2. 江苏省气象服务中心, 江苏 南京 210008;
3. 江苏省气象台, 江苏 南京 210008
雾是悬浮于近地层大气中的大量微小水滴或冰晶的可见集合体, 能见度小于1 000 m。当能见度为200~500 m为浓雾, 能见度为50~200 m为强浓雾, 能见度小于50 m为特强浓雾。雾对海、陆、空交通运输造成严重影响, 常导致高速公路关闭、飞机起降受阻、轮渡停航, 每年都造成多起严重的交通航运事故, 同时雾还对人体健康造成很大危害。雾的形成受热力、动力、辐射、气溶胶、微物理过程以及地表状况等多个边界层内的复杂物理过程影响, 且雾通常具有较快生成和爆发性发展的特性, 使得雾成为较难预报的灾害性天气之一。
准确监测雾是准确预报雾前提, 常规的监测方法是通过在陆海表面布设站点进行人工或仪器自动观测, 不仅耗费大量的人力物力, 而且观测站点的密度也难以满足监测的需要, 特别是在海洋上, 只有极少数甚至没有观测站点, 而气象卫星观测资料具有覆盖范围广、时空分辨率高的特点, 使得其在监测雾的生消动态方面具有独特的优势。目前, 利用GOES、NOAA/AVHRR、MTSAT、FY-2以及MODIS等卫星资料在识别雾方面已有了一些研究(Eyre et al, 1984; Turner et al, 1986; Ellrod, 1995, 2002; Wetzel et al, 1996; Lee et al, 1997; Turk et al, 1998; Bendix et al, 2002, 2005), 采用的方法多利用GOES卫星通道2(3.9 μm)和通道4(11.2 μm)的亮温差以及NOAA/AVHRR卫星的通道3(3.7 μm)和通道4(11.0 μm)的亮温差来进行雾区监测。Gultepe et al(2007)提出利用GOES卫星通道2和通道4的亮温差以及数值模式气温和CH4的亮温差进行夜间雾的识别, 指出剔除中高云后识别雾的击中率可以由原来的0.26~0.32提高到0.55~1.0。Yoo et al(2006, 2010)利用MTSAT-1R和MODIS数据开展了朝鲜半岛地区雾的监测以及雾区上空云的存在对卫星识别雾的影响, 利用可见光(0.68 μm)和红外(3.75 μm和10.8 μm)通道进行雾的识别并利用地面52个气象站的观测数据对识别结果进行了检验。
中国卫星遥感监测雾始于20世纪90年代, 之后开展了大量研究工作。居为民等(1997)利用卫星资料监测沪宁高速公路大雾获得初步成果。李亚春等(2001)利用GMS-5气象卫星资料探讨了白天雾和低层云的遥感监测和识别方法。刘健等(1999)利用NOAA/AVHRR资料通道3所包含的太阳反射光信息, 试验分析云和雾顶部粒子的尺度特征。李军等(2011)基于主成分分析的改进遥感方法利用MTSAT-1R卫星资料对华北平原秋季两次大雾天气过程中大雾检测阈值进行了敏感性分析, 选取了合适的检测阈值。双通道亮温差法也被应用于海雾的研究中, 吴晓京等(2015)基于NOAA/AVHRR数据, 分析了黄渤海海雾及云的频数、分布比率等信息, 得到了黄渤海海雾季节变化的较全面特征。何月等(2015)利用MTSAT逐时资料和地面气象观测数据, 对浙江及其周边海区陆地和海上的大雾进行了专题信息提取。邓玉娇等(2016)利用FY-2E数据建立了白天海雾监测算法, 利用VIS通道反射率实现海面与云雾区分离, 利用IR1通道估算云高实现中高云与低层云雾的分离, 利用VIS、IR1、IR4波段构建雾判识指数初步实现海雾与低云的分离, 得到海雾监测产品。基于极轨卫星资料, 根据云雾及下垫面在可见光长红外和中红外波段的发射及辐射特性差异, 结合MODIS和FY-3卫星资料利用多波段阈值法等开展了雾的监测以及资料同化对海雾的模拟研究(马慧云等, 2005; 陈林等, 2006; 张春桂等, 2009; 黄子革等, 2010; 蒋璐璐等, 2011; Zhang et al, 2013; Yi et al, 2015; 吴晓京等, 2017)。Wu et al(2015)利用CALIPSO星载激光雷达数据发展了一种海雾检测的方法, 指出利用主动式的星载激光雷达可以较容易的区分出海雾和低云。闵爱莲等(2017)结合环境卫星HJ-1B和MODIS数据, 利用多通道阈值法对江苏一次雾过程不同生长阶段进行监测, 并分别结合地面实测数据对两种数据源的监测结果进行了精度验证。此外, 雾的微物理和边界层结构的观测以及数值模拟等方面的工作, 为卫星识别雾的提供了理论和特征参数, 促进了雾的卫星反演算法的进步(李子华等, 1999, 2011; 吴兑等, 2007; Fu et al, 2008; 吴彬贵等, 2014; 孙兴池等, 2017)。
以上研究多为个例分析结果, 且多基于上一代静止气象卫星或极轨卫星, 时空分辨率等的不足使其业务应用能力受到限制, 而新一代静止气象卫星葵花8(Himawari-8)于2014年10月发射成功, 于2015年7月投入业务运行, 与FY-2和日本MTSAT等卫星相比较, 葵花8气象卫星将观测通道由5个增加到16个, 且具有更高的时间(10 min一次全圆盘)和空间分辨率(0.5~2 km)。同时由于雾多发生于夜间, 而夜间由于没有可见光通道可供利用, 使得雾的监测识别较为困难。针对以上问题, 本文基于葵花8号新一代静止气象卫星高时空分辨率多通道数据, 利用3.9~11.2 μm通道亮温差法和3.9 μm伪比辐射率法开展中国地区夜间不同等级雾的识别, 并对结果进行验证。
2 数据和方法介绍 2.1 卫星数据(1) 葵花8号AHI
