一种利用风云四号A星（Fengyun-4A, FY-4A）卫星数据进行海雾检测的新深度学习方法

《Remote Sensing》：A New Deep Learning Method for Sea Fog Detection Using Fengyun-4A Satellite Data

　　

海雾是常见的海洋气象灾害，对海上交通安全和沿海经济活动构成严重威胁。现有的海雾检测模型仍难以有效捕获全局结构信息与局部纹理细节，且云与雾之间的光谱混淆进一步限制了其性能。为应对这些挑战，研究人员利用中国风云四号A星（Fengyun-4A, FY-4A）数据开发了用于白天海雾检测的模型HA-ENASnet，并与六种代表性的语义分割模型进行了比较。在七种模型中，HA-ENASnet取得了最佳性能，其次是SegMamba、scSE_LinkNet、SegMAN、ECA_TransUnet、DeepLabv3+和UNet++。在交并比（Intersection over Union, IoU）方面，HA-ENASnet分别比SegMamba和UNet++高出3.08个百分点和17.26个百分点。该模型的消融实验表明，引入局部与全局线性注意力（Linear Attention）协同机制有效增强了模型对海雾区域的感知能力。此外，自适应架构搜索（Adaptive Architecture Search, NAS）与高效通道注意力（Efficient Channel Attention, ECA）的结合促进了光谱与空间多尺度特征的自适应融合，从而提升了模型在光谱混淆区域区分云与雾的能力。另外，研究人员在Himawari-8卫星数据上对提出的模型进行了验证，表现出令人满意的检测性能和泛化能力。这为利用FY系列卫星进行海雾遥感监测提供了方法论支持。

研究背景方面，海雾是极具危害的海洋天气现象，可使海上能见度骤降至1 km以下，增加船舶碰撞与搁浅风险并造成严重的人员伤亡和经济损失，因此实现准确高效的海雾检测对提升海洋防灾减灾能力具有重要现实意义。海雾监测主要包括地面观测和卫星遥感观测，地面观测依赖气象站、浮标和船载测量，仅提供点尺度信息，难以满足大面积海域连续监测需求；卫星遥感自20世纪70年代以来因其广域覆盖和高观测时效优势逐渐应用于海雾监测，Hunt报道了水滴在中长波红外窗区波段存在发射率差异，Eyre等基于此利用NOAA卫星搭载的高级甚高分辨率辐射计（Advanced Very High Resolution Radiometer, AVHRR）的3.7 μm和10.8 μm通道发展了双通道亮温差（Brightness Temperature Difference, BTD）方法实现夜间海雾识别并被广泛应用于多种卫星传感器平台，但BTD易受太阳辐射和大气条件影响导致跨时空区域应用稳定性不足，研究者转向联合多变量的自适应动态阈值策略虽取得一定效果但仍依赖人工定义的经验规则难以满足复杂气象背景下高精度识别需求。为克服阈值法局限，海雾检测逐渐转向机器学习方法，传统机器学习利用地理静止海洋水色成像仪（Geostationary Ocean Color Imager, GOCI）等数据集成光谱、纹理和环境特征通过决策树、随机森林等监督学习实现自动识别但仍依赖手工特征设计无法充分表征海雾多尺度空间结构，卷积神经网络（Convolutional Neural Networks, CNNs）通过堆叠卷积层扩大感受野捕获多尺度特征被引入海雾检测自动提取多维空间特征后逐渐成为主流。随着深度学习发展，U-Net因在语义信息与空间细节建模方面的优势受到关注，但标准卷积的局部感受野限制了对海雾空间连续性的表征，相关研究引入注意力机制增强空间上下文相关性提升全局空间建模精度，并结合多尺度特征融合模块整合深浅层语义与纹理信息以改善多尺度海雾形态表征；云雾高光谱相似性导致的判别模糊是另一关键挑战，现有研究设计双分支拓扑结构或两阶段级联分割框架通过特征互补与渐进解耦改善云雾判别但多依赖固定拓扑设计和静态加权策略缺乏对海雾动态演化过程中空谱特征的自适应表征能力，且标准注意力机制的全局无差别交互易受云雾混淆与海陆边界等背景噪声干扰。值得注意的是现有研究多聚焦于极轨与静止气象卫星的影像识别，卫星观测平台固有局限也制约精度，极轨卫星空间分辨率较高但轨道周期限制同区域观测频率难以连续捕捉海雾动态演化，静止气象卫星时间分辨率高且具备连续观测能力但空间分辨率相对较低，中国新一代静止气象卫星FY-4A空间分辨率低于部分同类国际先进卫星限制了其在海雾检测中的应用表现，因此充分挖掘FY-4A多光谱数据潜力提升模型空谱多尺度表征能力是精细化海雾检测的重要研究方向。为此研究人员提出基于FY-4A数据的HA-ENASnet白天海雾检测模型以解决上述问题并探究其性能与意义，该论文发表于《Remote Sensing》。

