第六章可见光与近红外波段-简讲

可见光与近红外波段遥感应用测绘系本章内容6.1植被遥感模型6.2水色遥感6.1植被遥感模型6.1.1植被指数分类

6.1.2土壤背景影响与消除6.1.3混合象元模型植被指数的由来当人们用不同波段的植被-土壤系统的反射率因子以一定的形式组合成一个参数时，发现它可以突出植被信息，抑制其它目标信息，同时它与植被特性参数间的函数联系（如LAI）比单一波段值更稳定、可靠。我们把这种多波段反射率因子的组合统称为植被指数（或植被光谱参数）。6.1.1植被指数分类根据函数形式，植被指数主要分为2类。（1）比值型植被指数

Rir与Rr分别为近红外与红色波段的反射率。

RVI称为比值植被指数

NDVI称为标准差值植被指数（2）垂直距离型植被指数

PVI称为垂直植被指数6.1.1植被指数分类NDVIRVI垂直植被指数的物理意义：θARirRrθθPVI土壤线θ

为土壤线与Rr坐标轴之间的夹角。若忽略土壤线在Rir轴上的截距，则A(Rr,Rir)的PVI值实际上就是A点到土壤线的垂直距离。1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。植被的RVI通常大于2；

2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；

3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；

4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。比值植被指数——RVI的特性归一化植被指数——NDVI的特性

1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；

2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；

3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；

4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；波段号波段类型波长（um）空间分辨率（m）功能与主要用途1蓝色0.45-0.5230对水体有穿透能力，用来分析土地利用、干燥的土壤、植被特征、编制森林分布图2绿色0.52-0.6030对水体的穿透能力较强，对植被的反射敏感，位于叶绿素的两个吸收带之间，利用这一波段增强鉴别植被的能力；能区分林型、树种3红色0.63-0.6930位于叶绿素的吸收区，能增强植被覆盖与无植被之间的反差，亦能增强同类植被的反差；可根据植被的色调判断植物的健康状况4近红外0.76-0.9030集中反映植物的强反射，用于植被类型、生物量和作物长势的调查，绘制水体边界和土壤湿度，也可用来增强土壤与农作物和陆地与水域之间的反差5中红外1.55-1.7530处于水的吸收带，对含水量反应敏感，可用于土壤湿度、植物含水量调查、水分状况研究、作物长势分析6热红外10.4-12.5120属于热红外波段，对热异常敏感。监测与人类活动有关的热特征，用于热分布制图、岩石识别和地质探矿、水体温度变化制图7中红外2.08-2.3530探测高温辐射源，如监测森里火灾、火山活动等，区分岩石类型、地质探矿与制图应用植被指数提取植被信息比单通道值准确可靠植被-土壤系统是一个复杂的非朗伯体系，其反射率是太阳方向、传感器方向、自身结构参数（LAI、LAD等）、光学参数（叶片反射率与透过率、土壤发射率等）等因子的函数，不同种类、不同发育期会有所变化，而且有些参数难以获得。此外，由于自然状况（风、病虫害）和人为状况的影响，各通道反射率也会发生变化，造成判读困难。当采用多波段时，可以通过比值或差值形式，部分消除某些参数（如LAD）在各波段上产生的同步影响。(2)传感器测量的是来自目标的辐射亮度值，当辐射环境发生变化时（如大气透明度变化造成太阳直射和天空光变化，地形地貌也会影响辐射环境），接收的目标亮度会发生变化，难以作为判读的依据。但植被指数可以部分消除这一影响。其中S、F分别为太阳光谱和传感器响应函数，则有：B受辐射环境变化的影响比单一波段要小得多。6.1植被遥感模型

6.1.1植被指数分类

6.1.2土壤背景影响与消除6.1.3混合象元模型6.1.4冠层反射率模型—辐射传输模型NDVI中的土壤背景影响假设存在土壤线（斜率M，截距I）：Rs,ir=MRs,r+I回忆：对于裸露土壤：如假设I=0，则NDVI=(M-1)/(M+1)，不等于0；如I≠0，则NDVI=[(M-1)Rs,r+I]/[M+1)Rs,r+I]，不仅不等于0，而且与土壤辐射亮度有关。所以NDVI受土壤影响较大。同时由于NDVI饱和值很低（LAIMAX≈2-3）、非朗伯特性显著、大气影响较大，因此NDVI不是一个好的植被指数形式。6.1.2土壤背景影响与消除NDVI指数的一个假设是研究区域内的所有土壤类型都是相同的，而建筑用地及盐碱地与有植被覆盖的土地类型受土地背景影响严重，就不能单一的应用NDVI指数进行区分。Huete提出了土壤调节植被指数SAVI，引入了土壤调节因子l，使无论深色或浅色土壤背景中求得的植被指数都完全相等，从而消除了土壤背景的干扰。SAVI指数计算公式为：公式中，l即为土壤调节因子，其值介于0～1之间。“0”和“1”分别代表植被覆盖率极高和极低的两种极端情况。通常选择0.5可以较好地减弱土壤的背景差异，减弱土壤的噪声影响。由于引入了土壤调节因子，SAVI适用于城区的提取。6.1.2土壤背景影响与消除NDVIRVI6.1植被遥感模型

