Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2023 , Vol. 42 >Issue 6: 15 - 28

DOI: https://doi.org/10.11978/2023015

Marine Meteorology

Research on the multi-source satellite daytime sea fog detection technology based on cloud characteristics*

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

Copy editor: LIN Qiang

Received date: 2023-02-08

  Revised date: 2023-03-11

  Online published: 2023-03-23

Supported by

National Natural Science Foundation of China(41976165)

Advanced Program for FY Satellite Applications (2022)(FY-APP-2022.0610)

Fold

Abstract

The separation of sea fog and low clouds is the current difficulty of sea fog monitoring, in order to improve the accuracy and real-time of daytime sea fog monitoring, a model of multi-satellite daytime sea fog detection based on cloud properties is established by analyzing the difference in the features of cloud properties, visible reflectance, brightness temperature, brightness temperature difference and texture features in the infrared bands between sea fog and cloud using the cloud and reflectivity products of MODIS (moderate resolution imaging spectroradiometer) on Terra/Aqua and VIIRS (visible infrared imaging radiometer suite) on S-NPP/NOAA-20 during eleven sea fog events from 2015 to 2020, which effectively separate low clouds from sea fog. Model precision was validated based on the true value of sea fog identified by CALIOP (cloud aerosol lidar with orthogonal polarization) backscattering and vertical feature mask products. The results showed that the highest probability of detection for MODIS(Terra), MODIS(Aqua), and VIIRS(S-NPP) sea fog identification were 0.97, 0.96, 0.89, respectively. There are more than 93.15% of the VIIRS(NOAA-20) sea fog detection images that show 80% consistency with VIIRS(S-NPP), indicating that the model can effectively monitor daytime sea fog. Meanwhile, based on the model presented in this paper, the consistency study of MODIS and VIIRS data is carried out, and the results show that the model has strong applicability and stability for different sensors and can realize the synergistic observation of the same sea fog process by multiple source satellites.

Key words： sea fog; cloud properties; cloud base height; MODSI; VIIRS

Cite this article

WANG Yu , HU Chenyue , QIU Zhongfeng , ZHAO Dongzhi , WU Daomao , LIAO Kuo . Research on the multi-source satellite daytime sea fog detection technology based on cloud characteristics*[J]. Journal of Tropical Oceanography, 2023 , 42(6) : 15 -28 . DOI: 10.11978/2023015

海洋上空低层大气中水蒸气凝结, 生成大量悬浮水滴或冰晶, 形成海雾, 常使海面水平能见度低于1km(傅刚 等, 2004)。海雾是严重的海洋灾害之一, 会对海上交通、渔业养殖、空气质量、国防建设及军事活动等造成不利影响(张苏平 等, 2008)。据统计, 70%以上的海上船舶碰撞事故由海雾造成(刘照民 等, 2011)。因此, 开展实时准确的海雾监测, 对防止海上交通事故, 保障海洋作业安全具有重要的现实意义。
卫星遥感技术的快速发展, 使海雾的大范围和长时序监测成为可能。20世纪70年代起, 国内外学者便通过多卫星遥感影像波段信息开展海雾监测工作, 并逐步发展了基于可见光波段反射率、红外波段亮温及亮温差、纹理特征等信息的日间海雾检测算法。Bendix等(2004)通过辐射传输模式建立了中分辨率成像光谱仪(moderate resolution imaging spectroradiometer, MODIS)1~7波段典型雾/低云(fog/low stratus, FLS)的阈值函数, 有效分离了MODIS海雾/低云与其他云类型, 其检测结果与地面气象站点的能见度观测数据一致性良好, 召回率(probability of detection, POD)高达0.93。Zhang等(2013)引入归一化积雪指数(normalized difference snow index, NDSI), 并将11μm亮温与月平均海面温度相结合以改进MODIS海雾监测方法, 沿海气象站和船舶观测资料验证结果显示, 该方法海雾检测的POD为0.87。Wu等(2014)基于MODIS的反射率及亮温数据, 计算了NDSI、归一化近红外水汽指数(normalized water vapor index, NWVI)及可能的海雾像元与附近晴空海面的差异检测海雾, 并通过现场观测、浮标站、气象站及CALIPSO数据(cloud-aerosol lidar and infrared pathfinder satellite observation)验证算法的准确性, 其中与地面站点的一致性(检测正确的样本与所有样本之比)为0.76, 与CALIPSO的一致性为0.78。Jeon等(2016)分析了MODIS影像中海雾、低云和中高云的波谱特征, 并引入了温差指数和归一化水汽指数优化海雾监测算法, 平均汉森和柯伊珀斯判别评分(Hanssen-Kuiper skill score, KSS)为0.9。此外, 通过能量、对比度、熵、相关性及同质性等纹理特征也可分离海雾与其他云类型(Ameur et al, 2004)。
上述研究显示, 现有日间海雾探测技术通常限于单极轨卫星单次检测, 通过多通道反射率及亮温, 引入众多辅助参数分离海雾与云。但单极轨卫星时间分辨率较低, 在一天中仅能重访目标地物1~2次, 观测频次受到限制, 无法应用于海雾变化过程研究。利用多源极轨卫星数据开展海雾协同探测, 将有助于获得多频次高空间分辨率的海雾变化特征。此外, 现有海雾判断方法主要基于沿海气象站和船舶观测的能见度数据, 而海雾在气象学上的定义通常还包含以下特征: (1)云相为水云; (2)云顶高度较低; (3)由小水滴组成; (4)表面平滑(Cermak et al, 2011)。从光谱特性中难以准确获得上述云分类信息, 使光谱特征接近的海雾与低云分离成为海雾探测的难点之一。因此, 本文将引入云相态、云顶高度、云底高度及云有效半径等云产品数据, 从海雾的云特性信息出发, 发展精确的海雾监测算法。
本文首先选取2015—2020年已知海雾事件, 基于MODIS(Terra)、MODIS(Aqua)、可见光红外成像辐射仪(visible infrared imaging radiometer suite, VIIRS)(NOAA-20)、VIIRS(S-NPP)的云特性、可见光反射率特征、红外波段亮温及亮温差信息, 结合多种海雾与低云或中高云分离指数, 建立基于云特性的多指数日间海雾监测模型。并通过CALIPSO后向散射和垂直特征掩膜(vertical feature mask, VFM)数据证明模型的可靠性。最后, 将模型应用于渤海、黄海和东海, 对海雾过程进行协同监测。

