引言

雾是悬浮在大气中的微小液滴构成的气溶胶，大雾天气严重影响航海、航空以及公路运输安全，还会引发交通事故，甚至给人民生命财产带来巨大损失。大雾还可能降低空气质量，影响人们的身体健康。因此，对大雾的有效监测和识别不仅方便公众出行，还能防止或减少因雾造成的事故和损失。常规大雾监测手段主要是在陆、海面布设站点进行人工或自动观测，该方法的缺陷是站点密度不够，难以满足社会相关行业的服务需求。气象卫星观测资料因其具有覆盖范围广、时空分辨率高的特点，已成为当前气象业务、服务与科研中十分重要的气象资料(侯小刚等，2017；刘炼烨等，2017；于晓晶等，2018；杨磊等，2020)，并在监测雾的生消变化方面优势明显。自20世纪70年代以来，国内外已涌现出大量利用卫星资料识别大雾的研究成果(Gurka，1978；Eyre et al., 1984；Ellrod，1995；Lee et al., 1997；刘健等，1999；Bendix，2002；Bendix et al., 2005；吴兑等，2007)。Gurka (1978)利用美国SMS-1卫星成像仪可见光通道图像分析了雾的消散过程，指出雾的消散与可见光通道反射率关系密切；Eyre等(1984)利用美国NOAA气象卫星搭载的高分辨率辐射计中的近红外与红外通道差值的方法识别大雾；Lee等(1997)利用美国地球静止轨道环境卫星GOES-8/9卫星成像仪近红外和红外通道反射率的方法分别识别白天、夜晚和太阳初升阶段的雾；Bendix (2002)同时运用极轨和静止气象卫星成像仪AVHRR、MODIS、SEVIRI研究了大雾的判识流程；Gultepe等(2007)提出利用GOES卫星通道2和通道4的亮温差以及数值模式气温和通道4的亮温差识别夜间大雾，结果表明，除去中高云的影响后，夜间大雾的识别率显著提高。国内，通过卫星数据对大雾遥感监测识别起步于20世纪90年代，取得的成果也较多。居为民等(1997)根据NOAA/GMS卫星可见光和红外遥感图像资料，探讨了沪宁高速公路大雾的监测方法。李亚春等(2001)利用GMS-5静止气象卫星资料，在分析雾消散原理的基础上，研究了卫星遥感图上大雾消散的一般特点和规律。梁益同等(2007)利用风云一号D星(FY-1D)探讨了大雾在FY-1D不同通道的特征，认为可见光和红外通道是该卫星监测大雾的代表通道。张文刚和魏鸣(2011)根据云、雾与下垫面在可见光、中红外和热红外波段反射与辐射特性方面存在的差异，利用FY-2静止卫星通道数据研究了大雾识别的阈值和流程，其方法在华东、华北的一次监测结果表明，识别准确率可达76.6%。蒋璐璐和魏鸣(2011)利用FY-3A卫星VIRR数据，依据多通道阈值法分析了大雾的监测方法。吴晓京等(2015)分析了FY-2C成像仪红外通道和近红外通道亮温差方法判识雾的有效范围，并用AVHRR数据结合数字高程数据(DEM)提取了新疆北部地区大雾的垂直厚度，还用FY-2B卫星和日本气象卫星(GMS)资料进行了中国陆地大雾消散临近预报。王宏斌等(2018)基于葵花8号静止卫星，通过亮温差值法和3.9 μm辐射率法分析了夜间和重污染条件下的大雾识别效果，认为两种方法均能较准确地识别不同等级的大雾。

风云四号A星(FY-4A)是中国继FY-2卫星之后发展的新一代静止气象卫星。自FY-4A于2016年12月11日成功发射以来，已有一些相关的研究报道。如对大雾的监测识别，刘清华(2018)根据大雾在气象卫星成像仪不同光谱通道上独特的光谱、结构特性，开展了大雾遥感监测技术研究，通过选取成像仪不同通道的合成图像反映大雾区域。目前，利用FY-4A卫星对夜间大雾识别的研究还不多见。林建等(2008)研究我国大雾的时空分布指出，60%的雾生成于夜间或凌晨，而高速公路巡逻人员覆盖面小，无法及时发现大雾。另外，夜间光照条件有限，相比白天，大雾对交通运输安全影响更大。FY-4A卫星兼具高频次、高分辨探测能力，对监测、追踪夜间大雾发生、发展、消散和演变过程有较大帮助。因此，本文基于FY-4A卫星AGRI资料10.8 μm波段和3.72 μm波段数据，根据多通道阈值分析法，分析了夜间大雾识别方法及其在湖北省高速公路服务应用中的潜力，期望为了解大雾发生发展规律并为高速公路交通安全服务提供参考依据。

