CN107784311A - 全球中尺度涡时空层次拓扑路径构建技术 - Google Patents
全球中尺度涡时空层次拓扑路径构建技术 Download PDFInfo
- Publication number
- CN107784311A CN107784311A CN201610714009.8A CN201610714009A CN107784311A CN 107784311 A CN107784311 A CN 107784311A CN 201610714009 A CN201610714009 A CN 201610714009A CN 107784311 A CN107784311 A CN 107784311A
- Authority
- CN
- China
- Prior art keywords
- space
- vortex
- time
- path
- topology
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种全球中尺度涡多层次复杂拓扑路径构建技术。该技术基于改进的SSH涡旋识别算法,通过建立涡旋间的相互关系,得到涡旋空间层次拓扑识别数据集,然后基于该数据集,采用相似度法对涡旋进行追踪,构造中尺度涡时空拓扑路径,此路径实际上为时序有向连接图。在上述拓扑追踪路径的基础上,利用动态时间扭曲(DTW,Dynamic time warping)算法计算涡旋轨迹的相似性,采用基于密度的聚类算法 (DBSCAN,Density‑Based Spatial Clustering of Applications with Noise)对涡旋轨迹进行时空聚类,形成全球中尺度涡时空层次拓扑结构,获取涡旋演化过程及内部细节。
Description
技术领域
本发明属于海洋时空数据挖掘领域,具体涉及一种全球中尺度涡时空层次拓扑路径构建技术。
背景技术
目前对海洋中尺度涡的研究主要集中在中尺度涡识别及追踪上。常见的涡旋识别方法有Sea Surface Height(SSH)法、Okubo-Weiss (OW)法、Vector Geometry (VG)法和Hybird Detection (HD)法等。SSH法以最外圈的闭合等值线为涡旋边界,再以涡旋边界内的SSH局地极值为涡旋中心,无阈值的SSH法虽增强了程序的自动性,但运算量大。OW法以W值作为物理参数,W值是由SSH计算得到的。将-0.2σw(σw为整个W场的标准差)作为阈值,判断检测区域是否为涡旋。OW法从中尺度涡的物理性质出发定义判别标准,更能揭示中尺度涡的物理本质,但却存在明显的缺陷。第一,在赤道附近科氏力是趋于0,因此,由SLA和科氏力以及重力加速度计算得到的OW参数不正确。第二,W场会产生很多噪点,往往被误判为涡旋。第三,不同阈值得到的结果波动很大。VG法检测得到的涡心为涡流速率最小的网格点,涡边则是对应着最大平均旋转速度的闭合流线。该方法在准确率方面比OW法有优势,但其检测过程较复杂。HD法是0W法和SSH法的混合。先以SSH局地极值和“涡核”(W<-0.2σw)确定涡心,再以包含“涡核”的最内圈闭合SSH等值线为涡边,最后确定“多核结构”及其边界。
常见的中尺度涡追踪方法则有像素法、距离法和相似度法。像素法简单快速,适用于涡旋分离明显的海域,但在涡旋结构复杂的区域容易出错。距离法中,假设e1为t1时的某个涡旋, e2为t2时相同类型的涡旋,ΔD则是e1中心到e2中心的距离,那么ΔD最短者构成同一轨迹,为了避免两条不同的轨迹连接在一起, ΔD需设定一个上限近似取值为局地平均流流速和资料的时间分辨率之积。相似度法则是距离法的扩展。相似度法不仅考虑到ΔD,还考虑到e1和e2之间半径、涡动能以及涡度之间的关系。相似参数Se1,e2是由以上四种涡旋特征值通过相应计算得到的。Se1,e2最小的e1和e2是同一条轨迹上前后时刻的涡旋。
目前已有的中尺度涡识别、追踪算法并不能精确地识别涡旋的分裂、合并等拓扑现象,同时较少有涉及涡旋时空轨迹分析的研究,因此很难对中尺度涡旋的时空演变规律及涡旋内部细节进行描述及分析。
发明内容
本发明的技术效果能够克服上述缺陷,提供一种全球中尺度涡时空层次拓扑路径构建技术,建立中尺度涡旋之间潜在合并或分裂等关系,并对涡旋轨迹进行时空聚类,获取涡旋演变机制及规律。
为实现上述目的,本发明采用如下技术方案,具体步骤为:
(1)基于改进的SSH法,识别单核涡旋的同时,保留涡旋之间的共同边界,建立涡旋空间层次拓扑结构;
(2)采用最近邻法,对涡旋空间拓扑结构的子节点(单核涡旋)进行追踪,得到涡旋追踪数据集,建立中尺度涡时空拓扑路径;
(3)计算涡旋轨迹间的动态时间扭曲(DTW, Dynamic time warping)距离,对涡旋轨迹进行相似性度量;
