CN104700457B - 降雨情形下风矢量反演的象元筛选、滤波方法和系统 - Google Patents

Abstract

本发明提供一种降雨情形下风矢量反演的象元筛选、滤波方法和系统，其象元筛选方法包括步骤：纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积；根据获取到的由风场引起后的风向散射截面积来确定降雨情形下风矢量反演中的象元的各模糊解以及各模糊解的总灰度值；找出与数值风场数据最接近的目标模糊解；判断目标模糊解的总灰度值是否大于预设的灰度阈值；若是，对象元作一标记；其滤波方法包括步骤：采用本发明的筛选方法对降雨情形下风矢量反演中的象元进行筛选。由于筛选过程中纠正降雨对散射计观测信号的干扰，且可有效剔除风矢量反演误差较大的象元，可以有助于提高风矢量反演精度。

Description

降雨情形下风矢量反演的象元筛选、滤波方法和系统

技术领域

本发明涉及海洋遥感领域，特别是涉及一种降雨情形下风矢量反演的象元筛选、滤波方法和系统。

背景技术

海风是作用在海洋表层的重要动力因子，驱动着海洋从海面波到深层洋流系统的各种尺度的海洋运动，小则形成海洋波浪，大则推动洋流发展。海风通过调节海水与大气之间的热量、水汽和化学物质的交换，来调整海-气耦合作用，维持全球和区域气候模式，该耦合作用对全球和区域气候有重要影响，甚至能引起全球环境的变化，如厄尔尼诺现象。而且，海风可以纳入到区域或全球的数值天气预报系统，提高天气预报的能力。因此，获得高精度、高时空分辨率的海风数据对于海洋动力学、气象、气候学研究和人类合理利用风能资源具有十分重要的科研价值和现实意义。

海面风场的常规观测系统主要通过船舶、海上浮标及沿岸站等。对于覆盖全球面积70％的海洋而言，常规手段获得的风场资料十分有限而且花费巨大。卫星遥感技术为海面风场的测量提供了一个全新的手段，它具有覆盖面广、观测连续、受天气影响小等优点，已经进入业务化运行。能够提供全球海面风场信息的星载传感器包括散射计、微波辐射计、合成孔径雷达(SAR)、卫星高度计，但只有散射计能大范围同时提供包括风速大小和风向在内的完整的风矢量信息。

散射计反演风场分为三个个步骤：第一步，建立地球物理模型函数(geophysicalmodel function，GMF)，第二步，由地球物理模型函数反演得到2-4个模糊解，第三步，采用圆中数滤波方法去除模糊解，得到唯一的真解。圆中数滤波算法有效运行的前提条件是滤波窗口中的风矢量误差比较大(风向反演误差大于45度)的象元数目不能超过一半。由于SeaWinds散射计的观测特点(圆盘天线旋转式扫描)，使得该散射计星下点区域模糊解的反演误差(反演步骤中的第二步)整体较大，因而在使用圆中数滤波算法时，滤波窗口中反演误差较大的象元数目往往超过一半，使得圆中数滤波效果不佳，使得最终反演误差偏高。

目前的风矢量反演算法能够很好地解决大部分情形下(95％)的海面风矢量反演任务，但是仍然存在反演误差比较大的情形：降雨、近海岸风场以及高风速情形。其中降雨造成的风矢量反演误差增大占主要部分(约4％)，同时，发生台风时高风速下往往伴随着降雨，因此，研究降雨情形下的风矢量反演算法有助于进一步降低传统反演算法的误差，并对台风路径监测具有一定的指示作用，为沿海地区防灾减灾提供科学依据。

