黎夢雅，時曉曚，吳曉京，衣立

摘要：使用Himawari-8靜止衛(wèi)星數(shù)據(jù)，基于CALIPSO衛(wèi)星云底高度結合云霧水平均勻性特征提取海霧/低云標簽，并使用全卷積神經(jīng)網(wǎng)絡與全連接條件隨機場相結合的模型（Fully Convolutional Network and Conditional Random Field，F(xiàn)CN-CRF），提出一種夜間海霧/低云衛(wèi)星檢測方法。經(jīng)過建立與訓練模型，使用CALIPSO衛(wèi)星的海霧/低云觀測檢驗FCN-CRF模型和雙通道差值法的結果。FCN-CRF模型表現(xiàn)良好，其檢出率（probability of detection，POD）為0.611，虛警率（false alarm ratio，F(xiàn)AR）為0.174，臨界成功指數(shù)（critical success index，CSI）為0. 541，Hanssen-Kuiper技能分數(shù)（Hanssen-Kuiper Skill Score，KSS）為0.436，Heidke技能分數(shù)（Heidke Skill Score，HSS）為0.577，整體優(yōu)于雙通道差值法。

關鍵詞：海霧/低云；衛(wèi)星；夜間；卷積神經(jīng)網(wǎng)絡

中圖分類號：P405? ? 文獻標志碼：A? ?文章編號：2096-3599（2023）01-0001-00

Detection of nighttime sea fog/low stratus over western North Pacific based on geostationary satellite data using convolutional neural networks

LI Mengya1， SHI Xiaomeng2， WU Xiaojing3， YI Li1

（1. Ocean University of China， Qingdao 266100， China; 2. Qingdao Meteorological Observatory， Qingdao 266003， China; 3. National Satellite Meteorological Center， Beijing 100081， China）

Abstract： Using Himawari-8 geostationary satellite data， this study makes SFLS labels based on cloud base height from CALIPSO satellite and the characteristics of fog/cloud horizontal uniformity， uses a FCN-CRF （Fully Convolutional Network and Conditional Random Field） model， and proposes a nighttime SFLS detection method. After training， the SFLS observation of CALIPSO data is used to test the FCN-CRF model and the dual channel difference （DCD） method. The FCN-CRF model performs well with a probability of detection （POD） of [

]0.611， a false alarm ratio （FAR） of 0.174， a critical success index （CSI） of 0.541， Hanssen-Kuiper Skill Score （KSS） of 0.436， and Heidke Skill Score （HSS） of 0.577. Overall， it is better than the DCD method.

Keywords： sea fog/low stratus; satellite; nighttime; convolutional neural networks

引言

海霧是發(fā)生在海洋邊界層大氣中，由于水汽凝結而產(chǎn)生大量水滴（或冰晶）[1]，使得大氣水平能見度小于1 km的天氣現(xiàn)象。因大氣能見度降低，海霧可導致船只碰撞、觸礁等事故，給人民生命財產(chǎn)造成巨大損失，夜間尤甚。因此，對于海霧的監(jiān)測是極其重要的。目前海上觀測數(shù)據(jù)匱乏，海島、船舶、浮標等離散站點無法對廣闊海域的海霧進行實時監(jiān)測，衛(wèi)星遙感技術具有高時空分辨率的特點，其逐漸成為研究海霧等天氣現(xiàn)象的重要工具和手段[2-4]。西北太平洋是“一帶一路”重點海域，且在全球范圍內(nèi)夏季海霧發(fā)生頻率最高、覆蓋面積最大[5]，具有重要的研究意義。

根據(jù)可見光數(shù)據(jù)、紋理特征等信息，日間海霧衛(wèi)星檢測算法多樣化，如通過衛(wèi)星光譜分析得到區(qū)分霧與晴空、低云的固定閾值[6-7]，將紅外通道亮溫與海表面溫度相結合[8]、引入歸一化近紅外水汽吸收區(qū)指數(shù)[9]的動態(tài)閾值法，多波段閾值法融合決策樹[10]等。

