留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

夜间陆地辐射雾的遥感时序数据检测

杜娟 李维 张鹏林

杜娟, 李维, 张鹏林. 夜间陆地辐射雾的遥感时序数据检测[J]. 武汉大学学报 ( 信息科学版), 2019, 44(8): 1162-1168. doi: 10.13203/j.whugis20170258
引用本文: 杜娟, 李维, 张鹏林. 夜间陆地辐射雾的遥感时序数据检测[J]. 武汉大学学报 ( 信息科学版), 2019, 44(8): 1162-1168. doi: 10.13203/j.whugis20170258
DU Juan, LI Wei, ZHANG Penglin. Nighttime Terrestrial Radiation Fog Detection Using Time Series Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(8): 1162-1168. doi: 10.13203/j.whugis20170258
Citation: DU Juan, LI Wei, ZHANG Penglin. Nighttime Terrestrial Radiation Fog Detection Using Time Series Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(8): 1162-1168. doi: 10.13203/j.whugis20170258

夜间陆地辐射雾的遥感时序数据检测

doi: 10.13203/j.whugis20170258
基金项目: 

国家自然科学基金重点项目 41331175

详细信息
    作者简介:

    杜娟, 博士, 讲师, 主要从事环境遥感、灾害遥感研究。dujuan_rs@whu.edu.cn

    通讯作者: 张鹏林, 博士, 教授。zpl@whu.edu.cn
  • 中图分类号: P237

Nighttime Terrestrial Radiation Fog Detection Using Time Series Remote Sensing Data

Funds: 

The Key Project of National Natural Science Foundation of China 41331175

More Information
    Author Bio:

    DU Juan, PhD, lecturer, specializes in remote sensing of environment and disaster. E-mail: dujuan_rs@whu.edu.cn

    Corresponding author: ZHANG Penglin, PhD, professor. E-mail: zpl@whu.edu.cn
  • 摘要: 针对目前单时相遥感夜间陆地辐射雾检测不能有效分离雾和地表、低云的问题,利用日本第2代多功能卫星数据的高时间分辨率特性,提出了基于时序特征和支持向量机的夜间陆地辐射雾检测模型。该模型首先在单时相夜间陆地辐射雾检测基础上,使用第1和第4波段亮温差时序曲线构造的亮温差累积特征将夜间地表与陆地辐射雾和低云分离,然后利用第1波段亮温时序曲线构造的亮温变化累积特征、斜率匹配特征和频域奇异性特征,结合支持向量机进行夜间雾和低云的分类,从而实现基于时序数据的夜间陆地辐射雾检测。对两期遥感时序数据进行实验发现,与单时相夜间陆地辐射雾检测相比,利用时序数据的方法较好地提高了夜间陆地辐射雾的检测精度。
  • 图  1  基于Streamer模型模拟的夜间雾和各类云在MTSAT-2数据第1~4波段的亮温随有效粒子半径的变化情况

    Figure  1.  The Simulation of Brightness Temperature of Nighttime Fog and Various Types of Cloud on Band 1-4 of MTSAT-2 with Effective Particle Radius Changes Based on the Streamer Model

    图  2  夜间地表和陆地辐射雾的第1、4波段亮温差时序曲线

    Figure  2.  Brightness Temperature Difference Temporal Curves Between Band 1 and Band 4 of Night Surface and Radiation Fog

    图  3  夜间地表和陆地辐射雾的亮温差累积特征

    Figure  3.  Brightness Temperature Difference Accumulate Characteristic of Night Surface and Radiation Fog

    图  4  夜间陆地辐射雾和低云在第1波段的亮温时序曲线

    Figure  4.  Brightness Temperature Temporal Curves of Band 1 of Radiation Fog and Low Cloud

    图  5  陆地辐射雾和低云的亮温变化累积特征

    Figure  5.  Brightness Temperature Change Accumulate Characteristic of Radiation Fog and Low Cloud

    图  6  陆地辐射雾和低云的亮温时序曲线在小波基db1的高频分量

    Figure  6.  High-frequency Components of Brightness Temperature Temporal Curves of Radiation Fog and Low Cloud at the Wavelet Base db1

    图  7  单时相和基于时序特征的夜间陆地辐射雾检测结果

    Figure  7.  The Results of Nighttime Fog Detection Based on Mono-temporal and Multi-temporal Method

    表  1  单时相和时序数据的夜间陆地雾检测情况统计表

    Table  1.   Nighttime Terrestrial Radiation Fog Detection Based on Mono-temporal Data and Time Series Data

