CN102938075A - 最大风半径和台风眼尺寸建模的相关向量机方法 - Google Patents

Abstract

本发明最大风半径和台风眼尺寸建模的相关向量机方法的目的是基于相关向量机（RVM）建立有眼台风最大风半径与台风眼尺寸的模型。对此，本发明通过计算台风云图上最冷云顶温度点和眼壁内最暖点的距离来估算最大风半径（RMW）；基于偏微分方程对台风眼进行分割，用眼壁周长来度量台风眼的大小；最后基于RVM建立RMW与台风眼尺寸的模型，并与SVM、线性回归、径向基函数神经网络等建模方法进行对比。由于采用了本发明所述的技术方案，能够得到很好的建模结果，基于RVM的建模效果与其他建模方法相比误差要小得多，这将有利于进一步刻画台风低层风场的内核结构。

Description

最大风半径和台风眼尺寸建模的相关向量机方法

技术领域

本发明属于气象监测领域。具体来说，涉及一种以提高台风风速预测精度为目的的最大风半径和台风眼尺寸建模的相关向量机方法。 

背景技术

我国是全球受台风灾害最严重的国家之一，台风来临时，造成我国东南部沿海地区经济损失巨大、人民的生命遭受威胁。如何正确应对台风，在台风登陆时将经济损失降到最低事关国家和人民的切身利益，于是台风的准确预报成了预防灾害的重要措施。而风场信息反映了台风强度的变化，合理地选用各种智能算法进行风场反演，便可提高台风预报的准确度。 

目前国内外学者在台风风场反演方面做了大量相关工作，如许健民等在2002年采用逐步搜索的计算策略进行示踪云的跟踪，有效节约了机时。王振会等（2004）利用傅立叶相位分析法方法对传统的云迹风法进行改进，能够避免“亚像素尺度位移”问题。张红等（2006）根据二维傅立叶相位分析原理，对1分钟间隔的静止红外卫星云图进行云迹风的反演，能够得到连续性较好的风场。杨文凯等（2007）设计了一种台风反演中高密度示踪云选取算法，以改善云迹风的质量和密度分布，能够清晰地反映出天气系统的风场结构。杨文凯等（2010）运用梯度分析方法进行云迹风示踪云的选取，并给出梯度的离散计算公式。利用其方法进行云迹风的反演，结果表明，云迹风质量好，密度高，能够清晰地显示出天气系统的风场结构。国外的台风内核的风场主要通过低空（low-altitude）飞机（如美国NOAA的WP-3D和美国空军的WC-130）侦测获得。但是，这些数据在业务上不能直接应用，而且研究中使用低空飞机采集台风内核数据的工作也主要集中在大西洋，其他区域的台风数据仍然很有限。目前我国还没有将 飞机作为台风监测的主要手段。对台风强度的业务监测主要是基于Dvorak技术的定性描述，定量应用能力较弱。对于台风中高层风场的监测尽管能够使用国家卫星中心的云迹风反演先进技术，但仍不能反演台风内核风场的信息。 

台风风场的反演一般来说主要包括两个部分：内核风场反演（包括表征有眼台风和无眼台风内核特征的模型建立）和外围风场运动矢量场的建立。本发明主要根据有眼台风最大风半径和台风眼大小来建立有眼台风内核特征模型。一般地，最大风半径夹在台风眼壁内上升气流与边缘下沉气流之间，多为几公里到几十公里。对于一个成熟台风来说，中心上升气流形成了台风眼，而最大风半径外的下沉气流则形成了台风眼壁。当台风云图上出现了一个清晰可见的台风眼时，便可构造反映有眼台风内核特征的模型。由于有眼台风的最大风半径一般与台风强度及台风所处的纬度有一定关系，但是如果忽略纬度对最大风半径的影响，则带来的误差可以忽略不计，因此在这种情况下，只需考虑建立最大风半径和台风眼大小的关系模型即可。 