6.1.1植被指数分类

6.1.2土壤背景影响与消除

6.1.3混合象元模型6.1.4冠层反射率模型—辐射传输模型6.1.3混合象元模型混合象元(mixedpixel)象元中存在多于1种地物时，称其为“混合象元”。与此相对应，只包括1种地物的象元为“纯象元”(purepixel)。事实上，遥感图象中，尤其是低空间分辨率的图象中，各个象元通常都包括多种地物。尽管不同的自然地物有其不同的波谱、时间、角度等特征，但是遥感记录的象元只有单一的波谱、时间、角度等特征，即混杂后的特征。它给遥感解译造成困扰。1km*1km方框(相当于NOAA-AVHRR象元)北京城郊Landsat-TM图象(分辨率30m)从左图可以看出来，1个AVHRR象元中存在多种地物，如小麦、村庄、裸地、水体、道路等，即混合象元。该象元反射率不同于任一单纯地物的反射率。同物异谱、异物同谱端元(endmember)如果用混合象元进行判读，会造成很大误差。通常需要对混合象元进行分解，分析混合象元中存在的地物种类及其所占比例。分解混合象元时，被分解出来的成分称为端元。每个端元通常对应一种地物。端元常被认为组成混合象元的最基本的成分；在混合象元模型中，端元是不能再分的。6.1.3混合象元模型我们可以认为一个混合象元由植被、裸地、水体组成，此时端元就是植被、裸地和水体。如果我们需要在植被中区分小麦和林地，在裸地中区分村庄和撂荒地，则此时我们认为一个混合象元由小麦、林地、村庄、撂荒地和水体等端元组成。端元的个数完全根据实际需要、遥感数据（多维）信息量、以及端元之间的差异而确定。6.1.3混合象元模型子象元(sub-pixel)当我们描述混合象元内部某种地物时，也常称其为子象元。子象元，顾名思义，就是指尺度小于一个象元，而我们又希望予以关注的地物。象元是我们可以判读遥感图像的最基本单元，也就是说，当地物小于1个象元时，通常是不能被判读出来的，这时，需要我们进行象元分解。6.1.3混合象元模型总之：当我们关注象元时，我们用混合象元或纯象元等名词。当我们关注象元内部时，我们用端元或子象元等名词。通常，端元的含义与子象元的含义相同。混合象元分解也称为子象元分解，主要目的就是为了求算各子象元（端元）所占的面积（比例）。当然，子象元（端元）的精确位置是无法通过分解确定的。6.1.3混合象元模型混合象元模型混合象元模型的公式可以表示为，象元反射率是所组成端元的反射率、各端元所占面积比例、以及其它参数的函数，即：ρ=F(ρ1,a1,ρ2,a2,……,ρn,an,X)其中j=1,…,n表示端元序号，ρ为反射率，a为面积比例，X表示其它各种参数（可能不止1个）。6.1.3混合象元模型混合象元模型有很多类型。其中最早使用、最简单、目前还常被使用的是线性模型。以下，我们将主要介绍线性模型。6.1.3混合象元模型只考虑2个端元的线性模型考虑1个混合象元中只存在植被和裸土，此时混合象元的反射率为：ρ=ρvav+ρsas其中，ρ为反射率，a为面积比例，下标v代表植被，下标s代表裸土。avas6.1.3混合象元模型注意到：ρ=ρvav+ρs(1-av)av+as=1则此时上式可以写为：如果我们已经知道了植被反射率ρv，以及裸土反射率ρs，则通过探测到的象元反射率ρ，即可反演出植被所占面积比例av，进而根据象元面积，得出植被面积。裸土的面积比例也可通过1-av获得。6.1.3混合象元模型考虑3个端元的线性模型考虑1个混合象元中存在植被、裸土和水体，此时混合象元的反射率为：ρ=ρvav+ρsas+ρwaw其中，ρ为反射率，a为面积比例，下标v代表植被，下标s代表裸土，下标w代表水体。6.1.3混合象元模型注意到：ρ=ρvav+ρsas+ρw(1–av-as)av+as+aw=1则此时上式可以写为：如果我们已经知道了各端元的反射率ρv、ρs

