[30]等利用生物光学模型和气溶胶模型对大气层顶反射率进行模拟，
建立模拟值与卫星观测值的非线性关系完成研究区域的大气校正。GOCI 是
KOSC（Korea Ocean Satellite CenterKuchinke）发射的第一颗搭载在静止轨道海
洋气象卫星 COMS 上的水色遥感器，其采用的大气校正算法就是亮像元法，相
较于 SeaWiFS 标准算法，GOCI 改进了计算近红外波段离水反射率时所使用的迭
代模型[31]。Wang[32]基于 GOCI 数据，将漫衰减系数经验反演公式加入到大气校

3
 绪论

正中，建立漫衰减系数与两个近红外波段离水辐亮度的经验模型，通过迭代确定
各波段的归一化离水辐亮度，完成大气校正。
（3）基于辐射传输模型的大气校正算法
基于辐射传输模型的大气校正算法是指模拟电磁波在大气和海洋或地表之
间相互耦合的作用建立起辐射传输方程[33]，通过输入较为全面的大气参数，提高
大气模型的准确性，据此模拟出大气散射的贡献，将其从卫星观测的总信号中剔
除，从而实现大气校正[34]。一般包含以下参数：气溶胶光学厚度，传感器几何参
数、地表参数等。将这些参数按照相应的大气辐射传输模型的要求输入，即可完
成 离 水反 射 率 的 提 取 。 基 于 辐 射传 输 的 大 气 校正 模 型 主 要包 含 5S 、 6S 、
MODTRAN、LOWTRAN 以及 FLAASH 等。其中 6S/6SV 和 MODTRAN 两种通
用大气辐射传输模型是使用较多的辐射传输模型，也是后续许多大气校正新算法
的基础[35]。
MODTRAN 模型为中分辨率辐射传输程序，由光谱科技研究所和美国空气
动力研究实验室 AFRL 联合编写[36]。MODTRAN[37]是在 LOWTRAN（低分辨率
大气辐射传输模式）的基础上发展而来的，将光谱分辨率由 20cm-1 提升至 2cm-1，
解决了大气高度过高时产生的大气模拟失败问题。MODTRAN 模型目前已发展
到 MODTRAN5，每一版 MODTRAN 都吸收了当时在大气辐射传输反面的最新
成果。MODTRAN 中存储的气溶胶模式是目前辐射传输模型算法中较为成功的
气溶胶模式。除传统的气溶胶类型外，MODTRAN 还考虑了气溶胶粒子的垂直
结构以及湿度对气溶胶的作用，并且添加了一些特殊的气溶胶模式[38]。
FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）模
型在 MODTRAN4+辐射传输模型代码的基础上增加了邻近效应的计算，有效降
低大气对校正的影响，提高地物反射率的校正高精度。已应用于商用软件 ENVI
中，可对大部分高光谱数据进行快速大气校正分析[39]。袁金国[40]等利用 FLAASH
模型对高光谱数据进行大气校正，获得的反演值与实测值间的相关系数达到
0.987；熊世为[41]等人利用 MODTRAN 模型对 HJ-1 CCD 影像进行大气校正，结
果表明近红外波段与可见光波段的校正精度有所提升，提高了归一化植被指数
（NDVI）的反演精度；马力[42]将 MODTRAN 的性能与精确的逐线性积分法进
行比较，结果显示 MODTRAN5 模拟的大气透过率与逐线性积分法大部分吻合，
表明 MODTRAN 5 模型具有较高的计算精度。Rosas[43]等利用 MODTRAN5 模型
模拟了 5 种不同的大气廓线下的干旱地地表温度，通过与实测实测数值的比对，
确定了其中一种最适合干旱地的大气廓线。
6S 辐 射 传 输 模 型 （ Second Simulation of a Satellite Signal in the Solar
Spectrum）是由 Vermote 和 Tanre 等人用 FORTRAN 编写的大气辐射传输模型。
6S 辐射传输模型模拟不同传感器和地面情况下下电磁波在传输路径中所受大气

4
 基于 6SV 模型的离水反射率提取方法改进及应用研究

的影响，其在大气吸收和散射这两个方面具有较大的优势[44]。在大气吸收方面，
较传统计算过程，加入了水汽、臭氧、二氧化碳等吸收性气体的计算；在大气散
射方面，针对大气分子和气溶胶散射难以模拟的问题，引入了近似和逐次散射算
法 。 6SV （ Second Simulation of the Satellite Signal in the Solar Spectrum Vector
Version）辐射传输模型是 Vermote 和 Kotchenova 等人[45]在 6S 辐射传输模型基础
上进行改进，引入 Stokes 的其他矢量，弥补了大气极化造成的误差。刘梓钦[46]
等将 6S 辐射传输模型和 FLAASH 模型应用于 GF-5 高光谱数据的大气校正，结
果显示 6S 辐射传输模型比 FLAASH 模块具有更高的大气校正精度，能有效进行
GF-5 高光谱影像的大气校正；Matias[47]等对比了 6S 辐射传输模型和 TOA 反射
率模型对 Landsat 数据的校正精度，结果显示，6S 辐射传输模型可有效消除可见
光波段的大气影响，使校正结果更加接近于地表的真实反射率。
6SV 模型具有高效率、高精度的计算优势，在不同模型对比中的表现较为突
出[48]，已被广泛用于不同研究区、不同卫星影像的大气校正。但原始 6SV 模型
地表反射率未将水气界面镜面反射剔除，因此 Lu 等[49]通过修改 6SV 模型将其剔
除，并用于太湖水体辐射校正。结果表明该贡献的剔除可有效提高大气校正精度，
但逐像元调用改进的 6SV 模型效率低，不利于长时序离水反射率的批量提取。
查找表法可有效提高模型运行效率，即预先利用 6SV 模型构建不同范围输
入参数与大气校正系数关系的查找表，再根据输入的参数集查找并插值获取大气
校正系数，用于地表反射率的计算[50]。为确保校正精度，需要全面考虑大气校正
系数的影响参数，构建多重查找表，且不同参数的步长设置不宜过大，但这会导
致查找效率下降且存在插值误差。王贵川等[34]基于 6SV 模型构建了多项式拟合
法来替代传统的查找表，在保持较高精度的同时还可进一步提高大气校正效率。
但其仅建立气溶胶光学厚度（AOD）与大气校正系数间的三次多项式关系，并
未考虑入射-观测几何参数对大气校正系数的影响，这在长时序区域影像大气校
正中存在局限。不同时相和经纬度的影像像元获取角度各异，而角度的变化对大
气校正系数有着显著影响[51]，所以有必要将入射-观测几何参数加入查找表的构
建。且王贵川等的算法并非针对内陆水体开发，未剔除水气界面镜面反射率。
综上所述可知，6SV 辐射传输模型着重于对大气的模拟，通过完善大气成分
对辐射传输过程的影响，提高大气校正的精度，忽略了水气镜面引起的下行天空
光反射的贡献。并且传统的 6SV 查找表存在查找效率较低，查找结果与原模型
间有一定误差的问题。

1.2.2 水质参数研究现状

（1）叶绿素 a 浓度反演
叶绿素 a 是水生植物的重要组成部分，常被用来反映水体初级生产力以及富

5
 绪论

营养化的程度，也是影响水体光谱特征的重要因素之一[52]。因此，可通过对叶绿
素 a 浓度的分析掌握水体的质量情况。最初叶绿素 a 浓度的获取方法是由研究人
员使用专业仪器进行现场测量，这种方法秏时久、代价高且易受天气影响。叶绿
素 a 对太阳光中的蓝色波段有强烈的吸收作用，对绿色波段有强烈的反射作用，
因此叶绿素 a 浓度高的水体光谱曲线具有明显的吸收谷和反射谷，为遥感监测提
供可能。
目前常用的叶绿素 a 浓度反演算法可以分为三大类：经验算法、半经验/半
分析算法以及分析算法[53]。经验算法主要包含单波段模型、波段差值模型、波段
比值模型及归一化指数模型等，通过线性、多项式、对数、指数以及幂等函数[54,
55]
拟合波段组合与水质参数间的关系，建立反演模型[56, 57]；半经验/半分析算法
是对经验算法的改进，通过对水体光谱波段的研究，选择适合的波段或波段组合，
基于此建立反演模型；分析算法不直接计算水质参数，而是通过遥感反射率反演
水体的吸收系数及后向散射系数，再分析水体中各组分的占比，从而达到反演水
中不同物质含量的目的[58]。
Carder[59]等基于 MODIS 影像中第二、三波段，对海水中叶绿素 a 浓度进行
敏感性分析，结果表明第三波段的反演效果较好；马万栋[60]等基于实测的四十里
湾叶绿素 a 浓度数据，对比多个模型的反演精度，结果表明 670nm、690nm 和
730nm 的三波段模型精度最高，R2 为 0.6608；Kondratye[61]等建立了光谱辐射、
水体组分及水生生物三者间的影响模型，并将该模型应用于拉多加湖的叶绿素 a
浓度反演，探究了水质参数遥感反演的最佳光学条件。
（2）总悬浮物浓度反演
总悬浮物浓度是水质参数的重要指标之一，悬浮物是营养盐和污染物的重要
载体[62]，总悬浮物浓度（TPM）的大小直接反映出水体透明度及浑浊程度，并
且通过观察其变化趋势，可判断水体污染的来源。常用的总悬浮物浓度反演算法
与叶绿素 a 浓度相同，分为经验算法、半经验/半分析算法以及分析算法。Miller[63]
等利用 MODIS 数据，基于墨西哥湾北部的总悬浮浓度实测数据，建立了红外波
段与总悬浮物浓度间的线性模型，具有可接受的反演精度；仲苏珂[64]等基于 OLCI
数据选取我国内陆 8 个大型湖泊的总悬浮物浓度反演敏感波段，不同湖泊的敏感
波段均不相同，基于敏感波段对总悬浮物浓度进行反演，并且研究了总悬浮物浓
度与蓝藻水华及人类活动间的关系；张兵[65]等基于太湖水体固有光学量的实测数
据，分析其在太湖中的不同时间的分布情况，提出了通过固有光学量和生物光学
模型估算水质参数的方法。

6
 基于 6SV 模型的离水反射率提取方法改进及应用研究

1.3 研究内容及技术路线

1.3.1 研究内容

（1）基于 6SV 模型的离水反射率反演技术的构建

针对 6SV 模型地表反射未将水汽镜面反射贡献从水体信号中剔除的缺陷，
构建新的离水反射率反演技术。首先基于水体辐射传输原理构建离水反射率反演
模型，确定剔除大气程辐射和水气镜面反射辐射得到离水反射率所需必要大气校
正参数，然后基于 6SV 模型推导得到大气校正参数反演模型。
基于 6SV 模型，通过敏感性分析确定模型所需大气校正参数的主要影响因
子，并利用多项式拟合法构建影响因子与大气参数的关系查找表，以便提高查找
精度和效率。通过与 6SV 模型直接模拟结果对比，探索利用多项式拟合法构建
的查找表用于大气参数反演的有效性。利用优化后查找表反演大气校正参数，并
最终用于提取离水反射率。
（2）基于改进算法的离水反射率反演和评估
基于（1）中构建离水反射率反演技术（改进算法），利用 MODIS 遥感影
像，实现内陆水体离水反射率提取，并通过与原始 6SV 模型、SWIR 算法及
FLAASH 模型对比，探索改进算法用于提高离水反射率反演精度的可能性。
（3）不同离水反射率产品用于水质参数遥感反演精度对比分析
基于实测的光谱数据反演叶绿素 a 浓度及总悬浮物浓度，利用皮尔逊相关分
析获取波段组合与两个水质参数间的相关性系数，选择最佳的反演波段或波段组
合。将其应用于不同的大气校正算法，根据实测的叶绿素 a 浓度及总悬浮物浓度
建立模型，比较模型间的反演精度，分析改进算法对反演水质参数的影响。最后
将反演精度最高的模型应用于两景遥感影像，对研究区水质参数的分布进行分
析。

1.3.2 研究技术路线

本文提出一种兼顾效率和精度的改进算法用于离水反射率提取。首先对水体
辐射传输过程进行分析，明确水气镜面反射及离水反射率计算所需大气校正参
数，然后基于 6SV 模型，探究大气校正参数的影响因子，建立几何条件、AOD
与大气校正系数间的多项式关系函数查找表，以便提高查找精度和效率。之后利
用查找表获取的大气校正系数计算水气镜面反射的贡献，将其剔除，以期提高离
水反射率反演精度。为评价算法表现，将改进算法应用于两个时相太湖水体的大
气校正，通过与原始 6SV 模型，FLAASH 模型、SWIR 算法以及地面实测数据

7
 绪论

进行对比，评价改进算法的校正精度。最后基于实测水体光谱数据探究水质参数
的最佳反演波段组合，对比分析改进算法对建模精度的提升，并应用反演模型分
析研究区域水质参数分布情况。总体技术路线图如图 1-1 所示。

图 1-1 技术路线

8
 基于 6SV 模型的离水反射率提取方法改进及应用研究

第二章 研究区域概况及数据预处理

2.1 研究区域概况

本文所选的研究区为太湖，其处于中国发展最活跃的长江三角洲地区，近年
来，由于经济的发展导致大量的污染物流入太湖，湖泊的生态问题愈发严重，制
约着周围经济的发展，并且严重威胁者周围居民的身体健康[66]，对太湖的研究具
有代表性，有利于推广至其他内陆湖泊。
太湖介于 30°55’40”-31°32’58”N，119°52’32”-120°36’10”E 之间，其区域位
置见图 2-1 所示，总面积约为 2338km2。太湖具有优越的自然资源条件及地理位
置，其流域面积涉及苏州市、无锡市及浙江省等省市，是我国经济最发达的地区
之一。太湖地势西南高、东北低，形似碟子。太湖北部竺山湾、梅梁湾、贡湖湾
及西部的胥口湾等海湾地区水深较浅且流速较慢，加之周边地区工业发展的影
响，是这些水域成为富营养化的重灾区。根据现行的《国家地面水环境质量标准》，
太湖已由原先的Ⅰ-Ⅱ类水体变为Ⅳ类水体，部分地区更是达到Ⅴ类及劣Ⅴ类水
体，表明太湖的治理已经刻不容缓[67]。2007 年太湖发生了爆发了大面积的蓝藻
水华，造成了严重的环境破坏及经济损失，影响周边居民身体健康及经济发展。
在蓝藻水华爆发后的六年里太湖环境虽有所改善，但水污染问题没有得到彻底的
解决，期间还是会周期性的爆发蓝藻水华[68]，想要彻底解决太湖蓝藻水华的问题
需要对太湖进行长期的监测，实时掌握太湖水质变化的情况。

