CN109375290A - 一种基于机器学习的跨海大桥雾监测系统及其应用方法 - Google Patents

Abstract

一种基于机器学习的跨海大桥雾监测系统，包括用户交互模块、跨海大桥信息遥感提取模块、遥感影像处理模块、遥感影像雾区人工判识模块、基于深度学习的大雾识别训练模块、实时大雾监测模块、大雾估算检验模块、大桥大雾监测信息处理模块、接口服务模块。一种基于机器学习的跨海大桥雾监测系统的应用方法，包括如下9个步骤，1：数字化建模；2：基于静止卫星星座的遥感图像处理；3：基于极轨卫星星座的遥感图像处理；4：对地面雾及其它气象要素处理；5：人工雾区样本标注；6：基于深度卷积神经网络的大雾区识别；7：给出大雾监测信息；8:TS评分；9：提供接口服务。本发明在保证安全的前提下发挥了跨海大桥的通行功能保障能力。

Description

一种基于机器学习的跨海大桥雾监测系统及其应用方法

技术领域

本发明涉及数据分析系统和分析方法领域，特别是一种基于机器学习的跨海大桥雾监测系统及其应用方法。

背景技术

跨海大桥给沿海人们的出行带来了极大便利，但是跨海大桥因为造价高昂，因此需要足够高的通行量才能有效的收回成本，而且跨海大桥比常规道路要求有更高级别的通行安全保障。大雾(或浓雾)是影响交通通行比较常见的灾害性天气之一，其具有出现几率高、发生范围广、危害程度大的特点，各地一年四季都有它的踪影，都可体察到它的危害；此外，受海面水汽充沛和从南下冷空气频繁的影响，跨海大桥受大雾天气影响非常严重，由于大雾造成的跨海大桥交通事故屡见不鲜，大雾导致能见度下降，最容易引发多车首尾相撞的严重交通事故，所以发生大雾天气时，为了保证交通安全，跨海大桥多采用道路封闭方式应对大雾天气。虽然关闭跨海大桥可以防止大雾引发的交通事故，但由此造成的代价是显而易见的，车辆通行量减少会导致包括跨海大桥运营方相关各方的不小经济损失。

雾主要成因是在水气充足、微风及大气层稳定的情况下，当接近地面的空气冷却至某种程度时，空气中的水气便会凝结成细微的水滴悬浮于空中。和风雨雷电不同，大雾天气属于比较弱的天气形势，主要是影响能见度，反映不明显；有时大雾出现是有征兆的，如果头一天为晴天，近地面湿度大，第二天就可能有雾，影响雾形成的因子复杂多变，有时雾生成得特别突然，轻雾在数分钟内就能变成浓雾。此外，复杂地形地貌导致局部区域容易发生团雾；对局部区域团雾的预报是个国际性难题，这也为相关部门基于局部区域团雾预报进行跨海大桥大雾预警和道路封闭管控带来了困难。

近几年来很多跨海大桥附近接近陆地处安装有能见度监测仪，实时监测大雾并自动警告。但是跨海大桥全部要安装这种全自动大雾警告及速度控制系统，费用是相当昂贵也不现实。而且对大桥有影响的大雾多形成于海上，大桥周边海域无法安装能见度仪，也就无法获取大桥周边的大雾情况。

发明内容

为了克服现有对跨海大桥周边海域发生的局部区域团雾无法有效准确预报，相关部门无法基于局部区域团雾预报进行跨海大桥大雾预警和道路封闭管控的弊端，本发明提供了基于多源高时间分辨率静止气象卫星，并结合高空分辨率极轨气象卫星和大桥能见度观测、周边气象站观测的能见度、气温、相对湿度等观测数据，在相关模块共同作用下，有效利用大数据和机器学习技术，快速实现基于静止和极轨气象卫星的大雾信息自动提取，可以对跨海大桥及其周边的海雾和陆地雾进行有效监测，并可以根据需求实现10-30分钟的更新频次，能实现对局部突发性团雾实现有效监测，为相关部门基于局部区域团雾预报进行跨海大桥大雾预警和道路封闭管控带来了便利的一种基于机器学习的跨海大桥雾监测系统及其应用方法。

