多閾值及連通域距離權重的霧判識

李彬，盧士慶，王飛，孫小龍，張迎杰

(1.內蒙古自治區生態與農業氣象中心，呼和浩特 010051；2.高分辨率對地觀測系統內蒙古數據與應用中心，呼和浩特 010051；3.中國氣象局 云降水物理與人工影響天氣重點開放實驗室，北京 100081；4.赤峰市氣象局，內蒙古 赤峰 024000)

0 引言

大霧的能見度一般小于1 km時，容易引發各類交通事故。在中國東部等經濟發達地區，大霧常與一些污染物混合存在，形成霧霾[1]。常規大霧監測方法受到觀測站點分布以及觀測時間的限制，尤其是在海上，觀測站十分缺乏。衛星遙感觀測具有覆蓋范圍廣、時效強、成本低、可連續監測等優點，能快速識別大霧分布范圍和變化過程，在氣象防災減災方面發揮十分重要的作用。

國外早在20世紀70年代就開始利用氣象衛星開展大霧監測。主要側重于白天大霧識別，使用閾值法以及目視解譯衛星圖像中云霧的形狀、分布來判斷[2]。早期由于衛星紅外通道探測水平局限，多以可見光通道進行監測；隨著衛星紅外技術發展，大霧監測方法也得到了提升。Eyre等[3]利用不透明水云和冰晶在短波紅外(3.7 μm)和熱紅外(11.0 μm)波譜特征差異建立了雙通道閾值法監測夜間霧，但在白天適用性較差。劉健等[4]對云頂部粒子尺度特征和霧分布狀況進行分析發現NOAA/AVHRR第3通道反射率大值區與霧區有良好對應性。Bendix等[5]基于MODIS的1～7通道，利用輻射傳輸模式模擬不同厚度霧反射率特征，設定閾值進行判識。劉慶年等[6]基于FY-1D數據提出一種基于支持向量機的大霧識別方法。2008年，周旋等[7]也基于MODIS數據亮溫差值法對夜間低云大霧進行監測。王中挺等[8]綜合利用環境衛星可見光和紅外波段進行大霧監測。周小珂等[9]在現有大霧識別方法基礎上，提出了利用夜間微光云圖和紅外云圖識別低云大霧的雙通道閾值法，結果表明基于該數據的雙通道閾值法進行夜間低云大霧監測的可行性。然而，極軌衛星由于受到時間分辨率的限制，無法對大霧過程進行實時跟蹤監測，在氣象服務業務中存在局限性。雖然極軌衛星在空間分辨率上一般優于靜止衛星，但空間分辨率對大霧監測影響有限，同時，靜止衛星空間分辨率也達到較高水平。因此，利用靜止氣象衛星監測大霧成為業務上的必然趨勢。

最早科學家利用美國的GOES系列靜止衛星可見光、紅外通道數據對大霧進行了遙感監測[10]。1995年日本GMS-5靜止氣象衛星發射，其星載VISSR(可見光和紅外自旋掃描輻射計)新增兩個紅外探測通道，Ahn等[11]利用GMS-5紅外通道提出基于晴空輻射底圖的大霧監測算法。我國居為民等[12]、李亞春等[13]、陳偉等[14]也針對GMS-5靜止氣象衛星進行了大霧監測研究。

2005年，日本MTSAT氣象衛星發射成功，其具有1個全色可見光通道和4個紅外通道，比GMS-5衛星增加了中紅外(3.5～4 μm)通道，有效提升了東亞和西太平洋地區大霧監測能力。劉希等[15]基于MTSAT衛星資料建立了多閾值海霧檢測算法。Gao等[16]利用MTSAT紅外雙通道差值法對黃海夜間海霧進行判識。李軍等[17]使用主成分分析法對MTSAT衛星數據開展大霧監測研究。周紅妹等[18]基于MTSAT和FY-2C數據，在光譜閾值基礎上針對大霧圖形特征加入連通域、平滑度等圖像處理技術提高判識準確度。何月等[19-20]基于MTSAT數據，采用分級判識太陽高度角閾值和歸一化大霧指數，構建了海上大霧監測模型。田永杰等[21]基于動態閾值和指數分離等方法對FY-2E衛星開展大霧監測。王清平等[22]基于FY-4A衛星，使用可見光和紅外雙通道閾值進行機場大霧監測。

