多閾值及連通域距離權(quán)重的霧判識(shí)

李彬，盧士慶，王飛，孫小龍，張迎杰

(1.內(nèi)蒙古自治區(qū)生態(tài)與農(nóng)業(yè)氣象中心，呼和浩特 010051；2.高分辨率對(duì)地觀(guān)測(cè)系統(tǒng)內(nèi)蒙古數(shù)據(jù)與應(yīng)用中心，呼和浩特 010051；3.中國(guó)氣象局 云降水物理與人工影響天氣重點(diǎn)開(kāi)放實(shí)驗(yàn)室，北京 100081；4.赤峰市氣象局，內(nèi)蒙古 赤峰 024000)

0 引言

大霧的能見(jiàn)度一般小于1 km時(shí)，容易引發(fā)各類(lèi)交通事故。在中國(guó)東部等經(jīng)濟(jì)發(fā)達(dá)地區(qū)，大霧常與一些污染物混合存在，形成霧霾[1]。常規(guī)大霧監(jiān)測(cè)方法受到觀(guān)測(cè)站點(diǎn)分布以及觀(guān)測(cè)時(shí)間的限制，尤其是在海上，觀(guān)測(cè)站十分缺乏。衛(wèi)星遙感觀(guān)測(cè)具有覆蓋范圍廣、時(shí)效強(qiáng)、成本低、可連續(xù)監(jiān)測(cè)等優(yōu)點(diǎn)，能快速識(shí)別大霧分布范圍和變化過(guò)程，在氣象防災(zāi)減災(zāi)方面發(fā)揮十分重要的作用。

國(guó)外早在20世紀(jì)70年代就開(kāi)始利用氣象衛(wèi)星開(kāi)展大霧監(jiān)測(cè)。主要側(cè)重于白天大霧識(shí)別，使用閾值法以及目視解譯衛(wèi)星圖像中云霧的形狀、分布來(lái)判斷[2]。早期由于衛(wèi)星紅外通道探測(cè)水平局限，多以可見(jiàn)光通道進(jìn)行監(jiān)測(cè)；隨著衛(wèi)星紅外技術(shù)發(fā)展，大霧監(jiān)測(cè)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(jiān)測(cè)夜間霧，但在白天適用性較差。劉健等[4]對(duì)云頂部粒子尺度特征和霧分布狀況進(jìn)行分析發(fā)現(xiàn)NOAA/AVHRR第3通道反射率大值區(qū)與霧區(qū)有良好對(duì)應(yīng)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(shè)定閾值進(jìn)行判識(shí)。劉慶年等[6]基于FY-1D數(shù)據(jù)提出一種基于支持向量機(jī)的大霧識(shí)別方法。2008年，周旋等[7]也基于MODIS數(shù)據(jù)亮溫差值法對(duì)夜間低云大霧進(jìn)行監(jiān)測(cè)。王中挺等[8]綜合利用環(huán)境衛(wèi)星可見(jiàn)光和紅外波段進(jìn)行大霧監(jiān)測(cè)。周小珂等[9]在現(xiàn)有大霧識(shí)別方法基礎(chǔ)上，提出了利用夜間微光云圖和紅外云圖識(shí)別低云大霧的雙通道閾值法，結(jié)果表明基于該數(shù)據(jù)的雙通道閾值法進(jìn)行夜間低云大霧監(jiān)測(cè)的可行性。然而，極軌衛(wèi)星由于受到時(shí)間分辨率的限制，無(wú)法對(duì)大霧過(guò)程進(jìn)行實(shí)時(shí)跟蹤監(jiān)測(cè)，在氣象服務(wù)業(yè)務(wù)中存在局限性。雖然極軌衛(wèi)星在空間分辨率上一般優(yōu)于靜止衛(wèi)星，但空間分辨率對(duì)大霧監(jiān)測(cè)影響有限，同時(shí)，靜止衛(wèi)星空間分辨率也達(dá)到較高水平。因此，利用靜止氣象衛(wèi)星監(jiān)測(cè)大霧成為業(yè)務(wù)上的必然趨勢(shì)。

