Sentinel-2 L1C 数据（本身就是 TOA 反射率）做 FLAASH 报错，量纲问题怎么处理

从辐射传输底层假设到可复现的操作流程，兼论多源大气校正工具的适用边界

摘要

目录

1. 问题现象与报错特征：从用户反馈到可复现诊断

在遥感数据预处理社区、ENVI 用户论坛以及国内多家地信与生态环境监测机构的内部技术交流中，一个反复出现的问题可以概括为：“Sentinel-2 L1C 数据本身就是 TOA 反射率，为什么在 FLAASH 里做大气校正还会报错？是不是数据量纲有问题？” 这一提问的普遍性说明，相当一部分工程技术人员对 Sentinel-2 产品级别定义与 FLAASH 输入要求之间的差异缺乏清晰认知。报错信息通常表现为：“Input data must be radiance”、“Unable to estimate visibility”、“Aerosol retrieval failed”，或者 ENVI 直接提示“Scale factor out of range”。部分用户在强行运行后得到全图近似常数的地表反射率结果，或者出现大范围负值。

本文评述认为，这些报错并非随机出现，而是具有明确的触发条件。从可复现诊断角度看，当输入数据满足以下任一条件时，FLAASH 的失败概率显著升高：第一，数据值域集中在 0–1 之间且无辐射亮度单位元数据；第二，ENVI 头文件中缺少 wavelength 和 fwhm 字段，或波长单位被错误标记为纳米；第三，成像几何参数（太阳天顶角、方位角、传感器天顶角、方位角）缺失或与 L1C 产品的角度波段不匹配；第四，数据未经任何尺度转换直接以反射率数值参与能见度反演。

为了更清晰地描述报错特征，表 1 汇总了笔者在多个技术社区和实际数据处理中观察到的典型报错模式及其对应的根因类别。该表为整合数据，部分来自 ENVI 官方文档的报错说明，部分来自用户论坛的案例归纳，不涉及单一用户隐私信息。

表 1 中的“出现频率”为笔者基于公开论坛讨论和自身处理经验的整合估计，并非严格统计结果，仅用于工程参考。从表中可以看出，绝大多数报错的根因可以归结为量纲语义错位和元数据缺失两类。本文后续章节将围绕这两条主线展开，先厘清 L1C 的产品定义，再解剖 FLAASH 的输入假设，最后给出可操作的处理流程。

2. Sentinel-2 L1C 的产品定义与量纲溯源

2.1 L1C 的官方定义与处理链

根据欧洲航天局（ESA）发布的 Sentinel-2 产品规范文档，Level-1C 产品是经过辐射定标和几何精校正的大气顶反射率产品。其处理链包括：原始 DN 值转换为辐射亮度、太阳天顶角归一化、等效波长卷积、以及基于全球参考影像的几何配准。最终输出的像素值代表大气顶方向反射率（TOA reflectance），量纲为无量纲，数值范围通常在 0 到 1 之间，但为了存储效率，ESA 在 JP2 格式中将反射率值乘以 10000 后以 16 位整数存储。因此，用户在读取 L1C 数据时，如果未除以 10000，得到的数值范围是 0–10000，而非 0–1。

本文评述指出，这里存在一个容易被忽视的细节：L1C 的“反射率”并非严格意义上的双向反射率因子（BRF），而是经过太阳天顶角余弦修正后的方向反射率。这意味着当太阳天顶角较大时，L1C 的数值与严格 BRF 之间存在系统性偏差。这一偏差在 FLAASH 的参数化过程中会被进一步放大，因为 FLAASH 内部的大气校正模型假设输入为辐射亮度，并通过太阳天顶角重新计算反射率。如果用户直接输入 L1C 反射率，FLAASH 会在“反射率”基础上再次进行太阳天顶角归一化，导致双重归一化错误。

2.2 量纲溯源：从 DN 到 TOA 反射率的数学路径

为了准确理解量纲问题，有必要回溯 Sentinel-2 的辐射定标公式。ESA 官方文档给出的 L1C 反射率计算路径为：

其中，L_TOA 为大气顶辐射亮度，d 为日地距离天文单位，ESUN 为大气顶太阳辐照度，θ_s 为太阳天顶角。L1C 产品已经完成了这一计算，因此像素值本身就是 ρ_TOA。然而，FLAASH 的输入要求是 L_TOA，即公式中的辐射亮度项。如果用户将 ρ_TOA 直接作为 L_TOA 输入，FLAASH 内部的辐射传输方程会尝试从“辐射亮度”反演地表反射率，其数学路径与上述公式相反，但前提假设已经不再成立。

