CN105787284A - 基于混合算法的长时间序列中尺度涡旋追踪方法 - Google Patents
基于混合算法的长时间序列中尺度涡旋追踪方法 Download PDFInfo
- Publication number
- CN105787284A CN105787284A CN201610185269.0A CN201610185269A CN105787284A CN 105787284 A CN105787284 A CN 105787284A CN 201610185269 A CN201610185269 A CN 201610185269A CN 105787284 A CN105787284 A CN 105787284A
- Authority
- CN
- China
- Prior art keywords
- vortex
- data
- eddies
- algorithm
- eddy
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本方法属于物理海洋,计算机图形图像处理交叉领域,具体涉及一种基于混合算法的中尺度涡旋追踪方法。混合算法主要包括最近邻搜索、基于形变控制的相似度匹配、延迟逻辑。第一步,最近邻搜索,根据SSH方法识别出来的全球中尺度涡旋数据,对搜索范围内的涡旋进行圈定。第二步,基于形变控制的涡旋相似度匹配方法,对该范围内的涡旋及其属性进行相似度计算,包括面积、振幅、动能、相对涡度和Hausdorff距离,选择相似度最大的涡旋作为下一个涡旋的位置,结合涡旋的物理属性和几何属性,避免了涡旋路径的跳跃。第三步采用延迟逻辑,考虑多个时间点的搜索,对某些时间点短暂“消失”的涡旋进行处理,避免涡旋路径的不连续,从而达到对涡旋进行多年高效长时间追踪的目的。
Description
技术领域
本发明涉及物理海洋、计算机图形图像处理领域,更具体地说,这是一种结合最近邻搜索、涡旋形变控制的相似度匹配和延迟逻辑的混合中尺度涡旋追踪算法。
背景技术
中尺度涡旋作为海洋中重要现象,它的时间尺度为几天到几年,空间尺度为几十千米到几百千米,对海洋中的物质和能量的运输有着重要的作用,影响着大气和海洋内部物质的生物地球化学过程。研究涡旋的迁移路径,即对中尺度涡旋进行追踪对更好地了解海洋现象和海洋的物质、能量变化有着重要的意义。
中尺度涡旋的追踪,依赖于中尺度涡旋的识别结果作为涡旋追踪的输入数据,目前中尺度涡旋的识别包括以下几种比较有代表性的方法:
(1)Okubo-Weiss(OW)参数法,该方法长期被海洋学家们应用,可以从海洋背景场中提取特征,该方法已被证明有较多缺点。第一,需要制定W值的阈值,然而对于全球来说并没有一个统一的阈值。第二,W参数的估计也会受到SSH的噪声影响。第三,W等值线定义的涡旋内部与SSH等值线不重合。(2)基于SSH的方法,该方法优点在于不受OW的影响,且识别的准确性较高;效率略低。(3)WindingAngle(WA)缠绕角度方法,该方法已被证明比SSH的方法具有更高的准确性,但是计算复杂度太高。
综合以上几种方法的优缺点,目前采用观测数据AVISO的SLA数据进行基于SSH算法的中尺度涡旋识别方法是兼顾效果和效率的最佳选择。
目前中尺度涡旋的追踪算法,海洋界大多采用最近邻方法,即对相邻时间帧的一定范围内的涡旋进行搜索匹配,如果匹配不成功,则停止搜索,这样生成的路径较短、且不准确,对于短暂“消失”的涡旋不能很好的处理。有的学者采用水平追踪加垂直追踪的方法对中尺度涡旋进行追踪,在水平追踪中采用2天为间隔进行追踪,但是该方法并不能进行全球中尺度涡旋的同时长时间追踪,且2天的设定过为固定,实际的涡旋有可能消失3天或者更多,且垂直追踪采用模式数据,可信度存疑。目前还有基于多目标假设的方法,用以维持涡旋的多个可能传播路径,但计算量大,效率低,并不适合年代际时间尺度的涡旋长时间追踪。有的算法采用延迟逻辑来延迟决定涡旋的运动路径,但是在相似度匹配的过程中选择匹配的属性单一,没法对生成的涡旋路径的“跳跃”问题进行处理。
发明内容
本发明提出了一种基于混合算法的中尺度涡旋追踪方法。该算法首先基于海表面高度(SeaSurfaceHeight,SSH)的方法方法识别出来的全球中尺度涡旋数据,并抽取中尺度涡旋的海表属性信息,根据每个时间点的属性信息,采用混合方法,即第一步最近邻搜索,第二步在相似度计算中考虑涡旋的物理属性和几何属性,增加了涡旋相对涡度、基于豪斯道夫(Hausdorff)距离计算的涡旋轮廓不变性检测,对不变性进行监测控制,第三步结合延迟逻辑,考虑多个时间点的搜索,对下一个涡旋可能位置进行筛选和确定。
本发明的有益效果在于:该算法能够对短暂“消失”的涡旋造成的路径不连续问题和延迟逻辑结合最近邻法所造成的涡旋路径跳动问题进行处理,能够长时间的追踪全球的中尺度涡旋并形成可信的追踪路径,且路径包含涡旋的属性信息。本发明能够帮助获得全球中尺度涡旋的运动路线,对理解海洋中的中尺度涡旋的迁移演变、生命周期的追踪和能量的变化具有支持作用。
附图说明
图1中尺度涡旋数据的组织、追踪策略。
具体实施方式
为了实现对中尺度涡旋的长期追踪,下面对数据的组织、追踪策略进行详细的说明:
1.基于混合算法的中尺度涡旋追踪,首先,需要对涡旋数据进行预处理,针对识别的涡旋数据,首先要抽取出涡旋中心位置、涡旋的边界、涡旋的面积、涡旋的振幅、涡旋速度、涡旋出现的时间及涡旋的类型,根据涡旋的属性计算涡旋的相对涡度和动能,并按照涡旋的类型进行分别保存,保存格式为JSON,以方便数据的组织管理和获取。