日本新一代静止气象卫星葵花8(Himawari-8)上搭载可见光和红外扫描辐射计AHI(Advanced Himawari Imager), 表 1和表 2为Himawari-8/AHI、FY-2/VISSR和MTSAT-2/Imager各波段中心波长和星下点分辨率以及3个传感器参数对比, Himawari-8/AHI从光谱通道数和时空分辨率较上一代静止卫星都有很大提升。文中用到2016年秋冬季(时间范围为2016年10月1日至2017年2月28日)葵花8号16个波段原始分辨率数据。
(2) CALIPSO星载激光雷达(CALIOP)
CALIPSO(Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation)卫星搭载的云-气溶胶激光雷达CALIOP是其载荷中最关键的仪器, 为主动遥感仪器, 有两个波段(532 nm和1 064 nm), 且532 nm波段具有正交偏振探测能力。CALIPSO星载激光雷达Level 1数据提供两个波段在运行轨道上对地方向的总后向散射垂直廓线和532 nm波段的线性退偏比垂直廓线(Winker et al, 2007, 2009)。CALIPSO Level 2产品VFM(Vertical Feature Mask)根据物理特征将云和气溶胶区分开, 又将云和气溶胶分别分为不同的子类(Omar et al, 2003)。大量验证工作证明CALIPSO星载激光雷达数据及产品具有较高精度(Liu et al, 2009; Wang et al, 2013)。VFM产品虽没有雾这一类别, 但是雾实际上就是贴地的云, 当产品中识别为水云且云贴地时即认为是雾。文中利用CALIPSO星载激光雷达VFM产品验证基于葵花8卫星识别海雾的准确性。
2.2 地面数据 2.2.1 地面气象站资料文中用到全国2 400个气象站自动观测的10分钟分辨率的气温、湿度、地表温度、能见度等资料以及3 h分辨率的Micaps填图资料(包含天气现象), 这些资料用于反演所需的辅助参数和反演结果验证, 时间范围为2016年10月1日至2017年2月28日。在确定雾时, 以能见度小于1 000 m、500 m、200 m和50 m, 且相对湿度大于90%, 同时联合3 h一次的Micaps资料进行判定, 如果对应时刻有Micaps填图资料, 还要判断其中的天气现象是否为雾, 若是则该时刻判断为雾, 否则该时刻前一小时内均判断为没有雾发生。
2.2.2 L波段雷达秒级探空资料选取近10年全国120个L波段雷达探空站秒级资料, 探空资料一般为1天两次, 分别为08:00(北京时, 下同)和20:00。
2.3 反演方法 2.3.1 通道亮温差法(3.9~11.2 μm Brightness Temperature Difference, BTD3.9~11.2)由于不透明雾在大气窗区通道辐射特性类似于黑体, 其比辐射率接近1, 而在短波红外通道比辐射率明显要小, 因此雾区3.9 μm通道亮温小于11.2 μm亮温。Eyer et al (1984)和Turner et al (1986)提出双通道亮温差法后, 该方法不仅在极轨卫星平台得到广泛应用, 还被推广到具有短波红外通道的静止卫星平台, 具有较好的应用表现。对于葵花8卫星, 利用其短波红外通道(3.9 μm)和大气红外窗区通道(11.2 μm)亮温差(BTD3.9~11.2)可以用于雾的检测和识别, 即:
$ \text{BT}{{\text{D}}_{\text{3}\text{. 9}\sim \text{11}\text{. 2}}}\text{=B}{{\text{T}}_{\text{3}\text{. 9}}}\text{-B}{{\text{T}}_{\text{11}\text{. 2}}}\text{, } $ | (1) |
式中: BT3.9, BT11.2分别为3.9 μm和11.2 μm通道的亮温。
2.3.2 3.9 μm伪比辐射率法(3.9 μm Pseudo-Emissivity, ems3.9)比辐射率是物体在温度T和波长λ处的辐出度与同温度同波长下的黑体辐出度的比值, 是反映物体热辐射性质的一个重要参数。定义3.9 μm伪比辐射率(ems3.9)为观测的3.9 μm的辐射值与利用11.2 μm亮温计算的3.9 μm的黑体辐射值的比值, 表达式为:
$ \text{em}{{\text{s}}_{\text{3}\text{.9}}}\text{=}\frac{{{R}_{\text{obs}}}\left(\text{3}\text{.9}\ \text{ }\!\!\mu\!\!\text{ m} \right)}{\text{B(3}\text{.9 }\!\!\mu\!\!\text{ m, B}{{\text{T}}_{\text{11}\text{.2}}}\text{)}}\text{, } $ | (2) |
其中: ems3.9代表3.9 μm伪比辐射率, Robs(3.9 μm)代表观测的3.9 μm通道的辐射值, B(3.9 μm, BT11.2)代表用11.2 μm通道亮温计算的3.9 μm通道的黑体辐射值, B(λ, T)为普朗克函数, 由于是用11.2 μm亮温代表3.9 μm的黑体亮温进行计算, 因此称为“伪比辐射率”。ems3.9受温度变化的影响小于BTD3.9~11.2, 使其用于识别雾更有优势(Calvert et al, 2011)。对雾, ems3.9通常小于1。
