海洋气象学

福建海雾的CALIOP遥感监测及基于Himawari-8的云下雾光谱特征分析*

  • 胡晨悦 , 1 ,
  • 丘仲锋 1 ,
  • 廖廓 , 2 ,
  • 赵冬至 1 ,
  • 吴到懋 3
展开
  • 1.南京信息工程大学, 江苏 南京 210044
  • 2.福建省气象科学研究所, 福建 福州 350008
  • 3.江苏省宿迁环境监测中心, 江苏 宿迁 223800
廖廓。email:

胡晨悦(1998—), 女, 安徽省马鞍山人, 硕士研究生, 从事海雾遥感检测研究。email:

*感谢福建省气象局气象科学研究所提供数据支撑。

Copy editor: 姚衍桃

收稿日期: 2022-10-09

  修回日期: 2022-12-14

  网络出版日期: 2022-12-19

基金资助

国家自然科学基金(41976165)

CALIOP remote sensing monitoring of the Fujian sea fog and spectral characteristics analysis of subcloud fog based on Himawari-8

  • HU Chenyue , 1 ,
  • QIU Zhongfeng 1 ,
  • LIAO Kuo , 2 ,
  • ZHAO Dongzhi 1 ,
  • WU Daomao 3
Expand
  • 1. Nanjing University of Information Science and Technology, Nanjing 210044, China
  • 2. Fujian Institute of Meteorological Sciences, Fuzhou 350008, China
  • 3. Suqian Environmental Monitoring Center, Suqian 223800, China
LIAO Kuo. email:

Copy editor: YAO Yantao

Received date: 2022-10-09

  Revised date: 2022-12-14

  Online published: 2022-12-19

Supported by

National Natural Science Foundation of China(41976165)

摘要

海雾是一种影响海上运输与军事活动的灾害性天气, 福建沿海作为我国海雾多发的区域, 同时也是国家战略重地, 对此地区开展海雾监测研究至关重要。带偏振的云气溶胶探测激光雷达(cloud-aerosol lidar with orthogonal polarization, CALIOP)利用激光探测, 具有垂直穿透能力, 可探测云雾的垂向结构特征, 非常适合用于海雾监测。本文首先通过CALIOP L1级532nm总衰减后向散射和大气垂直特征分类标识(vertical feature mask, VFM)数据, 开展福建海雾遥感监测, 基于海雾物理特征, 扩大海雾检测范围。同时分析了福建海雾的垂向特征, 发现云下雾事件多发。为探究云下雾光谱特征, 发展高时间覆盖及大范围同步海雾监测算法, 本文基于Himawari-8数据对比了云、纯雾、云下雾三者的光谱差异。结果表明, 白天时段纯雾与云下雾在各波段的光谱特征均无明显差别, 且1—4波段的反射率远低于云像元; 夜间, 纯雾在3.9μm波段的亮温普遍低于云下雾。基于上述光谱特征差异进行云、纯雾和云下雾的区分, 有望提高福建海雾监测的精度。

关键词: 海雾; 卫星遥感; 福建

本文引用格式

胡晨悦 , 丘仲锋 , 廖廓 , 赵冬至 , 吴到懋 . 福建海雾的CALIOP遥感监测及基于Himawari-8的云下雾光谱特征分析*[J]. 热带海洋学报, 2023 , 42(4) : 104 -112 . DOI: 10.11978/2022215

Abstract

Sea fog, as a hazard weather, affects maritime transportation and military activities. The coastal area of Fujian province is a national strategic area characterized by frequent sea fog. It is essential to monitor and study the sea fog in this area. cloud-aerosol lidar with orthogonal polarization (CALIOP) can detect the vertical structure characteristics of sea fog due to its vertical penetration through laser. Thus, it is very suitable for sea fog monitoring. In this paper, firstly, remote sensing monitoring of sea fog over the coastal area of Fujian was carried out through CALIOP L1 level 532 nm total attenuated backscattering and vertical feature mask (VFM) data. Based on the physical characteristics of sea fog, the detection range of sea fog was expanded. Secondly, the vertical characteristics of sea fog in this area were analyzed and it was found that subcloud fog occurred frequently. To explore the spectral characteristics of the subcloud fog and develop a high time coverage and large-scale synchronous sea fog monitoring algorithm. Besides, the spectral differences of cloud, pure fog, and subcloud fog were compared based on Himawari-8 data. According to the results, in the daytime, the spectral characteristics of pure fog and subcloud fog were not significantly different in each band, and the reflectance of bands 1~4 was much lower than that of cloud pixels; at night, the brightness temperature of pure fog at 3.9 μm band was generally lower than that of subcloud fog. It is expected to improve the monitoring accuracy of sea fog in Fujian Province by distinguishing cloud, pure fog, and subcloud fog based on the above spectral characteristics.

