CN107563397A - 一种卫星云图中云团运动矢量的确定方法 - Google Patents

Abstract

本发明涉及一种卫星云图中云团运动矢量的计算方法，包括下述步骤：A、卫星云图的处理，包括对卫星云图的图像增强处理和图像锐化处理；B、卫星云图的识别，包括对卫星云图图像进行预处理，采用阀值分割法把云块先从卫星云图中分割出来，然后利用数学形态学对云块进行进一步的处理；C、卫星云图运动矢量的计算。本发明可通过对卫星云图的图像处理，结合云层识别、云团像素子集划分及空间特征匹配等方法，实现对云层运动矢量的计算。

Description

一种卫星云图中云团运动矢量的确定方法

技术领域

本发明涉及新能源功率预测，具体涉及一种卫星云图中云团运动矢量的确定方法。

背景技术

光伏电站短时功率波动主要受云层遮挡影响，数值天气预报无法实现对云层及其演化过程的准确预测，以云观测图像数据为基础，通过对云观测图像的识别及运动轨迹的准确预测，进而确定是否可对光伏电站形成遮挡，是实现对光伏电站功率短时波动预测的基础。

现有云观测手段包括卫星云图、全天空成像仪、多普勒雷达等，卫星云图因其较大的观测范围、低廉的成本、较高的观测分辨率等特点，在光伏功率预测中具有较大的应用前景。

受卫星观测分辨率的限值，部分卫星云图清晰度较差，难以实现对卫星云图中云成像的有效识别。

发明内容

为解决上述现有技术中的不足，本发明的目的是提供一种卫星云图中云团运动矢量的计算方法，该方法涉及图像处理中的多项关键技术，可为准确的光伏功率预测提供基础。

本发明的目的是采用下述技术方案实现的：

本发明提供一种卫星云图中云团运动矢量的确定方法，其改进之处在于，所述方法包括下述步骤：

A、卫星云图的处理，包括对卫星云图的图像增强处理和图像锐化处理；

B、卫星云图的识别，包括对卫星云图图像进行预处理，采用阈值分割法把云块先从卫星云图中分割出来，然后利用数学形态学对云块进行进一步的处理；

C、卫星云图运动矢量的计算。

进一步地，所述步骤A中，图像增强处理采用分段线性法实现对图像对比度的增强；分段线性法以牺牲部分灰度级上的细节信息为代价，根据需要通过压缩不感兴趣区域的细节灰度级来抑制灰度级上的细节信息，拉伸感兴趣的细节灰度级突出灰度区间来实现对比度增强；给出了分段线性法的三段线性变换公式如下式(1)所示：

其中：a,b,c,d,e为灰度范围，x,y为图像中点坐标，f(x,y)为点(x,y)的原始灰度，g(x,y)为图像增强处理后的灰度；

进行像素区间灰度压缩，压缩两段灰度区间为[0，a]和[b，e]，将灰度区间[a，b]线性扩展到范围[c，d]；通过改变各段直线的斜率实现对图像任意一个灰度区间的扩展和压缩；

进一步地，所述步骤A中，灰度锐化处理采用水平垂直差分法，通过加强信号变化率中的高频分量使图像轮廓变得清晰；水平垂直差分法包括：定义图像f(x，y)中点(x，y)处的梯度为：

梯度是一个是矢量，其大小和方向分别为

通过式(3)和(4)确定灰度f(x，y)在点(x，y)处灰度变化率最大的方向为梯度方向；离散灰度用到梯度值的大小，即梯度；一阶偏导数采用一阶差分近似表示，即：

grad(x，y)＝max(|f′_x|，|f′_y|) (5)

其中：grad(x，y)为灰度f(x，y)中点(x，y)处的梯度，f′_x、f'_y分别表示点x、y处的一阶导数，θ为灰度变化率最大的方向与水平方向的夹角，为以为正切值的角度；