2.3.3 云的剔除由于云的存在, 在雾的识别中会出现误判, 从而造成判别上的遗漏和虚判, 引起击中率下降、虚警率上升, 如果算法可以剔除云的影响, 从而可以提高算法识别准确率。在剔除中考虑雾顶高度一般小于1 000 m, 如果卫星接收到的辐射贡献来自地面1 000 m以上, 则认为受到云的影响, 而不是雾。利用近10年120个探空站的秒级探空资料和对应站点的自动站资料, 将探空资料分为雾样本和非雾样本, 计算所有站点两个样本1 000 m高度的温度和地表温度差绝对值, 确定合适的阈值Th。如果葵花8卫星11.2 μm通道亮温与地表温度Ts差值绝对值大于确定的阈值Th, 则认为受到云的影响而不做雾的识别。在算法应用时, 将站点资料网格化, 利用离卫星像素点最近的网格上的温度值作为此像素点的地表温度。在海洋上没有观测站点时利用数值预报海表温度产品替代。从时间上考虑, 以江苏为例, 70个自动站数据的到报时间在2 min以内, 早于卫星数据到达时间(滞后10 min左右), 在算法上可以将地表温度作为辅助参数而不影响产品生成的时效。
2.4 指标参数利用击中率(HR, Hit Rate)、虚警率(FAR, False Alarm Rate)、KSS评分(KSS, Hanssen-Kuiper Skill Score)评估雾的识别方法的准确性。
击中率HR定义为发生雾的事件中利用算法识别出的雾事件数与观测的雾事件数之比, 据表 3得出HR=h/(h+m)。
虚警率FAR定义为实况无雾而算法识别为雾的事件数与实况无雾事件总数之比, 据表 3得出FAR=f/(f+z)。
为减少生命财产损失, 较为理想的情况是击中率高而虚警率低。KSS评分, 也称TSS(True Skill Statistic), 为击中率与虚警率之差(KSS=HR-FAR)。KSS值的范围为-1~1, 最理想的情况是其等于1, 即全部击中, 且无虚警事件; 最差为KSS=-1, 即全部为虚警事件; 若击中率和虚警率相等, 则认为无预报技巧。
3 结果分析 3.1 反演方法结果统计 3.1.1 未剔除云影响的结果分析将全国2 400个站点的地面10 min分辨率的气象要素资料与对应时刻对应地点葵花8卫星各通道数据匹配, 并计算BTD3.9~11.2和ems3.9。计算每个站点每个时刻的太阳天顶角, 当太阳天顶角大于90°时认为是夜间。为了确定各站点通道亮温差法和3.9 μm伪比辐射率法的最优阈值, 将BTD3.9~11.2取值范围确定为-15~10 K, 每隔1 K分别作为阈值, 分别计算各站点小于各阈值下的指标参数HR、FAR和KSS, 取每个站点KSS最大值对应的阈值作为最优阈值, 最优阈值对应的HR、FAR和KSS为该站点的3个指标参数。将ems3.9取值范围确定为0.7~1.2, 每隔0.02分别作为阈值, 采用与BTD3.9~11.2同样的方法计算每个站点最优阈值及HR、FAR和KSS等指标参数。
选取雾样本数较多的河北沧州站(54616), 以其为例, 图 1为沧州站不同雾等级下BTD3.9~11.2和ems3.9取不同阈值对应的FAR和KSS评分, 图中点线和短横线分别代表未剔除云影响的FAR和KSS随阈值的变化, 某站点10 min分辨率某时刻数据利用文中第2.2节提出的雾判断方法判断为雾时记为此站点一个雾样本, 沧州站在4个雾等级下样本数分别为1 328, 757, 518和39。由图 1可见, FAR随阈值变化, 在BTD3.9~11.2=0 K和ems3.9=1.0附近出现突然增大, KSS评分为先增加后减小。取KSS最大值对应的BTD3.9~11.2和ems3.9作为此站点雾识别所用的最优阈值, 在能见度小于1 000, 500, 200和50 m时, BTD3.9~11.2最优阈值分别为-1, -1, -1和-3 K, 对应的KSS评分分别为0.52, 0.69, 0.71和0.94; ems3.9最优阈值分别为0.96, 0.94, 0.94和0.86, 对应的KSS评分分别为0.53, 0.70, 0.73和0.94。
利用以上方法计算每个站点最优阈值及其对应的HR、FAR和KSS指标参数, 并要求站点能见度小于1 000, 500, 200和50 m的雾样本数分别要大于50, 30, 10和5个, 否则认为在所选时间范围内该站点未出现雾, 剔除该站点。满足条件的站点在4个雾等级下分别有967, 925, 876和312个, 计算这些站点基于通道亮温差法(BTD3.9~11.2)和3.9 mm伪比辐射率法(ems3.9)得到的HR、FAR和KSS指标参数, 各雾等级下的HR、FAR和KSS指标参数分别求其平均值(Mean)、中位数(Median)、25%分位数(Q1)、75%分位数(Q3)、最大值(Max)和最小值(Min), 用箱须图表示(图 2)。图 2中箱体中间横线代表中位数, 箱体的上下横线分别代表75%分位数和25%分位数; 上下须分别代表最大值和最小值, 若最大值减中位数大于1.5×(Q3-Median)则上须代表Median+1.5×(Q3-Median), 大于Median+1.5×(Q3-Median)的样本用圆圈在图中(图 3)标出, 若中位数减最小值大于1.5×(Median-Q1)则下须代表Median-1.5×(Median-Q1);菱形“◇”代表平均值。表 4中列出了图 2中各雾等级和各方法对应的各指标参数的平均值。