(4)利用基于密度的聚类算法 (DBSCAN, Density-Based Spatial Clustering ofApplications with Noise)对涡旋轨迹进行时空聚类,形成全球中尺度涡时空层次拓扑结构。
上述步骤(1)中,基于卫星高度计海平面高度异常(SLA)数据,采用改进的SSH法,将SLA局部极值作为涡旋种子点,对SLA等高线迭代,判断等高线包围范围的大小及振幅,保留涡旋边界及涡旋间的共同边界(SLA等高线),建立涡旋之间潜在联系(如图1所示),得到涡旋识别空间层次拓扑数据集。
上述步骤(2)中,基于涡旋识别空间层次拓扑数据集,采用最近邻法进行涡旋追踪,得到涡旋追踪数据集,结合涡旋识别得到的空间层次拓扑结构,建立中尺度涡时空拓扑路径。
上述步骤(3)中,利用DTW算法,运用动态规划原理,通过搜索中尺度涡旋路径时序数据的相互特征,压缩、扩张或转换涡旋路径局部特征,同时对其路径进行扭曲时考虑其边界条件、连续性以及单调性,获得路径之间的最短距离,判断涡旋轨迹之间的相似性。
上述步骤(4)中,采用DBSCAN聚类算法对轨迹进行时空聚类,从任一涡旋轨迹出发,计算与其他所有轨迹之间的DTW距离,统计同时满足时空阈值(εs)范围的线段个数,并与最小线个数(MinLns)进行比较;当时空邻域范围内的线段数目大于MinLns时,该线段即为核心线段,形成一个聚类,其邻域内的直接密度可达涡旋轨迹也将聚到该类中,再对这些涡旋轨迹按照同样的方式依次进行聚类扩展,得到最终的涡旋轨迹聚类结果,建立全球中尺度涡时空层次拓扑结构。
附图说明
图1中尺度涡空间拓扑结构示意图。
图2全球中尺度涡时空层次拓扑路径构建技术流程图。
具体实施方式
本发明的全球中尺度涡时空层次拓扑路径构建技术(如图2所示),包括以下步骤:
(1)基于改进的SSH法,识别单核涡旋的同时,保留涡旋之间的共同边界,建立涡旋空间层次拓扑结构。
基于卫星高度计海平面高度异常(SLA)数据,采用改进的SSH法,将SLA局部极值作为涡旋种子点,对SLA等高线迭代,判断等高线包围范围的大小及振幅,保留涡旋边界及涡旋间的共同边界(SLA等高线),建立涡旋之间潜在联系(如图1所示),得到涡旋识别空间层次拓扑数据集。
(2)采用最近邻法,对涡旋空间拓扑结构的子节点(单核涡旋)进行追踪,得到涡旋追踪数据集,建立中尺度涡时空拓扑路径。
基于涡旋识别空间层次拓扑数据集,采用相似度法来确定中尺度涡在下一时刻的位置。通过计算t时刻涡旋e1和t+1时刻涡旋e2的相似性:
式中∆D、∆R、∆EKE和∆ε分别是e1和e2间的距离差、半径差、涡动能差和涡度差;D0,R0,EKE0和ε0分别是标准距离、标准半径、标准涡动能和标准涡度。相似度Se1,e2最小的e1和e2是同一条轨迹上前后时刻的涡旋。得到涡旋追踪数据集,结合涡旋层次拓扑结构,建立中尺度涡时空拓扑路径。
(3)计算涡旋轨迹间的动态时间扭曲(DTW, Dynamic time warping)距离,对涡旋轨迹进行相似性度量。
运用动态规划原理,通过搜索中尺度涡旋路径时序数据的相互特征,压缩、扩张或转换涡旋路径局部特征,同时对其路径进行扭曲时考虑其边界条件、连续性以及单调性,获得路径之间的最短距离。计算公式如下:
(2)
式中:DTW(R,S)表示时空轨迹R与S间的DTW距离;m和n分别代表时空轨迹R与S的记录点个数;表示两个记录点和之间的欧式距离;和分别表示轨迹R与S去掉第一个记录点所得的轨迹区间。采用递归的方式求取最小的距离作为DTW距离,通过DTW距离来比较涡旋轨迹时空数据之间的相似性。
(4)利用基于密度的聚类算法 (DBSCAN, Density-Based Spatial Clusteringof Applications with Noise)对涡旋轨迹进行时空聚类,形成全球中尺度涡时空层次拓扑结构。
采用DBSCAN聚类算法对轨迹进行时空聚类,从任一涡旋轨迹出发,计算与其他所有轨迹间的DTW距离,统计同时满足时空阈值(εs)范围的线段个数,并与最小线个数(MinLns)进行比较。这里通过计算全部涡旋轨迹线两两之间的DTW距离,从小到大划分区间统计并绘制时间距离的概率分布图和累积概率分布图,将累积概率达到45%时对应的时间距离作为阈值εs,由此确定时空阈值。MinLns由εs的大小估计得到。
当涡旋轨迹时空邻域范围内的线段数目大于MinLns时,该轨迹即为核心线段,形成一个聚类,其邻域内的直接密度可达涡旋轨迹也将聚到该类中,再对这些涡旋轨迹按照同样的方式依次进行聚类扩展,得到最终的涡旋轨迹聚类结果,建立全球中尺度涡时空层次拓扑结构,得到全球不同区域涡旋运动规律,建立全球中尺度涡时空层次拓扑结构。
Claims (4)
