CN107356926A - 基于Hu矩的差值云团外推降雨预测算法 - Google Patents

基于Hu矩的差值云团外推降雨预测算法 Download PDF

Info

Publication number
CN107356926A
CN107356926A CN201710425947.0A CN201710425947A CN107356926A CN 107356926 A CN107356926 A CN 107356926A CN 201710425947 A CN201710425947 A CN 201710425947A CN 107356926 A CN107356926 A CN 107356926A
Authority
CN
China
Prior art keywords
cloud cluster
extrapolation
data
area
matching
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
CN201710425947.0A
Other languages
English (en)
Inventor
黄金贵
王胜春
李亚
尹丹
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.)
Hunan Normal University
Original Assignee
Hunan Normal University
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 Hunan Normal University filed Critical Hunan Normal University
Priority to CN201710425947.0A priority Critical patent/CN107356926A/zh
Publication of CN107356926A publication Critical patent/CN107356926A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Electromagnetism (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于Hu矩的差值云团外推降雨预测算法，属于气象预测技术领域，包括技术基于Hu矩云团轮廓匹配算法匹配的对象即云团增长区和消亡区；基于Hu矩云团轮廓匹配算法和差值云团外推算法，最后综合考虑高反射率区域数据代表性总是要比低反射率区域的高，将外推图像与真实图像主要比较，相似度加权后求和得到综合相似度。速度很快，识别度高，对于云团的形状描述得比较好，识别云团的形状准确高效。