本文评述认为，这一“反向路径”的失效并非因为数学上不可逆，而是因为 FLAASH 的大气参数反演（尤其是气溶胶光学厚度和能见度估算）依赖于辐射亮度的绝对量级。反射率数值通常在 0–1 量级，而辐射亮度在典型观测条件下可能达到数十到数百 W·m⁻²·sr⁻¹·μm⁻¹。量级差异达到 2–3 个数量级，足以使 FLAASH 内部的能见度迭代算法无法找到合理的解。

2.3 L1C 与 L2A 的关键区别及对大气校正的启示

Sentinel-2 Level-2A 产品是经过大气校正的地表反射率（BOA reflectance）产品，由 ESA 官方 Sen2Cor 处理器生成。L1C 与 L2A 的核心区别在于：L1C 保留大气顶信号，包含大气散射和吸收的影响；L2A 则移除了大气效应，提供地表反射率。对于希望使用 FLAASH 进行大气校正的用户而言，一个常见的误解是认为 L1C 已经是反射率，因此可以直接用于地表分析。实际上，L1C 的 TOA 反射率仍然包含大气路径辐射和漫射透过率的影响，不能直接等同于地表反射率。

本文评述指出，这一误解的根源在于“反射率”一词的多义性。TOA 反射率与 BOA 反射率虽然共享“反射率”这一术语，但物理含义和数值范围存在显著差异。TOA 反射率包含大气散射贡献，在蓝光波段尤其明显，数值通常高于地表反射率；而 BOA 反射率是地表真实反射特性，数值范围更窄且更稳定。FLAASH 的设计目标是实现从辐射亮度到 BOA 反射率的转换，其输入必须是辐射亮度，而非 TOA 反射率。

3. FLAASH 的输入假设与辐射传输方程底层逻辑

3.1 FLAASH 的算法基础与 MODTRAN 辐射传输内核

FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）最初由美国空军研究实验室（AFRL）与 Spectral Sciences Inc. 联合开发，后集成到 ENVI 软件中。其核心辐射传输内核基于 MODTRAN（Moderate Resolution Atmospheric Transmission）模型，该模型计算大气透过率、路径辐射和散射辐射，并将大气校正问题转化为辐射传输方程的求解。FLAASH 的输入假设包括：传感器接收的信号为辐射亮度（radiance），单位为 μW·cm⁻²·sr⁻¹·nm⁻¹ 或 W·m⁻²·sr⁻¹·μm⁻¹；数据具有准确的波长定标和光谱响应函数；成像几何参数（太阳和传感器角度）已知；大气模型和气溶胶模型可选。

本文评述认为，FLAASH 的设计哲学是“辐射亮度驱动”的。其内部的辐射传输方程可以简化为：

其中，A 和 B 是与大气透过率和太阳辐照度相关的系数，ρ_surface 为地表反射率，ρ_e 为周围环境平均反射率，S 为大气球面反照率，L_path 为路径辐射。FLAASH 通过迭代求解该方程来估算地表反射率。如果输入数据是反射率而非辐射亮度，方程左侧的 L_sensor 实际上被替换为 ρ_TOA，导致方程两侧的物理量纲不一致，迭代求解过程必然发散或收敛到无物理意义的解。

3.2 FLAASH 对输入数据的隐式校验与报错机制

FLAASH 在运行初期会对输入数据进行一系列隐式校验。这些校验包括：数值范围检查、波长文件完整性检查、角度参数合理性检查等。当输入数据为 L1C 反射率时，数值范围通常在 0–1 或 0–10000（未除以 10000 时），而 FLAASH 内部预设的辐射亮度合理范围通常在 0–1000 μW·cm⁻²·sr⁻¹·nm⁻¹ 量级。如果数值范围明显偏离预期，FLAASH 可能触发“Scale factor out of range”或“Input data must be radiance”的报错。

