CN101937078B - 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 - Google Patents
基于边界识别追踪技术的雷暴云团的临近预报方法和系统 Download PDFInfo
- Publication number
- CN101937078B CN101937078B CN2009101085561A CN200910108556A CN101937078B CN 101937078 B CN101937078 B CN 101937078B CN 2009101085561 A CN2009101085561 A CN 2009101085561A CN 200910108556 A CN200910108556 A CN 200910108556A CN 101937078 B CN101937078 B CN 101937078B
- Authority
- CN
- China
- Prior art keywords
- cloud cluster
- thunderstorm cloud
- thunderstorm
- boundary
- radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于边界识别追踪技术的雷暴云团的临近预报方法和系统,所述方法利用模式识别技术进行云团边界识别、拓扑处理,建立云团生命时序与族谱关系。本发明对已预处理的雷达数据进行边界识别;利用四分树匹配分析因子、重叠因子、面积因子、外接矩形因子、轮廓综合因子、局部相似判定因子等六个判断因子,分别识别出每个云团的时间序列,以及每个云团的运动方向、速度、面积、强中心等信息;对云团的移动方向、速度、面积、强度进行线性外推。初步结果显示本发明的系统和方法可较好地识别和外推预报雷暴云团。
Description
技术领域
本发明涉及气象业务部门短时临近预报预警方法和系统,尤其涉及在基于高时空分辨率雷达资料的雷暴云团识别、追踪及预警技术的方法和系统。
背景技术
基于高时空分辨率雷达资料的雷暴云团识别、追踪及预警技术是目前最重要的雷暴云团的临近预报预警技术之一,主要方法有交叉相关(TREC)法、单体质心法等。交叉相关法把整个数据区域分成若干个小区域,相邻时刻雷达回波图像之间计算相关系数,通过最大相关系数确定相邻时刻图像中的区域,从而确定回波平均运动;该方法在国内得到广泛的应用,其缺点就是无法准确划分云团物理边界,得不到单体风暴的特征。单体质心法首先是识别单体,并计算质心位置、体积和投影面积等特征,然后对前后两个时刻的扫描数据进行单体匹配追踪,将风暴单体分离出来,然后通过多个时刻的追踪结果进行外推预警;这种方法的缺点就是注重雷暴单体,必须尽可能将相连的云团分离以提高预测的准确度,雷暴活动过程中的分裂、合并没有充分考虑,忽视雷暴群体的活动特征。
发明内容
本发明要解决的技术问题是利用模式识别技术进行云团边界识别、拓扑处理,建立生命周期与族谱关系,在自动识别雷暴云团的基础上对云团进行对象化处理,得出雷暴云团从发生以来的时间序列,并进行外推预报。
本发明采用如下技术方案解决上述技术问题:设计一种基于边界识别追踪技术的雷暴云团的临近预报方法,该临近预报方法包括如下步骤:
(1)以一定的时间间隔连续重复执行如下步骤a至步骤e,获得雷达探测区域内雷暴云团探测数据的时空序列:
a.气象雷达接收来自观测对象的雷达反射回波信号并把该反射回波信号传输给雷达资料处理系统;
b.所述雷达资料处理系统对所述雷达反射回波信号进行预处理形成在探测区域内的二维网格形式的数字化雷达回波数据;
c.使用膨胀-侵蚀算法消除雷达扫描缺线对雷暴云团边界识别所造成的不良影响;
d.使用N-近邻跟踪遍历算法和边缘提取算法对探测区域范围内的雷暴云团的边界进行识别,从而使探测区域内所有雷暴云团都具有清晰连续的边界线;
e.用统计方法计算探测区域内各雷暴云团的平均强度;
(2)、对探测区域相邻时间序列的雷暴云团的雷达回波数据采用四分树匹配分析因子进行雷暴云团的相似性判定,从而获得每个雷暴云团的几何和拓扑特征,所述雷暴云团的几何和拓扑特征包括:雷暴云团的运动方向、速度、面积、强中心、增强或减弱、膨胀或缩小的状态信息;然后再组合使用重叠因子、面积因子、外接矩形因子、轮廓综合因子和局部相似判定因子对所述雷暴云团的几何和拓扑特征进行纠错;
(3)、根据在指定时序或最新时序的雷暴云团的几何和拓扑特征,建立雷暴云团的生命时序与族谱关系,并在此基础上对雷暴云团的运动向量进行线性外推从而获得雷暴云团的临近预报。
本发明解决技术问题所采用的技术方案还包括:设计一种基于边界识别追踪技术的雷暴云团的临近预报系统,该临近预报系统包括用于探测雷暴云团的气象雷达以及雷达资料处理系统,所述雷达资料处理系统包括:
雷达资料预处理模块,用于对雷达反射回波信号进行预处理形成在探测区域内的二维网格形式的数字化雷达回波数据,以及对雷达回波数据进行二值化处理形成雷暴云团边界识别所需的二值图像空间;
雷暴云团边界处理模块,用于使用膨胀-侵蚀算法消除雷达扫描缺线对雷暴云团边界识别的影响以及使用N-近邻跟踪遍历算法和边缘提取算法对探测区域范围内的雷暴云团的边界进行识别,从而使探测区域内所有雷暴云团都具有清晰连续的边界线;
雷暴云团识别模块,用于识别雷达探测区域内雷暴云团的边界信息、强度信息和面积信息;
雷暴云团拓扑关系建立模块,用于计算雷暴云团的的运动方向、速度、面积、强中心、增强或减弱、膨胀或缩小的状态信息;
雷暴云团族谱关系建立模块,通过相邻时次云团的相似性检查,识别出雷暴云团发生发展消亡的运动轨迹,包括多个雷暴云团在发展过程中合并为一个新的雷暴云团以及一个雷暴云团在发展过程中分裂成为多个新的雷暴云团;
雷暴云团外推预报模块;用于根据雷暴云团的拓扑特征、生命时序与族谱关系,对雷暴云团的运动向量进行线性外推作出雷暴云团的临近预报;
所述雷达资料预处理模块、雷暴云团边界处理模块、雷暴云团识别模块、雷暴云团族谱关系建立模块和雷暴云团外推预报模块单向顺序连接。
与现有技术相比较,本发明基于边界识别追踪技术的雷暴云团的临近预报方法和系统具有如下优点:,有效地解决了雷暴云团的对象化识别和跟踪问题,对雷暴云团的外推需要根据雷暴云团的范围、强度和生命史长短,采取不同的时间尺度和DBZ阈值进行识别和外推,有效地提高了雷暴云团外推预报的准确率。