发明内容

本发明的一个目的在于提供一种降雨情形下风矢量反演的象元筛选、滤波方法和系统，可以有助于提高风矢量反演精度。

本发明的这一目的通过如下技术方案实现：

一种降雨情形下风矢量反演方法，包括如下步骤：

纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积；

根据获取到的由风场引起后的风向散射截面积来确定降雨情形下SeaWinds散射计星下点风矢量反演中的象元的各模糊解以及各所述模糊解的总灰度值；

将各所述模糊解与数值风场数据进行对比，找出与数值风场数据最接近的目标模糊解；

判断所述目标模糊解的总灰度值是否大于预设的灰度阈值；

若是，对所述象元作一标记。

一种降雨情形下风矢量反演的象元筛选系统，包括：

纠正模块，用于纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积；

处理模块，用于根据获取到的由风场引起后的风向散射截面积来确定降雨情形下SeaWinds散射计星下点风矢量反演中的象元的各模糊解以及各所述模糊解的总灰度值；

对比模块，用于将各所述模糊解与数值风场数据进行对比，找出与数值风场数据最接近的目标模糊解；

第一判断模块，用于判断所述目标模糊解的总灰度值是否大于预设的灰度阈值；

标记模块，用于在所述第一判断模块的判断结果为是时，对所述象元作一标记。

根据上述本发明的方案，其是首先纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积，再根据获取到的由风场引起后的风向散射截面积来确定降雨情形下SeaWinds散射计星下点风矢量反演中的象元的各模糊解及其相应的总灰度值，然后通过将各模糊解与数值风场数据进行对比获得目标模糊解，判断该目标模糊解的总灰度值是否大于预设的灰度阈值，若是，对象元作一标记。降雨情形下SeaWinds散射计星下点风矢量反演中的各象元都可以按照这种方式进行筛选，最后得到的有标记的象元即为筛选出的反演误差较小的象元，可以基于这些象元进行圆中数滤波，由于筛选过程中纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积，且可有效剔除风矢量反演误差较大的象元，从而较大程度地提高了圆中数滤波算法的精度，即，提高了降雨情形下最终的风矢量反演精度。

本发明的另一目的在于提供一种降雨情形下风矢量反演的滤波方法和系统，可以有助于提高风矢量反演精度。

本发明的这一目的通过如下技术方案实现：

一种降雨情形下风矢量反演的滤波方法，包括如下步骤：

采用如上所述的降雨情形下风矢量反演的象元筛选方法对降雨情形下SeaWinds散射计星下点风矢量反演中的象元进行筛选；

选取滤波窗口，获取该滤波窗口中的有标记的象元数目；

判断所述象元数目是否大于预设的象元数阈值；

若是，则对滤波窗口中的有标记的象元进行圆中数滤波，获得所述滤波窗口的风矢量；

若否，则根据L2B数据的获得所述滤波窗口的风矢量。

一种降雨情形下风矢量反演的滤波系统，包括如上所述的降雨情形下风矢量反演的象元筛选系统，还包括：

选取模块，用于选取滤波窗口，获取该滤波窗口中的有标记的象元数目；

第二判断模块，用于判断所述象元数目是否大于预设的象元数阈值；

滤波模块，用于在所述第二判断模块的判断结果为是时，对滤波窗口中的有标记的象元进行圆中数滤波，获得所述滤波窗口的风矢量，在所述第二判断模块的判断结果为否时，根据L2B数据的获得所述滤波窗口的风矢量。

根据上述本发明的方案，其是首先采用如上所述的降雨情形下风矢量反演的象元筛选方法对降雨情形下SeaWinds散射计星下点风矢量反演中的象元进行筛选，再选取滤波窗口，获取该滤波窗口中的有标记的象元数目，判断所述象元数目是否大于预设的象元数阈值，若是，则对滤波窗口中的有标记的象元进行圆中数滤波，获得所述滤波窗口的风矢量，若否，则根据L2B数据的获得所述滤波窗口的风矢量，由于筛选过程中纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积，且可有效剔除滤波窗口中的风矢量反演误差较大的象元，从而较大程度地提高了圆中数滤波算法的精度，即，提高了降雨情形下最终的风矢量反演精度。

附图说明

图1为SeaWinds散射计地球物理模型函数的以雷达后向散射系数和相对方位角为坐标的模型表；

图2为同一象元观测值在风矢量解空间中的图谱示意图；

图3为本发明的降雨情形下风矢量反演的象元筛选方法实施例的流程示意图；

图4为模糊解区域交点分布示意图；

图5为确定模糊解的总灰度值的方式在其中一个实施例中的流程示意图；

图6为图谱算法风矢量反演误差与总灰度关系示意图；

图7为本发明的降雨情形下风矢量反演的滤波方法实施例的流程示意图；

图8为本发明的降雨情形下风矢量反演的象元筛选系统实施例的结构示意图；

图9为图8中的处理模块在其中一个实施例中的结构示意图；

图10为本发明的降雨情形下风矢量反演的滤波系统实施例的流程示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

为了便于理解本发明的方案，以下首先对传统的散射计风场反演方式进行说明。

1)传统风场反散射计风场反演方式的一般步骤

传统风场反散射计风场反演方式可分为三个步骤：建立地球物理模型函数，风矢量解搜索(反演算法)以及风矢量模糊解去除。从1978年第一颗专门用于海洋遥感的卫星SEASAT-A发射到现在，国外学者提出了多种用于散射计海面风场遥感的模型函数及反演算法。由于地球物理模型函数的双调和特性以及观测中存在的误差，使得风矢量搜索的结果不唯一，而是存在1-4个极小值，称为模糊解。由于从单一象元很难获得足够的信息将其排除，因而需要一个独立的模糊解去除程序，将其排除以便获得唯一的真解。

2)散射计工作的基本原理

散射计是一种特殊的主动微波传感器，主要是用来获取海面雷达截面积等多个测量数据。通过向地表发射一定波长的微波，将那些在同一地面单元具有不同几何观测参数的测量数据结合起来，经过一定处理而获得该单元海面风速和风向。散射计对海面风矢量的测量是一种间接关系。