1 研究区域与研究数据

1.1 研究区域

中国近海是海雾频发区域, 雾区范围自北向南逐渐减少, 雾频降低。其中东海和黄海最主要的多雾区。据统计, 黄海北部、山东半岛及舟山群岛年雾日频数可达50d以上, 且主要发生于春夏两季(张苏平 等, 2008)。本文选择渤海、黄海和东海作为海雾监测的主要海区, 经纬度范围为117°—130°E, 25°—42°N。

1.2 研究数据

卫星数据主要采用目前在轨的光学传感器遥感影像及云产品。本文共使用四颗卫星进行海雾探测技术研究, 包括Terra、Aqua卫星上的MODIS传感器及NOAA-20、S-NPP卫星上的VIIRS传感器。如表1所示, 各卫星过境时间较为集中, 平均4h内可接收3~5次卫星影像数据, 其组成的序列影像数据具有高空间分辨率、高光谱分辨率的特点, 同时弥补了极轨卫星时间分辨率较低的缺点, 能够满足监测海雾时空变化特征的需要。
表1 用于日间海雾监测的卫星数据介绍

Tab. 1 Introduction of satellite data used in daytime sea fog detection

传感器 波段数目 空间分辨率/m 时间分辨率 每日过境时当地时间 可获取时间段
MODIS(Terra) 36 1000 2次·d-1 10:30 2000-02-24至今
MODIS(Aqua) 36 1000 2次·d-1 13:30 2002-07-04至今
VIIRS(NOAA-20) 22 750 4h 12:40 2018-01-05至今
VIIRS(S-NPP) 22 750 4h 13:30 2012-01-19至今
通过地面气象站或星载激光雷达监测数据, 研究人员可以判识海雾事件。基于相关文献(Yuan et al, 2016; 史得道 等, 2018; 苏婧, 2019; 郝姝馨 等, 2021; 耿丹 等, 2022), 本文选择2015—2022年的11次海雾事件, 获取特征明确、边缘清晰的卫星影像共计61景, 用于分析多源卫星影像中海雾、云及晴空的云特性及光谱辐射分布特征, 构建日间海雾监测模型。海雾发生日期、区域及各卫星传感器观测时间如表2所示。
表2 用于光谱辐射及云特性分析的海雾事件信息

Tab. 2 Information of sea fog events used in the spectral radiance and cloud properties analysis

序号 日期(年-月-日) 区域 观测时间(UTC)
MODIS(Terra) MODIS(Aqua) VIIRS(S-NPP) VIIRS(NOAA-20)
1 2015-01-10 黄海 02:20 05:35 04:48, 04:54 —
2 2015-03-30 黄海 03:15 — 05:06, 03:30 —
3 2015-04-29 黄海、渤海 — 05:10 04:06, 04:29 —
4 2015-04-30 黄海 02:35 — 05:24 —
2015-05-01 黄海、东海 01:40, 03:15 04:55 05:06 —
5 2015-06-09 黄海 03:20 05:00 04:36 —
6 2016-03-03 黄海 02:10 05:25 04:06, 05:48 —
2016-03-04 黄海、渤海 02:50 04:30 03:48, 05:30 —
7 2018-03-24 黄海 03:05 04:40, 04:45 04:24 03:36, 05:12, 05:18
2018-03-25 黄海 02:10 05:25 04:06, 05:48 04:54, 05:00
2018-03-26 黄海 02:50 04:30 03:48, 05:30 —
8 2018-05-10 黄海 02:20 04:00, 05:35 04:42 03:54, 05:36
9 2020-02-12 渤海 02:50 04:30 03:48, 05:30 —
10 2020-05-16 黄海 — 04:40 04:24 05:18
11 2020-05-23 黄海 03:10 04:45 03:54 04:42
总计影像数 14景 15景 23景 9景
本文所用云掩膜、云相态、云顶高度、云有效半径等云特性信息均来自卫星云产品。其中, MODIS(Aqua)、VIIRS(S-NPP)、VIIRS(NOAA-20)均提供连续MODIS-VIIRS云掩膜产品(continuity MODIS-VIIRS cloud mask, MVCM), 该产品在生成时仅使用两传感器共有的14个光谱波段, 能够保证MODIS与VIIRS传感器之间云产品的一致性。对于缺少MVCM的MODIS(Terra)传感器, 本研究使用了MODIS 2级云产品(MOD06)。VIIRS(S-NPP/NOAA-20)自2020年起还提供空间分辨率为1km的云底高度产品(https://www.avl.class.noaa.gov/saa/)。
CALIPSO数据用来验证日间海雾监测模型的反演精度, CALIPSO由美国国家航空航天局和法国空间局于2006年4月28日联合发射, 每日过境时间为当地13:30, 其上载有正交极化云气溶胶激光雷达(cloud aerosol lidar with orthogonal polarization, CALIOP), 能够在多种大气条件下穿透薄卷云, 实现气溶胶和云层垂直结构观测。CALIOP 1级产品提供532nm及1064nm后向散射数据, 水平分辨率为1/3km, 8.2km以下垂直分辨率为30m。本文采用的VFM产品提供了CALIOP所测云层、气溶胶层的水平和垂直分布信息, 该产品根据1级产品中的后向散射数据, 将各层基于特征分为8类, 分别为无效、清洁大气、云、气溶胶、平流层、表层、次表层、无信号。

2 研究方法

2.1 渤海、黄海和东海海雾特征分析

2.1.1 云特性

海雾在云特性信息上表现出不同于其他云类型的独特差异。海雾是唯一到达海面的云类型, 其云底高度接近于海面, 云顶高度通常小于1km(Wu et al, 2014), 主要由液相水滴组成, 粒径小而均匀。基于表2中11个雾过程内的61景卫星影像, 分别统计了渤海、黄海和东海区域内海雾及云在云相态、云有效半径、云顶高度和云底高度的分布情况, 如图1所示, 箱形图中的五条横线自上至下分别表示最大值、上四分位数、中位数、下四分位数及最小值。从云相态来看, 图1a中渤海、黄海和东海海雾的云相态均表现为水云, 而云像元中既存在水云, 也存在冰云。雾滴粒子的有效半径大多分布在5~15μm, 远小于云滴粒子半径(最高可达60μm), 如图1b所示。由云顶高度统计结果可知, 渤海、黄海和东海雾顶高度在海面1.5km以下, 而云顶高度分布于0~16.4km, 由图1c、d可知, 超过75%的云像元云顶高度在2km以上, 云底高度在0.073km以上, 超过50%的云像元云底高度在0.2km以上。值得注意的是, 本文主要用于海雾检测, 由数字地面高程可知, 渤海、黄海和东海区域内海面高度均为0m, 因此将云产品中的云顶高度及云底高度视为其与海面的相对高度。
图1 渤海、黄海和东海内海雾及云的云相态(a)、云有效半径(b)、云顶高度(c)、云底高度(d)数据分布箱形图