附图说明
图1是本发明基于边界识别追踪技术的雷暴云团的临近预报系统的原理框图;
图2是本发明使用“膨胀-侵蚀”的算法消除缺线过程的效果示意图;其中A为带有缺线的雷达回波原图;B为膨胀算法执行后效果;C为侵蚀算法执行后效果;D为不使用“膨胀-侵蚀”的算法的追踪结果;E为使用“膨胀-侵蚀”的算法的追踪结果;
图3是“8-近邻”位置关系示意图;
图4是边界缓冲区与回波叠加图示意图;其中A为雷暴云团边界,B为边界缓冲区与回波叠加的结果;
图5是雷暴云团轮廓线拓扑关系图;
图6是雷暴云团序列相似演进示意图;
图7是雷暴云团序列相似度检查示意图;
图8是局部相似度检查示意图;
图9是等价体示意图;
图10是本发明基于边界识别追踪技术的雷暴云团的临近预报方法的流程图。
具体实施方式
以下结合附图及附图所示之实施例对本发明方法和系统作进一步的详细说明。
如图1所示,本发明基于边界识别追踪技术的雷暴云团的临近预报系统包括用于探测雷暴云团的气象雷达以及雷达资料处理系统。观测雷暴云团一般需要使用两部或两部以上分布在不同地方的气象雷达组合在一起以形成较大的探测区域。所述雷达资料处理系统包括:
雷达资料预处理模块,用于对雷达反射回波信号进行预处理形成在探测区域内的二维网格形式的数字化雷达回波数据,以及对雷达回波数据进行二值化处理形成雷暴云团边界识别所需的二值图像空间;
雷暴云团边界处理模块,用于使用膨胀-侵蚀算法消除雷达扫描缺线对雷暴云团边界识别的影响以及使用N-近邻跟踪遍历算法和边缘提取算法对探测区域范围内的雷暴云团的边界进行识别,从而使探测区域内所有雷暴云团都具有清晰连续的边界线;
雷暴云团识别模块,用于识别雷达探测区域内雷暴云团的边界信息、强度信息和面积信息;
雷暴云团拓扑关系建立模块,用于计算雷暴云团的的运动方向、速度、面积、强中心、增强或减弱、膨胀或缩小的状态信息;
雷暴云团族谱关系建立模块,通过相邻时次云团的相似性检查,识别出雷暴云团发生发展消亡的运动轨迹,包括多个雷暴云团在发展过程中合并为一个新的雷暴云团以及一个雷暴云团在发展过程中分裂成为多个新的雷暴云团;
雷暴云团外推预报模块;用于根据雷暴云团的拓扑特征、生命时序与族谱关系,对雷暴云团的运动向量进行线性外推作出雷暴云团的临近预报;
所述雷达资料预处理模块、雷暴云团边界处理模块、雷暴云团识别模块、雷暴云团族谱关系建立模块和雷暴云团外推预报模块单向顺序连接。
基于上述雷暴云团的临近预报系统,本发明的雷暴云团的临近预报方法包括如下步骤:
(1)以一定的时间间隔(一般为6分钟)连续重复执行如下步骤a至步骤e,获得雷达探测区域内雷暴云团探测数据的时空序列:
a.气象雷达接收来自观测对象的雷达反射回波信号并把该反射回波信号传输给雷达资料处理系统;
b.所述雷达资料处理系统对所述雷达反射回波信号进行预处理形成在探测区域内的二维网格形式的数字化雷达回波数据;
c.使用膨胀-侵蚀算法消除雷达扫描缺线对雷暴云团边界识别所造成的不良影响;
d.使用N-近邻跟踪遍历算法和边缘提取算法对探测区域范围内的雷暴云团的边界进行识别,从而使探测区域内所有雷暴云团都具有清晰连续的边界线;
e.用统计方法计算探测区域内各雷暴云团的平均强度;
(2)、对探测区域相邻时间序列的雷暴云团的雷达回波数据采用四分树匹配分析因子进行雷暴云团的相似性判定,从而获得每个雷暴云团的几何和拓扑特征,所述雷暴云团的几何和拓扑特征包括:雷暴云团的运动方向、速度、面积、强中心、增强或减弱、膨胀或缩小的状态信息;然后再组合使用重叠因子、面积因子、外接矩形因子、轮廓综合因子和局部相似判定因子对所述雷暴云团的几何和拓扑特征进行纠错;
(3)、根据在指定时序或最新时序的雷暴云团的几何和拓扑特征,建立雷暴云团的生命时序与族谱关系,并在此基础上对雷暴云团的运动向量进行线性外推从而获得雷暴云团的临近预报。
上述雷暴云团临近预报的流程如图10所示。下面结合附图对本发明的雷暴云团的临近预报方法进行详细的展开说明。
1、雷暴云团的边界识别:首先将雷达CAPPI数据优化为二值化图像数据形成二值图像空间,利用计算机图像识别技术对图像数据进行雷暴云团的的边界识别。
在雷暴云团的边界识别之前,最重要的一步是对雷达扫描缺线处理;由于地形障碍等原因,雷达回波经常存在一些微小的夹角,缺失扇面内的格点回波数据,这些回波数据的缺失给云团边界的识别和追踪带来严重困难。本发明设计了“膨胀-侵蚀”的算法来解决这一难题。具体做法是:
在所述二值图像空间内由上向下、由左向右进行逐行扫描,得到水平扫描线与雷暴云团边界线的交点,交点处的像素P有如下几种情况:P值为“真”,但其左边相邻像素值为“假”,称为左交点;P值为“真”,但其右边相邻像素值为“假”,称为右交点;如果左右相邻像素同时为“假”的情况不是交点;膨胀算法为:若是左交点,将交点左边二或者左边一相邻像素的取值设为“真”;若是右交点,将交点右边二或者右边一相邻像素的取值设为“真”,由此边界向外膨胀1至2个格点,雷达扫描缺线扇面内就被填了2或4条线,所述缺失扇面就被填塞了,雷达扫描缺线不再被误认为雷暴云团的边界线;但是雷暴云团的边界由此变宽,再次扫描边界,利用“侵蚀”算法还原雷暴云团的外边界。
侵蚀算法是上述膨胀算法逆运算:重新在所述二值图像空间内由上向下、由左向右进行逐行扫描,得到水平扫描线与雷暴云团边界线的交点(交点的定义与上述膨胀算法相同),若是左交点,将交点右边二或者右边一相邻像素的取值设为“假”;若是右交点,将交点左边二或者左边一相邻像素的取值设为“假”,侵蚀算法还原了雷暴云团的外边界。
图2是使用“膨胀-侵蚀”的算法消除缺线过程的效果示意图;其中A为带有缺线的雷达回波原图;B为执行膨胀算法后的效果,可见雷暴云团的外边界向外膨胀了若干格点,缺线被包含在内,因此不再是边界线;C为执行侵蚀算法后的效果,雷暴云团的外边界轮廓线被还原,但包围了缺线;D为不使用“膨胀-侵蚀”算法的追踪结果,此时由于缺线扇面内没有雷达回波资料,因此缺线将被视为雷暴云团的外边界线,此时雷暴云团的形状被扭曲;E为使用“膨胀-侵蚀”的算法的追踪结果。