Yuan等[23]利用韓國2010年發射的COMS/GOCI(geostationary ocean color imager)，使用多分離指數進行低云海霧判識。王崢等[24]分析GOCI數據光譜特征，采用波段比較法提取黃海海霧；受通道數限制，其對低云的區分效果較差。張培等[25]利用CALIOP數據進行樣本點篩選，用于Himawari-8大霧監測的通道和閾值選擇，并利用紋理特征熵值進行低云區分，對于云頂較平整的低云或分布不太平整的霧則易造成誤判。Yang等[26]使用Himawari-8和FY-4A雙星協同進行低云和霧判識，但并未能對二者進行明確區分。

目前，針對靜止衛星大霧監測閾值法仍是主流研究方向，目前主要難點為：區分霧與低云，薄霧及云下霧判識；多針對海霧，缺乏海陸通用的算法；新一代靜止氣象衛星由于時間頻次高、數據量大，一些機器學習方法不適用于業務應用。因此，依靠主流的多通道閾值尋找區分度強的分離指數，同時結合實用的圖像處理方法是目前滿足業務上快速可靠的手段。于是，本文提出基于Himawari-8新的歸一化大霧分離指數，可以有效區分水體、陸地、中高云，輔助亮溫等參數可以分離低層云，無論在海表還是陸地都可應用；同時，利用反射率差異指數和灰度熵對部分云下霧判識提供了有益的探索。

1 數據介紹

Himawari-8是日本氣象廳的第二代靜止氣象衛星，2014年10月發射成功，定位于東經140.7°，設計壽命15年。具體參數信息可在日本氣象廳官網查詢(http：//www.jma-net.go.jp)。

本文使用了幾次典型特征的大霧過程，即2019年3月26日、2019年6月4日、2021年3月5日、2021年3月7日、2021年3月10日和2021年8月2日6 d不同時次衛星數據，結合目視解譯與地面觀測結果對提出的方法進行分析驗證。地面觀測數據來自全國綜合氣象信息共享平臺和氣象臺站觀測的天氣現象。

2 大霧監測技術方法

圖1為大霧判識總流程圖，一部分是濃霧和輕霧合并的主霧區判識，另一部分是準云下霧判識。

圖1 大霧判識流程圖

然后基于判識結果分別進行主連通域和輔連通域標記，再依據二者的距離權重指標確定輔連通域是否為云下霧。最后將主霧區與云下霧區判識結果合并為最終判識結果。

2.1 非云下霧的判識

霧本質上屬于云，其物理特征和形成過程與云基本相似，只是霧形成在近地面。另外二者粒徑大小有所不同，研究表明：霧滴平均半徑在幾微米，大部分為1～2 μm左右的水滴，且分布較為均勻，而云滴粒徑通常在5～6 μm以上。在可見光和近紅外波段，衛星接收輻射主要為反射輻射。由于Mie散射作用，霧區可見光波段(0.46 μm)反射率要高于土壤、水體、植被等一般下墊面，低于中、高云；而其后向散射效率在通道1.6 μm要高于低云。

另一方面，中紅外波段(中心波長3.7～3.9 μm)信號包括熱輻射和部分反射太陽輻射。因水滴和冰晶在此波段有強烈的吸收，當水滴或冰晶較大時，吸收制約了散射，使得目標在該波段的反射輻射較弱。如圖2所示，分別選取霧、水體、冰雪及中低云這些由水、冰組成的目標物各100個，統計了各目標物在紅外波段3.9 μm和11.2 μm的平均亮溫值。由于云、冰雪和水體的粒徑尺度較大使反射輻射較低，而霧滴相對有更高的反射貢獻，因而霧與水體、冰雪和中低云在11.2 μm波段的亮溫值差異不顯著，而在3.9 μm處霧對其他目標物的區分性則更加顯著。

圖2 不同目標物3.9 μm和11.2 μm平均亮溫值

基于大霧的以上光學特性，并參考前人提出的霧-低云分離指數(fog-stratus distinguish index，FSDI)及歸一化霧指數(normalized difference fog index，NDFI)計算方法，本文提出一種新的大霧檢測指數(fog detection index，FDI)(式(1))，并結合歸一化植被指數(normalized vegetation fog index，NDVI)和反射率等多閾值進行主體霧區的判識。主體霧區是可判識度較高、基本不受云影響、確定性較強的大霧覆蓋區域，是進行后續準霧區判識是否為霧的重要依據。

(1)

式中：R1.6和R0.46為1.6 μm和0.46 μm的反射率；BT3.9為3.9 μm亮溫。通過對1 000個解譯確定的霧像元進行統計得到如圖3所示的箱線圖，霧的FDI值分布范圍大致為-10～30，集中分布于0～20之間。為了對比分析FDI的區分效果，文中分別對高云、中低云、農田、水體、高植被、中植被、積雪、荒漠等進行了統計(圖3)。可以看出，高云的FDI值集中分布于120～130之間，算法對此類云的區分作用明顯；中低云與霧FDI值集中分布的區域也有明顯分界。