Description

基于Hu矩的差值云团外推降雨预测算法
技术领域
本发明涉及一种基于Hu矩的差值云团外推降雨预测算法，属于气象预测技术领域。
背景技术
气象学上短时强对流天气突发性强且破坏力大，而且还常常伴随着出现雷阵雨大风、龙卷风、暴雨等灾害性天气，不仅对人民的生命财产安全构成了极大的威胁，还会对正常的经济活动造成严重的破坏。因此，对强对流天气尤其是强降水的预测研究意义重大。随着中国新一代多普勒天气雷达观测网络的进一步完善，并完整的投入到实际业务运行，如何利用这些生成的雷达数据综合分析强对流天气的趋势特征，并在此基础上做出推算预测就显得非常重要了。目前多普勒雷达产品文件主要有雷达反射率因子图、降水物质径向速度图等等。在雷达气象方程中，雷达的接收功率是与雷达反射率因子、降水的强度有着一定程度上的关系的，据此我们可以用反射率因子图作为测量降水的重要工具，而外推反射率因子图便能预测未来时刻的降水情况。利用这些数据产品展开对降水云团的外推并形成一个准确度较高的的外推算法对于短时的天气预测具有十分重大的意义。这里的云团外推指的是在相邻时刻同一云团形成的两幅反射率因子图，计算他们之间的变化，并依据此变化得到未来时刻的云团形态。对于强对流天气，多普勒雷达产品文件包含着非常重要的信息。能否通过这些文件数据准确的推算出未来时刻的天气信息对预测短时天气变化关系重大，本文正是着眼于此，致力于提高现有算法的准确度。
云团外推算法可以对云团运动过程中的合并分裂现象不做限制，且对云团的反射率因子图分层处理，提出了小面积云团散射外推和大面积云团局部腐蚀膨胀算法，能够很好的实现云团的外推。
云团外推算法在基于上述准则的情况下按如下步骤展开外推：
第1步：选取相邻时刻两组雷达基数据，选取时刻是前6分钟时刻（记为t1）和当前时刻（记为t2），从中提取反射率因子图。在实际的气象环境下，根据对不同雨滴谱的雷达散射特征的分析，能反映出降雨的云团反射率强度大于20dBZ，（与本文改进算法中所取雷达基数据稍有不同，本文测试评估所用雷达基数据中反射率数据集中于15dBZ-45dBZ，改进算法可根据实际情况调整输入不同的雷达基数据），因此将两组反射率数据按25dBZ，30dBZ，35dBZ，40dBZ，45dBZ，50dBZ，55dBZ各分七层处理，将一组雷达数据经过提取解析后按反射率大小分为7层，然后处理对象转换为单层反射率数据形成的因子图；
第2步：根据单层反射率因子图绘制出云团轮廓图。云团轮廓图描述的是反射率因子图中每一个封闭图形的轮廓，对于单层反射率因子图形成的云团轮廓图，都会有t1时刻和t2时刻两幅云图对应(t1时刻表示当前时刻前推六分钟和t2时刻表示当前时刻)；
第3步：对t1时刻和t2时刻这两幅云团轮廓图进行分块分解。分块分解指的是对云团轮廓图中的每一个封闭轮廓进行折线重组，连接折线的关键点作区域分解，经过分层分解后，原封闭轮廓就会分解为多个封闭轮廓；
第4步：将t1时刻云团轮廓图和t2时刻云团轮廓图进行排序，得到最大个数N，（该算法认为分块分解前t1时刻云团轮廓图和t2时刻云团轮廓图中的轮廓个数相同，经过分块分解后的轮廓个数依然相同）各取t1时刻云团轮廓图和t2时刻云团轮廓图中的第j块(j<N)；
第5步：将得到的两个云团轮廓运用拟合直线外推法确定其未来时刻的质心位置，拟合直线外推即线性外推，因为输入的数据对象只有两组，速度变化趋势视为不变；
第6步：在确定未来时刻云团轮廓质心位置的情况下，根据t2时刻云团轮廓面积设立一个阈值X（X=100），即小于该阈值的云团轮廓使用散射外推确定其未来时刻的形态，而大于该阈值的云团轮廓使用边缘腐蚀膨胀外推；
第7步：在得到未来时刻的云团轮廓形态和云团轮廓质心位置后，绘制出新的云团轮廓，由此得到单层的外推结果。然后将各单层外推结果依次叠加形成最终结果图，叠加方法为覆盖综合法。
在确定云团为小面积云团后，小面积云团外推算法按如下步骤展开外推：
第1步：是要计算得出未来时刻云团的质心位置P。质心位置P的确定是根据小面积云团在t1、t2时刻的质心位置（t2表示当前时刻，t1表示当前时刻前推6分钟），采用拟合直线法计算而来；
第2步：在得到未来时刻云团质心位置P后，将t1时刻的云团和t2时刻的云团整体平移到与P点重合，即质心位置重合；
第3步：对t1时刻的云团和t2时刻的云团从质心处作24条射线，这24条射线彼此角度相等。射线与t1、t2时刻的图像轮廓相交，根据二者距离差值即可计算出未来时刻轮廓位置，最后连接这24个外推点即绘制出未来时刻的云团轮廓。