1 资料与方法 1.1 资料说明

本文利用湖北省2018年3月至2020年2月夜间大雾个例，选取FY-4A卫星通道数据对上述夜间大雾进行识别，通过最小能见度观测数据与识别结果进行对比分析，再选取湖北省高速公路封路数据与识别结果对比，分析其应用潜力。对相关数据说明如下：

(1) FY-4A卫星数据。相比现有的FY-2静止卫星，FY-4A装载的多通道扫描成像辐射计和空间天气载荷使其观测性能明显增强，其中多通道扫描成像辐射计AGRI的成像观测通道从5个扩展到14个，观测时效从0.5 h提高到15 min，最高空间分辨率从1.25 km提高到0.5 km。本研究中成像仪多通道数据包括中红外通道和长波红外通道，其中，中红外通道包含3个波段，长波红外包含4个波段。由于夜间AGRI成像仪数据中只有中红外通道的3.72 μm波段和长波红外通道的10.8 μm波段对大雾比较敏感，所以，夜间能有效监测大雾的主要是这两个通道的数据(刘清华等，2018)。选取的AGRI数据时段为2018年3月12日至2020年2月20日。数据来源于国家气象卫星中心风云遥感数据服务网(http://satellite.nsmc.org.cn/portalsite/default.aspx)。

(2) 能见度实况数据。湖北省三面环山，中南部为江汉平原，鄂西北、鄂西南、鄂东南东部多山地，全省自动气象站点分布东西较少、中部密集，其中有能见度观测的站点共269个。本文选取的269站最小能见度观测数据，其空间范围(108°—117°E、28°—34°N)与时段均与卫星数据选取的一致。考虑到能见度等级不同对道路交通安全的影响不同，根据湖北省高速公路管理部门反映，能见度在750 m以下的雾最容易引发交通事故，因此本文中的大雾识别只针对能见度≤750 m的雾。

(3) 高速公路封路数据。为了检验大雾识别结果在高速公路中的应用效果，本文收集了湖北省公安厅高速公路管理部门发布的封路信息，其中包含封闭的路段和对应的收费站经纬度以及全省高速公路362个收费站的经纬度，每条封路信息均包括高速公路名称、方向、起止时间、关闭路段等信息。此数据由湖北省公安厅高速公路管理部门提供。

(4) 大雾个例。基于卫星资料选定时间范围，统计该时段湖北地区夜间大雾次数。2018年3月12日至2020年2月12日共出现大雾过程(个例)116次(个)。考虑到云覆盖对大雾识别的影响，对所有个例夜间各时次状况进行逐一检验，对116个大雾个例，剔除有大量云覆盖的大雾个例31个，最后得到少云(或无云)覆盖大雾个例85个，将其用于大雾识别阈值确定和检验，其中2018—2019年80个个例用于确定阈值，2020年5个个例用作阈值检验。

1.2 数据处理

为了验证雾的识别结果，将有大雾观测的国家气象站和区域站最小能见度数据插值形成0.05°×0.05°格点数据，据此对比分析识别结果与站点观测能见度的落区。利用FY-4A卫星通道数据识别大雾前，对数据进行了预处理，主要包含辐射定标、经纬度转换、数据剪裁和阈值确定四个步骤。

(1) 辐射定标。FY-4A卫星通道数据以灰度值(DN)形式存在，辐射定标的意义在于将遥感影像的灰度值转化为具有物理意义的数值。本文将10.8 μm波段和3.72 μm波段的灰度值转化为亮温值，具体转化对照表见国家气象卫星中心风云遥感数据服务网（http://satellite.nsmc.org.cn/PortalSite/StaticContent/DocumentDownload.aspx?TypeID=15）。

(2) 经纬度转换。FY-4A卫星采用CGMS LRIT/HRIT全球规范定义的静止轨道标称投影，地理坐标基于WGS84参考椭球计算得到，其灰度值的存放是按照标称上行(X)列(Y)号来存放的。在实际计算过程中，需要根据行列号与经纬度的转换表进行转换。转换表及相应的计算方法见国家气象卫星中心风云遥感数据服务网(http://satellite.nsmc.org.cn/PortalSite/StaticContent/DocumentDownload.aspx?TypeID=15)。