图 2-1 太湖位置示意图

2.2 遥感影像数据介绍

MODIS 是中分辨率成像光谱仪的简称，搭载于 Terra 和 Aqua 卫星上，数据

9
 研究区域概况及数据预处理

可从 LAADS（https://ladsweb.modaps.eosdis.nasa.gov/）或 Earthdata 下载。获取

方便且每天过境四次，分别为上午 2:30，10:30 及下午 14:30，22:30，有较高的
时间分辨率，具有对水体实时监测的能力[50]。虽然 MODIS 有 36 个光谱波段且
光谱范围包含 0.4μm 至 14.4μm，但其中仅 1 和 2 波段达到 250m 空间分辨率，
第 3 至 7 波段空间分辨率为 500m，其余 29 个波段的空间分辨率仅为 1km。MODIS
数据虽空间分辨率不高，但其光谱分辨率及时间分辨率的优势使其广泛应用于环
境、气候、自然灾害等监测领域。本研究所提出的改进算法将应用于 MODIS 遥
感影像的 1 至 4 波段，验证大气校正精度。
本研究所采用 MOD02HKM 数据为 2013 年 5 月 12 日及 2015 年 10 月 25 日
采 集 的 500m 分 辨 率 数 据 MOD02HKM.A2013132.0220.006.2014219112739 、
MOD02HKM.A2015296.0235.006.2015296134726。MOD02HKM 为 L1B 级数据，
相较于 L1A 数据进行了定标处理，其包含的数据中除反射率外还有误差估计及
校准数据。MOD03 为地理定位文件，其中包含与其匹配的 MOD02 遥感影像经
纬度及几何参数数据集[34]，使用 Modis Swath Tool 软件包对 MOD02 数据进行几
何校正时需要 MOD03 的地理位置信息作为辅助校正数据。
MCD19A2 是 MODIS 的 AOD 产品，采用了多角度大气校正算法 MAIAC，
利用反射率数据反演得到的大气气溶胶产品[51]，包含 550nm 气溶胶光学厚度、
不确定因子、陆面水蒸气、云量信息等气溶胶参数，相较于 MOD04 等 AOD 产
品具有更高的覆盖范围及空间、时间分辨率。一景 MCD19A2 数据中包含 4 个采
样时间的数据，根据 MOD02HKM 数据的获取时间筛选出 MCD19A2 中采样时
间相近的 550nm 气溶胶光学厚度数据作为改进算法的输入参数。MCD19A2 数据
不可直接使用且其空间分辨率为 1km，因此需通过 MCTK Tool 工具对其进行重
投影和拼接，并将其调整为与 MOD02 具有相同的坐标系和空间分辨率，方可进
行后续计算。

2.3 数据预处理

2.3.1 实测光谱数据处理

2013 年及 2015 年实测水体原始反射率如图 2-2 所示。

10
 基于 6SV 模型的离水反射率提取方法改进及应用研究

（a） （b）

图 2-2 太湖水体实测反射率（a 为 2013 年数据，b 为 2015 年数据）

由于野外光谱仪的采样间隔远高于 MODIS 各通道的光谱分辨率，为了能将

反演结果与实测数据进行对比，更好的验证改进算法的精度，需要对实测数据进
行处理，以 MODIS 各通道的分辨率为基础进行重采样，对实测光谱数据采用卷
积法计算各通道对应的等效水体遥感反射率，如公式（2-1）所示：
2

 等效波长参数 
   (  ) d 
1
 （2-1）
  (  ) d 
2

其中ρ为实测遥感反射率值，Γ为各波段光谱响应函数，λ1、λ2 分别为各波段
的起始波长与终止波长。

2.3.2 MODIS 影像预处理

卫星的运行过程、传感器的位置及地球自转等都会使获取的影像产生几何畸
变，因此在使用遥感数据进行计算前需对其进行几何处理。数据供应商在提供遥
感影像前会对其进行几何粗校正，但不同用户对遥感影像的使用需求不同，因此
还需通过几何精校正使其达到用户的使用要求。几何校正是通过数学模型近似模
拟遥感影像的变形过程，在参考图像与待校正图像间建立点对关系，构建数学表
达式，完成几何校正。
本文采用 ENVI 中的 MCTK Tool 工具对 MOD02HKM 及 MCD19A2 数据进
行几何校正。MCTK 是专门用于 MODIS 系列产品的预处理，由 MODIS 官方发
布，包含地理校正、波段提取和辐射定标等功能。图 2-3 为 MCTK 工具的设置
面 板 ， 界 面 左 侧 为 数 据 输 入 及 显 示 模 块 ， 通 过 Intput HDF 选 择 待 处 理 的
MOD02HKM 及 MCD19A2 文件，选择 Projected : Rigorous georeferencing 可进行
地理配准；界面中间为待校正数据所包含的数据集，图中为 MOD02HKM 数据

11
 研究区域概况及数据预处理

的数据集，包含 500m 空间分辨率的 1-7 波段，其中 1 和 2 波段为 250m 空间分

辨率的数据重采样而成，MCD19A2 数据包含 470nm 和 550nm 处的气溶胶光学
厚度，根据本文研究选择对 550nm 气溶胶光学厚度进行几何校正；右侧设置重
采样方式及投影信息；最后在左侧输出数据的名称及存储位置完成几何校正。

图 2-3 MCTK 设置面板

图 2-4 为 MCTK 处理前后 MOD02HKM 及 MCD19A2 遥感影像对比，通过

目视即可看出遥感影像有明显变化，更符合地物分布特征。从图中可看出
MOD02HKM 处理后遥感影像包含云量较多，但所研究的太湖区域位于影像左下
角，无明显云团，可用以本文研究。MCD19A2 数据并不涵盖全部影像范围，因
此在前文筛选采样时间相近的数据集情况下，对数据整体进行均值计算，将计算
所得结果作为改进算法的 550nm 气溶胶光学厚度输入参数。

12
 基于 6SV 模型的离水反射率提取方法改进及应用研究

（a） （b）

（c） （d）
图 2-4 MCTK 处理前后遥感影像图（a、b 分为 MOD02HKM 处理前及处理后遥感影像图，
c、d 分为 MCD19A2 处理前及处理后遥感影像图）

13
 基于辐射传输模型大气校正算法改进

第三章 基于辐射传输模型大气校正算法改进

3.1 水色遥感大气校正基本原理

太阳光经过大气进入水体再返回到达传感器的过程如图 3-1 所示。

图 3-1 大气辐射传输过程

传感器接收到的总信号 Lt 由以下几部分组成[69]如式（3-1）：

Lm  Lr  La  Lra  TLg  tLwc  Tv Lw ' （3-1）

其中，Lm 为传感器接收到的信号，Lr 为大气分子的 Rayleigh 散射辐亮度，

La 为气溶胶散射辐亮度，Lra 为 Rayleigh 与气溶胶间的多次散射辐亮度，Lg 和 Lwc
分别为太阳耀斑和白帽信号，Lw’是水体辐亮度，T 为大气直射透过率，t 为大气
漫射透射率，Tv 为大气上行透过率。
本次研究的数据中不存在突变值，因此可忽略太阳耀斑的影响。白帽反射辐
射是由于海浪破碎生成白冠而产生的贡献，有研究[70]表明白帽反射率与风速有着
密切的关系，当风速低于 4m/s 时，白帽反射辐射为 0；当风速介于 4m/s 到 7m/s
之间时，其值较小，数量级为 10-4，远小于反射率的数量级 10-2，白帽辐射对总
辐射影响程度较小，故白帽反射贡献 Lwc 可忽略不计。因此在不考虑太阳耀斑和
白帽散射的影响下，卫星接收到的总信号为式（3-2）：

14
 基于 6SV 模型的离水反射率提取方法改进及应用研究

Lm  Lr  La  Lra  Tv Lw ' （3-2）

大气漫射透射率 t 受到大气中气溶胶和气体分子等的影响，可以通过下式
（3-3）进行计算：

t  exp[ ( r / 2   oz ) / cos  v ] （3-3）

其中，τr 为大气瑞利散射光学厚度，τoz 为臭氧光学厚度，θv 为卫星观测角。

瑞利散射 Lr 与卫星观测几何、瑞利散射光学厚度、大气层外太阳辐射等有
关，并且瑞利散射占传感器接受到总信号比重较大，因此瑞利散射的计算精度对
大气校正结果有着直接的影响，瑞利散射一般采用单次散射的近似值，不考虑多
次散射影响[71]，单次瑞利散射 LR 可用下式（3-4）计算：

Lr  F0 ( ) * Toz * r ( ) * [Pr (  )  (  (  s )   (  v )) Pr(  )]/4 （3-4）

在这个式子中 F0 为大气层外太阳辐照度，不同波长其辐照度不同，其值大
小随着日地距离的变化而改变[72]，可通过查找表获取[73]。Toz 代表经过臭氧校正
的大气透过率。μs 和μv 分别代表卫星天顶角和太阳天顶角的余弦值。Pr（α↑）、
Pr（α↓）分别代表入射光和反射光的瑞利散射相位函数[74]。Ρ（μ）为菲涅尔反射
率。
去除瑞利散射的影响后便是气溶胶散射的计算如式（3-5）：

 TOA   a  Tv  w （3-5）

气溶胶散射与瑞利散射相同，只考虑单次散射，目前对于气溶胶散射的计算
常使用 Gordon 提出的暗像元算法[21]，基于在一定区域内气溶胶波长指数不变的
特点，定义一个大气校正参数ε来辅助计算，如式（3-6）所示：
n
 ( )  ( ) ( ) P ( ,  0 , i )  a (i )  i 
 (i ,  j )  a i  a i a i a   （3-6）
 a ( j ) a ( j ) a ( j ) Pa ( ,  0 ,  j )  a ( j )   j 

Wang & Gordon[21]于 1994 年提出了另一种大气校正参数的计算方法，通过

大量的气溶胶模拟数据，得到了一个更能表达大气校正参数与波长关系的表达式
（3-7）：
 (i )
 (i ,  j )   exp[C ( j  i )] （3-7）
 ( j )
公式（3-7）中的 C 与公式（3-6）中的 n 相似，在相同气溶胶模型下其值为
常数。λi 与λj 选取离水反射率近乎 0 的波段，利用公式（3-7）计算出 C，固定λj
波段，将λi 替换为可见光波段，计算其气溶胶反射率，从公式（3-5）中剔除气
溶胶反射率，所得结果即为各个波段的离水反射率。

15
 基于辐射传输模型大气校正算法改进

3.2 算法改进

图 3-2 还列出了表观辐亮度各部分组成的计算公式。由图可知，Lr、La 和 Lra

统称为大气程辐射 Lp（式 3-10），可由公式（3-11）计算得到。水体辐亮度 Lw’
由 Lspec 和 Lw 两部分组成（式 3-9），其中 Lspec 为下行天空光 Lsky 引起的水气镜
面反射辐亮度（如图 3-1 所示），不包含水体内部信息。我们要得到离水反射率
ρw，需首先精确计算出离水辐亮度 Lw（式 3-12），因此需将 Lp、Lspec 从总信号
中剔除。相对于传统大气校正仅剔除 Lp，本研究算法将 Lspec 也反演得到，并从
总信号中剔除，从而提高离水反射率提取精度。

图 3-2 离水反射率反演模型
（图中公式 3-11 中ρp 为大气程辐射反射率，μs 为太阳天顶角θs 的余弦值，
Es 为太阳入射总辐射能；公式 3-12 中ρw 为离水反射率，d 为日地相对距离，可近似设为 1）

Lspec 可通过式（3-13）和（3-14）计算获得：

Lspec  Lsky  r ( v )  exp( / cos v ) （3-13）

Lsky  s EsT ( S ) /  (1   t S )
（3-14）
式中，r（θv）为菲涅尔系数，与卫星天顶角θv 相关，可通过查找表获取；τ
为 550nm 处气溶胶光学厚度，可通过 MCD19A2 数据获取；T（θs）为大气下行
透过率；S 为大气后向半球反照率。
综上，从 Lm 中剔除 Lp 和 Lspec，再提取离水反射率所需的参数包括ρp、ρt、
Es、S、T（θs）、T（θv）等，这些参数都可基于 6SV 模型输出结果推断反演得
到。