关键技术方法方面，研究人员使用MFogHub数据集中的FY-4A（1724样本）与Himawari-8（1802样本）黄海渤海白天海雾事件数据，以2021年复杂场景为独立评估集其余训练验证，并匹配CALIPSO VFM产品作垂直验证；以SegMAN为基线重构编码器引入邻域线性注意力（Neighborhood-Linear Attention, NLA）模块联合局部邻域注意力（Neighborhood Attention, Natten）与线性注意力建模局部全局依赖，解码器构建ECA增强的神经架构搜索特征金字塔网络（ENAS-FPN）通过可学习自适应架构搜索与ECA实现跨尺度空谱融合，损失函数采用交叉熵损失（Cross-Entropy Loss, CE Loss）与边界损失（Boundary Loss）以6:4加权复合优化；实验用PyTorch框架在NVIDIA RTX 5090 GPU开展，采用多尺度缩放、旋转翻转与随机遮挡等数据增强，对比六种语义分割模型并以IoU、Dice系数（Dice）、mIoU、精确率（Precision）、召回率（Recall）评估，辅以Grad-CAM、SHAP及CALIPSO轨迹匹配分析。

研究结果部分，首先为消融实验（Ablation Experiment）。研究人员在FY-4A数据上分析NLA与ENAS-FPN模块的性能增益，基线SegMAN的IoU为62.93%、Recall为78.51%，引入NLA后SegNLA的IoU与Recall提升至64.32%与82.90%表明增强了对海雾特征的感知与覆盖，引入NAS-FPN的SegNAS的Recall显著提升至90.56%，集成ECA的SegENAS在提升IoU、Dice、mIoU同时Recall维持87.69%验证了自适应多尺度融合作用，最终NLA_ENAS取得最优IoU、Dice、mIoU且Recall较高，证明局部全局上下文建模与自适应多尺度融合结合改善白天海雾分割；Grad-CAM显示SegMAN激活弱且边界敏感低，NLA扩展高响应至轮廓，NAS-FPN拓宽高激活区，ECA校准通道光谱响应聚焦边界与云雾判别，NLA_ENAS激活分布与实际海雾最一致。

其次为模型比较实验（Model Comparison Experiment）。研究人员在AdamW优化器下对比DeepLabv3+、UNet++、SegMAN、SegMamba、ECA_TransUnet、scSE_LinkNet与HA-ENASnet，DeepLabv3+与UNet++Recall较高（81.98%、83.85%）但IoU较低易误检，ECA_TransUnet与scSE_LinkNet精度召回失衡，SegMAN平衡但整体IoU受限，SegMamba精确率最高85.32%但Recall低漏检风险高；HA-ENASnet在IoU、Dice、mIoU最优且Recall达85.81%、Precision约80%实现背景抑制与雾区完整检测最佳权衡；典型云雾混合场景可视化中HA-ENASnet预测与实际雾区吻合最好误检漏检最少，连续时序（2021年5月10日08:00–16:00每30 min）可视化显示主雾区正确识别边界少量误差但动态演化与真值高度一致具时空连续性稳定性。

再次为通道注意力机制比较与SHAP分析（Comparison of Channel Attention Mechanisms and SHAP Analysis）。研究人员在NLA_ENAS上比较CBAM、SE与ECA，NLA_ENAS_CBAM因空间约束抑制光谱特征致IoU降2.3%，NL_ENAS_SE召回最高87.43%但降维致光谱信息丢失精确率72.97%，ECA保留通道维高效建模相邻光谱带互相关使NLA_ENAS获最优IoU、Dice、mIoU、Precision；SHAP绝对均值贡献分析显示可见光近红外B01–B03（0.47 μm–1.61 μm）高反射与水滴海面吸收对比是区分海雾低云与海面关键，短波红外B04（1.38 μm）对高层卷云敏感减干扰，B05（1.61 μm）对云滴尺寸敏感补云雾判别，热红外B11（8.5 μm）、B12（10.7 μm）表征海雾顶辐射亮温与空间纹理，B13（12.0 μm）对高层云响应强B13与B12亮温差改善水云与高层云区分，其余通道作辅助光谱大气信息。

接着为损失函数敏感性与比较实验（Loss Function Sensitivity and Comparative Experiments）。研究人员探究CE Loss与Boundary Loss权重配置（7:3、6:4、5:5、4:6、3:7），7:3侧重全域像素拟合覆盖大雾区，4:6与3:7边界约束强预测保守，6:4的NLA_ENAS_V2在IoU与mIoU最佳平衡空间一致性与结构完整选为最终权重；比较加权CE Loss（雾权1.5非雾0.3）、Focal Loss、Dice Loss、Lovasz Loss、Boundary Loss与CE_Boundary Loss，前两者关注样本不平衡与难例挖掘Recall较高但因缺空间几何约束精确率降至75.92%与75.51%易大量误检，Dice与Lovasz仅关注全局面积重叠对细边缘不敏感IoU与mIoU较弱，Boundary Loss精确率最高但因边界约束Recall与整体分割受限；CE_Boundary Loss达最优IoU（71.56%）、Dice（83.42%）、mIoU（84.90%）且精度召回平衡，证明复合损失补全全局区域与局部边界特征缓解海雾弥散边界误差；典型边界扩散事件（2021年3月10日13:30）可视化中加权CE、Dice、Focal过分类广泛误检，Lovasz、Boundary、CE-Boundary对整体识别稳但浓雾扩散区模糊边界仍有提升，Boundary与CE-Boundary预测与实况空间一致性极高引入边缘约束抑制非雾区噪声。