台风风场是一种包含高维数据的复杂非线性系统，对其反演需要选取一种有效的分析工具，目前我国可用于科研的台风云图和年鉴数据有限。鉴于上述两个因素，本发明将机器学习中的相关向量机（Relevance vector machine,简称RVM）应用到台风风场反演中，相关向量机是Tipping在2001年在贝叶斯框架的基础上提出的，它有着与支持向量机（Support vector machine,简称SVM）一样的函数形式，与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。与SVM相比，RVM更稀疏，测试时间更短，而且具有更好的泛化能力，更适用于在线检测。虽然RVM的训练时间会比SVM训练时间长，但是对于本发明中的小样本数据而言，这一点影响不大。实验结果表明本发明能较准确的建立台风内核特征模型，与SVM、线性回归、径向基函数神经网络 等回归算法相比，不仅速度快，误差也小很多。因此本发明在台风内核特征模型建立技术上有所创新，能够被用于更加精确地刻画台风内核风场结构。 

发明内容

本发明的目的是提供一种基于相关向量机建立有眼台风内核风场特征模型的方法。将已有的有眼台风云图，进行预处理，从图像上直接获得最冷云顶点和眼壁最暖点，通过计算两点间的距离来获得最大风半径；然后基于偏微分方程提取台风眼，并计算眼壁周长；最后基于相关向量机建立有眼台风最大风半径和眼壁周长之间的模型。具体包括几方面的研究工作： 

1）获取有眼台风云图，直接从图像上获得最冷云顶点和眼壁最暖点，并根据地理纬度与图像坐标的对应关系，计算上述两点间的实际距离，作为最大风半径。 

由两点的经纬度计算实际距离的基本原理如下：设A、B两点的纬度分别为A和B，经度分别为L_A和L_B，要求的是A、B两点间的大圆弧长。令A、B的中点的纬度为C，经度为L_C，A、B两点间的地心夹角为θ，则根据球面三角关系，可列出如下方程： 

cos(θ)＝sin(A)sin(B)+cos(A)cos(B)cos(L_A-L_B)         （1） 

cos(θ/2)＝sin(A)sin(C)+cos(A)cos(C)cos(L_A-L_C)       （2） 

cos(θ/2)＝sin(B)sin(C)+cos(B)cos(C)cos(L_B-L_C)       （3） 

由于C、L_C、θ为未知量，所以式（2），（3）为非线性方程，于是求解中点的问题转化为如何求解这个非线性方程组的问题。 

于是，大圆一度的弧长乘以地心夹角θ即可得到大圆距离D： 

D＝(2πR_z/360°)·θ＝111·θ                        （4） 

式中R_z为地球半径。在方程（1）、（2）、（3）和式（4）的计算中，北 纬和东经取正值，南纬和西经取负值。 

2）基于偏微分方程法对台风云图进行台风眼分割，提取台风眼，然后根据地（3）式中地理纬度与图像坐标的对应关系计算出眼壁上相邻两点的实际距离，最终将所有相邻点的距离加起来，即得到实际的眼壁周长； 

3）利用RVM建立有眼台风的最大风半径及眼壁周长的内核风场模型，并与其他建模算法作比较，通过对比误差散点图和柱状图，详细说明本发明的优势。 

优选的，所述建立模型的步骤1）中获取最大风半径的方法，其主要步骤包括： 

1）地理经纬度与图像坐标的对应关系 

由于实地测试风速的仪器一般用地理经纬度来表示所测试地点的坐标，因此在比较最后计算结果和实际风速的偏差时就必然涉及到地理经纬度与图像坐标之间的转换问题，通过建立经纬度与图像坐标的关系，这样，只要知道图像上任意点的坐标，即可知该点的经纬度，反过来，由于经纬度表和图像坐标是双向对应的，于是对于给定的纬度和经度，也能相应地查到图像坐标； 

2）最大风半径（RMW）的获取 

在红外图像中，由于低灰度代表的是高温，而高灰度代表的是低温，因此最冷云顶点和眼壁最暖点可通过图像直接获得，并根据经度表和纬度表得出对应的经纬度，得到相邻两点之间的实际距离，即为最大风半径。 