16
 基于 6SV 模型的离水反射率提取方法改进及应用研究

3.3 基于 6SV 模型的参数提取

3.3.1 6SV 模型介绍

6SV 模型是在 5S 模型的基础上发展而来，虽然 6SV 辐射传输模型的校正精

度略低于 MODTRAN 模型，但其校正效率高且使用便捷，因此常用于各种遥感
影像的大气校正。6SV 辐射传输模型的计算过程可用下式（3-15）进行表示：

TOA ( s , v , v )  tg ( s , v ) a ( s , v , v ) 
T ( s )
1  t S

 t e  / cos(v )   t t d ( v )  （3-15）
式中，ρTOA（θs，θv，Φv）为大气顶部反射率，θs，θv，Φv 分别对应太阳天
顶角、观测天顶角及观测方位角；tg（θs，θv）为 6SV 辐射传输模型根据其内置
数据计算出的与大气气体吸收相关的大气透过率；ρa（θs，θv，Φv）代表由大气
成分引起的包含瑞利散射、气溶胶散射及两者间多次散射在内的大气程辐射；S
为大气得球面反射率；T（θs）为下行总透过率；ρt 为地表反射率；e-τ/cos（θv）为大
气上行直射透过率；τ为气溶胶光学厚度；td（θv）大气上行漫射透过率。
虽然 6SV 的计算公式中未知参数较多，且部分参数获取难度较大，但 6SV
模型并不需要用户逐项获取这些参数，只需提供待校正影像的几何条件、气溶胶
光学厚度、目标高度、光谱波段等基础信息即可进行大气校正。此外，6SV 模型
还具有较高的自由度，模型内置多种传感器的波段参数，能广泛应用于不同研究
区。对于新的传感器，用户可自行输入新传感器的波段范围及响应函数。6SV 模
型内自带多种标准大气模型，用户可根据不同研究区的情况进行选择，也可以通
过输入观测几何、550nm 气溶胶光学厚度、大气模式、传感器高度等模型参数自
定义大气模型。模型中还提供了正算与反算两种计算方式，正算即利用地表反射
率和大气参数计算出传感器应接受到的辐亮度只，反算则是利用用户给定的传感
器辐亮度及大气参数计算出大气的光学参数，再结合传感器接收值反算出地表反
射率，即大气校正过程。6SV 模型大气校正的计算公式（3-16）、（3-17）如下：

 t  Y /(1  xc * Y ) （3-16）

其中：

Y  xa * Lm  xb （3-17）

xa、xb、xc 均为 6SV 模型输出的大气校正参数。

6SV 辐射传输模型的固定输入参数包括几何条件、大气模式、气溶胶类型、
气溶胶光学厚度等，以下是对各参数的介绍：

17
 基于辐射传输模型大气校正算法改进

（1）几何参数
几何参数为卫星传感器运行过程中，卫星、太阳及目标地物间的角度关系，
包含太阳天顶角、卫星天顶角、太阳方位角、卫星天顶角和遥感影像成像时间。
6SV 模型进行虽内置部分传感器的几何参数，但所含种类较少，因此多由用户自
行输入传感器的几何参数，几何参数可从遥感影像的元数据中获得；
（2）大气模式
6SV 模型适用范围广便是由于其内置了许多大气模型，包含中纬度夏季、中
纬度冬季、无大气吸收、热带大气、亚北极地区夏季、亚北极地区冬季及美国标
准大气（62 年）在内的七种大气模式。国内学者使用较多的为中纬度夏季和中
纬度冬季两种大气模式。此外，用户还可根据自身需求自定义大气模式，根据研
究区的实际情况需输入海拔、气压、温度、水汽密度、臭氧密度等数据。
（3）气溶胶类型
6SV 模型中内置 6 种气溶胶模式，分别为大陆型气溶胶、海洋型气溶胶、城
市型气溶胶、沙漠型气溶胶、生物质燃烧型气溶胶以及平流层模式气溶胶。其中
后两种气溶胶类型在国内使用较少。模型内置气溶胶为标准气溶胶模式，无法包
含所有气溶胶类型，因此用户可通过两种方式自定义气溶胶类型进行大气校正：
通过输入灰尘、水溶型、海洋型、烟灰四种粒子在大气中的体积占比或输入粒子
半径、粒径分布及复折射指数的实部和虚部来定义研究区域的气溶胶类型。
（4）气溶胶含量
气溶胶含量的参数有两种形式，可输入 550nm 处气溶胶光学厚度（Aerosol
Optical Depth 550nm，AOD（550nm））或气象参数能见度，两者无本质区别，
可通过公式相互转换。为了保证大气校正的准确性，本研究直接输入 550nm 处
气溶胶光学厚度 AOD（550nm）。
（5）目标高度
目标高度即所研究区域的海拔，单位为千米。本文以太湖为研究区域，因此
输入太湖区域的平均海拔，约为 0.003 千米。
（6）传感器高度
6SV 模型内含三种传感器高度，分别对应三种观测类型：地面观测、飞机观
测和卫星观测。其中飞机观测需输入飞机相对于目标的高度。此外，飞行观测的
高度影响气溶胶模型的建立，还需根据情况输入飞机与地面间的水汽、臭氧含量
和 550nm 处气溶胶光学厚度等数据。本研究以 Terra 和 Aqua 卫星的 MODIS 数
据为研究对象，因此传感器参数设置为-1000。
（7）光谱条件
6SV 模型内部存储了 70 个卫星通道的光谱响应函数，包含 METEOSAT、
LANDSAT5、SPOT1、NOAA 等卫星以及 MODIS、POLDER、ASTER 等卫星传

18
 基于 6SV 模型的离水反射率提取方法改进及应用研究

感器，光谱波段涵盖 0.25μm-4μm，对于模型内未包含的遥感传感器光谱响应函
数，用户可自行输入，但需将光谱响应函数的步长差值为 0.0025μm 间隔。本研
究以 MODIS 数据为研究对象，因此选用 MODIS band1-band4 的光谱响应函数，
图 3-3 为 MODIS 传感器光谱响应函数，曲线上方数字代表其对应波段。

λ
图 3-3 MODIS 传感器光谱响应函数

（8）地表反射类型
6SV 模型提供两种地表反射率类型，分别为均一地表和非均一地表。其中均
一地表又分为有方向效应和无方向效应两种类型；非均一地表则提供 hapke
model、verstraete Model、Roujean Model、walthall Model、minnaert model 等九种
地表反射率类型，不同地表类型需用户输入不同参数。

3.3.2 基于 6SV 模型的参数提取模型

对于均一的朗伯体而言，卫星传感器记录的表观反射率ρTOA 可通过式（3-18）
计算得出[75]：

 TOA ( s , v,  a )   p ( s ,  v ,  a )   tT ( s )T ( v ) /(1   t S ) （3-18）

式中，φa 为相对方位角，其值为太阳方位角与卫星方位角的差值；T（θv）
为大气上行透过率。将公式（3-18）与 3.3 中的公式（3-16）、（3-17）联立方
程组推导后可获得大气校正参数的参数表达式，如式（3-19）-（3-21）所示：

xa  TOA / Lm  T (s )T (v ) （3-19）

xb  p / T (s )T (v ) （3-20）

19
 基于辐射传输模型大气校正算法改进

xc  S （3-21）

除式（3-18）外，ρTOA 还可定义为卫星传感器接受的光谱辐亮度与大气顶层
太阳辐亮度的比值[76]，公式如（3-22）所示：

 TOA  Lm d 2 / Es cos  s （3-22）

将式（3-22）代入（3-19），可得到大气校正参数 xa 的参数表达式为：

xa  d 2 / T ( s )T ( v ) Es cos  s （3-23）

由式（3-20）,（3-21）可知，计算ρp、S 所需的大气参数包括大气校正参数
xb、xc，以及大气上下行透过率 T（θs）和 T（θv）。这些大气参数和太阳入射
总辐射能 Es 均可基于 6SV 模型构建的查找表查找获得。而地表反射率ρt 可再获
取以上参数后利用式（3-23）,（3-16）,（(3-17）反演得到。至此，离水反射率
提取所需各参数都可获取。

3.4 6SV 辐射传输模型查找表建立

3.4.1 6SV 模型输入参数敏感性分析

6SV 辐射传输模型需要用户输入待校正影像的几何参数及气溶胶光学厚度
等数据。遥感影像每一像元的几何参数都不相同，逐像元使用 6SV 模型将耗费
大量时间，因此常根据几何与气溶胶条件建立查找表，通过插值方法获得大气校
正系数进行地表反射率的计算。查找表的精度很大程度上决定大气校正的精度，
而模型输入参数决定查找表的建立，本节利用控制变量法对大气校正系数与输入
参数间的敏感性进行分析，确定影响因子及响应机制。
（1）几何参数
几何参数包含太阳天顶角（Solar Zenith Angle，SZA）、观测天顶角（Satellite
Zenith Angle，VZA）、相对方位角（Relative Azimuth Angel，RAA）和采样月份
（Month），根据本研究需要将几何参数如表 3-1 中所示进行设置。当太阳天顶
角 SZA、卫星天顶角 VZA、相对方位角 RAA 为非自变量时，设置为 45°，采
样月份设置为 5，光谱条件设置为 MODIS_band1。通过 Python 编程调用 6SV 程
序，分别生成太阳天顶角、卫星天顶角、相对方位角、成像时间与大气校正系数、
大气上下行透过率的查找表，并生成点线图，如图 3-3 所示。
从图 3-3 中可以看出，大气校正系数 xa、xb 随着 SZA 或 VZA 的增大而增
大，而大气校正系数 xc 不受天顶角变化的影响，在该参数设置下始终为 0.1014。
大气上、下行透过率分别受 VZA 和 SZA 的影响，总体呈下降趋势，表 3-2、3-3

20
 基于 6SV 模型的离水反射率提取方法改进及应用研究

展示了几何参数与大气透过率的查找表，通过对比数据可知大气上、下行透过率
虽影响因子略有不同，但具有相同的变化趋势，因此在后续优化过程中可建立相
同的查找表用于两者的反演。xb 随着 RAA 的增加，先减小后增大，而 xa、xc
不受相对方位角的影响。成像时间仅影响 xa。综上所述，像元的几何参数对大
气校正的精度影响较大，是构建查找表的关键参数。
表 3-1 几何参数敏感性分析参数设置
6SV 模型参数 参数设置
SZA 0°~ 80°，步长 5°
VZA 0°~ 60°，步长 5°
RAA 0°~ 180°，步长 10°
Month 1-12
大气模式 中纬度夏季
气溶胶类型 大陆性气溶胶
AOD（550nm） 0.3
目标高度(km) 0.003
光谱条件 MODIS_B1
地表特性 无方向效应，均匀地表

表 3-2 大气透过率与太阳天顶角的查找表
SZA/° 大气下行透过率 Ts 大气上行透过率 Tv
0 0.9214 0.8784
5 0.9210 0.8784
10 0.9198 0.8784
15 0.9178 0.8784
20 0.9149 0.8784
25 0.9108 0.8784
30 0.9055 0.8784
35 0.8987 0.8784
40 0.8898 0.8784
45 0.8784 0.8784
50 0.8637 0.8784
55 0.8444 0.8784
60 0.8187 0.8784
65 0.7838 0.8784
70 0.7354 0.8784
75 0.6664 0.8784
80 0.5667 0.8784

21
 基于辐射传输模型大气校正算法改进

表 3-3 大气透过率与卫星天顶角的查找表
VZA/° 大气下行透过率 Ts 大气上行透过率 Tv
0 0.8784 0.9214
5 0.8784 0.9210
10 0.8784 0.9198
15 0.8784 0.9178
20 0.8784 0.9149
25 0.8784 0.9108
30 0.8784 0.9055
35 0.8784 0.8987
40 0.8784 0.8898
45 0.8784 0.8784
50 0.8784 0.8637
55 0.8784 0.8444
60 0.8784 0.8187

22
 基于 6SV 模型的离水反射率提取方法改进及应用研究

图 3-4 几何参数敏感性分析

（2）气溶胶含量
气溶胶含量是 6SV 模型中非常重要的输入参量之一，用户可直接输入 AOD
（550nm）。若没有气溶胶数据，也可输入气象数据能见度，6SV 模型会将其转
换成 AOD（550nm）。气溶胶含量参数敏感性分析参数设置如表 3-4 所示。基于
查找表建立点线图，如图 3-5 所示。从图 3-5（a）中可以看出大气校正系数与气

23
 基于辐射传输模型大气校正算法改进

溶胶含量呈正相关，其中大气校正系数 xb 的变化幅度最大，因此气溶胶含量的
变化直接影响大气校正结果。大气透过率与气溶胶含量呈负相关，大气中气溶胶
含量越多，则大气透过率越低。图 3-5（b）中大气上、下性透过率共线，因此仅
需建立一个查找表即可获取两个系数。
表 3-4 气溶胶含量敏感性分析参数设置
6SV 模型参数 参数设置

SZA 45°
VZA 45°
RAA 45°
Month 5
大气模式 中纬度夏季
气溶胶类型 大陆性气溶胶
AOD（550nm） 0~1.6，步长 0.05
目标高度(km) 0.003
光谱条件 MODIS_B1
地表特性 无方向效应，均匀地表

（a） （b）

图 3-5 气溶胶含量敏感性分析

（3）光谱条件
光谱条件为传感器不同波段的响应函数，根据本研究需要对 MODIS_band1
至 MODIS_band4 进行敏感性分析，参数设置如表 3-5 所示，点线图如图 3-6 所
示。从图中可以看出，光谱条件的改变会影响大气校正系数的输出结果，因此在
建立查找表时需根据光谱条件建立不同的查找表。

24
 基于 6SV 模型的离水反射率提取方法改进及应用研究

表 3-5 光谱条件敏感性分析参数设置
6SV 模型参数 参数设置
SZA 45°
VZA 45°
RAA 45°
Month 5
大气模式 中纬度夏季
气溶胶类型 大陆性气溶胶
AOD（550nm） 0.3
目标高度(km) 0.003
MODIS_B1，MODIS_B2
光谱条件
MODIS_B3，MODIS_B4
地表特性 无方向效应，均匀地表

图 3-6 光谱条件敏感性分析

（4）6SV 模型输入参数敏感性分析总结
大气校正系数 xa、xb 的共同影响因子为太阳天顶角、卫星天顶角、气溶胶
含量及光谱条件，此外大气校正系数 xa、xb 还分别受到成像时间及相对方位角
的影响；大气校正系数 xc 的影响因子只有气溶胶含量与光谱条件；大气上、下
行透过率分别受到卫星天顶角和太阳天顶角的影响，且随光谱条件的改变而改
变，两者变化趋势相同，在建立查找表时可合并处理。