由图 2和表 4可见, 能见度小于1 000 m时, 基于通道亮温差法识别雾的HR、FAR和KSS平均值分别为0.71, 0.27和0.44;基于3.9 μm伪比辐射率法识别雾的HR、FAR和KSS平均值分别为0.74, 0.28和0.46。能见度小于500 m时, 基于通道亮温差法识别雾的HR、FAR和KSS分别为0.78, 0.25和0.53;基于3.9 μm伪比辐射率法识别雾的HR、FAR和KSS分别为0.80, 0.26和0.54。能见度小于200 m时, 基于通道亮温差法识别雾的HR、FAR和KSS分别为0.83, 0.23和0.60;基于3.9 μm伪比辐射率法识别雾的HR、FAR和KSS分别为0.85, 0.24和0.61。能见度小于50 m时, 基于通道亮温差法识别雾的HR、FAR和KSS分别为0.89, 0.15和0.74;基于3.9 μm伪比辐射率法识别雾的HR、FAR和KSS分别为0.90, 0.15和0.75。可见, 两种方法对雾的识别准确率相当, 3.9 μm伪比辐射率法较通道亮温差法KSS评分高0.01~0.02;随能见度的下降, 两种方法识别准确率都有明显提升, 虚警率有明显下降, 如通道亮温差法在能见度小于1 000 m时, KSS和FAR平均值分别为0.44和0.27, 而对能见度小于50 m的特强浓雾, KSS和FAR平均值分别为0.74和0.15。
需要指出, Calvert et al(2011)利用SEVIRI数据基于通道亮温差和3.9 μm伪比辐射率法识别低云和雾的KSS评分分别为0.59和0.69, 3.9 μm伪比辐射率法优于通道亮温差法; 利用与葵花83.9 μm和11.2 μm通道设置类似的GOES-12数据基于通道亮温差和3.9 μm伪比辐射率法识别低云和雾的KSS评分均为0.41。这主要是由于SEVIRI的3.9 μm通道波谱宽度明显大于葵花8卫星3.9 μm通道波谱宽度, 其覆盖了4 μm附近的CO2吸收波段导致两种方法结果不同。
3.1.2 剔除云影响的结果分析根据2.3节介绍的云剔除方法, 计算每个探空站点近10年的雾样本和非雾样本1 000 m和地面温度差, 以南京站(58238)为例, 图 3为南京站雾样本和非雾样本T1000m-Ts箱须图对比, 南京站雾样本的T1000m-Ts中位数、平均值、25%和75%位数分别为1.70, 1.17, -1.70和3.70 ℃; 非雾样本的T1000m-Ts中位数、平均值、25%和75%位数分别为-4.20, -3.75, -6.00和-2.00 ℃。可见雾和非雾样本T1000m-Ts差异明显。通过计算, 120个探空站雾样本数大于10的有65个站点, 且65个站点雾样本T1000m-Ts的25%位数均大于-6 ℃, 有56个站点T1000m-Ts最小值大于-6 ℃, 只有9个站点T1000m-Ts最小值小于-6 ℃, 故选取Th=T1000m-Ts=-6 ℃作为剔除云的阈值。同时选取6 ℃也考虑到大气湿绝热递减率为6 ℃·km-1, 雾出现时往往伴随逆温, T1000m-Ts大于-6 ℃, 甚至大于0 ℃。
同样以沧州站为例(54616), 图 1中点划线和实线分别代表剔除云影响的FAR和KSS随阈值的变化。剔除云影响后, 沧州站在4个雾等级下雾样本数分别为889, 484, 373和39。由图 1可见, FAR和KSS变化趋势与未剔除云时的变化趋势相似。在能见度小于1 000, 500, 200和50 m时, BTD3.9~11.2最优阈值分别为-1, -2, -2和-3 K, 对应的KSS评分分别为0.69, 0.97, 0.98和0.99; ems3.9最优阈值分别为0.94, 0.92, 0.90和0.86, 对应的KSS评分分别为0.70, 0.98, 0.99和0.99。可见, 对于单站点, 剔除云影响后两种方法的KSS评分都有明显提升。
图 4为剔除云影响的各站点两种方法的HR、FAR和KSS指标参数的平均值、中位数、25%和75%分位数以及最大最小值, 满足条件的站点在4个雾等级下分别有884, 864, 844和301个。表 5中列出了图 4中各雾等级和各方法对应的各指标参数的平均值。由图 4和表 5可见, 能见度小于1 000 m时, 基于通道亮温差法识别雾的HR、FAR和KSS分别为0.82, 0.12和0.69;基于3.9 μm伪比辐射率法识别雾的HR、FAR和KSS分别为0.85, 0.13和0.72。能见度小于500 m时, 基于通道亮温差法识别雾的HR、FAR和KSS分别为0.89, 0.10和0.79;基于3.9 μm伪比辐射率法识别雾的HR、FAR和KSS分别为0.91, 0.10和0.81。能见度小于200 m时, 基于通道亮温差法识别雾的HR、FAR和KSS分别为0.93, 0.09和0.84;基于3.9 μm伪比辐射率法识别雾的HR、FAR和KSS分别为0.94, 0.08和0.86。能见度小于50 m时, 基于通道亮温差法识别雾的HR、FAR和KSS分别为0.96, 0.05和0.91;基于3.9 μm伪比辐射率法识别雾的HR、FAR和KSS分别为0.97, 0.05和0.92。可见, 剔除云影响后两种方法对雾的识别准确率相当; 随能见度的下降, 两种方法识别准确率都有明显提升, 虚警率有明显下降。
对比图 4和图 2可见, 剔除云影响后, 4个雾等级下两种方法对雾识别的击中率HR均有明显提升, 虚警率FAR均有明显下降, KSS评分均有明显提升。例如, 能见度小于1 000 m时, 剔除云时基于通道亮温差法识别雾的HR由0.71提高到0.81, FAR由0.27降低到0.12, KSS评分由0.44提高到0.69, 提高0.23;基于3.9 μm伪比辐射率法识别雾的HR由0.74提高到0.85, FAR由0.28降低到0.13, KSS评分由0.46提高到0.72, 提高0.26。