较大的梯度值代表灰度的突出边缘区；反之较小的梯度值代表图像平滑区；梯度值为0表示该区域灰度值是常数。

进一步地，所述步骤B中，对卫星云图灰度进行预处理指的是对卫星云图进行去噪，采用线性空间滤波；线性滤波首先构建滤波器，构建的滤波器公式如下式所示：

其中：k为滤波器尺度大小，记图像中某点的灰度值为f(x,y)，w为线性滤波器，则经过滤波后对应灰度为：

其中：s,t分别为线性滤波器两个变量，取值范围为[-k,k]，w(x,y)为点(x,y)经过滤波器处理后的值，f(x+s,y+t)为点(x+s,y+s)的灰度值；

k值的大小决定平滑模块的大小，随着滤波器尺度的增大，图像边缘会被平滑的越模糊，容易失真。

进一步地，选取3×3模块对卫星云图做平滑处理，即对应k＝1；卫星云图的图像阈值设为150像素，单位是像素。

进一步地，所述步骤C包括下述步骤：

1)确定云团运动矢量；

2)云团预测；

3)像素子集与卫星云图搜索范围的选取；

4)云团移动矢量计算。

进一步地，所述步骤1)包括：两幅相隔15分钟的连续的卫星云图，第一幅为参考图，第二幅为实时图；若要预测实时图的未来状况，将参考图分解为若干大小相同的像素子集，记录下每个像素子集在参考图中的位置，再按照像素值相差最小二乘法在实时图中搜索出与每个像素子集相应的匹配块，记录下每个像素子集相应的匹配块在实时图中的位置，计算并记录匹配块之间的位置偏差，即得到云团运动矢量。

进一步地，所述步骤2)包括：参考图中的两个像素子集分别在实时图中找到各自相应的匹配块，根据位移偏差，计算出两个像素子集各自的运动矢量，然后利用计算所得运动矢量推移出x_t+1＝x_t+Δx y_t+1＝y_t+Δy；实时图中相对应的像素子集在预测图中的相应位置，与此类似，对所有像素子集都进行推移，得到一幅完整预测图；(x_t,y_t)为t时刻像素子集的位置，(x_t+1,y_t+1)为t+1时刻像素子集的位置，(Δx,Δy)为t时刻到t+1时刻像素子集的运动矢量。

进一步地，所述步骤3)中，选取的像素子集大小为12×12像素，即将卫星云图的参考图划分为12×12像素大小相等的像素子集；基于云图短时预测，在卫星的实时图和参考图之间的时间差取一个扫描间隔，即30min，选择N＝60，即取60×60像素邻域作为卫星云图搜索范围。

进一步地，所述步骤4)中，采用基于区域的灰度交叉相关法进行云团移动矢量的计算，所述基于区域的灰度交叉相关法是对两幅具有15分钟时差的连续卫星云图进行分析计算；首先在前一时次卫星云图中选定某一12*12像素的区域内定义的一个像素子集S，接着在后一时次卫星云图相应子集的扩大区域内(60*60像素)计算逐个像素子集与子集S的交叉相关系数，从中找出与子集S具有最大交叉相关系数的像素子集T，并将像素子集S中心与像素子集T中心之间的位置变化看作像素子集S的移动；

设t₁、t₂两个时刻云图的灰度距平函数分别为f(x,y,t₁)和f(x,y,t₂)，则f(x,y,t₁)和f(x,y,t₂)之间的交叉相关系数为：

实际使用中，将上式离散到网格点上，即：

其中：R(p,q)为t₁、t₂两个时刻云图的灰度距平函数f(x,y,t₁)和f(x,y,t₂)之间的交叉相关系数；g(i,j,t₁)为云图区域内像素点(i,j)在t1时刻的灰度值，为前一时次云图区域内像素子集(i,j)的平均灰度值，f(x+p,y+q,t₂)表示(x+p,y+q)点在t₂时刻的灰度距平面数，g(i+p,j+q,t₂)为(i+p,j+q)点在t₂时刻的灰度距平面数；为后一时次云图区域内像素子集(i+p,j+q)的平均灰度值，p、q分别为后一时次像素子集中心距前一时次像素子集中心在方向上的位移矢量，通过p、q的变化，分别求出后一子集群与前一子集的交叉相关系数，并从中挑选出最大交叉相关系数用以确定云团移动矢量；将最大交叉相关系数所对应的方向上的位移矢量记为(p_max,q_max)，则云团在t₂的移动矢量为(x_t1+p_max,y_t1+qmax)。