在确定云团为大面积云团后，大面积云团外推算法按如下步骤展开外推：
第1步：是要计算得出未来时刻云团的质心位置P。质心位置P的确定是根据大面积云团在t1、t2时刻的质心位置（t2表示当前时刻，t1表示当前时刻前推6分钟），采用交叉相关法计算而来；
第2步：在得到未来时刻云团质心位置P后，将t1时刻的云团和t2时刻的云团整体平移到与P点重合，即质心位置重合；
第3步：对t1时刻的云团和t2时刻的云团进行重合解析，在对云团进行解析后，得到伸展区、回缩区和不变区三个区域；
第4步：对伸展区和回缩区作同样的处理，以伸展区为例。对伸展区凸对象进行局部膨胀处理，对伸展区凹对象作局部腐蚀处理，腐蚀膨胀的程度取决于凸凹对象的弯曲程度以及凸凹对象所处位置的像素个数；
第5步：对处理完成后的伸展区、回缩区和不变区进行合并运算，也就是将这些区域按照原来的位置进行合并，由此得到外推图像。通过上述步骤得到的外推图像都是单层的外推图像，还需将各层的外推结果进行综合，综合的方法称为覆盖综合法。
但云团外推算法在外推过程中忽略了在两幅相邻时刻的反射率因子图中存在云团匹配的问题，该云团结构形态外推算法在外推过程中没有对相邻时刻两幅云团图像中的云团轮廓作匹配，算法认为对相邻时刻两幅云团图像中的云团轮廓分块分解后均能一一匹配，而在实际情况中可能存在偏差，即存在分解相邻时刻两幅云团图像中的云团轮廓后，云团轮廓并不能完全匹配上的情况，这对于外推的准确性有着不小的影响。准确的匹配两幅反射率因子图中对应的云团轮廓对于外推的准确性无疑是非常重要的。此外云团外推算法以相邻时刻两幅云团图像作为输入数据，精度可能还不够高。基于此，本发明基于在云团外推过程中云团轮廓匹配这一思想，提出了差值云团外推算法。
发明内容
本发明的目的在于提供一种基于Hu矩的差值云团外推降雨预测算法，用以克服现有技术的不足。
在雷达气象方程中，雷达的接收功率是与雷达反射率因子、降水的强度有着一定程度上的关系的，据此我们可以用反射率因子图作为测量降水的重要工具，而外推反射率因子图便能预测未来短期临时降水情况。云团的外推指的是根据相邻时刻同一云团形成的两幅反射率因子图，计算它们之间的变化，并依此得到未来短期时刻的云团形态。
雷达反射率因子图是由雷达基数据中提取而来，雷达基数据提取出的降水物质反射率因子图是多普勒雷达回波数据重要的组成部分。定义降水目标物单位体积中降水粒子直径6次方的总和称为雷达反射率因子，它是表征降水目标物回波强度的单位。它与降水目标物单位体积中降水粒子的大小、数量以及相态有关。
多普勒天气雷达的工作原理就是以多普勒效应为基础的，具体表现为：当降水粒子相对雷达发射波束相对运动时，可以测定接收信号与发射信号的高频频率之间存在的差异，从而得出所需的信息。运用这种原理，可以测定散射体相对于雷达的速度，在一定条件下反演出大气风场、气流垂直速度的分布以及湍流情况等。这对研究降水的形成，分析中小尺度天气系统，警戒强对流天气等具有重要意义。
对比两幅图可以分析出存在消失的云团同样也存在新增或者由原较大云团分裂出的新云团。云团外推算法的分层分解过程中同样也有可能出现两幅云图分解云团轮廓个数不一致的情况。本发明在现有一套云团结构外推算法研究的基础上，将图像处理和云团形态外推相结合，提出了云团差值外推算法。差值外推算法研究对象为三幅相邻时刻的反射率因子图的两两差值，并对差值进行有效匹配。匹配的过程中主要以云团轮廓的Hu矩值和面积作为主要匹配参数，匹配完成后沿用原有外推算法的优异之处，对较小云团做散射外推，对较大云团做腐蚀膨胀外推。改进后的外推算法，有效的提高了外推的准确度，能够准确外推云团的形态变化，本文的研究对于强对流天气尤其是强降雨预报具有十分重大的意义。
本发明研究的基于Hu矩云团轮廓匹配算法是包含于差值云团外推算法之中的，是差值云团外推算法的一部分。基于Hu矩云团轮廓匹配算法主要基于云团轮廓的Hu矩值、面积大小和相对位置。由Hu矩组成的特征量对云团进行识别，速度很快，识别度高，对于云团的形状描述得比较好，识别云团的形状准确高效，在云团形态外推时需要对两幅图中的云团轮廓进行匹配对应，匹配结果的准确与高效将直接影响到外推结果的准确度，提高基础算法的外推准确度构建奠定足够的理论基础。
附图说明
图1为云团外推算法流程图。
图2为t1、t2、t3时刻云团轮廓图。