优选的，所述建立模型的步骤2）中台风眼壁周长的计算方法，其主要内容包括： 

先采用台风眼的周长来度量台风眼的大小，先利用非线性灰度变换法增强红外台风云图，以便突出台风眼区利于后续进行台风眼分割，接着使用偏微分方程法提取台风眼，即得到眼壁各点的坐标，提取台风眼，然后根据地地理纬度与图像坐标的对应关系计算出眼壁上相邻两点的实际距离，最终将所有相邻点的距离加起来，即得到实际台风眼壁的周长。 

优选的，所述建立模型的步骤3）中用RVM建模的具体步骤包括： 

1）整个台风数据库虽然庞大，但是要建立有眼台风内核的特征模型，就只能使用有眼台风云图，因此需要总共选取155幅有眼台风云图来做测试，由于数据量较大，这里不列出详细的数据计算结果，而通过分析建模误差来评价建模效果； 

2）对于样本数据的训练采用循环模式，总共有多少个样本就循环多少次，每次循环只取一个样本用来作预测样本，其他的样本用作训练样本，并计算相应的误差，一次循环计算一次误差大小，每次循环所用的预测样本都要求不同，于是所有循环结束后，每个样本的预测误差都可以描绘出； 

3）取台风眼壁的周长作为输入变量，最大风半径作为输出变量，用输出变量的预测值减去实际值得到的建模误差值； 

4）分别给出不同建模方法的误差散点图和误差柱状图。 

进一步的，本发明还包括： 

1）基于RVM建立有眼台风最大风半径与台风眼大小的关系模型时，核函数选取Laplace核函数； 

2）误差柱状图中横坐标为误差范围（单位：公里），纵坐标为对应某一误差范围的点的个数，根据所得误差数据的分布情况，将误差值每隔2公里作为一个统计单位，即统计误差分别在-60公里～-58公里，…,-4公里 ～-2公里,-2公里~0公里,0公里~+2公里，…,+58公里~+60公里区间内的点的个数，以此作为纵坐标的值，并将超出-60公里~+60公里范围的点视作误差较大的点。 

本发明采用的相关向量机回归算法与支持向量机回归算法、线性回归算法和径向基函数神经网络相比，能够获得更小的建模误差。本发明只需利用卫星提供台风云图和台风年鉴数据即可，实验表明本发明能较准确的建立有眼台风的最大风半径和台风眼尺寸间的数学模型，能被用于刻画台风内核特征。 

附图说明

图1基于RVM的最大风半径和台风眼尺寸建模方法流程图； 

图2图像坐标和经纬度的双向对应关系； 

图3最大风半径示意图； 

图4台风眼周长计算示意图； 

图5基于RVM建模，选取不同核函数建模的误差散点图； 

图6基于RVM、SVM、线性回归及径向基函数神经网络建模的误差散点图； 

图7基于RVM、SVM、线性回归及径向基函数神经网络建模的误差柱状图（这里给出的是误差在-60公里~60公里之间的统计结果）。 

图8不同样本规模时基于RVM、SVM、线性回归和径向基函数神经网络建模的平均误差曲线。 

具体实施方式

本发明的目的是提供一种基于相关向量机最大风半径和台风眼尺寸建模方法。将已有的有眼台风云图，进行预处理，从图像上直接获得最冷云顶点和眼壁最暖点，通过计算两点间的距离来获得最大风半径；然后基于偏微分方程提 取台风眼，并计算眼壁周长；最后基于相关向量机建立有眼台风最大风半径和眼壁周长之间的模型。 

如图1所示为本发明基于相关向量机建立有眼台风最大风半径和台风眼尺寸模型的方法的流程示意图。 

具体步骤如下： 

1）地理经纬度与图像坐标的对应关系 

由于实地测试风速的仪器一般用地理经纬度来表示所测试地点的坐标，因此在比较本发明的计算结果和实际风速的偏差时就必然涉及到地理经纬度与图像坐标之间的转换问题。然而，对于由风云2C卫星拍摄的NOM格式的图像文件来说，均提供了一张与图像中每个像素点双向对应的经度表和一张纬度表，表格大小与图像大小一致，都为2288×2288，也就是说其图像上每一点都具有经纬度，如下式所示： 

