CN108665486A

CN108665486A - 一种强对流单体样本的标记方法

Info

Publication number: CN108665486A
Application number: CN201810279008.4A
Authority: CN
Inventors: 王萍; 车焯; 王迪
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2018-03-31
Filing date: 2018-03-31
Publication date: 2018-10-16

Abstract

本发明公开了一种强对流单体样本的标记方法，主要包括实现强对流单体的样本标记。实现强对流单体的样本标记的过程是：首先，输入雷达基数据和对流天气实况，并进行单体分割和超折射滤除，然后实现单体跟踪，最后，用户标记某体扫时刻单体的单体类型，根据单体跟踪结果自动给出与所标记单体相关联的所有单体的类型。本方法实现了单体分割和单体跟踪，并由此实现了强对流单体的样本标记，为如何实现大量的强对流单体的样本标记提供了一种可行途径。

Description

一种强对流单体样本的标记方法

技术领域

本发明涉及气象学领域，特别涉及一种单体分割算法和一种基于光流法的单体跟踪算法以及基于以上分割算法和跟踪算法的人机交互式干预调整策略。

背景技术

Hinton^[1-2]等于2006年首次提出以深度神经网络为代表的深度学习技术，引起了学术界的关注之后，Krizhevsky^[3]等于2012年构建深度卷积神经网络，在大规模图像分类问题上取得了巨大成功。

深度学习主要是数据驱动的，其效果依赖于大量的标记样本，通过深度学习实现强对流单体的识别，需要大量的强对流单体的标记样本，现有标记方法存在以下不足：

(1)需要手动分割单体，工作繁琐、标记结果受到人为因素影响。

(2)需要收集数以万计的单体样本，工作量巨大。

[参考文献]

[1]Hinton G E，Salakhutdinov R R.Reducing the dimensionality of datawith neural networks[J].science，2006，313(5786)：504-507.

[2]Hinton G E，Osindero S，Teh Y W.A fast learning algorithm for deepbelief nets[J]. Neural computation，2006，18(7)：1527-1554.

[3]Krizhevsky A，Sutskever I，Hinton G E.Imagenet classification withdeep convolutional neural networks[C]//Advances in neural informationprocessing systems.2012：1097-1105.

[4]Barron J L，Fleet D J，Beauchemin S S.Performance of optical flowtechniques. International Journal of Computer Vision，1994，12(1)：43-77.

发明内容

针对现有技术，本发明提供了一种强对流单体的样本辅助标记方法，包括“膨胀-避让” 的单体分割算法、基于光流法的单体跟踪算法以及基于以上分割算法和跟踪算法的人机交互式干预调整策略。实现了单体的自适应分割，除去了样本标记中手动分割单体的工作；实现了单体的自动跟踪，并由此减少了所需手工标记单体的数目；实现了基于单体自适应分割算法及自动跟踪算法的人机交互式干预调整，以确保单体标记结果的合理性。

为了解决上述技术问题，本发明提出的一种强对流单体样本的标记方法，包括以下步骤：

步骤一、输入对流天气实况和一组连续体扫的雷达基数据，所述对流天气实况包括对流天气类型、发生结束时间、发生结束地点；

以所述该组雷达基数据为原始数据，求取获得一组组合反射率图，记为第一组合反射率图；同时获得一组去除了0.5°仰角反射率后得到的组合反射率图，记为第二组合反射率图；并对上述得到的两组组合反射率图分别进行单体分割，从而得到单体；

步骤二、对存在于第一组合反射率图而不存在于第二组合反射率图的单体进行超折射滤除，并以第一组合反射率图中保留的单体作为最终的单体分割结果；

步骤三、通过光流法实现前后体扫时刻的单体跟踪，从而确定前后体扫时刻的单体是否关联；

步骤四、对强对流单体进行标记：

用户根据对流天气实况对一个体扫时刻的所有单体分别进行类型的标记，根据步骤三的跟踪结果自动给出与所标记单体相关联的所有单体的类型的标记，单体的类型包括强对流单体类型和非强对流单体类型，其中，所述强对流单体的类型包括：冰雹、短时强降水、雷雨大风、冰雹+短时强降水、冰雹+雷雨大风和冰雹+短时强降水+雷雨大风；