接着进行雷暴云团边界的识别:用图像边缘提取算法提取云团边界段,等待所有的遍历完成后,按照雷暴云团的几何特征将不封闭的边界段连接成若干封闭的边界,这些封闭的边界经过拓扑关系来建立云团内边界和外边界。边缘检测是图像处理技术研究中的一个重要领域,也称为边缘检测,是利用图像像素的灰度或二值特征来获得图像的边界。
边界相关使用的边缘提取算法是一种特定的边界自动跟踪遍历形式:“N-近邻”跟踪遍历形式(N取值为8或者25)。N近邻有两种类型:1是直接近邻,即两个像素的相应单元共有一条边.2是非直接近邻,即两个像素相应单元仅在一个角上相接触;两种近邻在云团边界识别中均被使用;图3是一个像素P与其它像素的“8-近邻”位置关系。
边界相关边缘提取算法首先在二值图像空间内由上向下、由左向右逐行扫描得到第一个图像值为“真”的像素作为初始像素P1,利用“N-近邻”对初始像素的8个方向进行跟踪,而且总是选择最右边的像素为所得的像素,必在一个方向上找到下一边界像素点P2,再利用边界像素点P2的“N-近邻”关系,找到下一边界像素点P3,如此逐点跟踪,若当前像素点的坐标与初始像素点的坐标相同或者已经遍历过时,边界相关边缘提取算法结束,由此得到一条环状的雷暴云团边界。
在获得所述雷暴云团外边界轮廓曲线后,利用外边界轮廓线是否存在能量突变来判定是否为雷暴云团的有效边界,以排除识别错误,其简化的做法是:以外边界轮廓线为中心线,制作外边界轮廓线的缓冲区,然后以此环形缓冲区与雷达回波做空间叠加分析(见图4);对环形缓冲区内的雷达回波进行二值化处理后对结果进行累加,累加值与环形缓冲区面积之比越趋向于零,则雷暴云团外边界轮廓线的质量越可靠。
2、雷暴云团拓扑关系建立:拓扑关系包括邻接性、连通性、方向性、包含性。其空间逻辑意义重于其几何意义。由于组成雷暴云团的轮廓线是由若干弧段[Arc Segment]构成,并且弧段依次首尾相连组成一个封闭的环。如图5所示,云团A由边界弧段A、B、C、D构成,其中边界弧段A、B、C构成外环,边界弧段D构成内环,边界弧段A、B、C根据其邻接性、连通性、方向性构成外环,边界弧段D通过与外环的包含性来确立为内环。
在雷暴云团的追踪过程中,仅靠边界提取法并不能完全识别出一个完整的云团,因此要根据云团由若干封闭环(分为内环和外环[rings])构成这一几何特征,建立边界间的连通关系,从而得到正确的雷暴云团。
在雷暴云团的追踪过程中还需要用到另一种拓扑关系-包含性;由于雷暴云团内部可能存在若干孔洞,需要将若干有包含关系的边界组合为一个独立的云团。
获得雷暴云团集合后,需要跟据雷暴云团的几何边界统计雷暴云团内部的平均强度,如公式1:
公式1为平均强度,其中Zi是雷暴云团几何边界内第i个雷达回波格点的强度,Nxy雷暴云团几何边界内雷达回波格点的集合。
3、雷暴云团生命时序的建立:雷暴云团外推的前提是判断云团所处的生命时序和族谱关系,也就是在给定的时次序列中,建立某一云团对象以时间排序的序列,这些对象序列是以时次先后排序的云团链表;云团链表中任两相邻的对象是彼此相似的,不相邻的对象由于时间间隔较长,雷暴云团的变化较大,不要求其相似;如图6所示。关于雷暴云团的相似性确定,有一组判定因子,将在下面详细介绍。
雷暴云团的相似性判定,需要有很高的准确率,少量的误判或漏判将会严重影响雷暴云团追踪的质量;边界相关云团外推模型确定了一组相似性判定因子,它们相互主次分明,相互协同工作,较大提高了雷暴云团识别的准确性。这一组因子分别是:四分树匹配分析因子、重叠因子、面积因子、外接矩形因子、轮廓综合因子、局部相似判定因子。其中四分树匹配分析因子是主因子,其他因子是用来纠正误判或漏判的,它们是根据两云团的几何与拓扑特征来确定相互间的协调关系。
四分树匹配度因子:对雷暴云团A和雷暴云团B用相同的矩形进行取景(图7),然后根据取景矩形的大小将雷暴云团A和雷暴云团B分别在长度和宽度为2N*2N的网格空间中栅格化;通过检查网格空间中的网格值来判定两雷暴云团的相似度。当雷暴云团A和雷暴云团B的网格值的重叠数据与总网格数的比值大于75%时,该因子认为两雷暴云团是相似的。边界相关云团外推模型用四分树编码的方式逐步提高的栅格密度,同时降低相似度的阈值,来检验相似判定的可靠性。
四分树编码又称为四叉树、四元树编码。这种方法将2n×2n像元阵列的区域,逐步分解为包含单一类型的方形区域,最小的方形区域为一个栅格像元;其区域划分的原则是将区域分为大小相同的象限,而每一个象限又可根据一定规则判断是否继续等分为次一层的四个象限。其终止判据是,无论任何层次上的象限,只要划分到仅代表一种对象或符合既定要求的几种对象时,则不再继续划分,否则一直分到单个栅格像元为止。根据四分树这种特点来识别特定类型的云团是非常合适的。
另外,相似判定成功后,也可以用两云团的强度信息求出两云团的相关系数,来验证相似度的可靠性。如公式2所示。
公式2两云团的强度相关系数。
其中Z1、Z2是T时刻和T+Δt时刻云团的强度,n为云团包含的格点数;通过公式2可以求出间隔Δt时间的两个云团的相关系数。如果相关系数低于阈值,则说明存在误判。
相关系数的取值应在0.20到0.90之间,过小值和过大值都不作为判断依据。
重叠因子:判断对云团A和云团B在空间位置上是否重叠,如果重叠是包含关系或者是局部重叠。不同重叠方式,来选用不同矩形取景方式,来判定是合并或者是分裂的。重叠面积与云团面积比值不应低于0.25;
面积因子:计算云团A和云团B面积,计算小云团面积与大云团之比,如果比值大于0.75,则认为面积相似,否者认为不相似;如果面积不相似,进行局部相似检查。如果云团内部有孔洞,还要扣除孔洞的面积。
外接矩形因子:判断对云团A和云团B在外接矩形是否重叠。如果云团A和云团B在空间位置上不重叠,但它们的外接矩形重叠,也要进行更进一步的判断。外接矩形因子取值为真、假两种情况。
轮廓综合因子:针对整体相似、局部不相似的云团,必须用轮廓综合因子来判定[图6]。将云团A和云团B的轮廓进行综合,忽略局部细节,提高相似判断的准确度。轮廓综合是对雷暴云团边界矢量坐标的“抽稀”算法,根据指定的容差步长,将边界矢量多余坐标去掉,从而忽略局部细节。
该因子的容差步长一般取值为2-8KM。
局部相似判定因子:局部相似判定是以上几种方式的综合,用于确定云团的分裂或合并。具体做法是:以较小云团的外接矩形作为取景矩形,分别对两个雷暴云团取景,然后调用四分树匹配度分析因子,来判定雷暴云团的族谱关系。如图8所示。