1.全球中尺度涡时空层次拓扑路径构建技术,其特征在于包括如下步骤:
(1)基于改进的SSH法,识别单核涡旋的同时,保留涡旋之间的共同边界,建立涡旋空间层次拓扑结构;
(2)采用最近邻法,对涡旋空间拓扑结构的子节点(单核涡旋)进行追踪,得到涡旋追踪数据集,建立中尺度涡时空拓扑路径;
(3)计算涡旋轨迹间的动态时间扭曲(DTW, Dynamic time warping)距离,对涡旋轨迹进行相似性度量;
(4)利用基于密度的聚类算法 (DBSCAN, Density-Based Spatial Clustering ofApplications with Noise)对涡旋轨迹进行时空聚类,形成全球中尺度涡时空层次拓扑结构。
2.根据权利要求1中所述的全球中尺度涡时空层次拓扑路径构建技术,其特征在于所述步骤(1)中,基于卫星高度计海平面高度异常(SLA)数据,采用改进的SSH法,将SLA局部极值作为涡旋种子点,对SLA等高线迭代,判断等高线包围范围的大小及振幅,识别单核涡旋的同时保留涡旋边界及涡旋间的共同边界(SLA等高线),建立涡旋之间潜在联系(如图1所示),得到涡旋识别空间层次拓扑数据集。
3.权利要求1中所述的全球中尺度涡时空层次拓扑路径构建技术,其特征在于所述步骤(3)中,利用DTW算法,运用动态规划原理,通过搜索中尺度涡旋路径时序数据的相互特征,压缩、扩张或转换涡旋路径局部特征,同时对其路径进行扭曲是考虑其边界条件、连续性以及单调性,获得路径之间的最短距离,判断其相似性。
4.权利要求1中所述的全球中尺度涡时空层次拓扑路径构建技术,其特征在于所述步骤(4)中,采用DBSCAN聚类算法,从任一涡旋轨迹出发,计算与其他轨迹之间的DTW距离,统计满足时空阈值(εs)范围的轨迹个数,当时空邻域内的轨迹数目大于最小线个数(MinLns)时,该轨迹即为核心线段,形成一个聚类,再对邻域内的直接密度可达轨迹按同样方式进行聚类扩展,得到涡旋轨迹聚类结果,建立全球中尺度涡时空层次拓扑结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610714009.8A CN107784311A (zh) | 2016-08-24 | 2016-08-24 | 全球中尺度涡时空层次拓扑路径构建技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610714009.8A CN107784311A (zh) | 2016-08-24 | 2016-08-24 | 全球中尺度涡时空层次拓扑路径构建技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107784311A true CN107784311A (zh) | 2018-03-09 |
Family
ID=61388355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610714009.8A Pending CN107784311A (zh) | 2016-08-24 | 2016-08-24 | 全球中尺度涡时空层次拓扑路径构建技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784311A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162586A (zh) * | 2019-05-24 | 2019-08-23 | 中国科学院地理科学与资源研究所 | 一种适用于移动目标分支轨迹的相似度查询系统及方法 |
CN111488691A (zh) * | 2020-04-16 | 2020-08-04 | 中船海洋探测技术研究院有限公司 | 一种三维中尺度涡追踪方法 |
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 |
CN113743577A (zh) * | 2021-06-25 | 2021-12-03 | 上海大学 | 用于中尺度涡识别的精细化网格数据分区构建方法及系统 |
CN115964546A (zh) * | 2023-01-06 | 2023-04-14 | 中国海洋大学 | 一种基于边绑定的涡旋迁移通道提取及可视化方法 |
CN116429374A (zh) * | 2023-04-17 | 2023-07-14 | 中国人民解放军61540部队 | 一种中尺度涡旋特征确定方法、系统、电子设备及介质 |
