基于多種機器學習模型的夏季北冰洋海霧衛星檢測方法研究

付玉琴 衣立 黎夢雅 程雪盈

摘 要 利用2014—2018年6—9月Aqua/MODIS提供的光譜數據、海面溫度數據及其他輔助數據，基于CALIOP L2 VFM產品中云底高度提取的海霧、云和海表標簽，建立3類樣本數據集。結合使用K折交叉驗證法、網格搜索法和粒子群優化算法訓練隨機森林（random forest，RF）、支持向量機（support vector machine，SVM）、多層感知機（multilayer perceptron，MLP）和全卷積神經網絡（fully convolutional network，FCN）4種不同的機器學習模型，對比模型在北冰洋夏季海霧檢測中的表現。結果顯示，RF、SVM、MLP和FCN均表現出一定的海霧檢測能力，檢出率（probability of detection，POD）均超過70%。其中，FCN表現出最穩健的綜合性能，POD達到79.91%，虛警率達到較低的24.90%，關鍵成功指數達到63.17%。

關鍵詞 北冰洋；海霧檢測；衛星；機器學習

中圖分類號：P47；TP181文獻標志碼：A文章編號：2096-3599（2024）01-0014-10

DOI：10.19513/j.cnki.hyqxxb.20231004001

收稿日期：2023-10-04；修回日期：2024-01-08

基金項目：國家重點研發計劃項目（2019YFC1510102）；國家自然科學基金項目（U2342214，41975024）

第一作者簡介：付玉琴，女，碩士研究生，主要從事海霧衛星遙感研究，fuyq36@163.com。

通信作者簡介：衣立，男，博士，副教授，主要從事海霧和低云衛星檢測相關研究工作，yili@ouc.edu.cn。

Summer sea fog detection over the Arctic Ocean based on satellite data using several machine learning models

FU Yuqin^1，2， YI Li^1，2， LI Mengya³， CHENG Xueying⁴

（1. Frontiers Science Center for Deep Ocean Multispheres and Earth System， Ocean University of China， Qingdao 266100， China; 2. College of Oceanic and Atmospheric Sciences， Ocean University of China， Qingdao 266100， China; 3. PIESAT Information Technology Co.， Ltd.， Beijing 100195， China; 4. Systems Engineering Research Institute of China State Shipbuilding Co.， Ltd.， Beijing 100094， China）

Abstract Utilizing the spectral data， sea surface temperature， and other auxiliary data provided by Aqua/MODIS between June and September from 2014 to 2018， three categories of sample datasets are established， in which samples are labled as sea fog， cloud， and sea surface based on the cloud base height extracted from CALIOP/VFM. Combining K-fold cross-validation， grid search， and particle swarm optimization techniques， 4 different machine learning models are trained， including random forest （RF）， support vector machine （SVM）， multilayer perceptron （MLP）， and fully convolutional networks （FCN）. The performance of these models in the summer sea fog detection over the Arctic Ocean is compared. The results show that RF， SVM， MLP， and FCN all exhibit some capability of sea fog detection， with probability of detection （POD） exceeding 70%. Among them， FCN shows the best overall performance， achieving a POD of 79.91% and a low false alarm rate （FAR） of 24.90%， resulting in a critical success index （CSI） of 63.17%.

Keywords the Arctic Ocean; sea fog detection; satellite; machine learning

引言

隨著全球變暖，海冰融化，北冰洋開闊水域呈明顯增加趨勢^［1］，北極航道在夏季甚至全年都可以通航。夏季是北冰洋海霧高發季節^［2］，海霧的發生頻率高達36.3%^［3］。海霧導致海上或沿海能見度降低，嚴重影響北冰洋沿海的生產生活、航道運輸甚至導致船舶被海冰圍困等事故發生^［4-5］。因此，對北冰洋海霧的及時監測十分重要。