    实际天气状况 单时相数据1 时序数据1 单时相数据2 时序数据2
    正确 错误 正确 错误 正确 错误 正确 错误
    有雾 108 14 101 21 120 3 106 17
    无雾 63 92 132 23 65 149 190 24
    下载: 导出CSV

    表  2  单时相和时序数据的夜间陆地雾检测精度评定表

    Table  2.   Nighttime Terrestrial Radiation Fog Detection Based on Mono-temporal Data and Time Series Data

    精度指标 单时相数据1 时序数据1 单时相数据2 时序数据2
    总体精度/% 61.73 84.12 54.90 87.83
    Kappa系数 0.273 1 0.678 3 0.223 1 0.740 6
    正确率(POD)/% 88.52 82.79 97.56 86.18
    误报率(FAR)/% 46.00 18.55 55.39 18.47
    下载: 导出CSV
  • [1] 孙奕敏.灾害性浓雾[M].北京:气象出版社, 1994

    Sun Yimin. Disaster Fog[M]. Beijing:China Meteorological Press, 1994
    [2] Güls I, Bendix J. Fog Detection and Fog Mapping Using Low Cost Meteosat-WEFAX Transmission[J]. Meteorological Applications, 1996, 3(2):179-187
    [3] 周旋, 周晓中, 吴耀平, 等.利用MODIS数据监测夜间雾[J].武汉大学学报·信息科学版, 2008, 33(6):581-583 http://ch.whu.edu.cn/CN/abstract/abstract1610.shtml

    Zhou Xuan, Zhou Xiaozhong, Wu Yaoping, et al. Detection of Nighttime Fog Using MODIS Data[J]. Geomatics and Information Science of Wuhan University, 2008, 33(6):581-583 http://ch.whu.edu.cn/CN/abstract/abstract1610.shtml
    [4] Löw F, Waldner F, Latchininsky A, et al. Timely Monitoring of Asian Migratory Locust Habitats in the Amudarya Delta, Uzbekistan Using Time Series of Satellite Remote Sensing Vegetation Index[J]. Journal of Environmental Management, 2016, 183(3):562-575 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=336b8dedbb67e7cdce824dd3f34978ae
    [5] Pan Z, Huang J, Zhou Q, et al. Mapping Crop Phenology Using NDVI Time-Series Derived from HJ-1A/B Data[J]. International Journal of Applied Earth Observations and Geoinformation, 2015, 34(1):188-197 https://www.sciencedirect.com/science/article/pii/S0303243414001755
    [6] Lanorte A, Manzi T, Nolè G, et al. On the Use of the Principal Component Analysis (PCA) for Evaluating Vegetation Anomalies from LANDSATTM NDVI Temporal Series in the Basilicata Region (Italy)[C]. ICCSA 2015, Banff, AB, Canada, 2015 doi:  10.1007%2F978-3-319-21410-8_16
    [7] 文雄飞.陆地辐射雾遥感动态检测方法研究[D].武汉: 武汉大学, 2010 http://cdmd.cnki.com.cn/Article/CDMD-10486-2010166415.htm

    Wen Xiongfei. The Research of Dynamical Detection Method for Radiation Fog over Land Based on Remote Sening Data[D]. Wuhan: Wuhan University, 2010 http://cdmd.cnki.com.cn/Article/CDMD-10486-2010166415.htm
    [8] 郝增周.黄、渤海海雾遥感辐射特性及卫星监测研究[D].南京: 南京信息工程大学, 2007 http://cdmd.cnki.com.cn/article/cdmd-10300-2007127477.htm

    Hao Zengzhou. Study on Radiation Characteristics and Satellite Monitoring of Sea Fog by Remote Sensing over the Yellow Sea and Bohai Sea[D]. Nanjing: Nanjing University of Information Science and Technology, 2007 http://cdmd.cnki.com.cn/article/cdmd-10300-2007127477.htm
    [9] 李子华, 杨军, 石春娥.地区性浓雾物理[M].北京:气象出版社, 2008

    Li Zihua, Yang Jun, Shi Chun'e. The Physics of Regional Fog[M]. Beijing:China Meteorological Press, 2008
    [10] 周小勇, 叶银忠.故障信号检测的小波基选择方法[J].控制工程, 2003, 10(4):308-311 doi:  10.3969/j.issn.1671-7848.2003.04.007

    Zhou Xiaoyong, Ye Yinzhong. Method of Choosing a Wavelet for Fault Detection[J]. Control Engineering of China, 2003, 10(4):308-311 doi:  10.3969/j.issn.1671-7848.2003.04.007
    [11] 陈希平, 毛海杰, 李炜.基于MATLAB的奇异信号检测中小波基选择研究[J].计算机仿真, 2004, 21(11):48-51 doi:  10.3969/j.issn.1006-9348.2004.11.016