海雾是指在海岸、岛屿和开阔海域上的雾, 是一种灾害性天气, 海面上足够的水蒸气和大量凝结核给海雾的产生提供了充分条件。海雾相对于陆地雾来说, 发生过程中浓度高、范围广、持续时间长, 会对海上运输、海上军事活动、渔业捕捞等产生强烈影响, 同时也会对沿岸陆地和空中的人类活动产生危害。近年来, 随着卫星遥感技术的发展, 卫星遥感已成为海雾监测的重要手段, 它具有观察范围广泛、实时性较高、信息量大、成本低等优点, 可以有效地获得海雾的空间分布、时间变化等重要信息, 弥补了传统地面气象观测站的不足。20世纪70年代, Gurka(1974)首次将卫星遥感技术应用到海雾监测中, 此后国内外学者相继利用卫星遥感技术开展了一系列海雾监测研究。
极轨卫星和静止卫星数据常被应用于海雾遥感监测, 使用到极轨卫星的如: Eyre等(1984)和Turner 等(1986)使用NOAA/AVHRR(National Oceanic and Atmospheric Administration/advanced very high resolution radiometer)中红外和远红外通道的亮温数据构建了当前在夜间海雾识别中被广泛应用的业务化方法——双通道插值法; 刘少军等(2017)使用FY-3B卫星资料反演了中国南海区域海雾的时间与空间分布信息; Heo等(2008)利用MODIS的11μm和3.7μm两种波段的亮温及这两个通道的亮温差区分了海雾与低云。Wan等(2022)在分析不同波段光谱特征的基础上, 选取MODIS的第1、2、3、4、5、7、17、18、19、20、26、31、32通道, 充分获取云、雾、海面不同下垫面从可见波段到远红外波段的光谱特征后, 利用传统随机森林方法得到擅于检测薄雾的海雾识别算法。同时静止卫星因其高时间重访的特点也在海雾遥感监测中获得广泛的关注与使用。例如, 韩国Ryu等(2020)使用Himawari-8的0.51μm波段和1.6μm波段建立了归一化差雪指数探测海雾; 田永杰(2016)基于FY-2静止气象卫星数据改进了动态阈值法, 并使用海雾低云分离指数最终构建了中国附近海域白天海雾监测算法; Jeon等(2020)利用卷积神经网络(convolution neural network, CNN)从GOCI卫星图像中提取了海雾信息, 准确率可以达到96.3%。Yang等(2021)于2021年开发了一种先进的双卫星方法, 结合FY-4A 和 Himawari-8 两个卫星的波段在黎明时根据概率指数检测海雾与低云, 此方法也为分离海雾和低云提供了新的阈值参考。郝姝馨等(2021)通过已有海雾事件, 基于Himawari-8卫星的红外波段数据分析出海雾在红外波段的光谱辐射特征后建立了多项指数, 同时建立出基于多项指数概率分布的夜间海雾监测算法, 并利用韩国静止气象卫星(GEO-KOMPSAT2A, GK-2A)数据对该算法进行了实验, 结果表明该算法可以有效识别夜间海雾。
近几年出现将星载激光雷达数据或星载激光雷达数据与卫星数据相结合进行海雾探测的方法。如赵耀天等(2020)使用CALIOP和CPR(cloud profiling radar)数据相结合进行了海雾探测; 孙艺等(2020)使用CALIOP卫星资料对黄海海雾的雾顶高度和天气类型进行了分析。
目前中国沿海海雾遥感监测研究主要集中在黄渤海地区, 对于福建地区的海雾特征认识仍不够充分, 且基于福建地区的海雾遥感算法相比于黄渤海地区较匮乏。完全针对于福建沿海海雾建立的遥感监测算法只有张春桂等(2009, 2013, 2018)分别在2009年、2013年和2018年建立的3个算法。为探知福建地区的海雾特征, 加深对福建地区海雾的认识, 本文选择主动遥感与被动遥感相结合的方式开展研究, 首先利用CALIOP数据对福建沿海海雾进行遥感监测, 后利用已知海雾点对福建沿海海雾进行垂向特征分析与基于Himawari-8数据的光谱特征分析。相关研究结果将为未来建立福建沿海海雾监测算法提供参考。