而夜間霧區(qū)的檢測，主要使用基于中紅外（約3.7 μm）和熱紅外（約11 μm）通道亮溫差的雙通道差值法（dual channel difference，DCD）[11-15]。由于云霧在熱紅外波段的發(fā)射率接近1，而在中紅外波段的發(fā)射率僅為0.8～0.9，中紅外波段的亮度溫度高于熱紅外波段通常意味著晴朗或部分多云的天空，中紅外波段的亮度溫度較低通常意味著中高云、海洋等[16-17]。然而，目前在不同海域的DCD法閾值仍難以界定。Gao等[14]基于MTSAT-1R衛(wèi)星的3.7 μm、10.7 μm通道亮溫差數(shù)據(jù)，選擇-5.5～-2.5 K作為黃海夜間海霧/層云的閾值區(qū)間。對于西北太平洋海霧/低云（sea fog/low stratus，SFLS），發(fā)現(xiàn)該閾值區(qū)間內(nèi)可能混淆有中高云，-2.5 K附近對不同分類的邊界劃分較難，且無法識別中高云、晴空水體[18]等其他目標物。圖1給出了2016年6月19日一次SFLS個例，DCD法檢測該個例存在較多誤判。

中長波紅外亮溫通道對于檢測夜間SFLS仍然具有重要作用，SFLS與其他區(qū)域存在溫差，或許可嘗試使用機器學習方法學習不同目標分類之間的差異?？紤]到卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）[19-20]在語義分割領域具有優(yōu)秀的處理非線性問題能力，同樣適用于衛(wèi)星圖像提取SFLS特征，目前已有多種應用于云霧分類的深度學習模型，在算法中使用邊界優(yōu)化、遷移學習、結合概率圖模型等[21-23]。因此，本研究使用全卷積神經(jīng)網(wǎng)絡與全連接條件隨機場相結合的模型，不依賴固定閾值識別西北太平洋夜間SFLS。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)

使用日本葵花8號（Himawari-8）靜止衛(wèi)星（http：//www.jma.go.jp/jma/indexe.html）所搭載高級成像儀（Advanced Himawari Imagers，AHI）提供的3.9、10.4、11.2 μm通道紅外亮溫數(shù)據(jù)，關注區(qū)域為西北太平洋（30°N～60°N，130°E～160°W），數(shù)據(jù)時間范圍為2016—2020年。該衛(wèi)星傳感器有16個觀測波段，包括3個可見光通道、3個近紅外通道、10個紅外通道[24]。本文所用L1級數(shù)據(jù)時間分辨率為10 min，空間分辨率為2 km，等經(jīng)緯度投影至0.02°×0.02°。

使用CALIPSO極軌衛(wèi)星（https：//www-calipso.larc.nasa.gov/）所搭載雙波段云–氣溶膠正交偏振激光雷達（Cloud–Aerosol Lidar with Orthogonal Polarization，CALIOP）提供的云層、氣溶膠垂直特征層分布（Vertical Feature Mask，VFM）產(chǎn)品云底高度數(shù)據(jù)，結合Himawari-8衛(wèi)星數(shù)據(jù)進行樣本標簽的制作、模型性能測試。本文所用數(shù)據(jù)水平分辨率為5 km，垂直分辨率為30 m。CALIPSO衛(wèi)星數(shù)據(jù)時間位于2次Himawari-8衛(wèi)星數(shù)據(jù)（時間分辨率10 min）之間時，其與最近的Himawari-8衛(wèi)星數(shù)據(jù)時間距離為0～5 min；CALIPSO星下點位于Himawari-8衛(wèi)星數(shù)據(jù)點（空間分辨率為2 km）網(wǎng)格中時，其與最近的Himawari-8衛(wèi)星格點空間距離d為0～km（圖2）。

使用歐洲中期天氣預報中心基于多衛(wèi)星觀測的全球海面溫度（sea surface temperature，SST，空間分辨率為0.05°×0.05°）逐日數(shù)據(jù)（https：//cds.climate.copernicus.eu/）進行SFLS檢測，空間分辨率插值至與Himawari-8衛(wèi)星數(shù)據(jù)相同。

使用全球海洋-大氣綜合數(shù)據(jù)集（International Comprehensive Ocean-atmosphere Data Set， ICOADS）補充檢驗測試集的個例（http：//icoads.noaa.gov/）。ICOADS數(shù)據(jù)來源于全球船舶、浮標、沿海觀測站等平臺開展的海洋、大氣觀測，包含能見度、天氣現(xiàn)象、氣溫、氣壓、風速、風向和SST等與霧相關的要素。下文將能見度小于等于1 km并且現(xiàn)在天氣現(xiàn)象記錄為霧的觀測歸類為海霧。

