2.2 辐射传输与大气效应

2.2 辐射传输与大气效应

本节摘要：太阳辐射往返穿越大气，被吸收、散射、再混入，传感器入瞳处的辐亮度是"地表信号 + 大气干扰"的混合体。本节拆解散射类型与程辐射概念，写出简化辐射传输方程，并用数值演算演示同一地表在不同大气条件下的信号差异——这是第 4 章大气校正的物理依据。

信号在天上先折损

上一节说大气"守门"，本节把账算细。辐射穿越大气时发生两类损耗。吸收是分子把光子能量真正吃掉：水汽吸收红外与微波部分频段，臭氧在紫外与 9.6 微米处强势，二氧化碳在热红外有多个吸收带。吸收的分布高度依赖波长，这正是窗口划分的原因。散射则是光子被改变方向：能量没有消失，但偏离了原本的路径，让信号变弱、变脏。散射按粒子尺度与波长的关系分为三种。瑞利散射发生在粒子远小于波长时（大气分子对可见光），强度与波长的四次方成反比——蓝光散射强于红光，天空是蓝的、早晨太阳是红的，都是同一个物理常数在起作用；它让蓝光波段影像总是蒙着薄雾。米氏散射发生在粒子尺度与波长相当或更大时（气溶胶、烟尘、雾滴），强度与波长的低次方成正比，霾天影像发灰发闷主要归它。无选择性散射发生在粒子远大于波长时（云雾水滴对可见光），各波长一视同仁地散射，所以云是白的。

对解译而言，三种散射的实际影响可以总结成一条经验：短波段受大气影响最重，长波段最轻；可见光影像不做大气校正就做跨期比较，几乎必然出错；近红外以后的影响渐弱，微波则基本无视云雨。这条经验解释了行业里的诸多惯例——为什么云检测先看蓝光与卷云波段，为什么变化检测优先用红外波段，为什么应急制图转头就去找 SAR。

程辐射：没照到地面的光也进了镜头

大气效应里最迷惑人的项是程辐射：太阳光还没到达地面，就在大气中被散射进传感器视场。这部分亮度与地表完全无关——即使对着一整片纯黑目标成像，传感器也不会读到零。程辐射与吸收、散射叠加的结果，可以写成简化辐射传输方程：入瞳辐亮度等于地表反射项（太阳辐照度、地表反射率、大气透过率与路径增益的组合）加上程辐射项。这个方程在任务日志里的地位极高：传感器记录的是方程左边的总亮度，而第 6 章反演想要的只是右边的反射率——把总亮度里的两项拆开，正是第 4 章大气校正的全部内容。

用数值演算把方程变成手感：

# 简化辐射传输演算：同一片植被，晴天与霾天的入瞳信号差异
L_toa = []                      # 存放入瞳辐亮度（相对单位）
cases = [("晴朗干燥", 0.85, 0.05), ("闷热高湿", 0.65, 0.12), ("霾天", 0.45, 0.25)]
# 三元组含义：(场景, 大气透过率tau, 程辐射Lp)
rho_veg, E0 = 0.45, 1.0         # 植被近红外反射率、大气外太阳辐照度（归一化）

for name, tau, Lp in cases:
    L = tau * rho_veg * E0 + Lp  # 简化方程：L = tau*rho*E + Lp
    L_toa.append(L)
    print(f"{name} 透过率{tau:.2f} 程辐射{Lp:.2f} -> 入瞳亮度 {L:.3f}")

# 直接比较跨期亮度会得出错误结论：晴天 0.433 vs 霾天 0.453，霾天反而"更亮"
print("若不做大气校正，两期影像亮度差异：", round(L_toa[2]-L_toa[0], 3))
# 而地表反射率其实从未改变——差异全部来自大气状态
​

演算的结论值得抄在任务日志的扉页上：入瞳亮度变了不等于地表变了。跨期比较、跨区域拼接、模型训练，只要用的还是"总亮度"，大气的状态差就会被当成了地物的变化差。植被监测中"雨后影像普遍偏绿、霾天影像普遍发暗"的假象，多数源于此。