海面微波散射主要有两种机制：当入射角小于20°时，微波回向散射主要是镜面反射；当入射角大于20°时，微波回向散射主要是布拉格散射。而散射计的入射角一般大于20°，如SeaWinds散射计内外两波束的入射角分别为46°和54°，所以散射计工作时，海面微波散射以布拉格散射为主。在入射波长为微波的条件下，能引起布拉格散射的只能是叠加于海浪上的厘米波或毛细波，而且布拉格散射与厘米波波峰与雷达视线之间的夹角有很大的相关性。

风从大气向海面传递动量时，会使海面变得粗糙，形成小尺度的厘米波，厘米波数量与海面上的磨擦风速成正比相关，而厘米波波峰方向对风向敏感，所以能通过对微米波的观测来反推出海面的风矢量与风向。散射计就是测量海面的后向散射能量大小，并估算标准化的海面雷达截面积NRCS(Normalized Radar Cross Section)。

3)海面风场反演的地球物理模型函数

利用散射计在不同的参数条件下(入射角和极化方式)测得的海面后径雷达散射截面积进行风场反演，需要知道海面雷达后向散射截面积(NRCS)和风速、相对方位角(风向与雷达观测方向之间的夹角)、入射角以及极化方式等几个变量之间的关系。模型函数的目的就是准确描述雷达后向散射截面积(NRCS)与海面环境参数和仪器参数的关系。模型函数对于散射计的设计及反演算法具有关键的作用，它的精度可大大地影响到风场反演的精度以及散射计设计的可行性等重要问题。

从第一颗专门用于海洋遥感的卫星SEASAT发射到现在，人们不断提出用于散射计海面风场遥感的模型函数和反演方法，模型函数的非线性决定了风场反演方法的复杂性。然而有大量的Ku波段的测量数据证明，海洋雷达后向散射对表面风速非常敏感。

一般地球物理模型函数可表示为如下形式：

σ⁰＝F(ω，χ；....；θ，p，f) (1)

在式(1)中，ω和χ分别表示在海面上19.5米高度上的中性稳定风速和相对风向(散射计波束入射方位角与实际风向的夹角)；“...”表示影响的其它次要的非海风环境因子，如大气稳定性、海浪长波状态、海温、海水介电常数等；θ、p和f是散射计参数，分别表示相关的波束入射角、极化方式(垂直或水平)和雷达波频率。

一般地，SeaWinds散射计采用新模型函数QSCAT1。该模型函数对应的入射角只有46°(水平极化)和54°(垂直极化)。为了得到统一散射计模型以便于研究，Wentz，F.J.于2000年后，在对SASS2校正的基础上，把SASS2模型中的46°和54°入射角部分替换为QSCAT1模型的数据，合并成的模型称为新模型函数QSCAT1模型。该模型数据没有固定的表达形式，为有利于提高运行速度且与有利于模型与算法分开，采用表格的形式。该表格由入射角、速度和相对方风向这三维来表示。在图1中，入射角从40°到60°，间隔为1度，且从40°到50°为水平极化方式，从51°到60°为垂直极化方式；速度从1m/s到50m/s，间隔为1m/s；而相对风向从0°到180°，间隔为2°。另外，在相同风速风向条件下，46°波束测得的值相对较小。图1所示的是入射角为46°，以雷达后向散射系数和相对方位角为坐标的模型表，单位为自然单位，不同的风速由不同的曲线来表示，0°到360°的风速关于180°对称。随海面风速呈非线性递增的关系，其中，m/s表示米每秒。

4)传统的风矢量求解方式

地球物理算法就是利用模型函数，用大气衰减校正后的雷达后向散射测量σ⁰来推算海面一定高度处的风速和风向。然而，由于地球物理模型函数的特性，同一个观测值σ⁰，可以对应一系列可能的风速和风向值，如图2所示，图2中，每条细曲线代表一个观测值σ⁰所对应的可能的风速和风向值。由图2，可以很显然可以看出，理论上至少需要两条曲线(即，两个观测值)才可能确定风速和风向解(即，两条曲线的交点)。在散射计观测实践中，散射计对同一处海面进行多角度的重复观测，得到不同方向的多个观测值σ⁰，对应于风矢量解空间则有多条曲线，最后的风矢量解就在这些曲线交点的附近。而风矢量反演算法的任务在于，由这些观测值(图中的曲线)，通过一定的计算法则搜索出相应的风矢量解。

卫星散射计发射之前，就有三个候选算法形成了。自从卫星发射以来，这些算法在一系列的数据分析过程中通过与独立测量数据进行比较，已经变得很成熟。Chong-yungChi和Fuk L.Li对不同的算法进行了对比研究，发现MLE(最大似然法)和L1两种算法较好。而最大似然算法对风场反演来说有其更深刻的理论根据，所以目前被用于处理SeaWinds散射计数据。

