結(jié)合FY-4A衛(wèi)星及隨機森林的日間沿海海霧識別模型的研究

耿丹，劉婷婷，李超

（1.江蘇省氣象信息中心,江蘇 南京 210041；2.江蘇省氣象服務(wù)中心，江蘇 南京 210041；3.江蘇省氣象臺，江蘇 南京 210041）

1 引言

海霧是海上中低層大氣層水汽凝結(jié)造成的天氣現(xiàn)象，凝結(jié)水汽或冰晶積聚形成的海霧會造成海上的水平能見度降至1000 m 以下。海上大霧一般分平流霧和輻射霧等多種類型，其中平流霧對人類日常危害性最大，嚴(yán)重影響海上運輸、海產(chǎn)養(yǎng)殖和漁業(yè)捕撈等行業(yè)。

隨著海上各行業(yè)的蓬勃發(fā)展，海霧造成的損失越來越大。由于海上海霧監(jiān)測點有限，常規(guī)觀測和船載觀測基本無法實現(xiàn)對海霧區(qū)域大范圍和長時間的實時監(jiān)測[1]。衛(wèi)星遙感技術(shù)的發(fā)展，使人類通過衛(wèi)星遙感影像對海上大霧的監(jiān)測成為可能。鄭新江[2]結(jié)合地球同步氣象衛(wèi)星（Geostationary Meteorology Satellite，GMS）資料分析了黃海海霧生成及演變的特征；Ellrod[3]通過對地靜止環(huán)境工作衛(wèi)星（Geostationary Operational Environmental Satellite，GOES）的雙通道紅外資料對沿海夜間海霧和低云進行分析研究；鮑獻文等[4]使用GMS-5 和美國國家海洋和大氣管理局（National Oceanic and Atmospheric Administration，NOAA）衛(wèi)星遙感資料，分析出海霧在衛(wèi)星遙感資料的光譜和輻射特征特點，實現(xiàn)對云和霧的識別及分離的定量分析；何月等[5]通過多用途運輸衛(wèi)星（Multifunctional Transport SATellites，MTSAT）衛(wèi)星遙感影像，采用分級判識太陽高度角閾值和大霧指數(shù)的方式反演出浙江海上大霧的每小時發(fā)生情況；Shang 等[6]結(jié)合“葵花8 號”衛(wèi)星中紅外與長波紅外通道亮溫差與植被和雪覆蓋指數(shù)等建立了日間陸霧識別模型；張培等[7]將星載雙波長偏振Mie 散射激光雷達（Cloud-Aerosol LIdar with Orthogonal Polarization，CALIOP）數(shù)據(jù)獲得的樣本點用于“葵花8號”衛(wèi)星對日間海霧通道及閾值選擇的研究，實現(xiàn)了一種日間海霧的監(jiān)測方法；衣立[8]和Wang 等[9]通過不同方式不斷提升閾值法海霧識別模型（簡稱“閾值法”）在海霧識別中的精度；張春桂等[10]使用中分辨率成像光譜儀（MODerate-Resolution Imaging Spectroradiometer，MODIS）衛(wèi)星數(shù)據(jù)分析出不同下墊面的可見光和紅外輻射的特征特點，確定海霧識別閾值，建立日間海霧識別模型；孫藝等[11]借助MTSAT可見光衛(wèi)星云圖、“葵花8 號”可見光衛(wèi)星云圖和韓國氣象廳（Korea Meteorological Administration，KMA）地面天氣圖對控制海霧產(chǎn)生的天氣形勢進行了分析，進一步討論了各天氣型下黃海海霧的高度特征；于海鵬等[12]使用GOES9 衛(wèi)星的可見光云圖和地面探空站資料對海霧天氣進行識別。