25
 基于辐射传输模型大气校正算法改进

3.4.2 查找表优化

传统查找表通过设置的步长生成固定参数的查找表，再根据输入的离散参数
集查找并线性内插获取相关模型参数，这必然导致插值误差。通过敏感性分析可
知，大气校正参数的变化曲线是光滑且具有单调性的，因此，可使用多项式拟合
法优化查找表。
本文采用皮尔逊相关系数用于判断影响因子与大气校正参数间的关联程度，
计算公式如（3-24）所示：

 x  x y 
n

i i y
R i 1
（3-24）
 x  x   y 
n n
2 2
i  i y
i 1 i 1

式中，x 和y 表示向量组 X 和 Y 的平均值，xi 和 yi 表示样本值，n 为样本

个数，R 代表相关系数，其绝对值越接近 1 表示两个向量组具有较强的相关关系，
构建的线性模型精度更高，绝对值越接近 0 则表示两者相关性越弱。
从输入参数敏感性分析结果可知，大气校正参数 xa 的影响因子包含光谱条
件、成像时间 Month、太阳天顶角 SZA、卫星天顶角 VZA 与 550nm 气溶胶含量
AOD（550nm），影响因子较多，且成像时间与光谱条件均为离散数值，大大增
加了查找表的难度，因此对大气校正参数 xa 进行优化。3.3.2 中给出了大气校正
参数 xa 的计算公式，本文将大气校正参数 xa 的查找表转化为太阳入射总辐射能
Es 的查找表，Es 的影响因子仅为成像时间，易于构建，可通过公式（3-23）转
化为大气校正参数 xa，节省大量建表时间，有效提高查找效率。成像时间为离
散数据，且通过皮尔逊相关性分析可知 Es 与采样月份间的相关性系数低于 0.1，
表明二者线性关系较差无法进行拟合，因此不对其进行优化，仅使用 6SV 模型
生成各波段的 Es 查找表。
由图（3-4）、（3-5）可知，大气校正参数 xc 的影响因子仅为 AOD（550nm），
通过皮尔逊相关分析（附录 A 表 A1）发现 AOD（550nm）与 xc 的相关性系数
在蓝、绿、红和近红 4 个波段分别高达 0.975、0.978、0.979 和 0.982，且 4 个波
段的显著性 P 值均小于 0.001。表明 xc 与 AOD（550nm）间具有较强的线性相
关性，因此可利用多项式拟合法优化 xc 的查找表，将 AOD（550nm）作为自变
量分别构建各波段的 xc 反演函数。
大气校正参数 xb、Ts、Tv 的影响因子并不唯一，在使用多项式拟合法优化
查找表前需对影响因子进行筛选，选出相关性最高的影响因子作为多项式拟合的
自变量。通过皮尔逊相关分析发现，大气校正参数 xb、Ts、Tv 均与 AOD（550nm）
的相关性系数最高且相关系数均超过 0.98，因此本文将 AOD（550nm）作为多
项式拟合的自变量，用以优化 xb、Ts 及 Tv 的查找表。

26
 基于 6SV 模型的离水反射率提取方法改进及应用研究

大气校正参数 xc 的影响因子唯一，因此针对同一光谱条件，其多项式拟合
系数固定。但大气校正参数 xb、Ts、Tv 的影响因子不唯一，SZA、VZA 与相对
方位角 RRA 以的变化都会改变多项式拟合系数，为了保证拟合系数的准确性，
需针对不同的几何条件建立多项式拟合系数查找表。下面以影响因子最多的 xb
为例，介绍查找表的建立过程。
根据敏感性分析结果可知，各波段大气校正参数 xb 的影响因子包含 SZA、
VZA、RAA 以及 AOD（550nm）。其中 SZA、VZA 及 RAA 的相关性系数低于
AOD（550nm），因此作为多项式拟合查找表的查找条件，通过逐一改变 SZA、
VZA 及 RAA 的方式，生成 xb 的四维查找表，每个表中存储 xb 与 AOD（550nm）
间的对应关系，模型输入参数及步长如表 3-6 所示。利用 Origin 软件逐一对表中
的 xb 与 AOD（550nm）的对应关系进行多项式拟合，通过比较决定系数 R2 和计
算量，最终选择 3 阶多项式进行拟合优化，表中存储多项式拟合系数。
相较于传统查找表，优化后的查找表减少了 AOD（550nm）的查找过程，
将原先的四维查找表优化为三维查找表，缩短了查找时间，提高查找效率。并且
基于多项式拟合查找表获取的大气校正系数较传统方法具有更高的反演精度。部
分查找表展示见附录 B。
表 3-6 相关性分析参数设置
6SV 模型参数 参数设置
SZA 0°~ 80°，步长 5°
VZA 0°~ 60°，步长 5°
RAA 0°~ 180°，步长 10°
Month 5
大气模式 中纬度夏季
气溶胶类型 大陆性气溶胶
AOD（550nm） 0~1.6，步长 0.05
目标高度(km) 0.003
MODIS_B1，MODIS_B2
光谱条件
MODIS_B3，MODIS_B4
地表特性 无方向效应，均匀地表

3.4.3 多项式拟合精度验证方法

（1）多项式拟合查找表精度验证
为了验证查找表中多项式拟合函数模拟精度，输入验证参数集(表 3-7)，对
6SV 模型直接模拟结果与多项式拟合查找表计算结果的差异进行对比。通过计算
两者的相对误差（RE）来验证优化后查找表的拟合精度，RE 的计算方法如式 3-25

27
 基于辐射传输模型大气校正算法改进

所示。
Lcal - Lmea
RE   100% （3-25）
Lmea
式中，Lcal 为多项式拟合查找表查找结果，Lmea 为 6SV 模型输出结果。
表 3-7 多项式拟合法实验组参数设置
6SV 模型参数 参数设置

SZA 50°
VZA 50°
RAA 60°
Month 10
大气模式 中纬度冬季
气溶胶类型 大陆性气溶胶
AOD（550nm） 0 ~ 1.6，步长 0.1
目标高度(km) 0.03
MODIS_B1，MODIS_B2
光谱条件
MODIS_B3，MODIS_B4
地表特性 无方向效应，均匀地表

3.4.4 多项式拟合精度验证结果

图 3-7 为实验组数据通过多项式拟合查找表计算的大气校正系数与 6SV 模

型拟合结果间的相对误差。由图可知利用多项式拟合法获取的大气参数，其与原
模型的相对误差都在 3%以内，其中相对误差最大的参数是 xb，RE 范围为
0-0.037，Ts 和 Tv 的相对误差最小，仅为 0-0.001。由此可见，多项式拟合法可有
效模拟大气参数，能够保证高精度、高效率的参数反演。

28
 基于 6SV 模型的离水反射率提取方法改进及应用研究

（a） （b）

（c） （d）

图 3-7 多项式拟合法与 6SV 模型模拟结果相对误差结果

（a，b，c，d 分别为大气校正系数 xb、xc，大气上、下行透过率）

3.5 章节小结

本章对水色遥感的大气校正原理进行介绍，并在此基础上介绍了改进算法的
思路、计算公式以及流程。基于 6SV 模型提取相关大气校正参数，首先对 6SV
模型的输入参数的敏感性进行分析，明确了每一个大气校正参数的来源，之后针
对 6SV 模型查找表存在的问题提出多项式拟合的优化方法，最后验证了优化后
查找表的精度。验证结果表明，多项式拟合查找表具有较高的模拟精度，与原始
的 6SV 模型查找结果的相对误差不超过 3%，并且相较于传统的大气校正参数查
找表，优化后的查找表节约了 AOD（550nm）的查找过程，提高了查找表的效
率。

29
 基于改进算法的离水反射率反演和评估

第四章 基于改进算法的离水反射率反演和评估

4.1 算法反演和评估方法

4.1.1 采样点筛选

本研究于 2013 年 5 月 12 日及 2015 年 10 月 23 日对太湖地区进行了野外采

样，采样项目包括云量、风向、叶绿素 a 浓度、总悬浮浓度、遥感反射率等。采
样点分布如图 4-1 绿点及蓝点所示。2013、2015 年分别有 35、53 个采样点，对
这些采样点进行筛选，由于 MODIS 遥感影像的空间分辨率为 500m，因此某些
靠近岸边的采样点在遥感影像中并不属于水体，这些采样点所在的像元的地物类
型为土地，在近红外波段地面反射率与水体反射率完全不同，因此在后续验证过
程中需去除这部分采样点。并且在实际测量过程中，会因人工操作而产生误差，
导致数据出现过高或负数等异常情况，在筛选过程中同样将这部分采样点去除，
避免影响后续算法精度的比对。从图 4-1 中可以看出。最终 2013 年选取 17 个有
效采样点，2015 年选取 26 个有效采样点，有效采样点分布如图中蓝点所示。

图 4-1 太湖实测点分布图

4.1.2 对比算法

本研究选择原始 6SV 模型，FLAASH 模型和 SWIR 算法作为对比算法，用

于离水反射率提取，算法实现过程概述如下。

30
 基于 6SV 模型的离水反射率提取方法改进及应用研究

1）6SV 模型
为了提高反演速率，首先裁剪出两景遥感影像中太湖水体对应的几何参数影
像，将其作为 6SV 模型的几何输入参数，通过循环调用 6SV 的方式计算出每一
个像元的大气校正参数 xa、xb、xc。再裁剪出辐射定标后的太湖水体遥感影像，
将其作为公式（3-17）中 Lm 的输入数据，结合逐像元获取的 xa、xb、xc，通过
公式（3-16）、（3-17）完成离水反射率计算。
2）FLAASH 模型
本研究使用 ENVI 软件中的 FLAASH 模型对 MODIS 遥感影像进行 FLAASH
大气校正。利用 MCTK 软件对 MOD02HKM 数据进行几何校正、辐射定标及投
影转换，再将数据存储类型转为 BIL/BIP。预处理后的 MOD02HKM 即可作为
FLAASH 校正模块的输入数据，再在交互界面中根据实际情况设置参数完成大
气校正。
3）SWIR 算法
本文选用 MOD02HKM 的第 5 波段（1230nm-1250nm，band5）和第 6 波段
（1628nm-1652nm，band6）对第 1 至 4 波段（band1-4）进行 SWIR 大气校正。
首先对 MOD02HKM band5 和 band6 的遥感影像进行瑞利散射校正，再从校正后
的两景遥感影像中各提取出 5%个左右的反射率较小的像元，并筛选出两景影像
中的重叠点。将其作为公式（4-1）的ρa(λ)的输入参数计算出ε(λband5，λband6)后，
对结果取均值。式（4-1）为经验模型，因此 C 不具有实际物理意义，且对于同
一气溶胶模型 C 值不变。之后固定 band6，利用 band1-4 代替式（4-1）中的 band5，
得到 band1-4 的气溶胶散射反射率ρa，最后通过式（3-5）求出离水反射率。
 a (band 5 )
 (band 5 , band 6 )   exp[C (band 6  band 5 )] （4-1）
 a (band 6 )

4.1.3 大气校正算法精度评价方法

为评价算法在不同时相影像的表现，本研究将改进算法和对比算法用于
2013 年和 2015 年两期研究区 MODIS 影像的离水反射率提取。通过与同期地面
采集离水反射率数据对比，来评价不同算法反演精度。
采用的精度评价指标包括平均比率 MR、均方根误差 RMSE 以及平均相对误
差 MRE，这三个评价指标的计算公式如下：

MR  (i 1 ( Rcal ,i / Rmea ,i )) / N

N
（4-2）


N
RMSE  i 1
( Rcal ,i  Rmea ,i ) 2 / N （4-3）

31
 基于改进算法的离水反射率反演和评估

MRE  RMSE / R mea *100 % （4-4）

其中，Rcal,i 为各算法反演得到的 Rrs（λ），Rmea,i 为实际测量获得的 Rrs（λ），

N 代表采样点个数，Rmea 为实测 Rrs（λ）的平均值。

4.2 基于 2013 年数据的反演精度对比

为了验证改进算法的精度，本文分别采用改进算法、6SV 模型、FLAASH
模型和 SWIR 算法对太湖研究区 2013 年及 2015 年的两景遥感影像进行大气校
正，并且将反演结果与实际测量数据进行比对。
通过各算法在 17 个样点上反演结果的平均值与实测平均值对比发现（图
4-2，纵坐标为采样点离水反射率均值ρwm），四种算法中，改进算法在各波段
的反演结果最接近于实测值。FLAASH 算法在各波段上反演结果平均值都明显
高于实测值，且在蓝波段（460nm）的误差值最大。SWIR 算法在 460nm 和近红
外波段（847nm）高于实测值，绿波段（550nm）、红波段（658nm）小于实测
值。改进算法的反演结果优于原始 6SV 模型，由此可见改进算法中水气镜面反
射的剔除可有效提高离水反射率反演精度。

图 4-2 四种模型反演 2013 年太湖ρw 均值与实测值均值对比

四种算法反演结果与实测离水反射率的散点图如图 4-3 所示，表 4-1 还展示

了各算法的平均比率 MR、均方根误差 RMSE 以及平均相对误差 MRE，进一步
定量地评价了各算法对离水反射率的反演精度，表中加粗数值表明该数值为该组
值中的最优数值。
从表 4-1 中可知，改进算法在各波段的误差均最小，其中误差最大的为 847nm

32
 基于 6SV 模型的离水反射率提取方法改进及应用研究

处，MRE 接近 50%，这或许是由于水体在 847nm 处的反射率信号非常小造成的。

FLAASH 算法在各波段上反演精度均最低，结合图 4-2、4-3 可知，该算法的反
演结果为四种算法中最低的。通过对比图 4-3 和表 4-1 的数据发现，虽然在 460nm、
847nm 处 6SV 模型反演精度低于 SWIR 算法，但改进算法在这两个波段的反演
精度高于 SWIR 算法，表明水气镜面反射的去除可有效提高离水反射率的反演精
度。

图 4-3 2013 年太湖研究区不同算法反演ρw 与实测ρw 对比

（图中横轴为实测离水反射率，纵轴为各模型反演离水反射率，实线为两组数据间 1：1 的
关系线，虚线为±15%的误差线，散点落入误差线内的数量越多，表明模型反演精度越高，
各图左上角为所采用的反演模型以及采样点的个数）

33
 基于改进算法的离水反射率反演和评估

表 4-1 四种模型反演 2013 年太湖研究区ρw 的精度评价

方法 460nm 550nm 658nm 847nm

改进算法 0.9699 1.0101 1.0413 1.1276

6S 1.2195 1.0317 1.0905 2.1195
MR
SWIR 1.1611 0.9451 0.9468 1.7494
FLAASH 1.8704 1.2647 1.2641 2.5277
改进算法 0.0096 0.0115 0.0129 0.0086
6S 0.0173 0.0117 0.0133 0.0191
RMSE(sr-1)
SWIR 0.0137 0.0143 0.0142 0.0154
FLAASH 0.0639 0.0314 0.0242 0.0260
改进算法 12.58 9.55 13.83 49.57