图3为t1-t2增长消亡图。
图4为t2-t3增长消亡图。
图5为基于Hu矩云团轮廓匹配算法流程图。
图6为差值云团外推算法流程图。
图7为降雨预测装置图。
图8为雷达基数据解析流程图。
具体实施方式
强对流天气是气象学上所指的发生突然、移动迅速、变换剧烈、破坏力极强的灾害性天气，主要表现有雷雨大风、龙卷风、冰雹、局部强降雨等。强对流天气发生于对流云块中，属于中小尺度天气系统，空间尺度小，一般水平范围大约在十几公里至二三百公里，水平尺度一般小于200公里，有的水平范围只有几十米至十几公里。其生命史短暂并带有明显的突发性，约为一小时至十几小时，较短的仅有几分钟至一小时。强对流天气来临时，经常伴随着电闪雷鸣、风大雨急等恶劣天气，致使房屋倒毁，庄稼树木受到摧残，电信交通受损，甚至造成人员伤亡等。
我国是世界上气象灾害受影响最严重的国家之一，尤其是进入21世纪以来，各种灾害天气频发，诸如台风、暴雪、冻雨、沙尘暴、暴雨等等灾害性天气屡见不鲜，给我国的经济发展和人民生产生活带来了严重的威胁。以短时的强降雨为例，短时的强降雨在短时间内降雨量大大超过平均量值，且来势凶猛局域性较强，常常伴有内涝、山洪、泥石流等并发性灾害天气，危害极大。短时的强降雨突发性高而其预报难度又大，是我国常见的灾害性天气之一。
我国新一代天气雷达分S波段、C波段两种,S波段有CINRAD-SA、CINRAD-SB、CINRAD-SC三种型号，分别简称SA、SB、SC。C波段有CINRAD-CB、CINRAD-CC、CINRAD-CCJ、CINRAD-CD四种型号，分别简称CB、CC、CCJ、CD。SA、SB、CB是由敏视达公司依据美国WSR-88D的技术标准生产的，SC、CD是由国营784厂生产的，CC、CCJ是由电子工业部合肥38所研制生产。其中S波段的波长为10CM，C波段的波长为5CM，长波穿透力强，短波分辨率好。雷达在进行数据采样时是以不同的固定仰角绕垂直轴旋转一周进行体扫，得到一个圆锥面上的雷达回波数据，我过目前规定了四个雷达体扫方式（VCP）：VCP11:5分钟内对14个固定仰角进行体扫，VCP21:6分钟内对9个固定仰角进行体扫，VCP31:10分钟内对5个固定仰角进行体扫，VCP32:10分钟内对5个固定仰角进行体扫。本发明雷达数据来源均为SA雷达VCP21方式获取，选取第二仰角作为研究对象。雷达在结束一周体扫后，雷达数据会以极坐标的方式并以固定数据格式保存为一组二进制文件，每组二进制文件以2432字节为一帧，一帧数据代表一条径向数据。每个体扫存储为一个单独的数据段，大小为 2432 字节，每一个数据段存储了雷达回波信息，包括的各种状态信息：方位角、仰角、反射率的距离库数、反射率数据等。数据的排列方式按照径向数据的方式顺序排列，体扫数据排列自低仰角开始到高仰角结束，径向数据的长度固定。反射率距离库长为 1000 米，最大距离库数为 460，速度和谱宽距离库长为 250 米，最大距离库数为 920。
下面结合附图1至6对本发明的具体实施例作进一步说明，本发明包括以下步骤：
步骤1，对雷达反射率因子图分层处理，所取雷达基数据为连续时间上三组数据t1、t2、t3；
再将三组反射率数据按15dBZ，20dBZ，25dBZ，30dBZ，35dBZ，40dBZ，45dBZ各分七层处理，对于每一单层放射率因子图作出相应云团轮廓图，取出单层反射率上的t1、t2、t3三幅云团轮廓图，将三幅云团轮廓图的质心按时间顺序两两重合；
比较得出了云团从t1-t2、t2-t3的云团增长区和云团消亡区，基于Hu矩云团轮廓匹配算法匹配的对象即云团增长区和消亡区；
步骤2，匹配算法按如下步骤展开匹配：
S1：在得到云团增长区和消亡区后，首先创建相应的数据结构存储这些区域，对增长区和消亡区的处理方法是相同的，因此下文将以对增长区的匹配为例；
S2：获取这两个数据集合后，确定基础组与对照组，确定的原则是集合中个数较少的为基础组集合，个数较多的为对照组集合；
S3：在确定了基础组与对照组后，将两个集合中的元素二值化，即有数据的化为1，无数据的化成0；
S4：在二值化集合的基础上，对两个集合中的轮廓进行求Hu矩值和面积的计算，将得到的结果存入相应数据结构中；
S5：对基础组和对照组中的轮廓以Hu矩值和面积大小做双重匹配，以对照组中的每一个元素遍历基础组的方式完成匹配，匹配的原则是Hu值相近、面积大小相近，最后得到相应的匹配对；