五条横线自上至下分别表示最大值、上四分位数、中位数、下四分位数及最小值, 竖线指示数据的变化范围

Fig. 1 Box plot of cloud phase(a); cloud effective radius(b); cloud top height(c); cloud base height(d) of sea fog and cloud in Bohai Sea, Yellow Sea and East China Sea. The five horizontal lines in box plot from top to bottom represent the maximum value, upper quartile, median, lower quartile, and minimum value, respectively, while the vertical lines indicate the range of data variation

2.1.2 辅助参数

基于云及海雾的物理特性, 根据卫星波段设置, 可通过设定多通道指数来实现海雾监测。NDSI是衡量可见光和短波红外反射率差异的指数, 最早用于区分积雪及其他地物类型(Dozier et al, 2004)。中高云同样包含冰和雪, 具有相似的光谱特征。由于散射作用, 中高云在可见光波段反射率高于其他云类型, 而在短波红外波段的反射率较低(Zhang et al, 2013; Wu et al, 2014), 使海雾的NDSI明显低于云, 如图2a所示, 渤海、黄海和东海内海雾的NDSI分布于0.01~0.36, 云的NDSI分布于-0.04~0.91。NDSI计算公式如下:
$\text{NDSI}=\frac{{{R}_{\text{VIS}}}-{{R}_{\text{SWIR}}}}{{{R}_{\text{VIS}}}+{{R}_{\text{SWIR}}}}$
图2 渤海、黄海和东海内海雾及云的归一化积雪指数(a)、归一化水汽指数(b)和归一化雾指数(c)数据分布箱形图

5条横线自上至下分别表示最大值、上四分位数、中位数、下四分位数及最小值, 竖线指示数据的变化范围

Fig. 2 Box plot of normalized difference snow index(a); normalized water vapor index(b); normalized difference fog index(c) of sea fog and cloud in Bohai Sea, Yellow Sea and East China Sea. The five horizontal lines in box plot from top to bottom represent the maximum value, upper quartile, median, lower quartile, and minimum value, respectively, while the vertical lines indicate the range of data variation

其中RVIS为可见光波段反射率, 分别对应MODIS第3波段(0.47μm)和VIIRS M3波段(0.49μm); RSWIR为短波红外波段反射率, 分别对应MODIS第7波段(2.13μm)和VIIRS M11波段(2.25μm)。由于海雾的含水量和湿度较高, 在近红外水汽通道中吸收很强, 反射率较低。在MODIS三个近红外水气通道中, 17波段(0.90μm)对水汽的变化最敏感, 而18波段(0.93μm)最不敏感(Wu et al, 2014; Jeon et al, 2016)。NWVI基于两波段反射率之间的差异检测海雾, 如公式(2)。
$\text{NWVI}=\frac{{{R}_{0.93\text{ }\!\!\mu\!\!\text{ m}}}-{{R}_{0.90\text{ }\!\!\mu\!\!\text{ m}}}}{{{R}_{0.93\text{ }\!\!\mu\!\!\text{ m}}}+{{R}_{0.90\text{ }\!\!\mu\!\!\text{ m}}}}$
式中, R0.93μm为0.93μm反射率, R0.90μm为0.90μm反射率。由于VIIRS缺少对应波段, 仅对MODIS使用NWVI检测海雾。由MODIS海雾及云NWVI分布图可知(图2b), 海雾的NWVI较低, 渤海、黄海和东海内海雾NWVI分布于-0.63 ~ -0.12, Terra和Aqua卫星海雾NWVI的上四分位数分别为-0.34和-0.36, 下四分位数分别为-0.47和-0.51。该海域内云的NWVI分布于-0.66~0.00, 上四分位数分别为-0.18和-0.17, 下四分位数分别为-0.38和-0.29。
通过辐射传输模式对海雾和云光谱特征的分析和模拟结果可知(Liu et al, 2011; Wen et al, 2014), 雾在MODIS第1波段的反射率(0.65μm)低于其他云类型, 而由于雾中存在小液滴, 20波段反射率(3.7μm)高于其他云类型。在此基础上, Liu等(2011)提出了归一化雾指数(normalized difference fog index, NDFI)表征雾的 强度, 如公式(3)。
$\begin{array}{l} A_{20}=\frac{L_{20}-B_{20}\left(T_{31}\right)}{\pi^{-1} B_{20}\left(T_{\text {sun }}\right) \Omega_{\text {sun }} \cos \zeta-B_{20}\left(T_{31}\right)} \times 100 \% \\ \mathrm{NDFI}=\frac{R_{1}-R_{20}}{R_{1}+R_{20}} \times 100 \%=\frac{R_{1}-\pi^{-1} A_{20}}{R_{1}+\pi^{-1} A_{20}} \times 100 \end{array}$
式中A20为MODIS第20波段反照率, L20为MODIS第20波段辐亮度, B20(T31)为基于MODIS第31波段亮温通过普朗克公式计算出的20波段辐亮度, Ωsun为太阳对地球的立体角(6.8×10-5sr); Tsun在3.7μm波段为5888K; ζ为太阳天顶角, R1、R20为MODIS第1、20波段反射率。对于VIIRS传感器, 使用对应的M5(0.67μm)和M12(3.70μm)波段计算NDFI。图2c给出了在渤海、黄海和东海内各传感器海雾与云的NDFI分布, 该海域海雾的NDFI明显低于云, 分布在60~95之间, 上四分位数为81.65~83.90, 下四分位数为73.84~77.73, 上下四分位数之差均小于10, 分布较为集中。而云的NDFI分布于63.97~101之间, 上四分位数为92.79~97.79, 下四分位数为82.86~87.25。

2.1.3 海雾的亮温及亮温差特征

渤海、黄海和东海区域内海雾与云之间的亮温差具有明显差异。卷云中的冰晶在11.03μm与12.02μm波段(MODIS传感器, 对应VIIRS传感器10.76μm及12.01μm波段)之间吸收特性不同(Han et al, 2020), 两波段间亮温差(简称DBT11.03-12.02)具有明显的高低差异, 如图3a所示。渤海、黄海和东海内MODIS传感器海雾的DBT11.03-12.02分布于-0.54~0.40, 云的DBT11.03-12.02分布于-0.61~1.55。该海域内VIIRS传感器海雾像元DBT11.03-12.02分布于-1.55~-0.24, 云像元DBT11.03-12.02分布于-1.12~2.60。
图3 渤海、黄海和东海内海雾及云的11.03和12.02μm波段的亮温差(a), 以及8.55和11.03μm波段的亮温差(b)数据分布箱形图