由于上述判断为矢量运算,或者将矢量转为栅格后再进行叠加运算,再考虑到较长的时间尺度,建立识别并建立雷暴云团的族谱关系需要较大的运算量,速度问题会影响到应用效果。为了解决这一问题,边界相关雷暴云团外推模型采取了寻找雷暴云团的等价矩形,来简化运算。同时等价矩形也是进行雷暴云团强度变化外推的重要手段,雷暴云团等价矩形运用的原理是:由于矩形与矩形的空间运算是比较运算,因此速度很快,利用这个特点,在执行相似性判定因子判断前,先比较等价矩形是否相似,如果相似再作下一步运算;这样就可以节约大量运算时间。
另外等价矩也可以承载各方向异步的强度变化信息,做法是将等价矩形细分为网格,将经过反飘移处理的雷暴云团按照一样数目的行列也细分为网格,再以网格为单位综合出雷暴云团各部分的强度信息,并存储于等价矩形在中,通过比较两个雷暴云团等价矩形,可以求出雷暴云团各方向的强度变速速率,为外推做准备。
边界相关雷暴云团外推模型对等价矩形的定义是这样的:对雷暴云团A执行“侵蚀”运算,也就是细化运算,去除“悬挂”于雷暴云团A的碎片(如图9示)得到雷暴云团A1,然后计算雷暴云团A1所包含的格点的平均坐标作为等价矩形的中心,雷暴云团A1所包含的格点作为等价矩形的面积,雷暴云团A1外接矩形框的长宽比作为等价矩形的长宽比,然后划分等价矩形为N*N个单元,用距离平方加权算法计算各个网格平均强度。
由此可以看到等价矩形的诸多优点:1、能反映出雷暴云团扣除内部孔洞的真正面积;2、能反映出雷暴云团真正位置和方位,不受漂移碎片的影响;3、等价矩形内部网格可以准确表达雷暴云团个方位的强度变化;4、两相近雷暴云团的等价矩形更容易统一坐标系和正则化,以便建立等价矩形内部网格的对应关系,从而实现强度变化速率的求解。5、执行速度快。
雷暴云团族谱关系:族谱关系是指同一雷暴云团在不同观测时次中的时间关系、分裂与合并关系。族谱关系是通过相邻时次雷暴云团的相似性检查,识别出雷暴云团发生发展消亡的运动轨迹,从而预测雷暴云团的运动趋势。一个典型的独立雷暴云团生命周期从出生到消亡,没有发生过与其他雷暴云团合并或者是从其他雷暴云团分裂出来的情况(图略);这种雷暴云团外推的准确率是比较高的。另外一种典型情况就是雷暴云团A和雷暴云团B在发展过程中合并为一个新雷暴云团C,同时雷暴云团A和雷暴云团B消亡;预测新雷暴云团C的运动趋势是根据雷暴云团A和雷暴云团B运动趋势综合出来的,随着雷暴云团C的不断发展,积累到一定时次时,新雷暴云团C的外推也较为准确(图略)。还有更复杂的雷暴云团生命周期(图略),雷暴云团A在发展过程中分裂为雷暴云团B、雷暴云团C、雷暴云团D,雷暴云团A消亡;雷暴云团B、雷暴云团C、雷暴云团D各自按自己的生命周期运动发展;在某一时次雷暴云团D与外部雷暴云团T合并为新雷暴云团,同时雷暴云团D雷暴云团T消亡;这样的过程是经常发生的,边界相关雷暴云团外推方法可以建立起各雷暴云团的父子关系、夫妻关系、兄弟关系;这些关系对建立外推模型是重要的。
4、雷暴云团外推模型:通过以上的识别过程,可以得到每一个雷暴云团的平均移动方向、速度、面积膨胀(缩小)速度、(不同部位)强度增长(减弱)信息。边界相关雷暴云团外推模型是根据雷暴云团运动惯性对雷暴云团的移向、移速、强度变化进行线性外推,预测雷暴云团未来某时刻的边界和位置。
边界相关外推模型的首要指标是雷暴云团的运动方向,提高运动方向正确率是重点和难点之一。边界相关外推模型首先确定几个原则来评估运动方向的可靠程度:1、不位于雷达探测边界上的独立雷暴云团,如果其强度变化幅度较小,则其运动方向最可靠。2、对于经历若干合并与分裂过程或者其生命周期内在雷达探测边界上活动过的复杂雷暴云团,则其运动方向可信度最低,其处理办法在下文具体描述。3、位于前两种情况之间的情况,采用参照物对比的办法来确定运动方向的可靠程度。模型以最可靠的雷暴云团为参照,进行若干具体指标对比,如果具体指标越接近参照物,可靠程度就越高;具体的比较指标有:雷暴云团上下两个时次的回波重叠率、强度变化振幅面积变化振幅等。
第二个重要指标是雷暴云团的运动速度,由于计算雷暴云团质心时会带来累计误差,雷暴云团运动速度比实际偏快的可能性更大,因此运动速度计算也是难点之一,外推模型采取“宁慢勿快”的原则:1、移动速度超过门限值得序列不参加运算;2、偶尔缺图也是造成速度不稳定的因素,缺图的时次采用雷暴云团生命周期内速度最小的时次。3、去除质心漂移后计算速度。3、对于经历若干合并与分裂过程或者其生命周期内在雷达探测边界上活动过的复杂雷暴云团,速度变快的可能性较大,采用雷暴云团生命周期内速度最小的时次。
第三个重要指标是强度变化。强度变化包括云团面积的变化和不同部门强度的变化。面积变化主要根据雷暴云团面积膨胀系数对线性外推预报结果进行修正;强度变化推算需要根据雷暴云团尺度的大小采用不同的处理方法,小尺度云团直接使用平均强度统计结果,大尺度雷暴云团由于跨度很大,各个部分回波强度变化不一致,比如一部分在增强,另外一部份在减弱,因此边界相关雷暴云团外推模型将大尺度雷暴云团按照等价矩形的方式划分为网格,按网格计算强度变化,依此来校正外推结果。
有两类雷暴云团移向、移速需要重新订正:(1)经过大的分裂与合并的雷暴云团,由于雷暴云团质心突变造成移动方向和速度的突变;也有些雷暴云团所有序列的计算结果都是无效的;(2)位于雷达探测边界上的雷暴云团,雷暴云团的部份在探测能力之外,得到的雷暴云团信息是片面的。由于边界相关记录了雷暴云团的识别过程,因此可以鉴别雷暴云团的演变过程,能有效分离出以下几种情况:经过分裂与合并的序列、移速异常的序列、与大部分序列运动方向背道而驰的序列、处于或曾经处于雷达探测边界的序列、平均强度大大低于大部分雷暴云团的序列等情况;处理方法将这些序列排除后计算出来的平均速度和方向作为上述雷暴云团序列的速度和方向,实践证明效果比较好(但对于旋转的系统这种方法是不适用)。另一有效办法是使用雷达拼图,可以扩大单部雷达的监测局限,使处于雷达探测边缘的雷暴云团可有效识别。订正的原则是某一雷暴云团与其相邻的雷暴云团的速度差不能操过5米/秒,方向偏差不超过25度。