(φ_latitude,φ_longitude)＝f(x,y)（5） 

式中x,y分别表示图像坐标，φ_latitude,φ_longitude分别表示点(x,y)的纬度和经度，f是它们之间的对应关系。这样，只要知道图像上任意点的坐标，即可知该点的经纬度。反过来，由于经纬度表和图像坐标是双向对应的，于是对于给定的纬度和经度，也能相应地查到图像坐标。图像坐标与经纬度表的双向对应如图2所示。 

2）最大风半径（RMW）的获取 

传统的最大风半径的测量方法是通过直接使用飞机探测或通过海平面气压的测量的得到的。近年来，有人提出了一种简单的估算RMW的方法，即在台风云图上计算最冷云顶温度点和眼壁内最暖点的距离来估算RMW。但是这种根据云图直接计算RMW的方法有一个局限，就是图像必须具有 一个清晰的台风眼。在红外图像中，由于低灰度代表的是高温，而高灰度代表的是低温，因此最冷云顶点和眼壁最暖点可通过图像直接获得，并根据经度表和纬度表得出对应的经纬度，得到两点之间的实际距离，即为最大风半径（单位：公里）。图3是一个简易最大风半径示意图，眼壁内最暖点温度高，其在图像上的点为眼壁内灰度最低的点，而最冷云顶点在眼壁处灰度最高的点，如图3所示，将两点连接起来，如图中绿线所示，即为最大风半径。 

3）台风眼大小估算 

本发明中采用周长来度量台风眼的大小，先利用非线性灰度变换法增强红外台风云图，以便突出台风眼区利于后续进行台风眼分割，接着使用偏微分方程法提取台风眼，即得到眼壁各点的坐标，提取台风眼，然后根据地理纬度与图像坐标的对应关系计算出眼壁上相邻两点的实际距离，图4是一幅台风眼周长示意图，涂色部分为眼壁，其中各点的经纬度已确定，可分别计算出眼壁上相邻各点（如图4中所示的点1和点2，点2和点3）的实际距离，最终将所有相邻点的距离加起来，即得到实际台风眼壁的周长。 

4）建模方法的选择 

由上所述，本发明主要是想获得一个关于最大风半径和台风眼尺寸之间的关系模型。但是对于本发明的最大风半径和台风眼大小之间的关系无法通过分析得到一个明确的数学模型。原因很复杂，因为图像的灰度要受到多方面因素的影响，如拍摄设备的分辨率、灵敏度、噪声、物理环境中陆地、水汽等都对图像的灰度有关，若要从原理上加以推导，难度非常高，也容易产生错误的结论。由黑箱法的特点我们知道它可以用来处理受多种 不确定因素影响并且无法直接用公式推导的变量关系问题，再加上本发明研究所用的台风图像数量有限，建模过程中想要得到的是全局最优解，而不仅仅是局部最优解。综合考虑发现相关向量机的特点恰好能够用来解决上述问题，因此本发明使用相关向量机来建立最大风半径和台风眼尺寸间的模型。 

一般来说，对于建模算法的应用有两种方式：一种是将五分之四左右的数据用来作训练样本，剩下五分之一的数据用来作预测样本，最后把这五分之一的预测结果与样本本身的精确值进行比较并描绘出误差曲线图；另一种方式是使用循环的模式，总共有多少个样本就循环多少次，每次循环只取一个样本用来作预测样本，其他的样本用作训练样本，并计算相应的误差，一次循环计算一次误差大小，每次循环所用的预测样本都要求不同，于是所有循环结束后，每个样本的预测误差都可以描绘出。前一种方式对于训练样本和测试样本的选取具有随意性，而后一种方式将每个样本都有机会作为预测样本，也都有机会作为训练样本，虽然算法所耗时间比前一种方式多，但是它却更全面地反映了整个样本数据库之间的关系，于是本发明就使用后一种方式来测试建模算法。 