在理想的状况下，即假定不存在模型误差和测量误差，同一分辩单元内全部雷达后向散射截面积测量值对应的可能风矢量解曲线应在风速、风向二维空间内交于一点或几点，这些点对应的风矢量即为风矢量模糊解。由于存在干扰噪音与测量误差，n条曲线并不交于一点或几点，而是围绕这一点或几点，形成几个分布相对密集的交点集(图2中的方框区域)，从图2可以看出，图中曲线交点比较密集的区域共有四个，对应着风矢量可能的四个解(由于地球物理模型函数的双调和特性，使得每两个观测值所对应的曲线的交点有2-4个，这意味着由观测值σ⁰反演出来的可能的风矢量解有2-4个)，这四个解被称之为模糊解，最终的风矢量真解是这四个解中的一个。传统方式的原理是通过搜索目标函数的极值来确定每个模糊解的位置(即确定每个模糊解)，目标函数的一般形式如下：

其中，e_i为NRCS观测值和理论值之间的差值，δ_i为第i个观测值的标准差，p、q为常数参量，与具体的反演算法有关。

5)模糊解去除方法

为得到最后的真解，需要借助周围象元的信息，通过滤波的方法去除多余的伪解。早期科学家发现用第一模糊解初始化的风场中的伪解与数字图像中的噪声很相似，而数字图像处理技术中的中值滤波算法能在保持图像边缘的同时能有效地去除噪声，根据这一点，他们引进并修改中值滤波算法，使它适合圆分布的风矢量模糊去除。实践证明，圆中数滤波能有效去除风矢量模糊解，成为散射计模糊去除的主要算法。

以下的是圆中数滤波的介绍(解学通等，2005)：

I)圆中数的定义

对于圆分布矢量，圆中数使下式最小：

其中，N为滤波窗口中象元的总数，m表示滤波窗口中第m个象元。

II)圆中数滤波算法的具体步骤

圆中数滤波算法是通过在风场二维空间中开一定大小的窗口(滤波窗口)，计算该窗口数据的圆中数，然后在窗口中心象元对应的几个模糊解中找出与圆中数最接近的一个替代当前窗口中心的风矢量，移向下一位置，重复此操作直到对整个风场操作完毕。此过程反复迭代，直到风场不再改变或者迭代次数达到预设的最大迭代次数。

散射计中值滤波算法正常工作的前提是初始风场必须满足真值占50％以上，而且伪解随机分布，所以在滤波前要对风场按一定的原则进行初始化，使初始化后的风场满足中值滤波算法的前提条件。对于SASS和NSCAT散射计，第一模糊解占真值的比例超过50％，而且在整个空间中随机分布，这满足中值滤波算法的初始条件，所以它们正是利用第一模糊解初始化风场，然后利用圆中数滤波方法进行风矢量模糊去除。然而SeaWinds散射计由于其仪器设计特点，使得在轨道外侧的风场的第一模糊解在很大可能性上不是风矢量真值，这容易造成空间上伪解集中分布，因此必须根据其它技术原则进行初始化，以充分发挥中值滤波算法在散射计模糊去除中的作用。NASA采用Freilich和Dunbar于1994年提出的中值滤波器的初始化方法，即利用数值风场数据(NWP，numeri cal weather production)来初始化风场的。首先对数值风场数据按SeaWinds散射计的网格进行插值，然后，从每个象元的模糊解集中选出与数值风场数据中的风向最接近的一个作为该象元的初始风矢量。

对于SeaWinds散射计，其圆中数滤波算法步骤可归纳如下：

a)利用数值风场数据对滤波窗口中的象元进行初始化(即，选择滤波窗口中各象元的模糊解中与数值风场数据的风向值最接近的那个模糊解作为初始风矢量值)；

b)对初始化后的滤波窗口中的象元，利用公式(3)求出其圆中数所对应的风矢量值，作为滤波窗口中心象元的风矢量真解；

c)循环操作上述的a)、b)，直到滤波窗口中各象元的风矢量值不再变化。

如前所述可知，SeaWinds散射计由于其仪器设计特点，使得在轨道外侧的风场的第一模糊解在很大可能性上不是风矢量真值，这容易造成空间上伪解集中分布，因此需要利用数值风场数据来初始化风场以达到滤波算法正常工作的要求。虽然在大部分的情形下，圆中数滤波算法可以有效地去除由于观测误差造成的伪解，但是，当整个滤波窗口中大部分象元的观测误差都比较大时(由于观测条件差造成)，大部分象元与数值风场数据最接近的模糊解都会与真实解偏离较远，此时，经过圆中数滤波算法处理后得到的风场，其风向误差就会比较大，即，发生模糊解识别错误。为了提高圆中数滤波算法的精度，以进一步提高降雨情形下最终的风矢量反演精度，提出了本发明的方案，以下对本发明方案进行详细说明。

在下述说明中，首先针对本发明降雨情形下风矢量反演的象元筛选方法、降雨情形下风矢量反演的滤波方法的实施例进行说明，再对本发明的本发明降雨情形下风矢量反演的象元筛选系统、降雨情形下风矢量反演的滤波系统的各实施例进行说明。

