Том 38, номер 11, статья № 9

Аннотация:

Получение качественной спутниковой информации важно для решения широкого круга задач мониторинга земной поверхности, например состояния лесов, продуктивности сельскохозяйственных угодий и др. Для выполнения качественной атмосферной коррекции (устранения искажающего влияния атмосферы) спутниковых изображений земной поверхности необходимо учитывать множество факторов, влияющих на принимаемый оптической системой сигнал, в частности неламбертовость отражения поверхности (отличие отражения от закона Ламберта, согласно которому излучение отражается одинаково во всех направлениях и зависит только от освещенности поверхности и коэффициента отражения). В некоторых алгоритмах неламбертовость отражения учитывается после решения задачи в приближении ламбертовского отражения. Используется предположение, что боковой подсвет (принимаемое излучение, отраженное соседними с наблюдаемым участками земной поверхности и рассеянное в атмосфере) формируется только поверхностями с ламбертовским отражением. Выполненные расчеты показывают, что при метеорологической дальности видимости S_M ≤ 6 км неучет неламбертовости приводит к погрешности определения коэффициента отражения, не превышающей 20,3%; неучет неламбертовости отражения при формировании бокового подсвета и дополнительной освещенности создает погрешность не более 12%, а дополнительной освещенности – не более 1,4%. Для более прозрачной атмосферы (S_M ≥ 6 км) максимальная погрешность для аналогичных моделей не превышает 92, 14 и 1,2% соответственно. При зенитных углах Солнца Θ_sun ≤ 60° и оптической оси приемной системы Θ_d ≤ 60° погрешности не превышают 30; 7,5 и 1% соответственно. Полученные результаты доказывают возможность учета неламбертовости отражения после учета бокового подсвета и дополнительной освещенности земной поверхности в приближении отражения Ламберта.

Ключевые слова:

атмосфера, метод Монте-Карло, неламбертовость отражения, перенос излучения, коэффициент отражения земной поверхности

Список литературы:

1. Tanre D., Herman M., Deschamps P.Y., de Leffe A. Atmospheric modeling for space measurements of ground reflectances, including bidirectional properties // Appl. Opt. 1979. V. 18, N 21. P. 3587–3594. DOI: 10.1364/AO.18.003587.
2. Сушкевич Т.А., Мишин И.В. Амплитудная и фазовая характеристики рассеивающего слоя // Докл. АН СССР. 1982. Т. 263, № 1. С. 60–63.
3. Мишин И.В. Исследование оптических характеристик системы земная поверхность – атмосфера методами теории трехмерного переноса: дис. … докт. физ.-мат. наук (05.07.12). М.: МИИГАиК, 1998. 300 с.
4. Gastellu-Etchegorry J.-P., Demarez V., Pinel V., Zagolski F. Modeling radiative transfer in heterogeneous 3-D vegetation canopies // Remote Sens. Environ. 1996. V. 58, N 2. P. 131–156. DOI: 10.1117/12.200743.
5. Martonchik J.V., Diner D.J., Kahn R.A., Ackerman T.P., Verstraete M.M., Pinty B., Gordon H.R. Techniques for the retrieval of aerosol properties over land and ocean using multiangle imaging // IEEE Trans. Geosci. Remote Sens. 1998. V. 36, N 4. P. 1212–1227. DOI: 10.1109/36.701027.
6. Pinty B., Roveda F., Verstraete M., Gobron N., Govaerts Y., Martonchik J., Diner D., Kahn R. Surface albedo retrieval from Meteosat: 1. Theory // J. Geophys. Res. 2000. V. 105, N D14. P. 18,099–18,112. DOI: 10.1029/2000JD900113.
7. Lyapustin A., Martonchik J., Wang Y., Laszlo I., Korkin S. Multiangle implementation of atmospheric correction (MAIAC): 1. Radiative transfer basis and look-up tables // J. Geophys. Res. 2011. V. 116. P. D03210. DOI: 10.1029/2010JD014985.
8. Shi H., Xiao Z., Wen J., Wu S. An Optical–thermal surface–atmosphere radiative transfer model coupling framework with topographic effects // IEEE Trans. Geosci. Remote Sens. 2022. V. 60. P. 1–12. DOI: 10.1109/TGRS.2020.3044061.
9. Gao B., Jia L., Menenti M. An improved method for retrieving land surface albedo over rugged terrain // IEEE Geosci. Remote Sens. Lett. 2014. V. 11, N 2. P. 554–558. DOI: 10.1109/LGRS.2013.2275072.
10. Yin G., Ma L., Zhao W., Zeng Y., Xu B., Wu S. Topographic correction for Landsat 8 OLI vegetation reflectances through path length correction: A comparison between explicit and implicit methods // IEEE Trans. Geosci. Remote Sens. 2020. V. 58, N 12. P. 8477–8489. DOI: 10.1109/TGRS.2020.2987985.
11. Yin G., Li J., Xu B., Zeng Ye., Wu Sh., Yan K., Verger A., Liu G. PLC-C: An integrated method for Sentinel-2 topographic and angular normalization // IEEE Geosci. Remote Sens. Lett. 2021. V. 18, N 8. P. 1446–1450. DOI: 10.1109/LGRS.2020.3001905.
12. Roujean J.-L., Tanré D., Bréon F.-M., Deuzé J.-L. Retrieval of land surface parameters from airborne POLDER bidirectional reflectance distribution function during HAPEX-Sahel // J. Geophys. Res. 1997. V. 102, N D10. P. 11.201–11.218. DOI: ff10.1029/97JD00341.
13. Lucht W., Schaaf C.B., Strahler A.H. An algorithm for the retrieval of albedo from space using semiempirical BRDF models // IEEE Trans. Geosci. Remote Sens. 2000. V. 38, N 2. P. 977–998. DOI: 10.1109/36.841980.
14. Bréon F.-M., Vermote E. Correction of MODIS surface reflectance time series for BRDF effects // Remote Sens. Environ. 2012. V. 125. P. 1–9. DOI: 10.1016/j.rse.2012.06.025.
15. Lyapustin A., Wang Y., Korkin S., Huang D. MODIS Collection 6 MAIAC algorithm // Atmos. Meas. Tech. 2018. V. 11. P. 5741–5765. DOI: 10.5194/amt-11-5741-2018.
16. Weyermann J., Kneubühler M., Schläpfer D., Schaepman M.E. Minimizing reflectance anisotropy effects in airborne spectroscopy data using Ross–Li model inversion with continuous field land cover stratification // IEEE Trans. Geosci. Remote Sens. 2015. V. 53, N 11. P. 5814–5823. DOI: 10.1109/TGRS.2015.2415872.
17. Fawcett D., Verhoef W., Schläpfer D., Schneider F.D., Schaepman M.E., Damm A. Advancing retrievals of surface reflectance and vegetation indices over forest ecosystems by combining imaging spectroscopy, digital object models, and 3D canopy modelling // Remote Sens. Environ. 2018. V. 204. P. 583–595. DOI: 10.1016/j.rse.2017.09.040.