CN116933065A (zh) * | 2023-04-14 | 2023-10-24 | 江苏海洋大学 | 一种海洋涡旋脱离新的判定方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644572A (zh) * | 2009-06-24 | 2010-02-10 | 中国科学院地理科学与资源研究所 | 一种基于历史相似性案例的海洋涡旋变化检测方法 |
CN102005105A (zh) * | 2010-09-27 | 2011-04-06 | 上海海洋大学 | 一种基于时间序列相似匹配的海洋灾害预警装置 |
CN103279643A (zh) * | 2013-04-26 | 2013-09-04 | 华北电力大学(保定) | 一种时间序列相似度的计算方法 |
CN103399905A (zh) * | 2013-07-29 | 2013-11-20 | 中国科学院地理科学与资源研究所 | 一种海洋涡旋演变过程信息提取方法 |
CN102289594B (zh) * | 2011-08-19 | 2014-05-28 | 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 |
CN104915670A (zh) * | 2015-04-29 | 2015-09-16 | 中国海洋大学 | 基于hog特征提取的全球海洋中尺度涡识别算法 |
CN105787284A (zh) * | 2016-03-29 | 2016-07-20 | 中国海洋大学 | 基于混合算法的长时间序列中尺度涡旋追踪方法 |
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 |
-
2016
- 2016-08-24 CN CN201610714009.8A patent/CN107784311A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644572A (zh) * | 2009-06-24 | 2010-02-10 | 中国科学院地理科学与资源研究所 | 一种基于历史相似性案例的海洋涡旋变化检测方法 |
CN102005105A (zh) * | 2010-09-27 | 2011-04-06 | 上海海洋大学 | 一种基于时间序列相似匹配的海洋灾害预警装置 |
CN102289594B (zh) * | 2011-08-19 | 2014-05-28 | 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 |
CN103279643A (zh) * | 2013-04-26 | 2013-09-04 | 华北电力大学(保定) | 一种时间序列相似度的计算方法 |
CN103399905A (zh) * | 2013-07-29 | 2013-11-20 | 中国科学院地理科学与资源研究所 | 一种海洋涡旋演变过程信息提取方法 |
CN104915670A (zh) * | 2015-04-29 | 2015-09-16 | 中国海洋大学 | 基于hog特征提取的全球海洋中尺度涡识别算法 |
CN105787284A (zh) * | 2016-03-29 | 2016-07-20 | 中国海洋大学 | 基于混合算法的长时间序列中尺度涡旋追踪方法 |
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 |
Non-Patent Citations (1)
Title |
---|
吴笛等: ""基于密度的轨迹时空聚类分析"", 《地球信息科学》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162586A (zh) * | 2019-05-24 | 2019-08-23 | 中国科学院地理科学与资源研究所 | 一种适用于移动目标分支轨迹的相似度查询系统及方法 |
CN111488691A (zh) * | 2020-04-16 | 2020-08-04 | 中船海洋探测技术研究院有限公司 | 一种三维中尺度涡追踪方法 |
CN111488691B (zh) * | 2020-04-16 | 2023-08-01 | 中船海洋探测技术研究院有限公司 | 一种三维中尺度涡追踪方法 |
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 |
CN113743577A (zh) * | 2021-06-25 | 2021-12-03 | 上海大学 | 用于中尺度涡识别的精细化网格数据分区构建方法及系统 |
