Landsat_5_MSS...和植被指数一致性分析与纠正_赵聪.pdf

赵聪,秦其明,吴自华.Landsat 5 MSS 和 TM 地表反射率和植被指数一致性分析与纠正 J.地理科学,2023,43(6):1078-1087.Zhao Cong,Qin Qiming,Wu Zihua.Consistency analysis and correction of surface reflectance and vegetation indices of Landsat 5 MSS and TM.Scientia Geographica Sinica,2023,43(6):1078-1087.doi:10.13249/ki.sgs.2023.06.014Landsat 5 MSS 和 TM 地表反射率和植被指数一致性分析与纠正赵聪1，秦其明1,2,3，吴自华1（1.北京大学地球与空间科学学院遥感与地理信息系统研究所，北京 100871；2.空间信息集成与 3S 工程应用北京市重点实验室，北京 100871；3.自然资源部地理信息系统技术创新中心，北京 100871）摘要摘要：基于 PROSAIL 模型模拟数据，分析 Landsat 5 MSS 和 TM 地表反射率及 4 种植被指数（NDVI，EVI2，SAVI和 OSAVI）的一致性并提出纠正方法，最后使用真实的 MSS 和 TM 数据进行验证。本文进一步讨论了大气因素对二者植被指数之间的一致性的影响。研究结果表明，对于地表反射率，线性回归模型和多元线性回归模型可以将基于模拟数据计算得到的 Landsat MSS 等效反射率数据较为理想地纠正至 Landsat TM 波段上，但对于真实 MSS 遥感数据，反射率纠正模型在 MSS 传感器的绿光、红光和近红外 2 波段上效果不明显；对于植被指数一致性和纠正问题，使用 MSS 红光波段和近红外 1 波段先计算植被指数再使用线性回归模型进行纠正不论在模拟数据还是真实数据上均取得了最好的效果；植被指数的一致性容易受大气参数中气溶胶光学厚度估算误差影响，而受到水汽柱浓度估算误差的影响较小。关键词关键词：Landsat MSS；Landsat TM；地表反射率；植被指数；一致性分析中图分类号中图分类号：TP732文献标识码文献标识码：A文章编号文章编号：1000-0690(2023)06-1078-10 Landsat 卫星数据是目前使用最为广泛的长时间序列中高分辨率遥感数据集之一，在全球土地覆盖、植被生长状况动态变化等研究领域发挥了重要的作用。作为 Landsat 卫星系列的首款传感器，Landsat MSS 传感器搭载在 Landsat 1-5 卫星上，获取了从 19721999 年的全球多光谱遥感观测数据。作为遥感发展早期的重要历史数据和 20 世纪 70年代几乎唯一的对地观测数据，这一数据有着独特的应用价值。然而，Landsat MSS 传感器的波段设置与后续的 Landsat TM 传感器相比差异较大，对地观测结果存在较大的系统性偏差。搭载在 Landsat 1-5 上的 MSS 传感器有绿光、红光和 2 个近红外波段，空间分辨率为 60 m。与之相比，Landsat 4-5 上搭载的 TM 传感器有蓝光、绿光、红光、近红外、短波红外 1、短波红外 2 共 6 个光学波段和一个热红外波段，光学波段空间分辨率为 30 m，热红外波段空间分辨率 120 m。且从光谱响应上看，TM 传感器在红光和绿光波段的波段宽度窄于 MSS 的红光波段，而 MSS 传感器在近红外具有 2 个观测波段，分别覆盖了植被光谱的红边和近红外高反射率平台。因此，有必要分析 Landsat MSS 和 TM 两种传感器观测的地表反射率与植被指数的一致性并提出纠正方法。针对不同传感器对地观测结果之间的一致性的问题，许多国内外研究者进行了研究。Zhang 等、Nie 等、Chen 等分别研究了不同地区的 Sentinel-2数据和 Landsat-8 数据之间的一致性，结果表明高纬度地区 Sentinel-2 和 Landsat-8 数据的一致性劣于低纬度地区1-3。近年来，一些研究者重新开始关注 MSS 数据。Chen 等利用 Hyperion 高光谱卫星数据和传感器光谱响应函数给出了从 Landsat MSS到 TM 的表观反射率纠正公式，并分析了基于 MSS 收稿日期收稿日期：2022-05-24；修订日期修订日期：2022-08-20基金项目基金项目：国家自然科学基金项目(42071314)资助。