海洋上觀測站點稀少且分布不均，衛星遙感具有高時空分辨率的優勢，成為海霧檢測的重要手段。傳統上，利用霧/低層云在中波紅外與長波紅外通道的輻射差異，采用雙通道差值法^［6-9］來檢測夜間霧。也有許多研究采用輻射傳輸模式^［10-12］或統計方法^［13-17］分析海霧在不同波段的輻射特征，設定輻射閾值進行海霧的檢測。除此之外，海霧檢測方法也趨向以閾值法為基礎的多元化發展。劉希等^［18］結合像元空間一致性檢測法和紅外亮溫閾值法檢測中國東部沿海霧。Zhang等^［19］分析云霧在垂直結構上的差異，結合海面溫度，采用動態閾值法檢測中國近海霧。何月等^［20］采用分級判識太陽高度角閾值和歸一化大霧指數方法檢測浙江省及周圍大霧。Yi等^［21］利用云頂溫度與下墊面溫度的差異，通過閾值法檢測楚科奇海和波弗特海附近的海霧。Xiao等^［22］使用逐級判斷法，結合多個通道的輻射閾值和紋理特征分離格林蘭海附近的海霧。然而，海霧和低云在光學遙感影像上表現相似^［23］，選擇合適的閾值范圍檢測海霧是難點。不僅如此，極地地區常年存在海冰和積雪，其在可見光波段與云霧相似^［24］，且極地地區太陽高度角低，遙感光譜測量誤差大^［25］。這些復雜的環境更增加了獲取北冰洋海霧檢測閾值的難度。

機器學習方法可以自主學習特征與類別之間復雜的非線性關系，不依賴特定值完成分類任務。通過自動提取海量數據與霧之間的非線性關系，機器學習方法被逐漸應用于霧檢測研究當中^［25-33］。在各種機器學習方法中，支持向量機（support vector machine，SVM）能夠用小樣本數據集實現較高精度分類^［33］，但對于大樣本數據集，則需要大量時間成本^［34］。而隨機森林（random forest，RF）可以高效學習大樣本數據集^［26］。神經網絡模型多層感知機（multilayer perceptron，MLP）含有的隱藏層結構可以提取更抽象化的特征^［34］。此外，全卷積神經網絡（fully convolutional network， FCN）還能提取圖像的紋理特征^{［25，27-28］}。為更好地開展北冰洋海霧檢測工作，對SVM、RF、MLP和FCN等4種機器學習模型在北冰洋夏季海霧檢測中的表現進行了評估。

1 數據與方法

1.1 數據及預處理

使用搭載于Aqua衛星的MODIS數據（MYD021KM、MYD03和MYD06_L2）制作樣本特征。MODIS具有36個波段，光譜范圍為0.4～14.4 μm，掃描幅寬2 330 km，每5 min生成1個數據文件，1～2 d即可覆蓋全球。根據云、霧、冰雪的特征差異，如表1所示，利用MYD021KM提供的通道1（0.62～0.67 μm，R1），通道20（3.66～3.84 μm，B20），通道26（1.36～1.39 μm，R26），通道31（10.78～11.28 μm，B31）的光譜數據，MYD06提供的海面溫度（sea surface temperature，SST）數據以及MYD03提供的太陽天頂角（solar zenith angle，SOZ）數據，構建5個樣本特征：R1、R26、B20-B31、B31-SST和SOZ。數據的空間分辨率為1 km×1 km，可在網站https：//ladsweb.modaps.eosdis.nasa.gov/search/下載。

使用搭載于CALIPSO衛星的CALIOP二級垂直特征掩模產品（vertical feature mask，VFM）制作樣本標簽并檢驗模型的海霧檢測效果。VFM數據（https：//asdc.larc.nasa.gov/data/CALIPSO/）利用532 nm波段的后向散射系數提供云和氣溶膠在大氣層中的垂直分層^［36］，常用于海霧標簽制作和海霧檢測結果的檢驗^{［21-22，37-38］}。所用VFM數據的水平分辨率為5 km，垂直分辨率為30 m，把從最底層（-20 m）向上檢測到的第一個云點的高度作為云底高度，若在第一個高度范圍內（即-20～10 m）檢測到云，則標簽為海霧^［37］，若檢測到的云底高度大于10 m則標簽為云，無云場景標簽為海表（包括開闊水海表和冰雪覆蓋海表）。值得注意的是，由于MODIS接收大氣層整層的大氣輻射，無法獲得不同高度的精確輻射信息，本文用單層云（霧）做樣本。