3.2 个例分析 3.2.1 华北一次强浓雾过程(2016年12月4日)识别结果分析能见度小于200 m的强浓雾和小于50 m的特强浓雾对交通运输影响尤为严重。以华北2016年12月4日一次强浓雾过程为例, [图 5, 该图及文中涉及的地图是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(2016)2892的中国地图制作, 底图无修改]为12月4日06:00葵花8卫星云图及识别结果, 图像分辨率为2 km, 其对雾区及其边界的识别分辨率远比地面站点识别分辨率高几十公里, 卫星数据接收约需要10 min, 算法计算时间小于1 min, 即在11 min内可以准实时地给出反演结果。图 5(c)中雾区BTD3.9~11.2为负值, 且在强浓雾区BTD3.9~11.2可达-5 ℃, 图 5(d)的中雾区ems3.9明显小于1.0, 且在强浓雾区ems3.9达到0.75。由图 5(f)也可明显看到, 雾区(C点到D点)3.9 μm通道亮温小于11.2 μm通道亮温, 3.9 μm伪比辐射率小于1;而云区(A点到C点)3.9 μm通道亮温大于11.2 μm通道亮温, 3.9 μm伪比辐射率大于1;晴空区(B点附近)3.9 μm通道亮温与11.2 μm通道亮温接近, 3.9 μm伪比辐射率接近与1。
图 5(c)中C点西北侧有能见度位于500~1 000 m的雾站点识别算法存在误判, 由图 5(d)和5(e)可以看出这些站点上空有云存在, 表 6中列出了图 5(c)中C点西北侧算法误判的站点能见度和T11.2-Ts值, 12个误判的站点除一个站点(唐县53692)T11.2-Ts > -6 ℃, 其他站点均T11.2-Ts < -6 ℃, 且唐县站点能见度为985 m, 接近1 000 m。可见, 在雾的监测中利用T11.2-Ts剔除云的影响, 可减少误判站点。
RGB合成图[图 5(e)]中R(红色)通道所用的BTD12.4~10.4物理上与云雾的光学厚度相关, 大值表示云较厚, 小值表示为薄云; G(绿色)通道所用的3.9~10.4 μm通道亮温差分布为[图 5(c)]的负值, 其物理上代表云雾相态和尺度, 大值代表小粒子水云, 小值代表冰云或裸土; B(蓝色)通道选用的是窗区10.4 μm通道, 代表地表温度, 温度越高值越大。RGB合成图中雾区为淡黄色或浅蓝色, 云区为深红色, 晴空陆地区为玫红色, 晴空海洋区为蓝色。可见, 利用RGB 3通道合成图(R: 10.4~12.4 μm、G: 3.9~10.4 μm、B: 10.4 μm)也可以明显的识别出夜间雾区和云区。
对12月4日06:00雾区分布, 经检验未剔除云时基于通道亮温差法识别雾的HR、FAR和KSS分别为0.68, 0.20和0.48, 识别强浓雾的HR、FAR和KSS分别为0.87, 0.14和0.73;剔除云后, 基于通道亮温差法识别雾的HR、FAR和KSS分别为0.83, 0.11和0.72, 识别强浓雾的HR、FAR和KSS分别为0.93, 0.05和0.88。基于3.9 μm伪比辐射率法识别4个等级雾的HR、FAR和KSS与通道亮温差法相当。
3.2.2 2017年1月3日06:00中国中东部一次大范围强浓雾过程识别结果分析图 6为2017年1月3日06:00发生在河北、山东、江苏、安徽和河南等地的一次大范围强浓雾过程葵花8卫星云图及识别结果, 此次雾几乎覆盖了5省大部分地区, 卫星可视的雾影响范围约36×104 km2。由通道亮温差法[图 6(c)]、3.9 μm伪比辐射率法[图 6(d)]以及RGB合成图[图 6(e)]上均可以明显的显示出大部分雾区, 雾区边界清晰, 与实况[图 6(c)中不同颜色点]对应较一致。从图 6(f1)和(f2)中也可以看出, 雾区和非雾区的BTD3.9~11.2差异明显, 强浓雾区BTD3.9~11.2约为-5 ℃; 雾区和非雾区的ems3.9也有明显差异, 强浓雾区ems3.9达0.75左右。图 6(c)中F点南侧(安徽南部)虽出现雾, 但由于云的存在影响了雾的识别, 剔除云的影响后, 算法准确性提高。
图 7为2016年12月20日02:00发生在渤海及其周边地区的一次大范围强浓雾过程, 图 7(c)中红色实线为CALIPSO星载激光雷达过境时星下点轨迹。此次过程利用通道亮温差法[图 7(c)]、3.9 μm伪比辐射率法[图 7(d)]以及RGB合成图[图 7(e)]上均可以明显的显示出除云覆盖以外的大部分雾区, 02:00河北受云覆盖的强浓雾区在自西向东以来的云层覆盖前已经形成强浓雾, 受云覆盖后强浓雾仍持续。图 7(f)可见, BTD3.9~11.2和ems3.9在云区分别大于0.0 ℃和1.0;在雾区BTD3.9~11.2可达-5 ℃, ems3.9可达0.75。由于海上没有观测站点, 为了检验识别海雾的准确性, 利用CALIPSO星载激光雷达VFM产品验证识别结果的准确性。由对应时刻的CALIPSO星载激光雷达VFM产品分布(图 8)可见, 图 7(c)中红色实线C、D两点之间云覆盖区对应图 8中的C、D点之间, 在CALIPSO星载激光雷达VFM产品图上可以看到此区域云顶高度达10 km。图 7(c)中红色实线D、E点之间雾区对应图 8中的D、E点之间, 在CALIPSO星载激光雷达VFM产品图上显示此区域为贴地的云层, 即雾。可见由通道亮温差法、3.9 μm伪比辐射率法以及RGB合成图识别出的雾区与CALIPSO星载激光雷达VFM产品结果一致。