参见图3所示，为本发明降雨情形下风矢量反演的象元筛选方法实施例的流程示意图。如图3所示，本实施例的降雨情形下风矢量反演的象元筛选方法包括如下步骤：

步骤S100：纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积；

降雨对散射计观测值的影响主要表现在三方面：(I)雨滴对雷达后向散射截面积(纠正后的观测值)的散射；(II)雨滴对观测值的吸收；(III)雨滴对海表面形状的破坏。本发明中，首先针对雨滴造成的第I、II种影响(散射、吸收)，对散射计观测值作出相应的纠正：

σ_m＝σ_wα_attn+σ_eff (4)

其中，σ_m是散射计观测值，也即是式(1)所求得的σ⁰，是带有误差的观测值；σ_w是由风场引起的雷达后向散射截面积，是纠正后的观测值，由其反演出风速、风向；α_attn是来回路径的大气吸收系数；σ_eff是雨滴在大气中和在海面溅起的飞沫所引起的有效散射值；

步骤S101：根据获取到的由风场引起后的风向散射截面积来确定降雨情形下SeaWinds散射计星下点风矢量反演中的象元的各模糊解以及各所述模糊解的总灰度值；

如前所述，可以通过搜索目标函数的极值来确定各模糊解的位置，即确定象元的各模糊解，其中目标函数为公式(2)，在此不予赘述；

如图2所示，各模糊解分别对应一个交点相对密集的区域(以下将这种区域统称为交点密集区域)，本实施例中模糊解的总灰度值反应的是对应的交点密集区域内交点的密集程度；

模糊解位于交点密集区域的中心或该处附近的某个特征位置，交点密集区域集的分布及形态特征(即图谱特征)表达了干扰噪音和测量误差的大小和产生的原因，即，其中包含了观测误差的信息；由前述内容可知，风矢量解空间中(图2)每条曲线都代表一个观测值，它们的交点的分布状态反映了观测误差的信息；在定量描述这些交点的分布特征(图谱特征)之前，有必要先定性了解一下其大致的分布类型，如图4所示。

图4中的三个图是从整个解空间(0-360°)中截取模糊解附近一定宽度的区域得到的，从图4中可以看出，每个交点密集区域中交点的分布状态的是不同的，显然仅采用模糊解区域交点的标准差是无法完全描述交点的分布状态的，为此，在本实施例中是用模糊解的总灰度值来描述交点的分布状态；

在其中一个实施例中，如图5所示，确定模糊解的灰度值的方式可以包括如下步骤：

步骤S201：获取所述象元的纠正后的观测值在风矢量解空间中的各交点密集区域；

如图2所示，每条细曲线代表一个观测值下可能的风速、风向组合；对于一个给定的风向值，每条曲线(代表一个纠正后的观测值σ_w)有一个相应的风速值，n条曲线则有对应的n个风速值，图2中上面的粗线为这些风速值(n个)的平均值，下面那条粗线则为这些风速值的均方差；均方差极小值处(即，下面粗线的谷底)为风速值相差最小的地方，也可以认为是曲线交点最密集处，因此，确定交点密集区域的方式具体可以是：首先根据风速值的均方差确定极小值点，再以通过极小值点并垂直于横轴的线为中线向两边拓展一定角度，如5度或者10度，即构成一个交点密集区域；

步骤S202：分别对各所述交点密集区域进行像素划分，并确定落入每个像素中的交点个数；

在进行像素划分时，像素的行数和列数可以根据实际需要设定，例如，将每个交点密集区域划分成20×10个像素，在完成像素划分后，分别统计每个像素内的交点个数；

步骤S203：分别根据所述交点个数确定各所述交点密集区域对应的椭圆的面积以及各所述交点密集区域中的交点总个数，其中，所述椭圆用于囊括所述交点密集区域中的交点；

为了能够完全描述交点的分布状态，在本实施例中是通过一个椭圆囊括交点密集区域中的交点，可以根据所述交点个数确定各所述交点密集区域对应的椭圆的面积，具体地，可以首先通过如下的公式(5)、公式(6)确定椭圆的长轴和短轴，并基于得到的长轴、短轴，并结合椭圆面积计算公式计算椭圆的面积；

可以根据如下的公式(7)确定所述交点总个数，其中，μ₀₀表示所述交点总个数；

μ₀₀＝ΣΣf(x，y) (7)

其中，μ₀₀表示所述交点总个数，由公式(7)可知，其为p、q均为零时的二维几何中心矩；

步骤S204：根据所述交点总个数与所述面积的比值确定各所述模糊解的总灰度值，具体地，可以通过如下的公式(8)确定；

其中，I表示总灰度值，π表示圆周率；

步骤S102：将各所述模糊解与数值风场数据进行对比，找出与数值风场数据最接近的目标模糊解；

其中，与数值风场数据最接近一般是指模糊解对应风向值与数值风场数据中的风向值最接近，将这样的模糊解作为目标模糊解；

步骤S103：判断所述目标模糊解的总灰度值是否大于预设的灰度阈值，若是，进入步骤S104；

本实施例中的灰度阈值可以根据实际需要设定，在其中一个实施例中，是将灰度阈值设定为3，有益于提高筛选效果，判断所述目标模糊解的总灰度值是否大于预设的灰度阈值的原理如下：