1.2 方法

1.2.1 FCN-CRF模型

本研究使用全卷積神經(jīng)網(wǎng)絡與全連接條件隨機場相結合的模型（Fully Convolutional Network and Conditional Random Field，F(xiàn)CN-CRF），在Tensoflow2.1框架上搭建FCN32s模型（https：//github.com/fengshilin/tf2.0-FCN）。該模型在經(jīng)典CNN網(wǎng)絡結構Visual Geometry Group 16（VGG16）[25]的基礎上，去掉全連接層，增加分類層、反卷積層[20]，可對樣本逐像素分類。同時，為彌補FCN上采樣操作使分類結果細節(jié)丟失、邊緣過于平滑的缺點，使用CRF（https：//github.com/lucasb-eyer/pydensecrf）后處理FCN結果。CRF能夠?qū)⒚總€像素點與其他像素點相連接[26]，得到更細致的分類邊界。圖3為FCN-CRF模型的結構，卷積層按照設置的卷積核大小，滑動提取輸入信號的特征；池化層基于局部相關性原理進行下采樣操作，在減少數(shù)據(jù)量的同時保留有用信息[27]；卷積操作降低了圖像的分辨率，反卷積操作將分辨率恢復到原樣本尺寸[20]；最后經(jīng)過CRF細化分類結果。

1.2.2 夜間海霧/低云檢測方法

圖4為基于FCN-CRF模型的夜間SFLS檢測方法設計流程。首先對Himawari-8衛(wèi)星的亮溫數(shù)據(jù)進行投影、插值等數(shù)據(jù)預處理，然后根據(jù)CALIPSO衛(wèi)星VFM產(chǎn)品的云底高度數(shù)據(jù)得到目標分類，結合亮溫數(shù)據(jù)進行數(shù)據(jù)時空匹配、數(shù)據(jù)增強，得到夜間SFLS樣本，加入海陸模板、SST數(shù)據(jù)形成FCN數(shù)據(jù)集（包含訓練集和測試集）。對于訓練集，經(jīng)過調(diào)整參數(shù)和通道，得到最佳FCN，結合CRF的后處理操作構成FCN-CRF模型。對于測試集，根據(jù)FCN-CRF模型的檢測結果，對比VFM產(chǎn)品、DCD法、ICOADS觀測數(shù)據(jù)以測試模型性能。

1.2.3評估方法

本文構建一個二分類混淆矩陣，如表1所示，其中TP， FN， FP， TN分別代表真陽性、假陰性、假陽性和真陰性的樣本總數(shù)[27]。使用總體準確度（overall accuracy，OA）、檢出率（probability of detection，POD）、虛警率（false alarm ratio，F(xiàn)AR）、臨界成功指數(shù)（critical success index，CSI）、Hanssen-Kuiper技能分數(shù)（Hanssen-Kuiper Skill Score，KSS）和Heidke技能分數(shù)（Heidke Skill Score，HSS）這6種指標[28-29]進行夜間SFLS檢測模型性能評價（表2）。利用OA和損失（loss）判斷FCN的訓練效果，OA代表正確分類的概率，loss代表預測值與標簽分類的差異程度。

2 模型訓練

2.1 標簽與樣本制作

大量高準確度的訓練數(shù)據(jù)對于深度學習方法至關重要，由于缺少實時海上觀測，本研究選擇衛(wèi)星遙感數(shù)據(jù)，即使用CALIPSO衛(wèi)星VFM產(chǎn)品的云底高度數(shù)據(jù)定義訓練樣本的標簽（圖5）。

Cotton等 [30]提出海洋層積云和霧的動力學形成機制少有明顯區(qū)別，且層積云和層云在時間尺度、液態(tài)水含量等方面與霧的差異較小。層積云和層云云底高度低于2 km[31]，因此本文將云底高度2 km以下的CALIPSO衛(wèi)星軌跡點定義為SFLS點，同理得到云底高度2 km以上為中高云點、無云為晴空水體點（圖5a）。連續(xù)10個以上相同分類的點視為一個樣本區(qū)域（圖5b），考慮到中高云水平尺度相對較小，連續(xù)5個以上中高云點則視為一個中高云區(qū)，視為原始樣本區(qū)域a。即在CALIPSO衛(wèi)星軌跡上，所選SFLS、晴空水體樣本的長度不少于50 km，中高云不少于25 km。

