基于SBDART和BP的夜间雾遥感检测和能见度反演

基于SBDART和BP的夜间雾遥感检测和能见度反演
张伟康;马慧云;邹峥嵘;陶超
【摘要】为了挖掘卫星影像中的雾信息为雾预测预报服务,利用双红外亮温差值作为雾与地物识别分类标志,建立基于SBDART辐射传输模型和BP神经网络的夜间雾遥感检测和能见度反演模型.对2007年11月24日我国华北地区的一次陆地辐射雾MODIS卫星数据进行雾检测,同时反演雾区能见度.根据陕西省气象局提供的地面气象观测数据对模型雾检测结果和能见度反演结果进行验证,该次实验夜间雾检测的准确率为79.2％,地面观测能见度和反演能见度一元线性回归分析方程斜率为1.006,相关系数为0.8498.实验结果袁明,模型具有较高的雾识别率和雾能见度反演结果,可为夜间雾识别和生消发展规律探讨提供一定的帮助.
【期刊名称】《解放军理工大学学报（自然科学版）》
【年(卷),期】2014(015)002
【总页数】6页(P197-202)
【关键词】MODIS;SBDART;夜间雾检测;能见度反演;BP神经网络
【作者】张伟康;马慧云;邹峥嵘;陶超
【作者单位】中南大学地球科学与信息物理学院,湖南长沙410083;中南大学地球科学与信息物理学院,湖南长沙410083;中南大学地球科学与信息物理学院,湖南长沙410083;中南大学地球科学与信息物理学院,湖南长沙410083
【正文语种】中文
【中图分类】TP751;P237
雾是一种常见的灾害性天气现象。

近年来，由于天气气候条件的变化、大气污染等原因，中国许多地区频繁发生雾霾天气，严重影响了人们的日常生活和经济活动。

雾对海运、航空以及高速公路运输等的安全运行产生极大危害。

目前雾的常规监测手段主要依靠地面气象观测数据进行数值分析监测，该方法不仅耗费大量人力物力，还受设置密度和观测时间的限制。

卫星影像作为一种大尺度观测手段，具有覆盖范围广、时间分辨率高、信息量丰富和投入成本低等优势。

因此，如何挖掘卫星影像中的雾信息为雾预测预报服务便成了当前的研究热点。

应用卫星影像进行雾的研究始于20世纪70年代，主要通过定性分析来区分云雾
和其他地面目标，80年代末该领域研究逐渐广泛起来。

在夜间雾检测研究方面，
主要基于Hunt从理论计算得到不同类型云雾在中红外和热红外通道具有辐射特性差异的基础上［1］，根据夜间雾与地物在中红外和热红外通道的双通道差值阈值法进行夜间雾与地物的分离检测［1～4］，难点在于阈值选取的不确定性。

近年来，基于卫星影像的雾研究工作逐步延伸到定量反演雾属性方面。

G.P.Ellrod等［2］利用GOES卫星的中红外和热红外通道影像，对夜间雾消散时间进行了估算和分析；J.Bendix［3］基于辐射传输模型，利用AVHRR通道1的雾顶反射率数据，进行了白天雾属性反演工作，通过地面能见度仪对比验证，偏差均值为56m。

吴晓京等［5］应用白天 MODIS卫星数据定量反演了新疆北部大雾的能见度、垂直总水汽含量和有效粒子半径；蒋璐璐等［6］应用 FY－3A／VIRR数据，利用多波段阈值法对白天雾进行检测，并反演了光学厚度、垂直厚度和能见度3个重要
特征参数。

目前遥感影像雾属性反演主要基于白天遥感影像，而夜间影像因为缺乏反射率数据，无法利用辐射传输模型反演光学厚度，因此夜间雾属性反演研究甚少。

本文拟根据夜间雾在中红外和热红外波段的辐射特性差异，结合SBDART（santa barbara DISORT atmospheric radiative transfer）辐射传输模型和BP（back
propagation）神经网络，建立基于遥感影像的夜间雾检测和能见度反演模型。

对2007年11月24日发生于华北平原的一次夜间辐射雾MODIS卫星数据进行雾检测和雾能见度反演，并用陕西省气象局提供的地面气象观测数据对结果进行验证。

1 理论基础
1.1 雾红外辐射特性
雾由大量靠近地面漂浮在空气中的极细小的水滴或冰晶组成，雾滴谱的峰值直径绝大部分在3～7 μm之间，与卫星影像中红外波段（MIR：3.8μm）相对应。

对雾
／低层云来说，中红外波段在夜间没有太阳短波辐射和相应的反射、散射，雾在该波段以发射为主，比辐射率小于1；而在热红外波段（TIR：11.0 μm），云雾辐
射类似黑体，比辐射率接近1。