閾值法是通過分析云霧在遙感輻射的差異來實現(xiàn)對海霧的監(jiān)測，最難的是如何選擇合適的閾值，而且閾值法不能充分使用各個波段遙感數(shù)據(jù)內(nèi)容。隨著機器學(xué)習(xí)在衛(wèi)星遙感領(lǐng)域的不斷應(yīng)用，能夠充分利用衛(wèi)星遙感影像提供的各波段數(shù)據(jù)內(nèi)容。Kim 等[13]通過決策樹算法結(jié)合“葵花8 號”和地球靜止 水 色 衛(wèi) 星（Geostationary Ocean Color Imager，GOCI）遙感數(shù)據(jù)的方法實現(xiàn)了海霧識別，并利用衛(wèi)星遙感數(shù)據(jù)與朝鮮3個島嶼能見度觀測值匹配進行模型訓(xùn)練及驗證。Shin等[14]基于通信、海洋和氣象衛(wèi)星（Communication、Ocean and Meteorological Satellite，COMS）紅外通道亮溫差，使用無監(jiān)督學(xué)習(xí)方法實現(xiàn)對朝鮮半島西部海霧區(qū)域的識別。許赟等[15]利用隨機森林算法結(jié)合衛(wèi)星遙感影像對云、雪和霧進行分類識別，并通過增加兩次檢測減少有效區(qū)域的錯檢率。姜紅等[16]通過歸一化差值沙塵指數(shù)和隨機森林算法等3 種方法，利用“風(fēng)云四號”（FY-4A）衛(wèi)星遙感影像實現(xiàn)對塔里木盆地沙塵情況的監(jiān)測研究，通過試驗檢驗分析可知隨機森林模型和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）模型都具有較強的沙塵監(jiān)測能力。張環(huán)宇等[17]基于衛(wèi)星數(shù)據(jù)的中紅外到熱紅外波段遙感影像數(shù)據(jù)和ERA5水汽再分析產(chǎn)品等數(shù)據(jù)，結(jié)合隨機森林算法實現(xiàn)對晴空大氣可降水量的反演，該算法可有效提升大氣可降水量的精度。柳青青等[18]結(jié)合隨機森林算法，利用海表面鹽度遙感機理和土壤濕度及海水鹽度（Soil Moisture and Ocean Salinity，SMOS）衛(wèi)星遙感數(shù)據(jù)鹽度反演理論建立海表面鹽度反演模型，能夠大幅提高鹽度反演精度。

本文利用機器學(xué)習(xí)中的隨機森林算法，結(jié)合FY-4A衛(wèi)星遙感影像對江蘇及周邊省份沿海日間海霧進行識別研究。相對于海霧反演的傳統(tǒng)經(jīng)驗閾值算法，隨機森林算法能處理高維度的數(shù)據(jù)（即具有很多特征的數(shù)據(jù)），不用特征選擇，減少人為經(jīng)驗的誤差，能更客觀地表現(xiàn)數(shù)據(jù)聯(lián)系和結(jié)果。該研究成果將為今后FY-4A 衛(wèi)星數(shù)據(jù)在海霧監(jiān)測業(yè)務(wù)中的應(yīng)用提供重要依據(jù)。

2 資料選取與方法介紹

2.1 海霧天氣過程個例獲取

通過分析江蘇及周邊省份沿海城市發(fā)生大霧的預(yù)警信號，選取日間江蘇及山東省沿海城市發(fā)生大霧天氣60 個個例（見表1），從中隨機選取20 個個例作為檢驗識別模型的檢驗個例集，剩下40個個例作為構(gòu)建隨機森林海霧識別模型的訓(xùn)練個例集。

表1 （續(xù)）Tab.1 （Continued）

表1 江蘇省和山東省沿海城市60個大霧個例Tab.160 cases of dense fog in the coastal cities of Jiangsu and Shandong provinces

2.2 衛(wèi)星數(shù)據(jù)獲取

作為我國自主研發(fā)的第二代地球靜止氣象衛(wèi)星， FY-4A 是一種三軸穩(wěn)定地球靜止氣象衛(wèi)星。除了常規(guī)的成像探測設(shè)備外，還配備能夠大幅提升我國短臨天氣預(yù)報和應(yīng)對極端氣候變化等防災(zāi)減災(zāi)能力的設(shè)備——紅外高光譜垂直探測儀和閃電探測設(shè)備。FY-4A 多通道掃描成像輻射計（AGRI）具有6 個可見/近紅外波段、2 個中波紅外波段、2 個水汽波段和4 個長紅外波段（見表2），這14個探測波段范圍為0.45～13.8 μm，并涉及（0—3）4個不同級別的衛(wèi)星產(chǎn)品。

表2 FY-4A 多通道掃描成像輻射計主要技術(shù)參數(shù)Tab.2 Main technical parameters of FY-4A multi-channel scanning imaging radiometer