(3) 数据剪裁。FY-4A卫星通道数据覆盖范围广，分辨率最高可达500 m。实际计算过程如果以全圆盘或中国区域的数据进行计算，会消耗计算资源、降低识别效率。因本文只针对湖北地区进行大雾识别，所以只将包含湖北省的卫星通道数据裁剪出来，选取范围为108°—117°E、28°—34°N。

1.3 研究方法 1.3.1 识别原理

雾滴一般比云滴小，两者辐射特性存在明显差异，其差异能清晰地反映在卫星图像上，为卫星遥感技术识别大雾提供有力依据(陈林等，2006)。夜间，雾一般比中高云更接近地表，其在10.8 μm波段的亮温一般高于中高云，与地表较为接近，但略低于地表。因此采用10.8 μm波段的阈值作为区分雾、中高云和地表的参数。雾和低云的区分是整个雾监测过程中的重点和难点，因两者各方面特性均极为相似，且低云高度较低，不易对两者进行区分。蒋璐璐和魏鸣(2011)的研究表明，10.8 μm波段无法区分低云和雾，但雾在3.72 μm波段的反射辐射比更大粒子的水云或冰相云大，10.8 μm波段和3.72 μm波段亮温差是本文采用的另一个参数。根据FY-4A/AGRI (多通道扫描成像辐射计)卫星通道数据的特点，利用10.8 μm波段及其与3.72 μm波段亮温差的组合，采用阈值判别方法对雾进行识别。

1.3.2 夜间大雾FY-4A识别阈值的确定

以2019年12月22日湖北省大雾为例，在FY-4A卫星10.8 μm波段上(图 1a)，夜间雾区成灰黑色，纹理均匀，其亮温比中高云要高，一般大于271 K，低于下垫面。因此以该波段亮温阈值作为区别中高云和大雾的指标。在3.72 μm波段上(图 1b)，雾区成灰白或白色，颜色与云区相近，单独识别雾的效果不佳。

由于夜间大雾在3.72 μm波段上的比辐射率明显小于其在10.8 μm波段的比辐射率，因此这两个通道亮温不同。一般而言，3.72 μm波段亮温比10.8 μm波段亮温低，两者亮温差能较好地分离雾区和低云区，因此利用10.8 μm波段和3.72 μm波段通道亮温差判识夜间大雾。本文阈值确定，首先，选取大量10.8 μm波段的亮温及其与3.72 μm波段亮温差的像元样本，并根据地面观测站最小能见度实况数据和卫星图像确定雾区、云雾混合区、云区(中高云和低云)以及雾与地表混合区四个区域，从而分析10.8 μm波段的亮温及其与3.72 μm波段亮温差在以上四个区域的像元比例，以此初步确定亮温差识别夜间大雾的阈值范围。然后，根据选取的大雾个例样本，对比分析大雾个例对应的能见度实况与基于初步确定阈值的大雾识别结果，不断调整和优化阈值范围，再通过其它大雾个例样本进行阈值检验，最后确定大雾识别阈值。

将提取的上述区域A、B、C、D的像元样本绘制成亮温与亮温差分布见图 2(其中，像元百分比为所选范围各亮温像元数与总像元数之比)。从中可见，雾区10.8 μm波段亮温主要分布在271~275 K之间(图 2a)；云雾混合区存在267~272 K的均匀分布区和272~275 K的峰值区(图 2b)；云区亮温主要分布在265~272 K之间(图 2c)；而在雾、地混合区亮温主要分布在271~276 K范围，相比单独的雾区，亮温高于274 K的像元更多(图 2d)。基于云、雾和地表的光谱特性，10.8 μm波段雾区亮温高于中高云，与地表接近又略低于地表。因此，可初步判定夜间大雾在10.8 μm波段的亮温阈值范围介于271~275 K之间，该阈值能较好地区分雾与中高云、地表。

进一步分析图 2可知，云区与地表亮温差大多不超过10 K，云区以低云为主。由于低云与雾在单一波段的亮温差异不明显，而在10.8 μm波段与3.72 μm波段亮温差上差异明显，因此以这两波段亮温差来区分雾区和低云。从各区像元在10.8 μm波段与3.72 μm波段亮温差分布看，雾区像元的亮温差普遍大于1 K，但存在较明显的3~5 K峰值(图 2e)；云区较为明显的峰值出现在-1~1 K附近，-3~5 K之间像元比例较小(图 2f)；云雾和地雾混合区亮温差普遍大于0，而云雾混合区2~6 K出现的像元比例较大(图 2g)，地雾混合区则0~2 K出现的像元比例较大(图 2h)。由此可知，雾区像元主要分布在2~6 K范围，低云区像元分布在-4~4 K范围，而在2~4 K范围低云区像元占比较小。可见，雾的像元主要集中在2~6 K阈值范围，而低云像元主要集中在-2~4 K阈值范围，所以通过10.8 μm波段与3.72 μm波段亮温差能较好地区分低云与雾。对本文所选取的85个大雾个例的统计分析表明，10.8 μm波段与3.72 μm波段亮温差在雾区的阈值范围为2~6 K，较好地区分了低云和雾。

为更进一步验证上述方法确定的大雾识别阈值范围的合理性，以2019年12月21日湖北大雾为例，结合大雾生消演变，对比分析大雾区域10.8 μm波段及其与3.72 μm波段亮温差的阈值范围。图 3给出2019年12月21日23时—22日07时湖北省逐时最小气象能见度分布图。气象上，雾是指大气中因悬浮的水汽凝结造成能见度低于1 km的天气现象。对比分析地面观测资料发现，12月21日湖北大雾是造成低能见度的主要原因，因此本文以最小能见度来分析雾的生消。21日23时(图 3a)，恩施、宜昌、神农架、黄冈、咸宁局部出现局地性雾；22日00—01时(图 3b、c)，宜昌地区雾的浓度增大，其他区域不变；02—03时(图 3d、e)，宜昌地区雾的范围开始扩大，襄阳和十堰开始出现局地性雾；04—05时(图 3f、g)，十堰、襄阳、宜昌、荆门地区大雾范围扩大，天门、潜江和仙桃也开始出现大雾；06—07时(图 3h、i)，湖北中部出现大雾，其范围扩大到随州、武汉、孝感、荆州、黄冈部分地区。

对比分析上述个例大雾演变和10.8 μm波段亮温及其与3.72 μm波段亮温之差随时间变化可见(图 4)，21日23时，宜昌局地大雾产生时(图 3a)，10.8 μm波段亮温值为271~276 K(图 4a₁)，其与3.72 μm波段亮温差为1~7 K (图 4a₂)；随着大雾范围逐渐扩大(图 3b—h)，10.8 μm波段271~276 K亮温范围也逐渐增大(图 4b₁—h₁)，相应的长波红外与中波红外亮温差分布也与大雾分布匹配较好(图 4b₂—h₂)。到22日07时，湖北中部出现大范围雾(图 3i)，此时湖北中东部10.8 μm波段亮温在271~276 K之间(图 4i₁)，而两者亮温差在湖北中部以南区域小于1 K，中东部以北为2~7 K，其与10.8 μm波段结合，能较好地反映大雾落区。因此，通过FY-4A卫星10.8 μm波段271~275 K亮温及其与3.72 μm波段2~6 K亮温差，能较好地识别大雾落区。

根据上述分析结果，可以确定FY-4A卫星识别大雾的阈值见表 1。

1.3.3 结果检验与分析方法

为了分析上述识别结果的精度，分别用国家气象站观测数据与高速公路收费站封路数据进行比对。比对主要采用Bendix等(2004)提出的误警率(α_FAR)、命中率(α_POD)、成功指数(I_CSI) 三个指标，其计算式如下

$\alpha_{\mathrm{FAR}}=\frac{n_{1}}{n_{1}+n_{3}} $

(1)

$\alpha_{\mathrm{POD}}=\frac{n_{3}}{n_{2}+n_{3}} $

(2)

$I_{\mathrm{CSI}}=\frac{n_{3}}{n_{1}+n_{2}+n_{3}} $

(3)

式(1)—(3)中，n₁为识别结果中有雾但观测站点或收费站无雾所占百分比；n₂为识别结果中无雾但观测站点或收费站有雾的百分比；n₃为检测结果与观测站点或收费站均有雾的百分比。

2 结果与分析

根据上述原理和方法，利用卫星资料对湖北省2018年3月12日至2020年2月12日大雾识别进行试验，以2020年1月12日湖北东部和西北部夜间一次典型大雾天气为例，对其识别效果进行对比检验。由于雾多发生在夜间或凌晨，选取04—07时作为夜间大雾识别时段。对本个例确定最优阈值范围为：6 K > FY_10.8-FY_3.72 > 2 K，275 K > FY_10.8 > 271.5 K。其中FY_10.8为10.8 μm波段亮温，FY_3.72为3.72 μm波段亮温。

2.1 识别结果与实况对比

图 5给出2020年1月12日04—07时(北京时，下同)地面观测的最小能见度以及基于FY-4A卫星通道数据识别的大雾结果。

从图 5中可见，04时(图 5a)，实况观测鄂东出现较大范围的雾，主要集中在武汉及周边地区，包括黄冈、黄石、咸宁和孝感等地，同时鄂西北出现小范围的雾。到05时(图 5b)，鄂东和鄂西北雾区范围增大、强度增强，襄阳开始出现局地雾；06时(图 5c)，鄂东大雾范围向东向北持续扩展，此时襄阳大雾强度增强，随州开始出现大雾；07时(图 5d)，上述大雾强度和范围变化不大，鄂东东部大雾呈西缩趋势。对应04—07时FY-4A识别结果显示(图 5e—h)，大雾总体落区与站点观测的范围较为一致，识别效果较好；但也存在差异，主要表现为卫星识别出江汉平原部分地区出现局地雾，而实况该地区并未观测到有雾；卫星对黄冈、孝感北部、鄂西北等地大雾的识别能力较弱。

考虑到站点数据插值成格点数据后以及部分区域站数据本身可能存在误差，图 6给出上述时刻湖北省国家级气象站观测最小能见度与相应时刻FY-4A卫星识别的大雾区。从中看到，卫星识别的大雾区与站点观测的大雾区基本一致，特别是在鄂东。但卫星对于鄂西北大雾的识别效果随时间逐渐变差，特别在06—07时该区域大雾命中率几乎为0。

为了定量分析卫星对大雾识别的准确率，基于上节中式(1)—(3)，分别计算湖北省2020年1月12日04—07时各时卫星对大雾识别的α_FAR、α_POD和I_CSI，其结果见表 2。

从表 2中可见，04—07时卫星对大雾识别的命中率均在70%以上，平均命中率为72.9%，平均误警率为15.9%，成功指数大于60%。各时刻的误警率在10%~20%之间，究其原因，主要是卫星对低云和雾较难区分，特别是在中高云、低云、雾同时出现时更是增加了对大雾的识别难度。

另外，按照上述方法，对其他大雾个例进行多次试验的结果均表明，FY-4A卫星对大雾识别命中率均达到70%以上。可见，FY-4A卫星对夜间大雾的识别效果较为理想。

2.2 地形和云对识别结果的影响

从上文图 5和图 6中FY-4A卫星对大雾的识别结果可知，FY-4A对鄂西北、鄂东北大雾识别的命中率不高。这可能与地形和云的影响有关。

湖北省地势西高东低，东、西、北三面环山，中南部为江汉平原，除湖北西部外，随州、孝感、黄冈北部、咸宁南部也分布有山地。图 7给出2020年1月12日04—07时FY-4A卫星10.8 μm波段湖北省亮温分布。从中可见，湖北省东、西、北山区亮温值均在271 K以下，低于周边平原地区，因此，地形差异能影响10.8 μm波段亮温分布。

安妮等(2019)基于葵花卫星研究中国地区夜间云识别时发现，地形高度的差异使得地表辐射能量分布不同，在长波红外波段，不同高度的地形其亮温分布存在较大差异。因此，地形对卫星大雾识别中的阈值与精度存在较大影响，需要根据不同地形单独研究。如果将地形的影响去掉，即不考虑受地形影响的5个观测站(红安、麻城、大悟、金沙、建始)的结果，04—07时FY-4A的大雾识别命中率分别为79.9%、79.3%、79.4%和82.9%(表 3)，分别提高了5.8%、7.4%、8.0%、8.6%。

进一步分析图 7可知，鄂西亮温相对鄂东地区较低，且部分地区亮温低于267 K，鄂西南亮温低值区相对稳定，而鄂西北亮温低值区随时间存在东移趋势。

赵晓利(2014)通过对大量样本进行统计和试验发现，当被检测像元的长波红外通道亮温小于267 K时，可判别为云。因此1月12日04—07时鄂西北亮温低值区的生成和东移可判定为云的东移，并对06—07时卫星对大雾识别结果产生了干扰。如果去除该过程中云的影响，06—07时卫星对大雾的识别命中率分别为75.0%和78.4%，分别提高3.6%、4.1%(表 3)。因此，在大雾识别过程中，地形及云的产生和移动对大雾识别结果影响较大。

2.3 卫星大雾识别在高速公路气象服务中的应用

截至2018年底，湖北省高速公路通车里程达6 096 km，规模位居全国前列(陈立佳等，2020)，2020年预计将超过8 000 km。大雾是影响高速公路交通运输安全的主要天气灾害之一(周建平等，2014)。对高速公路正常运营而言，气象能见度低于500 m才对其安全有影响(袁成松等，2003)，当能见度低于50 m时高速公路才会封闭。据湖北省公安厅高速公路警察总队及高速公路应急管理处管理者反映，为了最大限度避免安全事故，巡路人员在提供封路信息时存在一定的主观性。对比湖北省高速公路封闭信息与卫星对大雾的识别结果表明，大多数高速公路收费站在能见度低于750 m时即采取封路措施。基于此，本文以卫星对能见度低于750 m大雾的识别结果与封路信息进行验证，并以2020年1月12日大雾识别个例与高速公路因雾造成收费站封路的站点进行分析。

由于收费站封路指令是由值班巡逻员外出巡逻时根据目测发现大雾，认为可能对高速公路交通产生较大影响时即向上级部门请示封路，其封路时间不定，因此选用1月12日04—07时总的封路信息与各时间点大雾的识别结果进行对比。结果表明，FY-4A对大雾的识别结果与封路站点采取封路措施匹配较好，特别是在鄂东地区较为密集的众多收费站，对大雾的识别效果更好，且在一些气象站点未观测到大雾的区域，卫星资料也能识别收费站出现大雾的信息(图 8)。江汉平原部分地区观测站点未观测到大雾(图 5和图 6)，但FY-4A卫星资料则显示这些收费站出现大雾，且与高速公路封闭时间吻合。由此可见，FY-4A卫星对大雾的识别信息在服务高速公路交通运输安全中具有明显优势。

统计FY-4A卫星对2020年1月12日04—07时湖北省高速公路大雾识别的三项指标，其结果见表 4。从中看到，4个时刻卫星对大雾的识别命中率均超过70%，平均73.2%，平均误警率为20.9%，平均成功指数为62%。如果剔除地形和云的影响，该命中率将会有所提升，鉴于已在上文中作出分析，此处不再赘述。

3 结论与讨论

本文基于FY-4A卫星AGRI资料10.8 μm波段和3.72 μm波段的亮温，根据多通道阈值分析法，探讨了夜间大雾识别阈值及其在湖北省高速公路交通气象服务中的应用潜力，主要得到以下几点结论：

(1) 确定了使用FY-4A卫星的10.8 μm波段及其与3.72 μm波段的亮温差识别夜间雾区的阈值范围，并通过出现在湖北省的85个大雾个例对其阈值范围进行了验证，所确定的阈值范围对湖北省夜间大雾的识别命中率普遍在70%以上。

(2) FY-4A卫星对湖北省夜间大雾的识别结果与地面观测的最小能见度≤750 m的区域基本一致。对夜间大雾识别命中率在71%~74%之间，平均命中率为72.9%；剔除地形影响，卫星识别夜间大雾的命中率分别提高5%~8%；剔除云覆盖的影响，卫星识别夜间大雾的命中率分别提高了3%~4%。

(3) 与高速公路收费管制信息进行对比表明，FY-4A卫星对夜间大雾的识别命中率在71%~77%之间，平均命中率为73.2%。在部分国家站未观测到大雾而收费站因雾封路的区域，基于FY-4A卫星资料可以实现对收费站点大雾的有效识别，并在高速公路交通安全保障服务中具有较大的应用潜力。

本文以FY-4A卫星的10.8 μm波段及其与3.72 μm波段的亮温差作为对夜间大雾识别的阈值，在一定程度上解决了夜间大雾识别难度大的问题。但受季节、地形与地理位置的影响，卫星数据对夜间大雾的识别能力仍有待提高。在后续研究中，需要对大雾出现的季节、地形和区域进行精细划分，提出分类阈值指标。另外，可以综合运用多种卫星资料(GOES、葵花、NOAA/AVHRR、MTSAT、MODIS)、多种识别方法(如通道亮温差、伪比辐射率法(王宏斌等，2018))对大雾识别结果进行对比分析，从而建立大雾最优识别模型。