最早科學(xué)家利用美國(guó)的GOES系列靜止衛(wèi)星可見(jiàn)光、紅外通道數(shù)據(jù)對(duì)大霧進(jìn)行了遙感監(jiān)測(cè)[10]。1995年日本GMS-5靜止氣象衛(wèi)星發(fā)射，其星載VISSR(可見(jiàn)光和紅外自旋掃描輻射計(jì))新增兩個(gè)紅外探測(cè)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(jiān)測(cè)算法。我國(guó)居為民等[12]、李亞春等[13]、陳偉等[14]也針對(duì)GMS-5靜止氣象衛(wèi)星進(jìn)行了大霧監(jiān)測(cè)研究。

2005年，日本MTSAT氣象衛(wèi)星發(fā)射成功，其具有1個(gè)全色可見(jiàn)光通道和4個(gè)紅外通道，比GMS-5衛(wèi)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(qū)大霧監(jiān)測(cè)能力。劉希等[15]基于MTSAT衛(wèi)星資料建立了多閾值海霧檢測(cè)算法。Gao等[16]利用MTSAT紅外雙通道差值法對(duì)黃海夜間海霧進(jìn)行判識(shí)。李軍等[17]使用主成分分析法對(duì)MTSAT衛(wèi)星數(shù)據(jù)開(kāi)展大霧監(jiān)測(cè)研究。周紅妹等[18]基于MTSAT和FY-2C數(shù)據(jù)，在光譜閾值基礎(chǔ)上針對(duì)大霧圖形特征加入連通域、平滑度等圖像處理技術(shù)提高判識(shí)準(zhǔn)確度。何月等[19-20]基于MTSAT數(shù)據(jù)，采用分級(jí)判識(shí)太陽(yáng)高度角閾值和歸一化大霧指數(shù)，構(gòu)建了海上大霧監(jiān)測(cè)模型。田永杰等[21]基于動(dòng)態(tài)閾值和指數(shù)分離等方法對(duì)FY-2E衛(wèi)星開(kāi)展大霧監(jiān)測(cè)。王清平等[22]基于FY-4A衛(wèi)星，使用可見(jiàn)光和紅外雙通道閾值進(jìn)行機(jī)場(chǎng)大霧監(jiān)測(cè)。

Yuan等[23]利用韓國(guó)2010年發(fā)射的COMS/GOCI(geostationary ocean color imager)，使用多分離指數(shù)進(jìn)行低云海霧判識(shí)。王崢等[24]分析GOCI數(shù)據(jù)光譜特征，采用波段比較法提取黃海海霧；受通道數(shù)限制，其對(duì)低云的區(qū)分效果較差。張培等[25]利用CALIOP數(shù)據(jù)進(jìn)行樣本點(diǎn)篩選，用于Himawari-8大霧監(jiān)測(cè)的通道和閾值選擇，并利用紋理特征熵值進(jìn)行低云區(qū)分，對(duì)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(xié)同進(jìn)行低云和霧判識(shí)，但并未能對(duì)二者進(jìn)行明確區(qū)分。

目前，針對(duì)靜止衛(wèi)星大霧監(jiān)測(cè)閾值法仍是主流研究方向，目前主要難點(diǎn)為：區(qū)分霧與低云，薄霧及云下霧判識(shí)；多針對(duì)海霧，缺乏海陸通用的算法；新一代靜止氣象衛(wèi)星由于時(shí)間頻次高、數(shù)據(jù)量大，一些機(jī)器學(xué)習(xí)方法不適用于業(yè)務(wù)應(yīng)用。因此，依靠主流的多通道閾值尋找區(qū)分度強(qiáng)的分離指數(shù)，同時(shí)結(jié)合實(shí)用的圖像處理方法是目前滿(mǎn)足業(yè)務(wù)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(shù)，可以有效區(qū)分水體、陸地、中高云，輔助亮溫等參數(shù)可以分離低層云，無(wú)論在海表還是陸地都可應(yīng)用；同時(shí)，利用反射率差異指數(shù)和灰度熵對(duì)部分云下霧判識(shí)提供了有益的探索。