五条横线自上至下分别表示最大值、上四分位数、中位数、下四分位数及最小值, 竖线指示数据的变化范围

Fig. 3 Box plot of brightness temperature difference between the bands of 11.03 and 12.02 μm (a); brightness temperature difference between the bands of 8.55 and 11.03 μm (b) of sea fog and cloud in Bohai Sea, Yellow Sea and East China Sea. The five horizontal lines in box plot from top to bottom represent the maximum value, upper quartile, median, lower quartile, and minimum value, respectively, while the vertical lines indicate the range of data variation

8.55μm和11.03μm波段(MODIS传感器, 对应VIIRS传感器8.55μm及10.76μm波段)之间的亮温差与云相态有关, 冰云和水云在两个波段之间的吸收不同(Qu et al, 2006; Thies et al, 2008), 对于渤海、黄海和东海区域内低层水云, 两波段间的亮温差(简称为DBT8.55-11.03)趋向于较小的负值, 且低于中高云, 如图3b所示。

2.1.4 纹理特征

渤海、黄海和东海区域内大部分海雾属于平流雾, 是由海水上涌形成逆温层后, 暖湿空气流入寒冷的海面上形成的。相较于其他云类型, 海雾在图像上的纹理相对平滑, 在波谱特征上表现为热红外通道的亮温变率较低。本文使用MODIS 31波段(11.03μm)和VIIRS M15波段(10.76μm)判断纹理是否平滑。图4显示了海雾与云范围内5×5移动窗口中热红外通道的标准偏差, 可见海雾热红外通道亮温的标准偏差(0~0.2)远低于云(0~6), 可用于来区分海雾和云。
图4 渤海、黄海和东海内海雾及云的热红外通道亮温的标准偏差分布箱形图

五条横线自上至下分别表示最大值、上四分位数、中位数、下四分位数及最小值, 竖线指示数据的变化范围

Fig. 4 Box plot of the standard deviation of brightness temperature in thermal infrared channel of sea fog and cloud in Bohai Sea, Yellow Sea and East China Sea. The five horizontal lines in box plot from top to bottom represent the maximum value, upper quartile, median, lower quartile, and minimum value, respectively, while the vertical lines indicate the range of data variation

2.2 MODIS与VIIR海雾探测一致性分析

2.2.1 云产品一致性分析

对于Aqua、S-NPP及NOAA-20三颗卫星而言, MVCM云产品仅由MODIS和VIIRS共有的14个光谱波段生成, 能够保证MODIS与VIIRS传感器之间云产品的一致性。而Terra卫星海雾探测中使用MOD06云产品, 其与MVCM云产品的一致性分析值得研究。
MYD06为MODIS(Aqua)2级云产品, 其算法与MOD06一致。本文选择了2022年5月20日4时45分同时刻MYD06与MVCM产品的云掩膜、云相态、云顶高度、云有效半径数据, 由公式(4)计算两产品对应数据的相关系数(r)。
$r(A,B)=\frac{1}{N-1}\sum\limits_{i=1}^{N}{(\frac{{{A}_{i}}-{{\mu }_{A}}}{{{\sigma }_{A}}})(\frac{{{B}_{i}}-{{\mu }_{B}}}{{{\sigma }_{B}}})}$
其中, N表示样本个数; 下标i表示第i个数据点; A和B分别表示MYD06和MVCM云产品中各数据集的值;
μA和σA分别是MYD06中各数据集的均值和标准差, μB和σB分别是MVCM中各数据集的均值和标准差。计算结果如表3所示, MYD06与MVCM产品中云掩膜、云相态及云有效半径的相关系数为0.84~0.99, 显著性均为1.00。因此, 可以认为MODIS(Terra/Aqua)与VIIRS(S-NPP/NOAA-20)的云掩膜、云相态、云顶高度和云有效半径具有一致性。
表3 2022年5月20日4时45分MYD06与MVCM云产品的一致性

Tab. 3 Consistency between the cloud product from MYD06 and MVCM on May 20th, 2022 at 4:45

相关系数 显著性
云掩膜 0.95 1
云相态 0.92 1
云顶高度 0.84 1
云有效半径 0.99 1

2.2.2 辅助参数、亮温及亮温差一致性分析

由于MODIS与VIIRS在中心波长和带宽设置上存在差异, 通过辅助参数、亮温及亮温差、纹理特征探测同一海雾时, 两传感器可能存在部分数据偏差, 使相同算法反演得到的海雾范围不同。为了使MODIS与VIIRS的海雾探测结果具有一致性, 本研究以VIIRS为参照, 对海雾特征研究中所用到的MODIS反射率、辐亮度及亮温进行分析, 并建立线性回归模型, 对MODIS数据进行拟合。具体过程如下。
(1) 对MODIS和VIIRS反射率产品进行时间匹配。考虑到四颗卫星中, Aqua和S-NPP的过境时间均为当地时间13:30(表1), 筛选获得MODIS(Aqua)和VIIRS(S-NPP)监测时差在15min以内的反射率产品。
(2) 对MODIS(Aqua)和VIIRS(S-NPP)反射率产品进行空间匹配, 仅选择距离在0.001°以内的匹配点。
(3) 基于MODIS(Aqua)和VIIRS(S-NPP)匹配数据, 通过公式(5)进行线性拟合。
$y=kx+b$
其中, x和y分别表示表示MODIS(Aqua)和VIIRS(S-NPP)的反射率、辐亮度及亮温数据。模型决定系数R2由公式(6)计算。
${{R}^{2}}=1-\frac{\sum\limits_{i=1}^{N}{{{({{A}_{i}}-{{B}_{i}})}^{2}}}}{\sum\limits_{i=1}^{N}{{{({{A}_{i}}-{{\mu }_{A}})}^{2}}}}$
基于上述步骤, 获得2015年5月1日MODIS(Aqua)与VIIRS(S-NPP)影像共18507个匹配点, 计算得回归模型如表4所示, 模型决定系数为0.70~0.87, 拟合精度较为可靠。将回归模型应用于MODIS(Aqua)反射率、辐亮度及亮温数据, 计算校正后的NDSI、NDFI、DBT11.03-12.02、DBT8.55-11.03及11.03μm亮温, 并与VIIRS(S-NPP)对比(图5)。RMSE由公式(7)计算。
$\text{RMSE}=\sqrt{\frac{1}{N}\sum\limits_{i=1}^{N}{{{({{A}_{i}}-{{B}_{i}})}^{2}}}}$
表4 2015年5月1日MODIS(Aqua)与VIIRS(S-NPP)波段交叉校正参数