    Chen Xiping, Mao Haijie, Li Wei. Study on Choosing Mother Wavelet for Signal Singularity Detection Based on MATLAB[J]. Computer Simulation, 2004, 21(11):48-51 doi:  10.3969/j.issn.1006-9348.2004.11.016
    [12] 中国气象科学数据共享服务平台[OL]. http://data.cma.cn/,2017

    China Meteorological Data Service Center[OL]. http://data.cma.cn/,2017
    [13] 中国气象局监测网络司.地面气象电码手册[M].北京:气象出版社, 1999

    Monitoring Network Division of China Meteorological Administration. Surface Meteorological Code Manual[M]. Beijing:China Meteorological Press, 1999
    [14] Bendix J, Cermak J, Thies B. New Perspectives in Remote Sensing of Fog and Low Stratus-TERRA/AQUA-MODIS and MSG[C]. The 3rd International Conference on Fog, Fog Collection and Dew, Cape Town, South Africa, 2004
  • [1] 徐胜华, 刘纪平, 王想红, 张玉, 林荣福, 张蒙, 刘猛猛, 姜涛.  熵指数融入支持向量机的滑坡灾害易发性评价方法—以陕西省为例 . 武汉大学学报 ( 信息科学版), 2020, 45(8): 1214-1222. doi: 10.13203/j.whugis20200109
    [2] 段佩祥, 钱海忠, 何海威, 谢丽敏, 罗登瀚.  基于支持向量机的线化简方法 . 武汉大学学报 ( 信息科学版), 2020, 45(5): 744-752, 783. doi: 10.13203/j.whugis20180434
    [3] 胡学敏, 余进, 邓重阳, 宋昇, 陈钦.  基于时空立方体的人群异常行为检测与定位 . 武汉大学学报 ( 信息科学版), 2019, 44(10): 1530-1537. doi: 10.13203/j.whugis20170424
    [4] 祝胜男, 郭炜炜, 柳彬, 张增辉, 郁文贤.  利用超像素级上下文特征进行靠岸集装箱船检测 . 武汉大学学报 ( 信息科学版), 2019, 44(4): 578-585. doi: 10.13203/j.whugis20170129
    [5] 彭正洪, 孙志豪, 程青, 焦洪赞, 陈伟.  利用时序手机通话数据识别城市用地功能 . 武汉大学学报 ( 信息科学版), 2018, 43(9): 1399-1407, 1437. doi: 10.13203/j.whugis20170329
    [6] 鲍蕊, 薛朝辉, 张像源, 苏红军, 杜培军.  综合聚类和上下文特征的高光谱影像分类 . 武汉大学学报 ( 信息科学版), 2017, 42(7): 890-896. doi: 10.13203/j.whugis20150043
    [7] 李粉玲, 常庆瑞, 刘佳岐, 刘京.  基于多纹理和支持向量机的ZY-102C星HR数据分类 . 武汉大学学报 ( 信息科学版), 2016, 41(4): 455-461,486. doi: 10.13203/j.whugis20140356
    [8] 王凯, 舒宁, 孔祥兵, 李亮.  一种多特征转换的高光谱影像自适应分类方法 . 武汉大学学报 ( 信息科学版), 2015, 40(5): 612-616. doi: 10.13203/j.whugis20130384
    [9] 刘操, 郑宏, 黎曦, 余典.  基于多通道融合HOG特征的全天候运动车辆检测方法 . 武汉大学学报 ( 信息科学版), 2015, 40(8): 1048-1053. doi: 10.13203/j.whugis20130341
    [10] 彭令, 牛瑞卿, 赵艳南, 邓清禄.  基于核主成分分析和粒子群优化支持向量机的滑坡位移预测 . 武汉大学学报 ( 信息科学版), 2013, 38(2): 148-152,161.
    [11] 武雪玲, 任福, 牛瑞卿, 彭令.  斜坡单元支持下的滑坡易发性评价支持向量机模型 . 武汉大学学报 ( 信息科学版), 2013, 38(12): 1499-1503.
    [12] 巫兆聪, 欧阳群东, 胡忠文.  应用分水岭变换与支持向量机的极化SAR图像分类 . 武汉大学学报 ( 信息科学版), 2012, 37(1): 7-10.
    [13] 杨柳, 刘艳芳.  将微粒群和支持向量机用于耕地驱动因子选择的研究 . 武汉大学学报 ( 信息科学版), 2010, 35(2): 248-251.
    [14] 熊华, 刘耀林, 车珊珊, 张俊峰.  基于支持向量机的土地利用变化模拟模型 . 武汉大学学报 ( 信息科学版), 2009, 34(3): 366-369.
    [15] 范千, 花向红.  基于相空间重构与支持向量机预测滑坡位移的一种新方法 . 武汉大学学报 ( 信息科学版), 2009, 34(2): 248-251.
    [16] 王新洲, 范千, 许承权, 李昭.  基于小波变换和支持向量机的大坝变形预测 . 武汉大学学报 ( 信息科学版), 2008, 33(5): 469-471.
    [17] 陈刚, 鄂栋臣.  基于纹理分析和支持向量机的极地冰雪覆盖区的云层检测 . 武汉大学学报 ( 信息科学版), 2006, 31(5): 403-406.
    [18] 徐芳, 梅文胜, 燕琴.  支持向量机中遗传模糊C-均值的样本预选取方法 . 武汉大学学报 ( 信息科学版), 2005, 30(10): 921-924.
    [19] 梅建新, 段汕, 秦前清.  基于支持向量机的特定目标检测方法 . 武汉大学学报 ( 信息科学版), 2004, 29(10): 912-915,932.
    [20] 徐芳, 燕琴.  基于支持向量机的航空影像纹理分类研究 . 武汉大学学报 ( 信息科学版), 2003, 28(5): 517-520.
  • 加载中
图(7) / 表(2)
计量
  • 文章访问数:  1037
  • HTML全文浏览量:  144
  • PDF下载量:  110
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-09-05
  • 刊出日期:  2019-08-05