本发明进行实验测试时，总共选取了155幅有眼台风云图作为实验样本。实验硬件环境为Intel2.4GHz，内存1G，软件环境为Matlab2009a。这里不列出详细的数据计算结果，而通过分析建模误差来评价建模效果。 

下面通过两组实验结果来详细分析： 

实验1：鉴于核函数的选取对建模效果有一定程度的影响，本发明中，在基于相关向量机（RVM）建模的时候，分别采用了常见的几种不同核函数，以便 通过实验结果选择最合适的核函数。 

图5给出了基于RVM的建模算法在分别选取Gauss、Laplace和Cauchy核函数时的误差散点图，定性地给出了采用不同核函数时的结果。图中横坐标为实验中样本台风云图序号，纵坐标为最大风半径误差（单位：公里）。 

由图5误差散点图可知，虽然采用三种核函数时误差都小于40公里，总体处于误差较小的范围，但当选取Laplace核函数时，很明显所有误差都在10公里以下。实验结果说明本发明中所涉及到的数据，最适合选取Laplace核函数来进行建模。 

表1给出了基于RVM的建模算法在选取不同核函数时的建模性能对比结果。 

表1基于RVM建模时选用不同核函数时的性能对比 

由表1可知，采用以上三种核函数时，平均误差和运行时间都在较小的范围内，其中当选取Laplace核函数时平均误差最小。这与图5的误差散点图分析结果一致。表明在利用RVM建立有眼台风最大风半径和台风眼尺寸之间的模型时，选取Laplace核函数效果最佳。 

实验2：为了进一步说明问题，下面将本发明中基于RVM的建模算法与常见的其他几种建模算法（线性回归、径向基函数神经网络和SVM）作比较。 

图6给出了分别基于RVM、SVM、线性回归（Linear regression,简称LR）及径向基函数神经网络（Radial basis function neural network，简称RBFNN）建模的误差散点图。定性地给出了采用不同建模算法时的建模性能比较结果。图 中横坐标实验中样本台风云图序号，纵坐标为最大风半径误差（单位：公里）。 

由图6误差散点图可知，当采用本发明中的基于RVM算法建模时，误差点都集中在横坐标轴附近，且误差值分布均匀，不存在误差较大的点。而基于SVM、线性回归（LR）及径向基函数神经网络（RBFNN）的建模结果显示，误差点浮动范围较大，并且存在个别误差特别大的点。因此，仅从误差散点图上就看出，本发明在建立有眼台风最大风半径与台风眼尺寸之间模型这一方面具有明显优势。 

图7给出了分别基于RVM、SVM、线性回归（LR）及径向基函数神经网络（RBFNN）建模的误差柱状图。更清晰明了的说明本发明的优势所在。图中横坐标为误差范围（单位：公里），纵坐标为对应某一误差范围的点的个数。本发明中根据所得误差数据的分布情况，将误差值每隔2公里作为一个统计单位，即统计误差分别在-60公里～-58公里，…,-4公里～-2公里,-2公里~0公里,0公里~+2公里，…,+58公里~+60公里区间内的点的个数，以此作为纵坐标的值。那么当误差柱只要集中在0公里附近的话，就表明该算法的误差普遍较低。反之，如果误差柱没有集中在0公里附近，而是分布范围很广，则说明该算法的误差范围较大。图7中统计了误差在-60公里~+60公里之间的点，并将超出该范围的点视作误差较大的点。 

由图7误差柱状图可知，当采用本发明中的基于RVM算法建模时，误差柱大部分集中在0公里附近，且不存在误差较大的点。而基于SVM、线性回归（LR）及径向基函数神经网络（RBFNN）的建模结果显示，误差柱并没有集中在0公里附近，而是分布在整个横坐标范围内，并且存在个别误差特别大的点。因此，从误差柱状图进一步验证了，本发明在建立有眼台风最大风半径与台风眼尺寸之间模型这一方面具有明显优势。 

表2给出了基于RVM的建模算法与线性回归（LR）、径向基函数神经网络（BRFNN）以及SVM建模算法的对比结果。用平均误差、运行时间和误差较大点的个数三组数据，定量地给出了采用不同方法的建模对比结果。 