Tab. 4 Cross-correction parameters between MODIS(Aqua) and VIIRS(S-NPP) on May 1st, 2015

校正数据 MODIS波段 MODIS中心波长/μm VIIRS中心波长/μm 拟合斜率 拟合截距 决定系数
反射率 1 0.645 0.672 1.03 0.01 0.87
3 0.469 0.488 1.01 0.01 0.87
7 2.13 2.25 1.12 0.00 0.84
辐亮度 20 3.75 3.70 0.99 -0.03 0.72
亮温 29 8.55 8.55 0.85 39.90 0.72
31 11.03 10.763 0.86 39.70 0.72
32 12.02 12.013 0.85 43.17 0.70
图5 校正前后MODIS(Aqua)与VIIRS(S-NPP)的归一化积雪指数、归一化雾指数、亮温差和热红外通道亮温对比图

黑色实线为1:1线; 红色实线为回归线; *表示通过95%的显著性检验

Fig. 5 Normalized difference snow index, normalized water vapor index, brightness temperature difference and brightness temperature in thermal infrared channel before and after calibration, where the solid black line is the 1:1 line, the solid red line is the regression line, and the asterisk (*) indicates passing the 95% significance test

校正前, MODIS(Aqua)与VIIRS(S-NPP)各特征参数的RMSE为0.17~16.01, 校正后RMSE为0.17~10.07, 除NDSI外, 其他特征参数的RMSE均有所下降。且与校正前相比, 校正后MODIS(Aqua)与VIIRS(S-NPP)的数据点分布更接近于1:1线。证明以VIIRS为基准, 校正MODIS反射率、辐亮度及亮温数据, 能够提高两传感器的监测一致性, 保证两传感器对同时刻海雾探测结果一致, 实现多源卫星对日间海雾的协同观测。

2.3 海雾探测方法

2.3.1 云与晴空像元分离

海雾是一种特殊的云, 海雾监测首要工作是分离晴空与云像元。通过MODIS和VIIRS云掩膜数据的1~2位可将像元分为四类: 晴空、疑似晴空、疑似云及云。基于表2中61景卫星影像, 分别统计海雾、云和晴空像元的云掩膜值, 如图6所示, 渤海、黄海和东海海雾及云的云掩膜值主要为“疑似云”及“云”。通过筛选云掩膜数据中的“疑似云”及“云”像元, 实现晴空与云(海雾)像元分离。
图6 渤海、黄海和东海内海雾、云及晴空像元的云掩膜值统计图

Fig. 6 Statistics of cloud mask values for sea fog, cloud, and clear sky in Bohai Sea, Yellow Sea and East China Sea

2.3.2 海雾/低云与中高云分离

由渤海、黄海和东海海雾特征分析可知, 该海域内海雾与云在云特性、可见光反射率、红外波段亮温及亮温差等特征上具有差异, 如图1—4所示。虽然海雾与云在各特征参数的分布上均具有部分重叠, 但可以去除特征差异较大的海雾/低云与中高云, 仅保留光谱特征和物理特征极其相似的海雾与低云。
在确认云像元后, 通过3.2节中的回归模型对MODIS(Terra/Aqua)的NDSI、NDFI、DBT11.03-12.02、DBT8.55-11.03及11μm亮温进行校正。然后对MODIS(Terra/Aqua)和VIIRS(S-NPP/NOAA-20)传感器, 均筛选云相为水云, 有效半径低于15μm且云顶高度低于1.5km的像元; 其次, 基于多通道指数, 在筛选后的像元里获取NDSI小于0.4, NWVI小于-0.2(仅对MODIS), NDFI范围为60~90的像元; 最后, 基于多通道亮温及亮温差, 获取DBT11.03-12.02低于0.5K及DBT8.55-11.03小于0K的像元, 并通过5×5移动窗口选择热红外通道亮温的标准偏差小于1的像元, 即为海雾/低云。对于缺少云底高度产品的MODIS(Terra/Aqua)传感器, 基于上述特征形成日间海雾探测技术, 如图7所示。
图7 基于云特性的MODIS(Terra/Aqua)日间海雾监测流程图

Fig. 7 Flow chart of MODIS(Terra/Aqua) daytime sea fog detection based on cloud properties

2.3.3 海雾与低云分离

海雾的识别难点在于海雾与低云的分离。由于光学传感器无法穿透厚云层获得海面信息, 仅从云顶的云特性、亮温与亮温差特征、辅助参数及纹理特征很难完全分离海雾与低云。从现有雾过程特征分析看(图1d), 渤海、黄海和东海的雾底高度接近海面(0km), 而云像元的云底高度多数在0.2km以上。根据这一海雾与云的差异特征, 可通过云底高度来分离海雾与低云。为了减少云底高度产品的反演误差, 本研究选择0.2km作为海雾与低云的云底高度分界线, 通过云底高度进一步分离VIIRS(S-NPP/NOAA-20)传感器的海雾与低云。在此基础上, 形成VIIRS(S-NPP/NOAA-20)日间海雾探测技术, 如图8所示。
图8 基于云特性的VIIRS(S-NPP/NOAA-20)日间海雾监测流程图

Fig. 8 Flow chart of VIIRS(S-NPP/NOAA-20) daytime sea fog detection based on cloud properties

3 结果与讨论

3.1 基于CALIOP的海雾监测结果验证

利用CALIOP后向散射及VFM数据可以有效获取海雾信息(Badarinath et al, 2009), 本文以其作为真值, 进行模型精度验证。CALIOP海雾信息提取采用如下方式(Wu et al, 2015): (1)使用海陆掩码去除所有陆地像元; (2)垂直方向上, VFM数据中“云”像元与“表面”像元的距离不超过两像元; (3)VFM数据中“表面”像元高于海平面(0m)至少两像元; (4)VFM数据中“表面”或“次表面”像元高于海平面, 且1064nm后向散射不小于0.0259(km-1·sr-1), 532nm后向散射不小于0.03(km-1·sr-1) (胡晨悦 等, 2022) 。当满足上述(2)—(4)任一条件时, 认为对应像元为海雾。
图9为2021年3月25日CALIOP海雾监测结果, 与利用VNP彩色合成图像目视提取的海雾区域基本一致(图9a)。由于光学传感器很难穿透厚云层, 本文通过检查每个水平像元中海雾的最大高度和云的最小高度, 去除本算法无法监测到的云下雾部分, 如图9b所示。
图9 2021年3月25日04:54 VIIRS(S-NPP)彩色合成图与CALIOP提取海雾点(a)以及2021年3月25日CALIOP海雾监测结果(b)

b中A为CALIOP直接测得的海雾, B为云下雾, C为由于CALIOP无法穿透较厚海雾而产生的误判点

Fig. 9 VIIRS (S-NPP) color-composite image with sea fog points extracted by CALIOP at 04:45 on March 25, 2021 (a) and sea fog detection result based on data of CALIOP on March 25, 2021(b). In figure (b), A is sea fog directly measured by CALIOP, B is sea fog under clouds, C is the misjudged points due to the inability to transmit through the thicker sea fog of CALIOP