由总灰度的定义式(8)可知，分母为椭圆面积，分子为交点密集区域中的交点总个数，因此，总灰度这个指标反映了交点分布的密集程度，从定性的角度来理解，观测误差越大，各观测值所代表的曲线分散得越开，交点也就越稀疏，总灰度相应地越小，对应的反演误差有可能就越大；为了获得交点密集区域的总灰度与反演误差之间的关系，采用与浮标配准的L2A数据(将浮标风矢量值作为真实值)，对其反演后进行验证，计算结果列于图6中。其中，横坐标为总灰度，纵坐标为风矢量反演误差(6-a图纵坐标为风向反演误差，6-b图纵坐标为风速反演误差)。

从图6中可以看出，反演误差比较大的点基本上都集中在总灰度比较小的区域，在总灰度大于3以后，风矢量反演误差的分布基本上就比较平稳，限制在一定的范围之内(由图6可知风向误差大约限制在20°以内)。因此，对于总灰度大于某一个阈值的象元，可以断定其反演误差是比较小的，即属于模糊解识别正确的类型，这意味着对于这一类象元，可以不借助于相邻象元，仅从单个象元本身就可以判断其误差程度；

步骤S104：对所述象元作一标记；

将目标模糊解的总灰度值大于灰度阈值作一个标记，则可以根据象元是否有标记来判断是否是反演误差较小的象元。

据此，根据上述本实施例的方案，其是首先纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积，再根据获取到的由风场引起后的风向散射截面积来确定降雨情形下SeaWinds散射计星下点风矢量反演中的象元的各模糊解及其相应的总灰度值，然后通过将各模糊解与数值风场数据进行对比获得目标模糊解，判断该目标模糊解的总灰度值是否大于预设的灰度阈值，若是，对象元作一标记。降雨情形下SeaWinds散射计星下点风矢量反演中的各象元都可以按照这种方式进行筛选，最后得到的有标记的象元即为筛选出的反演误差较小的象元，可以基于这些象元进行圆中数滤波，由于筛选过程中纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积，且可有效剔除风矢量反演误差较大的象元，从而较大程度地提高了圆中数滤波算法的精度，即，提高了降雨情形下最终的风矢量反演精度。

根据上述本发明的降雨情形下风矢量反演的象元筛选方法，本发明还提供一种降雨情形下风矢量反演的滤波方法。

参见图7所示，为本发明降雨情形下风矢量反演的滤波方法实施例的流程示意图。如图3所示，本实施例的降雨情形下风矢量反演的滤波方法包括如下步骤：

步骤S301：对降雨情形下SeaWinds散射计星下点风矢量反演中的象元进行筛选；

可以采用上述实施例中的降雨情形下风矢量反演的象元筛选方法对降雨情形下SeaWinds散射计星下点风矢量反演中的象元进行筛选，在此不予赘述；

步骤S302：选取滤波窗口，获取该滤波窗口中的有标记的象元数目；

滤波窗口的大小可以根据实际情况设定，例如7×7；

步骤S303：判断所述象元数目是否大于预设的象元数阈值，若是，则进入步骤S304，若否，则进入步骤S305；

象元数阈值可以根据实际需要进行设定，一般以选3为佳；

步骤S304：对滤波窗口中的有标记的象元进行圆中数滤波，获得所述滤波窗口的风矢量；

圆中数滤波具体过程与现有方式相同，在此不予赘述；

步骤S305：根据L2B数据的获得所述滤波窗口的风矢量；

其中，L2B为风矢量标准产品，是目前精度最高的业务化运行风矢量产品，根据，其中，L2B数据为L2B风矢量标准产品的测风数据。

循环执行上述步骤S302～S304，直至不再发生变化。

据此，根据上述实施例的方案，其是首先采用如上所述的降雨情形下风矢量反演的象元筛选方法对降雨情形下风矢量反演中的象元进行筛选，再选取滤波窗口，获取该滤波窗口中的有标记的象元数目，判断所述象元数目是否大于预设的象元数阈值，若是，则对滤波窗口中的有标记的象元进行圆中数滤波，获得所述滤波窗口的风矢量，若否，则根据L2B数据的获得所述滤波窗口的风矢量，由于筛选过程中纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积，且可有效剔除滤波窗口中的风矢量反演误差较大的象元，从而较大程度地提高了圆中数滤波算法的精度，即，提高了降雨情形下最终的风矢量反演精度。

