CN107146265A - 一种基于eof分析的卫星云图时间插值方法 - Google Patents

一种基于eof分析的卫星云图时间插值方法 Download PDF

Info

Publication number
CN107146265A
CN107146265A CN201710310494.7A CN201710310494A CN107146265A CN 107146265 A CN107146265 A CN 107146265A CN 201710310494 A CN201710310494 A CN 201710310494A CN 107146265 A CN107146265 A CN 107146265A
Authority
CN
China
Prior art keywords
time
eof
cloud picture
function
interpolation
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
Application number
CN201710310494.7A
Other languages
English (en)
Inventor
黄勇
周杰
冯妍
何彬方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Institute Of Meteorological Sciences
Original Assignee
Anhui Institute Of Meteorological Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Institute Of Meteorological Sciences filed Critical Anhui Institute Of Meteorological Sciences
Priority to CN201710310494.7A priority Critical patent/CN107146265A/zh
Publication of CN107146265A publication Critical patent/CN107146265A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Complex Calculations (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于EOF分析的卫星云图时间插值方法，包括：获得基础卫星云图，然后进行EOF分解，EOF分解后，获得时间系数以及空间模态，对时间系数进行谐波拟合，获得时间系数拟合函数，然后进行线性插值，对插值后的时间系数拟合函数以及空间模态进行EOF重构，插值得到卫星云图,与现有技术相比，本发明具有如下的有益效果：可以对原始云图采用时间插值的方法，从而得到更高精度的卫星云图或者补全缺失云图。

Description

一种基于EOF分析的卫星云图时间插值方法
技术领域
本发明是一种基于EOF分析的卫星云图时间插值方法，属于高频次云图插值方法领域。
背景技术
卫星云图由气象卫星自上而下观测到的地球上的云层覆盖和地表面特征的图像。利用卫星云图可以识别不同的天气系统，确定它们的位置，估计其强度和发展趋势，为天气分析和天气预报提供依据。在海洋、沙漠、高原等缺少气象观测台站的地区，卫星云图所提供的资料，弥补了常规探测资料的不足，对提高预报准确率起了重要作用。
现有技术中没有基于EOF分析的卫星云图时间插值方法。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于EOF分析的卫星云图时间插值方法，以解决上述背景技术中提出的问题。
为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于EOF分析的卫星云图时间插值方法，包括：获得基础卫星云图，然后进行EOF分解，EOF分解后，获得时间系数以及空间模态，对时间系数进行谐波拟合，获得时间系数拟合函数，然后进行线性插值，对插值后的时间系数拟合函数以及空间模态进行EOF重构，插值得到卫星云图。
进一步地，由EOF时空分解、时间函数的谐波拟合插值以及时空函数合成恢复云图序列三个部分组成，首先利用EOF分析方法，得到卫星云图的主要模态及其时间序列，通过谐波分析，拟合时间序列，得到时间序列变化的函数模型，通过函数模型，利用时间函数的插值，减小模型函数的时间间隔，在获取更加精细的时间函数后，结合全部模态，进行卫星云图的重建，从而得到时间密度更高的卫星云图系列。
本发明的有益效果：本发明的一种基于EOF分析的卫星云图时间插值方法，可以对原始云图采用时间插值的方法，从而得到更高精度的卫星云图或者补全缺失云图。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一种基于EOF分析的卫星云图时间插值方法的步骤示意图；
图2为本发明一种基于EOF分析的卫星云图时间插值方法的插值前及插值后的时间系图；
图3为本发明一种基于EOF分析的卫星云图时间插值方法的EOF时空重构后的多云云图插值效果图；
图4为本发明一种基于EOF分析的卫星云图时间插值方法的EOF时空重构后的晴空少云云图插值效果图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
请参阅图1，本发明提供一种技术方案：一种基于EOF分析的卫星云图时间插值方法，包括：获得基础卫星云图，然后进行EOF分解，EOF分解后，获得时间系数以及空间模态，对时间系数进行谐波拟合，获得时间系数拟合函数，然后进行线性插值，对插值后的时间系数拟合函数以及空间模态进行EOF重构，插值得到卫星云图。
作为本发明的一个实施例：由EOF时空分解、时间函数的谐波拟合插值以及时空函数合成恢复云图序列三个部分组成，首先利用EOF分析方法，得到卫星云图的主要模态及其时间序列，通过谐波分析，拟合时间序列，得到时间序列变化的函数模型，通过函数模型，利用时间函数的插值，减小模型函数的时间间隔，在获取更加精细的时间函数后，结合全部模态，进行卫星云图的重建，从而得到时间密度更高的卫星云图系列。
作为本发明的一个实施例：EOF方法是对数据场序列作时空正交分解，将时空要素场转化为若干空间的基本模态和相应的时间系数序列的线性组合。假设有n个时次，图像大小为W×H的卫星云图。令m＝W×H，即每张卫星云图上有m个像素点，则n个时次的卫星云图可以排列成矩阵X。
其中，xij表示云图上i像素点在j时刻的数值。
经验正交函数展开，即是把时空要素场序列xij分解成彼此正交的空间函数vki和空间函数zkj的乘积之和：
式(2)中vki表示第k个空间模态中的第i个像素点的值，它只依赖于空间点变化，不随时间变化，称为空间函数(典型场)；zkj表示序号为第k个空间模态在第j个时刻的权重系数，只随时间变化，称为时间函数(时间权重系数)。
时间函数zkj是一维数组，其随时间的变化可通过谐波分析来进行拟合。谐波分析是利用傅里叶级数，将要研究的时间序列用无数个不同周期的简谐波的形式表示出来，分析序列变化规律的一种方法。通过谐波分析对时间函数zkj进行谐波拟合和插值计算，得到分辨率更高的时间函数zkj′。通过zkj′与空间函数vki的相乘，就可以得到一组时间分辨率更高的卫星云图，实现卫星云图的时间插值。
第k模态的时间函数Zk(j)，j＝1,2...n，经过傅里叶分析后，用N个正/余弦波来进行拟合。
式(4)中A0是Zk(j)的平均值，al和bl为谐波振幅，l表示谐波阶数。用最小二乘法原理和三角函数的正交性可以求得谐波系数:
式(5)和(6)中N为序列总数，谐波展开中波数需要适当，l值越大谐波展开就越接近原序列，但l值超过一定限度，误差反而增大。一般情况，l值取序列长度的一半。当N为偶数时，取最大的波数l＝N/2；当N为奇数时，取最大的波数l＝(N-1)/2。
引入谐波分析对不同模态的时间系数进行拟合插值可以在保留原始时间系数的基础上进行插值计算，进行从效果来看，插值后的时间函数与原始时间系数之间有着很好的对应关系，能够较好地反映出原始时间系数的变化情况，如图2。
从试验结果来看，云图插值结果与实况基本相符，梅雨期多云云图的相似系数总体达到0.9以上，晴空少云云图的相似系数总体达到0.8以上，都能较好地描述特定区域、特定时间内云运动演变和云量增减生消的基本趋势，如图3、图4。
通过本方法可以对原始云图采用时间插值的方法，从而得到更高精度的卫星云图或者补全缺失云图。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,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。
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 (2)