1 數(shù)據(jù)介紹

Himawari-8是日本氣象廳的第二代靜止氣象衛(wèi)星，2014年10月發(fā)射成功，定位于東經(jīng)140.7°，設(shè)計(jì)壽命15年。具體參數(shù)信息可在日本氣象廳官網(wǎng)查詢(xún)(http：//www.jma-net.go.jp)。

本文使用了幾次典型特征的大霧過(guò)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(shí)次衛(wèi)星數(shù)據(jù)，結(jié)合目視解譯與地面觀(guān)測(cè)結(jié)果對(duì)提出的方法進(jìn)行分析驗(yàn)證。地面觀(guān)測(cè)數(shù)據(jù)來(lái)自全國(guó)綜合氣象信息共享平臺(tái)和氣象臺(tái)站觀(guān)測(cè)的天氣現(xiàn)象。

2 大霧監(jiān)測(cè)技術(shù)方法

圖1為大霧判識(shí)總流程圖，一部分是濃霧和輕霧合并的主霧區(qū)判識(shí)，另一部分是準(zhǔn)云下霧判識(shí)。

圖1 大霧判識(shí)流程圖

然后基于判識(shí)結(jié)果分別進(jìn)行主連通域和輔連通域標(biāo)記，再依據(jù)二者的距離權(quán)重指標(biāo)確定輔連通域是否為云下霧。最后將主霧區(qū)與云下霧區(qū)判識(shí)結(jié)果合并為最終判識(shí)結(jié)果。

2.1 非云下霧的判識(shí)

霧本質(zhì)上屬于云，其物理特征和形成過(guò)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(jiàn)光和近紅外波段，衛(wèi)星接收輻射主要為反射輻射。由于Mie散射作用，霧區(qū)可見(jiàn)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(zhǎng)3.7～3.9 μm)信號(hào)包括熱輻射和部分反射太陽(yáng)輻射。因水滴和冰晶在此波段有強(qiáng)烈的吸收，當(dāng)水滴或冰晶較大時(shí)，吸收制約了散射，使得目標(biāo)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(biāo)物各100個(gè)，統(tǒng)計(jì)了各目標(biāo)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(duì)有更高的反射貢獻(xiàn)，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?kù)F對(duì)其他目標(biāo)物的區(qū)分性則更加顯著。

圖2 不同目標(biāo)物3.9 μm和11.2 μm平均亮溫值

基于大霧的以上光學(xué)特性，并參考前人提出的霧-低云分離指數(shù)(fog-stratus distinguish index，F(xiàn)SDI)及歸一化霧指數(shù)(normalized difference fog index，NDFI)計(jì)算方法，本文提出一種新的大霧檢測(cè)指數(shù)(fog detection index，F(xiàn)DI)(式(1))，并結(jié)合歸一化植被指數(shù)(normalized vegetation fog index，NDVI)和反射率等多閾值進(jìn)行主體霧區(qū)的判識(shí)。主體霧區(qū)是可判識(shí)度較高、基本不受云影響、確定性較強(qiáng)的大霧覆蓋區(qū)域，是進(jìn)行后續(xù)準(zhǔn)霧區(qū)判識(shí)是否為霧的重要依據(jù)。

(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(guò)對(duì)1 000個(gè)解譯確定的霧像元進(jìn)行統(tǒng)計(jì)得到如圖3所示的箱線(xiàn)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(duì)比分析FDI的區(qū)分效果，文中分別對(duì)高云、中低云、農(nóng)田、水體、高植被、中植被、積雪、荒漠等進(jìn)行了統(tǒng)計(jì)(圖3)?？梢钥闯觯咴频腇DI值集中分布于120～130之間，算法對(duì)此類(lèi)云的區(qū)分作用明顯；中低云與霧FDI值集中分布的區(qū)域也有明顯分界。