、ρw，也知道探测到的象元反射率ρ，但由于该式有2个未知数，av与as，仍无法求解。此时，必须引入更多的遥感信息，以构成至少由2个非同构方程组成的方程组，才可以求解。6.1.3混合象元模型我们可以获取2个波段（如红波段和近红外波段）的遥感数据，以构成方程组：上述方程组有2个方程，2个未知数，可以求解出我们所需要的av、as、aw。同样地，我们也可以选取2个时相的遥感数据，构成上述方程组，进行求解。只要端元的反射率有不同的变化（以避免方程同构）即可。面积不变，反射率变6.1.3混合象元模型考虑n个端元的线性模型结合上述模型分析，我们可以概括出包括n个端元的混合象元在第i个波段或时相的反射率为：其中，ρ为反射率，a为面积比例，下标j代表第j个端元。并有：6.1.3混合象元模型大写ρ其中|ρ|、|e|均为m行的单列矩阵，|Ρ|为m行n列矩阵，|a|为n行单列矩阵。模型反演就是求解方程组的过程，有很多种解法，这里就不列举了。6.1.3混合象元模型如果可虑误差项，则混合象元反射率可以写为：其中e为遥感数据的误差项。由此我们可以列出由m个波段或时相数据构成的方程组，并用矩阵表示：上式各项具体矩阵表达式如何方程数多于未知数时，可以进一步提高反演精度。要保证上式能反演，未知数的个数要小于等于独立方程的个数，注意到面积比例和为1，增加了1个方程，则首要的反演条件为：nm+1其次，端元所占面积比例在所采用的数据集中不能有变化。6.1.3混合象元模型反演的精度取决于：象元反射率与端元反射率的精度。其次，遥感数据集的选取也很重要。端元的反射率在不同数据中差别越大，反演越精确。模型中的误差项主要是由于遥感数据误差、混合象元中其它端元的贡献、以及其它随机误差引起的。6.1.3混合象元模型6.1植被遥感模型

6.1.1植被指数分类

6.1.2土壤背景影响与消除6.1.3混合象元模型6.1.4冠层反射率模型—辐射传输模型我们如何定量地研究植被覆盖区域的反射特征？植被遥感中，从一开始就被普遍认同和采用的方法是，利用植被反射光谱在可见光和近红外波段上明显的不同，构建遥感植被指数，在研究纠正植被形态、土壤光学特性、太阳位置以及云和大气等影响的基础上，反演地表状况，用以与各种植被变量（包括LAI）、植株生物量、植被覆盖度、光合组织总量、光合有效辐射和初级生产力等因子进行相关。这种方法抓住了植被的光谱特征，简单而明确，具有很强的实用性，易于为大多数研究者所接受。目前开展的大部分植被遥感的研究工作都是从这方面展开的。6.1.4冠层反射率模型—辐射传输模型但是不可否认的是，遥感也象其它学科一样，经历着从简单到复杂、从定性到定量的发展过程和发展趋势，尤其是作为一门新兴学科，更是如此。以植被指数、光谱-地物相关方法为代表的工作是在实验数据和感官经验的基础上完成的，缺乏一套有力完整的理论体系作支撑，因而是经验或半经验的。其理论基础是统计相关，其根本弱点在于主观性和片面性，具有数据的局限性和结果的难以重复性。随着遥感定量化呼声日高和遥感手段的日益丰富完备，迫切需要发展有物理意义的理论模型，解决植被遥感中存在的问题和不足。6.1.4冠层反射率模型—辐射传输模型在研究植被等地物的光谱特征时，人们逐渐发现了“同物异谱、异物同谱”的现象，地面测量的光谱曲线与实际遥感测量的光谱曲线很难一一对应。研究者考虑到这种现象可能是混合象元引起的，于是引进了混合象元模型及其求解方法。在混合象元中，植被的反射率是已知的。但是实际上，由于植被反射率是由叶片、下层土壤等形成的综合因素，即植被区域不是一个平面刚体，辐射是可以穿过冠层表面的，通过各种散射后，再从冠层上界逸出，被传感器所接收。因而形成冠层反射率模型。可以这样认为，混合象元是二维的，冠层反射率模型是三维的。6.1.4冠层反射率模型—辐射传输模型如果从遥感分析的角度，我们可以依据尺度由大向小排列顺序如下：

象元之间的关系，即遥感影象上的纹理特征；象元本身的属性，如根据象元光谱特征，进行分类；混合象元，即判断象元内部各种地物所占比例；端元（冠层）反射，表征端元内部由于辐射进入，或邻近遮挡而引起的辐射变化；材料波谱，如叶片内部各组分的结构与光谱特征。其中第一个属于遥感数字图象处理研究范畴，后两个属于遥感物理研究范畴，而中间两个则属于二者交叉研究范畴。6.1.4冠层反射率模型—辐射传输模型在冠层反射率模型中，通常分为两类，即几何光学模型与辐射传输模型。之所以分成两类模型，主要是由于地面的植被（在生态学上就是林地、草地、农田）主要有两种外在形态。一种是几何特征明显（如树木、灌丛、成垄分布的农作物等），另一种则无明显几何特征（如大面积的草地、已封垄的农作物等）。当然，由于相互融合，两类模型现在已经区分不明显了，即以几何光学为基础的模型加入了对多次散射的考虑，而以辐射传输为基础的模型加入了对热点现象的考虑。6.1.4冠层反射率模型—辐射传输模型热点(hotspot)现象所谓热点(hotspot)现象，即当传感器与太阳位于同一方向时，传感器所接收的地面辐射最强（地面反射率最大、地面光强最强、最热）。几何光学模型可以较好地解释热点现象。a(θv,φv)a(θi,φi)O(θi,θv,φ)6.1.4冠层反射率模型—辐射传输模型辐射传输模型植被遥感接收的信息是植被上界的出射辐射（不考虑大气影响），它是辐射在植被—土壤耦合体系中多次散射和吸收的结果，而辐射传输理论可以比较系统、较完整地描述该过程。通过辐射传输理论，我们可以准确地计算植被上界的出射辐射量，或根据这一信息反演植被的光学特性和结构特性，因而从理论的高度解决了植被遥感的定量化问题。同时在解决问题的过程中，还可以借鉴许多辐射传输理论的最新进展和突破，从而将使这一领域充满活力。6.1.4冠层反射率模型—辐射传输模型植被遥感传输理论的三个里程碑成果：1950年，Chandrasekhar给出辐射传输方程的具体表达式，并在大气和核物理等研究领域迅速得到应用和发展。

