近10年来，卫星遥感对地观测技术迅速发展，许多新型卫星传感器相继发射，为科学研究和应用提供了大量遥感数据。然而，由于受到卫星发射时间、过空时间和频率以及云、雨天气的影响，单颗光学遥感卫星难以提供长时间序列的对地观测数据。为此，实现多源遥感数据的互补应用就显得尤为重要。其中Landsat系列是运行时间最长、被普遍认为定标精度较高的卫星，所以围绕着Landsat卫星和其他卫星以及Landsat系列卫星自身之间的交互对比工作一直在开展。

Chander等^［1］通过比较P6 AWiFS、P6 LISS-III与Landsat 5 TM、Landsat 7 ETM+传感器对应波段的表观反射率发现，几种传感器数据之间的决定系数都在0.97 以上。Xu和Zhang ^［2］对Landsat ETM+和ASTER多光谱数据进行的交互对比发现，二者在红光、近红外波段之间有很强的相关性，并提供了相应的转换方程。宋军伟等^［3］通过对Landsat 8 OLI和GF 1 WFV的研究发现，两种传感器对应波段决定系数均大于0.92，但在不同地物类型的分类精度上存在差异。Mancino等^［4］基于意大利南部巴利斯卡塔地区的Landsat 7 ETM+和Landsat 8 OLI影像进行研究，结果显示两种传感器各波段的平均反射率存在细微差异；不同指数（特别是NDVI和NDWI）之间具有很高的相关系数表明，ETM+和OLI可以作为互补数据。She等^［5］采用Landsat 8 OLI和Landsat 7 ETM+数据，对不同植被类型季节变化的连续性进行评价，结果表明OLI在很大程度上继承了ETM+的波段特性。Li等^［6］使用Landsat 8 OLI和Landsat 7 ETM+数据对植被指数的对比分析表明，两种传感器植被指数的决定系数大于0.96。Silvestri等^［7］交互对比了ECOSTRESS、ASTER和Landsat 8 TIRS在热异常的地区获得的温度，统计分析表明在测试区域内，传感器之间的相关性和平均值非常一致。

Sentinel卫星是近年来新发射的系列卫星，其MSI传感器数据由于和Landsat 8 OLI比较接近，且都可以免费使用，因此已有学者对二者数据进行了交叉对比研究。Chastain等^［8］对Sentinel 2 MSI和Landsat 8 OLI的表观反射率进行对比发现，MSI和OLI各波段表观反射率的均方根误差在0.012 8~0.039 8之间。Barsi等^［9］利用利比亚和阿尔及利亚定标场影像对Sentinel-2A MSI和Landsat 8 OLI进行了对比，结果表明两种传感器在各波段的表观反射率差异都小于2.5%。Arekhi等^［10］对不同季节的土耳其埃格尼达朗戈斯森林地区Sentinel-2 MSI和Landsat 8 OLI波段的反射率比较发现，不同季节各波段都表现出较好的一致性，其中春季获得的影像波段的相关系数几乎都最高。Zhang等^［11］研究发现利用传感器光谱响应函数和实验室光谱模拟得到的Sentinel-2A MSI和Landsat 8 OLI反射率在红光、近红外和中红外波段之间的关系与实际数据相似，并给出了可用于改善Sentinel-2A MSI与Landsat 8 OLI数据之间一致性的回归系数。Mandanici等^［12］通过比较Sentinel-2A MSI和Landsat 8 OLI传感器对应波段的反射率发现，两种传感器数据之间的相关系数都在0.98以上。钟函笑等^［13］研究了Landsat 8 OLI与Sentinel-2A MSI山区遥感影像辐射的一致性，发现地形效应导致了二者数据在阴坡和阳坡的辐射信号存在较大的差异。张弋等^［14］通过比较西北地区黑河流域Landsat 8和Sentinel-2数据的空间尺度差异及其水面信息提取结果的不确定性，发现Landsat 8和Sentinel-2数据不同地物的光谱曲线具有相似性，但反射率相差较大；Landsat 8和Sentinel-2数据在提取水面信息上可以协同使用。Wang等^［15］比较了Landsat 8、Sentinel-2和GF-1的植被指数，结果表明Sentinel-2数据对植被特征更敏感，对植被信号检测能力更强。

从这些Sentinel-2A MSI和Landsat 8 OLI数据的对比研究来看，它们有的是基于全试验区方法来对比^{［10，13］}，有的是基于样区均值法来比较^［11］；有的研究不是基于同步影像，使得研究结果存在一定的不确定性^［8］；有的研究未对传感器数据的差异是否与土地覆盖类型有关进行研究^［9］。因此，本次研究基于3对同步影像，同时采用了全试验区法和样本均值法，通过选取不同土地覆盖类型的影像来对Sentinel-2A MSI和Landsat 8 OLI的多光谱传感器数据进行更全面的交互对比，分析它们异同的原因，并求取二者各波段之间相互转换的关系方程，为两颗卫星传感器数据在实际应用中的互补使用提供依据。