1 研究区域与数据

1.1 研究区域概况

福建省地处中国东南部、东海之滨, 陆域介于23°33′N—28°20′N、115°50′E—120°40′E之间, 东隔台湾海峡, 与中国台湾相望。我国沿海地区从南到北有5个多海雾区域, 福建沿海就是其中之一, 福建省东部沿海地区的年平均雾日值可达到20d左右(张苏平 等, 2008)。福建沿海地区拥有独特的气候和地理条件(马静 等, 2012), 冬夏两季都受季风影响严重。此外, 由于毗邻台湾海峡, 福建地区海雾的分布以及雾类型深受峡管效应影响, 而台湾海峡作为连接两岸的海上通道, 有着非常重要的战略和经济地位(李昀英 等, 2000), 对此地区进行海雾监测十分必要, 因此本文选取福建沿海作为研究区域。

1.2 数据信息

1.2.1 CALIOP数据

云-气溶胶激光雷达和红外探测观测卫星(cloud-aerosol lidar and infrared pathfinder satellite observations, CALIPSO)是由美国国家航空航天局与法国国家空间研究中心共同研发的, 于2006年4月发射。CALIPSO上搭载了一台正交偏振云和气溶胶激光雷达(CALIOP), 作为第一个提供测量全球大气的偏振激光雷达, 自投入使用以来一直是对流层和平流层低层的气溶胶和云进行全球剖面分析的主要仪器(Winker et al, 2009)。CALIOP轨迹每335m测量一次, 直径约为70m, 水平方向分辨率为333m, 垂直方向分辨率为30m。本文使用的是在NASA(National Aeronautics and Space Administration)官方数据网站(https://subset.larc.nasa.gov/calipso/login.php)下载的CALIOP Level 1(L1)级的532nm总衰减后向散射数据, 以及Level 2级大气垂直特征分类标识数据产品。VFM提供有关无法进行现场能见度观测的广阔海域上云和气溶胶的位置和类型的信息, 垂直和水平分辨率随高度变化而改变。
由于CALIPSO重访周期为3d, 且探测轨迹为一条直线, 因此首先通过绘制CALIPSO卫星轨迹图, 从2016—2022年的所有数据中筛选出经过福建沿海的数据, 再去除没有实测数据对应的CALIOP数据。由于CALIOP L1数据与VFM数据的探测高度范围与分辨率差异(表12), 导致L1数据与VFM数据的网格点数量不同, 因此需要在匹配两种数据之前将网格点调整为一致。
表1 L1数据不同高度范围的分辨率

Tab. 1 Resolution of different altitude ranges for L1 data

高度范围/km 网格点序号 水平分辨率/km 532nm垂直分辨率/m 1064nm垂直分辨率/m 高度区域
30.1~40.0 1~33 5 300 N/A 5
20.2~30.1 34~88 53 180 180 4
8.3~20.2 89~288 1 60 60 3
-0.5~8.3 289~578 1/3 30 60 2
-2.0~-0.5 579~583 1/3 300 300 1

注: N/A表示不适用(not applicable)

表2 VFM数据不同高度范围的分辨率

Tab. 2 Resolution of different altitude ranges for VFM data

高度范围/km 垂向分辨率/m 水平分辨率/m 每5km剖面数/条 剖面格点数/个
底部 顶部
-0.5 82 30 333 15 290
82 20.2 60 1000 5 200
20.2 30.1 180 1667 3 55
网格点总数/个 545

1.2.2 HIimawari-8数据

HIimawari-8是日本气象厅(Japan Meteorological Agency, JMA)于 2014 年 10 月 7 日成功发射的下一代地球静止气象卫星(Bessho et al, 2016)。HIimawari-8大约在东经140° 运行, 覆盖东亚和西方太平洋地区。与传统的地球静止卫星相比, 卫星上的高级成像仪 (advanced himawari imager, AHI) 在光谱覆盖范围和时间分辨率方面都得到了显著增强。AHI 提供近乎全球的高时空云观测覆盖, 有16个观测波段, 从可见光到热红外光谱区域, 空间分辨率为0.5km(1个波段)、1km(2个波段)和 2km(13个波段)。全盘区域和日本周边区域的观测间隔分别为10min和2.5min。本文使用的是全盘区域的L1级数据。本文所绘制的卫星真彩色图是利用其中3个可见光波段(蓝光波段: 0.47μm; 绿光波段: 0.51μm; 红光波段: 0.64μm)合成的。