图 2-2：辐射传输路径与信号成分

从物理到工序：校正思路的来路

明白了账目结构，校正思路就不再神秘。所有大气校正方法都在回答同一个问题：如何估计出当天的透过率与程辐射。路线有粗有细。最粗的一档用经验线性法：在成像时同步测量一块已知反射率的亮目标与一块暗目标，用两点连线反解方程参数，简单可靠，适合有地面配合的任务。中间一档用影像自身信息：暗目标法假设影像内存在反射率近似为零的浓密水体或深阴影，把它读到的亮度全记在程辐射头上，扣除后再按模型估计透过率，免地面配合、适合大范围业务运行。最细的一档是辐射传输模型法：输入大气廊线、气溶胶类型、几何参数，数值求解完整方程，精度最高、计算最重，是定量产品线的标准配置。三条路线的深浅选择，与任务的精度预算直接挂钩——第 4 章会把这些工序落到操作层面。

什么时候可以不校正：一笔务实的账

业务上还有个高频问题：每景影像都必须做严格大气校正吗？务实的回答是看用途。三种情形可以放宽。其一，单期目视判读与制图：人眼与分类算法要的是相对对比而非绝对数值，轻微的雾感不影响识别，做一次简单的去薄雾即可。其二，使用同一影像内部的相对关系：上一节的 NDVI 演算说明了比值类指数对公共亮度因子天然免疫，红光与近红外几乎同窗相邻，大气对两者的折损大体同步——所以快速植被监测常用"比值替代校正"的策略，以小误差换大效率。其三，有同期更可靠的地表反射率产品可参考时，直接用成品、不必重做。反过来，三种情形没有商量余地：跨期变化检测（大气状态逐日不同）、定量参数反演（方程左边必须干净）、多源数据拼接训练（不同传感器的"大气税"不同，混喂给模型等于投毒）。把这笔账列清楚的价值在于省算力：严格校正的代价不小，把预算花在真正需要的任务段上，是任务日志里典型的工程判断。选购数据时还有一步顺手的动作：先看产品自带的处理等级与配套大气参数（如气溶胶光学厚度字段），若供应商已按模型法做过大男校正（地表反射率产品），你的工序表就可以直接划掉这一行，把精力留给后面真正缺的环节。

还有两个常被忽略的小效应顺手记下。一是邻近效应：视场外的高亮地物经大气串扰混入相邻像元，暗色河流边缘的像元常被旁边亮沙滩"提亮"，高分辨率定量应用需要专门的去邻近效应处理。二是地形光照：同一坡向的山体在早晚成像时受光差异巨大，山区定量分析必须配合数字高程模型做地形辐射校正，否则阴阳坡的反射率差会被误读成植被差。这两个效应都不改写主方程，只是给右边添了额外的干扰项，知道它们存在，读山区与水岸影像时就不会把伪迹当信息。

要点回顾：吸收与散射是大气的两种收税方式，散射按粒子尺度分三档，短波段受害最重；程辐射是与地表无关的假信号，纯黑目标读数不为零的原因就在这里；简化方程把入瞳亮度拆成地表项与大气项，跨期比较必须先做这项拆分；校正方法的粗细本质是估计大气参数的方式不同，而是否校正取决于用途，比值指数与现成产品是合法的省力路线。下一节转到信息被写入信号的地方——地物的光谱签名。

排错手记：三种"大气病"的典型症状

症状一：整景发蓝发雾，水体不暗反亮。 典型的程辐射未扣除，蓝光波段最明显；成因是薄霾天成像后只做了定标没做大气校正。处置：先做暗目标减除应急，定量用途改走模型法。

症状二：两期影像一晴一霾，变化检测满图告警。 大气状态差被当成了地物变化，边界与植被区成片误报。处置：两期都重做到地表反射率再检测；若历史影像已无原始数据，至少用同期合成产品替换坏期。

症状三：山区影像阴阳坡色差巨大，植被图沿山脊撕裂。 地形光照混进了辐射量，被误读为植被差异。处置：配合数字高程模型做地形辐射校正，再做分类；同时检查样本是否被地形梯度带偏——山区样本要覆盖阴阳两坡。这三种病的共同点是"影像看着没毛病、数值悄悄不对"，正因为隐蔽，才要靠工序纪律而不是肉眼来防。