矩是对图像轮廓上所有点进行积分运算而得到的一个粗略特征，在连续情况下，图像函数为f(x,y)，那么图像的p+q阶几何矩定义为：
；
Hu矩是归一化中心矩的线性组合，对缩放，旋转和镜像映射出来的对象具有不变性，
p+q阶中心距定义为：
；
其中其中 和 代表图像的重心，
其中，表示图像的p+q阶几何矩，p=1，q=0；表示图像的p+q阶几何矩，p=0，q=0；表示图像的p+q阶几何矩，p=1，q=0；
归一化的中心距定义为：
其中；
利用二阶和三阶归一化中心矩构造了七个不变矩：
求得M1-M7七个Hu矩后，将对应Hu矩的倒数相减的绝对值求和，得到A、B图像的Hu矩匹配结果：
；
I为A、B的Hu矩匹配结果；其中A为t1-t2增长消亡图；B为t2-t3增长消亡图；
S6：在得到相应匹配对以后，再通过相对位置做过滤，即一组匹配对中的两个轮廓质心位置应该也是相近的，如果不相近则排除这一对；最后得到匹配结果，在匹配过程中以Hu矩值匹配为主，面积匹配为辅，把以Hu矩值匹配记作1，以面积匹配记作2，综合匹配的计算公式如下所示，其中K1=0.8，K2=0.2；
步骤3，差值云团外推算法的主要步骤如下：
S1：对得到的两个增长消亡区域进行匹配配对，匹配的算法采用基于Hu矩云团轮廓匹配算法，即将两个区域分为基础组和对照组，然后对基础组和对照组中的轮廓以Hu矩值和面积大小做双重匹配，以对照组中的每一个元素遍历基础组的方式完成匹配，匹配的原则是Hu值相近、面积大小相近，最后得到相应的匹配对；
S2：得到匹配对后，运用拟合直线外推法确定其未来时刻的质心位置，然后以基础组中的元素做参考，设立一个面积阈值X，元素面积大于X的做局部腐蚀膨胀外推，面积小于X的元素做散射外推，最后得到未来时刻的云团轮廓形态；
S3：在得到未来时刻的云团轮廓形态和云团轮廓质心位置后，绘制出新的云团轮廓，由此得到单层的外推结果；然后将各单层外推结果依次叠加形成最终结果图，叠加方法为覆盖综合法。
还包括步骤4，差值云团外推算法准确度评估标准沿用云团外推算法评估准则，原评估准则定义如下：取连续时刻100组雷达基数据作为样本，对一组外推数据，设t3时刻的真实图像F(t3),外推结果设为F12(t3),他们的核区设为Sh (t3)、Sh 12 (t3)，同理两组图像其他六层依次设为S40 (t3)、S35 (t3)、S30 (t3)、S25 (t3)、S20 (t3)、S15 (t3)、和S40 12 (t3)、S35 12(t3)、S30 12 (t3)、S25 12 (t3)、S20 12 (t3)、S15 12 (t3)；
外推图像与真实图像主要比较四个方面：
（1）核心区域的面积相似度
（2）核心区域外云团的面积相似度
（3）高反射率强度区域的形状相似度
(4)低反射率强度区域的形状相似度
最后综合考虑高反射率区域数据代表性总是要比低反射率区域的高，将上述四个相似度加权后求和得到综合相似度：
相似度对应权值依次是：k1=0.4，k2=0.2，k3=0.3，k4=0.1。
结合附图7-8所示，还包括基于差值云团外推的降雨预测装置100，包括前台系统1和后台系统2；
前台系统1由预测信息展示查询模块11和预测信息统计模块12构成；
后台系统2由雷达数据解析模块21和预测图像外推模块22构成；
雷达数据解析模块21包括定时获取雷达基数据模块211、雷达基数据解析模块212、外推反射率数据接口213；
预测图像外推模块22包括单层反射率外推模块221、外推结果透明图像生成模块222、外推结果气象预测信息解析模块223。
雷达数据解析模块21的工作包括以下步骤：
S1，通过定时获取雷达基数据模块211定时获取雷达基数据，雷达基数据定时在专有FTP服务器更新，每6分钟定时于FTP服务器上下载雷达基数据；
S2，雷达基数据解析模块212数据的解析，完成解析后将会形成中间数组，该数组为三维数据，分别存储仰角、方向角、和反射率数据；
S3，外推反射率数据的接口213的实现，在得到解析形成的三维数组后，按照固定仰角、方向角获取雷达反射率数据，将雷达反射率数据换算成颜色指标数据，最后整理成Mat矩阵，形成对外调用接口。
预测信息展示查询模块11将根据用户的地理位置或用户于网页地图上选取的地理位置显示该位置的即时降雨信息。
预测信息统计模块12主要包括反射率趋势变化图、外推6分钟图像，与当前图像各反射率层占比对比图、外推准确率变化趋势图。