本发明解决其技术问题所采用的技术方案是：

一种基于机器学习的跨海大桥雾监测系统，其特征在于包括PC机内用户交互模块、跨海大桥信息遥感提取模块、遥感影像处理模块、遥感影像雾区人工判识模块、基于深度学习的大雾识别训练模块、实时大雾监测模块、大雾估算检验模块、大桥大雾监测信息处理模块、接口服务模块。

所述用户交互模块，主要功能是完成数据导入，分析平台与用户的输入输出、气象观测数据加载、智能法算库、阈值库等的交互，为跨海大桥信息遥感提取模块、遥感影像处理模块、遥感影像雾区人工判识模块、基于深度学习的大雾识别训练模块、实时大雾监测模块、大雾估算检验模块、大桥大雾监测信息处理模块、接口服务模块提供技术支撑。

所述跨海大桥信息遥感提取模块，主要功能是拼接高分辨率遥感影像，自动识别大桥线状要素，提取出大桥的空间信息并生成Shape(形状)文件，并能进行跨海大桥100km距离的缓冲区分析，生成缓冲区范围的Shape文件，将大桥线状要素转换为点状要素。

所述遥感影像处理模块，主要是完成遥感影像的处理，具有以下功能，1：选定起始日期，读取期间的气象卫星数据，进行辐射校正、投影转换、空间重采样、区域切割和空间匹配；2：根据时间进行白天和夜晚2种模式气象卫星数据的自动划分；3：针对白天的遥感影像数据，抽取气象卫星多通道中可见光部分的3个通道合成真彩色图像，对于夜间则利用中心波长在3.9μm左右的中红外通道、中心波长在10.4μm左右的远红外通道和中心波长在12.3μm左右的远红外通道合成真彩色图像。

所述遥感影像雾区人工判识模块，主要是支持人机交互式雾区判识、解译和保存样本文件，具有以下功能，1：打开真彩色合成图像，可以调整通道设置；2：打开能见度、气温、相对湿度、天气现象等气象观测数据，设置显示方式，按阈值进行过滤显示；3：绘制雾区多边形区域，进行标注，输出多边形区域形状和起始位置；4：绘制负样本多边形区域，进行标注，输出多边形区域形状和起始位置；5：删除或保存标注。

所述基于深度学习的大雾识别训练模块，在机器学习Tensorflow(是谷歌基于DistBelief进行研发的第二代人工智能学习系统)库的支持下，实现基于深度卷积神经网格的大雾识别的学习和训练，具体功能如下，1：深度学习模型选择；2：神经网格层次设置；3：卷积核尺寸设置，池化参数设置，目标函数参数设置，搜索算法参数设置；4：GPU(图形处理器)与CPU(中央处理器)设置；5：训练操作；6：绘图操作。

一种基于机器学习的跨海大桥雾监测系统的应用方法，其特征在于包括如下9个步骤对跨海大桥局突发性团雾进行监测，并为相关部门基于局部区域团雾预报进行跨海大桥大雾预警和道路封闭管控提供数据支撑，1：通过跨海大桥信息遥感提取模块对跨海大桥区段进行数字化建模；2：通过遥感影像处理模块对基于静止卫星星座的遥感图像进行处理；3：通过遥感影像处理模块对基于极轨卫星星座的遥感图像进行处理；4：通过遥感影像雾区人工判识模块对地面雾及其它气象要素进行处理；5：通过遥感影像雾区人工判识模块将1、2、3、4步骤所得数据进行人工雾区样本标注；6：通过基于深度学习的大雾识别训练模块对第1、2、3、4、5步骤所得数据进行基于深度卷积神经网络(DCN)的大雾区识别，得到跨海大桥雾区数据；7：通过实时大雾监测模块，针对实时气象卫星观测数据进行前处理，然后输入到大雾监测模块内学习模型中，实时给出大雾监测信息，同时实时大雾监测模块数据进入大桥大雾监测信息处理模块，大桥大雾监测信息处理模块将遥感大雾监测结果与6步骤所得跨海大桥数据进行叠加，输出不同桥段的实时大雾监测信息数据供相关单位使用；8:通过大雾估算检验模块，计算大雾估算的TS评分；9：接口服务模块，提供接口服务，输入遥感数据，返回大雾监测结果。