1.一种基于EOF分析的卫星云图时间插值方法，其特征在于：包括：获得基础卫星云图，然后进行EOF分解，EOF分解后，获得时间系数以及空间模态，对时间系数进行谐波拟合，获得时间系数拟合函数，然后进行线性插值，对插值后的时间系数拟合函数以及空间模态进行EOF重构，插值得到卫星云图。
2.根据权利要求1所述的一种基于EOF分析的卫星云图时间插值方法，其特征在于：由EOF时空分解、时间函数的谐波拟合插值以及时空函数合成恢复云图序列三个部分组成，首先利用EOF分析方法，得到卫星云图的主要模态及其时间序列，通过谐波分析，拟合时间序列，得到时间序列变化的函数模型，通过函数模型，利用时间函数的插值，减小模型函数的时间间隔，在获取更加精细的时间函数后，结合全部模态，进行卫星云图的重建，从而得到时间密度更高的卫星云图系列。
CN201710310494.7A 2017-05-04 2017-05-04 一种基于eof分析的卫星云图时间插值方法 Pending CN107146265A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710310494.7A CN107146265A (zh) 2017-05-04 2017-05-04 一种基于eof分析的卫星云图时间插值方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710310494.7A CN107146265A (zh) 2017-05-04 2017-05-04 一种基于eof分析的卫星云图时间插值方法

Publications (1)

Publication Number Publication Date
CN107146265A true CN107146265A (zh) 2017-09-08

Family

ID=59776736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710310494.7A Pending CN107146265A (zh) 2017-05-04 2017-05-04 一种基于eof分析的卫星云图时间插值方法

Country Status (1)