Foundation:National Natural Science Foundation of China(42071314).作者简介作者简介：赵聪（1995），男，辽宁铁岭人，博士研究生，主要从事历史遥感数据处理研究。E-mail:通信作者通信作者：秦其明。E-mail: 第 43 卷第 6 期地理科学Vol.43 No.62023 年 06 月Scientia Geographica SinicaJune,2023和 TM 两种传感器表观反射率计算的 NDVI 的一致性4。进一步地，Chen 等在后续研究中使用模拟数据研究了 Landsat 系列卫星各传感器计算的表观反射率之间的一致性5。然而，目前尚无针对 MSS和 TM 的地表反射率的一致性与纠正方法的系统性研究。由于 Landsat 5 MSS 传感器与 TM 传感器同时对地观测，二者观测时相和观测角度无明显区别，且前人研究表明，光谱响应函数之间的差异是 Land-sat 5 MSS 和 TM 两种传感器对地观测结果不一致的决定性因素6-8。本文从 2 种传感器光谱响应函数差异出发，在 PROSAIL 模型模拟地表植被冠层反射率光谱的基础上，分析 Landsat 5 MSS 和 TM 地表反射率及植被指数的一致性并提出纠正方法，并根据 6S 大气辐射传输模型定量分析气溶胶光学厚度和水汽估算误差对地表反射率和植被指数一致性和纠正模型的影响，最后使用真实的 Landsat 5 MSS和 TM 地表反射率和植被指数数据进行验证。1 数据及研究方法 1.1 数据数据 1.1.1 PROSAIL 模型模拟数据PROSAIL 模型是模拟叶片反射率的 PRO-SPECT 模型和基于植被叶片反射率的模拟植被冠层反射率的 SAILH 模型的结合9，是目前遥感中常用的植被冠层辐射传输模型。PROSAIL 模型可以模拟 4002 500 nm 的植被冠层光谱曲线，其输入参数可分为叶片生理生化参数（如叶片叶绿素浓度、叶片等效水厚度、叶片干物质量等）、叶片结构参数、叶面积指数、叶倾角分布、太阳几何、观测几何等。为模拟各种条件下的植被冠层光谱，除太阳几何和观测几何之外，其他参数设置均采用均匀分布，具体参数设置如表 1 所示。根据 PROSAIL 输入参数进行植被冠层高光谱模拟，得到 100 000 条植被光谱。将得到的植被光谱，根据 Landsat MSS 和 TM 的光谱响应函数重采样至对应的宽波段上，公式如下：broadband=RSR()H()dRSRd（1）RSR()H()broadband式中，表示传感器的光谱响应函数，表示 PROSAIL 模拟光谱，表示重采样后得到的等效宽波段反射率。1.1.2 Landsat MSS 和 TM 数据与预处理本文所用的 Landsat MSS 和 TM 影像是美国地质调查局（United States Geological Survey，USGS）网站公开发布的 C2L1 级（Collection 2 Level-1）产品。其中，本文选择了地理配准精度较高的 5 景影像做进一步分析与验证（具体使用的影像如表 2 所示）。获取的 Landsat MSS 和 TM 影像需经过辐射定标和大气纠正将 DN 值转化为地表反射率数据。辐射定标系数来源于影像元数据文件6。MSS 和TM 的大气纠正采用 Zhao 等8提出的基于地表能见度观测数据和 6S 大气辐射传输模型的方法。1.2 方法方法 1.2.1 6S 大气辐射传输模型6S 辐射传输模型是 Vermote 等在 5S 模型的基础上进行改进的，其基本原理可以表示为如下形式9：TOA(s,v,P,Aer,UH2O,UO3)=TgOGTgO3(UO3)atm(s,v,P,Aer,UH2O)+Tratm(s,v,P,Aer)s1Satm(P,Aer)sTgH2O（2）TOAsSatmTratmatmsvPTgO3TgH2OTgOG式中，表示大气层顶表观反射率，表示地表反射率，表示大气半球反照率，表示大气总透过率，表示大气固有反射率，、表示太阳天顶角、观测天顶角和相对方位角，表示大气气压，、分别表示臭氧、水汽和其他气体的 表表 1 PROSAIL 模型输入参数模型输入参数Table 1 Input parameters of PROSAIL model 参数取值或取值范围叶面积指数0,5干湿土因子0,1土壤亮度因子1太阳天顶角/()30观测天顶角/()0相对方位角/()0,360叶片叶绿素a、b浓度/(ug/cm2)10,80叶片类胡萝卜素浓度/(ug/cm2)0,20叶片等效水厚度/cm0.02,0.08叶片干物质量/(g/cm2)0.002,0.01叶片结构参数0.8,2.5褐色素浓度0热点效应系数0.1叶倾角分布统一型，球面型，平面型，竖直型，倾斜型，极端型6 期赵聪等：Landsat 5 MSS 和 TM 地表反射率和植被指数一致性分析与纠正1079 UH2OUO3Aer总透射率，和表示大气水汽和臭氧含量，表示气溶胶参数。在已知大气参数的情况下，基于 6S 模型可实现地表反射率到表观辐亮度的相互转化。本文选取不同气溶胶光学厚度（Aerosol Optical Depth，AOD）和水汽柱浓度（Column Water Vapor，CWV）作为表观辐亮度模拟过程的大气参数输入值和大气校正过程的大气参数输入值，模拟不同大气纠正误差下的植被冠层反射率。具体而言，AOD 取值范围为0.11.0，间隔为 0.1；水汽柱浓度取值范围为 15g/cm2，间隔为 0.5 g/cm2。Pinto 等人对 Landsat MSS 数据辐射定标的研究表明，以 Landsat 5 TM 的表观反射率或表观辐亮度为真值，Landsat 5 MSS 辐射定标带来的相对不确定度较小6。因此，在本研究中忽略 MSS 和 TM辐射定标的相对不确定度带来的影响。1.2.2 常用植被指数由于 Landsat MSS 传感器没有蓝光和短波红外波段，本文选择了时间序列遥感研究中较为常用且不包含蓝光和短波红外波段的 4 种植被指数，包括归一化差值植被指数（Normalized Difference Ve-getation Index,NDVI）、增强型植被指数（EnhancedVegetation Index,EVI2）10、土壤调节植被指数（SoilAdjusted Vegetation Index，SAVI）11和优化土壤调节植被指数（Optimized Soil Adjusted Vegetation In-dex，OSAVI）12。各植被指数的具体计算公式如下：NDVI=NIRRedNIR+Red（3）EVI2=GNIRRedNIR+LRed+C（4）SAVI=(1+P)NIRRedNIR+Red+P（5）OSAVI=NIRRedNIR+Red+0.16（6）NIRRedGLCPG=2.5 L=2.4 C=1 P=0.5式中，为像元近红外波段的地表反射率，为像元红光波段的地表反射率，、为经验系数，一般情况下取，。1.2.3 一致性分析与纠正方法在比较基于 MSS 和 TM 两种传感器的植被指数一致性时，有先纠正 MSS 反射率再计算植被指数和先根据 MSS 反射率计算植被指数再进行纠正 2 种方法。本文采用常用的线性回归（LinearRegression，LR）模型，以 Landsat MSS 波段反射率和植被指数作为自变量，对应的 Landsat TM 波段反射率和植被指数作为因变量构建回归方程：TM=LRref(MSS)=AMSS+B（7）VI(TM)=LRVIVI(MSS)VILRref(MSS)（8）LRrefLRVIVIMSSTM式中，和表示对应反射率线性回归模型和植被指数线性回归模型，A 和 B 为线性回归方程的斜率和截距表示计算植被指数，和 分别表示 MSS 和 TM 反射率。特别地，由于 MSS 具有 2个近红外波段，在构建近红外波段反射率的线性回归模型时，构建利用 2 个近红外波段的多元线性回归模型如下：TM,NIR=MLRref(MSS,NIR)=AMSS,NIR1+BMSS,NIR2+C（9）TM,NIRMSS,NIR1MSS,NIR2式中，表示 TM 近红外波段反射率，和表示 MSS 近红外 1 波段和 2 波段反射率，MLR 表示多元线性回归（Multiple Linear Regres-sion，MLR）模型。由于目前 TM 影像在时间序列遥感中广泛应用，本文选取 TM 反射率和基于 TM 反射率计算的植被指数作为参考基准值。2 结果与分析 2.1 基于模拟数据的地表反射率和植被指数的一基于模拟数据的地表反射率和植被指数的一致性分析与纠正致性分析与纠正2 种传感器对地表反射率观测的不一致性导致 表表 2 本研究使用本研究使用的的 Landsat MSS 和和 TM 影像影像Table 2 Image pairs of Landsat MSS and TM used in this research 编号MSSTM1LM05_L1TP_123 035_19 950 612_20 180 314_01_T2LT05_L1TP_123 035_19 950 612_20 170 107_01_T12LM05_L1TP_123 032_19 841 003_20 180 411_01_T2LT05_L1TP_123 032_19 841 003_20 170 220_01_T13LM05_L1TP_119 032_19 840 719_20 180 410_01_T2LT05_L1TP_119 032_19 840 719_20 170 220_01_T14LM05_L1TP_132 042_19 871 230_20 180 330_01_T2LT05_L1TP_132 042_19 871 230_20 170 210_01_T15LM05_L1TP_120 039_19 841 030_20 180 411_01_T2LT05_L1TP_120 039_19 841 030_20 170 220_01_T11080地理科学43 卷 了基于地表反射率计算的植被指数之间的不一致性。因此，在比较植被指数前，首先要对反射率本身的一致性进行分析。图 1 展示了基于 PROSAIL 模型重采样得到的各波段 MSS 等效反射率和 TM 等效反射率的相关关系。由于 MSS 近红外 1 波段和 TM 近红外波段的光谱响应函数差异最大，相应的反射率相关性最低，RMSE 最高，而在其他波段，MSS 和 TM 等效反射率的相关性较好，RMSE 较小。MSS 等效反射率与对应波段的 TM 等效反射率的决定系数 R2均大于 0.96，说明各波段间线性关系明显，可使用线性回归模型进行纠正。使用线性回归模型可以纠正降低 MSS 和 TM 模拟等效反射率的系统性偏差，使用纠正模型进行纠正后 RMSE 最大的波段依然为 MSS 近红外 1 波段，最小为红光波段。图 2 为基于模拟数据的等效反射率和纠正后等效反射率计算的 MSS 和 TM 植被指数的相关关系和具体数值。尽管 MSS 近红外 1 波段和 TM的近红外波段反射率的系统性偏差较大，但利用等效反射率直接计算 MSS 植被指数经过纠正后有最小的误差。这表明在只考虑 MSS 和 TM 光谱响应的条件下，应使用 MSS 近红外 1 波段反射率计算植被指数再通过线性回归模型进行纠正。在实际的 Landsat MSS 影像中，受制于当时的传感器技术，影像的各个波段质量存在差异，且与后续传感器相比更容易出现光饱和现象，因此在实际使用纠正模型时需要选择 3 种方法中最合适的一种。2.2 基于实际遥感数据的反射率和植被指数的一基于实际遥感数据的反射率和植被指数的一致性分析与纠正致性分析与纠正使用 2.1 中基于模拟数据的反射率和植被指数纠正模型，将其直接应用到真实配对的 MSS 和TM 遥感影像中。本文主要研究对象为植被覆盖地表，在进行植被指数的一致性分析与验证时，首先进行了植被覆盖地表的筛选，之后得到的结果如表 3和表 4 所示。表 3 为真实 Landsat MSS 地表反射率数据纠正前后的结果。对比模拟数据和真实数据地表反射率一致性分析的结果，可以发现线性回归模型能稳定地提高模拟数据的纠正精度，且真实地表反射率的 RMSE 显著大于模拟数据的 RMSE。因为使用模拟数据进行建模时只考虑了 Landsat MSS 和TM 两种传感器光谱响应之间的差异，而忽略了传 00.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.0MSS绿光波段反射率a00.20.40.60.81.0TM绿光波段反射率TM红光波段反射率校正前RMSE=0.007决定系数R2=0.989校正公式y=1.071x0.001校正后RMSE=0.00511线回归线11线回归线11线回归线11线11线回归线MSS红光波段反射率bde校正前RMSE=0.005决定系数R2=0.993校正公式y=1.007x0.003校正后RMSE=0.004MSS近红外1波段反射率cTM近红外波段反射率校正前RMSE=0.083决定系数R2=0.963校正公式y=1.214x+0.005校正后RMSE=0.026MSS近红外2波段反射率00.