6S 22.72 9.67 14.31 110.09

MRE（%）
SWIR 15.72 12.71 16.49 54.62

FLAASH 83.69 25.99 25.96 149.83

4.3 基于 2015 年数据的反演精度对比

通过各算法在 26 个样点上反演结果的平均值与实测平均值对比发现（图
4-4），四种算法中，改进算法在 550nm、658nm 处的反演结果最接近于实测值，
在近红外波段的反演结果与 SWIR 算法相近。FLAASH 算法在各波段上反演结
果平均值都明显高于实测值，且在 460nm 处的误差值最大。SWIR 算法在 460nm
处的反演结果最接近于实测值，在 550nm、658nm 处远小于实测值。对比改进算
法与原始 6SV 模型的反演结果同样可知，水气镜面反射的剔除可有效提高离水
反射率反演精度。
图 4-5、表 4-2 展示了四种算法对 2015 采样点数据的反演精度分析。从表中
可知，改进算法在 550nm、658nm 处的误差是四种算法中最小。在 460nm、847nm
处，虽然改进算法相较于 6SV 模型，其反演精度有所提高，但相较于 SWIR 算
法其反演精度略低。结合图 4-4、4-5 可知，虽然改进算法在 460nm、847nm 处
的反演精度低于 SWIR 算法，但其整体反演结果更接近实测水体光谱曲线，并且
SWIR 算法在 550nm、658nm 处的反演结果远低于实测数据。综合分析，改进算
法更适用于离水反射率的提取。FLAASH 算法在 460nm、847nm 处反演精度最
低，但其在 550nm、658nm 处略高于 SWIR 算法，这进一步表明 SWIR 算法在这
两个波段的反演精度较低。以上结论与 2013 年的反演结果较为一致，再次表明
水气镜面反射的去除可有效提高离水反射率的反演精度。

34
 基于 6SV 模型的离水反射率提取方法改进及应用研究

图 4-4 四种模型反演 2015 年太湖ρw 均值与实测值均值对比

图 4-5 2015 年太湖研究区不同模型反演ρw 与实测ρw 对比

35
 基于改进算法的离水反射率反演和评估

表 4-2 四种模型反演 2015 年太湖研究区ρw 的精度评价

方法 460nm 550nm 658nm 847nm

改进算法 1.4909 1.0527 1.0306 0.8671

6S 1.8339 1.1905 1.1325 1.9063
MR
SWIR 0.9110 0.8082 0.7845 1.0341
FLAASH 2.1738 1.3492 1.2221 2.0461
改进算法 0.0354 0.0259 0.0277 0.0188
6S 0.0551 0.0298 0.0277 0.0244
RMSE(sr-1)
SWIR 0.0264 0.0502 0.0509 0.0156
FLAASH 0.0765 0.0424 0.0306 0.0271
改进算法 48.85 22.28 27.94 61.12

6S 75.98 25.63 28.04 79.32

MRE（%）
SWIR 36.33 43.18 51.39 50.70

FLAASH 105.42 36.44 30.88 87.87

对比图 4-4 与图 4-5 可知，改进算法在 460nm、847nm 处的反演精度略低于

SWIR 算法，其 MRE 较 SWIR 算法分别降低 10.42%和 12.52%。造成改进算法在
这两个波段误差较大的原因可能为：
改进算法中的输入参数是卫星经过研究区时的测量值，而实测值的获取时间
与卫星过境时具有时间差，这样的时间间隔可能导致实测值与反演值间产生误
差。图 4-6 中列举了卫星过境前后约 1 小时的改进算法与 SWIR 算法的反演结果。
从图中可以看出，当采样时间与影像采集时间相同时，改进算法在各波段反演精
度高于 SWIR 算法；当采样时间与影像采集时间具有一定间隔时，改进算法在
460nm、847nm 处的精度有所下降。Lu 等[49]利用 M6SV 模型对比分析卫星过境
时间前后三个时间点的反演值与实测值间的关系，进一步证明了这一结论，表明
改进算法可能对时间较敏感，后续可增加采样的时间分辨率，提高改进算法的验
证结果。从图 4-6 中可以看出相较于 SWIR 算法，改进算法的反演离水反射率变
化趋势更接近实测水体。在基于水体光谱曲线的水体研究中中，550nm、658nm
为常使用的波段，因此这两个波段的高精度更加重要。

36
 基于 6SV 模型的离水反射率提取方法改进及应用研究

实测时间：UTC 1:24 实测时间：UTC 1:18

影像时间：UTC 2:35 影像时间：UTC 2:35

实测时间：UTC 2:30 实测时间：UTC 2:15

影像时间：UTC 2:35 影像时间：UTC 2:35

实测时间：UTC 3:50 实测时间：UTC 4:00

影像时间：UTC 2:35 影像时间：UTC 2:35

图 4-6 不同采样时间反演ρw 与实测值比较

4.4 太湖离水反射率空间分布特征

用改进算法、FLAASH 模型和 SWIR 算法分别对 2013 年和 2015 年两景太

湖 MODIS 影像进行离水反射率计算，反演结果在 460、550、658 和 847nm 处的
影像如图 4-7、4-8 所示。图 4-8 中白色像元是经瑞利散射校正后 band6 的反射率
大于 0.02 的像元，这些像元在遥感影像中为云像元，因此不参与离水反射率的
反演。

37
 基于改进算法的离水反射率反演和评估

由图 4-7、4-8 可知，三种算法反演的离水反射率从 460nm 至 550nm 是增加

的，在 658nm 至 847nm 有所下降，这主要是由于水体中的固有光学物质和水体
的纯吸收造成的，符合水体的光谱特征。从离水反射率的反演值来看，SWIR 算
法在各个波段的反演值相较于改进算法和 FLAASH 模型都偏小，FLAASH 模型
各波段反演结果是三种算法中最大的，这与前述研究结果一致（图 4-3、图 4-5）。
此外，改进算法在 550nm 处的离水反射率大部分介于 0.12-0.15 之间，这与徐祎
凡等[77]的研究结果一致。
从空间分布上看，2013 年太湖湖心区在 847nm 处离水反射率较低，表明该
区域水质相较于其他区域更为清洁。东太湖及西北水域部分区域在 460-658nm 处
反演结果较低，但在 847nm 处具有较高的离水反射率，表明这个地区可能爆发
了小范围的蓝藻水华[49]。2015 年各波段反演结果中，湖心区的离水反射率依旧
是整个太湖水体中最低的，且在 550nm 和 658nm 处的反演结果低于 2013 年，根
据水体光谱特征分析[78]表明，湖心区悬浮物浓度及叶绿素 a 浓度有所下降。在
847nm 处湖心区反演结果与 2013 年相近，其数值都低于 0.04，表明太湖湖心区
水体性质较为稳定，可用作大气校正算法中清洁像元的选取。通过对比两年数据
发现，太湖东北水域及南部水域 460nm 处三种算法的离水反射率反演结果均有
明显升高，表明这两个水域中总悬浮物浓度有所上升。

图 4-7 2013 年各算法反演ρw 分布图

（a-d 为改进算法，e-h 为 SWIR 算法，i-l 为 Flaash 模型）

38
 基于 6SV 模型的离水反射率提取方法改进及应用研究

图 4-8 2015 年各算法反演ρw 分布图

（a-d 为改进算法，e-h 为 SWIR 算法，i-l 为 Flaash 模型）

4.5 本章小结

本章对改进算法的校正精度进行分析，首先对采样点进行筛选，并且介绍了
用于对比的三种大气校正方法；之后基于四种大气校正算法对两景太湖 MODIS
遥感影像进行大气校正，对 2015 年数据进行的误差分析；最后将三种大气校正
算法的大气校正结果进行空间分布分析。结果显示，改进算法相较于原始 6SV
模型和 FLAASH 模型具有更高的反演精度。虽然 2015 年的反演结果精度验证显
示，SWIR 算法在 460nm、847nm 处的反演精度更高，但通过后续研究结果可知，
改进算法对时间较为敏感，当实测数据采样时间与卫星影像采集时间间隔较小
时，改进算法在各波段均展示出更高的反演精度。综上所述可知，水气镜面反射
贡献的去除能够有效提高离水反射率的反演精度。

39
 水质参数遥感反演模型建立及精度对比分析

第五章 水质参数遥感反演模型建立及精度对比分析

5.1 特征波段选取

本节对实测的不同波段离水反射率数据进行组合，研究其与水质参数的皮尔
逊相关性系数，选取反演水质参数的最佳波段或波段组合，作为后续大气校正算
法建模的特征波段。
利用 SPSS 软件，对波段组合与两年叶绿素 a 浓度、悬浮物浓度进行相关性
分析，结果如表 5-1 所示。表 5-1 与表 5-3 中的 APPEL 模型和 NDVI 指数均为反
演叶绿素 a 浓度的常用模型，计算公式如下（5-1）、（5-2）所示：

APPEL = RNIR - ( RNIR * ( R BLUE - BNIR ) + ( RRED - RNIR )) （5-1）

NDVI = ( RNIR - RRED ) /( RNIR + RRED ) （5-2）

式中 RBLUE、RRED、RNIR 分别为蓝波段、红波段与近红外波段的反射率。
从表（5-1）-（5-4）中可以看出，2013 年与叶绿素 a 浓度相关性最高的波
段组合为（蓝波段（B3）-绿波段（B4）），达到-0.798；与总悬浮物浓度相关
性最高的波段组合为（红波段（B1）-B4）,相关性系数为-0.797；2015 年与叶绿
素 a 浓度相关性最高的波段组合为（近红外波段（B2）/B1），达到 0.79；与总
悬浮物浓度相关性最高的波段组合为（B2/B4）,相关性系数为 0.859。因此，本
研究分别选取（B3-B4）、（B1-B4）作为 2013 年反演叶绿素 a 浓度和总悬浮物
浓度的特征波段组合；（B2/B1）、（B2/B4）作为 2015 年反演叶绿素 a 浓度和
总悬浮物浓度的特征波段组合。

40
 基于 6SV 模型的离水反射率提取方法改进及应用研究

表 5-1 波段组合与 2013 年叶绿素 a 浓度的皮尔逊分析结果

波段组合 Person 相关系数 波段组合 Person 相关系数
B1 0.742 B1*B4 0.754
B2 0.743 B2*B3 0.775
B3 0.64 B2*B4 0.789
B4 0.746 B3*B4 0.705
B1+B2 0.772 B1/B2 -0.263
B1+B3 0.711 B1/B3 0.671
B1+B4 0.749 B1/B4 -0.618
B2+B3 0.73 B2/B1 0.309
B2+B4 0.788 B2/B3 0.491
B3+B4 0.709 B2/B4 0.496
B1-B2 0.673 B3/B1 -0.678
B1-B3 0.74 B3/B2 -0.468
B1-B4 -0.133 B3/B4 -0.143
B2-B3 -0.428 B4/B1 0.62
B2-B4 -0.651 B4/B2 -0.482
B3-B4 -0.798 B4/B3 0.151
B1*B2 0.768 APPEL 0.526
B1*B3 0.713 NDVI 0.301

表 5-2 波段组合与 2013 年总悬浮物浓度的皮尔逊分析结果

波段组合 Person 相关系数 波段组合 Person 相关系数
B1 0.33 B1*B3 0.317
B2 0.385 B1*B4 0.275
B3 0.241 B2*B3 0.385
B4 0.163 B2*B4 0.338
B1+B2 0.354 B3*B4 0.22
B1+B3 0.298 B1/B2 -0.212
B1+B4 0.25 B1/B3 0.37
B2+B3 0.307 B1/B4 -0.601
B2+B4 0.222 B2/B1 0.22
B3+B4 0.197 B2/B3 0.313
B1-B2 0.281 B2/B4 0.416
B1-B3 0.397 B3/B1 -0.362
B1-B4 -0.797 B3/B2 -0.309
B2-B3 -0.112 B3/B4 -0.308
B2-B4 -0.07 B4/B1 0.575
B3-B4 -0.017 B4/B2 -0.419
B1*B2 0.4 B4/B3 0.308

41
 水质参数遥感反演模型建立及精度对比分析

表 5-3 波段组合与 2015 年叶绿素 a 浓度的皮尔逊分析结果

波段组合 Person 相关系数 波段组合 Person 相关系数
B1 0.046 B1*B4 0.121
B2 0.426 B2*B3 0.135
B3 0.234 B2*B4 0.201
B4 0.142 B3*B4 0.217
B1+B2 0.089 B1/B2 -0.723
B1+B3 0.128 B1/B3 0.545
B1+B4 0.094 B1/B4 -0.253
B2+B3 0.01 B2/B1 0.79
B2+B4 0.023 B2/B3 0.756
B3+B4 0.183 B2/B4 0.696
B1-B2 0.29 B3/B1 -0.524
B1-B3 0.343 B3/B2 -0.671
B1-B4 -0.314 B3/B4 -0.448
B2-B3 -0.578 B4/B1 0.262
B2-B4 -0.396 B4/B2 -0.63
B3-B4 -0.146 B4/B3 0.434
B1*B2 0.2 APPEL 0.628
B1*B3 0.166 NDVI 0.781

表 5-4 波段组合与 2015 年总悬浮物浓度的皮尔逊分析结果

波段组合 Person 相关系数 波段组合 Person 相关系数
B1 0.315 B1*B3 0.215
B2 0.84 B1*B4 0.249
B3 0.114 B2*B3 0.581
B4 0.19 B2*B4 0.648
B1+B2 0.501 B3*B4 0.14
B1+B3 0.231 B1/B2 -0.787
B1+B4 0.259 B1/B3 0.554
B2+B3 0.414 B1/B4 -0.45
B2+B4 0.425 B2/B1 0.599
B3+B4 0.157 B2/B3 0.566
B1-B2 -0.012 B2/B4 0.859
B1-B3 0.639 B3/B1 -0.59
B1-B4 -0.452 B3/B2 -0.808
B2-B3 -0.36 B3/B4 -0.111
B2-B4 -0.208 B4/B1 0.389
B3-B4 -0.323 B4/B2 -0.855
B1*B2 0.634 B4/B3 0.093

42
 基于 6SV 模型的离水反射率提取方法改进及应用研究

5.2 大气校正方法选取

本节选取与离水反射率精度验证相同的采样点作为对比数据，基于水质参数
的最佳反演波段组合对比分析不同大气校正算法结果与水质参数间的相关性。选
出相关性最高的大气校正算法进行后续水质参数遥感反演模型构建。
从表 5-5 中可以看出利用改进算法反演的离水反射率，与水质参数的相关性
略高于其他三种大气校正算法 FLAASH 模型反演结果与水质参数的相关性为四
种算法中最低的。相较于原始 6SV 模型，改进算法反演结果与水质参数相关性
更高，表明水气镜面反射的剔除不仅可以提高离水反射率的反演精度，依此建立
的水质参数反演模型同样具有较高的反演精度。因此，本文基于改进算法反演的
离水反射率构建立水质参数遥感反演。
表 5-5 大气校正算法与水质参数的皮尔逊相关系数分析结果
年份 水质参数 改进算法 6SV SWIR FLAASH
叶绿素 a 浓度 0.784 0.78 0.714 0.688
2013
总悬浮物浓度 0.775 0.768 0.706 0.698
叶绿素 a 浓度 0.746 0.73 0.711 0.709
2015
总悬浮物浓度 0.757 0.742 0.724 0.713