根据上述本发明的降雨情形下风矢量反演的象元筛选方法，本发明还提供一种降雨情形下风矢量反演的象元筛选系统，以下就本发明的降雨情形下风矢量反演的象元筛选系统的实施例进行详细说明。图8中示出了本发明的降雨情形下风矢量反演的象元筛选系统的实施例的结构示意图。为了便于说明，在图8中只示出了与本发明相关的部分。

如图8所示，本实施例中的降雨情形下风矢量反演的象元筛选系统，包括纠正模块400、处理模块401、对比模块402、第一判断模块403、标记模块404，其中：

纠正模块400，用于纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积；

处理模块401，用于根据获取到的由风场引起后的风向散射截面积来确定降雨情形下SeaWinds散射计星下点风矢量反演中的象元的各模糊解以及各所述模糊解的总灰度值；

对比模块402，用于将各所述模糊解与数值风场数据进行对比，找出与数值风场数据最接近的目标模糊解；

第一判断模块403，用于判断所述目标模糊解的总灰度值是否大于预设的灰度阈值；

标记模块404，用于在第一判断模块403的判断结果为是时，对所述象元作一标记。

在其中一个实施例中，如图9所示，处理模块401可以包括：

获取单元501，用于获取所述象元的纠正后的观测值在风矢量解空间中的各交点密集区域；

划分单元502，用于分别对各所述交点密集区域进行像素划分，并确定落入每个像素中的交点个数；

处理单元503，用于分别根据所述交点个数确定各所述交点密集区域对应的椭圆的面积以及各所述交点密集区域中的交点总个数，其中，所述椭圆用于囊括所述交点密集区域中的交点，根据所述交点总个数与所述面积的比值确定各所述模糊解的总灰度值。

在其中一个实施例中，处理模块401可以根据确定所述椭圆的长轴，根据确定所述椭圆的短轴，并根据所述长轴和所述短轴确定所述面积，根据μ₀₀＝∑∑f(x，y)确定所述交点总个数；

在其中一个实施例中，上述实施例中的灰度阈值可以为3。

本发明的降雨情形下风矢量反演的象元筛选系统与本发明的降雨情形下风矢量反演的象元筛选方法一一对应，在上述降雨情形下风矢量反演的象元筛选方法的实施例阐述的技术特征及其有益效果均适用于降雨情形下SeaWinds散射计星下点风矢量反演的象元筛选系统的实施例中，特此声明。

根据上述本发明的降雨情形下风矢量反演的滤波方法，本发明还提供一种降雨情形下风矢量反演的滤波系统，以下就本发明的降雨情形下风矢量反演的滤波系统的实施例进行详细说明。图10中示出了本发明的降雨情形下风矢量反演的滤波系统的实施例的结构示意图。为了便于说明，在图10中只示出了与本发明相关的部分。

如图10所示，本实施例中的降雨情形下风矢量反演的滤波系统，包括上述任意一个实施例中的降雨情形下风矢量反演的象元筛选系统601，还包括选取模块602、第二判断模块603、滤波模块604，其中：

选取模块602，用于选取滤波窗口，获取该滤波窗口中的有标记的象元数目；

第二判断模块603，用于判断所述象元数目是否大于预设的象元数阈值；

滤波模块604，用于在第二判断模块603的判断结果为是时，对滤波窗口中的有标记的象元进行圆中数滤波，获得所述滤波窗口的风矢量，在第二判断模块603的判断结果为否时，根据L2B数据的获得所述滤波窗口的风矢量。

本发明的降雨情形下风矢量反演的滤波系统与本发明的降雨情形下风矢量反演的滤波方法一一对应，在上述降雨情形下风矢量反演的滤波方法的实施例阐述的技术特征及其有益效果均适用于降雨情形下SeaWinds散射计星下点风矢量反演的滤波系统的实施例中，特此声明。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种降雨情形下风矢量反演的象元筛选方法，其特征在于，包括如下步骤：

根据纠正公式纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积；所述纠正公式为：σ_m＝σ_wα_attn+σ_eff；其中，σ_m是散射计观测值；σ_w是由风场引起的雷达后向散射截面积，是纠正后的观测值；α_attn是来回路径的大气吸收系数；σ_eff是雨滴在大气中和在海面溅起的飞沫所引起的有效散射值；

根据获取到的由风场引起后的风向散射截面积来确定降雨情形下SeaWinds散射计星下点风矢量反演中的象元的各模糊解以及各所述模糊解的总灰度值；

将各所述模糊解与数值风场数据进行对比，找出与数值风场数据最接近的目标模糊解；

判断所述目标模糊解的总灰度值是否大于预设的灰度阈值；

若是，对所述象元作一标记；

确定模糊解的总灰度值的方式包括如下步骤：

获取所述象元的纠正后的观测值在风矢量解空间中根据风速值的均方差确定极小值点，再以通过极小值点并垂直于横轴的线为中线向两边拓展一定角度，构成的各个交点密集区域；

分别对各所述交点密集区域进行像素划分，并确定落入每个像素中的交点个数；

分别根据所述交点个数确定各所述交点密集区域对应的椭圆的面积以及各所述交点密集区域中的交点总个数，其中，所述椭圆用于囊括所述交点密集区域中的交点；

根据所述交点总个数与所述面积的比值确定各所述模糊解的总灰度值。

2.根据权利要求1所述的降雨情形下风矢量反演的象元筛选方法，其特征在于，所述根据所述交点个数确定用于所述交点密集区域对应的椭圆的面积以及所述交点密集区域的交点总个数的步骤包括步骤：