將CALIPSO、Himawari-8衛(wèi)星數(shù)據(jù)時空匹配（由1.1節(jié)得，時間誤差t ≤ 5 min，空間誤差h ≤ km），根據(jù)云霧在一定時間空間內(nèi)穩(wěn)定維持、水平區(qū)域各個方向上微物理特征相似，將所選樣本視為均勻的云霧區(qū)，對于Himawari-8衛(wèi)星數(shù)據(jù)在a處動態(tài)區(qū)域增長。若a的長度為x，以a為中心垂直線，長度x以內(nèi)的數(shù)據(jù)點視為相同分類標簽，得到邊長為x的正方形樣本區(qū)域（圖5c、d）。結合a處前后1 h內(nèi)數(shù)據(jù)、增長區(qū)域滯后10 min的前后1 h內(nèi)數(shù)據(jù)，采用因果分析方法[32]消除虛假增長區(qū)域（圖5e、f）。為方便模型訓練，樣本像素值設為256×256，即每個樣本含256×256=65 536個Himawari-8衛(wèi)星數(shù)據(jù)點。訓練樣本a區(qū)域及增長區(qū)域以外的數(shù)據(jù)點定義為不確定，不參與訓練。多層云的情況下，Himawari-8衛(wèi)星無法穿透高層云、探測較低的SFLS，因此根據(jù)CALIPSO衛(wèi)星觀測到的云層數(shù)剔除了多層云樣本。

經(jīng)過篩選，得到2 095個存在SFLS點的CALIPSO衛(wèi)星時次。根據(jù)2.1節(jié)提出的標簽定義方法，得到SFLS、中高云、晴空水體樣本數(shù)量分別為2 117、3 146、2 292個。為避免不同類別樣本的數(shù)量不平衡使模型訓練效果下降[33]，中高云、晴空水體樣本隨機拋棄至與SFLS樣本數(shù)量相等，以4：1的比例隨機分為訓練集（4 763）和測試集（1 888）。

2.2 參數(shù)與通道選擇

FCN的初始化權重函數(shù)選擇雙線性上采樣函數(shù)，激活函數(shù)選擇線性整流函數(shù) [34]，在池化層中使用平均池化方法，根據(jù)不同參數(shù)的準確率和損失變化趨勢優(yōu)化FCN。模型迭代輪次設置為50，即對整個訓練集覆蓋訓練50次，每個輪次更新權重、獲得損失值，訓練樣本總次數(shù)約23.8萬。

選擇Himawari-8衛(wèi)星通道7、13、14和SST（表3）訓練FCN，具有不同通道組合的6個特征集（表4）將在3.1節(jié)中依據(jù)FCN訓練結果進行比較。FCN加載了VGG16模型中的ImageNet及其網(wǎng)絡權重，以提高訓練的收斂速度；由于ImageNet限制3通道輸入，下文方案均使用3種數(shù)據(jù)通道。

3 結果與討論

3.1 FCN訓練結果分析

通過調(diào)整網(wǎng)絡結構和參數(shù)，使用特征集6的FCN性能最佳（表4），其OA為0.921，loss為0.135。OA略低于使用SST數(shù)據(jù)的特征集5，但具有最低的loss值，表明該模型的泛化能力最優(yōu)、預測值與真實值最接近。因此，使用B7、B7-B13、SST-B13數(shù)據(jù)建立FCN。

在特征集1、2、3中，對于相同數(shù)據(jù)通道選擇不同的損失函數(shù)，結果表明交叉熵損失函數(shù)更適用于夜間SFLS檢測，該函數(shù)表示實際輸出與期望輸出分類概率的差異，另外兩種softmax損失函數(shù)在訓練中下降趨勢不明顯、無法達到優(yōu)化目的[38]。對比特征集3和4，以B7-B13代替單獨使用衛(wèi)星不同波段，效果提升不明顯，可能FCN主動學習到不同通道數(shù)據(jù)之間的關系。對比特征集4、5、6，額外加入SST相關數(shù)據(jù)明顯提升了訓練效果。有研究發(fā)現(xiàn)云霧頂部與海表面之間的溫差（SST-B13）在SFLS檢測中起到明顯作用[8，39]，該數(shù)據(jù)同樣適用于本研究。