与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：

本发明可通过对卫星云图的图像处理，结合云层识别、云团像素子集划分及空间特征匹配等方法，实现对云层运动矢量的计算，具体如下：

1、采用对比对增强、图像锐化处理等方法，实现对卫星云图的预处理，提高卫星云图的清晰度和对比度。

2、采用线性空间滤波方法对卫星云图进行去噪，并通过设定灰度值阈值实现对云图中云团的准确识别。

3、云图矢量的技术路线，即以连续两帧云图为基础，以第一幅为参考图，第二幅为实时图，可将参考图分解为若干大小相同的像素子集，记录下每个像素子集在参考图中的位置，再按照一定标准在实时图中搜索出与每个像素子集相应的匹配块，记录下每个像素子集相应的匹配块在实时图中的位置，计算并记录它们之间的位置偏差，从而获取云团运动矢量。

4、基于区域的灰度交叉相关法，实现对云图像素子集的特征匹配。

附图说明

图1是本发明提供的分段线性变换各像素区间灰度变化图；

图2是本发明提供的云团运动矢量示意图；

图3是本发明提供的卫星云图中云团运动矢量的计算方法的流程图。

具体实施方式

为了上述以及相关的目的，一个或多个实施例包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明某些示例性方面，并且其指示的仅仅是各个实施例的原则可以利用的各种方式中的一些方式。其它的益处和新颖性特征将随着下面的详细说明结合附图考虑而变得明显，所公开的实施例是要包括所有这些方面以及它们的等同。

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本发明中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

本发明提供一种基于卫星云图的云层识别及云层运动矢量的计算方法，涉及图像处理中的多项关键技术，可为准确的光伏功率预测提供基础。其流程图如图3所示，包括下述步骤：

A、卫星云图的处理

受卫星观测分辨率的限值，部分卫星云图清晰度较差，难以实现对卫星云图中云成像的有效识别。因此，在进行云识别之前，有必要对运行云图进行图像增强处理。

图像增强是指对图像的某些特征，如边缘、轮廓、对比度等进行强调或锐化，有目的地强调图像的整体或局部特性，扩大图像中不同物体特征之间的差别，以便于显示、观察或进一步分析与处理。在云成像识别过程中，图像增强具有很强的针对性。遥感云图像增强需要突出遥感图像中的云层，削弱或除去图片中的背景干扰，增强感兴趣目标和周围背景图像间的反差，提高云覆盖区域的清晰度，使图像更易判读。它并不以图像的保真度为原则，而是想方设法突出感兴趣信息抑制无用信息以提高图像的使用价值。

1)对比度增强

采用分段线性法实现对图像对比对的增强。分段线性法以牺牲部分灰度级上的细节信息为代价，根据需要通过压缩不感兴趣区域的细节灰度级来抑制这部分信息，拉伸感兴趣的细节灰度级突出这部分灰度区间来实现对比度增强。式(1)给出了三段线性变换公式：

其中：a,b,c,d,e为灰度范围，x,y为图像中点坐标，f(x,y)为点(x,y)的原始灰度，g(x,y)为图像增强处理后的灰度；各像素区间灰度变化如图1所示。