本发明有益效果是：本发明提供了基于多源高时间分辨率静止气象卫星，并结合高空分辨率极轨气象卫星和大桥能见度观测、周边气象站观测的能见度、气温、相对湿度等观测数据，在用户交互模块、跨海大桥信息遥感提取模块、遥感影像处理模块、遥感影像雾区人工判识模块、基于深度学习的大雾识别训练模块、实时大雾监测模块、大雾估算检验模块、大桥大雾监测信息处理模块、接口服务模块共同作用下，有效利用大数据和机器学习技术，快速实现基于静止和极轨气象卫星的大雾信息自动提取，可以对跨海大桥及其周边的海雾和陆地雾进行有效监测，并可以根据需求实现10-30分钟的更新频次，能实现对局突发性团雾实现有效监测，为相关部门基于局部区域团雾预报进行跨海大桥大雾预警和道路封闭管控带来了便利。本发明中，气象卫星观测资料是免费实时共享的，只要投入小笔的地面接收系统建设费用，就可以获取海量的气象卫星阵列群所观测的高时空分辨率遥感数据，可以获取250-1000m间距网格点的大雾分布信息，相当于每个格点上就有一个探测仪，本发明可以减少能见度仪布设的巨额成本，能通过有效监测大雾而减少大桥应雾导致封闭的时间，从而极大的在保证安全的前提下发挥了跨海大桥的通行功能保障能力。基于上述，所以本发明具有好的应用前景。

附图说明

下面结合附图和实施例对本发明做进一步说明。

图1是本发明一种基于机器学习的跨海大桥雾监测系统构成框图。

图2是本发明一种基于机器学习的跨海大桥雾监测系统的应用方法工作流程框图。

具体实施方式

图1中所示，一种基于机器学习的跨海大桥雾监测系统，包括PC机内用户交互模块、跨海大桥信息遥感提取模块、遥感影像处理模块、遥感影像雾区人工判识模块、基于深度学习的大雾识别训练模块、实时大雾监测模块、大雾估算检验模块、大桥大雾监测信息处理模块、接口服务模块。

图1中所示，用户交互模块，主要功能是完成数据导入，分析平台与用户的输入输出、气象观测数据加载、智能法算库、阈值库等的交互，为跨海大桥信息遥感提取模块、遥感影像处理模块、遥感影像雾区人工判识模块、基于深度学习的大雾识别训练模块、实时大雾监测模块、大雾估算检验模块、大桥大雾监测信息处理模块、接口服务模块提供技术支撑。跨海大桥信息遥感提取模块，主要功能是拼接高分辨率遥感影像，自动识别大桥线状要素，提取出大桥的空间信息并生成Shape(形状)文件，并能进行跨海大桥100km距离的缓冲区分析，生成缓冲区范围的Shape文件，将大桥线状要素转换为点状要素。遥感影像处理模块，主要是完成遥感影像的处理，具有以下功能，1：选定起始日期，读取期间的气象卫星数据，进行辐射校正、投影转换、空间重采样、区域切割和空间匹配；2：根据时间进行白天和夜晚2种模式气象卫星数据的自动划分；3：针对白天的遥感影像数据，抽取气象卫星多通道中可见光部分的3个通道合成真彩色图像，对于夜间则利用中心波长在3.9μm左右的中红外通道、中心波长在10.4μm左右的远红外通道和中心波长在12.3μm左右的远红外通道合成真彩色图像。遥感影像雾区人工判识模块，主要是支持人机交互式雾区判识、解译和保存样本文件，具有以下功能，1：打开真彩色合成图像，可以调整通道设置；2：打开能见度、气温、相对湿度、天气现象等气象观测数据，设置显示方式，按阈值进行过滤显示；3：绘制雾区多边形区域，进行标注，输出多边形区域形状和起始位置；4：绘制负样本多边形区域，进行标注，输出多边形区域形状和起始位置；5：删除或保存标注。基于深度学习的大雾识别训练模块，在机器学习Tensorflow(是谷歌基于DistBelief进行研发的第二代人工智能学习系统)库的支持下，实现基于深度卷积神经网格的大雾识别的学习和训练，具体功能如下，1：深度学习模型选择；2：神经网格层次设置；3：卷积核尺寸设置，池化参数设置，目标函数参数设置，搜索算法参数设置；4：GPU(图形处理器)与CPU(中央处理器)设置；5：训练操作；6：绘图操作。