夜间陆地辐射雾的遥感时序数据检测

doi: 10.13203/j.whugis20170258
    基金项目:

    国家自然科学基金重点项目 41331175

    作者简介:

    杜娟, 博士, 讲师, 主要从事环境遥感、灾害遥感研究。dujuan_rs@whu.edu.cn

    通讯作者: 张鹏林, 博士, 教授。zpl@whu.edu.cn
  • 中图分类号: P237

摘要: 针对目前单时相遥感夜间陆地辐射雾检测不能有效分离雾和地表、低云的问题,利用日本第2代多功能卫星数据的高时间分辨率特性,提出了基于时序特征和支持向量机的夜间陆地辐射雾检测模型。该模型首先在单时相夜间陆地辐射雾检测基础上,使用第1和第4波段亮温差时序曲线构造的亮温差累积特征将夜间地表与陆地辐射雾和低云分离,然后利用第1波段亮温时序曲线构造的亮温变化累积特征、斜率匹配特征和频域奇异性特征,结合支持向量机进行夜间雾和低云的分类,从而实现基于时序数据的夜间陆地辐射雾检测。对两期遥感时序数据进行实验发现,与单时相夜间陆地辐射雾检测相比,利用时序数据的方法较好地提高了夜间陆地辐射雾的检测精度。

English Abstract

杜娟, 李维, 张鹏林. 夜间陆地辐射雾的遥感时序数据检测[J]. 武汉大学学报 ( 信息科学版), 2019, 44(8): 1162-1168. doi: 10.13203/j.whugis20170258
引用本文: 杜娟, 李维, 张鹏林. 夜间陆地辐射雾的遥感时序数据检测[J]. 武汉大学学报 ( 信息科学版), 2019, 44(8): 1162-1168. doi: 10.13203/j.whugis20170258
DU Juan, LI Wei, ZHANG Penglin. Nighttime Terrestrial Radiation Fog Detection Using Time Series Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(8): 1162-1168. doi: 10.13203/j.whugis20170258
Citation: DU Juan, LI Wei, ZHANG Penglin. Nighttime Terrestrial Radiation Fog Detection Using Time Series Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(8): 1162-1168. doi: 10.13203/j.whugis20170258
  • 雾的微物理结构特性使其极易降低空气透明度、恶化能见度,已成为引发交通事故的重要因素[1]。中国大陆地区发生的雾多属于陆地辐射雾,一般在秋冬季节发生概率较大。相对于白天,夜间缺少可见光波段信息,使得夜间雾遥感检测变得更加困难。传统的夜间雾检测方法是通过计算单时相遥感数据两个红外波段的亮温差,利用经验阈值来分离雾和其他目标[2-3],但由于雾、低云、部分地表的亮温差值存在重叠,利用经验阈值很难将雾与其他目标有效分离。