将自动给出的标记结果中不符合对流天气实况的标记结果进行手动更正。

进一步讲，本发明步骤一中，单体分割的具体步骤如下：

步骤1)筛选n个种子区域：将以45dBZ为阈值，以80km²为面积阈值提取的连通域作为种子区域，分别标记为S₁、S₂、......、S_n-1、S_n；

步骤2)筛选最大关注区域：用阈值分割法得到所有取值大于30dBZ的区域作为最大关注区域，分别标记为N₁、N₂、......、N_m-1、N_m，N_i中包含种子区域的个数为j，j≤n， 1≤i≤m，若j≤1，则最大关注区域N_i表示为一个单体；否则，对最大关注区域N_i进行如下操作；

步骤2-1)令该最大关注区域N_i中的种子区域长大形成k个单体核H，包括：

从最大关注区域N_i的外围历经30dBZ、35dBZ和40dBZ三个值域到达种子区域边界，将其中阈值在40dBZ、35dBZ和30dBZ以上的区域分别记为种子区域的内核、中核和外核；

单体核H的形成根据以下情况确定：

1)若最大关注区域N_i的外核包含的种子区域数目小于2，则该最大关注区域N_i的外核形成了单体核H；

2)若最大关注区域N_i的外核包含的种子区域数目不小于2，且最大关注区域N_i的中核包含的种子区域数目小于2，则该最大关注区域N_i的中核形成了单体核H；

3)在上述情况1)和2)均不成立的情况下，则该最大关注区域N_i的内核形成了单体核H；

步骤2-2)膨胀-避让式分割单体：

①最大关注区域N_i的最小外包矩形宽为w、高为h，将k个单体核H记为 H₁、H₂、......、H_k-1、H_k，设一个数组A的大小为w×h，并设该数组A所有元素的初值为0；

②用数组A将最大关注区域N_i中的所有像素点做确定性标记和尚不确定性标记：即将数组A中与第1个单体核对应的元素赋值为1，以此表示此像素点属于第1个单体；将数组A中与最大关注区域N_i中非单体核区域对应的元素赋值为k+1；

③用数学形态学的膨胀法对最大关注区域N_i中的所有单体核 H₁、H₂、......、H_k-1、H_k进行膨胀，得到膨胀模板H^* ₁、H^* ₂、......、H^* _k-1、H^* _k；遍历H^* _p中的新增点P，p＝1，2，3，....，k-1，k；若A(P)＝m+1，则将P点拾入单体p，即A(P)＝p；

④逆转p的顺序，重复上述③的操作直至数组A中的所有值均不为m+1。

进一步讲，本发明步骤三的具体内容如下：

步骤1)利用光流法求得光流数：利用步骤二得到前体扫时刻单体和后体扫时刻单体；然后输入该两帧组合反射率图，并通过光流法计算出光流场数据；遍历光流场数据点，对于X方向速度或者Y方向速度大于30的光流场数据点赋值为0；通过光流场数据计算得到前体扫时刻所有像素在后体扫时刻的流入位置；对比前后体扫时刻各单体的范围，计算出光流数；光流数记为SUM(A→B)，用以表示由前体扫时刻单体A流入后体扫时刻单体B的像素数；用光流数量化前体扫时刻单体A和后体扫时刻单体B的关联程度，

步骤2)结合前后体扫时刻单体的面积S，综合考虑前后体扫时刻单体出现分裂或合并的情况，制定如下三个条件，若满足其一则认为前体扫时刻单体A和后体扫时刻单体B存在关联，

条件一、SUM(A→B)＞S(A)×50％；

条件二、SUM(A→B)＞S(B)×50％；

条件三、设SUM(A→B)＝c，对前体扫时刻的l个单体流入后体扫时刻单体B的所有像素求和，记为SUM，c/SUM＞50％，且c/S(B)＞33％。

与现有技术相比，本发明的有益效果是：

(1)本发明通过对存在于普通组合反射率图而不存在于去除0.5°仰角反射率后得到的组合反射率图的单体进行超折射滤除，减少了超折射滤除的错误滤除。

(2)本发明通过对基于组合反射率图的单体分割实现了单体自动分割，减去了手动分割的工作。

(3)本发明通过基于光流法的单体跟踪方法实现了单体跟踪，由此减少了所需手动标记单体的数目。

(4)本发明通过将对流实况与单体跟踪和单体跟踪结果制作于同一界面，由此将繁复的对流单体标记工作简化为自动标记结果的确认或简单调整，显著提高了对流单体样本标记工作的效率和质量。