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.0TM近红外波段反射率校正前RMSE=0.024决定系数R2=0.986校正公式y=1.115x0.033校正后RMSE=0.016基于多元线型回归模型的MSS近红外波段反射率TM近红外波段反射率决定系数R2=0.987校正后RMSE=0.016校正公式y=0.211x1+0.927x20.029颜色越深表示点越密集图 1 MSS 等效反射率和 TM 等效反射率的相关关系Fig.1 Relationship between equivalent reflectance of MSS and TM bands6 期赵聪等：Landsat 5 MSS 和 TM 地表反射率和植被指数一致性分析与纠正1081 感器随机噪声、几何配准误差等因素带来的影响。表 3 表明，在光谱响应差异最大的 MSS 近红外 1波段和 TM 近红外波段，纠正后的精度提升最大。表 4 为真实 Landsat MSS 植被指数纠正前后 00.20.40.60.81.0NDVI(MSS红光和近红外1反射率)00.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.000.20.40.60.81.0NDVI(TM反射率)校正前RMSE=0.052校正公式y=0.956x+0.081校正后RMSE=0.01111线回归线11线回归线11线回归线11线回归线11线回归线11线回归线11线回归线11线回归线11线回归线11线回归线11线回归线11线回归线NDVI(MSS红光和近红外2反射率)校正前RMSE=0.026校正公式y=1.086x0.055校正后RMSE=0.019NDVI(MSS红光和近红外校正反射率)校正前RMSE=0.022校正公式y=1.053x0.032校正后RMSE=0.018EVI2(MSS红光和近红外1反射率)EVI2(TM反射率)校正前RMSE=0.108校正公式y=1.171x+0.024校正后RMSE=0.017EVI2(MSS红光和近红外2反射率)校正前RMSE=0.036校正公式y=1.125x0.048校正后RMSE=0.018EVI2(MSS红光和近红外校正反射率)校正前RMSE=0.043校正公式y=1.138x0.041校正后RMSE=0.011SAVI(MSS红光和近红外1反射率)SAVI(TM反射率)校正前RMSE=0.085校正公式y=1.107x+0.034校正后RMSE=0.013SAVI(MSS红光和近红外2反射率)校正前RMSE=0.028校正公式y=1.121x0.049校正后RMSE=0.015SAVI(MSS红光和近红外校正反射率)校正前RMSE=0.032校正公式y=1.123x0.039校正后RMSE=0.009OSAVI(MSS红光和近红外1反射率)OSAVI(TM反射率)校正前RMSE=0.063校正公式y=1.032x+0.047校正后RMSE=0.008OSAVI(MSS红光和近红外2反射率)校正前RMSE=0.023校正公式y=1.109x0.049校正后RMSE=0.014OSAVI(MSS红光和近红外校正反射率)校正前RMSE=0.023校正公式y=1.094x0.035校正后RMSE=0.010颜色越深表示点越密集图 2 基于不同纠正模型的 MSS 和 TM 植被指数相关关系Fig.2 Relationship of vegetation indices of MSS and TM by different correction models1082地理科学43 卷 的结果。对比模拟数据和真实数据植被指数一致性分析的结果，可见基于 MSS 红光波段和近红外2 波段计算的 MSS 植被指数和基于 MSS 纠正反射率计算的 MSS 植被指数的精度提升不显著。3种方法中，使用 MSS 红光波段和近红外 1 波段计算的植被指数经过线性回归模型纠正后取得了各纠正模型中的最高精度，因此在对早期 LandsatMSS 数据进行植被指数计算时应使用该方法。