CN108732570A - 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 - Google Patents
基于粒子滤波融合算法的灾害性对流天气的临近预报方法 Download PDFInfo
- Publication number
- CN108732570A CN108732570A CN201710259932.1A CN201710259932A CN108732570A CN 108732570 A CN108732570 A CN 108732570A CN 201710259932 A CN201710259932 A CN 201710259932A CN 108732570 A CN108732570 A CN 108732570A
- Authority
- CN
- China
- Prior art keywords
- echo
- radar return
- motion vector
- radar
- vector field
- 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.)
- Granted
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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于粒子滤波融合算法的灾害性对流天气临近预报方法,包括如下步骤:对所述雷达回波资料进行去除噪音的质量控制预处理;将去噪后的雷达回波基数据分别采用基于Lucas–Kanade约束法的光流法和基于Harris角点算法追踪计算得到雷达回波运动矢量场,再采用粒子滤波算法对所述雷达回波运动矢量场进行融合得到逼近雷达回波真实运动轨迹的最优雷达回波运动矢量估计;利用所述最优雷达回波运动矢量估计采用半拉格朗日外推方法进行雷达回波的外推预报,最后获得预定区域整个雷达回波的预报图像。初步结果显示本发明的方法能够获得更接近实况、更真实的、更精细的雷达回波运动矢量场,从而提高灾害性对流天气临近预报的准确率。
Description
技术领域
本发明涉及气象雷达资料数据处理及临近预报领域,尤其涉及一种基于粒子滤波融合算法的临近预报方法。
背景技术
临近预报一般是指0-6h对雷暴及其产生的灾害性对流天气的预报。目前业务上使用的0-1h临近预报主要是基于多普勒雷达的雷暴识别和自动外推临近预报技术。客观外推预报30分钟、60分钟或更长时间的雷暴单体位置往往比主观外推预报更有效。20世纪50年代,Ligda首先进行了雷达回波的外推工作。此后雷达自动外推技术得到不断发展。对流临近预报外推方法主要有单体质心法、交叉相关法和光流法。单体质心法是将雷暴看作一个三维单体进行识别、追踪、外推做临近预报。交叉相关法是计算连续时次雷达回波的相关系数,建立雷达回波的最佳拟合关系,来确定回波在过去时次的移动矢量,以此追踪该回波的移动特征,通过得到的回波移动矢量来对回波的位置和形状进行外推。单体质心外推法主要用于对流降水的外推预报。而交叉相关法既可以对对流降水进行预报,也可以追踪层状云降水,在气象业务部门得到比较广泛的使用。但交叉相关法对局地生成的回波及强度和形状变化较快的回波外推失败的情况会显著增加。近年来光流法逐渐应用在短临预报中,取得较好的应用效果。
对华南地区降水检验表明,光流法对移动型局地生成的回波及强度和形状随时间变化很快的雷暴效果优于交叉相关预报方法,而对热带系统降水,交叉相关法预报效果优于光流法,表明光流法仍存在一定的局限性。在未来几年把高时空分辨率的数值预报产品应用在临近预报的实际业务中的可能性依然较低,2020年之前临近预报仍然主要以雷达外推技术为主。如何将各种临近预报方法结合起来,取长补短,得到最优化的预报结果,是目前临近预报的一个难题。
发明内容
本发明要解决的技术问题是提供一种能够得到更逼近回波真实运动矢量场的方法,并利用获得的运动矢量场进行外推,以提高0-1h客观临近预报能力。
本发明采用如下技术方案解决上述技术问题:
设计一种基于粒子滤波融合算法的灾害性对流天气临近预报方法,该方法以分布在预定区域多个站点的气象雷达拼图资料为临近预报的初始资料,包括如下步骤:
第一步:对预报区域内所述雷达回波资料进行质量控制预处理,包括:
S1:将雷达资料从极坐标格式利用最近邻居法和垂直方向的线性内插法相结合的插值法插值到三维直角坐标系中,采用“膨胀-侵蚀”法解决雷达回波资料所存在的回波空洞、数据缺失的问题,得到雷达回波基数据;
S2:采用双边滤波对所述雷达回波基数据进行去除噪音处理;
第二步:将去噪后的雷达回波基数据分别采用基于Lucas–Kanade约束法的光流法和基于Harris角点算法追踪计算得到第一和第二回波运动矢量场,再采用粒子滤波算法对所述第一和第二回波运动矢量场进行融合得到逼近雷达回波真实运动轨迹的最优雷达回波运动矢量估计;
第三步:利用所述最优雷达回波运动矢量估计采用半拉格朗日外推方法进行雷达回波的外推预报,最后获得预定区域整个雷达回波的预报图像;
所述半拉格朗日外推方法的平流公式如下:
公式中的F分别为雷达回波的预报场和观测场,t0为预报开始时间,τ为预报时效,α为位移矢量;
采用半拉格朗日平流方法将预报时效τ分为N步进行外推,外推的时间步长为△t,采用前向外推,每一步的位移量α由下式迭代得到:
其中为在格点处的速度;α的初始值为0,总位移是N步位移的总和。