附图说明

图1是采用本方法对组合反射率图进行单体分割的结果示意图，矩形框为单体的最小外包矩形。

图2是对前体扫时刻的组合反射率图进行单体分割，单体分割结果如图所示，矩形框为单体的最小外包矩形，矩形框左上角标号为对该单体的编号。

图3是对后体扫时刻的组合反射率图进行单体分割，单体分割结果如图所示，矩形框为单体的最小外包矩形，矩形框左上角标号为对该单体的编号。

图4是强对流单体样本辅助标记的人机交互界面。

图5a-d是连续4个体扫时刻的单体分割结果，矩形框为单体的最小外包矩形，矩形框左上角标号为该单体的编号。

图6是图5a-d中连续四个体扫时刻的单体跟踪结果示意图，箭头表示单体的流向。

图7是强对流单体的样本辅助标记方法的整体操作流程，实线框表示用户操作，虚线框表示本方法实现的辅助操作。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。

本发明提出的一种强对流单体样本的标记方法，如图7所示，包括以下步骤：

步骤一、输入对流天气实况和一组连续体扫的雷达基数据，所述对流天气实况包括对流天气类型、强度、发生结束时间、发生结束地点；以所述该组雷达基数据为原始数据，求取获得一组组合反射率图，记为第一组合反射率图；同时获得一组去除了0.5°仰角反射率后得到的组合反射率图，记为第二组合反射率图；并对上述得到的两组组合反射率图分别进行单体分割，从而得到单体；具体内容如下：

步骤1)筛选n个种子区域：据统计，引发冰雹、暴雨等强对流天气的云团回波图像的反射率值一般高于45dBZ、区域面积大于80km²，将以45dBZ为阈值，以80km²为面积阈值提取的连通域作为种子区域，分别标记为S₁、S₂、......、S_n-1、S_n；

步骤2)筛选最大关注区域：根据风暴单体的反射率强度至少等于30dBZ的经验，用阈值分割法得到所有取值大于30dBZ的区域作为最大关注区域，分别标记为N₁、N₂、......、N_m-1、N_m，N_i中包含种子区域的个数为j，j≤n，1≤i≤m，若j≤1，则最大关注区域N_i表示为一个单体；否则，对最大关注区域N_i进行如下操作；

单体核H的形成根据以下情况确定：

步骤2-2)膨胀-避让式分割单体：

许多强对流风暴的重要特征是基于单体而不是单体核的，为此，需要依托单体核将单体恰当地分割出来；按照上述单体核的提取思路及算法易知：对于多单体风暴而言，单体核是从各自的种子逐层生长出来的相互之间不发生交叠的最大的区域，接下来的单体分割的关键是在欲发生交织的区域上找到一根合理的分割线；为此，本文设计了一种“膨胀-避让”算法，具体操作步骤如下：

③用数学形态学的膨胀法对最大关注区域N_i中的所有单体核 H₁、H₂、......、H_k-1、H_k进行膨胀，得到膨胀模板H^* ₁、H^* ₂、......、H^* _k-1、H^* _k；遍历中的新增点P，p＝1，2，3，....，k-1,k；若A(P)＝m+1，则将P点拾入单体p，即A(P)＝p；

步骤二、由于超折射现象一般只存在于低仰角(0.5°)的反射率图，为了减少超折射滤除的错误滤除，故只对存在于第一组合反射率图而不存在于第二组合反射率图的单体进行超折射滤除，并以第一组合反射率图中保留的单体作为最终的单体分割结果；

步骤三、通过光流法实现前后体扫时刻的单体追踪，从而确定前后体扫时刻的单体是否关联；具体内容如下：

步骤1)利用光流法^[4]求得光流数：利用步骤二得到前体扫时刻单体和后体扫时刻单体；然后输入该两帧组合反射率图，并通过光流法计算出光流场数据；遍历光流场数据点，对于X方向速度或者Y方向速度大于30的光流场数据点赋值为0；通过光流场数据计算得到前体扫时刻所有像素在后体扫时刻的流入位置；对比前后体扫时刻各单体的范围，计算出光流数；光流数记为SUM(A→B)，用以表示由前体扫时刻单体A流入后体扫时刻单体B的像素数；用光流数量化前体扫时刻单体A和后体扫时刻单体B的关联程度，光流数越高，前体扫时刻单体A和后体扫时刻单体B的相关联程度就越高，反之越低；

条件一、SUM(A→B)＞S(A)×50％；

条件二、SUM(A→B)＞S(B)×50％；

步骤四、对强对流单体进行标记：用户根据对流单体实况对一个体扫时刻的所有单体分别进行类型的标记，根据步骤三的追踪结果自动给出与所标记单体相关联的所有单体的类型的标记，单体的类型包括强对流单体类型和非强对流单体类型，其中，所述强对流单体的类型包括：冰雹、短时强降水、雷雨大风、冰雹+短时强降水、冰雹+雷雨大风和冰雹+ 短时强降水+雷雨大风；