通过上述的模式识别技术可进行雷暴云团边界的识别、拓扑处理,以及建立生命周期与族谱关系,在自动识别雷暴云团的基础上对雷暴云团进行对象化处理,得出雷暴云团从发生以来的时间序列,并进行外推预报,其有效地解决了雷暴云团的对象化识别和跟踪问题,对雷暴云团的外推需要根据雷暴云团的范围、强度和生命史长短,采取不同的时间尺度和DBZ阈值进行识别和外推,可有效提高外推预报准确率。
Claims (5)
1.一种基于边界识别追踪技术的雷暴云团的临近预报方法,该方法以高时空分辨率气象雷达资料处理系统为硬件基础,其特征在于该临近预报方法包括如下步骤:
(1)以一定的时间间隔连续重复执行如下步骤a至步骤e,获得雷达探测区域内雷暴云团探测数据的时空序列:
a.气象雷达接收来自观测对象的雷达反射回波信号并把该反射回波信号传输给雷达资料处理系统;
b.所述雷达资料处理系统对所述雷达反射回波信号进行预处理形成在探测区域内的二维网格形式的数字化雷达回波数据;
c.使用膨胀-侵蚀算法消除雷达扫描缺线对雷暴云团边界识别所造成的不良影响;
所述使用膨胀-侵蚀算法消除雷达扫描缺线对雷暴云团边界识别所造成的不良影响包括如下过程:首先把探测区域内的数字化雷达回波数据转化为二值化图像数据形成二值图像空间,然后执行雷暴云团的边界检测,即在所述二值图像空间内由上向下、由左向右进行逐行扫描,得到水平扫描线与雷暴云团边界线的交点,交点处的像素P有如下几种情况:P值为“真”,但其左边相邻像素值为“假”,称为左交点;P值为“真”,但其右边相邻像素值为“假”,称为右交点;如果左右相邻像素值同时为“假”,则不是交点;
膨胀算法为:若是左交点,将交点左边二或者左边一相邻像素的取值设为“真”;若是右交点,将交点右边二或者右边一相邻像素的取值设为“真”,由此边界向外膨胀1至2个格点,雷达扫描缺线扇面内就被填了2或4条线,缺失扇面就被填塞了,雷达扫描缺线不再被误认为雷暴云团的边界线;
侵蚀算法是上述膨胀算法逆运算:若是左交点,将交点右边二或者右边一相邻像素的取值设为“假”;若是右交点,将交点左边二或者左边一相邻像素的取值设为“假”,侵蚀算法还原了雷暴云团的外边界;
d.使用N-近邻跟踪遍历算法和边缘提取算法对探测区域范围内的雷暴云团的边界进行识别,从而使探测区域内所有雷暴云团都具有清晰连续的边 界线;
所述N-近邻跟踪遍历算法是一种特定的边界自动跟踪遍历方法:N取值为8或者25,N-近邻有两种类型:第一种是直接近邻,即两个像素的相应单元共一条边;第二种是非直接近邻,即两个像素相应单元仅在一个角上相接触;两种近邻在云团边界识别中均被使用;
所述边缘提取算法为:首先在二值图像空间内由上向下、由左向右逐行扫描得到第一个图像值为“真”的像素作为初始像素P1,利用“N-近邻”对初始像素的8个方向进行跟踪,而且总是选择最右边的像素为所得的像素,则会在一个方向上找到下一边界像素点P2,再利用边界像素点P2的“N-近邻”关系,找到下一边界像素点P3,如此逐点跟踪,若当前像素点的坐标与初始像素点的坐标相同或者已经遍历过时,边界相关的边缘提取算法结束,由此得到一条环状的雷暴云团外边界轮廓曲线;
e.用统计方法计算探测区域内各雷暴云团的平均强度;
(2)、对探测区域相邻时间序列的雷暴云团的雷达回波数据采用四分树匹配分析因子进行雷暴云团的相似性判定,从而获得每个雷暴云团的几何和拓扑特征,所述雷暴云团的几何和拓扑特征包括:雷暴云团的运动方向、速度、面积、强中心、增强或减弱、膨胀或缩小的状态信息;然后再组合使用重叠因子、面积因子、外接矩形因子、轮廓综合因子和局部相似判定因子对所述雷暴云团的几何和拓扑特征进行纠错;
所述采用四分树匹配分析因子进行雷暴云团的相似性判定包括如下过程:分别对T时刻的雷暴云团A和T+Δt时刻的雷暴云团B用相同的矩形进行取景,然后根据取景矩形的大小将所述雷暴云团A和雷暴云团B分别在长度方向和宽度方向的格点数均为2N的网格空间中栅格化;通过检查网格空间中的网格值来判定相似度;当雷暴云团A和雷暴云团B的网格值的重叠数据与总网格数的比值大于75%时,认为两云团是相似的;
所述重叠因子为:判断T时刻的雷暴云团A和T+Δt时刻的雷暴云团B在空间位置上是否重叠,所述重叠是具有包含关系的重叠或者是局部重叠,根据不同的重叠方式来选用不同的矩形取景方式,由此判定两雷暴云团是合并或者是分裂的,重叠面积与雷暴云团面积的比值不应低于0.25;
所述面积因子为:分别计算T时刻的雷暴云团A和T+Δt时刻的雷暴云团B的面积,计算小雷暴云团面积与大雷暴云团面积之比,如果比值大于0.75,则认为两雷暴云团面积相似,否则认为不相似;如果两雷暴云团面积不相似,则进一步作局部相似检查,如果雷暴云团内部有孔洞,还要扣除孔洞的面积;
所述外接矩形因子为:判断T时刻的雷暴云团A和T+Δt时刻的雷暴云团B在外接矩形是否重叠,如果雷暴云团A和雷暴云团B在空间位置上不重叠,但它们的外接矩形重叠,也要进行更进一步的判断;外接矩形因子取值为真、假两种情况;
所述轮廓综合因子为:针对整体相似、局部不相似的两雷暴云团,必须用轮廓综合因子来判定,将T时刻的雷暴云团A和T+Δt时刻的雷暴云团B的轮廓进行综合,忽略局部细节,提高相似判断的准确度;轮廓综合是对雷暴云团边界矢量坐标的“抽稀”算法,根据指定的容差步长,将边界矢量多余坐标去掉,从而忽略局部细节,该轮廓综合因子的容差步长的取值范围为2至8公里;
所述局部相似判定因子为:局部相似判定,为所述重叠因子、面积因子、外接矩形因子和轮廓综合因子四种方式的综合,用于确定相邻时间间隔两雷暴云团的分裂或合并;具体做法是:以较小的雷暴云团的外接矩形作为取景矩形,分别对两个雷暴云团取景,然后调用四分树匹配分析因子来判定云团的族谱关系;
(3)、根据在指定时序或最新时序的雷暴云团的几何和拓扑特征,建立雷暴云团的生命时序与族谱关系,并在此基础上对雷暴云团的运动向量进行线性外推从而获得雷暴云团的临近预报。
2.根据权利要求1所述的基于边界识别追踪技术的雷暴云团的临近预报方法,其特征在于:建立基于地图系统的二维坐标系来选取指定的雷暴云团,获得雷暴云团空间位置信息、发展轨迹、演变特征和未来预测。
3.根据权利要求1所述的基于边界识别追踪技术的雷暴云团的临近预报方法,其特征在于:在获得所述雷暴云团外边界轮廓曲线后,利用外边界轮廓曲线是否存在能量突变来判定是否为雷暴云团的有效边界,以排除识别错误,其简化的做法是:以外边界轮廓曲线为中心线,制作外边界轮廓曲线的环形缓冲区,然后以此环形缓冲区与雷达回波做空间叠加分析;对环形缓冲 区内的雷达回波进行二值化处理后对结果进行累加,累加值与环形缓冲区面积之比越趋向于零,则雷暴云团外边界轮廓曲线的质量越可靠。