1.2 樣本數據集

CALIPSO和Aqua同為A-train（沿同一軌道運行，各種儀器幾乎同步觀測的衛星星座）系列衛星，過境時間相差約73 s，2018年9月CALIPSO衛星軌道下降，二者不再同步觀測。為了充分匹配衛星數據，以2014—2018年北冰洋（65°～90°N）夏季（6—9月）數據制作樣本數據集。樣本數據集由樣本特征和樣本標簽組成，其制作流程如圖1所示。依據預處理VFM得到的海霧、云和海表分類標簽，采用最小球面距離，將各樣本點標簽匹配到最近時刻的MODIS圖像上，并提取該點的樣本特征，建立第一個數據集（Dataset 1，D1），可用于RF、SVM、MLP訓練。由于CALIPSO衛星掃描幅寬很窄，D1在水平空間分布呈“線”狀，無法滿足FCN要求的二維空間數據輸入。因此，采用區域增長方法^［28］，對于連續10個以上同類樣本點的區域，以樣本點所處衛星軌跡線為中心垂直線，往兩側進行該類別的區域增長，增長范圍與該類樣本連續點數相等，再通過中心裁剪獲得適用于FCN模型訓練的大小為64像素×64像素的數據集（Dataset 2，D2）。根據該方法獲得的海霧、云、海表樣本數量分別為3 165、3 289、3 106張。為了避免不同類別樣本數量的不平衡對模型訓練產生影響^［39］，對D2中海霧、云樣本隨機拋棄，最終D2中的3類樣本數量均為3 106張。為了減小D1與D2的差異，D1只保留用于擴增的樣本點，最終D1中的3類樣本點數量均為198 784個。

訓練模型時，2個數據集的樣本特征均進行z-score標準化處理，使每個特征呈正態分布，加快模型訓練時的收斂速度。數據集的80%被劃分為訓練集和驗證集，用于模型訓練及參數調整，剩下的20%作為測試集，全程不參與訓練過程，用于評估模型的分類表現。

1.3 方法

1.3.1 機器學習模型

采用4種機器學習模型，包括隨機森林（RF）、支持向量機（SVM）、多層感知機（MLP）和全卷積神經網絡（FCN），區別如表2所示。RF是一種由大量決策樹構成的集成機器學習算法^［40］，不同決策樹選擇樣本的不同特征進行分支生長，由此訓練大量決策樹，預測結果為決策樹投票最多類別。SVM是在統計學習理論的基礎上發展起來的^［41］，模型的建立是尋找最大間隔分割平面的過程，使模型最大限度地區分多類數據。對于非線性數據，SVM使用核函數^［42-43］，將低特征維度的線性不可分數據轉為高特征維度的線性可分數據。MLP是一種神經網絡模型，利用誤差反向傳播算法，反向求導每層網絡的誤差調整每一層權重^［44］。MLP由輸入層、若干隱藏層和輸出層組成，隱藏層中加入Tanh^［45］或Relu^［46］等激活函數，使模型具備非線性表達能力。隱藏層可以擬合任何非線性函數，但不斷增加其層數可能出現訓練過擬合問題，導致實際效果不佳，同時也會增加訓練難度，使模型難以收斂，因此MLP使用一層隱藏層。

FCN是一種圖像機器學習模型，由卷積神經網絡（convolutional neural network，CNN）發展而來。CNN考慮到相鄰像素間的空間相關性和紋理特征^［47］，通過多層隱藏層（卷積層）對圖像進行特征提取，再通過全連接層和分類層對圖像進行分類。FCN^［48］在CNN如ResNet、VGG16、AlexNet等模型的基礎上，去掉全連接層和分類層，換為反卷積層進行上采樣，獲得圖像的逐像素分類。以含有13層卷積層的VGG16為基本骨架，采用Shelhamer等^［48］提出的含有跳躍結構（skip architecture）的FCN模型，建立海霧檢測模型。

1.3.2 參數優化方法

在訓練模型之前，需要設定一些參數。參數的不同取值將影響模型訓練的速度和精度。許多研究^{［26，49］}使用經驗法或網格搜索法選擇模型參數，但經驗法容易陷入局部最優，網格搜索法不適用取值范圍大且連續的參數。為高效找到最優參數組，結合使用K折交叉驗證法^［50］、網格搜索法和粒子群優化算法，幫助模型在參數空間中找到最佳組合。