1953年，门司正三和佐伯敏郎（MonsiandSaeki）从实测测定和理论推导两方面建立了光强对叶面积的依赖关系。其中所采用的理论就是辐射传输的基本定律—Beer-Lambert消光定律，从而开始了用辐射传输理论对植被冠层的研究。

1975年，在总结前人多年工作的基础上，Ross出版了他的论著（俄文版），正式确定了植被内部的辐射传输方程，进而建立植被光学特性和结构特性与辐射场之间的关系。6.1.4冠层反射率模型—辐射传输模型与大气相比，植被中的辐射传输过程要复杂得多，这集中表现在两点：

大气中散射和吸收粒子的分布可以看成是平面平行分布，即粒子特性仅随高度发生变化，同一高度上的分布可以看成均一分布；而植被则在三维空间上均有变化，植被个体间往往存在一不定期的间隙，造成其在水平面上的不连续性，因而使问题复杂化。在本节中，我们考虑连续植被分布，或者植被个体间虽有间断，但却均匀分布（其体现的效果相当于个体密度之和在整个平面上的平均），这时植被叶片密度呈平面平行分布。这种假设符合农作物、自然草场以及一些较密的森林的状况。6.1.4冠层反射率模型—辐射传输模型

大气中散射体为粒状分布，而植被中散射体—叶片则有一定的取向和大小。前者造成植被中的辐射不仅与传输路径长度和路径上叶片密度有关，而且与路径上叶片的取向有关；后者则造成明显的“热点”现象（浓云反射也存在这种现象），即当观测方向与辐射方向正好相反时，出现较强的反射亮度。综上所述，植被中的辐射传输问题既有一般辐射传输问题所具有的共性，也有其独有的个性；它是植被遥感定量化的桥梁的纽带，是解释植被—土壤体系双向反射特性的最好的技术手段之一。6.1.5冠层反射率模型—辐射传输模型总结植被指数（0维）--混合象元（2维）--冠层反射率（3维）纹理-象元-端元-组分-材料叶片尺度与取向造成植被辐射传输的特殊性6.1.4冠层反射率模型—辐射传输模型植被辐射传输模型中的三个参数植被中主要的光合组织是叶片，辐射在植被中进行传输时，更多地是与叶片发生相互作用而改变辐射特性，因而在本节的讨论范畴内，仅限于叶片对辐射传输的影响。叶片的物理特性包括叶片尺度、叶片取向、叶表面粗糙度以及叶片光学性质（如反射率、透过率和吸收率）等。由于我们更重视由叶片所组成的整体性质，因此需要定义一些植被群体特性参数，它们是对植被冠层结构和光学特征的一种提炼化描述，是对全体叶片分布统计平均的结果。这些统计量包括叶面积密度分布、G函数和函数。6.1.4冠层反射率模型—辐射传输模型叶面积密度分布辐射在介质中传输时，所受到的影响与散射体和吸收体的密度分布有很大关系。对于植被而言，则为叶片。叶面积密度指单位体积内叶片（单面）面积总和，它在空间分布的形式称为叶面积密度分布，通常以uL(r)表示，单位为米-1。在植被平面平行分布的假设下，可以表示为uL(r)=uL(z)，即叶面积密度只随垂直高度变化而改变，同一层的叶面积密度是均一的。uL(z)对dz在0-H区域积分，等于？6.1.4冠层反射率模型—辐射传输模型对于叶面积密度分布，存在：式中积分上限H为植被冠层深度，z的取向向下（即z=0为植被上界，z=H为植被下界），L0为叶面积指数（无单位量纲），是农学、植被生态学中最重要、最常用的参数。叶面积密度铅垂分布uL(z)是植被切层研究的基本参数，因此为广大研究者所重视，并针对不同植被冠层给出很多种函数表达。当植被分布完全均一时，uL(z)如何表示？叶面积指数的含义6.1.4冠层反射率模型—辐射传输模型G函数植被辐射传输过程与散射和吸收介质—叶片取向有很大的关系，这是其它领域内的辐射传输问题所没有的。引入叶片法向分布概率密度gL(r,ΩL)，表示位置r处，法向（取其上半球空间单面法向）为ΩL附近单位立体角内的叶片概率，并存在归一化条件：式中积分区域2π+

为上半球空间，这是因为叶片只能计算单面。对于平面平行假设，存在gL(r,ΩL)=gL(z,ΩL)。6.1.4冠层反射率模型—辐射传输模型gL(z,ΩL)为叶片取向的函数，是与辐射传输方向无关的量。为表示植被体内辐射场的分布与gL(z,ΩL)的关系，通常要引入一个中间变量，这个变量就是RossandNilson提出的G函数，它的定义为：式中Ω为辐射传输方向，Ω·ΩL为两个方向矢量的点积，即方向夹角的余弦：式中，、L分别为传输方向和叶片法向的天项角，、L分别为两个方向的方位角。6.1.4冠层反射率模型—辐射传输模型GL(z,Ω)的物理含义是位置z处，所有叶片的法向在传输方向Ω上的平均投影。它是植被辐射传输方程中所采用的一个重要参数，是与其它介质中辐射传输方程表述的根本区别所在。G函数是传输方向Ω的函数，它的取值限定了介质中在该方向上散射和吸收截面大小。6.1.4冠层反射率模型—辐射传输模型Γ函数同其它辐射传输理论一样，植被中也定义了散射相函数，记为函数。函数同样与散射点处的叶片取向有关，并且不是归一化的。首先引入叶片散射相函数γL(ΩL,Ω’Ω)，表示当方向为Ω’的辐射入射到法向取向为ΩL的叶片时，被散射到Ω方向的比例。6.1.4冠层反射率模型—辐射传输模型为表征叶片群体的散射特征，必须引入函数。发生散射的位置z处，法向为ΩL的叶片微分概率为gL(z,ΩL)dΩL，当以Ω’入射时，入射强度还需要乘以因子|cosα’|，因此引入：若叶片存在双半球散射特征，则群体散射相函数为：式中的积分区域Ω±满足±cosαcosα’>0，且Ω++Ω-=2π+。6.1.4冠层反射率模型—辐射传输模型式中，α’=cos-1(Ω’·ΩL)为入射角，α=cos-1(Ω·ΩL)为出射角，rL为叶片反射率，tL为叶片透射率。对一般情况，函数仅能计算数值解；特别情况下可以得到函数的解析解。例如对叶片球型取向（各向均一）的植被，当叶片反射率与透射率相等时，函数即为：6.1.4冠层反射率模型—辐射传输模型总结叶面积密度分布、G函数和函数均为表征叶片群体特征的统计量。叶面积密度分布可以与叶面积指数挂钩。G函数为植被传输中所特有，可以与叶倾角LAD挂钩。函数是植被辐射传输方程中的散射相函数。6.1.4冠层反射率模型—辐射传输模型本章内容6.1植被遥感模型6.2水色遥感自然界水体遥感利用遥感技术可以探测自然界中水体特性。根据自然界水体种类，可以分为：海洋遥感、湖泊遥感、河流遥感等；根据采用的遥感技术手段，可以分为：光学遥感、热红外遥感、微波遥感等。利用光学遥感技术探测水体中的叶绿素、黄色物质、泥沙悬浮物等，称为水色遥感。光学遥感还可以监测海（湖、河）冰、表面油膜污染、水深、船舶等。热红外、微波能做什么？6.2水色遥感海色遥感海色遥感的主要目标是监测海洋中叶绿素浓度分布和变化，进而分析海洋中的光合作用，评估海洋初级生产力和全球碳平衡。海色遥感模型主要分为2类，一是针对大洋水（通称Case1，一类水体），一是针对近岸水（通称Case2，二类水体）。大洋水中对光场影响的物质主要是以藻类形式存在的叶绿素。近岸水则由于河口排放和潮汐作用，增加了泥沙和黄色物质等变量。大洋水清澈、近岸水浑浊6.2水色遥感遥感器接收的水体表面亮度值L(λ)为遥感器测得的总辐射亮度，Lw(λ)为离水辐射亮度，Ls(λ)为水面对大气下行辐射（天空光）及太阳直射辐射的反射，L0(λ)为大气路径辐射，t(λ)为大气漫射透过率。LwLsL0水面水底6.2水色遥感离水辐射Lw是由水分子及水中悬浮物质对入射辐射的后向散射，以及水底反射（通常水深时照不到水底，此项为0）产生的。建立其与悬浮物质浓度的函数关系，以便反演我们希望获得的信息，是水色遥感的主要目标。水面反射Ls中太阳直射部分能量较大，易导致遥感器信号饱和，丧失对水色的观测能力，需要控制遥感器视向避开其干扰。水面反射可以看作镜面反射，利用菲涅耳公式即可计算其强度，难度在于水面起伏以及白帽效应产生的破碎镜面问题。大气路径辐射L0可以通过大气订正消除。水色遥感最大的难点在于我们关心的离水辐射在接收的总辐射中所占比例不足10%。对遥感器、处理方法信噪比的要求高6.2水色遥感水体中的辐射传输水体中的辐射传输过程，决定了水体中的辐射场分布，可以用辐射传输方程表述。假设水体的光学性质是水平均一、垂直分层的，则有其中c(z)为消光系数，β(z,Ω,Ω’)为体散射函数。β与散射相函数P的关系为：6.2水色遥感示例——海洋遥感海洋遥感理论基础海洋遥感应用总结与展望内容简介海洋遥感海洋遥感理论基础海洋遥感理论基础引言海洋遥感水体的光学性质内容引言20世纪90年代以来发射的海洋卫星及应用于海洋探测的航天遥感器越来越多，精度越来越高，不仅可以探测影响海洋生态环境的水色要素、悬浮泥沙、叶绿素和污染物等悬浮体的分布场及动态变化，而且可以探测海面动力场、海洋策略场和海面地形，探测目标为海面风场、浪场、流场、温场、海面拓扑与冰面拓扑等，为海洋研究提供了可靠的技术手段。海洋遥感海洋遥感（OceanographicRemoteSensing）是指以海洋及海岸带作为监测、研究对象的遥感。