2.其次,将追踪算法所需的参数,包括涡旋数据的存储路径、追踪涡旋的类型、所使用涡旋数据的时间频率t、及允许涡旋“短暂消失”的时间帧数N、所搜索的涡旋的最小面积,作为输入,赋予追踪算法;追踪算法根据所给出的参数,先对当前帧识别的所有涡旋建立索引,同时对当前帧的所有涡旋初始化一个track结构体,并将当前帧涡旋信息存入track的第一个位置,然后对当前时间点涡旋用最近邻法根据涡旋传播速度所圈定的距离范围对下一个时间点该范围内的涡旋数据进行搜索,并逐个进行属性信息进行相似度计算,包括涡旋的面积、振幅、动能、相对涡度和涡旋轮廓之间的Hausdorff距离,以防止涡旋属性信息变化过大带来的不准确追踪路径。根据相似度最大的涡旋,最终选定当前时间帧当前涡旋的下一个涡旋的位置并更新track第二个位置上的信息;如果不满足条件,则根据参数设定的允许涡旋“短暂消失”的时间帧数来决定继续对t+2时间点的涡旋进行搜索和筛选,直到搜索到t+N时间点,出现匹配的涡旋则更新track第二个位置上的信息。否则置为涡旋经过一个时间点就消失了。重复上述步骤,一步一步对所识别的涡旋数据,进行长时间序列的连贯追踪。最终保存涡旋的运动路径及其对应的涡旋信息为JSON格式。
Claims (5)
1.一种基于混合算法的长时间序列中尺度涡旋追踪方法,其特征在于包括以下步骤:(1)对基于全球中尺度涡旋属性数据进行预处理,计算涡旋动能及相对涡度;(2)根据中尺度涡旋识别数据的属性信息,对所有的涡旋属性数据进行分类组织、存储;(3)采用最近邻、涡旋物理、几何属性相似度计算和延迟逻辑相结合的混合算法,对多时间帧的涡旋数据进行搜索判断,最终确定涡旋的运动轨迹;(4)对追踪算法生成涡旋运动轨迹的属性信息与涡旋属性信息进行关联存储。
2.根据权利要求1所述的算法,其特征在于,所述步骤(1)中,将识别出来的涡旋数据进行属性信息的抽取和计算,包括涡旋中心的位置、涡旋的面积、涡旋的振幅、涡旋的边界信息、涡旋的运动速率、涡旋动能、涡旋相对涡度和涡旋出现的时间。
3.根据权利要求1所述的算法,其特征在于,所述步骤(2)中,将涡旋按照气旋涡旋和反气旋涡旋分类组织和保存涡旋的属性信息,并保存为JSON格式。
4.根据权利要求1所述的算法,其特征在于,所述步骤(3)中,具体的算法如下:(1)首先给出追踪算法所需的参数,包括涡旋数据的存储路径、追踪涡旋的类型、所使用涡旋数据的时间频率、及允许涡旋“短暂消失”的时间帧数、所搜索的涡旋的最小面积;(2)对相邻的下一个时间点的涡旋数据进行搜索:根据所使用涡旋数据的时间频率和不同纬度罗斯贝波的传播速率,来决定涡旋的搜索范围,确定涡旋的搜索范围然后对该范围内的涡旋的属性信息进行相似度计算,相似度的计算中考虑涡旋的物理属性与几何形状属性,包括涡旋面积、振幅、动能、相对涡度和涡旋轮廓的豪斯道夫(Hausdorff)距离,以防止将不同的涡旋路径识别为同一涡旋路径;(3)根据以上条件,最终选定涡旋性质相似度最大的涡旋作为下一个涡旋的位置;如果不满足条件,则根据在4的(1)中设定的允许涡旋“短暂消失”的时间帧数来决定继续对其他时间点的涡旋进行搜索(重复步骤4的(2)),直到满足条件则确定涡旋的下一个位置,否则涡旋则认为只经过一个时间点就消失了;(4)根据涡旋的最终位置信息,对路径数据进行组织,添加涡旋的属性信息,使得涡旋与路径关联,保存为数据集。
5.根据权利要求1所述的算法,其特征在于,所述步骤(4)中,通过追踪算法生成涡旋运动轨迹的属性信息进行组织,主要包括轨迹的位置、时间及轨迹所关联的涡旋位置及边界信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610185269.0A CN105787284A (zh) | 2016-03-29 | 2016-03-29 | 基于混合算法的长时间序列中尺度涡旋追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610185269.0A CN105787284A (zh) | 2016-03-29 | 2016-03-29 | 基于混合算法的长时间序列中尺度涡旋追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105787284A true CN105787284A (zh) | 2016-07-20 |
Family
ID=56392330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610185269.0A Pending CN105787284A (zh) | 2016-03-29 | 2016-03-29 | 基于混合算法的长时间序列中尺度涡旋追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787284A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633224A (zh) * | 2017-09-15 | 2018-01-26 | 中国海洋大学 | 全球涡旋间多层次关系的识别、追踪 |