图1中压缩的两段灰度区间为[0，a]和[b，e]将灰度区间[a，b]线性扩展到范围[c，d]。通过改变各段直线的斜率可以实现对图像任意一个灰度区间的扩展和压缩。若图像中感兴趣部分的灰度值分布范围小、层次少，则导致图像模糊，灰度层次不清楚。利用灰度线性或分段线性变换可以扩展图像的动态范围，显现出需要的图像细节从而改善视觉效果。

2)灰度锐化处理：

为了提高图像的清晰度，需要对图像进行锐化处理。图像的模糊实质上就是受到了平均或积分运算，因此对其进行逆运算如微分运算、梯度运算就可以使图像清晰。从频谱角度分析，图像模糊的实质就是其高频分量被衰减，因而可以用高频加重来使图像清晰。但锐化使噪声受到比信号还强的增强，一般先去除或减弱噪声后再进行锐化。锐化技术常用方法是在空域中对图像做微分处理，在频域中应用高通滤波技术。

本发明采用水平垂直差分法，通过加强信号变化率中的高频分量使图像轮廓变得清晰。定义图像f(x，y)中点(x，y)处的梯度为：

梯度是一个是矢量，其大小和方向分别为

通过式(3)和(4)确定f(x，y)在点(x，y)处灰度变化率最大的方向为梯度方向。离散图像用到梯度值的大小，即平时所谓“梯度”。一阶偏导数采用一阶差分近似表示，即：

grad(x，y)＝max(|f′_x|，|f′_y|) (5)

其中：grad(x，y)为灰度f(x，y)中点(x，y)处的梯度，f′_x、f'_y分别表示点x、y处的一阶导数，θ为灰度变化率最大的方向与水平方向的夹角，为以为正切值的角度；以上方法称之为水平垂直差分法。较大的梯度值代表图像的突出边缘区；反之较小的梯度值代表图像平滑区；梯度值为0表示该区域灰度值是常数。

B、卫星云图的识别

云图的识别需要对卫星云图图像进行预处理，采用阈值分割法把云块先从卫星云图中分割出来，然后利用数学形态学等方法对云块进行进一步的处理。由于在一幅卫星云图图像中，不可避免存在一些噪声点和干扰信息，这些噪声会影响到识别效果。所以首先对卫星云图进行去噪，本发明采用线性空间滤波。线性滤波需要构建滤波器，本发明构建如下滤波器：

其中：k为滤波器尺度大小，记图像中某点的灰度值为f(x,y)，w为线性滤波器，则经过滤波后对应灰度为：

其中：k值的大小决定平滑模块的大小。当滤波器尺度分别为1、2、3时对应的滤波效果，随着滤波器尺度的增大，图像边缘会被平滑的越模糊，容易失真，本发明选取3×3模块对卫星云图做平滑处理，即对应k＝1。

通过设定灰度值亮度阈值，剔除区域平滑处理后保留下的云。首先，通过大量实验，将图像阈值设为150，将卫星云图中阈值小于150的区域的灰度设为0，阈值大于等于150的区域灰度保持不变。卫星云图中亮度高的云会被识别出。因此，阈值大小取150是较合适的。

C、卫星云图运动矢量的计算

由于云的发展变化非常复杂，制约和控制云发展演变的云物理因子和大气环流因子众多，且彼此间关系复杂，故云团预测的难度极大，本发明采用云团特征匹配方法进行云系的匹配，为云层的运动提供依据。

(1)确定云团运动矢量：

两幅相隔一定时差的云图，第一幅为参考图，第二幅为实时图。若要预测实时图的未来状况，可将参考图分解为若干大小相同的像素子集，记录下每个像素子集在参考图中的位置，再按照一定标准在实时图中搜索出与每个像素子集相应的匹配块，记录下每个像素子集相应的匹配块在实时图中的位置，计算并记录它们之间的位置偏差，这就是云团运动矢量。

(2)云团预测的基本流程：

云团运动矢量是一个二维矢量，记录了诸匹配云团从实时图中的某点到参考帧相应点的运动方向和速度。计算获取了所有匹配块的运动矢量后，就可以利用它提供的云团移动信息来进行云图移动预测。