5.3 水质参数遥感反演模型构建

5.3.1 2013 年水质参数遥感反演模型构建

本节基于改进算法结果与实测水质参数建立反演模型，在构建水质参数反演
模型时，利用 SPSS 软件进行线性拟合分析，选用的线性模型为线性、二次、三
次、S、指数、幂函数。chl-a 和 TPM 的反演模型评价指标如表 5-6 所示，各模
型的水质参数曲线拟合情况如图 5-1、5-2 所示。
从表 5-6 和图 5-1 中可以看出，2013 年 Chl-a 拟合最好的模型为二次和三次
模型，然而两模型具有共线性，因此采用二次模型拟合，该模型的 R2、F 分别为
0.68、12.722，且显著性为 0.001，表明以（B4-B3）为自变量的二次模型可有效
反演 Chl-a。从表 5-6 和图 5-2 中可以看出，TPM 拟合最好的模型为指数函数关
系模型，该模型的 R2、F 分别为 0.78、46.113，显著性同样为 0.001，表明以（B4-B1）
为自变量的 S 模型可有效反演 TPM。两种模型的计算公式如式（5-3）、（5-4）
所示。

Chl - a：Y = -57.51 + 2423.87 X - 19009.04 X 2 ( X = B 4 - B3) （5-3）

43
 水质参数遥感反演模型建立及精度对比分析

TPM：Y = e(5.06 - 0.03/X )( X = B 4 - B1) （5-4）

表 5-6 2013 年水质参数反演模型指标对比

水质参数 模型 R2 F 显著性
线性 0.609 20.275 0.001
二次 0.680 12.772 0.001
三次 0.680 12.772 0.001
Chl-a
S 0.653 24.433 0.001
指数 0.564 16.843 0.001
幂 0.610 20.359 0.001
线性 0.731 35.403 0.001
二次 0.735 16.628 0.001
三次 0.735 16.628 0.001
TPM
S 0.780 46.113 0.001
指数 0.743 37.602 0.001
幂 0.765 42.272 0.001

图 5-1 Chl-a 各模型曲线拟合结果

44
 基于 6SV 模型的离水反射率提取方法改进及应用研究

图 5-2 TPM 各模型曲线拟合结果

5.3.2 2015 年水质参数遥感反演模型构建

2015 年 chl-a 和 TPM 的反演模型评价指标如表 5-7 所示，各模型的水质参

数曲线拟合情况如图 5-3、5-4 所示。
从表 5-7 和图 5-3 中可以看出，2015 年 Chl-a 拟合最好的模型为二次和三次
模型，从表中可以看出两种模型的 R2、F 均相同，表明两模型具有共线性，因此
仅考虑二次模型，该模型的 R2、F 分别为 0.74、24.14，且显著性为 0.001，表明
以（B2/B1）为自变量的二次模型可有效反演 Chl-a。从表 5-7 和图 5-4 中可以看
出，TPM 拟合最好的模型为指数函数关系模型，该模型的 R2、F 分别为 0.764、
71.276，显著性同样为 0.001，表明以（B2/B4）为自变量的 S 模型可有效反演
TPM。两种模型的计算公式如式（5-5）、（5-6）所示。

Chl - a：Y = 24.17 - 96.11 X + 345.32 X 2 ( X = B 2 / B1) （5-5）

TPM：Y = e(4.92 - 0.17/X )( X = B 2 /B 4) （5-6）

45
 水质参数遥感反演模型建立及精度对比分析

表 5-7 2015 年水质参数反演模型指标对比

水质参数 模型 R2 F 显著性
线性 0.699 41.764 0.001
二次 0.740 24.140 0.001
三次 0.736 23.641 0.001
Chl-a
S 0.581 24.913 0.001
指数 0.700 41.904 0.001
幂 0.653 33.892 0.001
线性 0.633 37.927 0.001
二次 0.656 19.994 0.001
三次 0.657 12.752 0.001
TPM
S 0.764 71.276 0.001
指数 0.623 36.336 0.001
幂 0.734 60.610 0.001

图 5-3 Chl-a 各模型曲线拟合结果

图 5-4 TPM 各模型曲线拟合结果

46
 基于 6SV 模型的离水反射率提取方法改进及应用研究

5.4 水质参数遥感反演模型检验

基于两日的实测水质参数数据，将改进算法的大气校正结果应用于筛选出的
水质参数遥感反演模型中，检验反演模型精度。从表 5-8 中可以看出 2013 年 TPM
的反演精度最高，MRE 为 8.99%，同年 Chl-a 的反演精度次之，结合图 5-5（a）、
（b），两者反演结果基本位于误差线内，仅有部分点超出误差线；2015TPM 的
反演精度较差，MRE 为 24.22%，有半数左右的点处于误差线外，同年 Chl-a 反
演效果较好，大部分店都处于误差线内。综合比较两年数据，反演值与实测值的
误差较小，表明通过改进算法获得的离水反射率能有效地反演水质参数。
表 5-8 改进算法反演水质参数精度评价
年份 水质参数 MR RMSE(sr-1) MRE（%）
Chl-a 1.0157 1.6668 11.21
2013
TPM 1.0093 4.2103 8.99
Chl-a 1.0255 4.2095 15.36
2015
TPM 1.0907 16.3897 24.22

（a） （b）

（c） （d）

图 5-5 水质参数反演模型反演值与实测值对比图

47
 水质参数遥感反演模型建立及精度对比分析

5.5 太湖水质参数空间分布格局

图 5-6 是展示了改进算法水质参数反演结果，从图 5-6（a）中可以看出 2013

年 5 月 12 日太湖整体 chl-a 浓度介于 5-15μg/L，呈现出南高北低的趋势。太湖南
部沿岸及东北水域部分地区 chl-a 浓度高于 15μg/L，这部分水域靠近无锡市与湖
州市，南部沿岸农田较多，东北水域岸边多为工厂，因此导致 chl-a 较高的原因
可能为农业化肥的使用及工业废水；其余大部分水域 chl-a 低于 10μg/L，西北水
域内小部分水体表现出了较高的 chl-a，结合遥感影像对比分析，造成该区域 chl-a
较高的原因为小范围蓝藻水华爆发。从图 5-6（b）中可以看出总悬浮物浓度（TPM）
整体介于 40-70mg/L，TPM 较高区域主要分布于东北水域，均大于 70mg/L，南
部沿岸部分水域 TPM 大于 80mg/L，这与 chl-a 高浓度水域分布相似。

（a）

（b）
图 5-6 基于改进算法的 2013 年太湖水质参数反演结果
（a 为叶绿素 a 浓度反演结果，b 为总悬浮物浓度反演结果）

48
 基于 6SV 模型的离水反射率提取方法改进及应用研究

图 5-7 是 2015 年 10 月 23 日改进算法校正数据进行的水质参数反演结果，

图中部分水域被较云层覆盖，因此显示为空白像元。从图中可以看出 chl-a 浓度
与 TPM 分布具有相似性，除太湖西部沿岸外，其余靠近岸边的水域水质参数较
高，东北水域和东太湖地区 chl-a 浓度及 TPM 相较于其他非沿岸水域偏高；chl-a
和 TPM 较低主要分布于湖心区及太湖南部水域。

（a）

（b）
图 5-7 基于改进算法的 2015 年太湖水质参数反演结果
（a 为叶绿素 a 浓度反演结果，b 为总悬浮物浓度反演结果）

49
 水质参数遥感反演模型建立及精度对比分析

5.6 本章小结

本章对比不同大气校正算法反演水质参数的模型精度，探究改进算法的反演
结果能否有效提高水质参数反演模型的精度。基于实测数据选取水质参数反演的
特征波段，对比不同的大气校正算法的水质参数反演建模精度，选取其中反演精
度最高的算法进行水质参数反演模型的建立并应用于研究区域遥感影像，分析水
质参数的分布。
研究结果显示，基于改进算法提取的离水反射率与水质参数建的相关性高于
原始 6SV 模型、SWIR 算法及 FLAASH 模型，表明改进算法建立的水质参数反
演模型精度更高。构建改进算法校正结果与水质参数间的反演模型，通过反演值
与实测值间的分布情况及精度评价结果可知，水质参数遥感反演模型精度较高，
MRE 最高不超过 25%，表明反演模型能有效的模拟水质参数。从两年的水质参
数分布情况中可以看出，太湖南部沿岸及东北水域水质参数数值均较高，表明这
两部分水域相较于其他区域更加浑浊，后续可加强对该区域水体治理力度。

50
 基于 6SV 模型的离水反射率提取方法改进及应用研究

第六章 总结与展望

6.1 总结

针对目前离水反射率提取方法存在的问题，本文提出一种改进的大气校正算
法，通过对 6SV 辐射传输模型研究，优化查找表的建立过程，在此基础上去除
下行天空光引起的水气界面反射贡献，完成大气校正算法的改进。以太湖为研究
区域，基于 MODIS 遥感数据，对 2013 年和 2015 年两景遥感影像进行大气校正。
结合实测数据，对比不同大气校正算法的校正精度。并且基于实测光谱数据和水
质参数数据确定最佳反演波段组合，对比不同大气校正算法的建模精度，将精度
较高的模型应用于研究区域的水质参数反演，分析水质参数的分布格局。主要成
果如下：
（1）通过对比四种大气校正方法提取的离水反射率精度可知，水气镜面反
射贡献的去除可以一定程度上提高大气校正的精度，使遥感影像反演的离水反射
率更接近实测值。
（2）2013 年，改进算法在 550nm 大气校正结果的平均相对误差较 6SV 模
型、FLAASH 模型和 SWIR 算法分别降低了 0.12%、16.44%和 3.16%；在 658nm
处平均相对误差分别降低了 0.48%、12.13%和 2.66%；847nm 处平均相对误差分
别降低了 60.52%、100.26%和 5.05%；460nm 处平均相对误差分别降低了 10.14%、
71.11%和 3.14%。
（3）2015 年，改进算法在 550nm 和 658nm 处的大气校正结果相较于其他
大气校正算法有所提高，但在 460nm 和 847nm 处的校正精度略低于 SWIR 算法，
通过分析可知，改进算法对时间较为敏感，卫星过境时间和实测数据采样时间的
差异可能会导致改进算法精度的下降。
（4）基于实测光谱数据和水质参数数据确定了 2013 年和 2015 年两年反演
水质参数的最佳波段组合。利用最佳反演波段组合探究不同大气校正算法与水质
参数的相关性系数。结果表明，利用改进算法进行的大气校正，其大气校正结果
与水质参数的相关性最高。基于改进算法的大气校正结果建立水质参数遥感反演
模型，应用于研究区域两景遥感影响的水质参数反演，通过模型对比可知叶绿素
a 浓度和总悬浮物浓度最佳的反演模型分别为二次模型和指数函数关系模型，R2
均大于 0.6，模型反演值与实测值分布接近 1：1 线，表明基于改进算法校正结果
建立的水质参数反演模型具有较高的反演精度。
（5）根据水质参数反演结果可知，太湖南部沿岸及东北部水域水质参数数
值较高，湖心区水质参数数值较低，表明人类活动对水质参数影响较大，后续可

51
 总结与展望

加强对太湖南部沿岸及东北部水域的治理力度。

6.2 展望

本论文在内陆水体的大气校正方法的改进中取得了一些进展，但仍然存在许
多不足和值得改进的地方：
（1）研究区域问题。本研究的大气校正算法检验工作主要是在太湖区域进
行的，研究区域偏少，后续可将改进算法应用于更多不同的内陆水体，检验并完
善改进的大气校正算法。
（2）遥感影像问题。本文采用 MODIS 遥感数据，虽时间分辨率高，可以实
时监控水质参数的变化，但其空间分辨率较低，仅有第 1 和第 2 波段具有 250m
的空间分辨率。在今后的研究中可以考虑将改进大气校正算法应用于其他空间分
辨率较高的卫星遥感数据中，验证大气校正精度。
（3）实测数据问题。由于数据有限，因此在大气校正精度的验证上仅使用
2013 年 5 月 12 日以及 2015 年 10 月 23 日两日的数据，验证数据偏少，在后续
的工作中增加采样次数，获取更多实测数据。
（4）改进算法适用性问题。本研究针对 MODIS 的第 1 至第 4 波段建立了大
气校正参数的查找表，在建表过程中大气校正参数都受到光谱条件的影响，而不
同的传感器其光谱条件是不同的，因此改进算法对其他卫星的适用性还需进一步
验证。
（5）水质参数建模精度。由于实测数据较少，本研究仅适用经验算法对水
质参数进行建模，对比不同大气校正算法的建模精度，在后续的研究中可增加水
质参数数据的获取，利用水质参数分析法或精度更高的方法建立反演模型，能更
准确的的验证改进算法对水质参数反演精度的影响。

52
 基于 6SV 模型的离水反射率提取方法改进及应用研究

参考文献

[1] 代前程. 基于多源遥感数据的南漪湖叶绿素 a 浓度反演及变化研究[D]. 南京信息工程

大学, 2022.
[2] 王根深. 基于 BP 神经网络的太湖叶绿素浓度反演[D]. 南京邮电大学, 2018.
[3] 杨丽萍. 浙江省两个典型流域水体污染特征及污染源解析研究[D]. 浙江大学, 2015.
[4] 章克斌. 遥感技术在内陆水体水质监测中的应用[J]. 低碳世界, 2018(11):9-10.
[5] 文广超, 刘正疆, 谢洪波, 等. 基于 Landsat 的淮河干流水质监测的可行性分析[J]. 水资
源与水工程学报, 2020,31(05):37-41.
[6] 吕学研, 张文涛, 吴时强. 水华前后叶绿素 a 变化及其与水质因子的关系[J]. 人民黄河,
2012,34(02):73-75.
[7] 吕金霞, 蒋卫国, 王文杰, 等. 湿地受损遥感识别方法及其在天津滨海新区的应用[J].
环境工程技术学报, 2020,10(01):1-8.
[8] 高黎, 张路路, 叶脉, 等. 基于 GF-6 影像的广州市建成区黑臭水体遥感识别[J]. 环境生
态学, 2021,3(05):13-18.
[9] 黄硕. 基于遥感图像的水质参数监测算法研究[D]. 黑龙江大学, 2020.
[10] Wang M. Atmospheric correction for remotely-sensed ocean-colour products[M].Canada:
International Ocean-Colour Coordinating Group,2010:15-58.
[11] Mao, Tao, Chen, et al. Atmospheric Correction of Satellite Ocean Color Remote Sensing in
the Presence of High Aerosol Loads[J]. Remote Sensing, 2019,12(1):31.
[12] Wang D, Ma R, Xue K, et al. The Assessment of Landsat-8 OLI Atmospheric Correction
Algorithms for Inland Waters[J]. Remote Sensing, 2019,11(2):169
[13] F. L, D. J, S. S, et al. Atmospheric Correction and Water Surface Issues for Aquatic
Applications of Landsat 8: IGARSS 2019 - 2019 IEEE International Geoscience and Remote
Sensing Symposium[C], 2019.2019,28 July-2 Aug. 2019
[14] B. P, R. R, R. D L R, et al. Comparing Atmospheric Correction Performance for Sentinel-2
and Landsat-8 Data: IGARSS 2019 - 2019 IEEE International Geoscience and Remote
Sensing Symposium[C], 2019.2019,28 July-2 Aug. 2019
[15] S. B. Hooker G Z A G. SeaWiFS Postlaunch Technical Report Series[M]. NTRS.1999.
[16] Wang M, Shi W. The NIR-SWIR combined atmospheric correction approach for MODIS
ocean color data processing[J]. Opt Express, 2007,15(24):15722-15733.
[17] Mao Z, Chen J, Hao Z, et al. A new approach to estimate the aerosol scattering ratios for the
atmospheric correction of satellite remote sensing data in coastal regions[J]. Remote Sensing
of Environment, 2013,132:186-194.