本文评述指出，FLAASH 的报错机制并非完全透明。部分报错信息来自 MODTRAN 子进程的返回码，而非 FLAASH 本身的显式校验。这意味着用户看到的报错信息可能不够直观，需要结合数据特征和运行日志进行综合判断。例如，“Unable to estimate visibility”可能源于能见度迭代算法在反射率量纲下无法找到满足收敛条件的解，而非数据本身存在质量问题。

3.3 辐射亮度与反射率的数值量级差异及其对迭代算法的影响

为了直观展示量纲差异对 FLAASH 迭代算法的影响，表 2 给出了典型观测条件下 Sentinel-2 各波段的辐射亮度与 TOA 反射率的量级对比。表中辐射亮度数据来自 ESA 提供的 Sentinel-2 参考光谱数据库，反射率数据为同一场景的 L1C 产品统计值，均为公开数据源的整合结果。

从表 2 可以看出，辐射亮度与 TOA 反射率之间的量级差异在可见光波段约为 10³ 倍，在短波红外波段约为 10² 倍。这一量级差异足以使 FLAASH 内部的能见度迭代算法在初始猜测值附近无法找到梯度下降方向，从而导致收敛失败。本文评述认为，这正是“量纲问题”在算法层面的具体表现。

4. 报错的根因分析：量纲错位与元数据缺失的叠加效应

4.1 量纲错位的三种具体表现

量纲错位并非单一问题，而是表现为三种具体形式。第一种是直接替换型错位：用户将 L1C 反射率数值直接作为辐射亮度输入，未做任何转换。第二种是尺度因子遗漏型错位：用户知道 L1C 需要除以 10000，但忘记执行，导致数值范围在 0–10000，被 FLAASH 误判为辐射亮度。第三种是双重归一化型错位：用户将 L1C 反射率除以 10000 后输入，但 FLAASH 内部再次进行太阳天顶角归一化，导致最终地表反射率被系统性低估。

本文评述认为，第三种错位最为隐蔽，因为用户可能已经正确执行了尺度转换，但 FLAASH 的辐射传输方程仍然假设输入为辐射亮度，并在内部重新计算反射率。这种情况下，报错可能不会立即出现，而是表现为校正结果整体偏低或偏高，且难以通过肉眼判断。

4.2 元数据缺失的工程现实

Sentinel-2 L1C 产品的元数据存储在 XML 文件中，包含波长信息、太阳角度、传感器角度、辐射定标系数等。然而，当用户将 L1C 数据导入 ENVI 时，这些元数据并不总是被自动读取并写入 ENVI 头文件。尤其是波长信息和角度信息，经常需要用户手动添加。如果用户直接使用 ENVI 的“Open As”功能打开 JP2 文件，ENVI 可能无法识别 Sentinel-2 的特定元数据结构，导致头文件中缺少 wavelength 和 fwhm 字段。

本文评述指出，元数据缺失与量纲错位之间存在叠加效应。即使量纲问题得到解决，如果波长信息缺失，FLAASH 仍然无法正确运行。这是因为 FLAASH 需要波长信息来匹配 MODTRAN 的光谱分辨率和大气吸收特征。波长信息的缺失会导致 FLAASH 无法确定每个波段对应的大气透过率，从而无法进行有效的大气校正。

4.3 角度参数的特殊性与 Sentinel-2 的角度波段

Sentinel-2 的一个独特之处在于其多角度观测能力。虽然 Sentinel-2 并非严格意义上的多角度传感器，但其宽刈幅（290 km）导致不同像元的观测天顶角和方位角存在显著差异。ESA 在 L1C 产品中提供了角度波段（如 sun_zenith、sun_azimuth、view_zenith_mean、view_azimuth_mean），但这些角度波段的分辨率与光谱波段不同，需要用户在预处理时进行重采样或插值。

本文评述认为，角度参数的处理是 Sentinel-2 大气校正中容易被忽视的环节。FLAASH 要求输入单一的太阳天顶角和方位角，以及单一的传感器天顶角和方位角。然而，Sentinel-2 的宽刈幅意味着这些角度在场景内变化显著。如果用户使用场景中心的平均角度作为输入，边缘像元的大气校正精度将受到影响。这一问题的严重程度取决于场景的地理位置和成像时间，但在高纬度地区或大太阳天顶角条件下，角度变化对大气校正的影响可能超过量纲问题本身。