K折交叉驗證法是指隨機選取數據集80%的樣本，平均分成K份，每次取不同的一份作為驗證集，其余作為訓練集。如此重復K次實驗，得到K次實驗中驗證集的準確率，取K個數的平均值代表模型該套參數的得分。交叉驗證法不僅能充分利用訓練數據，還是防止模型過擬合，提高模型泛化性能的有效方法。RF、MLP和FCN模型的全部訓練過程均采用十折交叉驗證法，SVM由于建模時間較長，采用五折交叉驗證法。

網格搜索法^［49］是指對于需要優化的N個參數，把它們投射到N維空間，根據每個參數取值范圍和步長劃分為網格，遍歷網格的所有交點。當參數步長足夠小時，網格搜索更容易找到全局最優解，但同時也意味著需要花費更多的時間和計算資源。對于文中參數較少且參數為離散值的情況（如RF、MLP的參數和FCN模型的部分參數），采用網格搜索法確定。

粒子群優化（particle swarm optimization，PSO）算法^［51］把變量尋優問題設想成一群粒子在參數空間搜尋最佳位置的過程。通過記錄每個粒子和粒子群歷史經過的表現最佳位置，來更新每個粒子下一次的位置和速度^［52］。PSO算法同時考慮了單個粒子和群體粒子的位置信息（信息共享），適合用來加快確定具有連續取值的參數，此處SVM參數和FCN學習率參數采用PSO算法確定。

1.3.3 評價指標

為了評估模型的分類性能，需要將測試集的特征輸入訓練好的機器學習模型，生成預測分類。以3類樣本為例，根據預測分類與真實標簽的比對，分為以下9種情況，不同情況下的樣本數分別記為a～i，如表3所示。根據混淆矩陣^［53-54］，使用總體準確度（overall accuracy，OA）、檢出率（probability of detection，POD）、虛警率（false alarm rate，FAR）、臨界成功指數（critical success index，CSI）定量評估模型的分類表現，其計算公式和含義如表4所示。

2 模型訓練及優化

制作2個數據集，D1用于訓練RF、SVM和MLP，D2用于訓練FCN。結合使用不同參數優化方法優化模型關鍵參數，確定4種模型最終參數方案，結果如表5所示。

影響RF分類精度的有2個關鍵參數，分別是決策樹的數量（n_estimators）和決策樹節點分枝時隨機選取特征的數量（max_features）^［49］。利用網格搜索法，結合樣本特征數較少的實際情況，max_features始終以步距1搜索，n_estimators參數先在1～200范圍以步距10搜索，再在±10的范圍以步距1搜索。

影響SVM分類精度的參數主要分為兩部分，一部分是模型對分類錯誤樣本的懲罰力度參數C，C越大表示懲罰越大，容錯能力越小，訓練更易過擬合。另一部分是核函數的參數，徑向基核函數^［55］的參數為gamma。C和gamma取值范圍大且連續，采用PSO算法在0.01～100范圍確定C和gamma的參數組合。

MLP與FCN同為神經網絡模型，在固定網絡基本框架的前提下，影響模型的關鍵參數包括損失函數（loss_function）、優化器（optimizer）和學習率（learning_rate）^［56-57］。先用網格搜索法得到loss_function與optimizer的最佳參數組合，再使用PSO優化算法確定learning_rate，范圍限制在10^-6～10^-4。另外，MLP模型結構較為簡單，隱藏神經元個數（hidden_layer_sizes）也是一個重要的影響因素，使用網格搜索法在1～500范圍內不斷縮小步距，確定最終取值。

3 結果與分析

3.1 模型評估

根據表5確定的參數，訓練RF、SVM、MLP和FCN等4種模型，通過數據集的測試集對模型進行評估，結果如表6所示。4種模型的總體準確度均超過75%，表現出區分北冰洋海霧、云和海表的能力。由POD指標看，神經網絡模型MLP和FCN的海霧檢測表現優于RF和SVM，說明神經網絡模型的隱藏層能對數據進行更為復雜的非線性映射，且FCN含多層隱藏層結構，提取高層次抽象信息^［58］，從而具有更高的特征表達力。相比而言，SVM表現較差，說明D1對于SVM而言樣本量太大，在大樣本數據集和復雜數據情況下，無法體現SVM高效擬合的優勢^［33］?？傮w而言，FCN對北冰洋海霧POD（79.91%）最高，FAR（24.90%）最低，CSI（63.17%）也最高，優于其他3種模型。