图2中所示，一种基于机器学习的跨海大桥雾监测系统的应用方法，其特征在于包括如下9个步骤对跨海大桥局突发性团雾进行监测，并为相关部门基于局部区域团雾预报进行跨海大桥大雾预警和道路封闭管控提供数据支撑。

1：通过跨海大桥信息遥感提取模块对跨海大桥区段进行数字化建模；建模中，处理跨海大桥区段最新的高分辨率卫星遥感影像，进行影像投影转换、正射校正和拼接，形成覆盖整个跨海大桥的2m分辨率卫星遥感影像图；建立基于卫星遥感影像的大桥矢量图提取算法模型，实现自动基于卫星遥感影像图提取出大桥的线状要素数据。对大桥线状要素进行缓冲区分析，生成一定范围内的缓冲区(Buffer)分布数据；根据设定的路段间距Segment，将跨海大桥线状要素转化为点状要素，然后给每个点进行唯一性编号标注。

2：通过遥感影像处理模块对基于静止卫星星座的遥感图像进行处理；处理时分别获取风云二号F、G和H星，风云四号A星以及日本葵花卫星共计5颗静止气象卫星的实时跨海大桥区域探测资料，进行辐射定标和投影转换，并针对跨海大桥缓冲区进行影像切割，切出缓冲区内各通道的可见光反射率和红外亮温数据；按设定的空间分辨率Resolution(像素钟)，对上述所有类型的数据进行重新采样，对上述所有类型的数据进行重新采样，使所有图像在相同的区域内具有相同的栅格大小。

3：通过遥感影像处理模块对基于极轨卫星星座的遥感图像进行处理；处理时分别获取风云三号A、C和D星中实时跨海大桥区域分辨率光谱成像仪探测数据，美国NOAA(美国国家海洋大气局)的在轨卫星NOAA-15、NOAA-16、NOAA-18、NOAA-19中分辨率光谱成像仪探测数据，美国Terra、Aqua和NPP卫星的中分辨率光谱成像仪探测数据，欧洲的METOP极轨卫星中分辨率光谱成像仪探测数据，进行辐射定标和投影转换，并针对大桥缓冲区(Buffer)进行影像切割，切出缓冲区内各通道的可见光反射率和红外亮温数据，按设定的空间分辨率(Resolution)，对上述所有类型的数据进行重采样，对上述所有类型的数据进行重新采样，使所有图像在相同的区域内具有相同的栅格大小。

4：通过遥感影像雾区人工判识模块对地面雾及其它气象要素进行处理；处理时用到跨海大桥桥上及周边缓冲(Buffer)区域内的所有气象站自动观测的10分钟分辨率的气温、湿度、地表温度、能见度等资料数据，以及每3小时分辨率的Micaps(现代化人机交互气象信息处理和天气预报制作系统)填图资料(包含天气现象)，这些资料用于后续反演所需的辅助参数和反演结果验证；在确定雾时，以能见度小于1000m、500m、200m和50m，且相对湿度大于90％，同时联合3小时一次的Micaps资料进行判定，如果对应时刻有Micaps填图资料，还要判断其中的天气现象是否为雾，若是则该时刻判断为雾，否则该时刻前一小时内均判断为没有雾发生；以站点编号、观测日期和时间来对观测的气象数据文件进行命名规范，按规范对所有缓冲区内的气象观测数据文件进行统一命名；将所有输入到数据库中，除了气象要素数据，还有气象观测站经纬度信息，日期信息包括年、月、日、时、分。