5. 三步操作法：量纲归一化、元数据重构、参数等效替代

5.1 第一步：量纲归一化——从 TOA 反射率反推辐射亮度

解决量纲问题的直接方法是将 L1C 的 TOA 反射率反推为辐射亮度。根据 ESA 的辐射定标公式，反推路径为：

其中，ESUN 为各波段的大气顶太阳辐照度，θ_s 为太阳天顶角，d 为日地距离天文单位。ESA 在 L1C 产品的元数据中提供了各波段的 ESUN 值和太阳天顶角信息。用户可以通过读取 XML 文件获取这些参数，然后在 ENVI 的 Band Math 工具中执行反推计算。

本文评述指出，这一反推过程的精度取决于 ESUN 值的准确性。ESA 提供的 ESUN 值是基于 Thuillier 太阳光谱数据库的卷积结果，与 MODTRAN 内部使用的太阳光谱可能存在细微差异。这种差异在大多数情况下可以忽略，但在高精度定量遥感应用中可能需要进一步校正。此外，反推得到的辐射亮度单位通常为 W·m⁻²·sr⁻¹·μm⁻¹，而 FLAASH 默认的辐射亮度单位为 μW·cm⁻²·sr⁻¹·nm⁻¹，用户需要注意单位换算。

5.2 第二步：元数据重构——波长、FWHM 与角度信息的写入

在完成量纲归一化后，用户需要确保 ENVI 头文件中包含完整的波长和 FWHM 信息。Sentinel-2 各波段的中心波长和 FWHM 可以从 ESA 官方文档中获取。表 3 列出了 Sentinel-2A 和 Sentinel-2B 的主要光谱波段参数，数据来源为 ESA Sentinel-2 User Handbook。

在 ENVI 中，用户可以通过 Edit ENVI Header 工具手动输入波长和 FWHM 信息，也可以通过编写脚本自动从 XML 文件中提取并写入。对于角度信息，FLAASH 要求输入太阳天顶角、太阳方位角、传感器天顶角和传感器方位角。由于 Sentinel-2 的角度在场景内变化，建议用户使用场景中心的平均角度作为输入，或者将角度波段重采样到与光谱波段相同的分辨率后，提取感兴趣区域的平均角度。

本文评述认为，元数据重构的关键在于“完整性”而非“精确性”。对于大多数应用场景，使用场景中心的平均角度即可满足精度要求。但在高精度定量遥感中，逐像元的角度信息可能带来显著的精度提升。这一权衡需要用户根据具体应用需求进行判断。

5.3 第三步：参数等效替代——大气模型与气溶胶模型的选择策略

在完成量纲归一化和元数据重构后，FLAASH 仍然可能因为大气参数选择不当而报错或产生不合理的校正结果。FLAASH 要求用户选择大气模型（热带、中纬度夏季、中纬度冬季、副极地夏季、副极地冬季、美国标准大气）和气溶胶模型（乡村、城市、海洋、对流层、沙漠等）。对于 Sentinel-2 数据，建议根据成像时间和地理位置选择合适的大气模型。例如，中纬度地区夏季成像应选择中纬度夏季大气模型，热带地区应选择热带大气模型。

气溶胶模型的选择更为关键。FLAASH 的能见度反演算法依赖于气溶胶模型的先验假设。如果气溶胶模型选择不当，能见度反演可能失败或产生较大误差。对于 Sentinel-2 数据，建议优先选择乡村气溶胶模型，因为 Sentinel-2 的观测场景通常包含大量植被和土壤，乡村气溶胶模型能够较好地代表这类场景的气溶胶特性。如果场景位于沿海地区或城市区域，应相应选择海洋或城市气溶胶模型。

本文评述指出，参数等效替代的核心思想是“用合理的先验假设弥补数据本身的不足”。由于 Sentinel-2 L1C 数据本身不包含气溶胶光学厚度信息，FLAASH 必须依赖暗像元法或能见度反演来估算气溶胶参数。在量纲问题解决后，气溶胶模型的选择成为影响校正精度的主要因素。用户可以通过对比不同气溶胶模型下的校正结果，选择与地面实测数据或 L2A 产品最接近的参数组合。