53
 参考文献

[18] Moses W J, Gitelson A A, Perk R L, et al. Estimation of chlorophyll-a concentration in turbid

productive waters using airborne hyperspectral data[J]. Water Research,2012,46(4):993-1004.
[19] Tan J, Cherkauer K A, Chaubey I, et al. Water quality estimation of River plumes in Southern
Lake Michigan using Hyperion[J]. Journal of Great Lakes Research, 2016,42(3):524-535.
[20] Lobo F L, Costa M, Novo E. Time-series analysis of Landsat-MSS/TM/OLI images over
Amazonian waters impacted by gold mining activities[J]. Remote Sensing of Environment,
2015,157(Sp. Iss. SI):170-184.
[21] Gordon H R, Wang M. Retrieval of water-leaving radiance and aerosol optical thickness over
the oceans with SeaWiFS: a preliminary algorithm[J]. Appl Opt, 1994,33(3):443-452.
[22] Ahern F J, Goodenough D G, Jain S C, et al. Use of clear lake as standard reflectors for
atmospheric measurement in Proc.[J].Remote Sensing of Environment, 1977,23(1):731-755.
[23] Gordon H R. Removal of atmospheric effects from satellite imagery of the oceans[J]. Applied
Optics, 1978,17(10):1631-1636.
[24] Hu C, Carder K L, Muller-Karger F E. Atmospheric Correction of SeaWiFS Imagery over
Turbid Coastal Waters: A Practical Method[J].Remote Sensing of Envirnment,2000,74(2):
195-206.
[25] 王峰, 周艺, 阎福礼, 等. 基于短波红外波段的Ⅱ类水体 MODIS 影像大气校正算法[J].
红外与毫米波学报, 2009,28(05):346-349.
[26] 李爽兆. 基于 MODIS 数据和水动力学模型的渤海叶绿素分布特性研究[D]. 天津大学,
2017.
[27] 王正. 渤海近岸浑浊水体 GOCI 影像神经网络大气校正研究[D]. 华中师范大学, 2013.
[28] 陈会明, 郭瑞, 邓实权, 等. 基于 GOCI 的浑浊水体大气校正修复方法——以太湖为例
[J]. 华中师范大学学报(自然科学版), 2020,54(05):892-897.
[29] Bailey S W, Franz B A, Werdell P J. Estimation of near-infrared water-leaving reflectance for
satellite ocean color data processing[J]. Optics Express, 2010,18(7):7521-7527.
[30] Kuchinke C P, Gordon H R, Franz B A. Spectral optimization for constituent retrieval in Case
2 waters I: Implementation and performance[J]. Remote Sensing of Environment,
2009,113(3):571-587.
[31] Ahn J H, Park Y J, Ryu J H, et al. Development of atmospheric correction algorithm for
Geostationary Ocean Color Imager (GOCI)[J]. Ocean ence Journal, 2012,47(3):247-259.
[32] Wang M, Shi W, Jiang L. Atmospheric correction using near-infrared bands for satellite
ocean color data processing in the turbid western Pacific region[J]. Optics Express,
2012,20(2):741-753.
[33] 党旭阳. 基于辐射传输模型的南海三亚湾海域叶绿素 a 浓度遥感反演研究[D]. 燕山大
学, 2019.

54
 基于 6SV 模型的离水反射率提取方法改进及应用研究

[34] 王贵川. 基于 6S 辐射传输模型的大气校正过程优化研究[D]. 燕山大学, 2020.

[35] 陈华胜. 基于辐射传输模型的机载高光谱遥感图像大气校正研究[D]. 南京理工大学,
2013.
[36] 徐玉雯. 基于多源中高分辨率遥感数据的地表反射率归一化研究[D]. 河南理工大学,
2019.
[37] Tasionas G, Liampas A, Farmakis D E, et al. Using metadata of satellite images and carried
out an atmospheric and topographical correction[J]. International Multidisciplinary
Scientific GeoConference : SGEM., 2019,.19(2):1079-1086.
[38] 潘甜. 降质光学遥感影像的大气校正及云雾去除研究[D]. 浙江大学, 2021.
[39] 刘安伟. 基于高光谱影像的大气参数反演和大气校正[D]. 西安科技大学, 2016.
[40] 袁金国, 牛铮, 王锡平. 基于 FLAASH 的 Hyperion 高光谱影像大气校正[J]. 光谱学与光
谱分析, 2009,29(05):1181-1185.
[41] 熊世为, 沈安云, 李卫国, 等. MODTRAN 模型在 HJ/CCD 影像大气校正中的应用[J]. 江
苏农业学报, 2016,32(02):319-324.
[42] 马力. 大气辐射传输软件 MODTRAN5 的性能分析[D]. 中国科学技术大学, 2016.
[43] Rosas H R M A. Sensitivity of Landsat 8 Surface Temperature Estimates to Atmospheric
Profile Data: A Study Using MODTRAN in Dryland Irrigated Systems[J]. Remote Sensing,
2017,2017(10):988.
[44] 朱忠敏. 主被动光学遥感相结合的对地观测大气校正方法研究[D]. 武汉大学, 2010.
[45] Vermote E F, Tanre D, Deuze J L, et al. Second simulation of a satellite signal in the solar
spectrum-vector (6SV)[J]. IEEE, 2006.
[46] 刘梓钦, 赵世湖, 裴亮, 等. GF-5 卫星高光谱数据大气校正反射率精度评价[J]. 遥感信
息, 2021,36(03):93-98.
[47] Rodriguez, C., Ledesma, et al. Effects of atmospheric correction of Landsat imagery on lake
water clarity assessment[J]. Advances in Space Research: The Official Journal of the
Committee on Space Research(COSPAR), 2015.
[48] Li J, Shen Q, Zhang B, et al. Retrieving total suspended matter in Lake Taihu from HJ-CCD
near-infrared band data[J]. Aquatic Ecosystem Health & Management, 2014,17(3):280-289.
[49] Lu Z, Li J, Shen Q, et al. Modification of 6SV to remove skylight reflected at the air-water
interface: Application to atmospheric correction of Landsat 8 OLI imagery in inland
waters[J]. PLoS One, 2018,13(8):e202883.
[50] 王新强杨世植朱永豪易维宁. 基于 6S 模型从 MODIS 图像反演陆地上空大气气溶胶光学
厚度[J]. 量子电子学报, 2003(05):629-634.
[51] 张鑫. 新型星载观测数据的云检测与大气校正研究[D]. 南京信息工程大学, 2016.
[52] Yuanzhi Z, J. T P, S. S K, et al. Water quality retrievals from combined Landsat TM data and

55
 参考文献

ERS-2 SAR data in the Gulf of Finland[J]. IEEE Transactions on Geoscience and Remote
Sensing, 2003,41(3):622-629.
[53] 赵姝雅. 基于遥感的白洋淀水质参数反演研究[D]. 北华航天工业学院, 2019.
[54] 柳超. 复杂河流水系水质评价及污染物时空分布特征研究[D]. 青岛理工大学, 2018.
[55] Kloiber S M, Brezonik P L, Olmanson L G, et al. A procedure for regional lake water clarity
assessment using Landsat multispectral data[J]. Remote Sensing of Environment,
2002,82(1):38-47.
[56] 栾虹. 基于 landsat8 珠江口悬浮泥沙及叶绿素 a 浓度遥感反演及时空变化[D]. 广东海洋
大学, 2016.
[57] 刘志国, 周云轩, 蒋雪中, 等. 近岸Ⅱ类水体表层悬浮泥沙浓度遥感模式研究进展[J].
地球物理学进展, 2006(01):321-326.
[58] MISHRA S,MISHRA D R.Normalized difference chlorophyll index:A novel model for
remote estimation of chlorophyll-a concentration in turbid productive waters[J].Remote
Sensing of Environment,2012,117:394-406.
[59] K. L C, F. R C, J. P C. Performance of the MODIS semi-analy tical ocean color algorithm for
chlorophyll-a[J]. Advances in Space Research, 2004,33(7):1152-1159.
[60] 马万栋, 吴传庆, 殷守敬, 等. 基于实测光谱的烟台四十里湾水体叶绿素 a 遥感反演[J].
中国环境监测, 2015,31(04):135-140.
[61] Ky. K, Lh. P, Dv. P. Water quality remote sensing in the visible spectrum[J]. International
journal of remote sensing, 1998(5):19.
[62] 娄全胜, 张纯超, 邓伟, 等. 基于半分析算法的海岸带和内陆水体悬浮物浓度遥感估算
[J]. 光学学报, 2021,41(19):33-42.
[63] Castillo C, Miller R L. On the use of ocean color remote sensing to measure the transport of
dissolved organic carbon by the Mississippi River Plume[J]. Remote Sensing of Environment,
2007,112(3):836-844.
[64] 仲苏珂, 吕恒, 杨子谦, 等. Sentinel-3 OLCI 数据的内陆湖泊有机悬浮物浓度遥感估算
[J]. 遥感学报, 2022,26(01):155-167.
[65] 张兵, 申茜, 李俊生, 等. 太湖水体 3 种典型水质参数的高光谱遥感反演[J]. 湖泊科学,
2009,21(02):182-192.
[66] Ling F, Li X, Foody G M, et al. Monitoring surface water area variations of reservoirs using
daily MODIS images by exploring sub-pixel information[J]. ISPRS Journal of
Photogrammetry and Remote Sensing, 2020,168:141-152.
[67] 姜雨薇. 大气校正对Ⅱ类水体遥感反演精度的影响研究[D]. 南京信息工程大学, 2012.
[68] REN R, GUO S, GU L. Fast bowtie effect elimination for MODIS L1B data[J]. The Journal
of China Universities of Posts and Telecommunications, 2010,17(1):120-126.

56
 基于 6SV 模型的离水反射率提取方法改进及应用研究

[69] 郭翔宇. 基于 NPP-VIIRS 数据的大气校正与叶绿素浓度反演算法研究[D]. 大连海事大

学,2020.
[70] Warren M A , Simis S , Martinez-Vicente V , et al. Assessment of atmospheric correction
algorithms for the Sentinel-2A MultiSpectral Imager over coastal and inland waters[J].
Remote Sensing of Environment, 2019, 225:267-289..
[71] 何贤强等. 海洋-大气耦合矢量辐射传输模型及其遥感应用[M]. 海洋出版社, 2010.
[72] 宋挺, 龚绍琦, 刘军志, 等. 浑浊二类水体的高分四号卫星大气校正效果分析[J]. 光谱
学与光谱分析, 2018,38(04):1191-1197.
[73] 许华燕. 利用 6S 模拟大气效应[J]. 地理空间信息, 2006(06):59-61.
[74] 肖阳. 鄱阳湖 Landsat OLI 影像大气校正研究[D]. 江西理工大学, 2017.
[75] 陈辉, 杨啸, 李营, 等. 考虑 AOD 差异的高分一号卫星宽视场相机大气校正[J]. 遥感信
息, 2021,36(02):89-95.
[76] 刘佳, 王利民, 杨玲波, 等. 基于 6S 模型的 GF-1 卫星影像大气校正及效果[J]. 农业工程
学报, 2015,31(19):159-168.
[77] 徐祎凡, 陈黎明, 陈炼钢, 等. 基于 GOCI 数据的暴雨后太湖水体叶绿素 a 浓度遥感反演
研究[J]. 水利水电技术, 2020,51(10):151-158.
[78] 李海桃. 珠江口叶绿素 a 定量遥感反演模型研究[D]. 广州大学, 2022.