4.根据权利要求1至3任一项权利要求所述的基于边界识别追踪技术的雷暴云团的临近预报方法,其特征在于:还包括使用雷达拼图对雷暴云团的外推预报结果进行订正,订正的原则是某一云团与其相邻的云团的速度差不能超过5米/秒,方向偏差不超过25度。
5.一种基于边界识别追踪技术的雷暴云团的临近预报系统,包括用于探测雷暴云团的气象雷达以及雷达资料处理系统,其特征在于所述雷达资料处理系统包括:
雷达资料预处理模块,用于对雷达反射回波信号进行预处理形成在探测区域内的二维网格形式的数字化雷达回波数据,以及对雷达回波数据进行二值化处理形成雷暴云团边界识别所需的二值图像空间;
雷暴云团边界处理模块,用于使用膨胀-侵蚀算法消除雷达扫描缺线对雷暴云团边界识别的影响以及使用N-近邻跟踪遍历算法和边缘提取算法对探测区域范围内的雷暴云团的边界进行识别,从而使探测区域内所有雷暴云团都具有清晰连续的边界线,
所述使用膨胀-侵蚀算法消除雷达扫描缺线对雷暴云团边界识别所造成的不良影响包括如下过程:首先把探测区域内的数字化雷达回波数据转化为二值化图像数据形成二值图像空间,然后执行雷暴云团的边界检测,即在所述二值图像空间内由上向下、由左向右进行逐行扫描,得到水平扫描线与雷暴云团边界线的交点,交点处的像素P有如下几种情况:P值为“真”,但其左边相邻像素值为“假”,称为左交点;P值为“真”,但其右边相邻像素值为“假”,称为右交点;如果左右相邻像素值同时为“假”,则不是交点,
膨胀算法为:若是左交点,将交点左边二或者左边一相邻像素的取值设为“真”;若是右交点,将交点右边二或者右边一相邻像素的取值设为“真”,由此边界向外膨胀1至2个格点,雷达扫描缺线扇面内就被填了2或4条线,缺失扇面就被填塞了,雷达扫描缺线不再被误认为雷暴云团的边界线,
侵蚀算法是上述膨胀算法逆运算:若是左交点,将交点右边二或者右边一相邻像素的取值设为“假”;若是右交点,将交点左边二或者左边一相邻 像素的取值设为“假”,侵蚀算法还原了雷暴云团的外边界;
所述N-近邻跟踪遍历算法是一种特定的边界自动跟踪遍历方法:N取值为8或者25,N-近邻有两种类型:第一种是直接近邻,即两个像素的相应单元共一条边;第二种是非直接近邻,即两个像素相应单元仅在一个角上相接触;两种近邻在云团边界识别中均被使用;
所述边缘提取算法为:首先在二值图像空间内由上向下、由左向右逐行扫描得到第一个图像值为“真”的像素作为初始像素P1,利用“N-近邻”对初始像素的8个方向进行跟踪,而且总是选择最右边的像素为所得的像素,则会在一个方向上找到下一边界像素点P2,再利用边界像素点P2的“N-近邻”关系,找到下一边界像素点P3,如此逐点跟踪,若当前像素点的坐标与初始像素点的坐标相同或者已经遍历过时,边界相关的边缘提取算法结束,由此得到一条环状的雷暴云团外边界轮廓曲线;
雷暴云团识别模块,用于识别雷达探测区域内雷暴云团的边界信息、强度信息和面积信息;
雷暴云团拓扑关系建立模块,用于计算雷暴云团的的运动方向、速度、面积、强中心、增强或减弱、膨胀或缩小的状态信息;
雷暴云团族谱关系建立模块,通过相邻时次云团的相似性检查,识别出雷暴云团发生发展消亡的运动轨迹,包括多个雷暴云团在发展过程中合并为一个新的雷暴云团以及一个雷暴云团在发展过程中分裂成为多个新的雷暴云团;
雷暴云团外推预报模块;用于根据雷暴云团的拓扑特征、生命时序与族谱关系,对雷暴云团的运动向量进行线性外推作出雷暴云团的临近预报;
所述雷达资料预处理模块、雷暴云团边界处理模块、雷暴云团识别模块、雷暴云团拓扑关系建立模块、雷暴云团族谱关系建立模块和雷暴云团外推预报模块单向顺序连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101085561A CN101937078B (zh) | 2009-06-30 | 2009-06-30 | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101085561A CN101937078B (zh) | 2009-06-30 | 2009-06-30 | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101937078A CN101937078A (zh) | 2011-01-05 |
CN101937078B true CN101937078B (zh) | 2012-12-19 |
Family
ID=43390508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101085561A Expired - Fee Related CN101937078B (zh) | 2009-06-30 | 2009-06-30 | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101937078B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129566A (zh) * | 2011-03-09 | 2011-07-20 | 国家卫星气象中心 | 基于静止气象卫星识别暴雨云团的方法 |
CN102508046B (zh) * | 2011-11-11 | 2014-01-29 | 广东电网公司深圳供电局 | 一种户外电气设备实时雷击预警方法及装置 |
CN102736127A (zh) * | 2012-06-04 | 2012-10-17 | 南信大影像技术工程(苏州)有限公司 | 基于触控大屏的气象应急指挥发布系统的气象监测模块 |
CN102721987A (zh) * | 2012-06-12 | 2012-10-10 | 中国海洋大学 | 多普勒雷达遥感强风暴的预警方法 |
CN103970262B (zh) * | 2013-02-06 | 2018-01-16 | 原相科技股份有限公司 | 光学式指向系统 |