表2不同建模算法的性能比较 

（将误差在-60公里~60公里范围之外的点视为误差较大的点） 

由表2可知，与其他三种算法相比，本发明具有如下优势：第一，基于RVM的建模算法得到的有眼台风最大风半径平均误差约为1.6公里，这方面有明显优势；第二，基于RVM的建模算法结果中误差大部分集中在-10公里~10公里范围内，且不存在误差较大的点。这与图6误差散点图以及图7误差柱状图的分析结果一致。表明在利用RVM构建的有眼台风最大风半径与台风眼尺寸的关系模型能够比较准确地反映有眼台风内核风场特征。 

通过上述实验结果，说明本发明能够很好的建立有眼台风最大风半径与台风眼尺寸之间的关系模型，不仅在平均误差上比传统方法好，而且算法运行时间也较短，由此可见，利用RVM构建的有眼台风最大风半径与台风眼尺寸之间的关系模型能够比较准确地反映有眼台风内核风场特征，这将对台风风场反演的后续工作起到很大的帮助。 

实验3：为了进一步比较本发明与其他同类方法的建模性能，我们采用不同的样本规模测试基于RVM、SVM、LR和RBFNN等建模方法的平均建模误差，实验结果如表3所示： 

表3不同样本规模下，不同建模方法的平均误差（单位：公里） 

由表3可见，在相同样本规模条件下，本发明的建模方法与基于SVM、LR和RBFNN等建模方法相比，其平均建模误差是最小的，而且这种优势在样本规模达到60以上时尤为明显。此外，在不同样本规模条件下，例如本发明的建模方法在样本规模为20时，与SVM、LR和RBFNN等建模方法在样本规模40-155时相比，仍然能够获得最小的平均建模误差。这表明，本发明能够在小样本条件下仍然能够获得良好的建模效果。为了进一步说明上述问题，我们将表3中的数据绘制成一幅误差曲线图，如图8所示。由图8显然可见，与其他三种建模方法相比，本发明的建模方法随着样本规模的变化平均建模误差波动最小，其他三种方法随着样本规模的变化平均建模误差均有较大幅度的波动，其中尤以LR和RBFNN方法波动最为明显。综上所述，本发明提出的建模方法能够在小样本条件下获得较小的建模误差，综合性能优于SVM、LR和RBFNN等建模方法。 

本发明基于相关向量机建立有眼台风内核风场特征模型的方法研究提出了一种全新的有眼台风最大风半径与台风眼尺寸关系的建模方法，通过几组实验可以看出，本发明与传统建模方法相比，在保持较短的运行时间的基础上，能够较大幅度地降低建模误差，并且不存在误差较大的点。虽然本发明是针对刻画有眼台风内核风场的目的而设计的，但是根据不同的应用领域，本发明经过适当的修改同样可以适用于其他相关研究和应用领域。 

Claims (5)

1.最大风半径和台风眼尺寸建模的相关向量机方法，包括基于相关向量机建立有眼台风最大风半径和台风眼尺寸间的关系模型，其特征在于，具体步骤如下：

1）获取有眼台风云图，直接从图像上获得最冷云顶点和眼壁最暖点，并根据地理纬度与图像坐标的对应关系，计算上述两点间的实际距离，作为最大风半径；

由两点的经纬度计算实际距离的基本原理如下：设A、B两点的纬度分别为A和B，经度分别为L_A和L_B，要求的是A、B两点间的大圆弧长；令A、B的中点的纬度为C，经度为L_C，A、B两点间的地心夹角为θ，则根据球面三角关系，可列出如下方程：

cos(θ)＝sin(A)sin(B)+cos(A)cos(B)cos(L_A-L_B)         （1）

cos(θ/2)＝sin(A)sin(C)+cos(A)cos(C)cos(L_A-L_C)       （2）

cos(θ/2)＝sin(B)sin(C)+cos(B)cos(C)cos(L_B-L_C)       （3）

由于C、L_C、θ为未知量，所以式（2），（3）为非线性方程，于是求解中点的问题转化为如何求解这个非线性方程组的问题，

于是，大圆一度的弧长乘以地心夹角θ即可得到大圆距离D：

D＝(2πR_z/360°)·θ＝111·θ                        （4）

式中R_z为地球半径，在方程（1）、（2）、（3）和式（4）的计算中，北纬和东经取正值，南纬和西经取负值；

2）基于偏微分方程法对台风云图进行台风眼分割，提取台风眼，然后根据地理纬度与图像坐标的对应关系计算出眼壁上相邻两点的实际距离，最终将所有相邻点的距离加起来，即得到实际的眼壁周长；