5：通过遥感影像雾区人工判识模块将1、2、3、4步骤所得数据进行人工雾区样本标注；标注时，将遥感影像分为白天和夜间两种情况。对于白天利用气象卫星多通道中可见光部分的3个通道合成真彩色图像，对于夜间则利用中心波长在3.9μm左右的中红外通道、中心波长在10.4μm左右的远红外通道和中心波长在12.3μm左右的远红外通道合成真彩色图像。通过人工标注建立满足机器学习的训练样本；具体过程如下：Step1：随机挑选多时相遥感数据，彩色合成图像与地面观测的能见度、气温、相对湿度、天气现象进行叠加显示；Step2：根据能见度小于500米处的彩色云图颜色、灰度和纹理特征，对照气温和相对湿度以及天气现象建立人工解译标志；Step3：根据所建立的解译标志，对没有能见度观测的地方，利用周边气温、相对湿度并结合彩色影像进行目视判读；tep4：将判定为小于500m的雾区范围用图像处理软件圈定，保存为雾区样本文件，分别保存每块雾区的性质、范围和在图像中的起始坐标；Step5：地通过人工，在判定不为雾区的区域范围，随机地圈定一些区域，作为负样本文件，分别保存每块负样本的范围和在图像中的起始坐标；tep6：循环完成所有雾区样本和负样本标注。

6：通过基于深度学习的大雾识别训练模块对第1、2、3、4、5步骤所得数据进行基于深度卷积神经网络(DCN)的大雾区识别，得到跨海大桥雾区数据；识别时，将雾区样本和负样本所对应时刻的遥感影像数据为X，以对应的人工解译的雾区分布数据为Y；白天选取可见光范围的3个通道，作为照片的红、绿、蓝通道可以当作第3维度，这样一张照片就相当于一个三维数据，数组的内容是照片0-255的灰度值。夜间则利用中心波长在3.9μm、10.4μm和12.3μm左右的3个通道作为照片的红、绿、蓝通道可以当作第3维度，这样一张照片就相当于一个三维数据，数组的内容是照片0-255的灰度值。搭建深度卷积神经网络识别雾区，具体过程如下：Step1：照片数据(X)和雾区判识结果(Y)的随机抽样,一部分用于训练，一部分用于检验；Step2：深度卷积神经网络对计算机的性能有非常巨大的需求，实际工作过程中需要针对已有的计算机资源对照片数据进行降分辨率操作，利用图像处理工具的重采样，对图像数据进行抽粗；Step3：样本清洗，晴空样本偏多会影响雾区识别准确性，需要根据气象观测的能见度，对样本进行平衡抽选；Step4：建立深度卷积神经网络，以红、绿、蓝彩色图片(第3维是r,g,b对应的色彩通道)为X，以雾区人工判识值为Y，通过卷积、池化的3次循环，最后输出雾区范围和雾区起始位置。Step5：设定目标函数和搜索算法；Step6：进行迭代训练；Step7：基于训练参数，对所有图片进行雾区识别；Step8：在测试集上对雾区进行估计，并依据估计值和实测值进行识别准确率评价。

7：通过实时大雾监测模块，针对实时气象卫星观测数据进行前处理，然后输入到实时大雾监测模块内学习模型中，实时给出大雾监测信息，同时实时大雾监测模块数据进入大桥大雾监测信息处理模块，大桥大雾监测信息处理模块将遥感大雾监测结果与6步骤所得跨海大桥数据进行叠加，输出不同桥段的实时大雾监测信息数据供相关单位使用，为相关部门基于局部区域团雾预报进行跨海大桥大雾预警和道路封闭管控提供数据支撑。8:通过大雾估算检验模块，计算大雾估算的TS评分；9：接口服务模块，提供接口服务，输入遥感数据，返回大雾监测结果。

本发明监测系统中，实际操作中步骤如下。

对跨海大桥空间信息处理：1：确定大桥的位置；2：获取区域高分辨率遥感影像；3：进行投影转换、拼接和切割；4：进行大桥线状要素遥感图像自动识别；5：提取大桥线状要素矢量信息，生成Shape文件；6：以100km为距离生成缓冲区。