Country Link
CN (1) CN107146265A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359104A (zh) * 2018-09-14 2019-02-19 广州帷策智能科技有限公司 时间数据序列的缺失数据插值方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000298069A (ja) * 1999-04-14 2000-10-24 Oki Electric Ind Co Ltd 海洋音響トモグラフィデータ処理・表示装置
US7379592B2 (en) * 2003-01-21 2008-05-27 United States Of America As Represented By The Secretary Of The Navy System and method for significant dust detection and enhancement of dust images over land and ocean
CN102798384B (zh) * 2012-07-03 2014-09-17 天津大学 一种基于压缩采样的海洋遥感图像水色水温监测方法
US20160306799A1 (en) * 2012-08-30 2016-10-20 International Business Machines Corporation Atomic incremental load for map-reduce systems on append-only file systems
KR101720728B1 (ko) * 2015-10-27 2017-03-28 부산대학교 산학협력단 계절내 진동의 추적 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000298069A (ja) * 1999-04-14 2000-10-24 Oki Electric Ind Co Ltd 海洋音響トモグラフィデータ処理・表示装置
US7379592B2 (en) * 2003-01-21 2008-05-27 United States Of America As Represented By The Secretary Of The Navy System and method for significant dust detection and enhancement of dust images over land and ocean
CN102798384B (zh) * 2012-07-03 2014-09-17 天津大学 一种基于压缩采样的海洋遥感图像水色水温监测方法
US20160306799A1 (en) * 2012-08-30 2016-10-20 International Business Machines Corporation Atomic incremental load for map-reduce systems on append-only file systems
KR101720728B1 (ko) * 2015-10-27 2017-03-28 부산대학교 산학협력단 계절내 진동의 추적 장치 및 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
樊子德: "顾及时空异质性的却是数据时空插值方法", 《测绘学报》 *
王继光: "基于卫星云图历史资料反演云团非线性预测模型", 《国防科技大学学报》 *
覃军: "北极涛动年际-年代际变化特征的诊断研究", 《中国优秀博硕士学位论文全文数据库 (博士)-基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359104A (zh) * 2018-09-14 2019-02-19 广州帷策智能科技有限公司 时间数据序列的缺失数据插值方法和装置
CN109359104B (zh) * 2018-09-14 2022-06-17 广州帷策智能科技有限公司 时间数据序列的缺失数据插值方法和装置

Similar Documents

Publication Publication Date Title
Deng et al. Machine learning in pansharpening: A benchmark, from shallow to deep networks
CN104978573B (zh) 一种应用于高光谱图像处理的非负矩阵分解方法
Wu et al. An error-bound-regularized sparse coding for spatiotemporal reflectance fusion
CN111145131B (zh) 一种基于多尺度生成式对抗网络的红外和可见光图像融合方法
Gao et al. Using low-rank representation of abundance maps and nonnegative tensor factorization for hyperspectral nonlinear unmixing
CN106709881B (zh) 一种基于非凸低秩矩阵分解的高光谱图像去噪方法
Antropov et al. Land cover and soil type mapping from spaceborne PolSAR data at L-band with probabilistic neural network
CN111046967A (zh) 一种基于卷积神经网络和注意力机制的水下图像分类方法
CN105740799A (zh) 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统
CN104156728B (zh) 一种基于栈式编码和softmax的极化SAR图像分类方法
Proisy et al. Biomass prediction in tropical forests: the canopy grain approach
CN101911099A (zh) 用于分析数字信号中的奇异性的方法和系统
CN103927551A (zh) 基于超像素相关矩阵的极化sar图像半监督分类方法
CN103020939A (zh) 利用多时相数据去除光学遥感影像大面积厚云的方法
Zhang et al. Multi-temporal SAR image classification of coastal plain wetlands using a new feature selection method and random forests
CN107742133A (zh) 一种用于极化sar图像的分类方法
Liang et al. Maximum likelihood classification of soil remote sensing image based on deep learning
Yang et al. MSFusion: Multistage for remote sensing image spatiotemporal fusion based on texture transformer and convolutional neural network
Kang et al. Multipass SAR interferometry based on total variation regularized robust low rank tensor decomposition
CN115272093A (zh) 一种基于空间结构信息约束的高光谱图像解混方法
Wang et al. Reconstruction of hyperspectral images from spectral compressed sensing based on a multitype mixing model
CN101908211B (zh) 一种基于变分方法的高光谱图像融合方法
CN107146265A (zh) 一种基于eof分析的卫星云图时间插值方法
CN102542547A (zh) 一种基于光谱约束的高光谱图像融合方法
CN110956221A (zh) 基于深度递归网络下小样本极化合成孔径雷达图像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination