1.一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，其步骤为：(A)：对二类水体的高光谱影像数据进行预处理，提取影像表观反射率；

(B)：对所获取的高光谱影像提取其几何信息、波长信息以及550nm处气溶胶光学厚度0

初值τ550 ；

(C)：将步骤B中提取的参数输入神经网络模型，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献ρpath；

(D)：利用近红外波段的离水反射率ρw(NIR)，连同t、ρpath，模拟出表观反射率simρtoa ；

sim mes

(E)：将ρtoa 与步骤(A)中提取的真实表观反射率ρtoa 进行光谱优化，不断调整参opt opt opt数τ550、R、n，直到模拟值最接近真实值，最终得到最优解τ550 、R 、n ；

opt opt

(F)：将τ550 带入神经网络模型中，得到所有高光谱波段的大气漫射透过率t 以及opt大气分子和气溶胶的总贡献ρpath ；

mes

(G)：结合影像上真实表观反射率ρtoa ，估算高光谱影像的离水反射率。

2.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述的步骤(A)具体包括步骤：(A1)：获取所需进行大气校正的高光谱遥感影像，从中提取二类水体水域的影像数据；

(A2)：利用所获取数据的定标参数(通常由传感器发射方提供)，对原始影像数据进行辐射定标和几何纠正；

mes

(A3)：从步骤(A2)处理后的原始影像中提取表观反射率数据ρtoa 。

3.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(B)具体包括步骤：(B1)：从步骤(A)处理的影像直接提取高光谱影像的几何信息，包括太阳天顶角和方位角(θs，φs)、卫星天顶角和方位角(θv，φv)；

(B2)：从步骤(A)处理的影像直接提取高光谱影像的波长信息；

0

(B3)：从步骤(A)处理的影像直接提取550nm处气溶胶光学厚度初值τ550。

4.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(C)中，将步骤(B)中提取的参数如太阳和卫星天顶角(θs，θv)、方位0

角(φs，φv)，影像多个波段的波长λ以及550nm处气溶胶光学厚度初值τ550，输入神经网络模型BP-ρpath以及BP-t，模拟输出大气漫射透过率t以及大气分子和气溶胶的总贡献ρpath；两个神经网络模型如下：(C1)：神经网络模型BP-ρpath用于模拟输出大气分子和气溶胶的总贡献ρpath，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由辐射传输模拟构建的ρpath查找表建立，辐射传输模拟可采用大气辐射传输方程或现有公开发布的开源代码如6S模型完成。

(C2)：神经网络模型BP-t用于模拟输出大气漫射透过率t，其输入参数是太阳、卫星天顶角、方位角以及波长。神经网络模型可由辐射传输模拟构建的t查找表建立，辐射传输模拟可采用大气辐射传输方程或现有公开发布的开源代码如6S模型完成。

5.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特

0 0

征在于，所述步骤(D)中，将754nm处离水反射率初值R，光谱指数初值n 带入近红外离水反射率模型中，估算出近红外波段的离水反射率ρw(NIR)，再连同t、ρpath，模拟出表观反射sim率ρtoa ；具体计算方法如下：

ρtoa(λ)=ρpath(λ)+t(λ)ρw(λ) (2)ρpath(λ)=ρr(λ)+ρa(λ)+ρra(λ) (3)其中，λ0为参考波段，R为参考波长的离水反射率ρw(λ0)的简化形式，aw为纯水的吸收系数，n为光谱形状指数，由水中颗粒物的类型和大小决定，ρtoa(λ)为大气层外反射率，ρr(λ)为大气分子瑞利散射，ρa(λ)为大气中气溶胶散射贡献，ρra(λ)为大气分子和瑞利散射相互作用，ρw(λ)为离水反射率，t(λ)为大气漫射透过率。

6.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特征在于，所述步骤(E)中，将ρtoasin与A中提取的真实表观反射率ρtoames进行光谱优化，不断调整参数τ550、R、n，直到模拟值最接近真实值，最终得到最优解τ550opt、Ropt、nopt。在光谱优化过程中，借助于罚函数判断模拟表观反射率与真实表观反射率的接近程度，使模型模拟的值更加逼近真值；罚函数P定义为模拟表观反射率与真实表观反射率误差的平方和，并加入参数初始值进行约束：mes 0 0 0

其中，ρtoa 为影像上计算得到的真实表观反射率，τ550、R、n 为所求参数τ550、R、τ R nn的初值，i取值1～4分别代表近红外四个波段，ci是第i波段的权重，d 、d、d 分别是τ550、R、n的权重。

7.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特opt征在于，所述步骤(F)中，将τ550 带入神经网络模型BP-ρpath以及BP-t中，得到所有高opt opt光谱波段的大气漫射透过率t 以及大气分子和气溶胶的总贡献ρpath 。

8.根据权利要求1所述的一种基于神经网络二次优化的二类水体大气校正方法，其特mes征在于，所述步骤(G)中，结合影像上真实表观反射率ρtoa ，估算高光谱影像的离水反射率，计算由公式(2)完成。