根据上述方法, 本文收集了2021年40景CALIOP海雾数据, 用来验证日间海雾监测模型精度。匹配时空间窗口为0.01°, 时间窗口为1~3.5h。由于CALIOP无法穿透一些相对较厚的海雾, 使本应是海雾的像元被错误地判断为无雾, 如图9b所示C区域, 本文仅将召回率(probability of detection, POD)和准确度(Accuracy)作为主要精度评价指标, 公式如下:
$\text{ POD }=\frac{H}{H+M}$
$\text{ Accuracy }=\frac{H+Z}{H+F+M+Z}$
其中, H表示模型反演结果有雾且CALIOP有雾的像元数目, M表示模型反演结果无雾但CALIOP有雾的像元数目, F表示模型反演结果有雾但CALIOP无雾的像元数目, Z表示模型反演结果无雾且CALIOP无雾的像元数目。
海雾监测模型精度验证结果如表5所示: 当匹配像元中CALIOP海雾点数大于1000时, 模型的POD均接近或高于0.9, 且时间窗口越小, 各卫星和CALIOP监测到的大气状态越接近, POD越高, MODIS(Terra)、MODIS(Aqua)、VIIRS(S-NPP)海雾识别POD最高分别为0.97、0.96、0.89; 当匹配像元中CALIOP海雾点数较少时(例如小于300), 某景或少量影像的误判将对整体POD产生较大影响。在准确度方面, MODIS(Terra)、MODIS(Aqua)、VIIRS(NOAA-20)和VIIRS(S-NPP)海雾监测模型均较高, 分别为0.93~1.00、0.86~0.89、0.89~0.91和0.96~0.97, 表明本文海雾监测模型具有较高的准确性, 卫星间准确度较为接近。在对MODIS反射率、辐亮度和亮温进行校正后, 将VIIRS和MODIS的海雾反演参数设置同一阈值, 能够保证探测结果的一致性。
表5 基于CALIOP数据的日间海雾监测模型精度验证

Tab. 5 Validation of daytime sea fog detection model based on CALIOP data

卫星 评价指标 时间窗口/h
1.0 1.5 2.0 2.5 3.0 3.5
MODIS(Terra) 雾点数目 0 0 0 17 1855 1977
召回率 0 0 0 0 0.97 0.94
准确度 0 0 1.00 0.94 0.93 0.90
MODIS(Aqua) 雾点数目 98 1958 1994 1994 1994 1994
召回率 0.66 0.96 0.94 0.94 0.94 0.94
准确度 0.86 0.89 0.89 0.89 0.89 0.89
VIIRS(S-NPP) 雾点数目 2056 2081 2185 2185 2185 2185
召回率 0.89 0.88 0.84 0.84 0.84 0.84
准确度 0.96 0.97 0.96 0.96 0.96 0.96
VIIRS(NOAA-20) 雾点数目 210 211 327 327 327 327
召回率 0.49 0.48 0.57 0.57 0.57 0.57
准确度 0.89 0.91 0.91 0.91 0.91 0.91

注: 雾点数目为匹配像元中CALIPSO探测结果为海雾的像元数目

针对VIIRS(NOAA-20)与CALIPSO对比POD数值较低的问题, 由于两者匹配海雾像元数目较少, 本文通过对比2021年NOAA-20和S-NPP的海雾监测结果来分析NOAA-20的海雾模型情况。通过数据匹配获得1h间隔内的S-NPP和NOAA-20影像584景, 逐景比较后发现: 544景影像的准确度高于0.8, 占总影像的93.15%; S-NPP显示海雾的影像共计369景, 其中匹配海雾像元数目在0~100、100~1000、1000~2000、2000以上的影像分别有16、84、45及224景; 当每景影像匹配海雾像元数目高于100时, POD的均值和中值均随匹配像元数目的增多而增大; 当影像匹配海雾像元数目超过2000时, NOAA-20海雾识别的POD中值高于0.6(图10)。由于匹配数据中S-NPP与NOAA-20时间间隔均在30min以上, 海雾和云的位置和形态均有所变化, 从两卫星海雾监测结果对比较高的准确度和POD可见, NOAA-20模型具有与NOAA-20模型相当的海雾监测能力。
图10 VIIRS(NOAA-20)与VIIRS(S-NPP)匹配影像中VIIRS(NOAA-20)的海雾探测准确度分布(a)及每景匹配影像中VIIRS(S-NPP)海雾像元数目与召回率(POD)的分布箱形图(b)

箱形图中的五条横线自上至下分别表示最大值、上四分位数、中位数、下四分位数及最小值, 竖线指示数据的变化范围

Fig. 10 Distribution of sea fog detection accuracy of VIIRS (NOAA-20) in matched images between VIIRS (NOAA-20) and VIIRS (S-NPP) (a) and the box plot of the distribution of the number of sea fog pixels with probability of detection (POD) of VIIRS (S-NPP) in each matched image (b). The five horizontal lines in box plot from top to bottom represent the maximum value, upper quartile, median, lower quartile, and minimum value, respectively, while the vertical lines indicate the range of data variation

