低云、高云和白天陆地雾遥感分离研究

刘 敏 刘 锐 黄金辉 李 敏 宋玲君

(广东省国土资源技术中心, 广州 广东 510030)

0 引言

影像特征提取是使用计算机方法来研究影像特征,提取影像不变特征,依据提取的特征对研究对象进行处理[1]。国外利用遥感技术进行白天雾检测起始于20世纪70年代,后来发现使用遥感影像提取雾区的难点集中在云雾分离,其后开始对云雾光谱和纹理特征进行深入研究[2-4]。因为雾形成的物理本质和过程与低层云极为相似,可相互转化,具有相同的大气辐射特性[5-8],利用光谱特性很难分离低层云和雾,所以本文对云雾的纹理特征进行了研究,并结合现有的研究成果进行了实验。目前国内外学者[9-10]普遍对云和雾进行单独研究,忽略了高云下面会存在雾的特殊情况,这种情况下遥感影像上为高云和雾的混合信息,采用云雾各自特征进行分离必然出现高云和雾误分。

1 云雾遥感识别原理

高云、中云、低云分别通常分布在5 000 m以上、2 500～5 000 m、 2500 m以下。雾通常高度不超过1 000 m,因此雾的上面可能会有云存在,获取的云雾区卫星遥感影像上必须先分辨雾区上部是否有云存在。

我国陆地雾基本为辐射雾,辐射雾形成的前提条件必须有逆温层存在,而只有地面热量辐射出去才能形成逆温层,如果有云存在,会造成大气逆辐射,地面热量几乎无法辐射出去,所以通常中低云下面不会有雾,高云的下面才可能出现雾。在遥感影像上高云可能与中低云或雾重叠,中低云和雾不会重叠在一起,也不会出现高云与中低云、雾三者叠加在一起的情况,因此遥感大雾检测可分为两部分：一部分为高云区雾检测,另一部分为无高云区雾检测。高云区雾检测要对高云与中低云或高云与雾的混合遥感信息进行研究来提取雾区;因中低云和雾不会重叠在一起,无高云区云雾分离只需考虑云雾各自的光谱特性和纹理特性。

1.1 高云和中低云、雾光谱特性

强水汽吸收波段中大部分的辐射来自240～620 hpa大气层,而最大辐射贡献大约在400 hpa高度处,因此在强水汽吸收波段图像中所包含的有关低层云雾的信息并不太多[9]。高度在2000 m以上的区域,高度越高图像中的亮度值越大,由此高云区域可用强水汽吸收波段来提取,从图1(a)中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)26波段(强水汽吸收波段)也可直观地看出。如果高云下面有雾存在,用该波段进行高云分离,必然将下垫面的雾分离掉,所以此波段不适合提取高云下面的雾。

(a)26波段 (b)1波段 (c)6波段 (d)20波段

高云底高度通常在5 000 m以上的区域,一般海拔每上升100 m气温降低0.6 ℃,5 000 m以上的高空气温比地面低约30 ℃。我国陆地雾一般发生在冬季,在冬季这样高度的空中气温低于0 ℃,导致云凝结量有限,而且会凝结成小冰晶,薄薄的一层且多数会透明,透光性佳且光学厚度较小,而中低云和雾由悬浮的水滴或微粒组成,透光性很差。

在可见光和近红外波段的遥感信息中,主要反映目标物(地表、云雾顶)反射太阳辐射的能量,反射的太阳辐射能量和目标物辐射能量之比大约为1 000∶1,目标物自身的辐射和大气对太阳辐射的散射可以忽略;卫星在白天获得的中红外波段的遥感信息主要是目标物反射太阳辐射的能量,反射的太阳辐射能量和目标物辐射能量之比大约为10∶1,云雾层自身向外发射辐射的能力相对较强,这部分信息不可忽视[10]。因此在可见光和近红外波段上,高云自身向外发射辐射能可忽略,而自身透光性佳且光学厚度小的特性使得如果高云区域下面有中低云或雾,二者的混合遥感信息以中低云或雾反射的太阳辐射为主,从图1(b)MODIS 1波段(红波段)、图1(c)6波段(近红外波段)也可直观地看出;在中红外波段上,高云自身向外发射辐射的能力相对较强,二者混合遥感信息包含高云发射辐射能,高云发射辐射能会干扰下面中低云或雾的遥感信息且不能被忽略,从图1(d)MODIS 20波段(中红外波段)也可直观地看出。所以，从可见光和近红外波段上寻找特征来提取高云下面的雾比中红外波段更佳。

1.2 云雾纹理差异特性

纹理特征的研究一直是图像处理领域的热点,纹理可被定义为一个区域属性,区域内的成分不能进行枚举,且成分之间的相互关系不十分明确[11]。纹理是图像中普遍存在的特征,可通过纹理特征的提取来区分对象。雾贴近地面而形成,高度分布范围小,顶部平滑,边界规则整齐,纹理特征明显;云经常移动变幻不定,边界混乱,云顶起伏大,纹理特征混乱。因此，可以通过检索遥感影像上云雾纹理特征差异来分离低云和雾。

2 雾检测特征提取与选择

因MODIS有36个光谱通道,覆盖了可见光、近红外、中红外和热红外波段,能较好地反映大雾的光谱特征和纹理特征,因此，选取MODIS数据进行研究(表1)。MODIS数据1～19和26谱段为可见光和近红外谱段,其余16个通道为热红外通道[12],其中，适合进行大雾检测的为可见光、近红外和中红外波段。