比辐射率的不同，使雾亮温值在MIR和TIR通道
存在较大的差异［7］，相比而言，地物无此特性。

图1为基于Hunt理论计算对雾在两红外波段比辐射率随雾垂直厚度的变化模拟。

图1 水汽含量为0.1g／m3的雾在MIR和TIR通道的比辐射率随垂直厚度的变化Fig.1 The emissivity variation of fog with height of water content 0.1g／m3 between MIR and TIR channels
1.2 SBDART模型
SBDART模型是近年来国际上比较流行的一种计算辐射传输的模型。

基于可靠的
物理模型，旨在解决卫星遥感和大气辐射能量平衡研究中遇到的各种辐射传输问题。

SBDART软件包采用离散坐标法求解辐射传输方程，给出了完全稳定的解析解，
可求解垂直非均匀、各向异性并含热源的平面平行介质中的辐射传输问题，其波谱可覆盖紫外、可见光和红外辐射波段，计算包含热辐射、散射、吸收、下边界双向反射和发射等过程［8］。

该模型可用于中红外和热红外通道的辐射模拟计算和建立光学厚度与亮温之间的辐射查找表。

1.3 BP神经网络
BP学习算法广泛应用于多层感知器（MLP）神经网络中，包括输入信息正向传播和误差反向传播2个过程。

图2是一个具有3层感知器结构的神经网络，网络第一层称为输入层，最末一层为输出层，中间各层称为隐含层。

同层神经元节点间没有任何耦合，上层神经元与下层神经元之间通过一定的连接权值而互连，初始权值是一些较小的随机数，在网络学习过程中，利用大量样本对网络进行反复训练，其间通过权值的调整使样本总体误差下降达到收敛［8］。

BP神经网络具有概括和预测的能力，通过训练查找表数据库，可建立稳定可靠的预测模型。

图2 3层BP神经网络结构Fig.2 Three layer BP neural network structure
2 夜间雾检测和能见度反演模型
2.1 雾检测
基于SBDART模型进行夜间雾在MIR和TIR通道的辐射模拟计算，并通过普朗克定律换算出亮温值BT（brightness temperature），进而求得模拟的夜间雾在中红外和热红外通道差值BTD（brightness temperature difference from TIR minus MIR），应用模拟的BTD对试验区进行辐射雾检测。

由于雾发生的区域、季节以及地形等因素影响，云／雾在全球不同地区所模拟的辐射值也不同。

应根据实际情况对SBDART模型的参数进行设置。

2.2 能见度反演
2.2.1 光学厚度τ反演
利用SBDART模型，通过设定大气条件和卫星高度角获取理论上到达传感器的夜间雾在MIR和TIR通道的辐射量，转化得到理论上的亮温值，建立理论上夜间雾在MIR和TIR通道的亮温与光学厚度τ之间的查找表（LUTs），利用BP神经网络所具有的概括学习和快速计算能力训练查找表，生成优化后夜间雾在MIR和TIR通道亮温与光学厚度τ之间关系的神经网络模型，利用该模型输入遥感影像上每一个像元在MIR和TIR通道的亮温计算获取该像元光学厚度值，具体步骤为：
（1）基于SBDART辐射传输模型，建立夜间雾在MIR和TIR通道亮温与光学厚度τ之间的查找表LUTs；
（2）基于查找表LUTs训练BP神经网络，建立基于MIR和TIR通道亮温预测光学厚度τ的神经网络模型，并验证神经网络的稳健性，如稳健性较低，则需反复训练；
（3）基于建立的稳定的BP神经网络预测模型，根据遥感影像上每一个像元在MIR和TIR通道的亮温值反演该像元光学厚度τ。

2.2.2 垂直厚度反演
垂直厚度Δz对大雾消散时间和雾灾灾情判别有重要决定作用。

夜间遥感影像只能接收到亮温值，本文拟采用温度绝热直减率来反演夜间大雾垂直厚度［9］。

选取大雾红外波段亮温值作为雾顶温度T。

由于被大雾覆盖，无法直接从传感器上获得地表温度，选取大雾所在区域最临近时段晴空地表相同红外波段亮温值作为相应的地表温度值Ts。

垂直厚度
式中，δ为直减率，取为0.65℃／100m。

2.2.3 能见度反演
Stephens等［10］在假定一种理想的大气辐射传输条件下，通过大量实验数据分析得出能见度与消光因子之间的经验公式。

在均匀大气层基础上，能见度VIS可通过柯喜密式（2）计算得到。

式中：βext为消光因子，表示单位距离内相对光辐射能量的变化率；ε为对比阈值，在此设置为0.02［5］；
因此，能见度可被简化为式（4）：
图3为基于SBDART和BP神经网络的夜间雾检测和能见度反演模型流程图。

图3 基于SBDART和BP神经网络的夜间雾检测和能见度反演模型流程图Fig.3 Flowchart of nighttime radiation fog detection and visibility retrieval based on SBDART and BP neural networks
3 实例验证及分析
本次实验对2007年11月24日22时发生的一次陆地辐射雾MODIS卫星数据进行夜间雾检测和能见度反演。

根据文献［11］，将水平能见度低于1.0 km的视程障碍现象称为雾，水平能见度大于等于1.0km至小于10.0km的视程障碍现象称
为轻雾。

验证数据来自陕西省气象局提供的地面气象观测数据，观测时间为2007年11月24日20时（北京时）。

3.1 参数设置
根据本次选取的实验数据接收时间和地区，SBDART传输模型输入参数设置如下：中纬度冬季大气廓线（idatm，3），滤波函数种类（isat，0），观测波长（MODISB20（MIR：3.660～3.840μm）和 MODISB31（TIR：10.780～
11.280μm））。

夜间无太阳辐射，假定太阳天顶角大于90°（sza，95°），此时太阳辐射自动关闭。

辐射传输方向，本文假定为上半球前向散射辐射，此时相对方位角phi和卫星天顶角uzen范围均小于90°［12］。

针对辐射雾：（1）认为雾
的高度是从地面到大约300m空中，在这单一高度层内，雾均匀分布；（2）根据中国北方冬季观察记录［13，14］，光学厚度范围一般在0～20，数值模拟时一
般选取众数τ＝8；（3）对辐射雾来说，有效粒子半径尺寸分布相对比较集中，选取re＝6作为有效粒子半径理论模拟值。

MODISB31反演的亮温可很好地反映目
标物的真实温度，本文拟选取此波段的亮温值进行垂直厚度反演。

3.2 试验结果
根据§2介绍的模型和§3.1介绍的模型参数设置，对试验数据进行雾区检测和雾能见度反演，结果如图4所示。

3.3 验证及分析
雾研究区域内共有35个观测站点，由于没有有云站点存在，因此均为有效观测站点。

其中，有24个站点地面实测有雾和轻雾出现，19个位于遥感影像检测结果中。

图4 2007年11月24日22时MODIS夜间雾检测结果与能见度反演结果Fig.4 Fog detection result and visibility inversion result in November 24，2007 22
3.3.1 雾检测结果验证
一种常用的指标评价体系被广泛应用于评价雾检测分类精度和验证雾检测算法的有效性［15］，检测指标包括成功指标CSI（critical success index），疑似成功率POD（probability of detection），误检率FAR（false alarm ratio）。

上述检测指标范围均为0～1，POD为1表示最好的检测，CSI为1表示最好的总体分类精度，其值越大说明方法越有效，FAR为0表示最好的检测，其值越低表明检测结果越好。

本次雾检测精度评价计算结果如表1所示。

表1 雾检测精度评价结果Tab.1 Accuracy evaluation results of fog detection%?
3.3.2 能见度反演结果验证
因缺乏同步地面观测数据，本文选取地面气象观测数据能见度值对反演的能见度结果进行验证。

本次实验中有19个地面气象观测站点位于遥感影像检测结果中。

对地面观测能见度VIS值和影像反演能见度VIS值进行一元线性回归分析，得到直线方程和相关系数，如图5所示。

其中，方程斜率反映其中一者随另一者变化的
大小，趋于1说明两者数值总体相差不大。

相关系数又称线性相关系数，它是衡
量变量之间线性相关程度的指标，越接近于1其相关性越高。

图5 能见度反演结果与地面观测能见度值线性回归分析Fig.5 Linear regression analysis between visibility inversion results and ground observation visibility values
3.3.3 分析
模型对实验数据雾（包括轻雾）检测的疑似成功率为79.2%，误警率为5.0%，成功率为76.0%。

本次实验检测结果表明模型具有较高的正确检测率和较强的自适
应性。

但模型仍具有一定的误检性，造成夜间大雾误检的原因有以下几个方面：（1）夜间是雾形成和发展的主要阶段，雾区移动速度较快，使非雾区在影像上被检测为雾，从图4（b）中可以发现，主要分布在雾区边缘地带；（2）文中以能
见度作为雾产生判别条件，空气中水汽以及粒子气溶胶密度对地面能见度也有影响，造成该地区实际未出现雾而地面观测结果误认为是轻雾；（3）验证数据与卫星数据时间上的不一致导致雾区已经移动或消散，影响检验结果。

一元线性回归方程斜率1.006说明地面观测能见度和反演能见度数值总体相差不大。

相关系数0.8498说明地面观测能见度和反演能见度线性相关性较高，但反演算法仍需进一步改进。

4 结语
本文基于SBDART模型和BP神经网络，设计了一个适用于夜间雾检测和能见度
反演模型，并选取发生于2007年11月22日22时的夜间陆地辐射雾MODIS卫星数据进行实例验证。

本次实验结果表明该模型适用于夜间雾检测，能见度反演算法具有较强的合理性。

模型结果可为探讨大雾生消变化规律，雾预测预报提供可靠的遥感信息。

参考文献：
［1］ EYRE J R，BROWNSCOMBE J L，ALLAM R J.Detection of fog at night using advanced very high resolution radiometer（AVHRR）imagery ［J］.Meteorological Magazine，1984，113（1346）：266－271.
［2］ ELLROD G P.Advances in the detection and analysis of fog at night using GOES multipspectral infrared imagery［J］.Weather and Forecasting，1995（10）：606－619.
［3］ BENDIX J.A case study on the determination of fog optical depth and liquid water path using AVHRR data and relations to fog liquid water content and horizontal visibility［J］.Remote Sensing，1995，16（3）：515－530.
［4］孙涵，孙照渤，李亚春.雾的气象卫星遥感光谱特征［J］.南京气象学院学报，2004，27（3）：289－301.
SUN Han，SUN Zhaobo，LI Yachun.Meteorological satellite remote－sensing spectral characteristics of fog ［J］.Journal of Nanjing Institute of Meteorology，2004，27（3）：289－301.（in Chinese）.
［5］吴晓京，陈云浩，李三妹.应用MODIS数据对新疆北部大雾地面能见度和
微物理参数的反演［J］.遥感学报，2005，9（6）：688－696.
WU Xiaojing，CHENG Yunhao，LI Sanmei.Utilizing MODIS data to retrieve the visibility and microphysical properties of fog happens in the Northwest China ［J］.Journal of Remote Sensing，2005，9（6）：688－696.（in Chinese）.
［6］蒋璐璐，魏鸣.FY－3A卫星资料在雾监测中的应用研究［J］.遥感技术与应用，2011，26（4）：489－495.
JIANG Lulu，WEI Ming.FY－3Aapplication of fog monitoring with FY－
3Adata［J］.Remote Sensing Technology and Application，2011，26（4）：489－495.（in Chinese）.
［7］刘香娥，王广河.FY－2C静止气象卫星红外通道辐射特性研究［J］.气象，2010，36（2）：39－47.
LIU Xiang＇e，WANG Guanghe.Analyses of the radiation characteristics from FY2Cmid－infrared channel［J］.Meteorological Monthly，2010，36（2）：39－47.（in Chinese）.
［8］张顺谦，杨秀蓉.基于神经网络和分形纹理的夜间浓雾遥感监测技术［J］.应用气象学报，2005，16（6）：804－810.
ZHANG Shunqian，YANG Xiurong.Remote sensing monitoring technology of thick fog at night based on neural networks and rectal grain
［J］.Journal of Applied Meteorological Science，2005，16（6）：804－810.（in Chinese）.
［9］ LAN Yang，MING ing MODIS data to retrieve microphysical properties of fog in Yangtze River delta［C］.Shanghai：International Workshop on Geosciences and Remote Sensing，2008.
［10］BENDIX J.Determination of fog horizontal visibility by means of NOAA－AVHRR［J］.1995，3，1847－1849.
［11］中国气象局.地面气象观测规范［S］.北京：气象出版社.2003.
［12］马慧云，李德仁，刘良明，等.基于AVHRR、MODIS和MVRIS数据的辐
射雾变化检测与分析［J］.武汉大学学报，信息科学版，2007，32（4）：297－300.
MA Huiyun，LI Deren，LIU Liangming，et al.Fog dynamic change detection based on AVHRR，MODIS and MVIRS data［J］.Geomantic and
Information Science of Wuhan University，2007，32（4）：297－300.（in Chinese）.
［13］王丽萍，陈少勇，董安祥.中国雾区的分布及其季节变化［J］.地理学报，2005，60（4）：689－697.
WANG Liping，CHEN Shaoyong，DONG Anxiang.The distribution and seasonal variations of fog in China［J］.Acta Geographica Sinica，2005，60（4）：689－697.（in Chinese）.
［14］李子华.中国近40年来雾的研究［J］.气象学报，2001，59（5）：616－623.
LI Zihua.Studies of fog in China over the past 40years［J］.Acta Meteorologica Sinica，2001，59（5）：616－623.（in Chinese）. ［15］CERMAK J，BENDIX J.Dynamical nighttime fog／low stratus detection based on meteosat SEVIRI data：a feasibility study［J］.Pure Appl Geophys，2007，164，1179－1192.。