為了獲得滿足沿海海霧識別所需的衛(wèi)星遙感影像，需要將AGRI的掃描成像數(shù)據(jù)經(jīng)過0級數(shù)據(jù)格式變換、定位和定標(biāo)等處理生成1 級高頻次中國區(qū)域產(chǎn)品數(shù)據(jù)。該產(chǎn)品數(shù)據(jù)包括14個波段信息，無全圓盤觀測時進行5 min 中國區(qū)域觀測，空間分辨率為4 km，符合沿海海霧動態(tài)監(jiān)測時空分辨率要求。

本文使用4 km 分辨率中國區(qū)域產(chǎn)品數(shù)據(jù)和對地靜止軌道（GEostationary Orbit，GEO）定標(biāo)數(shù)據(jù)，通過Python中H5py功能包進行數(shù)據(jù)解析獲得14個波段數(shù)據(jù)，結(jié)合GEO定標(biāo)文件和遙感圖像處理軟件對這些波段數(shù)據(jù)進行幾何校正，然后利用自動站時次和經(jīng)緯度信息獲取FY-4A 衛(wèi)星14 個通道影像上對應(yīng)的像素值，組成樣本點像素組。

本文使用江蘇省及山東省沿海及近海約40 個自動氣象站觀測FY-4A 的1 級數(shù)據(jù)產(chǎn)品，空間分辨率為4 km，通過空間插值到站點。由于衛(wèi)星數(shù)據(jù)在無全圓盤觀測時的時間周期為5 min，而自動站能見度觀測數(shù)據(jù)時間周期為5 min，這樣每個衛(wèi)星數(shù)據(jù)時間時次都能夠獲得自動站能見度觀測數(shù)據(jù)，因此本文獲取了全天165次中國區(qū)觀測衛(wèi)星像素。

氣象大數(shù)據(jù)云平臺簡稱為“天擎”，作為國省共建的氣象部門核心的業(yè)務(wù)支撐系統(tǒng)，該系統(tǒng)能夠提供實時及歷史各類氣象數(shù)據(jù)。本文通過“天擎”系統(tǒng)獲取所涉及的自動站能見度數(shù)據(jù)。

本文通過分析海霧天氣過程個例發(fā)生海霧的大致區(qū)域及時間段，從“天擎”系統(tǒng)查詢大致區(qū)域及時間段內(nèi)所涉及自動站能見度值首次小于1000 m的觀測時次。若查詢該時次后連續(xù)2個時次（5 min/次）能見度值都小于1000 m，則確認該時次為有效海霧出現(xiàn)時次；若后續(xù)連續(xù)2 個時次能見度值不都小于1000 m，則繼續(xù)查詢，直到查詢超過該個例大致時間段終止本次查詢。

當(dāng)確認所涉及自動站的有效海霧出現(xiàn)時次，通過“天擎”系統(tǒng)查詢有效海霧出現(xiàn)時次之后能見度值首次大于1000 m出現(xiàn)時次（5 min/次）。若該時次后續(xù)連續(xù)2個時次（5 min/次）能見度值都大于1000 m，則確認該時次為有效海霧消散時次；若后續(xù)連續(xù)2個時次不都大于1000 m，則繼續(xù)查詢，直到查詢超過該個例大致時間段終止本次查詢。

獲取涉及自動站有效海霧出現(xiàn)時次—有效海霧消散時次之間每個觀測時次，剔除能見度值大于1000 m 的觀測時次（5 min/次），同時剔除無法獲得中國區(qū)域產(chǎn)品數(shù)據(jù)的觀測時次（5 min/次），獲得涉及自動站的有效海霧時次數(shù)據(jù)集，然后對應(yīng)有效海霧時次和經(jīng)緯度獲取FY-4A 衛(wèi)星14 個通道影像上對應(yīng)的像素值，形成樣本點像素組，然后由該個例所有涉及自動站發(fā)生海霧的樣本點像素組組成有效海霧衛(wèi)星像素集。

獲取涉及自動站有效海霧出現(xiàn)時次之前和有效海霧消散之后一段時間（不少于1 h）每個觀測時次，通過剔除能見度值小于1000 m 的觀測時次，同時剔除無法獲得中國區(qū)域產(chǎn)品數(shù)據(jù)的觀測時次（5 min/次），獲得涉及自動站非海霧時次數(shù)據(jù)集，然后對應(yīng)涉及自動站非海霧時次和經(jīng)緯度獲取FY-4A衛(wèi)星14個通道影像上相對應(yīng)的像素值，形成樣本點像素組，然后由該個例所有涉及自動站未發(fā)生海霧的樣本點像素組組成非海霧衛(wèi)星像素集。

