高光谱遥感之光谱重建
一、光谱重建整体流程（辐射校正三大步骤）
原始 DN 灰度影像→传感器定标（DN→入瞳辐射 L）→大气校正（L→地表表观反射率）→光照 / 地形校正→地表真实反射率，三步合称辐射校正。原始影像受传感器、大气、太阳角度、地形干扰，无法直接得到真实地物反射率。
二、传感器定标
- 三类定标内容：光谱定标、辐射定标、空间定标。核心是辐射定标。
- 辐射定标三类方式
- 实验室定标：发射前标定，精度最高，基础定标；
- 星上定标：入轨后修正震动、温变带来的系数漂移；
- 场地定标：实地同步观测，国内 ** 敦煌（可见 / 近红外）、青海湖（热红外）** 两大校正场。
- 定标效果：白板、实测地物校正后影像光谱与标准参考光谱重合。
三、大气校正
消除大气吸收、散射造成的辐射畸变，分相对大气校正、绝对大气校正
1. 相对校正（得相对反射率）
1）暗目标法：暗目标波段值做基数全波段相减，消除加性误差；
2）平面场 / 内部平均法：像元 DN 除以均质样区 / 全图波段均值；
3）对数残差:，对数拆分剥离地形、光照，同步完成大气 + 地形校正；
4）波段间回归：长波无散射波段拟合校正短波。
高光谱遥感中的相对校正，目的是消除光照、地形和大气引起的图像内部不均匀性，但不恢复真实反射率。
暗目标法：就像一张照片上有灰尘污渍，你找到画面里最黑的那个点（本该纯黑），测出其灰度，然后整张照片都减去这个灰度，污渍就消失了。
平面场/内部平均法：好比用一张白纸校准偏色的相机——先拍下白纸作为标准，然后把所有像素的RGB值除以白纸的对应值，颜色就正常了。
对数残差法：类似分离鸡尾酒中的基酒和果汁——通过对数变换把“光照、大气、反射率”的乘积拆成加法，再分别剔除前两者，剩下纯粹的“反射率味道”。
波段间回归：就像用低频噪音去校准高频噪音——假设长波（散射弱）是“标准音”，用它拟合出短波（散射强）中的杂音成分，然后减去杂音，留下干净信号。
2. 绝对校正（精准真实反射率，辐射传输模型）
6S、MODTRAN、LOWTRAN、ATCOR，依托大气物理参数，精细模拟大气吸收散射。
绝对校正是通过辐射传输模型（如6S、MODTRAN、LOWTRAN、ATCOR）精确模拟大气中气体吸收、分子散射、气溶胶散射等物理过程，将传感器接收的辐射亮度反算出地物真实反射率（0~1之间）。可以把这些模型理解为“大气矫正器”——你输入卫星过境时的太阳角度、大气温压、水汽、气溶胶等参数，模型就能计算出每个波段大气对信号的“削减量”和“添加量”，然后从观测值中精确扣除，还原出地面本来的反射光谱。
其中LOWTRAN是早期低分辨率模型，MODTRAN和6S是当前主流（MODTRAN侧重中红外，6S擅长可见光-近红外），ATCOR则是集成在商业软件中的便捷实现。相比相对校正的“抹平差异”，绝对校正能给出可跨场景比较、可输入物理模型（如植被辐射传输模型PROSAIL）的真实反射率，是高光谱定量遥感的基石。
四、其他辐射误差校正
- 太阳光照校正：由纬度、赤纬、时角求太阳高度角
，，修正斜射影响；
- 地形校正
- 经验模型：余弦、Minnaert、C、B 校正，简便、通用性差；
- 物理模型：依托 6S 辐射传输，机理严谨、参数复杂。
太阳光照校正：纠正因太阳高度角不同导致的照度差异。好比一天中你的影子长度在变——正午垂直照射时地面最亮，早晚斜射时光线分散。通过纬度、赤纬和时角算出实际的太阳高度角，就能把任何倾角的坡面都“掰平”到水平面接收到的光照强度，消除纬度、季节、一天中时刻不同带来的亮度差异。