包括物理海洋学遥感，如对海面温度、海浪谱、海风矢量、全球海平面变化等的遥感；生物海洋学和化学海洋学遥感，如对海洋水色、黄色物体、叶绿素浓度等的遥感；海冰监测，如监测海冰类型、分布和动态变化；海洋污染监测，如油膜污染等。海洋遥感的概念海洋遥感的内容海洋遥感不受地表、海面、天气和人为条件的限制其宏观特性使它能进行大范围海洋资源普查、海洋制图以及海冰、海洋污染监测

能周期性地监测大洋环流、海面温度场的变化、鱼群的迁移、污染物的运移等多波段、高光谱海洋遥感可以提供海量海洋遥感信息，开拓人们的视野能达到同步观测风、流、污染、海气相互作用，并获取能量收支信息海洋遥感的优点海洋遥感自美国在1978年发射了世界上第一颗海洋卫星以来，欧空局、俄国、日本、法国、加拿大、韩国和印度等相继发射了一系列海洋卫星。2002年5月15日，我国第一颗海洋探测卫星“海洋一号”（HY-1A）与“风云一号”气象卫星作为一箭双星同时发射升空。我国的HY-1A以可见光、红外波段传感器探测水色、水温为主，设计寿命为两年。海洋遥感卫星及传感器海洋遥感1985年以来发射的海洋卫星海洋遥感海洋传感器及其应用水体的光学性质活的藻类细胞。其浓度可有很大变化。连带的碎屑。即由浮游生物的自然死亡降解和浮游动物的消化排泄产生的碎屑。溶解有机质。由藻类和它们的碎屑释放出来的物质(黄色物质)。悬浮的泥沙。沿岸海底和浅海区因海流等作用而搅起的泥沙。陆源颗粒。河流冰川带入的矿物颗粒等。陆源溶解有机质（黄色物质）。人类活动产生并进入海洋的颗粒和溶解物一般水体可能含有以下7种成分水体的光学性质典型的一类水体是大洋开阔水体。一类水体的组成，可以简单地看作由浮游生物的主要成分Chl-a，及其降解物--褐色素a(phea-a)，以及伴随的黄色物质组成。二类水体是除一类水体外的可能包括所有上述7种成分或更多的所有水体。典型的二类水体是近岸、河口区域的水体。

水体的分类水体的光学性质两类水体的图示水体的光学性质固有光学量表观光学量黄色物质浮游植物

悬浮物质

水底效应内容叶绿素水体的光学特性水体的光学特性对水环境光学性质影响最大的典型代表为单细胞植物，通过光合作用将水和CO2转变为有机物质，全球碳循环的重要组成部分。初级生产量占全球生物圈内光合作用固着有机物的一半。指示浮游植物数量，生活在透光层，主要受光照、营养物质供应、温度、盐度等的影响。浮游植物叶绿素水体光学特性由MODIS影像得到的全球叶绿素浓度水体光学特性由SeaWiFS影像得到的全球叶绿素浓度水体光学特性叶绿素浓度分布的时空变化水体光学特性叶绿素浓度分布的时空变化水体的光学特性

浮游植物除外的所有无机物微粒。主要在近岸和内陆水体，并且对水色和水质改变很大。有色可溶性有机物。主要来源于水中生物体代谢和腐烂物，也与陆地径流有关，在蓝光处强烈吸收和发出荧光，使海水呈浅黄色在海水中的化学性质较稳定，可以作为海水污染程度的“指示剂”。光可以到达水体底部时。悬浮物质黄色物质水底效应水体的光学特性悬浮泥沙浓度反演结果(1998年4月3日)水体光学特性悬浮泥沙的空间分布水体光学特性悬浮泥沙的时间变化水体光学特性五类水质空间中样本的反射特性水体光学特性