为保证不同传感器影像对应地物光谱的一致性，采用同一目标区域的同日过空影像对是本次进行传感器交互比较的重要前提^［16］。试验选用的3对同步影像质量完好，每对同步影像的日照和大气条件良好，晴空无云，太阳高度角、方位角基本一致，确保了不同传感器对地物观测的一致性（图1、表1）。这3对影像分别位于新疆克拉玛依（以植被为主）、甘肃敦煌（以裸土为主）和新疆哈密（兼有植被和裸土）。前2对作为试验影像对，后1对作为验证影像对。采用试验地点和土地覆盖类型均不同的多对影像进行对比可以有效避免试验结果的偶然性。这3对影像分别下载于美国地质调查局（USGS）数据分发网站（https：//earthexplorer.usgs.gov/）和欧空局（ESA）网站（https：//scihub.copernicus.eu/dhus/#/home）。

Sentinel-2A MSI具有13个波段，Landsat 8 OLI只有9个波段，因此本文只比较二者共有的波段。另外，Sentinel-2A MSI近红外波段分为近红外宽波段和近红外窄波段，其窄波段与Landsat 8 OLI的近红外波段范围比较接近，因此采用Sentinel-2A MSI的近红外窄波段与Landsat 8 OLI的近红外波段进行比较。实验比较的两种传感器的7个波段的信息见表2。

由于卫星传感器在成像过程中会产生辐射畸变，因此在试验前必须对影像进行辐射校正。同时本文所用3对影像均为同日过空影像，且过空时间相差不超过10 min，可视为大气条件基本一致，因此将影像的原始灰度值转换为表观反射率。

对于Landsat 8 OLI的L1T级产品，可通过影像头文件中的校正参数进行辐射校正，计算得到表观反射率数据^［17］。

其中：M_ρ和A_ρ均为波段λ的反射率调整因子，Q_cal为波段λ的像元灰度值，θ_z为影像太阳天顶角，它们都可从影像头文件中获取。ρ_λ为波段λ的表观反射率。

下载的Sentinel-2A MSI数据为L1C级产品，是已经过定标的表观反射率数据，因此不需要再对其进行辐射校正^［18］。

虽然下载的影像已经过系统的几何校正，但经叠加对比发现，3对影像上地物的空间位置仍有一个像素的差异，因此通过坐标平移方法对3对Landsat 8和Sentinel-2A影像进行配准。

由于两种传感器数据的空间分辨率不同，因此将Sentinel-2A影像的分辨率重采样为30 m，以保持和Landsat 8的分辨率一致。采用能最大程度保持原始光谱值的最邻近像元法进行重采样。

样区均值比较法是在2幅试验同步影像中选取范围相同的感兴趣区（Region Of Interest， ROI），统计各ROI样区的表观反射率均值来进行比较，这样可有效避免配准和空间分辨率不一致可能造成的问题^［19］。样区（ROI）的选择应满足以下原则：

（1） 平坦、无云、均质，避免选取地形复杂、高低起伏的地区。

（2） ROI具有一定的面积，但也不宜过大。

（3） ROI必须有一定的光谱波长覆盖范围，即要有高反射率区域，也要有低反射率区域。尽量均匀分布在遥感影像的整个灰度范围，能代表不同地物，这样才能客观地分析两种不同的传感器影像在其整个设计的谱段范围内的关系。

基于以上原则，对2对试验影像进行ROI样区选取，选取了克拉玛依试验区的植被样区及敦煌试验区的高、中、低亮度区共4类样区，共计495个同质ROI样区。图2以Sentinel-2A MSI为例列出4类ROI样区。

分别计算决定系数（R²）、均方根误差（RMSE）和相对偏差率（ME）这3个评价指标来衡量两种传感器表观反射率的偏差程度，并进行对应波段表观反射率的回归分析来进行对比。

其中：MSI和OLI分别为两种传感器每个ROI样区的表观反射率均值，MSI¯和OLI¯分别为两种传感器对应波段的表观反射率均值，n为ROI个数。

基于全试验区的光谱比较法是将同步影像对的两幅影像的相同试验区（图1）作为一个大样区来整体比较，而不进行逐点对比，因此只需对比两种传感器在该试验区的表观反射率均值（MEAN）、均方根误差（RMSE）和相对偏差率（ME）。

基于2对试验影像所选的495个ROI同质样区，求出每个样区的表观反射率均值，然后对两种传感器逐个对应波段的表观反射率均值进行回归分析（图3）。图3的左图以Landsat 8 OLI为自变量，以Sentinel-2A MSI为因变量，y表示综合以上2对影像495个ROI样区得到的Landsat 8 OLI和Sentinel-2A MSI的关系方程；右图以Sentinel-2A MSI为自变量，以Sentinel-2A MSI减Landsat 8 OLI表观反射率的差值作为因变量。