    陆地辐射雾具有明显的发生、发展、消散的过程,通常在夜间或凌晨形成,到第二天上午逐渐消散,在一定区域范围内具有较稳定、无明显移动的特点。和陆地辐射雾相比,云随着时间变化具有向某个方向明显移动的过程。针对陆地辐射雾与云随时间变化的差异,可利用时序遥感影像构造定量描述雾和云运动规律的时序特征,从而实现夜间陆地辐射雾与云的分离。目前常用的时序遥感数据特征提取方法分为3类。一是代数运算,通过对反射率、亮温、亮温差等时序数据进行代数运算提取检测特征[4-5];二是线性变换,通过主成分变换等线性变换方法提取检测特征[6];三是时间域转换频率域,将遥感时序信息视为时间域信号,通过傅里叶变换、小波变换转换到频率域,通过分析频率特征提取检测特征[7]

    针对目前单时相夜间陆地辐射雾检测与地表、低云较难分离的问题,本文以日本第2代多功能卫星(Multifunctional Transport Satellite-2,MTSAT-2)搭载的日本先进气象成像仪数据为主要数据源,利用其高时间分辨率的特点,根据云、雾、地表在夜间时序影像上辐射特性变化的差异,在时间域和频率域上构建时序特征,并结合支持向量机分类器综合运用这些时序特征,实现夜间陆地辐射雾与地表和低云的分离。

    • MTSAT-2搭载的日本先进气象成像仪拥有1个可见光波段和4个红外波段。该成像仪第1~4波段为红外波段,其中心波长分别为10.8 μm、12 μm、6.8 μm和3.7 μm,空间分辨率为4 km;第5波段为可见光波段,其中心波长为0.675 μm,空间分辨率为1 km。本文选择Streamer辐射传输模型,依据MTSAT-2数据第1~4波段的波段范围,分别对夜间雾和各种云类的辐射光谱特性进行模拟。模拟参数设置为中纬度冬季大气廓线、农村气溶胶模型,下垫面为植被地表,太阳天顶角设置大于90°,雾和各类云的高度参量和光学厚度见图 1(a)~1(d)

      图  1  基于Streamer模型模拟的夜间雾和各类云在MTSAT-2数据第1~4波段的亮温随有效粒子半径的变化情况

      Figure 1.  The Simulation of Brightness Temperature of Nighttime Fog and Various Types of Cloud on Band 1-4 of MTSAT-2 with Effective Particle Radius Changes Based on the Streamer Model

      图 1是利用Streamer模型模拟的夜间雾、低云、中云和高云在MTSAT-2数据第1~4波段的亮温随有效粒子半径变化情况。已有研究表明[8-9],陆地辐射雾的雾滴平均半径大约为5 μm,低层云一般大于6 μm,中云在10 μm以上,高云在30 μm以上。由图 1(a)可以看出,当雾粒子半径小于6 μm时,第4波段亮温明显小于第1、2波段;而当雾粒子半径大于6 μm时,第4波段与第1波段的亮温差由0逐渐增大。图 1(a)1(b)所示的4个波段的亮温值相似,且第1和第4波段亮温差区别不大。图 1(c)1(d)所示的第1、2、4波段的亮温值明显低于图 1(a)1(b)所示的亮温值,而第3波段的亮温值与低云和雾差异不大。通过上述分析,结合周旋等[3]的研究成果,可知第1波段和第3波段的亮温差可用于中高云与低云和雾的分离;由于低云和雾在各波段的亮度值相似,因此仅用单时相的MTSAT-2数据很难将两者区分。

    • 本文选择2011-02-01 21:00至2011-02-02 07:00的MTSAT-2卫星时序数据进行地表、辐射雾和云的采样分析。这组时序数据由间隔1 h的11个时间点的时序影像组成。10个地表时序采样数据是结合白天MTSAT-2卫星影像,从显示无雾和无云的地面观测站点中选取的。依据时序影像对应的地面观测站点数据中“现在天气现象编码”和云量、云状、云高等观测参量,从两个不同能见度的典型辐射雾区域以及两个不同类型的低云区域分别选择10个时序采样数据。

    • 图 2是夜间地表和两个典型陆地辐射雾区在第1和第4波段亮温差的时序曲线。图 2(a)是夜间地表的亮温差时序曲线,变化较为平缓,整体亮温差在0~1 K之间。图 2(b)中陆地辐射雾1在21:00~23:00时处于明显的形成阶段,其亮温差值不断增大,随后亮温差稳定在4 K左右;陆地辐射雾2在凌晨03:00左右开始形成,由于雾层厚度和微物理特征与辐射雾1存在差异,所以亮温差稳定在2~3 K之间。从图 2可以看到,夜间地表在第1和第4波段的亮温差小于雾,但由于两者差异不明显以及各雾区的微物理特性和形成时间不同,导致很难通过单时相数据将地表和雾有效分离。

      图  2  夜间地表和陆地辐射雾的第1、4波段亮温差时序曲线

      Figure 2.  Brightness Temperature Difference Temporal Curves Between Band 1 and Band 4 of Night Surface and Radiation Fog