如图2所示，参考图中的两个像素子集A和B分别在实时图中找到了各自相应的匹配块A'和B'，根据位移偏差，计算出各自的运动矢量，然后利用计算所得运动矢量推移出实时图中相对应的像素子集在预测图中的相应位置A"和B"。与此类似，对所有像素子集都进行这样的推移，就可得到一幅完整预测图。

(3)像素子集与云图搜索范围的选取

若对整幅云图进行预测，计算量大，耗时多，为了既减少计算量，同时也能体现和检验预测方法的效率和精度，本发明选择青海北部区域作为云图预测试验区，研究区域像素点范围为500×300(pixels)。

在参考图分解为大小相等的像素子集过程中，像素子集大小的选择至关重大。像素子集太小，不但会增加额外的计算量，而且在云图匹配过程中，可能会产生大量虚假的高相关位移矢量，导致大量的位移场噪音，进而降低预测效果和预测云图质量：若像素子集过大，则子集中包含多种云(或云与晴空的混合)的概率加大，计算出的位移矢量很难准确反映云团移动的真实情况。经反复论证和测试，最终选取的像素子集大小为12×12像素，即将参考图划分为12×12像素大小相等的像素子集，这样不但计算量适中，且像素子集中包含多种目标的概率也可以接受。对未来时刻卫星云图上搜索范围大小的选取也是一个非常关键的问题。区域太大，会影响搜索和匹配速度；区域太小，则影响匹配精度。基于云图短时预测这一研究着眼点(实时图和参考图之间的时间差取一个扫描间隔，即(30min)经反复试验比较，最后选择N＝60，即取60×60像素邻域作为搜索范围，这样既可保证搜索的准确性和可用性，又可提高搜索速度和匹配效率。

(4)云团移动矢量计算：

连续时刻的两幅区域卫星云团，前一时刻的云图作为参考图，后一时刻的云图作为实时图，参照上一节的分析，将参考图划分成12×12像素大小相等的像素子集，记录每个像素子集在参考图中的位置，通过相应的方法，确定该像素子集在实时图中的位置，再根据前后两个时刻云团位置的偏差计算出云团移动矢量。本发明采用交叉相关法进行云团移动矢量的计算。

基于区域的灰度交叉相关法是对两幅具有一定时差的连续卫星云图进行分析计算。首先在前一时次卫星云图中选定某一区域内定义的一个像素子集S，接着在后一时次卫星云图相应子集的扩大区域内计算逐个像素子集与子集S的交叉相关系数，从中找出与子集S具有最大交叉相关系数的像素子集T，并将像素子集S中心与像素子集T中心之间的位置变化看作像素子集S的移动。计算公式如下：

设t₁、t₂两个时刻云图的灰度距平函数分别为f(x,y,t₁)和f(x,y,t₂)，则它们之间的交叉相关系数为：

实际使用中，可将上式离散到网格点上，即：

式中：R(p,q)为t₁、t₂两个时刻云图的灰度距平函数f(x,y,t₁)和f(x,y,t₂)之间的交叉相关系数；g(i,j,t₁)为云图区域内像素点(i,j)在t1时刻的灰度值，为前一时次云图区域内像素子集(i,j)的平均灰度值，f(x+p,y+q,t₂)表示(x+p,y+q)点在t₂时刻的灰度距平面数，g(i+p,j+q,t₂)为(i+p,j+q)点在t₂时刻的灰度距平面数；为后一时次云图区域内像素子集(i+p,j+q)的平均灰度值，p、q分别为后一时次像素子集中心距前一时次像素子集中心在方向上的位移矢量，通过p、q的变化，分别求出后一子集群与前一子集的交叉相关系数，并从中挑选出最大交叉相关系数用以确定云团移动矢量；将最大交叉相关系数所对应的方向上的位移矢量记为(p_max,q_max)，则云团在t₂的移动矢量为(x_t1+p_max,y_t1+qmax)。