(1) 确定了各站点或网格点上对不同等级雾通道亮温差法和3.9 μm伪比辐射率法的最优阈值; 两种方法均可较准确的识别出不同等级的雾, 3.9 μm伪比辐射率法较通道亮温差法KSS评分高0.01~0.02;随能见度的下降, 两种方法识别准确率都有明显提升, 虚警率有明显下降。能见度小于1 000 m时, 通道亮温差法(3.9 μm伪比辐射率法)识别雾的HR、FAR和KSS分别为0.71(0.74), 0.27(0.28)和0.44(0.46);能见度小于50 m时, 通道亮温差法(3.9 μm伪比辐射率法)识别雾的HR、FAR和KSS分别为0.89(0.90), 0.15(0.15)和0.74(0.75)。
(2) 剔除云影响后, 4个雾等级下两种方法对雾识别的击中率HR均有明显提升, 虚警率FAR均有明显下降, KSS评分有明显提升。能见度小于1 000 m时, 剔除云时基于通道亮温差法(3.9 μm伪比辐射率法)识别雾的HR由0.71(0.74)提高到0.81(0.85), FAR由0.27(0.28)降低到0.12(0.13), KSS评分由0.44(0.46)提高到0.69(0.72), KSS评分提高0.23(0.26)。
(3) 个例分析也表明, 利用葵花8号卫星多通道数据, 基于通道亮温差法、3.9 μm伪比辐射率法以及RGB合成图均可识别出大部分雾区, 雾区和非雾区的BTD3.9~11.2(ems3.9)差异明显, 强浓雾区BTD3.9~11.2(ems3.9)约为-5 ℃(0.75);剔除云的影响后, 算法准确性提高。同时利用CALIPSO星载激光雷达VFM产品验证识别海雾的准确性可见, 由通道亮温差法、3.9 μm伪比辐射率法以及RGB合成图识别出的雾区与CALIPSO星载激光雷达VFM反演产品一致。
由于葵花8 AHI为可见光和红外被动传感器, 不具备穿透云的能力, 因此在云覆盖区无法进行雾的识别, 但利用云的较快移动性和雾基本不移动或移动较缓慢的特性, 在RGB合成图上经常可以看到晴空无云区, 长波辐射条件好, 利于雾的形成, 雾生成后, 自西向东快速移动的云移到雾区上空, 此时仅利用一个时刻的多通道数据进行雾的识别会造成误判, 利用多个时刻10 min一次的葵花8卫星数据进行综合判断, 可以进一步提高雾的识别准确性, 提高业务应用能力。
Bendix J. 2002. A satellite-based climatology of fog and low-level stratus in Germany and adjacent areas[J]. Atmos Res, 64(1): 3–18.
|
|
Bendix J, Thies B, Cermak J, et al. 2005. Ground fog detection from space based on MODIS daytime data:A feasibility study[J]. Wea Forecasting, 20(6): 989–1005.
DOI:10.1175/WAF886.1 |
|
Calvert C, 2011.GOES-R Advanced Baseline Imager (ABI) algorithm theoretical basis document for low cloud and fog. ATBD Algorithm Theoretical Basis Document, Version 2.0, 1-75.
|
|
Eyre J R, Brownscombe J L, Allam R J. 1984. Detection of fog at night using AVHRR imagery[J]. Meteor Magazine, 113: 266–271.
|
|
Ellrod G P. 1995. Advances in the detection and analysis of fog at night using GOES multispectral infrared imagery[J]. Wea Forecasting, 10(3): 606–619.
DOI:10.1175/1520-0434(1995)010<0606:AITDAA>2.0.CO;2 |
|
Ellrod G P. 2002. Estimation of low cloud base heights at night from satellite infrared and surface temperature data[J]. National Weather Digest, 26(1): 39–44.
|
|
Fu G, Guo J T, Pendergrass A, et al. 2008. An analysis and modeling study of a sea fog event over the Yellow and Bohai Seas[J]. Journal of Ocean University of China, 7(1): 27–34.
DOI:10.1007/s11802-008-0027-z |
|
Gultepe I, Pagowski M, Reid J. 2007. A satellite-based fog detection scheme using screen airtemperature[J]. Wea Forecasting, 22(3): 444–456.
DOI:10.1175/WAF1011.1 |
|
Lee T F, Turk F J, Richardson K. 1997. Stratus and fog products using GOES-8-9 3.9 μm data[J]. Wea Forecasting, 12(3): 664–677.