CN107657148A (zh) * | 2017-11-09 | 2018-02-02 | 中国海洋大学 | 基于长时间跨度全球中尺度涡旋的断点续追技术 |
CN107748926A (zh) * | 2017-09-30 | 2018-03-02 | 广东海洋大学 | 一种南海深海盆中尺度涡预报方法 |
CN107784250A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 基于全球海洋遥感数据的罗斯贝波识别及提取技术 |
CN107784667A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 基于并行的全球海洋中尺度涡快速识别算法 |
CN107784311A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 全球中尺度涡时空层次拓扑路径构建技术 |
CN108051811A (zh) * | 2017-12-12 | 2018-05-18 | 中国科学院遥感与数字地球研究所 | 一种中尺度涡的分析方法及装置 |
CN108647392A (zh) * | 2018-04-11 | 2018-10-12 | 中国海洋大学 | 海洋中尺度涡旋偶极子自动识别方法 |
CN110097075A (zh) * | 2019-03-21 | 2019-08-06 | 国家海洋信息中心 | 基于深度学习的海洋中尺度涡分类识别方法 |
CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289594A (zh) * | 2011-08-19 | 2011-12-21 | 中国科学院地理科学与资源研究所 | 海洋中尺度涡旋自动识别与过程重构算法 |
-
2016
- 2016-03-29 CN CN201610185269.0A patent/CN105787284A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289594A (zh) * | 2011-08-19 | 2011-12-21 | 中国科学院地理科学与资源研究所 | 海洋中尺度涡旋自动识别与过程重构算法 |
Non-Patent Citations (4)
Title |
---|
杨光: "西北太平洋中尺度涡旋研究", 《万方学位论文数据库》 * |
赵婕: "《图像特征提取与语义分析》", 31 July 2015 * |
赵杰: "吕宋海峡东侧海区中尺度涡旋统计特征及对黑潮平均流的影响初探", 《万方学位论文数据库》 * |
邵宝民: "海洋图像智能信息提取方法研究", 《中国博士学位论文全文数据库》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784667B (zh) * | 2016-08-24 | 2023-06-23 | 中国海洋大学 | 基于并行的全球海洋中尺度涡快速识别算法 |
CN107784250A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 基于全球海洋遥感数据的罗斯贝波识别及提取技术 |
CN107784667A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 基于并行的全球海洋中尺度涡快速识别算法 |
CN107784311A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 全球中尺度涡时空层次拓扑路径构建技术 |
CN107633224A (zh) * | 2017-09-15 | 2018-01-26 | 中国海洋大学 | 全球涡旋间多层次关系的识别、追踪 |
CN107748926B (zh) * | 2017-09-30 | 2020-10-16 | 广东海洋大学 | 一种南海深海盆中尺度涡预报方法 |
CN107748926A (zh) * | 2017-09-30 | 2018-03-02 | 广东海洋大学 | 一种南海深海盆中尺度涡预报方法 |
CN107657148B (zh) * | 2017-11-09 | 2021-09-28 | 中国海洋大学 | 基于长时间跨度全球中尺度涡旋的断点续追方法 |
CN107657148A (zh) * | 2017-11-09 | 2018-02-02 | 中国海洋大学 | 基于长时间跨度全球中尺度涡旋的断点续追技术 |
CN108051811B (zh) * | 2017-12-12 | 2021-06-29 | 中国科学院遥感与数字地球研究所 | 一种中尺度涡的分析方法及装置 |
CN108051811A (zh) * | 2017-12-12 | 2018-05-18 | 中国科学院遥感与数字地球研究所 | 一种中尺度涡的分析方法及装置 |
CN108647392A (zh) * | 2018-04-11 | 2018-10-12 | 中国海洋大学 | 海洋中尺度涡旋偶极子自动识别方法 |
CN108647392B (zh) * | 2018-04-11 | 2022-05-17 | 中国海洋大学 | 海洋中尺度涡旋偶极子自动识别方法 |