固有光学量(InherentOpticalProperties,IOPs)是指只与水体成分有关而不随光照条件变化而变化的量。随光照条件变化而变化的量，如向下辐照度Ed、向上辐照度Eu、离水辐射率LW、遥感反射率Rrs、辐照度比R等，以及这些量的漫衰减系数。这些参数必须进行归一化，才有可能进行不同时间、地点测量结果的比较。固有光学量表观光学量水体光学特性水色遥感就是利用表观光学量(AOPs)来反演出水体成分的浓度，其基本量是离水辐射率LW(Water-leavingRadiance)。水色遥感反演模型利用的辐射参量：离水辐射率、归一化离水辐射率、正水面下辐照比（或漫反射比）、遥感反射率等。水体成分吸收特征纯(海)水(w)、及典型的叶绿素（C）、悬浮泥沙(X)、黄色物质(Y)的光谱吸收特征。水体成分归一化单位光谱吸收系数曲线海洋遥感海洋遥感应用海洋遥感应用内容介绍海洋水色遥感研究海洋遥感在海水赤潮中的应用遥感在海洋渔业中的应用遥感在海岸带海洋地质环境调查中的应用遥感在海洋灾害污染预警中的应用海洋水色遥感海洋水色卫星遥感自1978年10月美国国家宇航局（NASA）成功发射雨云—7号（Nimbus-7）卫星装载的海岸带水色扫描仪（CZCS）以来，经过近18年的实验分析研究，在20世纪最后5年出现了各国竞相发射海洋水色卫星的热潮。一直工作到1986年，首先揭示了全球性海区色素的时空分布和变化。1987年和1989年我国分别发射了FY—1A和FY—1B卫星，其中都配置了两个海洋水色通道的高分辨率扫描辐射计VHRSR，虽然两颗卫星的工作时间都不长，但首次获得了我国海区较高质量的叶绿素浓度和悬浮泥沙分布图。1997年9月美国发射了专门海洋水色卫星海星号SeaStar。海洋水色卫星海洋水色遥感海洋水色卫星遥感器的性能海洋水色遥感海洋水色卫星遥感器的性能海洋水色遥感海洋水色遥感海洋水色是海洋光化学、海洋生物作用、海气界面生物地球化学通量及对全球气候变化影响研究的重要内容。海洋水色遥感图像上，每一像元灰度值与海洋的离水辐射率相对应，能够反映与离水辐射率相关联的因素如叶绿素浓度、悬浮泥沙含量、可溶有机物含量、真光层厚度、油膜覆盖等信息。例如：海面叶绿素遥感的机理是基于不同的浮游植物浓度有着不同的辐射光谱特性，因而可以利用不同叶绿素浓度的水体的光谱特性来定量遥感海面叶绿素含量。

基于测量透射入水的太阳辐射经过海面反射和透射后到达遥感器的辐射，即离水辐射。海洋水色遥感离水辐射率海洋水色遥感水色卫星遥感资料应用的几个关键技术辐射定标与真实性检验

大气校正定量模式及反演技术辐射定标是获取准确可靠的水色遥感数据的重要条件。真实性检验可有效地评价遥感数据的产品质量。在可见光波段大气的分子及气溶胶的后向散射占了传感器接收辐射量的80%以上。因此大气校正正是海洋水色遥感数据应用的关键。遥感技术的生命在于应用。大面积快速获取的信息通过增强、提取、定量计算才能反演成为客户最终需要的物理参数。海洋水色遥感水色遥感定量反演遥感在赤潮中的应用赤潮是在特定的环境条件下，海水中某些浮游植物、原生动物或细菌爆发性增殖或高度聚集而引起水体变色的一种有害生态现象我国赤潮的高发区为：渤海湾、大连湾、长江口、福建、沿海、广东和香港海域。遥感在赤潮中的应用海水富营养化是赤潮发生的物质基础和首要条件水文气象和海水化学因子的变化是赤潮发生的重要原因海水养殖的自身污染亦是诱发赤潮的因素之一破坏海洋生态平衡对海洋渔业和水产资源造成破坏赤潮对人类健康的危害赤潮发生的条件赤潮发生的影响遥感在赤潮中的应用由赤潮发生的机理得知，叶绿素a浓度、藻类的品种数量、浮游细菌浓度是预测赤潮发生的重要参数。赤潮发生时，由于浮游植物大量繁殖，使海水逐渐变色。可见，监测水体的水色光谱响应变化，是监测赤潮的重要手段。在避开太阳直射反射的情况下，水体光谱测量数据为：

