基于机器学习的夜间雾检测与掩膜生成——SEVIRI卫星近实时观测在阿拉伯半岛的应用研究

本研究针对阿拉伯半岛干旱地区夜间雾监测精度不足的问题，开发了基于SEVIRI卫星近实时观测的机器学习雾检测与掩膜系统。研究人员通过融合METAR站点标签与k-means聚类标签，采用XGBoost等六种机器学习模型，实现了雾边界的精确识别和"雾洞"特征的准确捕捉。结果表明，融合方法在保持高检测概率（POD～0.73）的同时显著降低误报率（FAR～0.11），为航空安全和交通管理提供了可靠的近实时雾监测方案。

　　

在阿拉伯联合酋长国（UAE）的冬季，浓雾经常导致能见度急剧下降，对航空安全和陆地交通构成严重威胁。传统的雾检测方法主要依赖亮度温度差（BTD）阈值技术，但这些方法存在明显局限性：仅适用于夜间、难以区分雾与低云、在海岸带等复杂下垫面区域误报率较高。Weston & Temimi (2020) 开发的自适应阈值方法虽然有所改进，但仍依赖ERA5再分析数据（非实时可用），且无法有效检测沿海雾区。

为解决这些技术瓶颈，Nelli等研究人员在《Science of Remote Sensing》上发表了一项创新研究，首次将机器学习（ML）技术应用于SEVIRI（Spinning Enhanced Visible and Infrared Imager）卫星数据的雾检测任务。该研究通过比较六种机器学习模型在四种训练策略下的表现，建立了一套仅需三个红外通道（12.0μm、10.8μm、3.9μm）即可实现近实时雾掩膜生成的自动化系统。

研究方法上，团队整合了多源数据：首先利用EUMETSAT提供的SEVIRI卫星数据（2004-2024年雾季），结合阿联酋八个国际机场的METAR（Meteorological Aerodrome Reports）地面观测数据作为基准真值；其次创新性地采用k-means聚类技术对夜间微物理RGB（Red-Green-Blue）图像进行半自动标注，生成区域级雾掩膜标签。通过四种渐进式方法（仅用RGB像素、添加红外通道、纯聚类标签、融合标签）训练随机森林（RF）、梯度提升（GB）、XGBoost、多层感知器（MLP）、支持向量机（SVM）和神经网络（NN）模型，并以ROC-AUC（Receiver Operating Characteristics - Area Under Curve）为优化指标进行超参数调优。

2. Database

研究数据集涵盖2004-2024年共21个雾季（10月至次年3月）的434个雾日。SEVIRI数据空间分辨率3公里，时间分辨率15分钟，聚焦当地时间21:00至06:00（UTC 17:00-02:00）的雾高发时段。夜间微物理RGB通过特定算法合成：红色通道为BTD_12.0-10.8（线性拉伸-4至+2K），绿色通道为BTD_10.8-3.9（0-10K），蓝色通道为10.8μm亮温（243-293K）。METAR数据经过严格质量控制，采用国际气象代码识别雾事件，并排除能见度>1公里或相对湿度<90%的异常数据。

3. Machine Learning-based Fog Detection

四种方法逐步提升检测精度：方法一仅提取METAR站点对应的RGB像素，方法二增加原始红外通道数据，方法三采用k-means聚类生成区域标签（112张图像约23万像素），方法四融合前两种方法的标签数据。XGBoost模型在网格搜索优化后表现最优，其关键参数包括：n_estimators=300, max_depth=7, learning_rate=0.1。评估指标采用业务化雾检测常用的检测概率（POD）和误报率（FAR），避免类别不平衡引起的评估偏差。

4. Results and Discussion

定量分析显示，XGBoost在方法四中实现最佳平衡：阿布扎比机场验证集POD达0.69，FAR为0.32。方法一虽在单点检测表现良好（POD 0.73，FAR 0.11），但空间连贯性差；方法三的聚类标签虽增加样本多样性，但FAR较高（0.31-0.55）。特征重要性分析证实绿色通道（BTD_10.8-3.9）是区分雾与非雾的关键因子，而单独的红外通道区分能力有限。

典型案例验证中，模型成功捕捉到传统方法难以识别的精细特征：2017年12月28日案例清晰显示出"雾洞"结构；2021年2月15日大范围雾事件中，融合方法准确勾勒出海岸带雾边界。与WT20方法对比显示，ML模型显著减少内陆沙漠区的误报（如2017年11月8日案例），并改善了对薄雾的检测能力（如2017年3月9日案例）。区域外推测试表明，模型在卡塔尔（2025年1月10-12日）和沙特阿拉伯（2025年1月1-2日）的雾事件中仍保持良好性能，证明其适用于整个阿拉伯半岛的干旱环境。

研究结论表明，基于XGBoost的融合标签方法在保持高检测率的同时，显著提升了雾掩膜的空间连贯性和边界精度。该方法仅依赖SEVIRI三个红外通道，无需辅助再分析数据，计算效率可达秒级，适合业务化近实时应用。这项技术不仅为阿联酋的航空安全提供可靠支撑，其机器学习框架还可推广至其他干旱地区的雾监测，为短时临近预报（nowcasting）奠定基础。未来工作可探索模型在更广泛地理区域和复杂气象条件下的适应性，以及融入时序特征提升预报能力。