2.3 方法介紹

利用閾值法和隨機森林算法作為海霧識別方法，結(jié)合FY-4A 中AGRI的L1 級空間分辨率為4 km的數(shù)據(jù)，利用14 個不同波段光譜值作為輸入要素，對江蘇及周邊省份沿海海霧天氣開展識別研究。

2.3.1 閾值法

首先，獲取可見光通道數(shù)據(jù)后剔除陸地，再利用可見光通道數(shù)據(jù)計算得到表觀反射率，基于此數(shù)據(jù)初步剔除海面；其次，由于霧頂溫度與云頂溫度存在差異，利用剔除陸地后的長波紅外通道亮溫做初步判斷，進而剔除中高云；最后，結(jié)合雙通道差值技術(shù)剔除低云進而識別日間沿海海霧。具體識別流程見圖1。

圖1 基于閾值法日間海霧識別流程圖Fig.1 Flow chart of daytime sea fog recognition based on threshold method

（1）剔除海面：獲取可見光通道數(shù)據(jù)后，利用海陸掩膜文件把陸地去除（剔除陸地），再將可見光通道數(shù)據(jù)除以太陽天頂角的余弦得到可見光通道的表觀反射率，其值大于0.2 為云或霧，初步剔除海面。

（2）剔除中高云：由于霧頂溫度與云頂溫度存在差異，利用剔除陸地后的長波紅外通道（13 通道波長12 μm）亮溫做初步判斷，即大于273 K 可剔除中高云。

（3）剔除低云：雙通道差值指剔除陸地后的紅外通道亮溫差（14通道—12通道）。當(dāng)太陽天頂角≤10°或太陽天頂角≥80°，-2 ＜雙通道差值≤3 時，剔除低云；當(dāng)10°＜太陽天頂角＜80°，3＜雙通道差值≤20，剔除低云。

2.3.2 隨機森林海霧識別模型

隨機森林模型是通過隨機方式建立一個具有很多分類樹的森林，且每個分類樹之間沒有關(guān)聯(lián)。每當(dāng)有一個新的樣本輸入隨機森林模型中，每棵決策樹都需要進行判斷，通過投標(biāo)票方式得出最終分類結(jié)果（見圖2）。

圖2 隨機森林模型結(jié)構(gòu)示意圖Fig.2 Schematic diagram of random forest structure

隨機森林模型構(gòu)造流程為：

（1）假設(shè)具有n個樣本，進行有放回的隨機選擇n 個樣本（即每次隨機選擇一個樣本，然后放回繼續(xù)選擇），使用這n個樣本訓(xùn)練一個分類樹。

（2）當(dāng)每個樣本的屬性為M，在分類樹的每個節(jié)點需要分裂時，隨機從M 個屬性中選取m 個屬性（m<

（3）分類樹形成過程中每個節(jié)點都要按照步驟2 來分裂（如果下一次該節(jié)點選出來的那個屬性為剛剛父節(jié)點分裂時所用的屬性，則該節(jié)點已到葉子節(jié)點，不用繼續(xù)分裂），這個過程到不能夠再分裂為止，整個分類樹形成過程中無需剪枝。

（4）按照步驟1—3 建立n 個分類樹，如此構(gòu)成1個隨機森林模型。

利用隨機森林算法確定最優(yōu)參數(shù)n_estimators和m。n_estimators 是指對原始數(shù)據(jù)集進行有放回抽樣生成的子數(shù)據(jù)集個數(shù)，即決策樹的個數(shù)。若n_estimators太小容易欠擬合，太大則不能顯著地提升模型，所以n_estimators 需要選擇適中數(shù)值，默認值是100 個。研究中分別選取設(shè)置100、200、300、400、500、600、700、800、900、1000、1100、1200、1300、1400、1500、1600、1700、1800、1900 和2000，子特征數(shù)m選取從2 增大到9，通過超參數(shù)訓(xùn)練得到最優(yōu)參數(shù)，即n_estimators=200，m=6，最優(yōu)參數(shù)評估均方根誤差（Root Mean Square Error，RMSE）誤差最小。