3.2 FCN-CRF測試對比

基于訓練所得FCN，結合CRF后處理模塊，得到測試集檢測結果。在CRF部分，調(diào)整了與FCN分類結果相關的一元勢能，將差異較大的像素分配給不同標簽的二元勢能參數(shù)。根據(jù)CALIPSO衛(wèi)星的分類，對比FCN-CRF與DCD法（表5），F(xiàn)CN-CRF的OA為0.819，POD為0.611，F(xiàn)AR為0.174，CSI指數(shù)為0.541，KSS評分為0.436，HSS評分為0.577。在DCD法中，SFLS的閾值區(qū)間為-7～-1 K時檢測效果最好，且POD略高于FCN-CRF，但誤判率FAR明顯過高，其他評分指數(shù)均低于FCN-CRF；當DCD法的閾值上限提高，POD與FAR數(shù)值同時增大。相對于此類固定閾值方法，F(xiàn)CN-CRF可將像素點關聯(lián)起來，感知更大區(qū)域的數(shù)據(jù)，更好地顧及紋理、邊界及其他空間信息。

3.3 海霧/低云檢測個例分析

圖6、7、8為FCN-CRF對于測試集的夜間SFLS檢測個例，并與DCD法、CALIPSO衛(wèi)星分類、Himawari-8衛(wèi)星紅外通道亮溫對比，圖6、8個例區(qū)域內(nèi)具有ICOADS觀測記錄。FCN-CRF能檢測出具有清晰邊界的各分類，且區(qū)域范圍明顯依賴亮溫特征。2017年5月7日個例（圖6）中，F(xiàn)CN-CRF的SFLS范圍與CALIPSO軌跡、DCD方法相似（圖6a、b），ICOADS觀測站點處檢測正確。結合紅外通道亮溫圖像（圖6c、d），47°～49°N，157°～158°E亮溫變化較大的區(qū)域可能為晴空水體與少量中高云，DCD法誤判為大范圍SFLS。FCN-CRF檢測結果為中高云及少量晴空水體，F(xiàn)CN將該區(qū)域分類為連續(xù)晴空水體，CRF存在過度消除。

圖7、8為2020年6月25日個例，16：09個例（圖7）DCD法及FCN-CRF的SFLS檢測結果均偏大（圖7a、b）。對于45°～46°N分類邊緣區(qū)域，F(xiàn)CN-CRF略優(yōu)于DCD法，且識別出大部分中高云點。根據(jù)CALIPSO衛(wèi)星數(shù)據(jù)，該個例SFLS的云/霧頂高度較低，與晴空水體交界處僅為70～190 m，因此SFLS、晴空水體的紅外亮溫差異較小，識別困難。

該個例的中高云點云底高度均高于8 000 m，結合紅外亮溫圖像（圖7c、d），43°～45°N，156°～158°E為高云及晴空水體。但CALIPSO衛(wèi)星的中高云及晴空水體的分類邊界，與Himawari-8衛(wèi)星紅外亮溫的高低溫邊界存在偏差，可能由于兩種數(shù)據(jù)存在時空誤差，高云較快的移動速度也會加大偏差。根據(jù)CALIPSO衛(wèi)星數(shù)據(jù)，45°N附近的晴空水體與高云之間有云區(qū)和氣溶膠過渡層，VFM產(chǎn)品將其大部分識別為云，與紅外亮溫高于275 K的區(qū)域?qū)Ｒ虼嗽搮^(qū)域的VFM產(chǎn)品云檢測可能存在誤差，從而造成邊界檢測的誤差。雖然范圍較小，但一定程度上會影響附近數(shù)據(jù)的分類。

18：00個例（圖8）ICOADS觀測站點處檢測正確（圖8a、b），F(xiàn)CN-CRF的SFLS分類區(qū)域與3.9 μm紅外亮溫圖像（圖8c）特征相似，低亮溫區(qū)域（圖8c、d）可能為中高云，未被檢測出。

4 結論

本研究使用CALIPSO、Himawari-8衛(wèi)星數(shù)據(jù)，基于卷積神經(jīng)網(wǎng)絡提出了西北太平洋夜間海霧/低云檢測方法，主要結論如下：

（1）在海上實時觀測數(shù)據(jù)匱乏的情況下，根據(jù)云霧的時間持續(xù)性、水平均勻性特征，使用CALIPSO衛(wèi)星的云底高度數(shù)據(jù)制作深度學習方法訓練所需的各分類標簽，并與Himawari-8衛(wèi)星數(shù)據(jù)相結合，通過數(shù)據(jù)增強處理得到較高空間分辨率樣本，為夜間SFLS檢測提供可行性。