3 讨论传感器观测了经辐射定标得到表观辐亮度或表观反射率后，需经过大气纠正得到地表反射率，大气因素是引起表观反射率和地表反射率差异的根本原因。在各种大气因素中，气溶胶光学厚度和水汽柱浓度是描述大气光学特性的主要参数，本节应用模拟数据和实际配对的遥感数据，以无大气误差的 TM 植被指数为参考基准值，定量讨论不同 AOD 和 CWV 对植被指数一致性的影响。3.1 大气气溶胶光学厚度估算误差对植被指数一大气气溶胶光学厚度估算误差对植被指数一致性的影响致性的影响图 3 展示了在模拟数据中不同 AOD 估算误差对 4 种植被指数的影响。图 3 表明，AOD 高估和低估都会给植被指数带来比较大的影响。当真实AOD 设定为 0.5 时，曲线是非对称分布的，输入AOD 较大带来的误差大于输入 AOD 较小带来的误差。对比真实 AOD 设定为 0.1 和 1.0 时的误差曲线，可以发现真实 AOD 为 0.1 时的误差曲线最大值小于真实 AOD 为 1.0 时的误差曲线最大值。这说明，AOD 的高估比 AOD 的低估给植被指数一致性带来更大的影响。在 4 种植被指数中，NDVI的大气效应明显大于其他 3 种植被指数。根据式（2），在 AOD 高估时，大气程辐射也将被高估，进而导致真实反射率较低的像元反射率反演值偏低，即可能出现当植被强吸收的红光波段的地表反射率反演值低于 0 的情况，此时计算得到 NDVI 计算将大于 1，进而引起较大误差。因此在未知 AOD 的条件下，输入 AOD 偏高将带来更大的 NDVI 计算误差。而对于其他 3 种植被指数，指数的分母部分都加入了默认参数，有效地降低了 AOD 高估时像元反射率小于 0 带来的误差。图 4 展示了实际影像的不同 AOD 估算误差对 4 种植被指数的影响。对比图 3 和图 4 可以发现 3 种植被指数纠正模型受到 AOD 估算误差的影响较一致，且在实际影像中，AOD 高估的影响依然比 AOD 低估的影响大。相同 AOD 估算误差给真实数据带来的植被指数精度损失高于给模拟数据带 表表 3 基于真基于真实实 MSS 和和 TM 数据的地表反射率纠正模型比较数据的地表反射率纠正模型比较Table 3 Comparison of surface reflectance correction models using real images pairs of MSS and TM 自变量X因变量Y纠正前RMSE纠正后RMSEMSS绿光TM绿光0.0170.016MSS红光TM红光0.0180.019MSS近红外1TM近红外0.0670.040MSS近红外2TM近红外0.0410.044MSS近红外（多元线性回归）TM近红外0.046注：加粗表示取得验证最低RMSE，即最高精度；表示无此项。表表 4 基于真基于真实实 MSS 和和 TM 数据的植被指数的纠正模型比较数据的植被指数的纠正模型比较Table 4 Comparison of vegetation indices correction models using real images pairs of MSS and TM 植被指数基于MSS红光波段和近红外1波段的植被指数基于MSS红光波段和近红外2波段的植被指数基于MSS纠正反射率计算的植被指数纠正前RMSE纠正后RMSE纠正前RMSE纠正后RMSERMSENDVI0.099 10.072 80.087 30.087 00.097 2EVI20.165 40.127 70.154 30.164 20.179 7SAVI0.137 70.107 50.131 80.141 30.151 4OSAVI0.099 10.074 00.083 70.088 40.097 2注：加粗表示取得验证最低RMSE，即最高精度。6 期赵聪等：Landsat 5 MSS 和 TM 地表反射率和植被指数一致性分析与纠正1083 来的精度损失。3.2 大气水汽含量估算误差对植被指数一致性的大气水汽含量估算误差对植被指数一致性的影响影响大气纠正中对地表反射率影响的另一个重要因素是水汽。图 5 展示了在模拟数据中不同水汽柱浓度估算误差对 4 种植被指数一致性的影响。图 5表明基于模拟数据计算的 4 种植被指数一致性受到水汽含量反演误差的影响较小，误差均小于 0.06。