Claims (6)

1.基于Hu矩的差值云团外推降雨预测算法，其特征在于包括以下方法：
步骤1，对雷达反射率因子图分层处理，所取雷达基数据为连续时间上三组数据t1、t2、t3；
再将三组反射率数据按15dBZ，20dBZ，25dBZ，30dBZ，35dBZ，40dBZ，45dBZ各分七层处理，对于每一单层放射率因子图作出相应云团轮廓图，取出单层反射率上的t1、t2、t3三幅云团轮廓图，将三幅云团轮廓图的质心按时间顺序两两重合；
比较得出了云团从t1-t2、t2-t3的云团增长区和云团消亡区，基于Hu矩云团轮廓匹配算法匹配的对象即云团增长区和消亡区；
步骤2，匹配算法按如下步骤展开匹配：
S1：在得到云团增长区和消亡区后，首先创建相应的数据结构存储这些区域，对增长区和消亡区的处理方法是相同的，因此下文将以对增长区的匹配为例；
S2：获取这两个数据集合后，确定基础组与对照组，确定的原则是集合中个数较少的为基础组集合，个数较多的为对照组集合；
S3：在确定了基础组与对照组后，将两个集合中的元素二值化，即有数据的化为1，无数据的化成0；
S4：在二值化集合的基础上，对两个集合中的轮廓进行求Hu矩值和面积的计算，将得到的结果存入相应数据结构中；
S5：对基础组和对照组中的轮廓以Hu矩值和面积大小做双重匹配，以对照组中的每一个元素遍历基础组的方式完成匹配，匹配的原则是Hu值相近、面积大小相近，最后得到相应的匹配对；
矩是对图像轮廓上所有点进行积分运算而得到的一个粗略特征，在连续情况下，图像函数为f(x,y)，那么图像的p+q阶几何矩定义为：
；
Hu矩是归一化中心矩的线性组合，对缩放，旋转和镜像映射出来的对象具有不变性，
p+q阶中心距定义为：
；
其中其中 和 代表图像的重心，
其中，表示图像的p+q阶几何矩，p=1，q=0；表示图像的p+q阶几何矩，p=0，q=0；表示图像的p+q阶几何矩，p=1，q=0；
归一化的中心距定义为：
其中；
利用二阶和三阶归一化中心矩构造了七个不变矩：
求得M1-M7七个Hu矩后，将对应Hu矩的倒数相减的绝对值求和，得到A、B图像的Hu矩匹配结果：
；
I为A、B的Hu矩匹配结果；其中A为t1-t2增长消亡图；B为t2-t3增长消亡图；
S6：在得到相应匹配对以后，再通过相对位置做过滤，即一组匹配对中的两个轮廓质心位置应该也是相近的，如果不相近则排除这一对；最后得到匹配结果，在匹配过程中以Hu矩值匹配为主，面积匹配为辅，把以Hu矩值匹配记作1，以面积匹配记作2，综合匹配的计算公式如下所示，其中K1=0.8，K2=0.2；
步骤3，差值云团外推算法的主要步骤如下：
S1：对得到的两个增长消亡区域进行匹配配对，匹配的算法采用基于Hu矩云团轮廓匹配算法，即将两个区域分为基础组和对照组，然后对基础组和对照组中的轮廓以Hu矩值和面积大小做双重匹配，以对照组中的每一个元素遍历基础组的方式完成匹配，匹配的原则是Hu值相近、面积大小相近，最后得到相应的匹配对；
S2：得到匹配对后，运用拟合直线外推法确定其未来时刻的质心位置，然后以基础组中的元素做参考，设立一个面积阈值X，元素面积大于X的做局部腐蚀膨胀外推，面积小于X的元素做散射外推，最后得到未来时刻的云团轮廓形态；
S3：在得到未来时刻的云团轮廓形态和云团轮廓质心位置后，绘制出新的云团轮廓，由此得到单层的外推结果；然后将各单层外推结果依次叠加形成最终结果图，叠加方法为覆盖综合法。
2.根据权利要求1所述的基于Hu的矩差值云团外推降雨预测算法，其特征在于：
还包括步骤4，差值云团外推算法准确度评估标准沿用云团外推算法评估准则，原评估准则定义如下：取连续时刻100组雷达基数据作为样本，对一组外推数据，设t3时刻的真实图像F(t3),外推结果设为F12(t3),他们的核区设为Sh (t3)、Sh 12 (t3)，同理两组图像其他六层依次设为S40 (t3)、S35 (t3)、S30 (t3)、S25 (t3)、S20 (t3)、S15 (t3)、和S40 12 (t3)、S35 12(t3)、S30 12 (t3)、S25 12 (t3)、S20 12 (t3)、S15 12 (t3)；
外推图像与真实图像主要比较四个方面：
（1）核心区域的面积相似度
（2）核心区域外云团的面积相似度
（3）高反射率强度区域的形状相似度
(4)低反射率强度区域的形状相似度
最后综合考虑高反射率区域数据代表性总是要比低反射率区域的高，将上述四个相似度加权后求和得到综合相似度：
相似度对应权值依次是：k1=0.4，k2=0.2，k3=0.3，k4=0.1。
3.根据权利要求1所述的基于Hu矩的差值云团外推降雨预测算法，其特征在于：
还包括基于差值云团外推的降雨预测装置（100），包括前台系统（1）和后台系统（2）；
前台系统（1）由预测信息展示查询模块（11）和预测信息统计模块（12）构成；
后台系统（2）由雷达数据解析模块（21）和预测图像外推模块（22）构成；
雷达数据解析模块（21）包括定时获取雷达基数据模块（211）、雷达基数据解析模块（212）、外推反射率数据接口（213）；
预测图像外推模块（22）包括单层反射率外推模块（221）、外推结果透明图像生成模块（222）、外推结果气象预测信息解析模块（223）。
4.根据权利要求3所述的基于Hu矩的差值云团外推降雨预测算法，其特征在于：
雷达数据解析模块（21）的工作包括以下步骤：
S1，通过定时获取雷达基数据模块（211）定时获取雷达基数据，雷达基数据定时在专有FTP服务器更新，每6分钟定时于FTP服务器上下载雷达基数据；
S2，雷达基数据解析模块（212）数据的解析，完成解析后将会形成中间数组，该数组为三维数据，分别存储仰角、方向角、和反射率数据；
S3，外推反射率数据的接口（213）的实现，在得到解析形成的三维数组后，按照固定仰角、方向角获取雷达反射率数据，将雷达反射率数据换算成颜色指标数据，最后整理成Mat矩阵，形成对外调用接口。
5.根据权利要求3所述的基于Hu矩的差值云团外推降雨预测算法，其特征在于：
预测信息展示查询模块（11）将根据用户的地理位置或用户于网页地图上选取的地理位置显示该位置的即时降雨信息。
6.根据权利要求3所述的基于Hu矩的差值云团外推降雨预测算法，其特征在于：
预测信息统计模块（12）主要包括反射率趋势变化图、外推6分钟图像，与当前图像各反射率层占比对比图、外推准确率变化趋势图。
CN201710425947.0A 2017-06-08 2017-06-08 基于Hu矩的差值云团外推降雨预测算法 Pending CN107356926A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710425947.0A CN107356926A (zh) 2017-06-08 2017-06-08 基于Hu矩的差值云团外推降雨预测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710425947.0A CN107356926A (zh) 2017-06-08 2017-06-08 基于Hu矩的差值云团外推降雨预测算法