上述实施例中，在进行云识别之前，有必要对运行云图进行图像增强处理；此外，由于卫星云图图像中不可避免存在一些噪声点和干扰信息，这些噪声会影响到识别效果，因此在对卫星云图进行图像识别前必须对图像进行预处理，并采用阀值分割法把云块先从卫星云图中分割出来；

此外，为了获取云图的运动矢量，必须以连续两帧卫星云图为基础，以第一幅为参考图，第二幅为实时图，可将参考图分解为若干大小相同的像素子集，记录下每个像素子集在参考图中的位置，再按照一定标准在实时图中搜索出与每个像素子集相应的匹配块，记录下每个像素子集相应的匹配块在实时图中的位置，计算并记录它们之间的位置偏差，从而获取最终的云团运动矢量。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种卫星云图中云团运动矢量的确定方法，其特征在于，所述方法包括下述步骤：

A、卫星云图的处理，包括对卫星云图的图像增强处理和图像锐化处理；

B、卫星云图的识别，包括对卫星云图图像进行预处理，采用阈值分割法把云块先从卫星云图中分割出来，然后利用数学形态学对云块进行进一步的处理；

C、卫星云图运动矢量的计算。

2.如权利要求1所述的确定方法，其特征在于，所述步骤A中，图像增强处理采用分段线性法实现对图像对比度的增强；分段线性法以牺牲部分灰度级上的细节信息为代价，根据需要通过压缩不感兴趣区域的细节灰度级来抑制灰度级上的细节信息，拉伸感兴趣的细节灰度级突出灰度区间来实现对比度增强；给出了分段线性法的三段线性变换公式如下式(1)所示：

其中：a,b,c,d,e为灰度范围，x,y为图像中点坐标，f(x,y)为点(x,y)的原始灰度，g(x,y)为图像增强处理后的灰度。

进行像素区间灰度压缩，压缩两段灰度区间为[0，a]和[b，e]，将灰度区间[a，b]线性扩展到范围[c，d]；通过改变各段直线的斜率实现对图像任意一个灰度区间的扩展和压缩；

3.如权利要求1所述的确定方法，其特征在于，所述步骤A中，灰度锐化处理采用水平垂直差分法，通过加强信号变化率中的高频分量使图像轮廓变得清晰；水平垂直差分法包括：定义图像f(x，y)中点(x，y)处的梯度为：

梯度是一个是矢量，其大小和方向分别为

通过式(3)和(4)确定灰度f(x，y)在点(x，y)处灰度变化率最大的方向为梯度方向；离散 灰度用到梯度值的大小，即梯度；一阶偏导数采用一阶差分近似表示，即：

grad(x，y)＝max(|f′_x|，|f′_y|) (5)

其中：grad(x，y)为灰度f(x，y)中点(x，y)处的梯度，f′_x、f′_y分别表示点x、y处的一阶导数，θ为灰度变化率最大的方向与水平方向的夹角，为以为正切值的角度；

较大的梯度值代表灰度的突出边缘区；反之较小的梯度值代表图像平滑区；梯度值为0表示该区域灰度值是常数。

4.如权利要求1所述的确定方法，其特征在于，所述步骤B中，对卫星云图灰度进行预处理指的是对卫星云图进行去噪，采用线性空间滤波；线性滤波首先构建滤波器，构建的滤波器公式如下式所示：