训练模式下,1：收集过去1-2年的气象卫星遥感资料，以葵花卫星为例，整理10min间隔的葵花卫星数据；2：收集过去1-2年的大桥和周边气象站观测的能见度、气温、相对湿度和天气现象数据；3：进行几何校正、投影转换和缓冲区切割，生成缓冲区内10min间隔的16个通道的反射率/亮温数据；4：对白天的数据进行真彩色合成；5：对夜间的数据进行假彩色合成；6：将彩色合成图的时间与地面气象观测数据的时间进行匹配，保留有气象观测时刻的彩色合成图和相应的多通道卫星观测数据；7：进行人工大雾判识，在彩色合成图上叠加能见度等气象观测，确定大雾人工解译标志；8：根据解译标志，提取大雾的落区和起始位置，保存为文件；9：将人工判识的结果当作真值Y，抽取气象卫星多通道中可见光部分的3个通道合成真彩色图像，对于夜间则利用中心波长在3.9μm左右的中红外通道、中心波长在10.4μm左右的远红外通道和中心波长在12.3μm左右的远红外通道当作X；10：将XY样本随机分为训练和测试集；11：构建深度学习网格模型，进行训练；12：进行大雾训练效果检验；13当检验评分满足阈值后，训练结束，保存训练文件，否则调整机器学习模型参数继续训练。

业务模式下,1：实时读取气象卫星观测资料，进行几何校正、投影转换和缓冲区切割，生成缓冲区内10min间隔的16个通道的反射率/亮温数据；2：对于白天抽取气象卫星多通道中可见光部分的3个通道合成真彩色图像当作X；对于夜间则利用中心波长在3.9μm左右的中红外通道、中心波长在10.4μm左右的远红外通道和中心波长在12.3μm左右的远红外通道当作X；3：调用机器学习训练结果文件；4：进行大雾估计，输出大雾估计结果；5：将遥感大雾监测结果与大桥信息进行叠加，输出不同桥段的大雾监测信息；6：接口服务模式：7：收到服务请求；8：下载图像数据；9：识别大雾；10：返回大雾分布数据。

本发明监测系统使用的软件模块，实际操作中步骤如下。(1)启动计算机，并启动监测系统；(2)打开跨海大桥信息遥感提取模块。拼接高分辨率遥感影像，自动识别大桥线状要素，提取出大桥的空间信息并生成Shape文件。进行100km距离的缓冲区分析，生成缓冲区范围的Shape文件。将大桥线状要素转换为点状要素。(3)打开遥感影像处理模块，输入气象卫星历史存放路径，根据大桥缓冲区大小对气象卫星资料进行辐射校正、投影转换、空间重采样、区域切割和空间匹配。根据卫星资料的观测时间，针对白天的遥感影像，抽取气象卫星多通道中可见光部分的3个通道合成真彩色图像，对于夜间则利用中心波长在3.9左右的中红外通道、中心波长在10.4左右的远红外通道和中心波长在12.3左右的远红外通道合成真彩色图像。(4)打开遥感影像雾区人工判识模块，设置气象观测资料存放路径，系统自动将气象观测时间与气象卫星资料观测时间进行匹配，并输出有气象观测和卫星同步观测的数据集；在本模块打开彩色合成图像，自动叠加气象观测资料；在人机交互模式下，绘制雾区多边形区域，进行标注，输出多边形区域形状和起始位置；并绘制负样本多边形区域，进行标注，输出多边形区域形状和起始位置；最后保存标注信息。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于机器学习的跨海大桥雾监测系统，其特征在于包括PC机内用户交互模块、跨海大桥信息遥感提取模块、遥感影像处理模块、遥感影像雾区人工判识模块、基于深度学习的大雾识别训练模块、实时大雾监测模块、大雾估算检验模块、大桥大雾监测信息处理模块、接口服务模块。