根据确定所述椭圆的长轴和短轴，并根据所述长轴和所述短轴确定所述面积；

根据μ₀₀＝∑∑f(x,y)确定所述交点总个数；

其中，μ₂₀、μ₀₂、μ₁₁通过p,q＝0,1,2确定，x、y分别为像素中心点的横坐标、纵坐标，f(x,y)为落入像素中的交点个数，为像素的加权重心的横、纵坐标，a、b分别表示所述椭圆的长轴和短轴，μ₀₀表示所述交点总个数。

3.根据权利要求1所述的降雨情形下风矢量反演的象元筛选方法，其特征在于，所述灰度阈值为3。

4.一种降雨情形下风矢量反演的滤波方法，其特征在于，包括如下步骤：

采用如权利要求1至3之一所述的方法对降雨情形下SeaWinds散射计星下点风矢量反演中的象元进行筛选；

选取滤波窗口，获取该滤波窗口中的有标记的象元数目；

判断所述象元数目是否大于预设的象元数阈值；

若是，则对滤波窗口中的有标记的象元进行圆中数滤波，获得所述滤波窗口的风矢量；

若否，则根据L2B数据的获得所述滤波窗口的风矢量。

5.一种降雨情形下风矢量反演的象元筛选系统，其特征在于，包括：

纠正模块，用于根据纠正公式纠正降雨对散射计观测信号的干扰，获取较准确的由风场引起的雷达后向散射截面积；所述纠正公式为：σ_m＝σ_wα_attn+σ_eff；其中，σ_m是散射计观测值；σ_w是由风场引起的雷达后向散射截面积，是纠正后的观测值；α_attn是来回路径的大气吸收系数；σ_eff是雨滴在大气中和在海面溅起的飞沫所引起的有效散射值；

处理模块，用于根据获取到的由风场引起后的风向散射截面积来确定降雨情形下SeaWinds散射计星下点风矢量反演中的象元的各模糊解以及各所述模糊解的总灰度值；

对比模块，用于将各所述模糊解与数值风场数据进行对比，找出与数值风场数据最接近的目标模糊解；

第一判断模块，用于判断所述目标模糊解的总灰度值是否大于预设的灰度阈值；

标记模块，用于在所述第一判断模块的判断结果为是时，对所述象元作一标记；

所述处理模块包括：

获取单元，用于获取所述象元的纠正后的观测值在风矢量解空间中根据风速值的均方差确定极小值点，再以通过极小值点并垂直于横轴的线为中线向两边拓展一定角度，构成的各个交点密集区域；

划分单元，用于分别对各所述交点密集区域进行像素划分，并确定落入每个像素中的交点个数；

处理单元，用于分别根据所述交点个数确定各所述交点密集区域对应的椭圆的面积以及各所述交点密集区域中的交点总个数，其中，所述椭圆用于囊括所述交点密集区域中的交点，根据所述交点总个数与所述面积的比值确定各所述模糊解的总灰度值。

6.根据权利要求5所述的降雨情形下风矢量反演的象元筛选系统，其特征在于：

所述处理单元根据确定所述椭圆的长轴，根据确定所述椭圆的短轴，并根据所述长轴和所述短轴确定所述面积，根据μ₀₀＝∑∑f(x,y)确定所述交点总个数；

其中，μ₂₀、μ₀₂、μ₁₁通过p,q＝0,1,2确定，x、y分别为像素中心点的横坐标、纵坐标，f(x,y)为落入像素中的交点个数，为像素的加权重心的横、纵坐标，a、b分别表示所述椭圆的长轴和短轴，μ₀₀表示所述交点总个数。

7.根据权利要求6所述的降雨情形下风矢量反演的象元筛选系统，其特征在于，所述灰度阈值为3。

8.一种降雨情形下风矢量反演的滤波系统，其特征在于，包括如权利要求5至7之一所述的降雨情形下风矢量反演的象元筛选系统，还包括：

选取模块，用于选取滤波窗口，获取该滤波窗口中的有标记的象元数目；

第二判断模块，用于判断所述象元数目是否大于预设的象元数阈值；

滤波模块，用于在所述第二判断模块的判断结果为是时，对滤波窗口中的有标记的象元进行圆中数滤波，获得所述滤波窗口的风矢量，在所述第二判断模块的判断结果为否时，根据L2B数据的获得所述滤波窗口的风矢量。