DOI:10.1175/1520-0434(1997)012<0664:SAFPUG>2.0.CO;2 |
|
Liu Z, Vaughan M, Winker D, et al. 2009. The CALIPSO lidar cloud and aerosol discrimination:Version 2 algorithm and initial assessment of performance[J]. J Atmos Ocean Technol, 26(7): 1198–1213.
DOI:10.1175/2009JTECHA1229.1 |
|
Omar A H, Winker D, WON J, 2004.Aerosol models for the CALIPSO lidar inversion algorithms[C]. Laser Radar Technology for Remote Sensing, 5240, 153-165.
http://proceedings.spiedigitallibrary.org/proceeding.aspx?articleid=831123 |
|
Turk J, Vivekanandan J, Lee T, et al. 1998. Derivation and applications of near-infrared cloud refflectances from GOES-8 and GOES-9[J]. J Appl Meteor, 37(8): 819–831.
DOI:10.1175/1520-0450(1998)037<0819:DAAONI>2.0.CO;2 |
|
Turner J, Allam R J, Maine D R. 1986. Case study of the detection of fog at night using channels 3 and 4 on the Advanced Very High Resolution Radiometer (AVHRR)[J]. Meteor Magazine, 115(1370): 285–290.
|
|
Wang H B, Zhang L, Cao X J, et al. 2013. A-Train satellite measurements of dust aerosol distributions over northern China[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 122: 170–179.
DOI:10.1016/j.jqsrt.2012.08.011 |
|
Wetzel M A, Borys R D, Xu L E. 1996. Satellite microphysical retrievals for land-based fog with validation by balloon profiling[J]. J Appl Meteor, 35(6): 810–829.
DOI:10.1175/1520-0450(1996)035<0810:SMRFLB>2.0.CO;2 |
|
Winker D M, Hunt W H, McGill M J. 2007. Initial performance assessment of CALIOP[J]. Geophys Res Lett, 34(19): 1–5.
|
|
Winker D M, Vaughan M A, Omar A, et al. 2009. Overview of the CALIPSO mission and CALIOP data processing algorithms[J]. J Atmos Ocean Technol, 26(11): 2310–2323.
DOI:10.1175/2009JTECHA1281.1 |
|
Wu D, Lu B, Zhang T, 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 |
|
Yi L, Zhang S P, Thies B, et al. 2015. Spatio-temporal detection of fog and low stratus top heights over the Yellow Sea with geostationary satellite data as a precondition for ground fog detection:a feasibility study[J]. Atmos Res, 151: 212–223.
DOI:10.1016/j.atmosres.2014.03.020 |
|
Yoo J M, Jeong M J, Hur Y M, et al. 2010. Improved fog detection from satellite in the presence of Clouds[J]. Asia-Pacific J Atmos Sci, 46(1): 29–40.
DOI:10.1007/s13143-010-0004-5 |
|
Yoo J M, Jeong M J, Yun M Y. 2006. Optical properties of fog from satellite observation (MODIS) and numerical simulation[J]. Asia-Pacific J Atmos Sci, 42(5): 291–305.
|
|
Zhang S, Yi L. 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 |
|
陈林, 牛生杰, 仲凌志. 2006. MODIS监测雾的方法及分析[J]. 南京气象学院学报, 29(4): 448–454.
Chen L, Niu S J, Zhong L Z. 2006. Detection and analysis of fog based on MODIS data[J]. Journal of Nanjing Institute of Meteorology, 29(4): 448–454.
DOI:10.3969/j.issn.1674-7097.2006.04.003 |
|
邓玉娇, 田永杰, 王捷纯. 2016. 静止气象卫星资料在白天海雾动态监测中的应用[J]. 地理科学, 36(10): 1581–1587.
Deng Y J, Tian Y J, Wang J C. 2016. Dynamic detection of daytime sea fog using geostationary meteorological satellite data[J]. Sci Geograp Sinica, 36(10): 1581–1587.
|
|
何月, 张小伟, 蔡菊珍, 等. 2015. 基于MTSAT卫星遥感监测的浙江省及周边海区大雾分布特征[J]. 气象学报, 73(1): 200–210.
He Y, Zhang X W, Cai J Z, et al. 2015. Distribution characteristics of the fog derived from the MTSAT satellite data in Zhejiang Province and its adjacent sea area[J]. Acta Meteor Sinica, 73(1): 200–210.
|
|
黄子革, 潘长明, 王贵钢, 等. 2010. MODIS卫星海雾检测技术研究[J]. 海洋测绘, 30(2): 70–73.
Huang Z G, Pan C M, Wang G G, et al. 2010. Study on the technique of sea fog detection using MODIS data[J]. Hydrographic Surveying and Charing, 30(2): 70–73.
DOI:10.3969/j.issn.1671-3044.2010.02.021 |
|
蒋璐璐, 魏鸣. 2011. FY-3A卫星资料在雾监测中的应用研究[J]. 遥感技术与应用, 26(4): 489–495.
Jiang L L, Wei M. 2011. Application of fog monitoring with FY-3A data[J]. Remote Sens Technol Appl, 26(4): 489–495.
|
|
居为民, 孙涵, 张忠义, 等. 1997. 卫星遥感资料在沪宁高速公路大雾监测中的初步应用[J]. 遥感信息, 12(3): 25–27.
Ju W M, Sun H, Zhang Z Y, et al. 1997. The preliminary application on the fog monitoring in Huning expressway based on remote sensing satellite data[J]. Remote Sens Inf, 12(3): 25–27.
|
|
李军, 韩志刚, 陈洪滨, 等. 2011. 静止气象卫星遥感探测华北平原秋季大雾研究[J]. 遥感技术与应用, 26(2): 186–195.