      图 2中,07:00的地表和两个辐射雾区的亮温差分别为0.2、4.2和2.6 K,而地表和两个辐射雾区的亮温差值从前一天晚上23:00至第二天早上07:00累积后分别为3.4、45.6和12.6 K,通过亮温差随时间的累积可凸显陆地辐射雾和地表的差异。第1和第4波段亮温差累积特征(brightness temperature difference accumulate characteristic,BTDAC)的计算公式如下:

      $$ {C_1}{\rm{ = }}\sum\limits_{i = 1}^n {\left| {{\rm{BT}}{{\rm{1}}_\mathit{i}} - {\rm{BT}}{{\rm{4}}_\mathit{i}}} \right|} $$ (1)

      式中,C1表示亮温差累积特征;i表示曲线中时间点的索引;n表示曲线中时间点的数量;BT1i和BT4i分别表示时间点i的第1和第4波段亮温。

      图 3表示夜间地表和陆地辐射雾随时间变化的累积亮温差值曲线。从图 3可知,BTDAC对于地表和雾的分离效果与检测时间点数量紧密相关,时间累积越长,分离效果越好。此外,在03:00左右的夜间陆地辐射雾形成初期,此特征的地表分离效果有限;但此后随着时间累积,该特征还是能较好区分夜间地表和雾。

      图  3  夜间地表和陆地辐射雾的亮温差累积特征

      Figure 3.  Brightness Temperature Difference Accumulate Characteristic of Night Surface and Radiation Fog

    • 图 4是陆地辐射雾和低云在MTSAT-2数据第1波段的夜间亮温时序曲线。图 4(a)中时序曲线变化较为平缓,而图 4(b)中则存在明显的波动。这是由于大雾形成后在一定区域范围内较稳定,无明显移动,而低云会随着时间向某个方向明显移动,导致时序采样点对应低云、地表等多类目标,使亮温时序曲线发生变化。因此可利用低云和陆地辐射雾的亮温时序曲线的差异构建夜间雾和低云的时序分离特征。

      图  4  夜间陆地辐射雾和低云在第1波段的亮温时序曲线

      Figure 4.  Brightness Temperature Temporal Curves of Band 1 of Radiation Fog and Low Cloud

      1)亮温变化累积特征

      相邻两个时间点的亮温差可以反映曲线局部的变化幅度,这种局部变化幅度的累积可表征曲线整体的变化幅度。亮温变化累积特征(bright temperature change accumulate characteristic, BTCAC)为:

      $$ {C_2}{\rm{ = }}\sum\limits_{i = 2}^n {\left| {{\rm{BT}}{{\rm{1}}_\mathit{i}} - {\rm{BT}}{{\rm{1}}_{\mathit{i}{\rm{ - 1}}}}} \right|} $$ (2)

      式中,C2表示亮温变化累积特征;n是曲线中时间点的数量(n≥2)。

      图 5是根据采样数据绘制的陆地辐射雾和低云随时间累积的第1波段BTCAC。BTCAC能定量描述低云和雾的亮温时序曲线的整体变化幅度,当有4个以上时序数据时,低云的移动特性使BTCAC值逐渐增大,可与辐射雾相区分。因此,BTCAC随时间累积越大,说明亮温时序曲线对应目标是低云的可能性越大。

      图  5  陆地辐射雾和低云的亮温变化累积特征

      Figure 5.  Brightness Temperature Change Accumulate Characteristic of Radiation Fog and Low Cloud

      2)斜率匹配特征

      斜率也是反映曲线变化规律的重要特征。以典型陆地辐射雾采样数据的亮温时序曲线为标准曲线模板,将雾和低云的时序亮温曲线与其进行斜率匹配,斜率匹配特征(slope match characteristic, SMC)的计算方法如下:

      $$ {C_3}{\rm{ = }}\sum\limits_{i = 1}^n {{{\left( {k_i^{{\rm{Mod}}} - {k_i}} \right)}^2}} $$ (3)

      式中,C3表示斜率匹配特征;i表示曲线中线段的索引;n表示曲线中的线段数;kiMod表示曲线模板中第i条线段的斜率。SMC越小,亮温时序曲线对应目标是雾的可能性越大。

      3)频域奇异性特征

      将亮温时序曲线作为时间域信号,通过小波变换转换到频率域,提取辐射雾与低云的频率域分离特征。Daubechies小波系能有效检测数字信号奇异性的特点,其中小波基db1能最有效地刻画阶跃点的特征[10-11],因而在频率域上利用db1高频分量对辐射雾和低云亮温时序曲线的奇异性进行计算。