CN113743577B (zh) * | 2021-06-25 | 2023-11-21 | 上海大学 | 用于中尺度涡识别的精细化网格数据分区构建方法及系统 |
CN115964546A (zh) * | 2023-01-06 | 2023-04-14 | 中国海洋大学 | 一种基于边绑定的涡旋迁移通道提取及可视化方法 |
CN116933065A (zh) * | 2023-04-14 | 2023-10-24 | 江苏海洋大学 | 一种海洋涡旋脱离新的判定方法 |
CN116933065B (zh) * | 2023-04-14 | 2024-04-19 | 江苏海洋大学 | 一种海洋涡旋脱离新的判定方法 |
CN116429374A (zh) * | 2023-04-17 | 2023-07-14 | 中国人民解放军61540部队 | 一种中尺度涡旋特征确定方法、系统、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784311A (zh) | 全球中尺度涡时空层次拓扑路径构建技术 | |
WO2021008202A1 (zh) | 一种基于毫米波雷达点云特征的核支持向量机目标分类方法 | |
Prokaj et al. | Persistent tracking for wide area aerial surveillance | |
CN106778712B (zh) | 一种多目标检测与跟踪方法 | |
Lian et al. | DeepWindow: Sliding window based on deep learning for road extraction from remote sensing images | |
Zhou et al. | A fast and accurate segmentation method for ordered LiDAR point cloud of large-scale scenes | |
Wang et al. | Detecting abnormality without knowing normality: A two-stage approach for unsupervised video abnormal event detection | |
CN104992453B (zh) | 基于极限学习机的复杂背景下目标跟踪方法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN106447669A (zh) | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 | |
CN105335986A (zh) | 基于特征匹配和MeanShift算法的目标跟踪方法 | |
CN101976504B (zh) | 一种基于颜色空间信息的多车辆视频跟踪方法 | |
CN104318263A (zh) | 一种实时高精度人流计数方法 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
CN102741884A (zh) | 移动体检测装置及移动体检测方法 | |
CN102473307A (zh) | 用于轨迹估计的方法和装置以及用于分割的方法 | |
CN102289948A (zh) | 高速公路场景下一种多特征融合的多车辆视频跟踪方法 | |
CN105138982A (zh) | 一种基于多特征聚类及分类的人群异常检测与评估方法 | |
CN105976376B (zh) | 一种基于部件模型的高分辨sar图像目标检测方法 | |
CN104123529A (zh) | 人手检测方法及系统 | |
CN102043958A (zh) | 一种高分辨率遥感图像多类目标检测识别方法 | |
Ozturk et al. | Detecting dominant motion flows in unstructured/structured crowd scenes | |
CN103065331A (zh) | 基于空时域边缘和颜色特征关联的目标跟踪方法 | |
CN103985127A (zh) | 一种密集恒星背景的弱小目标检测方法及装置 | |
Cheng et al. | Target detection in remote sensing image based on object-and-scene context constrained CNN |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180309 |