利用Sklearn框架對隨機森林算法進行表達，對于建模需要的圖像數(shù)據(jù)集，首先獲取為隨機森林海霧識別模型（簡稱“隨機森林模型”）建模所用的訓(xùn)練個例集，通過計算獲得個例的有效海霧衛(wèi)星像素集和非海霧衛(wèi)星像素集，以此組成隨機森林模型建模所用的標(biāo)識后衛(wèi)星像素集，其中有效海霧衛(wèi)星像素集有8356 個樣本點像素組，非海霧衛(wèi)星像素集有52346 個樣本點像素組。將標(biāo)識后衛(wèi)星像素集按照8:2 隨機分為訓(xùn)練樣本點像素組集和測試樣本點像素組集，以隨機森林函數(shù)對所有訓(xùn)練樣本點像素組集進行隨機森林分類訓(xùn)練，逐步建立隨機森林模型。

3 結(jié)果與分析

為了分析閾值法和隨機森林模型的效果，利用事先選取的20 個江蘇及山東沿海城市大霧發(fā)生個例的檢驗個例集，在每個個例涉及自動站觀測時次，分別從海霧發(fā)生前、發(fā)生中和消散后選取一定數(shù)量的衛(wèi)星遙感影像，組成該個例的檢驗輸入樣本集，同時記錄對應(yīng)所涉及自動站觀測時次，通過查詢”天擎”系統(tǒng)獲得該個例所涉及自動站能見度實測值，組成該個例檢驗樣本點集。

利用海霧識別模型逐一對個例的檢驗輸入樣本集進行海霧霧區(qū)識別，獲得海霧霧區(qū)信息，利用該時次樣本所涉及自動站觀測時次和經(jīng)緯度信息獲取對應(yīng)位置的海霧信息（有或無），并獲得個例檢驗樣本點集中該時次所涉及自動站的實測值，如果實測能見度值小于1000 m，則為有海霧，如果大于等于1000 m，則為無海霧。統(tǒng)計該個例衛(wèi)星識別結(jié)果和自動站實測結(jié)果都有海霧的樣本點個數(shù)、衛(wèi)星識別結(jié)果有海霧而自動站實測結(jié)果沒有海霧的樣本點個數(shù)以及衛(wèi)星識別結(jié)果沒有海霧而自動站結(jié)果有海霧的樣本點個數(shù)。

通過POD 檢驗方法檢測不同海霧識別模型的準(zhǔn)確性，POD檢驗公式如下：

式中，POD（Probability Of Detection）為命中率，F(xiàn)AR（False Alarm Rate）為誤報率，CSI（Critical Success Index）為臨界成功指數(shù)；NH為衛(wèi)星識別結(jié)果和自動站實測結(jié)果都有海霧的樣本點個數(shù)；NM為衛(wèi)星識別結(jié)果有海霧而自動站實測結(jié)果沒有海霧的樣本點個數(shù)；NF為衛(wèi)星識別結(jié)果沒有海霧而自動站結(jié)果有海霧的樣本點個數(shù)。

3.1 閾值法對海霧識別有效性

利用閾值法識別模型對每個個例的檢驗輸入樣本集進行海霧霧區(qū)識別，統(tǒng)計結(jié)果見圖3。20 個檢驗個例中，POD 最大值為0.9531，CSI 最大值為0.7940，F(xiàn)AR最大值為0.3903；平均POD為0.6984，平均CSI為0.5890，平均FAR為0.2121。綜上說明，基于閾值法FY-4A 衛(wèi)星沿海海霧識別模型能夠有效地反映實況海霧的分布情況。

圖3 基于閾值法FY-4A衛(wèi)星沿海海霧識別模型檢驗結(jié)果圖Fig.3 Test results of FY-4A satellite coastal sea fog recognition model based on threshold method

3.2 隨機森林模型對海霧識別有效性

利用隨機森林識別模型對每個個例的檢驗輸入樣本集進行海霧霧區(qū)識別，統(tǒng)計結(jié)果見圖4。20個檢驗個例中，POD最大值為0.9327，CSI最大值為0.8719，F(xiàn)AR最大值為0.1433；平均POD為0.8346，平均CSI 為0.7946，平均FAR 為0.0570。綜上說明，基于隨機森林FY-4A 衛(wèi)星沿海海霧識別模型能夠更精確地反映實況海霧的分布情況。

圖4 基于隨機森林FY-4A衛(wèi)星沿海海霧識別模型檢驗結(jié)果圖Fig.4 Test results of FY-4A satellite coastal sea fog recognition model based on random forest