6. 替代路线对比：Sen2Cor、ACOLITE、6S 与 FLAASH 的适用边界

6.1 Sen2Cor：官方处理器的优势与局限

Sen2Cor 是 ESA 官方发布的 Sentinel-2 大气校正处理器，专门针对 Sentinel-2 的光谱和几何特性设计。Sen2Cor 直接读取 L1C 产品，无需用户手动处理量纲问题，因为其内部已经实现了从 TOA 反射率到 BOA 反射率的完整处理链。Sen2Cor 的优点是自动化程度高、参数预设合理、与 Sentinel-2 产品格式完全兼容。其局限性在于处理速度较慢，且对气溶胶反演的精度在某些场景下不如专门的辐射传输模型。

本文评述认为，对于大多数 Sentinel-2 用户而言，Sen2Cor 是首选的大气校正工具。只有在 Sen2Cor 无法满足特定需求时（如需要自定义气溶胶模型或需要更高的辐射定标精度），才需要考虑 FLAASH 或其他工具。Sen2Cor 的另一个优势是其输出产品包含场景分类图（SCL）和气溶胶光学厚度图，这些辅助信息对于后续分析具有重要价值。

6.2 ACOLITE：面向水色遥感的轻量级替代方案

ACOLITE 最初由比利时皇家自然科学研究院开发，主要用于水色遥感的大气校正。近年来，ACOLITE 增加了对 Sentinel-2 和 Landsat 的支持，并提供了暗光谱拟合（DSF）算法用于气溶胶反演。ACOLITE 的优点是处理速度快、对水体场景的校正精度高、支持批处理模式。其局限性在于对陆地场景的校正精度可能不如 Sen2Cor 或 FLAASH，且气溶胶反演算法对暗像元的依赖较强。

本文评述指出，ACOLITE 的适用边界主要在水色遥感领域。对于内陆水体、沿海水域和海洋水色监测，ACOLITE 的 DSF 算法能够有效去除大气散射和太阳耀斑的影响，提供高质量的水体反射率产品。但对于以陆地植被、土壤和城市为主要对象的应用，ACOLITE 的精度可能不足，建议优先使用 Sen2Cor 或 FLAASH。

6.3 6S 模型：辐射传输模型的灵活性与使用门槛

6S（Second Simulation of the Satellite Signal in the Solar Spectrum）是一种广泛使用的辐射传输模型，可以模拟太阳辐射在大气中的传输过程。6S 模型的优点是灵活性高，用户可以自定义大气参数、气溶胶参数、几何参数和光谱响应函数。其局限性在于使用门槛较高，需要用户具备一定的辐射传输理论基础，且输入参数的准备过程较为繁琐。

本文评述认为，6S 模型适合作为 FLAASH 的替代方案，尤其是在需要精确控制大气参数的研究场景中。6S 模型可以直接输入 TOA 反射率，并输出地表反射率，避免了 FLAASH 的量纲问题。但 6S 模型需要用户手动准备波长文件、角度参数和大气参数，操作复杂度高于 FLAASH。

6.4 工具选择的决策框架

为了帮助用户在不同工具之间做出合理选择，本文提出一个简化的决策框架。该框架基于三个维度：应用场景（陆地/水体）、自动化需求（批处理/单景处理）和精度要求（定性分析/定量反演）。表 4 给出了不同组合下的推荐工具。

本文评述指出，这一决策框架并非绝对，用户应根据具体数据条件、计算资源和精度需求进行灵活调整。例如，如果用户已经熟悉 FLAASH 的操作流程，并且需要与历史 Landsat 数据保持一致性，那么即使 Sen2Cor 更为自动化，也可能选择 FLAASH 作为统一工具。

7. 工程实践中的常见误区与规避策略

7.1 误区一：将 L1C 反射率直接当作地表反射率使用

这一误区在前文已经提及，但值得再次强调。TOA 反射率与 BOA 反射率之间的差异在蓝光波段尤为显著，因为大气瑞利散射在短波段的贡献最大。如果用户直接使用 L1C 反射率进行植被指数计算或土地利用分类，结果可能受到大气效应的系统性干扰。本文评述认为，这一误区的根源在于对“反射率”一词的过度简化理解，需要通过技术培训和文档阅读来纠正。

7.2 误区二：忽视尺度因子导致数值范围异常

Sentinel-2 L1C 产品在 JP2 格式中以 16 位整数存储，反射率值已乘以 10000。如果用户在 ENVI 中直接打开 JP2 文件而未执行除以 10000 的操作，数值范围将在 0–10000 之间。这一数值范围恰好与某些辐射亮度数据（单位为 μW·cm⁻²·sr⁻¹·nm⁻¹）的量级相近，因此可能被 FLAASH 误判为辐射亮度。本文评述指出，这种“巧合”使得尺度因子遗漏型错位更加隐蔽，用户需要养成检查数据值域的习惯。