表3为综合两个试验区495个ROI样区的统计特征值，综合图3和表3可以看出：

（1） Landsat 8 OLI和Sentinel-2A MSI各对应波段线性回归方程的决定系数均>0.99 （方程通过p<0.001的显著性检验），RMSE的值都<0.015，ME都<6%，说明两种传感器的表观反射率之间具有很强的一致性。

（2） 各波段的ME均为正值，平均值为4.95%，说明Sentinel-2A MSI的表观反射率大于Landsat 8 OLI近5%。图3（a）~（g） 左图的散点分布在1∶1线上方，右图的散点分布在x=0线的上方也都说明了这一点。

（3） 在所对比的7个波段中，深蓝、蓝波段的一致性稍差，表现在R²较小，斜率较大，散点也较分散。但从图3左侧的散点图可以看出，随着波长的增加，其他波段的散点分布一致性有变好的趋势，且逐渐向1∶1线靠拢。

表4是基于全试验区方法获得的各波段对比结果。从表中可以看出：

（1）2对影像的R²绝大部分介于0.81~0.97之间，均值为0.89，RMSE均小于0.02，ME也小于7%，同样表明Landsat 8 OLI与Sentinel-2A MSI数据的表观反射率具有较好的一致性。

（2）两个试验区的ME平均值为4.31%，表明Sentinel-2A MSI的表观反射率总体大于Landsat 8 OLI。

（3） 敦煌试验区各波段的R²、RMSE和ME都比较一致，起伏不大，而克拉玛依试验区则波动较大。

为了检验图3中得到的Sentinel-2A MSI和Landsat 8 OLI的关系方程的准确性，本文在未参与试验的哈密影像中选取了355个同质ROI样区来进行验证。利用图3中各个波段的关系方程，将Landsat 8 OLI的各波段模拟成Sentinel-2A MSI对应波段，然后将模拟后的Sentinel-2A MSI数据与真实的Sentinel-2A MSI进行回归（图4，横坐标为模拟数据，纵坐标为真实数据），计算它们之间的RMSE和ME，并将结果与模拟前的结果进行比较，以此来评价转换方程的模拟精度（表5）。

转换结果表明（图4、表5），Landsat 8 OLI模拟成Sentinel-2A MSI数据后，其与实际Sentinel-2A MSI数据的差异大幅缩小。与模拟前的数据相比，RMSE最大减小了52.66%（蓝光波段），平均减小了35.71%。ME同样也有明显减少，最小的减少了0.85倍 （中红外2波段），最大的降幅可近11倍 （蓝光波段）。这表明本文获得的Sentinel-2A MSI和Landsat 8 OLI的关系方程可有效降低这两种传感器数据之间的差距。

上述对比结果表明，Sentinel-2A MSI和Landsat 8 OLI传感器数据之间具有很好的一致性，但也存在一定的差异，表现在Sentinel-2A MSI的表观反射率总体强于Landsat 8 OLI，这可能是由于二者各波段之间在光谱范围和光谱响应函数方面的差异引起的。

表2和5显示，两种传感器各波段的光谱分布范围和光谱响应函数形态存在一定差异。从图中可以看出，波长较长的3个波段（近红外、中红外1、2波段）的光谱分布范围和光谱响应函数形态比较一致，因此这3个波段的R²总体高于可见光的4个波段。表3中，近红外、中红外1和中红外2这3个波段的平均R²为0.998 5，大于可见光4个波段的0.996 2；表4中2个试验区近红外、中红外1和中红外2波段的平均R²为0.924 2，大于可见光4个波段的0.855 9。在图3中，散点群也表现为随着波长的增加，逐渐向1∶1线靠拢的趋势。

全试验区对比的结果和基于ROI方法的结果有所区别，全试验区方法的R²小于ROI方法，RMSE和ME略高于ROI法，这是由于两种传感器的空间分辨率不一致所造成的。Landsat 8 OLI的分辨率总体低于Sentinel-2A MSI，因此混合像元现象较为严重。为了考察这一现象，随机选取一块面积为120 m×60 m的样区 ，其对应Sentinel-2A的3种不同分辨率波段的像元数分别为：60 m分辨率的1波段为2个像元，10 m分辨率的2~4波段为12×6=72个像元，20 m分辨率的8A、11和12波段为6×3=18个像元（图6）；它们重采样为30 m后都统一成为4×2=8个像元。统计表明（表6），它们的表观反射率在重采样后会发生一定的变化，7个波段的平均误差为0.15%，说明虽然采用了光谱保真度最高的最邻近像元法进行重采样，但仍会使光谱值产生偏差。而采用ROI均值进行对比的方法客观上起了平滑作用，能有效降低混合像元带来的影响。因此，较之于全试验区法，ROI方法对比结果的R²更高，RMSE和ME更低。