1.2.3 实测数据

本文使用福建省气象局提供的2017—2020年的沿海实测站点能见度数据, 时间分辨率为1h, 记录的能见度数据为观测时刻的瞬时能见度, 单位为km。本文将能见度小于1km的时刻定义为海雾发生时刻。

2 海雾检测方法

2.1 利用CALIOP数据检测海雾的方法

VFM数据产品中没有雾分类, 因此CALIOP会将海雾误判为云(Cloud, VFM分类2)和海表(Surface, VFM分类5)。本文在参考Wu等(2015)提出的算法基础上加以改进, 提出以下几点海雾判定条件:
(1) 将CALIOP VFM数据产品中分类结果为云, 且云底与海表相邻的云像素判定为海雾。
(2) 将CALIOP VFM数据产品中分类结果为海表, 且海表像素超出水平高度两个及以上的测量单元(60m)的海表像素点也判定为海雾。
(3) Wu等(2015)只将被误判的单层云作为海雾, 但从天气学原理来说, 雾与云不可能直接相接, 无论是在水平方向还是垂直方向都会存在明显的区分, 所以判定出与雾点相邻的其他像素点也应为雾。据2020年5月9日的一次海雾点检测, Wu等(2015)的算法只检测出单一的一层海雾点(图1), 但通过观察532nm后向散射图(图2)可知, 在26°—27°N有一块明显的后向散射低值区, 表明此区域整块都为明显的海雾区。因此, 本研究将符合条件(1)和条件(2)的像素点判定为雾, 并将雾点增添为VFM新分类8; 接着寻找这一个雾像素点四周相邻的8个像素点, 判断他们是否为云(分类为2), 找到之后将这些云标记为雾(分类8); 再根据新标记的结果循环进行上述查找, 直到雾点(分类8)周围相邻像素没有云(分类2), 结束雾点查找。经过改进后的海雾检测VFM如图3所示, 相比于之前的检测结果, 海雾点范围扩大, 并且与后向散射图的26°—27°N间的低值区相匹配。将该海雾检测结果叠加在Himawari-8卫星图像上, 本研究算法检测出的海雾点与真彩色图像(图4)上的雾区有较好的对应。
图1 由Wu等(2015)的算法获得的2020年5月9日的VFM图(3km以下)

红框中为海雾点

Fig. 1 Diagram of VFM obtained by the algorithm proposed by Wu et al (2015), on May 9, 2020 (below 3 km). The red box shows the sea fog

图2 2020年5月9日532nm后向散射图(3km以下)

红框中为后向散射较低区域

Fig. 2 532 nm backscatter pattern (below 3 km), May 9, 2020. The lower backscatter region is shown in red box

图3 本文改进算法后获得的2020年5月9日的VFM图(3km以下)

红框中为海雾点

Fig. 3 Diagram of VFM using improved algorithm on May 9, 2020 (below 3 km). The red box shows the sea fog

图4 2020年5月9日Himawari-8真彩图叠加CALIOP海雾检测结果

该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2022)4307号的标准地图制作, 底图无修改。图中红线为CALIOP轨迹, 绿点为海雾点

Fig. 4 Diagram of the true color map of Himawari-8 superimposed with the sea fog detection result based on CALIOP on 9 May, 2020. The red line is the footprint of CALIOP and the green points show the sea fog

(4) 为了消除气溶胶的影响, 在上述判断的基础上, 所有雾点需满足532nm后向散射>0.02km-1∙sr-1。通过分别统计高度小于1km的云和气溶胶的532nm后向散射确定阈值。
(5) 由于此算法只适合判别海面上的雾, 因此使用中国边界线文件数据做了精确的陆地掩膜, 以去除CALIOP在陆地上的数据, 避免算法在陆地上的误判。

2.2 算法结果与精度验证

本文利用2017—2020年的CALIOP数据对福建沿海进行海雾检测, 共检测出海雾事件20次。由于实测站点位于福建沿海岸边, 而CALIOP的轨迹为一条直线, 因此只有少部分点可与岸线相交, 大部分点会与岸边站点有一定距离, 特别是CALIOP夜间降轨时的轨迹线与岸边实测站点更是有较远的距离。如果寻找离雾点最近的站点进行匹配验证, 则会出现实测站点与雾点距离过远的情况, 检验的准确性将会降低。因此, 本研究以CALIOP数据点为中心, 寻找直线距离不超过5km的地面实测站点数据进行精度验证。最终共匹配出24对数据点, 未发现误判点, 说明采用的CALIOP海雾监测算法适用于福建海雾。