0.10.30.50.70.9大气校正AOD实际输入值00.20.40.60.81.00.10.30.50.70.9大气校正AOD实际输入值00.20.40.60.81.00.10.30.50.70.9大气校正AOD实际输入值00.20.40.60.81.00.10.30.50.70.9大气校正AOD实际输入值00.20.40.60.81.0NDVI RMSE真实AOD为0.1真实AOD为0.5真实AOD为1.0真实AOD为0.1真实AOD为0.5真实AOD为1.0真实AOD为0.1真实AOD为0.5真实AOD为1.0真实AOD为0.1真实AOD为0.5真实AOD为1.0EVI2 RMSESAVI RMSEOSAVI RMSE1.11.11.11.1图 3 真实 AOD 为 0.1、0.5、1.0 时植被指数 RMSE 随反演 AOD 的变化Fig.3 Relationship between RMSEs of VIs and retrieved AOD with true AOD of 0.1,0.5,1.0 00.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.000.2 0.4 0.6 0.8 1.000.20.40.60.81.0NDVI-RMSE影像1影像2影像3影像4影像5EVI2-RMSESAVI-RMSEAODOSAVI-RMSEAODAODAODAODB2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率蓝色竖线表示该影像区域 AOD 实际值图 4 大气校正输入参数中气溶胶光学厚度对植被指数 RMSE 的影响Fig.4 Impacts of AOD inputs of atmospheric correction on RMSE of VIs1084地理科学43 卷 在 4 种植被指数中，EVI2 的一致性受到水汽含量的影响大于其他 3 种植被指数的一致性。图 6 展示了实际影像的不同水汽柱浓度估算误差对 4 种植被指数一致性的影响。对比图 5 和图 6 可以发现不论是在模拟数据还是真实数据，大气水汽柱浓度对 4 种植被指数一致性计算结果影 1.01.52.02.53.03.54.04.55.0大气校正水汽柱浓度实际输入值/(g/cm2)00.020.040.060.080.101.01.52.02.53.03.54.04.55.0大气校正水汽柱浓度实际输入值/(g/cm2)00.020.040.060.080.101.01.52.02.53.03.54.04.55.0大气校正水汽柱浓度实际输入值/(g/cm2)00.020.040.060.080.101.01.52.02.53.03.54.04.55.0大气校正水汽柱浓度实际输入值/(g/cm2)00.020.040.060.080.10NDVI RMSE真实水汽为1 g/cm2真实水汽为3 g/cm2真实水汽为5 g/cm2真实水汽为1 g/cm2真实水汽为3 g/cm2真实水汽为5 g/cm2真实水汽为1 g/cm2真实水汽为3 g/cm2真实水汽为5 g/cm2真实水汽为1 g/cm2真实水汽为3 g/cm2真实水汽为5 g/cm2EVI2 RMSESAVI RMSEOSAVI RMSE图 5 真实水汽含量为 1、3、5 g/cm2时水汽反演值对植被指数 RMSE 的影像情况Fig.5 Relationship between RMSEs of VIs and retrieved CWV with true CWV of 1,3,5 g/cm2 00.20.40.60.81.0NDVI-RMSE影像1B2B3校正后B2B4校正后先校正反射率影像2影像3影像4影像51.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.000.20.40.60.81.01.0 2.0 3.0 4.0 5.0EVI2-RMSESAVI-RMSECWV/(g/cm2)CWV/(g/cm2)CWV/(g/cm2)CWV/(g/cm2)CWV/(g/cm2)OSAVI-RMSEB2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后B2B4校正后先校正反射率B2B3校正后