（2）根據(jù)2016—2020年2 095個時次的夜間SFLS，得到4 763張訓練樣本，構建FCN-CRF模型。經(jīng)過測試集的性能評估，該模型OA為0.819，POD為0.611，F(xiàn)AR為0.174，CSI指數(shù)為0.541，KSS評分為0.436，HSS評分為0.577，整體優(yōu)于DCD法。

（3）夜間SFLS個例顯示，F(xiàn)CN-CRF模型能夠檢測出具有清晰邊界的各分類區(qū)域，對于細節(jié)的處理仍有改進空間，但結果較準確，且分類明顯依賴紅外通道亮溫數(shù)值的特征。

因海上的觀測數(shù)據(jù)較少，對于夜間海霧/低云檢測，標簽的獲取和制作仍然是難點，其準確性影響了模型訓練效果。更大規(guī)模真實準確的分類標簽、更先進的目標識別增長方法、更能針對細節(jié)的深度學習模型，能夠有利于本研究方法的優(yōu)化改進。

致謝：Himawari-8衛(wèi)星數(shù)據(jù)由日本氣象廳提供（http：//www.jma.go.jp/jma/indexe.html），CALIPSO衛(wèi)星數(shù)據(jù)由CALIPSO網(wǎng)站提供（https：//www-calipso.larc.nasa.gov/），SST數(shù)據(jù)由歐洲中期天氣預報中心提供（https：//cds.climate.copernicus.eu/），ICOADS數(shù)據(jù)由NOAA提供（http：//icoads.noaa.gov/）。FCN模型基礎代碼來自https：//github.com/fengshilin/tf2.0-FCN，CRF模型基礎代碼來自https：//github.com/lucasb-eyer/pydensecrf。謹致謝意。

參考文獻：

[1] 王彬華.海霧[M].北京：海洋出版社，1983.

[2] 吳曉京，朱小祥，毛紫陽，等.風云二號氣象衛(wèi)星紅外觀測在云團降水監(jiān)測中的應用[J].海洋氣象學報，2019，39（3）：1-10.

[3] 王新，唐世浩，曹治強.風云氣象衛(wèi)星“一帶一路”熱帶氣旋監(jiān)測能力與最新進展[J].海洋氣象學報，2020，40（2）：10-18.

[4] 吳曉京，李三妹，廖蜜，等.基于20年衛(wèi)星遙感資料的黃海、渤海海霧分布季節(jié)特征分析[J].海洋學報，2015，37（1）：63-72.

[5] KORA?in D， DORMAN C E. Marine fog： challenges and advancements in observations， modeling， and forecasting[M]. Switzerland： Springer International Publishing，2017.

[6] BENDIX J， THIES B， NAUSS T， et al. A feasibility study of daytime fog and low stratus detection with TERRA/AQUA-MODIS over land[J]. Meteorol Appl，2006，13（2）：111-125.

[7] CERMAK J， BENDIX J. A novel approach to fog/low stratus detection using Meteosat 8 data[J]. Atmos Res，2008，87（3/4）：279-292.

[8] ZHANG S P， YI L. A comprehensive dynamic threshold algorithm for daytime sea fog retrieval over the Chinese adjacent seas[J]. Pure Appl Geophys，2013，170（11）：1931-1944.

[9] WU X J， LI S M. Automatic sea fog detection over Chinese adjacent oceans using Terra/MODIS data[J]. Int J Remote Sens，2014，35（21）：7430-7457.

[10] 蔣璐璐，魏鳴.FY-3A衛(wèi)星資料在霧監(jiān)測中的應用研究[J].遙感技術與應用，2011，26（4）：489-495.

[11] ELLROD G P. Advances in the detection and analysis of fog at night using GOES multispectral infrared imagery[J]. Wea Forecasting，1995，10（3）：606-619.

[12] UNDERWOOD S J， ELLROD G P， KUHNERT A L. A multiple-case analysis of nocturnal radiation-fog development in the Central Valley of California utilizing the GOES nighttime fog product[J]. J Appl Meteorol，2004，43（2）：297-311.

[13] CERMAK J， BENDIX J. Dynamical nighttime fog/low stratus detection based on Meteosat SEVIRI data： a feasibility study[J]. Pure Appl Geophys，2007，164（6/7）： 1179-1192.

[14] GAO S H， WU W， ZHU L L， et al. Detection of nighttime sea fog/stratus over the Huanghai Sea using MTSAT-1R IR data[J]. Acta Oceanol Sin，2009，28（2）：23-35.