其中：k为滤波器尺度大小，记图像中某点的灰度值为f(x,y)，w为线性滤波器，则经过滤波后对应灰度为：

其中：s,t分别为线性滤波器两个变量，取值范围为[-k,k]，w(x,y)为点(x,y)经过滤波器处理后的值，f(x+s,y+t)为点(x+s,y+s)的灰度值；

k值的大小决定平滑模块的大小，随着滤波器尺度的增大，图像边缘会被平滑的越模糊，容易失真。

5.如权利要求4所述的确定方法，其特征在于，选取3×3模块对卫星云图做平滑处理，即对应k＝1；卫星云图的图像阈值设为150像素，单位是像素。

6.如权利要求1所述的确定方法，其特征在于，所述步骤C包括下述步骤：

1)确定云团运动矢量；

2)云团预测；

3)像素子集与卫星云图搜索范围的选取；

4)云团移动矢量计算。

7.如权利要求6所述的确定方法，其特征在于，所述步骤1)包括：两幅相隔15分钟的连续的卫星云图，第一幅为参考图，第二幅为实时图；若要预测实时图的未来状况，将参考图分解为若干大小相同的像素子集，记录下每个像素子集在参考图中的位置，再按照像素值相差最小二乘法在实时图中搜索出与每个像素子集相应的匹配块，记录下每个像素子集相应的匹配块在实时图中的位置，计算并记录匹配块之间的位置偏差，即得到云团运动矢量。

8.如权利要求6所述的确定方法，其特征在于，所述步骤2)包括：参考图中的两个像素子集分别在实时图中找到各自相应的匹配块，根据位移偏差，计算出两个像素子集各自的运动矢量，然后利用计算所得运动矢量推移出x_t+1＝x_t+Δx y_t+1＝y_t+Δy；实时图中相对应的像素子集在预测图中的相应位置，与此类似，对所有像素子集都进行推移，得到一幅完整预测图；(x_t,y_t)为t时刻像素子集的位置，(x_t+1,y_t+1)为t+1时刻像素子集的位置，(Δx,Δy)为t时刻到t+1时刻像素子集的运动矢量。

9.如权利要求6所述的确定方法，其特征在于，所述步骤3)中，选取的像素子集大小为12×12像素，即将卫星云图的参考图划分为12×12像素大小相等的像素子集；基于云图短时预测，在卫星的实时图和参考图之间的时间差取一个扫描间隔，即30min，选择N＝60，即取60×60像素邻域作为卫星云图搜索范围。

10.如权利要求6所述的确定方法，其特征在于，所述步骤4)中，采用基于区域的灰度交叉相关法进行云团移动矢量的计算，所述基于区域的灰度交叉相关法是对两幅具有15分钟时差的连续卫星云图进行分析计算；首先在前一时次卫星云图中选定某一12*12像素的区域内定义的一个像素子集S，接着在后一时次卫星云图相应子集的扩大区域内(60*60像素)计算逐个像素子集与子集S的交叉相关系数，从中找出与子集S具有最大交叉相关系数的像素子集T，并将像素子集S中心与像素子集T中心之间的位置变化看作像素子集S的移动；

设t₁、t₂两个时刻云图的灰度距平函数分别为f(x,y,t₁)和f(x,y,t₂)，则f(x,y,t₁)和f(x,y,t₂)之间的交叉相关系数为：

实际使用中，将上式离散到网格点上，即：

其中：R(p,q)为t₁、t₂两个时刻云图的灰度距平函数f(x,y,t₁)和f(x,y,t₂)之间的交叉相关系数；g(i,j,t₁)为云图区域内像素点(i,j)在t1时刻的灰度值，为前一时次云图区域内像素子集(i,j)的平均灰度值，f(x+p,y+q,t₂)表示(x+p,y+q)点在t₂时刻的灰度距平面数，g(i+p,j+q,t₂)为(i+p,j+q)点在t₂时刻的灰度距平面数；为后一时次云图区域内像素子集(i+p,j+q)的平均灰度值，p、q分别为后一时次像素子集中心距前一时次像素子集中心在方向上的位移矢量，通过p、q的变化，分别求出后一子集群与前一子集的交叉相关系数，并从中挑选出最大交叉相关系数用以确定云团移动矢量；将最大交叉相关系数所对应的方向上的位移矢量记为(p_max,q_max)，则云团在t₂的移动矢量为(x_t1+p_max,y_t1+qmax)。