3 福建海雾特征分析

3.1 基于CALIOP的海雾垂向特征分析

首先观察到2018年12月4日的一次海雾事件, 在3km高度的VFM图中检测出海雾(图5a)。但将检测结果对应到Himawari-8真彩色图像(图6)上进行目视解译后发现, CALIOP检测出的海雾点未出现图像光滑均匀、边界明显等特征, 是一片明显的云区。因此, 将VFM图(图5b)的高度调整为20km再进行观察。从图中可以看出, 在3km高度的VFM图上存在部分低云覆盖在海雾上方, 同样在10~12km高度出现厚度约为2km的大片中高云区覆盖在26.5°N左右位置的红色雾区上方。这种情况就是一次明显的云下雾事件。
图5 2018年12月04日的VFM图

a. 高度为3km; b. 高度为20km。红框中为云下雾

Fig. 5 Diagram of VFM on December 04, 2018. (a) Height less than 3 km; (b) height less than 20 km. The red box shows the subcloud fog

图6 2018年12月04日Himawari-8真彩图叠加CALIOP海雾检测结果。

该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2022)4307号的标准地图制作, 底图无修改。红线为CALIOP轨迹, 绿点为海雾点

Fig. 6 Diagram of the true color image of Himawari-8 superimposed with the sea fog detection result based on CALIOP on December 4, 2018. The red line is the footprint of CALIOP and the green points show the sea fog

对CALIOP检测出的20次福建沿海海雾事件进行统计, 其中9次为上方无云的纯雾类型, 11次为云下雾类型。夜间出现云下雾的次数高于白天, 20次海雾事件中发生云下雾事件的频率已经超过50%。这是由于我国云量空间分布呈现南多北少、从东南向西北逐渐减少的特征(刘柏鑫 等, 2018)。云垂直结构分布具有同样的纬向变化趋势: 云底高度由高纬至低纬逐渐降低, 东南沿海地区云底高度最低且云体深厚(李琦 等, 2021)。因此, 位于我国东南方向的福建沿海相比于我国其他海域会多发云下雾事件。

3.2 基于Himawari-8的海雾光谱特征分析

为探究云下雾的光谱信息, 利用CALIOP检测出的海雾点, 根据VFM图将已知海雾点划分为云下雾和纯雾2种雾事件类型后, 与Himawari-8卫星数据进行时空匹配。对云下雾、纯雾和云这3种下垫面类型在Himawari-8各个波段(可见光、近红外及远红外)白天和夜间的光谱特征进行统计, 并分析它们之间的差异。

3.2.1 白天海雾光谱特征分析

本文将白天纯雾、云下雾与云在Himawari-8可见光、近红外与中远红外波段的光谱特征都分别进行了统计, 各波段反射率或亮温的分布直方图结果如图79所示。由图7可知, 白天纯雾、云下雾和云在Himawari-8的3个可见光波段(0.47μm; 0.51μm; 0.64μm)的反射率分布较为一致。云的反射率值基本分布0.6~0.8之间, 远大于两种雾类型的反射率。纯雾与云下雾在Himawari-8的3个可见光波段的反射率分布范围相同, 都为0.1~0.5, 纯雾点在此范围内均匀分布, 而云下雾在3个波段的反射率都集中在0.2~0.4之间, 峰值相较于纯雾点更加突出。
图7 白天云下雾、纯雾与云在Himawari-8可见光波段的反射率对比

Fig. 7 Comparison of reflectance of subcloud, pure fog and cloud in the visible band of Himawari-8 during daytime

图8 白天云下雾、纯雾与云在Himawari-8近红外波段的反射率对比

Fig. 8 Comparison of reflectance of subcloud, pure fog and cloud in the near infrared band of Himawari-8 during daytime

图9 白天云下雾、纯雾与云在Himawari-8中远红外波段的亮温对比

Fig. 9 Comparison of the brightness temperature of subcloud, pure fog and cloud in the mid-far infrared band of Himawari-8 during daytime