[15] 鮑獻文，王鑫，孫立潭，等.衛(wèi)星遙感全天候監(jiān)測海霧技術與應用[J].高技術通訊，2005，15（1）：101-106.

[16] HUNT G E. Radiative properties of terrestrial clouds at visible and infra-red thermal window wavelengths[J]. Quart J Roy Meteor Soc，1973，99（420）：346-369.

[17] BENDIX J， BACHMANN M. Ein operationell einsetzbares Verfahren zur Nebelerkennung auf der Basis von AVHRR-Daten der NOAA-Satelliten[J]. Meteorol Rundsch，1991，43：169-178.

[18] CHAI D F， NEWSAM S， ZHANG H K， et al. Cloud and cloud shadow detection in Landsat imagery based on deep convolutional neural networks[J]. Remote Sens Environ，2019，225：307-316.

[19] LeCUN Y， BENGIO Y， HINTON G. Deep Learning[J]. Nature，2015，521（7553）：436-444.

[20] LONG J， SHELHAMER E， DARRELL T. Fully convolutional networks for semantic segmentation[C/OL]//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Boston， MA， June 7–12，2015：3431-3440. https：//ieeexplore.ieee.org/document/7298965.

[21] 劉樹霄，衣立，張?zhí)K平，等.基于全卷積神經(jīng)網(wǎng)絡方法的日間黃海海霧衛(wèi)星反演研究[J].海洋湖沼通報，2019，41（6）：13-22.

[22] WOHLFARTH K， SCHR?ER C， KLAB M， et al. Dense cloud classification on multispectral satellite imagery[C/OL]//2018 10th IAPR Workshop on Pattern Recognition in Remote Sensing （PRRS）， Beijing， August 19-20，2018：1-6. https：//ieeexplore.ieee.org/document/8486379.

[23] WU W， GAO X Y， FAN J， et al. Improved mask R-CNN-based cloud masking method for remote sensing images[J]. Int J Remote Sens，2020，41（23）：8910-8933.

[24] BESSHO K， DATE K， HAYASHI M， et al. An introduction to Himawari-8/9： Japans new-generation geostationary meteorological satellites[J]. J Meteor Soc Japan，2016，94（2）：151-183.

[25] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C/OL]ICLR 2015， San Diego， CA， May 7–9， 2015.[2022-02-07]. https：//arxiv.org/abs/1409.1556.

[26] SUTTON C， MCCALLUM A. An introduction to conditional random fields[J]. Found Trends Mach Learn，2012，4（4）：267-373.

[27] 周志華.機器學習[M].北京：清華大學出版社，2016.

[28] 趙詩童，時曉曚，吳曉京，等.三種經(jīng)典夜間陸地霧遙感反演方法的適用性對比分析[J].海洋氣象學報，2021，41（1）：45-57.

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

[30] COTTON W R， BRYAN G H， VAN DEN HEEVER S C. Storm and cloud dynamics： the dynamics of clouds and precipitating mesoscale systems[M].2nd ed. Academic Press，2011.

[31] NORTH G R， PYLE J A， ZHANG F Q. Encyclopedia of atmospheric sciences[M].2nd ed. Academic Press，2015：141-160.

[32] LIANG X S. Information flow and causality as rigorous notions ab initio[J]. Phys Rev E， 2016， 94（5）：052201.

[33] HENSMAN P， MASKO D. The impact of imbalanced training data for convolutional neural networks[D]. Stockholm： KTH Royal Institute of Technology，2015.

[34] HAHNLOSER R H R， SARPESHKAR R， MAHOWALD M A， et al. Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit[J]. Nature，2000， 405（6789）：947-951.

[35] SAUNDERS R W， KRIEBEL K T. An improved method for detecting clear sky and cloudy radiances from AVHRR data[J]. Int J Remote Sens， 1988， 9（1）： 123-150.

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

[37] SHIN D， KIM J H. A new application of unsupervised learning to nighttime sea fog detection[J]. Asia-Pac J Atmos Sci，2018，54（4）：527-544.

[38] AWAD M， KHANNA R. Efficient learning machines： theories， concepts， and applications for engineers and system designers[M]. Berkeley， CA： Apress，2015：39-66.

[39] GULTEPE I， PAGOWSKI M， REID J. A satellite-based fog detection scheme using screen air temperature[J]. Wea Forecasting，2007，22（3）：444-456.