随后为CALIPSO验证实验（CALIPSO Validation Experiment）。研究人员结合CALIPSO云气溶胶激光雷达垂直特征分类（Vertical Feature Mask, VFM）产品空间一致性检验，将VFM中云底近海面云顶低于500 m的“云”及海面高程上超两个垂直bin的“地表”判为海雾，FY-4A影像（2021年6月6日13:00）叠加CALIPSO轨迹与VFM垂直剖面显示VFM海雾特征与FY-4A实况及HA-ENASnet检测结果吻合；统计轨迹上海雾特征点136个模型正确检测104个命中率76%与CALIPSO垂直结构信息一致性较高。

最后为跨卫星泛化分析（Cross-Satellite Generalization Analysis）。研究人员保持网络拓扑与训练策略仅调整输入层为Himawari-8的16通道独立训练测试，HA-ENASnet在Himawari-8上分割性能与FY-4A相当甚至略优，表明模型适应不同传感器光谱配置差异并在多样观测条件下保持高精度验证稳定性；2021年3月25日15:30 FY-4A与Himawari-8海雾检测可视化显示绝大多数海雾区准确识别预测形态与实际高度一致，尽管成像与辐射特性不同模型两类数据上表现相似具优良跨传感器泛化与鲁棒性。

讨论部分总结，研究人员指出为应对白天海雾检测中云雾光谱混淆与海雾边界弥散挑战提出基于FY-4A的HA-ENASnet模型，比较实验中HA-ENASnet在IoU与mIoU优于对照模型表明在主雾区识别、边界描绘与背景抑制间取得更好平衡，归因于NLA Block引入局部邻域注意力与全局线性注意力兼顾局部细节与大尺度连续雾区整体感知，ENAS-FPN通过自适应多尺度空谱融合增强不同尺度海雾形态表征，消融实验性能提升进一步证实局部全局上下文建模与多尺度融合互补效应；基于SHAP的可解释性分析显示HA-ENASnet有效提取深度融合多光谱信息且关键特征响应与海雾辐射物理特性高度一致；跨卫星泛化实验显示模型在Himawari-8数据集维持与FY-4A相当的高精度分割进一步确认其在海雾监测中的鲁棒与泛化能力；传统阈值法与常规机器学习依赖经验规则或手工特征在不同大气背景下稳定性有限，现有双分支、级联与多尺度融合法虽缓解云雾混淆但存在跨分支交互不足、前阶段误差传播与固定尺度融合适应性受限，HA-ENASnet采用端到端架构在统一框架自适应整合局部纹理、全局上下文与多尺度空谱特征更利于复杂云雾混合场景检测稳定性；尽管HA-ENASnet在FY-4A白天海雾检测表现良好但仍存局限，实验主要用黄海渤海白天样本模型对其他海域（南海、东海、极地等）适用性待验证，不同海域海雾形成机制、背景辐射特性与云系结构差异可能影响泛化，未来可融入连续时序信息、海表温度、湿度、风场、能见度及CALIPSO等主动遥感数据加强物理约束与可解释性。

结论部分翻译，在本研究中，研究人员通过集成局部全局协同注意力机制、自适应空谱特征融合架构与带边界约束的混合损失函数提出了HA-ENASnet。所提出的白天检测模型有效表征了海雾的多尺度空间结构，并为解决海雾边界模糊及低云与海雾高光谱相似性等关键遥感挑战提供了方法论支持。实验结果显示HA-ENASnet在FY-4A白天海雾检测任务中取得良好性能，在多模型比较实验中该方法在IoU与mIoU等核心指标上优于DeepLabv3+、UNet++、ECA_TransUnet、scSE_LinkNet、SegMAN与SegMamba，具体而言HA-ENASnet的IoU较SegMamba提升3.08%较UNet++提升17.26%；消融实验进一步验证了NLA模块、ENAS-FPN模块与CE_Boundary Loss提升模型性能的有效性；此外时序可视化结果显示HA-ENASnet在连续观测时段保持良好空间一致性并对主海雾区与边界变化提供稳定识别，基于CALIPSO的独立验证从垂直观测角度进一步支持了检测结果的可靠性，而Himawari-8跨卫星实验表明所提方法对不同静止气象卫星数据具一定适应性；未来研究将进一步扩展模型在不同时段与海域的泛化能力，此外将融入物理先验以提升模型在复杂海气环境下的鲁棒性、可解释性与物理一致性。