地形校正：针对山地阴坡与阳坡的光照不均。经验模型（余弦、Minnaert、C、B）像是用简单公式给背阴面“补光”——假设光照与坡度余弦成正比，再通过参数压暗过亮的阳坡，简便但换一个山区就不灵了。物理模型则依托6S等辐射传输模型，精确模拟地形对直射、散射、邻近反射的贡献，机理严谨但需要高精度的DEM和大气参数，计算复杂。
五、各类校正模型规律
从传感器接收的原始DN值到地表真实反射率，需要经历一个多级校正链路。各类校正模型在目标、假设、复杂度与适用场景上分工明确，其本质是对“太阳-大气-地形-传感器”这一辐射传输链路的逐级解耦。
传感器接收的信号是多个独立物理过程（太阳辐射、大气散射、地形调制、传感器响应）的乘积或加和。校正的本质就是解混这个复合信号。
加性成分：大气程辐射、暗电流噪声 → 用减法或回归去除。
乘性成分：大气透过率、地形坡度、太阳高度角 → 用除法或对数变换分解。
任何校正方法都对应一个假设的信号混合模型。暗目标法假设“暗像元反射率=0”，对数残差假设“光照与反射率可乘性分离”，6S则基于物理方程显式建模每一项。方法进化，本质是对混合模型的逼近精度和参数自洽性的提高。
从“数据驱动的盲分离”到“物理驱动的正向模拟”
第一阶段（盲分离）：暗目标法、内部平均法、余弦校正。它们不依赖外部大气/地形参数，只利用图像内部统计特征（最小值、均值、波段间相关性）。规律：盲假设（如“存在纯黑像元”）往往不成立，导致校正有偏。
第二阶段（半物理）：波段间回归、Minnaert、C校正。开始引入弱先验（长波无散射、坡向经验参数），但仍未还原真实物理量。
第三阶段（全物理）：6S、MODTRAN、ATCOR。基于辐射传输方程，需要外部参数（气溶胶、水汽、DEM）。规律：从“瞎子摸象”到“按图索骥”，精度飞跃，但对外部参数敏感。
演化驱动力：不是算法变聪明了，而是可获取的先验信息变多了（气象再分析数据、高精度DEM、传感器定标场）。未来会走向数据与物理双驱动——用深度学习拟合辐射传输方程中的未知项（如BRDF），但保留物理守恒约束。
误差校正的本质是“用宽泛假设换鲁棒性” vs “用精确参数换精度”
宽泛假设法（暗目标、对数残差）：不依赖外部数据，适用任何区域，但精度有限，且假设不满足时失效（如高原无暗水体）。
精确参数法（6S）：精度高，但参数不准确时误差更大（如气溶胶厚度错20%，反射率误差可达50%）。
校正的终极目标是“归一化”——把不同时间、地点、传感器的观测映射到同一个“标准态”
无论是太阳高度角校正、地形校正，还是大气校正，其深层目的都是消除观测几何与环境的差异，使得：
同种地物在不同影像上的反射率一致；
实测光谱（ASD）与卫星反演光谱可比；
反演的生化参数（叶绿素、含水量）具有时间连续性。
凡是依赖“人工启发式假设”的方法，终将被“数据驱动的物理一致性”取代
被淘汰的：经验线性回归（假设地表线性）、暗目标法（假设纯黑像元）、余弦校正（假设朗伯体且无散射）。因为它们假设的物理场景在真实数据中几乎不成立。
仍存活的：6S、MODTRAN的架构（辐射传输方程是真理的近似）。但它们的参数化形式（如气溶胶模型、BRDF模型）也在被淘汰——未来会用神经网络代替固定的参数化函数。
未来的方向：物理信息神经网络（PINN）。将辐射传输方程作为损失函数约束，同时从数据中学习未知的散射项。这样既有物理可解释性，又能自动适应不同传感器的光谱响应。