3.2 海雾过程动态监测分析

单景卫星影像只能用于单个时刻海雾监测, 受每天观测时次的限制, 无法获取较高时间分辨率的海雾分布特征, 难以对海雾过程进行动态监测分析。本文结合不同过境时间的极轨卫星影像, 开展了海雾过程的监测分析。
以2022年5月20—22日黄海-东海海雾过程为例, 图11展现了Terra、Aqua、S-NPP、NOAA-20卫星的彩色合成及海雾监测结果, 研究区域内海雾面积变化如图12所示。03:05 Terra最早监测到本次海雾事件, 此时海雾主要位于渤海海峡东侧、黄海北部的小范围海区; 随后海雾向黄海东侧缓慢扩散, 05:06在S-NPP监测影像中可以看到海雾较为饱满的东侧缘, 海雾面积较03:35略有增大; 5月21日, 由于北侧受到陆地阻挡, 海雾主体向东、向南发展, 02:10 Terra在黄海北部、中部和南部均监测到海雾; 此后, 海雾的西南侧向内收缩, 东侧、北侧继续向朝鲜半岛发展, 其中05:30北侧在Aqua影像中完全贴近陆地。5月21日是本次海雾过程的强盛阶段, 卫星海雾监测面积最大可达227585.27km2、边缘最清晰, 且上空无中高云遮挡。5月22日海雾向北迅速收缩, 四卫星海雾监测结果均显示, 海雾主体位置返回黄海北部, 仅在朝鲜半岛西侧保留狭长的条带状海雾, 此后海雾主体南北向继续收缩, 条带状海雾面积也逐渐变小, 探测海雾最小面积为18676.35km2, 此后海雾逐渐消散。
图11 2022年5月20~22日Terra、Aqua、S-NPP及NOAA-20彩色合成图及海雾检测结果

红色区域表示海雾, 白色实线表示海陆分界线

Fig. 11 Color-composite images and sea fog detection results based on data of Terra, Aqua, S-NPP and NOAA-20 during May 20~22, 2022, with red areas indicating sea fog and white solid lines indicating the sea-land divide

图12 2022年5月20—22日渤海、黄海和东海内海雾面积变化

Fig. 12 Changes of fog area within the Bohai-Yellow and East Sea from May 20-22, 2022

2022年5月20—22日Terra、Aqua、S-NPP、NOAA-20卫星的海雾协同监测共获得18景影像, 清晰地展现了本次海雾生长—强盛—消散的动态过程。每日各卫星监测结果较为一致, 与真彩色合成图中的海雾区域基本对应。不同卫星监测结果的一致性, 表明本模型对不同传感器的适用性和稳定性较强。但由于光学传感器无法穿透云层获取海雾信息, 云掩膜及云特性信息的准确度也在一定程度上影响了海雾检测精度, 检测结果存在小范围海雾漏检的情况。此外, 由于卫星的可见光通道在夜间无法正常工作, 重要的海雾识别辅助参数NDSI、NWVI和NDFI等无法使用, 因此本模型只适用于日间海雾监测。而夜间海雾监测主要依赖于亮温和亮温差等特征(郝姝馨 等, 2021)。

4 结论与展望

本文根据2015—2020年发生于渤海、黄海和东海的海雾事件, 利用MODIS(Terra/Aqua)、VIIRS(S-NPP/NOAA-20)云产品、反射率和亮温数据, 分析了海雾与云在云特性、可见光反射率特征、红外波段亮温和亮温差及纹理特征的分布差异。结果表明, 渤海、黄海和东海区域内海雾通常具有以下特征: (1)海雾的云相为水云, 云顶高度低于1.5km, 云有效半径低于15μm, 云底高度低于0.2km; (2)海雾的NDSI、NWVI和NDFI均低于其他云类型, NDSI低于0.4, NWVI低于-0.2, NDFI集中分布于60~90之间; (3)海雾亮温差低于其他云相, DBT11.03-12.02通常低于0.5K, DBT8.55-11.03通常低于0K; (4)海雾的纹理特征相对光滑, 热红外通道亮温的标准偏差小于1K。其中, 云底高度能够有效分离海雾和低云, 弥补了传统海雾探测方法的不足。
MYD06与MVCM产品的一致性分析表明, 两产品中云掩膜、云相态及云有效半径数据的相关系数高于0.84, 可以认为MODIS(Terra/Aqua)与VIIRS(S-NPP/NOAA-20)的云掩膜、云相态、云顶高度和云有效半径具有一致性。基于MODIS(Aqua)和VIIRS(S-NPP)数据, 对两传感器的反射率、辐亮度及亮温数据进行了对比并校正, 校正后两传感器的监测一致性提高, 有助于实现多源卫星对日间海雾的协同观测。
根据渤海、黄海和东海海雾特征分析, 在对MODIS(Terra/Aqua)的反射率、辐亮度及亮温进行校正后, 本文先后进行了云与晴空像元分离、海雾/低云与中高云分离、海雾与低云分离, 在此过程中对四颗卫星的海雾反演参数设置同一阈值, 建立了基于云特性的日间海雾监测模型。并利用2021年CALIOP后向散射和VFM数据判识的海雾真值验证了模型的可靠性。Terra、Aqua和S-NPP海雾识别的召回率最高分别为0.97、0.96和0.89; POD受海雾点数影响, 93.15%的VIIRS(NOAA-20)海雾监测结果与VIIRS(S-NPP)一致性高于80%。
最后, 本文将模型应用于2022年5月20—22日黄海及东海的海雾监测, 四颗卫星协同监测结果清晰地展现了海雾生长—强盛—消散的过程, 每日各卫星监测结果较为一致, 与真彩色合成图中的海雾区域基本对应。多源卫星海雾反演参数阈值的统一设置, 使不同卫星监测结果具有一致性, 也说明本模型对不同传感器的适用性和稳定性较强。
极轨卫星的光谱和空间分辨率通常比静止卫星更高, 从光谱特征和纹理特征上更有利于精确识别海雾, 但时间分辨率较低, 难以获取多时刻海雾分布特征, 无法进行海雾过程监测分析。本文四颗极轨卫星协同探测试验表明, 多源卫星协同监测可在一定程度上弥补单星时间分辨率较低的不足。由于国产风云系列卫星传感器, 如FY-3C/D的MERSI等, 在光谱设置上与MODIS和VIIRS具有相似性, 也可通过其云产品、反射率及亮温数据, 结合本文所用辅助参数, 实现日间海雾探测。若结合更多极轨卫星, 特别是国产风云系列卫星等, 发展多源卫星协同海雾监测, 将有望提升极轨卫星海雾监测水平; 同时, 与静止卫星结合, 将可能实现海雾高空间分辨率、高时间分辨率的遥感监测。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
傅刚, 王菁茜, 张美根, 等, 2004. 一次黄海海雾事件的观测与数值模拟研究——以2004年4月11日为例[J]. 中国海洋大学学报(自然科学版), 34(5): 720-726, 926.

FU GANG, WANG JINGQIAN, ZHANG MEIGEN, et al, 2004. An observational and numerical study of a sea fog event over the Yellow Sea on 11 April, 2004[J]. Periodical of Ocean University of China, 34(5): 720-726, 926 (in Chinese with English abstract).