      图 6是基于采样数据的辐射雾和低云亮温时序曲线在小波基db1的高频分量。图 6(c)6(d)中两类低云db1高频分量奇异点的幅值分布在-5~5之间,而图 6(a)6(b)中两个辐射雾db1高频分量中奇异点的幅值明显小于低云,分布在-0.7~0.7之间。根据低云和辐射雾在频率域奇异点幅值分布特点,通过设定幅值的阈值,将幅值绝对值大于1的奇异点数作为频域奇异性特征(frequency domain singularity characteristic,FDSC)来分离雾和低云。

      图  6  陆地辐射雾和低云的亮温时序曲线在小波基db1的高频分量

      Figure 6.  High-frequency Components of Brightness Temperature Temporal Curves of Radiation Fog and Low Cloud at the Wavelet Base db1

    • 根据§1对夜间辐射雾、高中低云的辐射光谱特性分析可知,利用单时相的夜间双通道差值法能较好地分离中高云和部分地表,因而首先利用第1和第3波段亮温差,将差值小于16的中高云目标分离出来,然后利用第1和第4波段亮温差,将差值小于1的部分地表和水体目标分离出来,从而得到单时相雾检测结果,此时检测结果中混有低云和部分未检测出的地表。在此基础上,利用§2.1中构造的第1和第4波段亮温差累积特征,对单时相检测结果中未检测出的地表进行提取。从图 2图 3可知,不同雾区的形成时间不一样,这种不确定性导致该特征的阈值设置不能为单一值,因而根据时序数据的累积情况将阈值设定为(n+3)/2,其中n为当前检测时相的时间点数;再采用§2.2构造的BTCAC、SMC、FDSC 3个时序特征,结合支持向量机进行分类,从而实现陆地辐射雾和低云的分离。

      由于雾区和云区变化异常复杂,存在雾区生消时间长短不一、雾区膨胀过程中边缘小幅移动、低云经过地表的时间短暂等情况,若仅对上述3个分离低云的时序特征采取设定单一阈值的方式进行低云与辐射雾的分离,会出现较多误判,且缺乏普适性。针对地面实测站点较少导致对应时序特征样本有限的问题,本文采用在解决小样本、非线性和高维模式识别方面具有突出优势的支持向量机进行陆地辐射雾和低云的分类识别。在支持向量机训练过程中,选择10天(2010-11-20、12-19、12-28,2011-01-25、02-01、02-22、11-01、12-04、12-05,2012-01-10)发生夜间陆地辐射雾的MTSAT-2时序数据(前一天晚上21:00至第二天上午07:00)和相应的地面观测站点数据,依据地面观测站点数据中显示有雾的“现在天气现象编码”以及云量(大于等于6成)、云状、云高(小于2 km)等观测参量,以每组上午07:00遥感数据为基准,共采集100个雾时序样本和100个低云时序样本,利用§2.2 3个时序特征构建三维特征向量,选择高斯核函数将训练样本映射到高维线性特征空间来构建夜间低云和雾的最优化分类函数。

    • 本文选择2011-02-02和2011-11-23日覆盖中国中、东、南部地区的MTSAT-2时序数据进行夜间雾检测模型的实验验证。考虑到大雾在早上07:00左右对人类活动影响较大,所以选择2011-02-02和11-23北京时间07:00的MTSAT-2遥感影像进行单时相雾检测,并且以此为基础进行基于时序特征的雾检测。MTSAT-2数据预处理包括辐射定标和几何校正。

      用于验证遥感雾检测结果的地面观测站点数据来自中国气象科学数据共享服务平台[12]的全球地面天气资料定时值数据集。此数据集每3 h观测一次,因此选择距离遥感数据获取时间最近的每天早上8时的观测数据进行验证。观测站点数据处理包括大雾站点筛选和数据格式转换。根据中国地面气象电码手册[13],将“现在天气现象编码”为42~49且能见度小于等于1 km的站点标记为有雾站点,编码为5、10、28、40~49且能见度在1~10 km间的站点标记为有轻雾站点,其余站点为无雾站点。为便于地面观测数据与遥感影像雾检测结果进行叠加分析和精度评定,将文本格式的站点数据转换成SHP格式的点类型数据。

    • 本文选择总体精度、Kappa系数、Bendix等[14]提出的用于评价雾检测结果正确率(probability of detection, POD)和误报率(false alarm ratio, FAR)等指标对大雾遥感检测结果进行精度评定。POD和FAR的计算公式为:

      $$ {I_{{\rm{POD}}}} = \frac{a}{{a + b}} \times 100\% $$ (4)
      $$ {I_{{\rm{FAR}}}} = \frac{c}{{a + c}} \times 100\% $$ (5)