表1 MODIS部分波段信息

2.1 高云和雾分离特征

文雄飞[13]使用Streamer大气辐射传输模式模拟了高云、中云、低云和雾在MODIS可见光、短波红外、中红外波段的光谱辐射特征,模拟结果显示MODIS数据1波段和6波段与1波段和20波段来构建归一化雾指数来分离云雾效果最佳,但在区分低云和雾的过程中发现1波段和20波段构建的归一化雾指数具有相对大的特征空间,因此他选择了MODIS 1波段和20波段构造归一化雾指数来提取雾区。

(1)

式中,N1,20表示MODIS 1波段和20波段构建的归一化雾指数;R1、R20分别表示MODIS 1波段和20波段的反射率。

由1.1节可知,从可见光和近红外波段上寻找特征来提取高云下面的雾比中红外波段更佳,所以本文基于文雄飞[13]的研究成果使用MODIS数据1波段(红波段)和6波段(近红外波段)构建归一化雾指数提取高云下面的雾区。

(2)

式中,N1,6表示MODIS 1波段和6波段构建的归一化雾指数;R1、R6分别表示MODIS 1波段和6波段的反射率。

2.2 低云和雾分离特征

大量学者研究成果表明Gabor滤波正好能提取图像中的窄带信息,考虑到云雾纹理信息在窄带部分差异较大,因此选择基于Gabor滤波的方法进行大雾纹理特征分析。由“测不准原理”可知,Gabor变换具有最小的时频窗,即Gabor函数能做到具有最精确的时间-频率的局部化;另外,Gabor函数与人眼的生物作用相仿,这一点对研究图像特征提取或空间频率滤波非常有用[14]。Gabor函数可以在频域不同尺度、不同方向上提取相关的特征,二维 Gabor 函数可以表示为

(3)

式中，(x，y)为图像坐标；σ为标准差；v为Gabor核函数的尺度，其取值决定了Gabor滤波的波长；u为Gabor核函数的方向；k为总的方向数。

Gabor滤波进行纹理分割的基本原理为：将图像变换至频率域后,不同纹理对应不同的中心频率及带宽,在这些频率和带宽内构造一系列带通滤波器,每个带通滤波器只允许与其频率相对应的纹理通过。选择适当的Gabor滤波器对图像纹理进行滤波,对滤波结果求取的均值或方差可作为图像纹理特征。引入纹理特征主要为分离低云和雾,在可见光和近红外波段上高云与中低云或雾的混合遥感信息以中低云或雾为主,所以选择了红波段进行纹理特征提取。

3 实验与分析

3.1 雾检测方法

对云雾影像先用MODIS 26波段通过阈值法将影像分成有高云和无高云两个区域,对无高云区域采用MODIS 1波段和20波段构造归一化雾指数和Gabor滤波来提取雾区;对有高云区域采用MODIS 1波段和6波段构建的归一化雾指数和Gabor滤波来提取雾区。

3.2 雾检测实验

3.2.1雾检测结果

实例1：选取了2012年1月1日3 h 15 min(UTC)的MODIS中国区域影像数据,这次大雾覆盖范围包括河南、河北等省,如图2所示。

实例2：选取了2007年12月20日2 h 30 min(UTC)的MODIS中国区域影像数据,这次大雾覆盖范围包括山东、河北等省,大雾发生时雾区上部有高云存在,如图3所示,图3(b)为实验结果,图3(c)对照组结果为文雄飞[13]使用基于MODIS 1波段和20波段构建的归一化雾指数提取本次大雾的实验结果,其采用的影像范围和时间以及大雾检测站点信息都与本次实验相同,其实验结果数据放在表2实例2对照组中。

(a)原始影像 (b)雾区和实测站点数据叠加图

(a)原始影像 (b)雾区和实测站点数据叠加图 (c)对照组实验结果图

表2 实验精度评定

3.2.2检测结果分析

本文增加了两个由Bendix[15]提出的指标：检测率(probability of detection,POD)和空检率(false alarm ratio,FAR)，用中国气象局提供的地面资料对检测结果进行精度验证。

(4)

(5)

式中,yy为遥感与地面实测站点都检测有雾的站点数与所有地面站点数的比例;yn为遥感检测有雾而地面实测站点检测无雾的站点数与所有地面站点数的比例;ny为遥感检测无雾而地面实测站点检测有雾的站点数与所有地面站点数的比例。

从表2可知：总体精度都超过了80%,实例2与对照组相比总体精度提高了1.07%;在高云下面有雾的情况下,本方法与目前国内外学者普遍不考虑该特殊情况而进行雾检测相比,精度得到了稳定的提升;从图4(b)与图4(c)对比中也可看出本文的方法使高云下面的雾区大部分被保留了下来。

4 结束语

本研究以MODIS影像为数据源,通过分析高云和中低云、雾的透光性和光谱特征以及纹理特征,挖掘了潜在的比较有效的分离云雾和提取高云下面雾区的特征,利用这些特征提取了雾区,得到如下结论：

(1)用红波段与近红外波段构建的归一化雾指数来提取高云下面的雾区,可明显减少高云下面的雾被错分为高云,提高了雾检测精度的可靠性。

(2)加入基于Gabor变换的纹理特征后在一定程度上提高了云雾分离精度,但光谱信息对雾的提取贡献更大。

(3)虽然总体精度都在80%以上,但如果影像中存在大面积低云,检测精度会受到很大影响,使雾检测精度的离散性变大。

(4)本文所用数据源为250 m×250 m,可能存在小面积雾区不及单个像元,造成雾无法被检出。从实验结果也发现出现误判的站点很多位于大范围雾区的边缘和小范围雾对象内。