圖3 不同目標物的FDI值分布箱線圖

此外，指數對低植被覆蓋地表、水體、積雪、農田、冬季荒漠等的區分作用明顯；在中低云、高植被覆蓋地表、夏季荒漠分布仍有重疊。為了盡量減少漏判，本文將FDI值設置為-10～30，并利用NDVI低于0.2來區分高植被地表，利用11 μm亮溫來區分夏季荒漠，利用第3波段反射率來區分灰霾，判識流程如圖4所示。

圖4 濃霧判識流程

云是大霧判識過程中的主要干擾因素，常伴隨霧發生，閾值法對低云和薄云區分效果不夠理想。經過多閾值識別后的一些中低云雖不能完全被濾除，但表現出細碎和不連續特征，如圖5所示。

圖5 經過灰度熵過濾前后的結果

本文采用基于灰度熵的團塊目標檢測?；叶褥胤从沉舜翱趦认袼鼗叶鹊牟町惓潭?，越大表明窗口內像素灰度差異越小，當窗口內所有像素灰度值相同時，灰度熵為1；反之，值越小灰度差異越大。首先將經過FDI判識之后的結果轉化為二值圖像，并設定5×5像元的窗口進行灰度熵檢測。這樣窗口內的灰度熵值就只有0和1，將值為0的窗口判斷為非霧區，反之為霧區[27]。

由于海上輕霧厚度較薄，因此受到海面背景信息干擾大，導致FDI值偏大。為了盡量減少漏判，通過目視解譯獲得13個典型輕霧區的1 250個像元，參考以往大霧監測中常用的雙通道亮溫差法，對11 μm、12 μm熱紅外亮溫差(brightness temperature difference，BTD)值統計發現，其值分布范圍主要在0.5～1.2之間，集中分布于0.6～0.9之間，如圖6所示。

圖6 13個典型輕霧區熱紅外亮溫差BTD值分布箱線圖

本文將BTD閾值范圍設定為0.5～1.2之間，并結合歸一化植被指數NDVI、11.2 μm亮溫及0.46 μm反射率進一步提升判識精度，如式(2)所示。

BTD=BT11-BT12

(2)

式中：BT11為11 μm的亮溫；BT12為12 μm的亮溫。

判識流程如圖7所示。利用NDVI低于0.12來區分中高植被地表；大于-0.1來區分水體，此閾值是為了一些海上輕霧不被濾除；利用亮溫來區分夏季荒漠，利用第1波段反射率來區分灰霾、中高云和低植被地表；利用上述灰度熵方法來濾除低云。

圖7 輕霧判識流程

2.2 云下準霧區的判識

有研究分析發現，0.46 μm和0.51 μm的反射率差值指數(reflectivity difference index，RDI)(式(3))可以用于一些薄云下沙塵的特征性識別，因沙塵和大霧均具有一定的高反射特征，對該指數進行分析發現其也可使一些云下霧的連續性特征得以顯現。

RDI=|R0.46-R0.51|×1 000

(3)

式中：R0.46和R0.51為0.46 μm和0.51 μm的反射率。計算結果如圖8(c)所示，被云系遮蓋的霧區有較為完整的顯現。圖8(a)為三波段(3.9 μm、1.6 μm、0.46 μm)合成的假彩色圖，從中可以清晰辨識整個霧區的西北部被呈現藍色的中低云系所遮蓋，在真彩色圖像圖8(b)中則不是十分容易辨識。

圖8 2021年3月7日09時大霧過程

具體判識流程如圖9所示。RDI值的范圍選擇在14和26之間，這一閾值范圍可以有效將一些稀疏云系或厚度較薄的云系下霧進行識別。該指數雖然可用于突出云下特征，但也不免會引入誤判項，因此算法又補充了其他判據，在保留疑似云下霧的同時盡量減少誤判項，為后續連通域方法的運算節約運算量。其中，歸一化雪指數(normalized difference snow index，NDSI)是為了減少誤判項中的積雪，BT11.2是為了減少誤判項中的高云及裸地，NDVI是為了減少誤判項中的水體和高植被地表，0.46 μm反射率是為了減少誤判項中的灰霾。