在近红外波段(图8), 3种下垫面类型在0.86μm波段的反射率差异最明显, 分布特征与可见光波段相同。但在1.6μm和2.3μm波段, 纯雾的反射率分布范围分散, 分布在0~0.5区域内, 故没有明显特征。云和云下雾在这两个波段的反射率分布也较广, 但相比于纯雾类型有明显的峰值, 云下雾在1.6μm和2.3μm波段的反射率峰值为0.2左右, 云的反射率峰值为0.4左右。
在3个中远红外波段(图9), 云、纯雾、云下雾的亮温在3.9μm波段差异最不明显, 3种下垫面亮温值跨度大, 且峰值几乎重合于290~300K。但在11.2μm和13.3μm波段, 云与两种雾类型的亮温值有了明显的区分, 云的亮温值绝大多数为240~250K; 纯雾点的亮温值全部大于280K; 云下雾点的亮温值绝大部分大于270K。
由于Himawari-8是被动信号检测, 在发生云下雾事件时, 卫星信号只能探测到海雾上层的云的光谱信息。为探究下层有雾的云层与无雾云层的光谱特征差异, 本研究统计了AHI传感器可见光波段及近红外波段的反射率值。由图10可知, 位于海雾上方的云层反射率大都分布在0.2~0.4区间内, 而下方无雾的云层反射率分布范围为0.6~0.8。这表明无雾云层的反射率明显高于下方有雾的云层, 故两者差异显著。
图10 白天云下雾与云在Himawari-8 的1—4波段的光谱特征对比

Fig. 10 Comparison of the spectral characteristics of subcloud fog and cloud in the Bands 1~4 of Himawari-8 during daytime

3.2.2 夜间海雾光谱特征分析

目前夜间海雾监测使用的业务化方法为中红外通道和远红外通道的双通道插值法(Cermak et al, 2007), 因此本文对夜间的光谱特征只统计了11.2μm和3.9μm两个波段的亮温及亮温差, 结果如图11所示。由图可知, 在3.9μm波段云的亮温分布没有规律, 纯雾的亮温值大部分分布在280K周围, 云下雾的亮温值绝大部分为290K左右。云下雾的亮温值比纯雾高10K。在11.2μm波段, 云的亮温值为240~250K, 纯雾与云下雾的亮温值均分布在280~290K, 云与雾的亮温值存在40K的差异。纯雾与云下雾的亮温差峰值依旧存在10K左右的差异, 因此可以使用11.2μm波段的亮温去除云像元后再利用3.9μm波段完成纯雾像元与云下雾像元的区分。
图11 夜间云下雾、纯雾与云在Himawari-8的 3.9μm和11.2μm波段的亮温与亮温差对比

Fig. 11 Comparison of the brightness temperatures of subcloud, pure fog and cloud at night in the 3.9 μm and 11.2 μm bands of Himawari-8, and their differences

4 结论

本文首先利用2017—2020年的CALIOP数据, 在前人算法的基础上进行改进, 扩大了CALIOP可识别海雾样本点的范围, 并且提升了准确度。利用此算法对福建沿海区域进行海雾检测, 共检测出20次海雾事件, 与沿海气象观测站点能见度数据进行对比检验, 未发现算法误判点。其次, 针对这20次海雾事件, 对福建沿海海雾的垂向特征进行了分析, 其中11次为云下雾事件, 这是由于我国云的空间分布特征使福建沿海多发云下雾事件, 此发现也侧面体现了主动遥感相对于被动遥感在福建海雾研究方面的优势。此外, 结合静止卫星Himawari-8的可见光与红外波段, 从新的光谱特征对比角度将CALIOP检测出的雾点分为纯雾与云下雾两种类型后, 与云层的光谱特征进行了统计分析。结果如下:
1) 白天, Himawari-8的3个可见光波段(0.47μm; 0.51μm; 0.64μm)与0.8μm 波段云雾反射率差异较大, 云反射率明显小于雾反射率, 这一特征可用于分离海雾与云。但纯雾与云下雾在各波段的光谱特征均无明显差别, 无法利用单波段进行区分。
2) 云下雾上方的云层与下方无雾云层的光谱特征有明显差异, 无雾云层在Himawari-8 的1—4波段的反射率高于云下雾上方云层。
3) 夜间可首先使用11.2μm波段分离云像元, 其次利用3.9μm波段下纯雾与云下雾亮温值的差异区分纯雾与云下雾。
虽然利用CALIOP可以探测出部分雾事件的垂向结构, 但CALIOP依然存在重访周期长、覆盖范围小、遇到厚云时无法穿透等缺点。本研究检测出云下雾的前提是CALIOP主动信号能够穿透雾上方云层, 但福建地区云量多且云层厚度大, CALIOP无法穿透云层的情况经常发生, 这导致了可检测到的海雾次数减少, 继而造成海雾样本点的数量减少。因此, CALIOP数据无法支持大面积全天候的海雾监测, 后续研究将在本文得出的福建海雾特征基础上, 利用静止卫星建立福建地区的海雾监测算法。
[1]
郝姝馨, 郝增周, 黄海清, 等, 2021. 基于Himawari-8数据的夜间海雾识别[J]. 海洋学报, 43(11): 166-180.