18. Jia W., Pang Y., Tortini R., Schläpfer D., Li Z., Roujean J.-L. A Kernel-driven BRDF approach to correct airborne hyperspectral imagery over forested areas with rugged topography // Remote Sens. 2020. V. 12, N 3. P. 432. DOI: 10.3390/rs12030432.
19. Rahman H., Pinty B., Verstraete M.M. Coupled surface-atmosphere reflectance (CSAR) model: 2. Semiempirical surface model usable with NOAA advanced very high resolution radiometer data // J. Geophys. Res. 1993. V. 98, N D11. P. 20.791–20.801. DOI: 10.1029/93JD02072.
20. Powers B.J., Gerstl S.A.W. Modeling of atmospheric effects on the angular distribution of a backscattering peak // IEEE Trans. Geosci. Remote Sens. 1988. V. 26, N 5. P. 649–659. DOI: 10.1109/36.7691.
21. Maignan F., Bréon F.-M., Lacaze R. Bidirectional reflectance of Earth targets: Evaluation of analytical models using a large set of spaceborne measurements with emphasis on the Hot Spot // Remote Sens. Environ. 2004. V. 90, N 2. P. 210–220. DOI: 10.1016/J.RSE. 2003.12.006.
22. Tanre D., Holben B.N., Kaufman Y.J. Atmospheric correction algorithm for NOAA-AVHRR products: Theory and application // IEEE Trans. Geosci. Remote Sens. 1992. V. 30, N 2. P. 231–248. DOI: 10.1109/36.134074.
23. Collings S., Caccetta P., Campbell N., Wu X. Techniques for BRDF correction of hyperspectral mosaics // IEEE Trans. Geosci. Remote Sens. 2010. V. 48, N 2. P. 3733–3746. DOI: 10.1109/TGRS.2010.2048574.
24. Jensen D.J., Simard M., Cavanaugh K.C., Thompson D.R. Imaging spectroscopy BRDF correction for mapping Louisiana’s coastal ecosystems // IEEE Trans. Geosci. Remote Sens. 2017. V. 56. P. 1739–1748. DOI: 10.1109/TGRS.2017.2767607.
25. Jiao Z., Dong Y., Schaaf C.B., Chen J.M., Román M., Wang Z., Zhang H., Ding A., Erb A., Hill M.J. An algorithm for the retrieval of the clumping index (CI) from the MODIS BRDF product using an adjusted version of the kernel-driven BRDF model // Remote Sens. Environ. 2018. V. 209. P. 594–611. DOI: 10.1016/j.rse.2018.02.041.
26. Wen J., Liu Q., Xiao Q., Liu Q., You D., Hao D., Wu S., Lin X. Characterizing land surface anisotropic reflectance over rugged terrain: A review of concepts and recent developments // Remote Sens. 2018. V. 10. P. 370. DOI: 10.3390/rs10030370.
27. Wu S., Wen J., Gastellu-Etchegorry J.-P., Liu Q., You D., Xiao Q., Hao D., Lin X., Yin T. The definition of remotely sensed reflectance quantities suitable for rugged terrain // Remote Sens. Environ. 2019. V. 225. P. 403–415. DOI: 10.1016/j.rse.2019.01.005.
28. Putsay M. A simple atmospheric correction method for the short wave satellite images // Int. J. Remote Sens. 1992. V. 13, N 8. P. 1549–1558. DOI: 10.1080/01431169208904208.
29. Vermote E.F., Vermeulen A. Atmospheric Correction algorithm: Spectral Reflectances (MOD09). Algorithm Theoretical Background Document. Version 4.0. 1999. URL: http://modis.gsfc.nasa.gov/data/atbd/atbd_mod08.pdf (last access: 30.01.2023).
30. Kneizys F.X., Shettle E.P., Anderson G.P., Abreu L.W., Chetwynd J.H., Selby J.E.A., Clough S.A., Gallery W.O. User Guide to LOWTRAN-7. ARGL-TR-86-0177. ERP 1010. Hansom AFB. MA 01731. 1988. 137 p.
31. Белов В.В., Тарасенков М.В. Статистическое моделирование интенсивности световых потоков. отраженных сферической земной поверхностью // Оптика атмосф. и океана. 2010. Т. 23, № 1. С. 14–20; Belov V.V., Tarasenkov M.V. Statistical modeling of the intensity of light fluxes reflected by the Earth’s spherical surface // Atmos. Ocean. Opt. 2010. V. 23, N 3. P. 197–203.
32. Leroy M., Roujean J. Sun and view angle corrections on reflectances derived from NOAA/AVHRR data // IEEE Trans. Geosci. Remote Sens. 1994. V. 32, N 3. P. 684–697. DOI: 10.1109/36.297985.