CN103424782B (zh) * | 2013-07-11 | 2016-06-08 | 天津大学 | 一种中层径向辐合的自动识别方法 |
CN103745211A (zh) * | 2014-02-07 | 2014-04-23 | 彭大维 | 一种云朵图像自动识别系统 |
CN104237890B (zh) * | 2014-09-03 | 2016-06-08 | 天津大学 | 一种由“列车效应”引起的暴雨识别及预报方法 |
US9984409B2 (en) * | 2014-12-22 | 2018-05-29 | Ebay Inc. | Systems and methods for generating virtual contexts |
US10475113B2 (en) | 2014-12-23 | 2019-11-12 | Ebay Inc. | Method system and medium for generating virtual contexts from three dimensional models |
CN105738873B (zh) * | 2015-11-16 | 2018-05-08 | 象辑知源(武汉)科技有限公司 | 天气雷达回波图像的处理方法及处理装置 |
CN106157540B (zh) * | 2016-07-12 | 2019-01-08 | 中国石油化工股份有限公司 | 一种基于雷电预警系统的雷电预警及雷云轨迹预测方法 |
CN106019287B (zh) * | 2016-07-29 | 2018-07-10 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于小型雷达的输电线路雷电监测预警方法 |
CN107403451B (zh) * | 2017-06-16 | 2020-11-10 | 西安电子科技大学 | 自适应二值特征单目视觉里程计方法及计算机、机器人 |
CN108090605B (zh) * | 2017-12-08 | 2020-11-24 | 广东电网有限责任公司电力科学研究院 | 一种引雷塔引雷效果的预测方法 |
CN108107434B (zh) * | 2017-12-26 | 2020-06-09 | 厦门市气象灾害防御技术中心(海峡气象开放实验室厦门市避雷监测技术中心) | 基于双多普勒雷达反演的区域三维风场拼图方法 |
CN109033178B (zh) * | 2018-06-26 | 2021-07-30 | 北京工业大学 | 一种挖掘能见度多维时空数据之间格兰杰因果关系的方法 |
CN108896995A (zh) * | 2018-08-03 | 2018-11-27 | 中国航空工业集团公司雷华电子技术研究所 | 一种机载气象雷达雷暴识别方法 |
CN109360216A (zh) * | 2018-09-20 | 2019-02-19 | 黑龙江惠达科技发展有限公司 | 一种基于农机行驶轨迹的线面转换算法 |
US11803664B2 (en) | 2018-10-09 | 2023-10-31 | Ebay Inc. | Distributed application architectures using blockchain and distributed file systems |
CN110930449A (zh) * | 2019-11-27 | 2020-03-27 | 上海眼控科技股份有限公司 | 预测结果的评估方法、装置、计算机设备和存储介质 |
CN110806509B (zh) * | 2019-11-29 | 2021-12-17 | 广东电网有限责任公司广州供电局 | 雷电活动空间特征检测方法和装置 |
CN111161303A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
CN111638565A (zh) * | 2020-06-09 | 2020-09-08 | 云南电网有限责任公司电力科学研究院 | 一种山区暴雨监测方法 |
CN111856424A (zh) * | 2020-07-28 | 2020-10-30 | 安徽沃特水务科技有限公司 | 一种基于雷达回波的暴雨监视及临近预警方法 |
CN112213703B (zh) * | 2020-08-18 | 2023-07-18 | 成都信息工程大学 | 一种利用毫米波云雷达反演云参数的方法及装置 |
CN112782700B (zh) * | 2020-12-30 | 2024-04-16 | 北京墨迹风云科技股份有限公司 | 一种基于雷达图的降水预测方法以及装置 |
CN113109816B (zh) * | 2021-03-29 | 2023-10-03 | 广东工业大学 | 雷达回波图像的回波块追踪方法、装置及存储介质 |
CN113327301B (zh) * | 2021-05-25 | 2023-04-07 | 成都信息工程大学 | 基于深度类比网络在多维度雷达数据下的强对流外推方法及系统 |
CN114488350B (zh) * | 2022-01-18 | 2024-04-30 | 重庆交通大学 | 一种基于雷达图信息处理的山地城市短时降雨预报方法 |
CN114185114B (zh) * | 2022-02-16 | 2022-04-29 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 降水预报落区的订正方法、装置、电子设备及介质 |
CN115422196B (zh) * | 2022-09-05 | 2023-08-18 | 河南工业大学 | 一种矢量数据拓扑关系检查方法 |
CN116400352B (zh) * | 2023-03-21 | 2024-05-28 | 大连理工大学 | 一种基于相关性分析的雷达回波图像海浪纹理检测方法 |
CN117907965B (zh) * | 2024-03-19 | 2024-05-24 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
