一、為什么需要進行輻射傳輸反演？

遙感影像中，我們看到的是從地表和大氣混合后到達傳感器的總輻射信號。這個信號既包含了地物反射，也包含了大氣分子和氣溶膠的散射吸收、以及地表自身或大氣的熱發射。若要從中定量獲得植被生理參數、水體理化指標或大氣痕量氣體濃度，就必須“剝離”這些干擾項——也即通過反演輻射傳輸方程（RTE），將原始輻射信號拆解為各物理過程的貢獻，恢復地表或組分本身的光譜特性。

簡而言之，輻射傳輸反演的目標是：

1. 去除大氣效應，獲得地表（或水體）反射率；

2. 分辨多組分貢獻，提取葉綠素、懸浮物、CDOM、氣溶膠等混合參數；

3. 實現定量反演，為生態監測、環境評估和氣候模型提供準確輸入。

---

二、傳統 RTE 反演

1. 原理與假設

• 僅選用少數幾個寬波段（如可見光、近紅外、短波紅外）描述輻射過程。

• 將 RTE 簡化為單通道或雙通道模型，重點校正大氣散射吸收。

• 假設地表或水體為均勻層，忽略光譜連續性與多組分耦合。

2. 典型流程

1. 大氣校正：使用 6S、MODTRAN 等模型，輸入氣溶膠、水汽廓線，輸出層面反射率。

2. 經驗/半經驗模型：建立單波段或兩波段指數（如 NDVI 差分、單波段水質模型）與目標參數間的統計關系。

3. 參數優化：通過最小二乘或查表法（LUT）反演目標濃度或指數值。

3. 優缺點

• 優點：方法成熟、計算量小、易于實現。

• 缺點：波段信息稀疏，易出現“光譜混淆”、“非唯一解”；對復雜冠層或多組分水體反演精度有限。

---

三、高光譜＋RTE 反演

1. 原理與創新

• 全譜利用：高光譜傳感器（如 PRISMA、EnMAP）提供數百個連續窄波段，記錄細微吸收特征。

• 組分耦合：在 RTE 方程中將多種吸收劑（葉綠素 a/b、黃酮、CDOM、懸浮顆粒、大氣氣溶膠）共同作為未知譜函數。

• 連續約束：利用光譜平滑與連續性來穩定反演，降低混淆度。

2. 先進流程

1. 高光譜預處理：波段配準、大氣校正（多波段版 6SV）、噪聲降維（MNF、降噪自編碼器）。

2. 光譜特征提取：自動檢測吸收峰（670 nm 葉綠素 a，760 nm 氧氣帶，450 nm 黃酮）。

3. 耦合 RTE 模型：建立高光譜 RTE 系統方程，L(λi)L(\lambda_i)L(λi?) 同時依賴于多組分濃度與消光系數。

4. 反演算法：

   • 高維 LUT 匹配：在多維空間中尋找最小光譜誤差組合；

   • PINN 求解：將 RTE 嵌入深度網絡損失，加速近實時反演；

   • 正則化優化：Tikhonov 或稀疏約束，避免過擬合。

5. 校驗與融合：利用地面樣本、實驗室光譜和多角度觀測進行多元驗證。

3. 應用優勢

場景	傳統 RTE	高光譜＋RTE
植被功能類型識別	只能估算總葉綠素或指數	可同時精反演葉綠素 a/b、黃酮、葉片羧酸等多組分
水體參數監測	總懸浮物或單一 CDOM	區分 CDOM、TSS、葉綠素、溶解有機物等多重吸收特征
大氣痕量氣體反演	單通道或雙通道簡單估算	遍歷 CO?、CH?、NO?、O? 等吸收帶，提升定量檢測下限

# 輸入：觀測輻射 L_obs(λ)，組分庫 {k_i(λ)}, LUT 參數集合，正則系數 λ
# 輸出：最優組分濃度組合 {C_i*}# Step 1: 初始化
L_obs = get_observed_spectrum()           # 觀測光譜（高光譜傳感器）
k_dict = load_absorption_library()        # 各組分的消光系數曲線 k_i(λ)
LUT = generate_simulated_library(k_dict)  # 正向模型生成 LUT# Step 2: 匹配反演（基于最小誤差）
best_error = ∞
best_C = Nonefor C_candidate in LUT:                  # 遍歷所有組分濃度組合L_sim = RTE_model(C_candidate, k_dict)   # 用輻射傳輸模型模擬光譜error = compute_error(L_obs, L_sim)      # 例如均方誤差 MSEif error + λ * regularize(C_candidate) < best_error:best_error = errorbest_C = C_candidate# Step 3: 輸出結果
return best_C

---

四、總結

• 動機：只有通過 RTE 反演，才能從原始輻射中分離出地表/水體/大氣各組分的真實信息。

• 傳統方法：適合快速校正和簡單指數，但波段稀疏限制了定量精度。

• 高光譜＋RTE：借助光譜連續性與多組分耦合，大幅提升了多參數、多目標定量反演的能力，是遙感定量反演的下一個風口。