CN110097075A (zh) * | 2019-03-21 | 2019-08-06 | 国家海洋信息中心 | 基于深度学习的海洋中尺度涡分类识别方法 |
CN110097075B (zh) * | 2019-03-21 | 2023-04-18 | 国家海洋信息中心 | 基于深度学习的海洋中尺度涡分类识别方法 |
CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
CN111695299B (zh) * | 2020-06-04 | 2022-12-13 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787284A (zh) | 基于混合算法的长时间序列中尺度涡旋追踪方法 | |
Fu et al. | Onboard real-time aerial tracking with efficient Siamese anchor proposal network | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
Shi et al. | CANet: Centerness-aware network for object detection in remote sensing images | |
CN101937078A (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 | |
Bao et al. | Detection of ocean internal waves based on Faster R-CNN in SAR images | |
CN103914685A (zh) | 一种基于广义最小团图和禁忌搜索的多目标跟踪方法 | |
CN111723632B (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
CN107784311A (zh) | 全球中尺度涡时空层次拓扑路径构建技术 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Xu et al. | Gated spatial memory and centroid-aware network for building instance extraction | |
Si et al. | Maritime Ship Detection Method for Satellite Images Based on Multiscale Feature Fusion | |
Wu et al. | Moving Object Classification Method Based on SOM and K-means. | |
Yao et al. | Insulator detection dased on GIOU-YOLOv3 | |
Li et al. | Exploring label probability sequence to robustly learn deep convolutional neural networks for road extraction with noisy datasets | |
CN117272615A (zh) | 一种基于流场速度矢量象限角的海洋涡旋识别方法 | |
Cao et al. | Small Object Detection Algorithm for Railway Scene | |
CN112164097B (zh) | 一种船舶视频检测样本采集方法 | |
Hongtao et al. | Object Detection Method Based On Improved One-Stage Detector | |
Wang et al. | Obstacle recognition method for ship based on 3D lidar | |
Shi et al. | Fast classification and detection of marine targets in complex scenes with YOLOv3 | |
Sim et al. | Fast shape matching algorithm based on the improved Douglas-Peucker algorithm | |
Gao | YOLOCa: Center aware yolo for dense object detection | |
Mohamad et al. | Automatic rail extraction in terrestrial and airborne LiDAR data | |
Zhang | Moving target detection and trackingbased on camshift algorithm and kalmanfilter in sport video |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160720 |
|
RJ01 | Rejection of invention patent application after publication |