57
 附录 A

附录 A

表 A1 大气校正参数影响因子皮尔逊相关分析结果
波段 大气校正参数 相关性分析 SZA VZA RRA AOD(550nm)
Person 相关系数 0.816 0.949 -0.488 0.984
xb
P值 < 0.001 < 0.001 0.034 < 0.001
Person 相关系数 - - - 0.979
xc
P值 - - - < 0.001
1
Person 相关系数 -0.857 - - -0.998
Ts
P值 < 0.001 - - < 0.001
Person 相关系数 - -0.917 - -0.998
Tv
P值 - < 0.001 - < 0.001
Person 相关系数 0.809 0.954 -0.124 0.988
xb
P值 < 0.001 < 0.001 0.613 < 0.001
Person 相关系数 - - - 0.982
xc
P值 - - - < 0.001
2
Person 相关系数 -0.833 - - -0.999
Ts
P值 < 0.001 - - < 0.001
Person 相关系数 - -0.912 - -0.999
Tv
P值 - < 0.001 - < 0.001
Person 相关系数 0.849 0.95 -0.884 0.983
xb
P值 < 0.001 < 0.001 < 0.001 < 0.001
Person 相关系数 - - - 0.975
xc
P值 - - - < 0.001
3
Person 相关系数 -0.9 - - -0.996
Ts
P值 < 0.001 - - < 0.001
Person 相关系数 - -0.929 - -0.996
Tv
P值 - < 0.001 - < 0.001
Person 相关系数 0.828 0.949 -0.732 0.983
xb
P值 < 0.001 < 0.001 < 0.001 < 0.001
Person 相关系数 - - - 0.978
xc
P值 - - - < 0.001
4
Person 相关系数 -0.875 - - -0.997
Ts
P值 < 0.001 - - < 0.001
Person 相关系数 - -0.922 - -0.997
Tv
P值 - < 0.001 - < 0.001

58
 基于 6SV 模型的离水反射率提取方法改进及应用研究

附录 B

（1）大气校正参数 xc
大气校正参数 xc 的影响因子仅为光谱条件和气溶胶光学厚度，因此根据不
同光谱条件建立气溶胶光学厚度与大气校正参数 xc 间的三次多项式，如式（B-1）
-（B-4）所示。

460nm：y  0.0175  x 3  0.0793  x 2  0.1569  x  0.1476 （B-1）

550nm：y  0.0232  x 3  0.1008  x 2  0.1977  x  0.0823 （B-2）

658nm：y  0.0232  x 3  0.1017  x 2  0.2052  x  0.0476 （B-3）

847 nm：y  0.0194  x 3  0.0846  x 2  0.1761  x  0.0169 （B-4）

式中 x 为 550nm 气溶胶光学厚度 AOD（550nm），y 为大气校正参数 xc。

（2）大气校正参数 xb
大气校正系数 xb 的影响因子较多，550nm 气溶胶光学厚度作为自变量对大
气校正参数 xb 进行多项式拟合，太阳天顶角、卫星天顶角、相对方位角则作为
查找表的查找条件，查找表中存储多项式拟合的系数，表 B1-B4 展示查找表精
度验证时所使用部分查找表截取，表中行为相对方位角，列为太阳天顶角，所有
查找表的卫星天顶角均为 45°，光谱条件为 MODIS_band2。
表 B1 三次项系数查找表（部分）
··· 30 35 40 45 50 55 60 ···
0 ··· 0.0028 0.0032 0.0037 0.0044 0.0053 0.0064 0.0080 ···
10 ··· 0.0028 0.0032 0.0037 0.0044 0.0052 0.0064 0.0080 ···
20 ··· 0.0028 0.0032 0.0037 0.0043 0.0052 0.0063 0.0078 ···
30 ··· 0.0028 0.0031 0.0036 0.0042 0.0050 0.0061 0.0075 ···
40 ··· 0.0027 0.0031 0.0035 0.0041 0.0049 0.0059 0.0072 ···
50 ··· 0.0027 0.0030 0.0034 0.0040 0.0047 0.0056 0.0069 ···
60 ··· 0.0026 0.0029 0.0033 0.0038 0.0045 0.0053 0.0065 ···
70 ··· 0.0026 0.0028 0.0032 0.0037 0.0043 0.0051 0.0061 ···
80 ··· 0.0025 0.0028 0.0031 0.0035 0.0041 0.0048 0.0058 ···
90 ··· 0.0025 0.0027 0.0030 0.0034 0.0039 0.0046 0.0055 ···
100 ··· 0.0024 0.0026 0.0029 0.0033 0.0038 0.0045 0.0053 ···
110 ··· 0.0024 0.0026 0.0029 0.0032 0.0037 0.0043 0.0051 ···
120 ··· 0.0024 0.0026 0.0028 0.0032 0.0036 0.0042 0.0050 ···
··· ··· ··· ··· ··· ··· ··· ··· ··· ···

59
 附录 B

表 B2 二次项系数查找表（部分）
··· 30 35 40 45 50 55 60 ···
0 ··· 0.0427 0.0485 0.0559 0.0659 0.0791 0.0967 0.1204 ···
10 ··· 0.0425 0.0483 0.0557 0.0656 0.0786 0.0961 0.1196 ···
20 ··· 0.0422 0.0478 0.0550 0.0646 0.0773 0.0943 0.1170 ···
30 ··· 0.0417 0.0471 0.0540 0.0632 0.0754 0.0916 0.1131 ···
40 ··· 0.0410 0.0461 0.0526 0.0613 0.0728 0.0881 0.1082 ···
50 ··· 0.0402 0.0450 0.0511 0.0593 0.0700 0.0841 0.1028 ···
60 ··· 0.0394 0.0438 0.0496 0.0571 0.0670 0.0801 0.0973 ···
70 ··· 0.0385 0.0427 0.0480 0.0550 0.0641 0.0762 0.0919 ···
80 ··· 0.0376 0.0416 0.0465 0.0530 0.0615 0.0726 0.0871 ···
90 ··· 0.0369 0.0406 0.0451 0.0512 0.0592 0.0695 0.0829 ···
100 ··· 0.0362 0.0397 0.0440 0.0498 0.0572 0.0669 0.0795 ···
110 ··· 0.0357 0.0390 0.0431 0.0486 0.0557 0.0649 0.0768 ···
120 ··· 0.0353 0.0384 0.0424 0.0477 0.0546 0.0635 0.0749 ···
··· ··· ··· ··· ··· ··· ··· ··· ··· ···

表 B3 一次项系数查找表（部分）
··· 30 35 40 45 50 55 60 ···
0 ··· 0.0502 0.0591 0.0714 0.0890 0.1146 0.1519 0.2089 ···
10 ··· 0.0499 0.0587 0.0708 0.0880 0.1128 0.1491 0.2045 ···
20 ··· 0.0490 0.0575 0.0691 0.0855 0.1086 0.1423 0.1932 ···
30 ··· 0.0472 0.0548 0.0653 0.0802 0.1012 0.1318 0.1777 ···
40 ··· 0.0460 0.0528 0.0620 0.0750 0.0933 0.1197 0.1594 ···
50 ··· 0.0437 0.0495 0.0575 0.0686 0.0842 0.1066 0.1399 ···
60 ··· 0.0421 0.0468 0.0533 0.0626 0.0757 0.0942 0.1216 ···
70 ··· 0.0408 0.0445 0.0497 0.0576 0.0684 0.0833 0.1052 ···
80 ··· 0.0398 0.0426 0.0469 0.0536 0.0620 0.0740 0.0928 ···
90 ··· 0.0390 0.0414 0.0453 0.0504 0.0572 0.0681 0.0838 ···
100 ··· 0.0388 0.0408 0.0444 0.0484 0.0552 0.0636 0.0768 ···
110 ··· 0.0394 0.0414 0.0440 0.0484 0.0535 0.0618 0.0739 ···
120 ··· 0.0404 0.0428 0.0454 0.0490 0.0546 0.0614 0.0726 ···
··· ··· ··· ··· ··· ··· ··· ··· ··· ···

60
 基于 6SV 模型的离水反射率提取方法改进及应用研究

表 B4 常数项系数查找表（部分）
··· 30 35 40 45 50 55 60 ···
0 ··· 0.0054 0.0054 0.0056 0.0059 0.0063 0.0070 0.0080 ···
10 ··· 0.0054 0.0054 0.0056 0.0059 0.0063 0.0070 0.0080 ···
20 ··· 0.0055 0.0055 0.0057 0.0059 0.0064 0.0070 0.0080 ···
30 ··· 0.0055 0.0056 0.0057 0.0060 0.0064 0.0071 0.0080 ···
40 ··· 0.0057 0.0057 0.0059 0.0062 0.0066 0.0072 0.0080 ···
50 ··· 0.0059 0.0059 0.0061 0.0064 0.0068 0.0073 0.0081 ···
60 ··· 0.0061 0.0062 0.0064 0.0067 0.0071 0.0076 0.0084 ···
70 ··· 0.0064 0.0065 0.0067 0.0070 0.0074 0.0080 0.0087 ···
80 ··· 0.0068 0.0069 0.0072 0.0075 0.0079 0.0085 0.0093 ···
90 ··· 0.0072 0.0074 0.0077 0.0081 0.0085 0.0092 0.0100 ···
100 ··· 0.0076 0.0079 0.0083 0.0087 0.0093 0.0100 0.0109 ···
110 ··· 0.0080 0.0084 0.0089 0.0094 0.0101 0.0109 0.0120 ···
120 ··· 0.0085 0.0089 0.0095 0.0101 0.0109 0.0118 0.0131 ···
··· ··· ··· ··· ··· ··· ··· ··· ··· ···

（3）大气校正参数 T
大气校正参数 T 分为大气上行透过率 Tv 和大气下行透过率 Ts，不同波段的
影响因子除 AOD 外，分别为卫星观测角和太阳观测角。并且对应拟合曲线相同，
因此仅展示 Ts 和太阳天顶角的多项式拟合查找表，表 B5-B8 为不同波段查找表。
表 B5 三次项系数查找表
658nm 847nm 460nm 550nm
0 0.0576 0.0488 0.0021 0.0607
5 0.0577 0.0489 0.0013 0.0608
10 0.0578 0.0493 0.0014 0.0608
15 0.0580 0.0498 0.0016 0.0608
20 0.0583 0.0506 0.0018 0.0608
25 0.0586 0.0515 0.0022 0.0608
30 0.0589 0.0524 0.0027 0.0607
35 0.0590 0.0535 0.0034 0.0604
40 0.0591 0.0545 0.0042 0.0600
45 0.0588 0.0553 0.0054 0.0592
50 0.0583 0.0559 0.0069 0.0582
55 0.0573 0.0561 0.0087 0.0567
60 0.0559 0.0558 0.0109 0.0547
65 0.0538 0.0546 0.0134 0.0521
70 0.0509 0.0526 0.0157 0.0490
75 0.0473 0.0495 0.0171 0.0450
80 0.0427 0.0451 0.0156 0.0402

61
 附录 B

表 B6 二次项系数查找表
658nm 847nm 460nm 550nm
0 0.5643 0.4782 0.0207 0.5949
5 0.5648 0.4793 0.0124 0.5950
10 0.5662 0.4826 0.0135 0.5953
15 0.5684 0.4880 0.0152 0.5957
20 0.5711 0.4952 0.0178 0.5959
25 0.5739 0.5039 0.0214 0.5956
30 0.5765 0.5137 0.0263 0.5944
35 0.5782 0.5238 0.0330 0.5918
40 0.5784 0.5336 0.0415 0.5872
45 0.5763 0.5421 0.0528 0.5801
50 0.5710 0.5479 0.0672 0.5695
55 0.5616 0.5498 0.0851 0.5550
60 0.5471 0.5461 0.1068 0.5356
65 0.5265 0.5351 0.1311 0.5107
70 0.4989 0.5151 0.1542 0.4794
75 0.4633 0.4844 0.1671 0.4410
80 0.4184 0.4419 0.1526 0.3937

表 B7 一次项系数查找表
658nm 847nm 460nm 550nm
0 -1.4471 -1.3379 -0.2325 -1.4649
5 -1.4471 -1.3391 -0.2337 -1.4643
10 -1.4470 -1.3428 -0.2374 -1.4622
15 -1.4466 -1.3485 -0.2436 -1.4586
20 -1.4453 -1.3559 -0.2526 -1.4529
25 -1.4425 -1.3641 -0.2647 -1.4446
30 -1.4373 -1.3723 -0.2802 -1.4330
35 -1.4287 -1.3791 -0.2996 -1.4171
40 -1.4154 -1.3830 -0.3235 -1.3959
45 -1.3961 -1.3821 -0.3522 -1.3683
50 -1.3691 -1.3740 -0.3862 -1.3331
55 -1.3329 -1.3563 -0.4250 -1.2890
60 -1.2857 -1.3259 -0.4671 -1.2348
65 -1.2257 -1.2800 -0.5081 -1.1691
70 -1.1515 -1.2154 -0.5382 -1.0908
75 -1.0614 -1.1295 -0.5376 -0.9984
80 -0.9534 -1.0204 -0.4750 -0.8887

62
 基于 6SV 模型的离水反射率提取方法改进及应用研究

表 B8 常数项系数查找表
658nm 847nm 460nm 550nm
0 0.9047 0.9565 0.9115 0.8585
5 0.9037 0.9557 0.9112 0.8574
10 0.9005 0.9533 0.9103 0.8538
15 0.8950 0.9491 0.9087 0.8478
20 0.8872 0.9430 0.9064 0.8393
25 0.8769 0.9348 0.9033 0.8281
30 0.8637 0.9241 0.8992 0.8140
35 0.8475 0.9105 0.8938 0.7968
40 0.8278 0.8935 0.8870 0.7762
45 0.8043 0.8725 0.8781 0.7520
50 0.7766 0.8469 0.8664 0.7238
55 0.7443 0.8160 0.8508 0.6914
60 0.7070 0.7789 0.8295 0.6545
65 0.6642 0.7349 0.7997 0.6128
70 0.6156 0.6831 0.7566 0.5661
75 0.5607 0.6230 0.6935 0.5139
80 0.4991 0.5541 0.6019 0.4553

（4）大气校正参数 Es
Es 受成像时间的影响，而成像时间为离散数据，无需进行线性拟合，仅生
成查找表，如表 B9 所示。
表 B9 大气校正参数 Es 的查找表
460nm 550nm 658nm 847nm
1月 2072.28 1802.78 1541.27 1017.20
2月 2056.70 1789.23 1530.56 1009.65
3月 2025.24 1762.72 1509.39 982.84
4月 1995.67 1736.99 1483.98 966.54
5月 1959.91 1705.86 1459.41 950.77
6月 1945.96 1693.72 1445.06 941.99
7月 1939.06 1687.71 1445.06 939.82
8月 1952.91 1699.77 1454.59 946.36
9月 1975.03 1718.18 1469.34 971.19
10 月 2011.33 1749.76 1494.24 987.65
11 月 2041.35 1775.88 1520.01 1004.68
12 月 2064.46 1795.98 1535.89 1014.67

63