圖9 準云下霧判識流程

2.3 基于連通域距離權重判定的霧區判識

在圖像中，常見的鄰接關系有4鄰接與8鄰接兩種。連通域標記算法有很多種，有的算法可以一次遍歷圖像完成標記，有的則需要兩次或更多次遍歷圖像，這也就造成了不同的算法時間效率的差別。這里我們使用的是MATLAB中連通區域標記函數bwlabel中使的算法，它一次遍歷圖像，并記下每一行(或列)中連續的團和標記的等價對，然后通過等價對對原來的圖像進行重新標記，這個算法效率較高，其使用默認參數為8連通。在基于2.2節所述云下準霧區判識的基礎上，針對其空間分布特征進行篩選。主要思路基于2.1節及2.2節方法判識出的主體霧區為基準，進行主連通域識別標記(圖10(a))；其次是對基于2.3節判識的準云下霧進行輔連通域識別標記(圖10(b))；最后是基于連通域距離權重分析的篩選，即計算每個輔連通域與每個主連通域的距離，以連通域的每個邊緣像素為計算目標，如果距離小于5的像素數量占此輔連通域總像素數量的比重超過60%，則認為其為云下霧。

圖10 連通域標記識別結果

3 結果與討論

本節主要對前文所述的實驗數據和區域，首先針對無云干擾的主霧區進行識別。如圖11所示，圖11(a)為2019年3月26日一次渤海海域的大霧天氣的衛星假彩色合成圖，圖11(b)為主霧區的判識結果，圖11 (c)為針對準云下霧的判識結果，圖11 (d)為通過距離權重判定后最終的大霧判識結果。由判識結果可以發現，在海霧區的中部、東部、東北部的幾處輕霧都被有效的判識出來。西北角的云下霧也通過所述方法得到了補充判識。其中，一些很薄輕霧的判識依然有難度；同時，云下霧的判識會導致一定的誤判，主要是會將一些云納入判識結果。

圖11 2019年3月26日判識結果

為了進一步論證算法的適用性，選取2021年3月5日、2021年3月10日、2019年6月4日的3幅海霧影像進行判識，綜合真彩色和假彩色圖像比較驗證，如圖12所示。

圖12 不同個例假彩色、真彩色圖像及判識結果

紅圈標識的幾處云下霧(假彩色圖像顯示為藍色)傳統閾值法難以識別，而本文所述方法則能較好地識別。但是對于一些邊緣處輕霧的識別仍然有漏判，并且當云的厚度較大時，或大部分霧區為云所覆蓋時，也較難排除其干擾。

由于海上缺乏氣象觀測，為了量化方法的分類判識精度，采用Kappa系數進行評價。即以目視解譯的結果作為實際樣本，以算法判識結果作為預測樣本，制作混淆矩陣進行計算。本文以上述實驗數據為樣本選取了非云下霧、云下霧和云或其他3個類別制作了混淆矩陣，如表1所示。最后經過計算，算法的綜合分類Kappa系數為0.92，具有較高的判識精度。

表1 算法分類結果的混淆矩陣

圖13為2021年3月7日09時一次陸表大霧的真彩色圖像和判識結果。本文選取了區域內33個地面氣象站同一時間觀測的天氣現象與判識結果進行對比，其中27個站觀測和判識結果一致(圖中綠色點)，其中一個站的觀測結果為霾，判識結果為非霧；6個站觀測結果為霧，判識結果為非霧，主要集中在一些面積較小，分布較散的輕霧區(圖中紅色點)。

圖13 2021年3月7日09時真彩色圖像與大霧判識結果

圖14為2021年8月2日08時一次林間霧，可以看出主要霧區判識較為理想，但林間霧受地形溝壑和樹林遮蔽影響較大，有較多細碎的分散性霧及溝壑霧，該算法由于圖像處理過程中的需要，這類型霧的判識精度將會有所損失。

圖14 2021年8月2日08時真彩色圖像與大霧判識結果

4 結束語

本文基于Himawari-8衛星，提出一種針對性識別方法，引入以多閾值判識為基礎的連通域距離權重法來判識云下霧。針對6次大霧過程的判識結果，結合衛星與地面觀測數據進行了驗證和精度分析，結果表明該方法在有限引入誤差的情況下，有效實施了云下霧的判識，具有較高的分類精度，綜合Kappa系數0.92，地面驗證也取得較高一致性。

對于云下霧的判識會有限引入云的誤判，對于一些邊緣處輕霧的識別仍有漏判。當云的厚度較大或大部分霧區為云所覆蓋時，較難排除其干擾。另外，由于靜止衛星的位置固定，隨太陽高度角變化，一天中反射率有變化，因此判識過程中應該考慮針對不同時間段的指數變化，閾值設定雖然能夠覆蓋大部分，但上述因素仍有一定影響。本文方法在判識夜間霧時仍存在局限。

總體而言，本文所述方法在新一代靜止氣象衛星大霧監測中具有良好效果和潛力價值，為大霧監測提供新的研究思路，為中國新一代靜止氣象衛星FY-4B的大霧遙感監測提供有益參考。