7.3 误区三：忽略角度波段的空间变化

Sentinel-2 的宽刈幅导致太阳天顶角和观测天顶角在场景内变化显著。如果用户使用场景中心的平均角度作为 FLAASH 的输入，边缘像元的大气校正精度将受到影响。本文评述认为，这一问题的严重程度取决于场景的地理纬度和成像季节。在低纬度地区，太阳天顶角较小，角度变化对大气校正的影响相对有限；但在高纬度地区或冬季成像时，太阳天顶角较大，角度变化的影响可能超过量纲问题本身。

7.4 误区四：过度依赖单一气溶胶模型

FLAASH 的气溶胶反演算法对气溶胶模型的选择较为敏感。如果用户在所有场景中都使用乡村气溶胶模型，在沿海或城市场景中可能产生较大误差。本文评述建议，用户应根据场景的地理特征和成像时的气象条件选择合适的气溶胶模型，并在可能的情况下，通过对比不同模型下的校正结果来评估模型选择的合理性。

8. 前沿进展与自动化大气校正的未来方向

8.1 机器学习辅助的大气校正方法

近年来，机器学习方法在大气校正领域得到了越来越多的关注。一些研究尝试使用神经网络直接从 TOA 反射率预测 BOA 反射率，绕过传统的辐射传输模型。这类方法的优势在于处理速度快、无需显式的气溶胶参数反演，且能够学习复杂的大气-地表交互关系。然而，其局限性在于训练数据的代表性和泛化能力。本文评述认为，机器学习方法在特定场景下可能达到与物理模型相当的精度，但在跨区域、跨季节的泛化能力方面仍需进一步验证。

8.2 逐像元气溶胶反演与高分辨率大气参数产品

传统的大气校正方法通常假设气溶胶参数在场景内均匀分布，这一假设在复杂地形或污染梯度明显的区域可能不成立。近年来，一些研究开始探索逐像元气溶胶反演方法，利用多角度观测或高分辨率气溶胶产品来改进大气校正精度。Sentinel-2 的宽刈幅和多角度波段为这一方向提供了数据基础。本文评述指出，逐像元气溶胶反演有望在未来成为大气校正的标准方法，但其计算复杂度和数据需求仍然较高。

8.3 云原生处理平台与自动化工作流

随着云计算和地球观测数据立方体技术的发展，大气校正正在从单机处理向云原生处理转变。Google Earth Engine、Sentinel Hub 和 AWS Open Data 等平台已经提供了预处理的 Sentinel-2 L2A 产品，用户无需自行进行大气校正。这一趋势降低了大气校正的技术门槛，但也带来了新的挑战：用户需要理解预处理产品的局限性和不确定性，避免盲目使用。

本文评述认为，云原生处理平台的兴起并不意味着传统大气校正工具的消亡。对于需要自定义参数、高精度定量反演或特殊场景处理的用户，FLAASH、6S 等工具仍然具有不可替代的价值。未来的发展方向可能是“云平台提供默认产品，本地工具提供定制化校正”的混合模式。

9. 结论与操作速查表

本文围绕 Sentinel-2 L1C 数据在 FLAASH 大气校正中的量纲报错问题，系统梳理了问题现象、产品定义、FLAASH 输入假设、根因分析和解决方案。核心结论可以概括为：量纲报错的本质是 TOA 反射率与辐射亮度之间的语义错位，而非数据质量问题。 解决这一问题的关键在于“量纲归一化—元数据重构—参数等效替代”三步操作法。同时，用户应根据应用场景和精度需求，合理选择 Sen2Cor、ACOLITE、6S 等替代工具。

为了便于工程实践，表 5 给出了操作速查表，汇总了关键步骤和注意事项。

本文评述最后强调，大气校正并非“一键式”操作，而是需要理解数据特性、工具假设和物理原理的系统性工程。量纲问题只是其中的一个环节，但通过对这一问题的深入剖析，可以帮助用户建立更完整的大气校正知识体系，从而在面对其他遥感数据和处理工具时也能做出合理判断。

主要参考文献