Li J, Han Z G, Chen H B, et al. 2011. Detection of heavy fog events over North China Plain by using the geostationary satellite data[J]. Remote Sens Technol Appl, 26(2): 186–195.
|
|
李亚春, 孙涵, 李湘阁, 等. 2001. 用GMS-5气象卫星资料遥感监测白天雾的研究[J]. 南京气象学院学报, 24(3): 121–129.
Li Y C, Sun H, Li X G, et al. 2001. Study on detection of daytime fog using GMS-5 weather satellite data[J]. Journal of Nanjing Institute of Meteorology, 24(3): 121–129.
|
|
李子华, 黄建平, 周毓荃, 等. 1999. 1996年南京连续5天浓雾的物理结构特征[J]. 气象学报, 57(5): 622–631.
Li Z H, Huang J P, Zhou Y Q, et al. 1999. Physical structures of the five-day sustained fog around Nanjing in 1996[J]. Acta Meteor Sinica, 57(5): 622–631.
|
|
李子华, 刘端阳, 杨军. 2011. 辐射雾雾滴谱拓宽的微物理过程和宏观条件[J]. 大气科学, 35(1): 41–54.
Li Z H, Liu D Y, Yang J. 2011. The microphysical processes and macroscopic conditions of the radiation fog droplet spectrum broadening[J]. Chinese J Atmos Sci, 35(1): 41–54.
DOI:10.3878/j.issn.1006-9895.2011.01.04 |
|
刘健, 许建民, 方宗义. 1999. 利用NOAA卫星的AVHRR资料试分析云和雾顶部粒子的尺度特征[J]. 应用气象学报, 10(1): 28–33.
Liu J, Xu J M, Fang Z Y. 1999. Analysis of the particle sizes at top of cloud and fog with NOAA/AVHRR data[J]. Quart J Appli Meteor, 10(1): 28–33.
DOI:10.3969/j.issn.1001-7313.1999.01.004 |
|
马慧云, 李德仁, 刘良明, 等. 2005. 基于MODIS卫星数据的平流雾检测研究[J]. 武汉大学学报信息科学版, 30(2): 143–145.
Ma H Y, Li D R, Liu L M, et al. 2005. Fog detection based on EOS MODIS data[J]. Geomatics and Information Science of Wuhan University, 30(2): 143–145.
|
|
闵爱莲, 刘磊, 张天风, 等. 2017. MODIS和HJ-1B资料在江苏大雾监测中的应用[J]. 气象与环境科学, 40(1): 102–107.
Min A L, Liu L, Zhang T F, et al. 2017. Application of MODIS and HJ-1B data on monitoring fog in Jiangsu Province[J]. Meteor Environ Sci, 40(1): 102–107.
|
|
孙兴池, 韩永清, 李静, 等. 2017. 垂直运动对雾-霾及空气污染过程的影响分析[J]. 高原气象, 36(4): 1106–1114.
Sun X C, Han Y Q, Li J, et al. 2017. Analysis of the influence of vertical movement on the process of fog and haze with air pollution[J]. Plateau Meteor, 36(4): 1106–1114.
DOI:10.7522/j.issn.1000-0534.2016.00076 |
|
吴彬贵, 马翠平, 蔡子颖, 等. 2014. 辐射雾局地爆发性增强原因探讨[J]. 高原气象, 33(5): 1393–1402.
Wu B G, Ma C P, Cai Z Y, et al. 2014. Mechanisms of local explosive development of a radiation fog event[J]. Plateau Meteor, 33(5): 1393–1402.
DOI:10.7522/j.issn.1000-0534.2013.00066 |
|
吴兑, 邓雪娇, 毛节泰, 等. 2007. 南岭大瑶山高速公路浓雾的宏微观结构与能见度研究[J]. 气象学报, 65(3): 406–415.
Wu D, Deng X J, Mao J T, et al. 2007. A study on macro-and micro-structures of heavy fog and visibility at freeway in the Nanling Dayaoshan mountain[J]. Acta Meteor Sinica, 65(3): 406–415.
DOI:10.3321/j.issn:0577-6619.2007.03.009 |
|
吴晓京, 李三妹, 廖蜜, 等. 2015. 基于20年卫星遥感资料的黄海、渤海海雾分布季节特征分析[J]. 海洋学报, 37(1): 63–72.
Wu X J, Li S M, Liao M, et al. 2015. Analyses of seasonal feature of sea fog over the Yellow Sea and Bohai Sea based on the recent 20 years of satellites remote sensing data[J]. Acta Oceanologica Sinica, 37(1): 63–72.
DOI:10.3969/j.issn.0253-4193.2015.01.007 |
|
吴晓京, 朱江, 王曦, 等. 2017. 风云三号微波观测资料的海雾同化模拟[J]. 大气科学, 41(3): 421–436.
Wu X J, Zhu J, Wang X, et al. 2017. Sea fog simulation with assimilation of FY-3A microwave data[J]. Chinese J Atmos Sci, 41(3): 421–436.
|
|
张春桂, 蔡义勇, 张加春, 等. 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 C G, Cai Y Y, Zhang J C, et al. 2009. The application of monitoring sea fog in Taiwan strait using MODIS remote sensing data[J]. J Appl Meteor Sci, 20(1): 8–16.
DOI:10.3969/j.issn.1001-7313.2009.01.002 |
2. Jiangsu Meteorological Service Center, Nanjing 210008, Jiangsu, China;
3. Jiangsu Meteorological Observatory, Nanjing 210008, Jiangsu, China