另外，采用ROI对比法还可以通过点对点的回归分析获得不同传感器数据之间的关系转换方程，因此这一方法也是不同传感器交互对比采用较多的方法^{［1，5，11-20］}。

从表4可以看出，两种传感器在两个不同试验区的表现有所差异。克拉玛依试验区以植被（农田）为主，其 Sentinel-2A MSI在绿光的ME值明显高于其它可见光波段，在近红外波段的ME值也大于红光波段。由于2幅试验影像都没有林地，因此又采用了1组日本名古屋2018年6月25日的两种传感器的同步影像对（图7），选择其中的林地进行了基于全试验区的对比，统计结果表明，Sentinel-2A在林地的绿光和近红外波段的ME值也具有同样的特征（表7）。由于绿光和近红外波段是表征植被反射光谱的特征波段，近红外波段和红光波段的差值是构成各种植被指数的重要基础，因此Sentinel-2A MSI在绿光和近红外波段的突出表现说明Sentinel-2A MSI对于植被信息的敏感度要明显高于Landsat 8 OLI。就敦煌试验区而言，该区以裸土为主，因此其绿光波段的ME值并不大于其他可见光波段，近红外波段的ME值也明显小于红光波段。以上分析说明，Sentinel-2A MSI的表观反射率整体大于Landsat 8 OLI，且在植被信息上这种差异会表现得更为明显。另外，克拉玛依试验区各波段的R²、RMSE和ME数值的起伏都比敦煌试验区大，这也和它们的土地覆盖类型的复杂性有关。前者虽然以植被为主，但其中仍杂有田埂、道路和星散的建筑物，而后者为比较均一的裸土（图1）。这说明在土地覆盖类型比较复杂的地区，二者在各波段差异性的分化可能更为明显。

双向反射现象是可能导致不同遥感传感器光谱数据差异的又一因素，因此在遥感传感器定标和对比的研究中经常要考虑其影响，并通过双向反射分布函数BRDF （Bidirectional Reflectance Distribution Function）进行校正。但受BRDF影响的主要是大观测视角的传感器和非同步影像对^［21］，Chen等^［22］也认为， BRDF对于小视角传感器（Landsat 8、Sentinel-2）且使用同步影像进行定标和对比的影响不大，可不必考虑，因为即便有影响，对两种传感器的影响也是相等的。李娟等^［23］对GF-1 WFV采用2种方法进行了交叉定标，结果发现BRDF方法仅对非星下点的WFV1和WFV4相机有效，而对于近星下点、小视角的WFV2和WFV3相机的精度并不如常规方法。Zhang等^［11］对Sentinel-2A MSI和Landsat 8 OLI进行的比较结果表明，在经过BRDF校正的7个多光谱波段和1个植被指数波段中，有5个的均方根差（RMSD）大于未经BRDF校正的常规方法，只有3个（蓝光和2个近红外波段）小于后者^［11］。钟函笑等^［13］对Sentinel-2A MSI和Landsat 8 OLI的一致性研究表明，在给出的3个对比波段中，采用BRDF校正的R²仅在蓝光波段高于常规方法，而在近红外和中红外波段却低于后者^［13］。综合以上分析可以看出，BRDF对于Sentinel-2A MSI和Landsat 8 OLI同步影像对的光谱一致性的影响可能不及大视角传感器，因此许多涉及二者传感器对比的研究都没有考虑BRDF ^{［8，10，12］}。但从文献［11，13］的研究来看，BRDF对蓝光波段会产生影响，因为二者的研究都一致表明BRDF校正会改善两种传感器蓝光波段的一致性。

本研究基于3对同步影像对，采用全试验区和样区均值比较法对Sentinel-2A MSI和Landsat 8 OLI传感器数据的对应波段进行了交互对比。结果表明，这两种传感器的表观反射率有较好的一致性，RMSE都小于0.02，ME不超过7%，基于样区均值法获得的R²大于0.99，全试验区法的平均R²达到0.89。但研究也发现，二者的数据之间也存在着一定差距，表现在Sentinel-2A MSI的表观反射率总体高于Landsat 8 OLI，幅度约为5%。

通过分析发现，Sentinel-2A MSI和Landsat 8 OLI之间的差异与其光谱响应函数、光谱范围和试验区的土地覆盖类型及其复杂性有关。

由于以上差异的存在，在时间序列的分析中，Sentinel-2A MSI与Landsat 8 OLI的影像数据不宜直接替代使用，而必须进行必要的数据转换。本文利用所获得的Sentinel-2A MSI与Landsat 8 OLI的转换方程进行的数据转换结果证实，通过转换可以显著减少二者对应波段数据之间的差异。