HAO SHUXIN, HAO ZENGZHOU, HUANG HAIQING, et al, 2021. Nighttime sea fog recognition based on Himawari-8 data[J]. Haiyang Xuebao, 43(11): 166-180 (in Chinese with English abstract).

[2]
李琦, 蔡淼, 周毓荃, 等, 2021. 基于探空云识别方法的云垂直结构分布特征[J]. 大气科学, 45(6): 1161-1172.

LI QI, CAI MIAO, ZHOU YUQUAN, et al, 2021. Characteristics of cloud vertical distribution based on cloud identification by radiosonde[J]. Chinese Journal of Atmospheric Sciences, 45(6): 1161-1172 (in Chinese).

[3]
李昀英, 王汉杰, 2000. 台湾海峡地区雾形成的天气类型分析[J]. 热带海洋, (4): 65-70.

LI YUNYING, WANG HANJIE, 2000. A synoptic analysis on fog formation in Taiwan strait[J]. Journal of Tropical Oceanography, (4): 65-70 (in Chinese with English abstract).

[4]
刘柏鑫, 李栋梁, 2018. 我国云量时空变化特征及其与副热带夏季风北边缘带关系研究[J]. 气象, 44(3): 382-395.

LIU BOXIN, LI DONGLIANG, 2018. Spatio-temporal variation features of cloud cover in China and its correlation to north boundary belt of subtropical summer monsoon[J]. Meteorlogical Monthly, 44(3): 382-395 (in Chinese with English abstract).

[5]
刘少军, 吴胜安, 李伟光, 等, 2017. 基于 FY-3B 卫星资料的中国南海海区 1-3 月海雾时空分布特征研究[J]. 海洋气象学报, 37(4): 85-90.

LIU SHAOJUN, WU SHENGAN, LI WEIGUANG, et al, 2017. Study on spatial-temporal distribution of sea fog in the south China sea from January to March based on FY-3B sea fog retrieval data[J]. Journal of Marine Meteorology, 37(4): 85-90 (in Chinese with English abstract).

[6]
马静, 于芸, 魏立新, 2012. 东海近海海雾日变化特征及生成的水文气象条件分析[J]. 海洋预报, 29(6): 58-65.

MA JING, YU YUN, WEI LIXIN, 2012. Analysis of the daily variation of sea fog in the East China Sea and the weather condition to the sea fog formation[J]. Marine Forecasts, 29(6): 58-65 (in Chinese with English abstract).

[7]
孙艺, 杨悦, 甄晴, 2020. CALIPSO卫星资料的春夏季黄海海雾高度特征分析[J]. 海洋预报, 37(3): 54-61.

SUN YI, YANG YUE, ZHEN QING, 2020. The characteristics of the top height of sea fog over the Yellow Sea in spring and summer based on CALIPSO satellite data[J]. Marine Forecasts, 37(3): 54-61 (in Chinese with English abstract).

[8]
田永杰, 2016. 基于风云 2 号静止卫星数据的白天海雾监测算法研究[D]. 广州: 华南理工大学.

TIAN YONGJIE, 2016. Study of algorithm of detection of daytime sea fog using FY-2 geostationary satellite data[D]. Guangzhou: South China University of Technology (in Chinese with English abstract).

[9]
张春桂, 蔡义勇, 张加春, 2009. MODIS 遥感数据在我国台湾海峡海雾监测中的应用[J]. 应用气象学报, 20(1): 8-16.

ZHANG CHUNGUI, CAI YIYONG, ZHANG JIACHUN, 2009. The application of monitoring sea fog in Taiwan Strait using MODIS remote sensing data[J]. Journal of Applied Meteorology Science, 20(1): 8-16 (in Chinese with English abstract).