      式中,a表示遥感检测结果有雾且与地面观测资料一致的站点数;b表示遥感检测结果没有雾而地面观测资料却有雾的站点数;c表示遥感检测结果有雾而地面观测资料却没有雾的站点数。

    • 图 7是2011-02-02和2011-11-23对中国中西部、东部和南部地区进行单时相夜间陆地雾检测和时序数据夜间陆地雾检测的实验结果。图 7中红色、黄色和绿色圆点分别表示地面实测数据有雾站点、有轻雾站点和无雾站点。图 7(a)7(d)分别为2011-02-02 07:01、2011-11-23 06:57的MTSAT-2数据第4、2、1波段假彩色合成图,图 7(b)7(e)分别为这两个时间的单时相夜间雾检测结果。从图 7(b)图 7(e)中可以看到,呈现褐色的中高云区和部分地表被较好地去除,但低云目标和部分位于雾区边缘地带的地表未能检测出来。图 7(c)7(f)是利用时序特征进行夜间雾检测的结果,图 7(c)较好地剔除了图 7(b)中大量零碎的地表像素和分布在海南、广东地区的低云;图 7(e)中未被检测出的大片地表区域以及分布在云南北部、宁夏和四川部分区域的低云,在图 7(f)中也被较好地去除。

      图  7  单时相和基于时序特征的夜间陆地辐射雾检测结果

      Figure 7.  The Results of Nighttime Fog Detection Based on Mono-temporal and Multi-temporal Method

      由于本文主要关注遥感数据雾检测结果,所以精度评价时根据“现在天气现象编码”将地面观测站点数据划分为有雾站点和无雾站点;根据最终的遥感雾检测结果将遥感影像分为有雾区域和无雾区域,其中无雾区域包括中高云、低云和地表。表 1表 2反映了两个时期的单时相和基于时序特征的夜间陆地雾检测结果分别与地面观测数据进行比较的精度情况。可以看出,与单时相雾检测结果相比,由于大量地表和低云目标被分离,两个时期的基于时序特征的雾检测总体精度和Kappa系数均有较大提高,雾的误报率大幅降低。但利用时序特征去除地表区域时,由于雾区边缘地带与地表具有相似特征而被错误分离,使雾检测的正确率有所降低。此外,由于观测数据与遥感数据的时间不是完全同步,也对雾检测精度造成了一定影响。

      表 1  单时相和时序数据的夜间陆地雾检测情况统计表

      Table 1.  Nighttime Terrestrial Radiation Fog Detection Based on Mono-temporal Data and Time Series Data

      实际天气状况 单时相数据1 时序数据1 单时相数据2 时序数据2
      正确 错误 正确 错误 正确 错误 正确 错误
      有雾 108 14 101 21 120 3 106 17
      无雾 63 92 132 23 65 149 190 24

      表 2  单时相和时序数据的夜间陆地雾检测精度评定表

      Table 2.  Nighttime Terrestrial Radiation Fog Detection Based on Mono-temporal Data and Time Series Data

      精度指标 单时相数据1 时序数据1 单时相数据2 时序数据2
      总体精度/% 61.73 84.12 54.90 87.83
      Kappa系数 0.273 1 0.678 3 0.223 1 0.740 6
      正确率(POD)/% 88.52 82.79 97.56 86.18
      误报率(FAR)/% 46.00 18.55 55.39 18.47
    • 本文利用Streamer辐射传输模型分析了夜间雾和高中低云在MTSAT-2数据第1~4波段的辐射光谱特性,模拟结果显示雾和低云在4个波段上具有相似的辐射特性,使用单时相遥感数据难以将两者分离。针对此问题,本文充分利用MTSAT-2数据的高时间分辨率特点,提出了基于时序特征和支持向量机的夜间雾检测模型。该模型在单时相雾检测结果基础上,首先利用陆地辐射雾在热红外和中红外波段亮温差的时间累积效应,用亮温差累积特征将地表与雾和低云分离,然后根据低云的运动特性,构建第1波段亮温时序曲线的亮温变化累积特征、斜率匹配特征和频域奇异性特征,结合支持向量机分类器,综合运用时间域和频率域上的这3个特征,实现雾和低云的有效分离。通过对发生夜间陆地辐射雾的两个时期遥感数据进行实验,将遥感雾检测结果与地面观测站点数据进行比较,结果表明本文提出方法的夜间雾检测精度比单时相夜间雾检测精度有较大提高,说明该方法在一定程度上解决了单时相夜间陆地辐射雾与地表、低云分离的难题。

参考文献 (14)

目录

    /

    返回文章
    返回