3.3 不同海霧識別模型對比分析

通過對兩種海霧識別模型的對比分析，我們可以看出，相比閾值法，隨機森林模型在平均POD 和平均CSI具有較大的提升，同時平均FAR大幅降低，這說明隨機森林模型具有更高的精準(zhǔn)性。另外，與閾值法中海霧識別效果忽高忽低相比，隨機森林模型具有更好的穩(wěn)定性，對于識別難度較大的海霧，隨機森林模型也能夠有較好的效果。

為了更好地揭示隨機森林模型的性能，本文選取2021 年4 月12 日黃渤海區(qū)域發(fā)生的海霧天氣過程進行分析。我們分別利用這兩種海霧識別模型對10：30（北京時，下同）時刻衛(wèi)星遙感影像進行海霧霧區(qū)識別。

圖5 分別為FY-4A 衛(wèi)星華東區(qū)域3 個紅外通道亮度溫度圖以及經(jīng)過隨機森林模型和閾值法識別后的海霧霧區(qū)圖。紅外通道3.75 μm、7.33 μm 和10.8 μm亮度溫度對霧的識別具有重要作用，確實能夠從圖5a—c 的亮溫顏色看到與識別海霧霧區(qū)具有很大重疊，同時可以發(fā)現(xiàn)隨機森林算法識別霧區(qū)更貼合（綠色為識別出的海霧霧區(qū)）。為了檢驗本次海霧霧區(qū)識別的實際效果，選取了所涉區(qū)域6 個自動站作為檢驗樣本點，通過查詢“天擎”系統(tǒng)獲得的該時次6 個自動站能見度值都小于1000 m，應(yīng)該判定為有海霧發(fā)生。通過對比圖5d和5e發(fā)現(xiàn)，閾值法未識別到1 個自動站海霧發(fā)生點，通過分析本次海霧發(fā)生過程，可知2021年4月12日上午該區(qū)域海霧正在逐步生成，該時次海霧霧區(qū)正在逐步變大，對那些剛剛達標(biāo)生成海霧霧區(qū)的識別難度大幅度增加，這可能是造成閾值法未識別到的原因，而隨機森林模型因訓(xùn)練樣本點較充分，能夠準(zhǔn)確識別到這個海霧霧區(qū)，因此說明隨機森林模型具有更精準(zhǔn)的識別效果。

圖5 2021年4月12日10:30時刻海霧識別圖Fig.5 Sea fog identification map at 10:30（UTC+8）on April 12，2021

圖5 （續(xù)）Fig.5 （Continued）

4 結(jié)論與討論

本文選取2019年8月—2021年7月江蘇省及周邊省份60個大霧天氣個例，分別用閾值法和隨機森林算法結(jié)合FY-4A 衛(wèi)星AGRI 中4 km 分辨率的14個波段數(shù)據(jù)對研究區(qū)域的沿海海霧霧區(qū)進行識別。結(jié)論如下：

（1）閾值法海霧識別模型對海霧具有一定的識別能力，但對不同時期和不同階段的海霧天氣衛(wèi)星遙感影像，需要取不同閾值范圍，才能更好地識別出海霧區(qū)域。

（2）通過40個個例的訓(xùn)練個例集建立的隨機森林海霧識別模型，具有較高的精準(zhǔn)性，該模型的參數(shù)配置合理。

（3）分別用閾值法和隨機森林模型對檢驗個例集的20 個個例進行海霧霧區(qū)識別，對比閾值法，隨機森林模型具有更精準(zhǔn)的識別能力和更穩(wěn)定的識別性能，對于識別難度較大的海霧，隨機森林模型表現(xiàn)更加優(yōu)異。

本文嘗試?yán)瞄撝捣ê碗S機森林兩種算法來實現(xiàn)海霧識別，隨機森林算法在海霧識別方面具有較大的應(yīng)用潛力，相比傳統(tǒng)的閾值法，效果提高顯著。雖然隨機森林模型在訓(xùn)練時取得較高的精度，但是在實際識別中，當(dāng)外在條件復(fù)雜或者遇到異物同波譜時，會出現(xiàn)錯誤識別。今后如果要將海霧識別結(jié)果投入到業(yè)務(wù)應(yīng)用中，在訓(xùn)練建模時，必須提供更加多樣的海霧天氣個例，增加模型的容錯性，其次，必須將隨機森林算法與其他算法相結(jié)合，建立更加健壯的模型，提高模型的性能，在不同復(fù)雜條件下對海霧精準(zhǔn)識別，從而實現(xiàn)FY-4A 氣象衛(wèi)星海霧識別的業(yè)務(wù)化。