Lsea=Lw+rLsky得Lw=Lsea-rLsky当离水辐射度确定以后需根据相关模型进行计算漫反射比和遥感反射率的关系。赤潮研究遥感在海洋渔业中的应用遥感在海洋渔业中的应用遥感在海洋渔业中的应用1、随着遥感技术的发展和遥感数据共享平台的建设，遥感为海洋渔业提供了日益丰富、准确的数据。2、渔业遥感的信息分析水平得到了进一步提高。3、渔业遥感、地理信息系统、全球定位系统等高新技术进一步紧密结合。4、渔业遥感的应用分析模型得到了进一步发展。遥感在海洋渔业应用中的研究进展遥感在海洋地质环境调查中的应用海洋国土资源、环境基本状况依然不清，资料老化，与实际情况存在较大差异；资料数据精度差，由于过去采用的调查技术手段落后，定位精度不高，因此总体精度不理想，给应用带来困难；实测资料不足、区域不全、调查范围小、周期长，开发利用、管理决策依据不足；调查比例尺过小，海洋国土资源总量评估过于粗糙，不利于新资源、新矿种的发现；调查目标单一，缺乏综合性、实用性；缺乏长期连续的动态监测。传统海洋地质调查的缺点

国家间的边界线作为国家主权的象征，历来受到世界各国政府和军事当局的高度重视。采用专用卫星勘测调查，不仅能在短时间内迅速成图，还为国家节省了大量人力、物力和资金,而且勘测精度高、数据更新快，更重要的是它一开始就能与中国正在建设中的“数字中国”、“数字地球”的计划有效地结合在一起。遥感在海洋地质环境调查中的应用1、海洋边界勘测海洋地质调查需求分析遥感在海洋地质环境调查中的应用2、海洋生物资源和矿产资源的调查

中国海岸线漫长，大陆架海床上有丰富的生物资源，物产资源丰富，不仅如此，它还是地球上矿藏资源最丰富的聚宝盆。石油、镍、锰、铀矿等战略资源蕴藏丰富。世界各国都不约而同地在新世纪里将海洋作为开发的重点。由于季节的不同，环境生态系统有很大差异，研究海洋地质应有长期的观测资料，且应具备动态监测能力。功能强大的海洋地质调查卫星可以满足以上需求。遥感在海洋地质环境调查中的应用

领海作为国家海上主权的象征，历来为各国政府和军事部门所重视。随着世界各国开发海洋资源热潮的到来，国家间领海争端将不可避免。特别是联合国公布了《海洋法公约》，各国享有320km专属经济区的决议，各国海洋纠纷持续不断。

3、海洋监测和保卫领海主权由于蓝—绿激光器能穿透海水，所以该波长的激光器是可以使用的水下目标探测手段，可以装在卫星上，发射激光脉冲,根据有关反射信号及其信号结构来推断所探测的水下目标。美国国防部制图管理局曾用低功率激光器进行了沿岸40m深以内的海底地形测量。国外刊物报导过美国也曾研制成功了能探测150m深海底潜艇的激光器，建议中国研制的“海洋地质调查卫星”装备蓝绿激光器，利用其可以穿透浅层海水的特性，直接探测5～100m的海底世界，绘制出相应比例尺的海底地形地貌图。遥感在海洋地质环境调查中的应用1、水深探测。利用遥感技术反演水深的物理基础是光线对水体有一定的穿透力，在不同波长的电磁波中，可见光波段具有最大的大气透过率和最小的水体衰减系数，因而是水深遥感的最佳波段，由于光在水体中的辐射传输非常复杂，而在实际应用中，某些参量的测量受到一定程度的限制，故通常采用理论模型的简化而得到半理论半经验的水深遥感模型。

遥感在海洋地质环境调查中的应用2、滩涂演变。利用卫星遥感图像监测滩涂演变时，通常是把从不同时相影像上提取的潮滩矢量数据叠加在一起分析，然而各时相影像的成像时刻并不是该区的最低潮时间，这样简单的从卫星遥感图像上提取出滩涂进行比较，并不能真实的反映出滩涂的演变。

可以采用两滩涂之间的潮沟进行分析，由于该区滩涂与潮沟相间分布，由潮沟的变化可以判别出滩涂的变化。在TM图像中，TM3的水与滩地的分界线是最明显的，故采用TM3提取滩涂的边界线。首先对TM3用高斯卷积模板对图像锐化，突出边界，然后采用阀值分割法对图像分割提取滩涂的边界。遥感在海洋灾害污染中的应用随着海洋开发深度、广度的不断拓展，全球的海洋环境质量每况愈下，海洋环境监测与保护问题日益成为国际社会普遍关注的热点。利用海洋遥感卫星，能够实现对全球海洋环境的同步观测，对我国近海海域水色信息进行大尺度、定量化提取，为海洋环境保护提供必要依据。遥感在海洋灾害污染中的应用海洋灾害一般是指海上强台风、海啸、巨浪、风暴潮和海冰等，这些灾害性海况不仅对海上作业、海上交通运输及海洋油气开发造成重大影响，甚至会使陆上的经济生产造成巨大损失，如强台风登陆。灾害性海况监测与预报，需要对海上风场、海面波浪场以及波浪能量谱等进行全天时、全天候监测，而且要求监测覆盖面广、周期短、精度高，卫星遥感正好满足这方面的需求。通过卫星上的合成孔径雷达、微波散射计等传感器，可以获得海况的监测数据，或者把数据作为预报模型的输入，经过推理、演算后应用于海况预报。遥感在海洋灾害中的应用

遥感在海洋灾害污染中的应用海洋污染源主要