[2]
耿丹, 刘婷婷, 李超, 2022. 结合FY-4A卫星及随机森林的日间沿海海雾识别模型的研究[J]. 海洋预报, 39(3): 83-93.

GENG DAN, LIU TINGTING, LI CHAO, 2022. Research on a daytime sea fog identification model based on FY-4A satellite data and random forest algorithm[J]. Marine Forecasts, 39(3): 83-93 (in Chinese with English abstract).

[3]
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).

[4]
胡晨悦, 丘仲锋, 廖廓, 等, 2022. 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: 1-10.

HU CHENYUE, QIU ZHONGFENG, LIAOKUO, et al, 2022. CALIOP remote sensing monitoring of Fujian sea fog and spectral characteristics analysis of cloud fog based on Himawari-8[J]. Journal of Tropical Oceanography: 1-10 (in Chinese with English abstract).

[5]
刘照民, 康琮, 2011. 琼州海峡船舶雾航安全管理[J]. 中国海事, (2): 28-30.

LIU ZHAOMIN, KANG ZONG, 2011. Safety control of ships navigating in the Qiongzhou Strait in foggy weather[J]. China Maritime Safety, (2): 28-30 (in Chinese with English abstract).

[6]
史得道, 黄彬, 吴振玲, 2018. 2016年春季一次黄渤海明显海雾过程的大气海洋特征分析[J]. 海洋预报, 35(5): 85-92.

SHI DEDAO, HUANG BIN, WU ZHENLING, 2018. Analysis of atmosphere and sea characteristics under an obvious sea fog process over the Bohai and Yellow Sea in spring 2016[J]. Marine Forecasts, 35(5): 85-92 (in Chinese with English abstract).

[7]
苏婧, 2019. 基于主被动遥感的海雾探测方法研究[D]. 青岛: 中国石油大学(华东):19-21.

SU JING, 2019. Research on sea fog detection method based on active and passive remote sensing[D]. Qingdao: China University of Petroleum (East China): 19-21 (in Chinese with English abstract).

[8]
张苏平, 鲍献文, 2008. 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, 2008. The main advances in sea fog research in China[J]. Periodical of Ocean University of China, 38(3): 359-366 (in Chinese with English abstract).

[9]
AMEUR Z, AMEUR S, ADANE A, et al, 2004. Cloud classification using the textural features of Meteosat images[J]. International Journal of Remote Sensing, 25(21): 4491-4503. DOI: 10.1080/01431160410001735120.

[10]
BADARINATH K V S, KHAROL S K, SHARMA A R, et al, 2009. Fog over Indo-Gangetic Plains—A study using multisatellite data and ground observations[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2(3): 185-195. DOI: 10.1109/JSTARS.2009.2019830.

[11]
BENDIX J, CERMAK J, THIES B, 2004. New perspectives in remote sensing of fog and low stratus-TERRA/AQUA-MODIS and MSG[C/OL]. Cape Town, South Africa:3rd Int. Conf. on Fog, Fog Collection and Dew, 11-15 Oct. 2004 [2023-02-08]. https://www.researchgate.net/deref/https%3A%2F%2Fwww.researchgate.net%2Fpublication%2F228860444_New_perspectives_in_remote_sensing_of_fog_and_low_stratus-TERRAAQUA-MODIS_and_MSG?_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6InB1YmxpY2F0aW9uIiwicGFnZSI6InB1YmxpY2F0aW9uIiwicHJldmlvdXNQYWdlIjoicHVibGljYXRpb24ifX0

[12]
CERMAK J, BENDIX J, 2011. Detecting ground fog from space - a microphysics-based approach[J]. International Journal of Remote Sensing, 32(12): 3345-3371. DOI: 10.1080/01431161003747505.

[13]
DOZIER J, PAINTER T H, 2004. Multispectral and hyperspectral remote sensing of alpine snow properties[J]. Annual Review of Earth and Planetary Sciences, 32(1): 465-494. DOI: 10.1146/annurev.earth.32.101802.120404.

[14]
HAN J H, SUH M S, YU H Y, et al, 2020. Development of fog detection algorithm using GK2A/AMI and ground data[J]. Remote Sensing, 12(19): 3181. DOI: 10.3390/rs12193181.

[15]
JEON J, KIM S, YANG CHANSU, 2016. Fundamental research on spring season daytime sea fog detection using MODIS in the Yellow Sea[J]. Korean Journal of Remote Sensing, 32(4): 339-351.

DOI

[16]
LIU LIANGMING, WEN XIONGFEI, GONZALEZ A, et al, 2011. An object-oriented daytime land-fog-detection approach based on the mean-shift and full lambda-schedule algorithms using EOS/MODIS data[J]. International Journal of Remote Sensing, 32(17): 4769-4785. DOI: 10.1080/01431161.2010.489067.

[17]
QU J J, GAO WEI, KAFATOS M, et al, 2006. Earth science satellite remote sensing[M]. Beijing, China: Tsinghua University Press.

[18]
THIES B, NAUSS T, BENDIX J, 2008. Precipitation process and rainfall intensity differentiation using Meteosat Second Generation Spinning Enhanced Visible and Infrared Imager data[J]. Journal of Geophysical Research: Atmospheres, 113(D23). DOI: 10.1029/2008JD010464.

[19]
WEN XIONGFEI, HU DUNMEI, DONG XINYI, et al, 2014. An object-oriented daytime land fog detection approach based on NDFI and fractal dimension using EOS/MODIS data[J]. International Journal of Remote Sensing, 35(13): 4865-4880. DOI: 10.1080/01431161.2014.930564.

[20]
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: 10.1016/j.jqsrt.2014.09.021.

[21]
WU XIAOJING, LI SANMEI, 2014. Automatic sea fog detection over Chinese adjacent oceans using Terra/MODIS data[J]. International Journal of Remote Sensing, 35(21): 7430-7457. DOI: 10.1080/01431161.2014.968685.

[22]
YUAN YIBO, QIU ZHONGFENG, SUN DEDONG, et al, 2016. Daytime sea fog retrieval based on GOCI data: a case study over the Yellow Sea[J]. Optics Express, 24(2): 787-801. DOI: 10.1364/OE.24.000787.

PMID

[23]
ZHANG SUPING, YI LI, 2013. A comprehensive dynamic threshold algorithm for daytime sea fog retrieval over the Chinese adjacent seas[J]. Pure and Applied Geophysics, 170(11): 1931-1944. DOI: 10.1007/s00024-013-0641-6.

Options
Outlines

/

〈 〉