[10]
张春桂, 何金德, 马治国, 2013. 福建沿海海雾的卫星遥感监测[J]. 中国农业气象, 34(3): 366-373.

ZHANG CHUNGUI, HE JINDE, MA ZHIGUO, 2013. Remote sensing monitor of sea fog in Fujian coastal region[J]. Chinese Journal of Agrometeorology, 34(3): 366-373 (in Chinese with English abstract).

[11]
张春桂, 林炳青, 2018. 基于 FY-2E 卫星数据的福建沿海海雾遥感监测[J]. 国土资源遥感, 30(1): 7-13.

ZHANG CHUNGUI, LIN BINGQING, 2018. Application of FY-2E data to remote sensing monitoring of sea fog in Fujian coastal region[J]. Remote Sensing for Land and Resources, 30(1): 7-13 (in Chinese with English abstract).

[12]
张苏平, 鲍献文, 2018. 近十年中国海雾研究进展[J]. 中国海洋大学学报(自然科学版), 38(3): 359-366.

ZHANG SUPING, BAO XIANWEN, 2018. The main advances in sea fog research in China[J]. Periodical of Ocean University of China (Natural Science Edition), 38(3): 359-366 (in Chinese with English abstract).

[13]
赵耀天, 吴东, 2020. CALIOP、CPR 数据在探测海雾中的应用[J]. 中国海洋大学学报(自然科学版), 50(10): 125-133.

ZHAO YAOTIAN, WU DONG, 2020. Application of CALIOP and CPR data in detecting sea fog[J]. Periodical of Ocean University of China (Natural Science Edition), 50(10): 125-133 (in Chinese with English abstract).

[14]
BESSHO K, DATE K, HAYASHI M, et al, 2016. An introduction to Himawari-8/9—Japan’s new-generation geostationary meteorological satellites[J]. Journal of The Meteorological Society of Japan. Ser. II, 94(2): 151-183.

DOI

[15]
CERMAK J, BENDIX J, 2007. Dynamical nighttime fog/low stratus detection based on Meteosat SEVIRI data: A feasibility study[J]. Pure and Applied Geophysics, 164(7): 1179-1192.

DOI

[16]
EYRE J R, BROWNSCOMBE J L, Allam R J, 1984. Detection of fog at night using Advanced Very High Resolution Radiometer (AVHRR) imagery[J]. Meteor Magzine, 113(1346): 266-271.

[17]
GURKA J J, 1974. Using satellite data for forecasting fog and stratus dissipation[C]. Conference on Weather Forecasting and Analysis, 5th. Saint Louis, Mo. 54-57.

[18]
HEO K Y, MIN S Y, HA K J, et al, 2008. Discrimination between sea fog and low stratus using texture structure of MODIS satellite images[J]. Korean Journal of Remote Sensing, 24(6): 571-581.

[19]
JEON H K, KIM S, EDWIN J, et al, 2020. Sea fog identification from GOCI images using CNN transfer learning models[J]. Electronics, 9(2): 311.

DOI

[20]
TURNER J, ALLAM R J, MAINE D R, 1986. A case study of the detection of fog at night using channels 3 and 4 on the Advanced Very High Resolution Radiometer (AVHRR)[J]. Meteorological Magazine, 115: 285-290.

[21]
RYU H S, HONG S, 2020. Sea fog detection based on normalized difference snow index using advanced Himawari imager observations[J]. Remote Sensing, 12(9): 1521.

DOI

[22]
WAN JIANHUA, LI JIAJIA, XU MINGMING, et al, 2022. Node-splitting optimized canonical correlation forest algorithm for sea fog detection using MODIS data[J]. Optics Express, 30(8): 13810-13824.

DOI PMID

[23]
WINKER D M, VAUGHAN M A, OMAR A, et al, 2009. Overview of the CALIPSO mission and CALIOP data processing algorithms[J]. Journal of Atmospheric and Oceanic Technology, 26(11): 2310-2323.

DOI

[24]
WU DONG, LU BO, ZHANG TIANCHE, et al, 2015. A method of detecting sea fogs using CALIOP data and its application to improve MODIS-based sea fog detection[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 153: 88-94.

DOI

[25]
YANG J H, YOO J M, CHOI Y S, 2021. Advanced dual-satellite method for detection of low stratus and fog near Japan at dawn from FY-4A and Himawari-8[J]. Remote Sensing, 13(5): 1042.

DOI

文章导航

/