下面以具体的实验来验证本发明的可行性，主要分为3部分：

1、实现单体的自适应分割

图1是采用步骤一和步骤二进行单体分割的结果，雷达数据来源于天津市塘沽雷达站 2005年7月11日，矩形框为单体的最小外包矩形。

2、实现单体跟踪

数据来源是天津市塘沽雷达站2015年8月18日的雷达数据。

图2和图3分别是前体扫时刻和后体扫时刻的单体分割结果，单体标号如图所示，根据光流法得到图2，图3的光流数如表1所示，前后体扫时刻单体面积如表2所示：

表1 光流数表

表2 单体面积表

根据上表得到SUM(0→0)＝290＞S(后体扫时刻0号单体)×50％＝339×50％＝169.5，故后体扫时刻0号单体与前体扫时刻0号单体存在联系，同理可判断后体扫时刻1，2号单体与前体扫时刻满0号单体存在联系，后体扫时刻3号单体来与前体扫时刻1号单体存在联系。以上结果表明前体扫时刻0号单体分裂为后体扫时刻的0，1，2号单体，后体扫时刻3号单体主要继承了前体扫时刻的1号单体。

3、通过人机交互，实现对对流单体样本的快速且合理标记

人机交互界面如图4所示：在输入连续四个体扫时刻的雷达基数据和对流天气实况后，界面左上方是所选体扫时刻的单体分割结果、实况信息及和单体标记类型，可通过鼠标点击更改对应的单体类型；右上方显示所输入雷达数据的时间；正下方是所输入雷达数据的单体分割缩略图，可通过点击缩略图改变所选时刻。所输入的雷达数据来源于2015年8月18日02：36-02：54天津市塘沽雷达站，其对应的单体分割结果如图5a-d所示，单体跟踪结果如图6所示。

根据第一个体扫时刻(2：36)的单体分割结果以及时刻信息，可以判断0号单体是雷雨大风单体，1号单体是短时强降水+冰雹的复合单体，用户通过鼠标单击标记单体类型后，软件根据单体跟踪结果，自动标记第二个时刻(2：42)的0号单体、第三个时刻(2：48)的0号单体和第四个时刻(2：54)的1号单体为雷雨大风单体，标记第二个时刻(2：42)的1 号单体、第三个时刻(2：48)的1号单体和第四个时刻(2：54)的2号单体为短时强降水+ 冰雹的复合单体，由此减少了所需手动标记单体的数目。

图7是上述操作的完整流程图，实现框表示用户操作，虚线框表示本方法实现的辅助操作。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims

1.一种强对流单体样本的标记方法，其特征在于，包括以下步骤：

步骤四、对强对流单体进行标记：

2.根据权利要求1所述强对流单体样本的标记方法，其特征在于：步骤一中，单体分割的步骤如下：

步骤1)筛选n个种子区域：将以45dBZ为阈值，以80km²为面积阈值提取的连通域作为种子区域，分别标记为S₁、S₂、……、S_n-1、S_n；

步骤2)筛选最大关注区域：用阈值分割法得到所有取值大于30dBZ的区域作为最大关注区域，分别标记为N₁、N₂、……、N_m-1、N_m，N_i中包含种子区域的个数为j，j≤n，1≤i≤m，若j≤1，则最大关注区域N_i表示为一个单体；否则，对最大关注区域N_i进行如下操作；

单体核H的形成根据以下情况确定：

步骤2-2)膨胀-避让式分割单体：

①最大关注区域N_i的最小外包矩形宽为w、高为h，将k个单体核H记为H₁、H₂、......、H_k-1、H_k，设一个数组A的大小为w×h，并设该数组A所有元素的初值为0；

③用数学形态学的膨胀法对最大关注区域N_i中的所有单体核H₁、H₂、......、H_k-1、H_k进行膨胀，得到膨胀模板H^* ₁、H^* ₂、......、H^* _k-1、H^* _k；遍历中的新增点P，p＝1，2，3，....，k-1,k；若A(P)＝m+1，则将P点拾入单体p，即A(P)＝p；

3.根据权利要求1所述强对流单体样本的标记方法，其特征在于：步骤三的具体内容如下：

条件一、SUM(A→B)>S(A)×50％；

条件二、SUM(A→B)>S(B)×50％；

条件三、设SUM(A→B)＝c，对前体扫时刻的l个单体流入后体扫时刻单体B的所有像素求和，记为SUM，c/SUM>50％，且c/S(B)>33％。