3）利用RVM建立有眼台风的最大风半径及眼壁周长的内核风场模型，并通过对比误差散点图和柱状图与其他建模方法作比较。

2.如权利要求1所述的最大风半径和台风眼尺寸建模的相关向量机方法，其特征在于，所述建立模型的步骤1）中获取最大风半径的方法，其步骤包括：

1）地理经纬度与图像坐标的对应关系

由于实地测试风速的仪器一般用地理经纬度来表示所测试地点的坐标，因此在比较最后计算结果和实际风速的偏差时就必然涉及到地理经纬度与图像坐标之间的转换问题，通过建立经纬度与图像坐标的关系，这样，只要知道图像上任意点的坐标，即可知该点的经纬度，反过来，由于经纬度表和图像坐标是双向对应的，于是对于给定的纬度和经度，也能相应地查到图像坐标；

2）最大风半径（RMW）的获取

在红外图像中，由于低灰度代表的是高温，而高灰度代表的是低温，因此最冷云顶点和眼壁最暖点可通过图像直接获得，并根据经度表和纬度表得出对应的经纬度，得到相邻两点之间的实际距离，即为最大风半径。

3.如权利要求1所述的最大风半径和台风眼尺寸建模的相关向量机方法，其特征在于，所述建立模型的步骤2）中台风眼壁周长的计算方法，其内容包括：

先采用台风眼的周长来度量台风眼的大小，先利用非线性灰度变换法增强红外台风云图，以便突出台风眼区利于后续进行台风眼分割，接着使用偏微分方程法提取台风眼，即得到眼壁各点的坐标，提取台风眼，然后根据地地理纬度与图像坐标的对应关系计算出眼壁上相邻两点的实际距离，最终将所有相邻点的距离加起来，即得到实际台风眼壁的周长。

4.如权利要求1所述的最大风半径和台风眼尺寸建模的相关向量机方法，其特征在于，所述建立模型的步骤3）中用RVM建模的具体步骤包括：

1）整个台风数据库虽然庞大，但是要建立有眼台风内核的特征模型，就只能使用有眼台风云图，因此需要总共选取155幅有眼台风云图来做测试，由于数据量较大，这里不列出详细的数据计算结果，而通过分析建模误差来评价建模效果；

2）对于样本数据的训练采用循环模式，总共有多少个样本就循环多少次，每次循环只取一个样本用来作预测样本，其他的样本用作训练样本，并计算相应的误差，一次循环计算一次误差大小，每次循环所用的预测样本都要求不同，于是所有循环结束后，每个样本的预测误差都可以描绘出；

3）取台风眼壁的周长作为输入变量，最大风半径作为输出变量，用输出变量的预测值减去实际值得到的建模误差值；

4）分别给出不同建模方法的误差散点图和误差柱状图。

5.如权利要求4所述的最大风半径和台风眼尺寸建模的相关向量机方法，其特征在于，

1）基于RVM建立有眼台风最大风半径与台风眼大小的关系模型时，核函数选取Laplace核函数；

2）误差柱状图中横坐标为误差范围（单位：公里），纵坐标为对应某一误差范围的点的个数，根据所得误差数据的分布情况，将误差值每隔2公里作为一个统计单位，即统计误差分别在-60公里～-58公里，…,-4公里～-2公里,-2公里~0公里,0公里~+2公里，…,+58公里~+60公里区间内的点的个数，以此作为纵坐标的值，并将超出-60公里~+60公里范围的点视作误差较大的点。

Images