Publications (1)

Publication Number Publication Date
CN107356926A true CN107356926A (zh) 2017-11-17

Family

ID=60273560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710425947.0A Pending CN107356926A (zh) 2017-06-08 2017-06-08 基于Hu矩的差值云团外推降雨预测算法

Country Status (1)

Country Link
CN (1) CN107356926A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108196316A (zh) * 2017-12-26 2018-06-22 广州积雨云科技有限公司 一种自动校正的瞬时大风预警方法
CN109116358A (zh) * 2018-08-09 2019-01-01 成都信息工程大学 基于新一代天气雷达的冰雹识别及落区预报方法
CN109507759A (zh) * 2018-09-13 2019-03-22 广州积雨云科技有限公司 用于预报降雨的方法
CN110070557A (zh) * 2019-04-07 2019-07-30 西北工业大学 一种基于边缘特征检测的目标识别与定位方法
CN110458878A (zh) * 2019-08-14 2019-11-15 大连海事大学 一种基于特征匹配跟踪算法的降水云团跟踪方法
CN110531360A (zh) * 2019-08-28 2019-12-03 中船重工鹏力（南京）大气海洋信息系统有限公司 一种x波段天气雷达组网数据处理方法
CN112347956A (zh) * 2020-11-12 2021-02-09 上海交通大学 基于多无人机和机器视觉的云观测系统及方法
CN112734758A (zh) * 2021-03-30 2021-04-30 同方威视技术股份有限公司 基于区块链网络的图像管理设备、管理方法和确权方法
CN112782700A (zh) * 2020-12-30 2021-05-11 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
CN114488350A (zh) * 2022-01-18 2022-05-13 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
CN115840219A (zh) * 2023-02-22 2023-03-24 北京国信华源科技有限公司 一种泥石流监测方法及泥石流监测设备