4種模型分別對海霧、云和海表樣本的判別情況如圖2所示，模型預測為相同類別代表正確率，預測為其他類別代表誤判率。對于海霧樣本，各模型將其誤判成海表的概率都較低，為1.56%～3.97%，而誤判成云的概率較高，為18.53%～25.16%，其中，SVM最容易把海霧誤判成云。這說明海霧與海表體現在R1、R26、B20-B31、B31-SST和SOZ中的特征差異能被4種模型學習到，而由于海霧與云，尤其與低層云的水汽含量和粒子大小相似，且存在相互轉化現象^［59-60］，表現在5個特征中相似，模型難以完全區分二者。與其他模型相比，FCN把海霧誤判為云或海表的概率都最低，對海霧檢測的表現最優。對云樣本而言，各模型最容易將其誤判為海霧，誤判成海表的概率也較低，但與海霧樣本相比，云樣本誤判為海表的概率更高。與其他模型相比，FCN仍表現出最佳的云檢測效果。對于海表樣本，4種模型的檢測能力都很高，正確率都在90%以上。

3.2 海霧個例檢驗

圖3—6是隨機選取的2個海霧個例。由2014年8月14日20：25（世界時，下同）的個例看，VFM垂直分類（圖3a）顯示129°～134°E為海霧，123°～124°E為云，134°～141°E為海表。結合可見光圖像（圖3b）可見，129°～134°E（紅色實線附近）在圖像上的紋理光滑且均勻，符合海霧的特征，而127°～130°E（綠色實線附近）呈現凹凸不平的特點，紋理相對粗糙，符合云的特征^［61］。因此，CALIPSO的軌跡分類與可見光圖像是吻合的。由4種模型對該場景的分類結果看，RF（圖4a）、MLP（圖4c）和FCN（圖4d）在CALIPSO軌道上的霧區與VFM分類基本吻合，但SVM（圖4b）把部分海霧像素誤判為云，導致POD較低。RF、SVM和MLP把部分云也檢測為海霧，對霧區檢測范圍偏大，導致FAR較高，且霧區不連續，這可能與模型是單點分類，未考慮相鄰像素的空間關系有關。FCN檢測的霧區連續性較強，因為FCN的卷積層可以提取相鄰像素的空間信息和紋理特征^［47］。但海霧邊界不夠細致，這是FCN在進行反卷積操作過程中丟失了邊界信息導致的^［62］。

選取2017年6月8日海霧個例，由VFM顯示的垂直分類（圖5a）看，157°～168°E為海霧，168°～175°E為海表，而由可見光圖像（圖5b）看，根據圖像北部和東部（圖5b中黑框）的紋理特征（如上文個例中提到的）判斷為云，但冰雪與海霧的可見光反射率相當時，無法從可見光圖像區分海霧（紅色實線），這是極地地區一種常見現象。圖6表示4種模型對該場景的分類結果，4種模型在CALIPSO軌道上的霧區與VFM分類基本吻合，海霧檢測整體效果較好，說明模型可以區分海霧與冰雪覆蓋的海表。且RF、SVM和MLP均檢測到了北部和東部的云區（圖6中黑框），而FCN將北部云區誤判為海霧，說明FCN模型對海霧邊界的檢測有待進一步提高。

4 討論

為了滿足FCN訓練要求，在D1基礎上進行區域增長獲得D2，這可能引入了錯誤標簽。用D2再次訓練MLP，發現MLP的OA為76.53%，POD為70.89%，FAR為31.07%，CSI為53.72%，與前文用D1訓練的MLP相比，各項評價指標都有所變差。證明D2的確引入了干擾信息，而FCN仍表現出最佳的海霧檢測能力，說明FCN魯棒性^［63］較強。提高數據集的準確性，其海霧檢測能力也可能進一步提高。

由海霧個例檢測效果看，FCN檢測得到的海霧邊界過于平滑。全連接條件隨機場（fully connected conditional random field， 記為“Dense CRF”）能通過建立全部像素空間位置的聯系，實現精準分割^［27-28］。用Dense CRF模塊處理FCN的預測結果后（圖7），海霧邊界處取得了更細致的效果，因此，后續研究可以加入Dense CRF模塊優化用于FCN檢測海霧出現的邊界平滑問題。

5 結論

利用CALIOP L2 VFM數據、Aqua/MODIS數據，構建了2014—2018年夏季北冰洋地區的3類（海霧、云、海表）樣本數據集D1，用于訓練RF、SVM和MLP。在D1基礎上，通過區域增長方法生成樣本數據集D2，用于訓練FCN。采用K折交叉驗證法、網格搜索法和粒子群優化算法，選擇了模型的最佳參數，使用測試集評估了RF、SVM、MLP和FCN這4種機器學習模型對北冰洋海霧的檢測效果，得到以下結論：

（1）由海霧檢測指標看，RF、SVM、MLP和FCN的海霧POD都在70%以上，表現出良好的海霧檢測能力。MLP和FCN都含有隱藏層結構，具有更高的特征表達力，且FCN考慮了相鄰像素間的空間相關性和紋理特征，檢測的霧區連續性較強。綜合來看，FCN海霧檢測表現最佳，OA為81.96 %，POD為79.91%，FAR為24.90%，CSI為63.17%。

（2）模型將海霧誤判成海表的概率為1.56%～3.97%，誤判成云的概率較高，為18.53%～25.16%，尤其是SVM。這說明4種模型均能學習到海霧與海表的特征差異，而由于海霧與云具有相似的光譜特征，模型更難區分二者。與其他模型相比較而言，FCN把海霧誤判為云或海表的概率都最低。

（3）由個例看，RF、SVM、MLP對海霧的檢測范圍偏大，且霧區不連續，而FCN檢測的霧區連續且更準確，但其在霧區邊界的檢測過于平滑，缺失細節，這是因為FCN在進行反卷積操作過程中丟失了邊界信息。Dense CRF能很好地聯系全部像素的空間位置關系，細化檢測邊界，優化FCN檢測海霧出現的邊界平滑問題。

（4）用包含更多干擾信息的D2訓練FCN，仍具有最佳表現，表明FCN具有較強的魯棒性，也意味著FCN海霧檢測能力可能還有提升空間。后期研究可以嘗試結合海霧的發生機理和運動規律^［64］，制作更準確的數據集，以進一步驗證和提高FCN檢測海霧的能力。

致謝：感謝美國國家航空航天局（National Aeronautics and Space Administration，NASA）公開提供的Aqua/MODIS數據和CALIOP L2 VFM數據。

參考文獻：

［1］ PARKINSON C L， DIGIROLAMO N E. New visualizations highlight new information on the contrasting Arctic and Antarctic Sea-ice trends since the late 1970s［J］. Remote Sens Environ，2016，183：198-204.

［2］HANESIAK J M， WANG X L. Adverse-weather trends in the Canadian Arctic［J］. J Climate，2005，18（16）：3140-3156.

［3］陳志昆，魏立新，李志強，等.2017年夏季北冰洋浮冰區海霧特征分析［J］.海洋預報，2019，36（2）：77-87.

［4］XIE S M， BAO C L， JIANG D Z. Role of sea ice in air-sea exchange and its relation to sea fog［J］. Chin J Polar Sci，2001，12（2）：119-132.

［5］KORACˇIN D， DORMAN C E， LEWIS J M， et al. Marine fog： a review［J］. Atmos Res，2014，143：142-175.

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

［7］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.

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

［9］趙詩童，時曉曚，吳曉京，等.三種經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.

［10］鄧軍，白潔，劉健文，等.基于MODIS多通道資料的白天霧監測［J］.氣象科技，2006，34（2）：188-193.

［11］郝增周，潘德爐，龔芳，等.海霧的遙感光學輻射特性［J］.光學學報，2008，28（12）：2420-2426.

［12］文雄飛，譚德寶，陳蓓青，等.歸一化霧指數法白天陸地輻射霧檢測研究［J］.長江科學院院報，2011，28（10）：210-216.

［13］ANTHIS A I， CRACKNELL A P. Use of satellite images for fog detection （AVHRR） and forecast of fog dissipation （METEOSAT） over lowland Thessalia， Hellas［J］. Int J Remote Sens，1999，20（6）：1107-1124.

［14］SHIN D， PARK H， KIM J H. Analysis of the fog detection algorithm of DCD method with SST and CALIPSO data［J］. Atmosphere，2013，23（4）：471-483.

［15］張春桂，蔡義勇，張加春.MODIS遙感數據在我國臺灣海峽海霧監測中的應用［J］.應用氣象學報，2009，20（1）：8-16.

［16］張春桂，林炳青.基于FY-2E衛星數據的福建沿海海霧遙感監測［J］.國土資源遙感，2018，30（1）：7-13.

［17］鄧玉嬌，王捷純，曹靜.基于MODIS遙感資料監測南海白天霧［J］.熱帶氣象學報，2013，29（6）：1046-1050.

［18］劉希，胡秀清.基于MTSAT衛星的我國東部沿海霧區的自動識別［J］.臺灣海峽，2008，27（1）：112-117.

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

［20］何月，張小偉，蔡菊珍，等.基于MTSAT衛星遙感監測的浙江省及周邊海區大霧分布特征［J］.氣象學報，2015，73（1）：200-210.

［21］YI L， LI K F， CHEN X Y， et al. Arctic fog detection using infrared spectral measurements［J］. J Atmos Ocean Technol，2019，36（8）：1643-1656.

［22］XIAO Y F， ZHANG J， QIN P. An algorithm for daytime sea fog detection over the Greenland Sea based on MODIS and CALIOP data［J］. J Coast Res，2019，90（S1）：95-103.

［23］肖艷芳，張杰，崔廷偉，等.海霧衛星遙感監測研究進展［J］.海洋科學，2017，41（12）：146-154.

［24］YIN M J， WANG P， NI C， et al. Cloud and snow detection of remote sensing images based on improved Unet3［J］. Sci Rep，2022，12（1）：14415.

［25］YI L， LI M Y， LIU S X， et al. Detection of dawn sea fog/low stratus using geostationary satellite imagery［J］. Remote Sens Environ，2023，294：113622.

［26］許赟，許艾文.基于隨機森林的遙感影像云雪霧分類檢測［J］.國土資源遙感，2021，33（1）：96-101.

［27］劉樹霄，衣立，張蘇平，等.基于全卷積神經網絡方法的日間黃海海霧衛星反演研究［J］.海洋湖沼通報，2019（6）：13-22.

［28］黎夢雅，時曉曚，吳曉京，等.基于卷積神經網絡的西北太平洋夜間海霧/低云衛星檢測方法研究［J］.海洋氣象學報，2023，43（1）：1-11.

［29］LEE H B， HEO J H， SOHN E H. Korean fog probability retrieval using remote sensing combined with machine-learning［J］. GISci Remote Sens，2021，58（8）：1434-1457.

［30］RAN Y Z， MA H Y， LIU Z W， et al. Satellite fog detection at dawn and dusk based on the deep learning algorithm under terrain-restriction［J］. Remote Sens，2022，14（17）：4328.

［31］KIM D， PARK M S， PARK Y J， et al. Geostationary Ocean Color Imager （GOCI） marine fog detection in combination with Himawari-8 based on the decision tree［J］. Remote Sens，2020，12（1）：149.

［32］劉年慶，蔣建瑩，吳曉京.基于支持向量機的遙感大霧判識［J］.氣象，2007，33（10）：73-79.

［33］張順謙，楊秀蓉.基于神經網絡和分形紋理的夜間濃霧遙感監測技術［J］.應用氣象學報，2005，16（6）：804-810.

［34］張睿，馬建文.支持向量機在遙感數據分類中的應用新進展［J］.地球科學進展，2009，24（5）：555-562.

［35］GAO B C， HAN W， TSAY S C， et al. Cloud detection over the Arctic region using airborne imaging spectrometer data during the daytime［J］. J Appl Meteor，1998，37（11）：1421-1429.

［36］WINKER D M， VAUGHAN M A， OMAR A， et al. Overview of the CALIPSO mission and CALIOP data processing algorithms［J］. J Atmos Ocean Technol， 2009，26（11）：2310-2323.

［37］YI L， LI K F， CHEN X Y， et al. Summer marine fog distribution in the Chukchi-Beaufort Seas［J］. Earth Space Sci，2023，10（2）：e2021EA002049.

［38］CERMAK J. Fog and low cloud frequency and properties from active-sensor satellite data［J］. Remote Sens，2018，10（8）：1209.

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

［40］BREIMAN L. Random forests［J］. Mach Learn，2001，45：5-32.

［41］CORTES C， VAPNIK V. Support-vector networks［J］. Mach Learn，1995，20（3）：273-297.

［42］KEERTHI S S， SHEVADE S K， BHATTACHARYYA C， et al. A fast iterative nearest point algorithm for support vector machine classifier design［J］. IEEE Trans Neural Netw，2000，11（1）：124-136.

［43］MAVROFORAKIS M E， THEODORIDIS S. A geometric approach to support vector machine （SVM）classification［J］. IEEE Trans Neural Netw，2006，17（3）：671-682.

［44］RUMELHART D E， HINTON G E， WILLIAMS R J. Learning representations by back-propagating errors［J］. Nature，1986，323：533-536.

［45］LIU K Z， SHI W W， HUANG C J， et al. Cost effective Tanh activation function circuits based on fast piecewise linear logic［J］. Microelectron J，2023，138：105821.

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

［47］GEIRHOS R， RUBISCH P， MICHAELIS C， et al. ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness［J］. arXiv，2018：abs/1811.12231.

［48］SHELHAMER E， LONG J， DARRELL T. Fully convolutional networks for semantic segmentation［J］. IEEE Trans Pattern Anal Mach Intell，2017，39（4）：640-651.

［49］周天寧，明冬萍，趙睿.參數優化隨機森林算法的土地覆蓋分類［J］.測繪科學，2017，42（2）：88-94.

［50］SCHAFFER C. Selecting a classification method by cross-validation［J］. Mach Learn，1993，13（1）：135-143.

［51］SUDHEER C， MAHESWARAN R， PANIGRAHI B K， et al. A hybrid SVM-PSO model for forecasting monthly streamflow［J］. Neural Comput Appl，2014，24（6）：1381-1389.

［52］黃少榮.粒子群優化算法綜述［J］.計算機工程與設計，2009，30（8）：1977-1980.

［53］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.

［54］YI L， ZHANG S P， THIES B， et al.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，2015，151：212-223.

［55］奉國和.SVM分類核函數及參數選擇比較［J］.計算機工程與應用，2011，47（3）：123-124，128.

［56］IIDUKA H. Appropriate learning rates of adaptive learning rate optimization algorithms for training deep neural networks［J］. IEEE Trans Cybern，2022，52（12）：13250-13261.

［57］DUBEY S R， CHAKRABORTY S， ROY S K， et al.DiffGrad： an optimization method for convolutional neural networks［J］. IEEE Trans Neural Netw Learn Syst，2020，31（11）：4500-4511.

［58］SHI Z F， LI H， CAO Q J， et al. An image mosaic method based on convolutional neural network semantic features extraction［J］. J Signal Process Syst，2020，92（4）：435-444.

［59］張蘇平，劉飛，孔揚.一次春季黃海海霧和東海層云關系的研究［J］.海洋與湖沼，2014，45（2）：341-352.

［60］SAMELSON R M， DE SZOEKE S P， SKYLLINGSTAD E D， et al. Fog and low-level stratus in coupled ocean-atmosphere simulations of the northern California Current System upwelling season［J］. Mon Wea Rev，2021，149（5）：1593-1617.

［61］GAO S H， LIN H， SHEN B， et al. A heavy sea fog event over the Yellow Sea in March 2005：analysis and numerical modeling［J］. Adv Atmos Sci，2007，24（1）：65-81.

［62］HE C， LI S L， XIONG D H， et al. Remote sensing image semantic segmentation based on edge information guidance［J］. Remote Sens，2020，12（9）：1501.

［63］周東寧.卷積神經網絡的魯棒性分析［D］.大連：大連理工大學，2022.

［64］張蘇平，張欣，時曉曚.親潮延伸體海區一次海霧過程的觀測研究［J］.海洋氣象學報，2022，42（1）：1-11.