-
2009
- 2009-06-30 CN CN2009101085561A patent/CN101937078B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
Title |
---|
李玉林 等.夏季雷暴云雷达回波特征分析.《气象》.2001,第27卷(第10期),33-37. * |
王改利 等.多普勒雷达资料在暴雨临近预报中的应用.《气象》.2005,第31卷(第10期),12-15. * |
王改利 等.暴雨云团的多尺度识别方法及其在临近预报中的应用.《大气科学》.2007,第31卷(第3期),400-409. * |
纪玲玲 等.东南沿海地区中α尺度雷暴云团卫星云图特征分析.《气象科学》.2005,第25卷(第2期),158-164. * |
韩雷 等.基于数学形态学的三维风暴体自动识别方法研究.《气象学报》.2007,第65卷(第5期),805-814. * |
Also Published As
Publication number | Publication date |
---|---|
CN101937078A (zh) | 2011-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101937078B (zh) | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 | |
CN111239766B (zh) | 基于激光雷达的水面多目标快速识别跟踪方法 | |
Luo et al. | Fast and furious: Real time end-to-end 3d detection, tracking and motion forecasting with a single convolutional net | |
CN112801022B (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
CN107045629B (zh) | 一种多车道线检测方法 | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN107314819B (zh) | 一种基于红外图像的光伏电站热斑检测与定位方法 | |
CN112906830B (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
Zhang et al. | Learning from GPS trajectories of floating car for CNN-based urban road extraction with high-resolution satellite imagery | |
CN102254144A (zh) | 一种鲁棒的图像中二维码区域提取方法 | |
Borges et al. | Vision-based localization using an edge map extracted from 3D laser range data | |
CN104866670A (zh) | 基于gps时空轨迹的路网拓扑变化自动检测方法及系统 | |
Zhang et al. | UnrollingNet: An attention-based deep learning approach for the segmentation of large-scale point clouds of tunnels | |
Qu et al. | Linear seam elimination of tunnel crack images based on statistical specific pixels ratio and adaptive fragmented segmentation | |
CN110197494A (zh) | 一种基于单目红外图像的受电弓接触点实时检测算法 | |
CN103985142A (zh) | 联合数据关联的Mean Shift多目标跟踪方法 | |
Jiang et al. | Far3d: Expanding the horizon for surround-view 3d object detection | |
Yan et al. | A combination of convolutional and graph neural networks for regularized road surface extraction | |
CN110147748A (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
CN103218808A (zh) | 一种二值图轮廓跟踪方法及其装置 | |
CN107169412B (zh) | 基于混合模型决策的遥感图像靠港船只检测方法 | |
Li et al. | Exploring label probability sequence to robustly learn deep convolutional neural networks for road extraction with noisy datasets | |
Huang et al. | SSA3D: Semantic segmentation assisted one-stage three-dimensional vehicle object detection | |
CN101604380B (zh) | 人头识别直径搜索法 | |
CN107016706B (zh) | 一种应用Visual Graph算法提取障碍物边界的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121219 Termination date: 20190630 |
|
CF01 | Termination of patent right due to non-payment of annual fee |