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108196316B (zh) * 2017-12-26 2020-03-31 广州风雨雷科技有限公司 一种自动校正的瞬时大风预警方法
CN108196316A (zh) * 2017-12-26 2018-06-22 广州积雨云科技有限公司 一种自动校正的瞬时大风预警方法
CN109116358A (zh) * 2018-08-09 2019-01-01 成都信息工程大学 基于新一代天气雷达的冰雹识别及落区预报方法
CN109116358B (zh) * 2018-08-09 2022-11-22 成都信息工程大学 基于新一代天气雷达的冰雹识别及落区预报方法
CN109507759A (zh) * 2018-09-13 2019-03-22 广州积雨云科技有限公司 用于预报降雨的方法
CN109507759B (zh) * 2018-09-13 2020-10-20 广州积雨云科技有限公司 用于预报降雨的方法
CN110070557A (zh) * 2019-04-07 2019-07-30 西北工业大学 一种基于边缘特征检测的目标识别与定位方法
CN110458878A (zh) * 2019-08-14 2019-11-15 大连海事大学 一种基于特征匹配跟踪算法的降水云团跟踪方法
CN110531360B (zh) * 2019-08-28 2021-08-17 中船重工鹏力（南京）大气海洋信息系统有限公司 一种x波段天气雷达组网数据处理方法
CN110531360A (zh) * 2019-08-28 2019-12-03 中船重工鹏力（南京）大气海洋信息系统有限公司 一种x波段天气雷达组网数据处理方法
CN112347956A (zh) * 2020-11-12 2021-02-09 上海交通大学 基于多无人机和机器视觉的云观测系统及方法
CN112347956B (zh) * 2020-11-12 2022-05-06 上海交通大学 基于多无人机和机器视觉的云观测系统及方法
CN112782700A (zh) * 2020-12-30 2021-05-11 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
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
CN112734758A (zh) * 2021-03-30 2021-04-30 同方威视技术股份有限公司 基于区块链网络的图像管理设备、管理方法和确权方法
CN114488350A (zh) * 2022-01-18 2022-05-13 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
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
CN115840219A (zh) * 2023-02-22 2023-03-24 北京国信华源科技有限公司 一种泥石流监测方法及泥石流监测设备

Similar Documents

Publication Publication Date Title
CN107356926A (zh) 基于Hu矩的差值云团外推降雨预测算法
Lang et al. The severe thunderstorm electrification and precipitation study
Lang et al. Relationships between convective storm kinematics, precipitation, and lightning
Liang et al. A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds
Gao et al. A real-time weather-adaptive 3DVAR analysis system for severe weather detections and warnings
Stumpf et al. The National Severe Storms Laboratory mesocyclone detection algorithm for the WSR-88D
Rudlosky et al. Documenting storm severity in the mid-Atlantic region using lightning and radar information
Weiss et al. Evolving complex electrical structures of the STEPS 25 June 2000 multicell storm
Moreno et al. Limits to flood forecasting in the Colorado Front Range for two summer convection periods using radar nowcasting and a distributed hydrologic model
Lang et al. The RELAMPAGO lightning mapping array: Overview and initial comparison with the geostationary lightning mapper
Yu et al. Convective and microphysical characteristics of extreme precipitation revealed by multisource observations over the Pearl River Delta at monsoon coast
Wang et al. Microphysical and kinematic structure of convective‐scale elements in the inner rainband of Typhoon Matmo (2014) after landfall
Thiel et al. GLM and ABI characteristics of severe and convective storms
TW201835607A (zh) 氣象預測裝置、氣象預測方法及氣象預測程式
Grams et al. Automated identification of enhanced rainfall rates using the near-storm environment for radar precipitation estimates
Peterson et al. Thunderstorm cloud-type classification from space-based lightning imagers
Piscitelli et al. A multiyear radar-based climatology of supercell thunderstorms in central-eastern Argentina
Matyas Use of ground‐based radar for climate‐scale studies of weather and rainfall
Sainsbury et al. What governs the interannual variability of recurving North Atlantic tropical cyclones?
Zuo et al. Identification of convective and stratiform clouds based on the improved DBSCAN clustering algorithm
Montanyà et al. A study of the total lightning activity in two hailstorms
Miller et al. A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode
CN113075751A (zh) 一种观测资料在短临预报中的融合方法和系统
Zhang et al. Relationships between cloud-to-ground flashes and hydrometeors in a thunderstorm in Fujian province
Williams et al. Combining observations and model data for short-term storm forecasting

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171117