2.根据权利要求1所述的一种基于机器学习的跨海大桥雾监测系统，其特征在于用户交互模块，主要功能是完成数据导入，分析平台与用户的输入输出、气象观测数据加载、智能法算库、阈值库等的交互，为跨海大桥信息遥感提取模块、遥感影像处理模块、遥感影像雾区人工判识模块、基于深度学习的大雾识别训练模块、实时大雾监测模块、大雾估算检验模块、大桥大雾监测信息处理模块、接口服务模块提供技术支撑。

3.根据权利要求1所述的一种基于机器学习的跨海大桥雾监测系统，其特征在于跨海大桥信息遥感提取模块，主要功能是拼接高分辨率遥感影像，自动识别大桥线状要素，提取出大桥的空间信息并生成Shape文件，并能进行跨海大桥100km距离的缓冲区分析，生成缓冲区范围的Shape文件，将大桥线状要素转换为点状要素。

4.根据权利要求1所述的一种基于机器学习的跨海大桥雾监测系统，其特征在于遥感影像处理模块，主要是完成遥感影像的处理，具有以下功能，1：选定起始日期，读取期间的气象卫星数据，进行辐射校正、投影转换、空间重采样、区域切割和空间匹配；2：根据时间进行白天和夜晚2种模式气象卫星数据的自动划分；3：针对白天的遥感影像数据，抽取气象卫星多通道中可见光部分的3个通道合成真彩色图像，对于夜间则利用中心波长在3.9μm左右的中红外通道、中心波长在10.4μm左右的远红外通道和中心波长在12.3μm左右的远红外通道合成真彩色图像。

5.根据权利要求1所述的一种基于机器学习的跨海大桥雾监测系统，其特征在于遥感影像雾区人工判识模块，主要是支持人机交互式雾区判识、解译和保存样本文件，具有以下功能，1：打开真彩色合成图像，可以调整通道设置；2：打开能见度、气温、相对湿度、天气现象等气象观测数据，设置显示方式，按阈值进行过滤显示；3：绘制雾区多边形区域，进行标注，输出多边形区域形状和起始位置；4：绘制负样本多边形区域，进行标注，输出多边形区域形状和起始位置；5：删除或保存标注。

6.根据权利要求1所述的一种基于机器学习的跨海大桥雾监测系统，其特征在于基于深度学习的大雾识别训练模块，在机器学习Tensorflow库的支持下，实现基于深度卷积神经网格的大雾识别的学习和训练，具体功能如下，1：深度学习模型选择；2：神经网格层次设置；3：卷积核尺寸设置，池化参数设置，目标函数参数设置，搜索算法参数设置；4：GPU与CPU设置；5：训练操作；6：绘图操作。

7.根据权利要求1所述的一种基于机器学习的跨海大桥雾监测系统的应用方法，其特征在于包括如下9个步骤对跨海大桥局突发性团雾进行监测，并为相关部门基于局部区域团雾预报进行跨海大桥大雾预警和道路封闭管控提供数据支撑，1：通过跨海大桥信息遥感提取模块对跨海大桥区段进行数字化建模；2：通过遥感影像处理模块对基于静止卫星星座的遥感图像进行处理；3：通过遥感影像处理模块对基于极轨卫星星座的遥感图像进行处理；4：通过遥感影像雾区人工判识模块对地面雾及其它气象要素进行处理；5：通过遥感影像雾区人工判识模块将1、2、3、4步骤所得数据进行人工雾区样本标注；6：通过基于深度学习的大雾识别训练模块对第1、2、3、4、5步骤所得数据进行基于深度卷积神经网络的大雾区识别，得到跨海大桥雾区数据；7：通过实时大雾监测模块，针对实时气象卫星观测数据进行前处理，然后输入到大雾监测模块内学习模型中，实时给出大雾监测信息，同时实时大雾监测模块数据进入大桥大雾监测信息处理模块，大桥大雾监测信息处理模块将遥感大雾监测结果与6步骤所得跨海大桥数据进行叠加，输出不同桥段的实时大雾监测信息数据供相关单位使用；8:通过大雾估算检验模块，计算大雾估算的TS评分；9：接口服务模块，提供接口服务，输入遥感数据，返回大雾监测结果。