圖3 不同目標(biāo)物的FDI值分布箱線(xiàn)圖

此外，指數(shù)對(duì)低植被覆蓋地表、水體、積雪、農(nóng)田、冬季荒漠等的區(qū)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(shè)置為-10～30，并利用NDVI低于0.2來(lái)區(qū)分高植被地表，利用11 μm亮溫來(lái)區(qū)分夏季荒漠，利用第3波段反射率來(lái)區(qū)分灰霾，判識(shí)流程如圖4所示。

圖4 濃霧判識(shí)流程

云是大霧判識(shí)過(guò)程中的主要干擾因素，常伴隨霧發(fā)生，閾值法對(duì)低云和薄云區(qū)分效果不夠理想。經(jīng)過(guò)多閾值識(shí)別后的一些中低云雖不能完全被濾除，但表現(xiàn)出細(xì)碎和不連續(xù)特征，如圖5所示。

圖5 經(jīng)過(guò)灰度熵過(guò)濾前后的結(jié)果

本文采用基于灰度熵的團(tuán)塊目標(biāo)檢測(cè)?；叶褥胤从沉舜翱趦?nèi)像素灰度的差異程度，越大表明窗口內(nèi)像素灰度差異越小，當(dāng)窗口內(nèi)所有像素灰度值相同時(shí)，灰度熵為1；反之，值越小灰度差異越大。首先將經(jīng)過(guò)FDI判識(shí)之后的結(jié)果轉(zhuǎn)化為二值圖像，并設(shè)定5×5像元的窗口進(jìn)行灰度熵檢測(cè)。這樣窗口內(nèi)的灰度熵值就只有0和1，將值為0的窗口判斷為非霧區(qū)，反之為霧區(qū)[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(dǎo)致FDI值偏大。為了盡量減少漏判，通過(guò)目視解譯獲得13個(gè)典型輕霧區(qū)的1 250個(gè)像元，參考以往大霧監(jiān)測(cè)中常用的雙通道亮溫差法，對(duì)11 μm、12 μm熱紅外亮溫差(brightness temperature difference，BTD)值統(tǒng)計(jì)發(fā)現(xiàn)，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(gè)典型輕霧區(qū)熱紅外亮溫差BTD值分布箱線(xiàn)圖

本文將BTD閾值范圍設(shè)定為0.5～1.2之間，并結(jié)合歸一化植被指數(shù)NDVI、11.2 μm亮溫及0.46 μm反射率進(jìn)一步提升判識(shí)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(shí)流程如圖7所示。利用NDVI低于0.12來(lái)區(qū)分中高植被地表；大于-0.1來(lái)區(qū)分水體，此閾值是為了一些海上輕霧不被濾除；利用亮溫來(lái)區(qū)分夏季荒漠，利用第1波段反射率來(lái)區(qū)分灰霾、中高云和低植被地表；利用上述灰度熵方法來(lái)濾除低云。

圖7 輕霧判識(shí)流程

2.2 云下準(zhǔn)霧區(qū)的判識(shí)

有研究分析發(fā)現(xiàn)，0.46 μm和0.51 μm的反射率差值指數(shù)(reflectivity difference index，RDI)(式(3))可以用于一些薄云下沙塵的特征性識(shí)別，因沙塵和大霧均具有一定的高反射特征，對(duì)該指數(shù)進(jìn)行分析發(fā)現(xiàn)其也可使一些云下霧的連續(xù)性特征得以顯現(xiàn)。

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(jì)算結(jié)果如圖8(c)所示，被云系遮蓋的霧區(qū)有較為完整的顯現(xiàn)。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(shí)整個(gè)霧區(qū)的西北部被呈現(xiàn)藍(lán)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(shí)。

圖8 2021年3月7日09時(shí)大霧過(guò)程

具體判識(shí)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(jìn)行識(shí)別。該指數(shù)雖然可用于突出云下特征，但也不免會(huì)引入誤判項(xiàng)，因此算法又補(bǔ)充了其他判據(jù)，在保留疑似云下霧的同時(shí)盡量減少誤判項(xiàng)，為后續(xù)連通域方法的運(yùn)算節(jié)約運(yùn)算量。其中，歸一化雪指數(shù)(normalized difference snow index，NDSI)是為了減少誤判項(xiàng)中的積雪，BT11.2是為了減少誤判項(xiàng)中的高云及裸地，NDVI是為了減少誤判項(xiàng)中的水體和高植被地表，0.46 μm反射率是為了減少誤判項(xiàng)中的灰霾。

圖9 準(zhǔn)云下霧判識(shí)流程

2.3 基于連通域距離權(quán)重判定的霧區(qū)判識(shí)

在圖像中，常見(jiàn)的鄰接關(guān)系有4鄰接與8鄰接兩種。連通域標(biāo)記算法有很多種，有的算法可以一次遍歷圖像完成標(biāo)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(shí)間效率的差別。這里我們使用的是MATLAB中連通區(qū)域標(biāo)記函數(shù)bwlabel中使的算法，它一次遍歷圖像，并記下每一行(或列)中連續(xù)的團(tuán)和標(biāo)記的等價(jià)對(duì)，然后通過(guò)等價(jià)對(duì)對(duì)原來(lái)的圖像進(jìn)行重新標(biāo)記，這個(gè)算法效率較高，其使用默認(rèn)參數(shù)為8連通。在基于2.2節(jié)所述云下準(zhǔn)霧區(qū)判識(shí)的基礎(chǔ)上，針對(duì)其空間分布特征進(jìn)行篩選。主要思路基于2.1節(jié)及2.2節(jié)方法判識(shí)出的主體霧區(qū)為基準(zhǔn)，進(jìn)行主連通域識(shí)別標(biāo)記(圖10(a))；其次是對(duì)基于2.3節(jié)判識(shí)的準(zhǔn)云下霧進(jìn)行輔連通域識(shí)別標(biāo)記(圖10(b))；最后是基于連通域距離權(quán)重分析的篩選，即計(jì)算每個(gè)輔連通域與每個(gè)主連通域的距離，以連通域的每個(gè)邊緣像素為計(jì)算目標(biāo)，如果距離小于5的像素?cái)?shù)量占此輔連通域總像素?cái)?shù)量的比重超過(guò)60%，則認(rèn)為其為云下霧。

圖10 連通域標(biāo)記識(shí)別結(jié)果

3 結(jié)果與討論

本節(jié)主要對(duì)前文所述的實(shí)驗(yàn)數(shù)據(jù)和區(qū)域，首先針對(duì)無(wú)云干擾的主霧區(qū)進(jìn)行識(shí)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(wèi)星假彩色合成圖，圖11(b)為主霧區(qū)的判識(shí)結(jié)果，圖11 (c)為針對(duì)準(zhǔn)云下霧的判識(shí)結(jié)果，圖11 (d)為通過(guò)距離權(quán)重判定后最終的大霧判識(shí)結(jié)果。由判識(shí)結(jié)果可以發(fā)現(xiàn)，在海霧區(qū)的中部、東部、東北部的幾處輕霧都被有效的判識(shí)出來(lái)。西北角的云下霧也通過(guò)所述方法得到了補(bǔ)充判識(shí)。其中，一些很薄輕霧的判識(shí)依然有難度；同時(shí)，云下霧的判識(shí)會(huì)導(dǎo)致一定的誤判，主要是會(huì)將一些云納入判識(shí)結(jié)果。

圖11 2019年3月26日判識(shí)結(jié)果

為了進(jìn)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(jìn)行判識(shí)，綜合真彩色和假彩色圖像比較驗(yàn)證，如圖12所示。

圖12 不同個(gè)例假彩色、真彩色圖像及判識(shí)結(jié)果

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

由于海上缺乏氣象觀(guān)測(cè)，為了量化方法的分類(lèi)判識(shí)精度，采用Kappa系數(shù)進(jìn)行評(píng)價(jià)。即以目視解譯的結(jié)果作為實(shí)際樣本，以算法判識(shí)結(jié)果作為預(yù)測(cè)樣本，制作混淆矩陣進(jìn)行計(jì)算。本文以上述實(shí)驗(yàn)數(shù)據(jù)為樣本選取了非云下霧、云下霧和云或其他3個(gè)類(lèi)別制作了混淆矩陣，如表1所示。最后經(jīng)過(guò)計(jì)算，算法的綜合分類(lèi)Kappa系數(shù)為0.92，具有較高的判識(shí)精度。

表1 算法分類(lèi)結(jié)果的混淆矩陣

圖13為2021年3月7日09時(shí)一次陸表大霧的真彩色圖像和判識(shí)結(jié)果。本文選取了區(qū)域內(nèi)33個(gè)地面氣象站同一時(shí)間觀(guān)測(cè)的天氣現(xiàn)象與判識(shí)結(jié)果進(jìn)行對(duì)比，其中27個(gè)站觀(guān)測(cè)和判識(shí)結(jié)果一致(圖中綠色點(diǎn))，其中一個(gè)站的觀(guān)測(cè)結(jié)果為霾，判識(shí)結(jié)果為非霧；6個(gè)站觀(guān)測(cè)結(jié)果為霧，判識(shí)結(jié)果為非霧，主要集中在一些面積較小，分布較散的輕霧區(qū)(圖中紅色點(diǎn))。

圖13 2021年3月7日09時(shí)真彩色圖像與大霧判識(shí)結(jié)果

圖14為2021年8月2日08時(shí)一次林間霧，可以看出主要霧區(qū)判識(shí)較為理想，但林間霧受地形溝壑和樹(shù)林遮蔽影響較大，有較多細(xì)碎的分散性霧及溝壑霧，該算法由于圖像處理過(guò)程中的需要，這類(lèi)型霧的判識(shí)精度將會(huì)有所損失。

圖14 2021年8月2日08時(shí)真彩色圖像與大霧判識(shí)結(jié)果

4 結(jié)束語(yǔ)

本文基于Himawari-8衛(wèi)星，提出一種針對(duì)性識(shí)別方法，引入以多閾值判識(shí)為基礎(chǔ)的連通域距離權(quán)重法來(lái)判識(shí)云下霧。針對(duì)6次大霧過(guò)程的判識(shí)結(jié)果，結(jié)合衛(wèi)星與地面觀(guān)測(cè)數(shù)據(jù)進(jìn)行了驗(yàn)證和精度分析，結(jié)果表明該方法在有限引入誤差的情況下，有效實(shí)施了云下霧的判識(shí)，具有較高的分類(lèi)精度，綜合Kappa系數(shù)0.92，地面驗(yàn)證也取得較高一致性。

對(duì)于云下霧的判識(shí)會(huì)有限引入云的誤判，對(duì)于一些邊緣處輕霧的識(shí)別仍有漏判。當(dāng)云的厚度較大或大部分霧區(qū)為云所覆蓋時(shí)，較難排除其干擾。另外，由于靜止衛(wèi)星的位置固定，隨太陽(yáng)高度角變化，一天中反射率有變化，因此判識(shí)過(guò)程中應(yīng)該考慮針對(duì)不同時(shí)間段的指數(shù)變化，閾值設(shè)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(shí)夜間霧時(shí)仍存在局限。

總體而言，本文所述方法在新一代靜止氣象衛(wèi)星大霧監(jiān)測(cè)中具有良好效果和潛力價(jià)值，為大霧監(jiān)測(cè)提供新的研究思路，為中國(guó)新一代靜止氣象衛(wèi)星FY-4B的大霧遙感監(jiān)測(cè)提供有益參考。