所述第一步S2中的双边滤波是基于中心像素与中心周围像素的亮度差值的加权,对相似的像素赋予较高权重,不相似的像素赋予较小的权重,具体算法如下:
所述双边滤波的具体算法为:
其中:
上式中,I、FB(I)分别为输入图像和滤波后图像,高斯核函数代表以(x,y)为中心,以w为半径的矩形内点的空间相似度,σs为方差参数,取值3;为以(x,y)为中心,以w为半径的矩形内点的像素相似度,σr为方差参数,取值0.1。
所述第二步包括如下步骤:
S1:采用Lucas–Kanade约束的光流法得到第一回波运动矢量场f(x);
S2:采用基于Harris角点算法追踪回波得到第二回波运动矢量场h(x);
所述Harris角点定义的基础是雷达回波图像灰度强度的二阶导数矩阵,对原始雷达回波图像全部像素求导,得到一个新的二阶导数图像矩阵,即Hessian矩阵:
对于Harris角点,使用每个像素邻域内的二阶导数图像的自相关矩阵来定义,其表达式如下:
上式中,Wi,j为权重比例,I(x+i,y+j)二阶导数图像像素点;
S3:采用粒子滤波算法对第一回波运动矢量场f(x)和第二回波运动矢量场h(x)进行融合得到逼近雷达回波真实运动的最优运动矢量场估计。
所述第二步粒子滤波的具体算法如下:
回波矢量场可表示为:
上式中,f(x)、h(x)分别为状态方程和观测方程,xt、yt、mt、nt分别表示系统的状态、观测值、过程噪声和观测噪声;
在得到观测值yt后,估计状态变量xt的条件概率密度函数Ω(xt|yt),在进行雷达回波状态跟踪时,假定回波当前时刻的状态xt只与上一时刻的状态xt-1有关,同时假定观测值yt只与t时刻的状态xt有关,即观测值之间互相独立;
在进行求解时引入了优化算法对粒子滤波参数进行寻优,使算法对整个参数空间进行高效搜索以获得最优解,通过对各参数时间更新与量测更新的反复迭代估计出Ω(xt|yt)的最优解;粒子滤波利用一系列带权值的空间随机采样,来逼近后验概率密度函数;后验概率密度函数采用一组加权的粒子近似表示:
式中为归一化权重,满足其中N为粒子数。
所述第二步中的S1:采用Lucas–Kanade约束的光流法获得第一回波运动矢量场f(x)具体包括如下步骤:
S1-1:假定某点的雷达回波在(t+△t)时段运动到(x+△x,y+△y),在设定的时间间隔△t内,雷达回波的灰度值保持不变,可得到如下光流约束方程:
Ixu+Iyv+It=0
上式中:
S1-2:采用Lucas-Kanade局部约束法作为计算雷达回波光流场的约束条件,可得到如下光流场的计算公式:
所述第二步的S3:采用粒子滤波算法对第一回波运动矢量场f(x)和第二回波运动矢量场h(x)进行融合得到逼近雷达回波真实运动的最优运动矢量场估计的具体算法包括如下步骤:
S3-1:初始化:k=0,
在先验密度函数Ω(x0)中采集样本该粒子权重取为
S3-2:k≥1时,按照如下步骤迭代计算:
S3-2-1:粒子重要性采样
粒子被采样后,根据分别计算相应的权重,并对其进行归一化处理
S3-2-2:重采样
如果有效采样粒子数N小于阈值Nth,那么对粒子样本进行重新采样;重采样的样本形成新的粒子集如果新的粒子集满足则权重值重新定义为否则由步骤S3-2-1跳转到步骤S3-2-3;这里,Nth为事前给定的阈值,取值为3N/4;
S3-2-3:状态更新
所述粒子滤波以递推的形式对所述第一回波运动矢量场f(x)和第二回波运动矢量场h(x)进行寻优融合,给出后验概率密度函数的最优解,从而计算出预报区域内回波运动的最优轨迹。
所述第三步采用半拉格朗日平流方法将预报时效τ分为N步进行外推的时间步长△t取值6分钟。
与现有技术相比,本发明基于粒子滤波融合算法的临近预报方法具有如下优点:结合粒子滤波法是基于Lucas–Kanade约束法的光流法和基于Harris角点算法追踪计算得到回波运动矢量场进行融合计算,可得到更逼近回波真实运动的最优矢量估计,能够获得更接近实况、更真实的、更精细的回波运动矢量场。
附图说明
图1是本发明基于粒子滤波融合算法的灾害性对流天气临近预报方法的流程图;
图2是2016年4月13日4:30时雷达回波双边滤波前后对比效果图,其中,(a)为滤波前的雷达回波效果图,(b)为滤波后的雷达回波效果图;
图3是对2016年4月13日6:30时广东范围的雷达回波采用多种算法获得的回波运动矢量场的对比效果图;其中,(a)为采用粒子滤波融合法获得的回波运动矢量场效果图,(b)为采用交叉相关法获得的回波运动矢量场效果图,(c)为采用光流法获得的回波运动矢量场效果图;
图4是对2016年5月21日广东范围降水过程采用多种算法的未来30分钟雷达回波图的外推预报的对比效果图;其中,(a)为起报时间为2:00的雷达回波实况,(b)为30分钟后2:30的雷达回波实况,(c)为采用粒子滤波融合法预报30分钟后2:30的回波,d为采用交叉相关法预报30分钟后2:30的回波,e为采用光流法预报30分钟后2:30的回波;
图5是2016年8月2日妮妲台风广东雷达拼图采用多种算法的未来30分钟外推预报个例对比效果图;(a)为起报时间为04:30的雷达实况,(b)为30分钟后04:30的雷达实况,(c)为采用粒子滤波融合法预报未来30分钟后05:00的波回,(d)为采用交叉相关法预报未来30分钟后05:00的回波,(e)为采用光流法预报未来30分钟后05:00的回波。
具体实施方式
为了使本发明的目的、技术方案、有益效果更加清楚明白,以下结合附图及实施例,对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
本发明的基于粒子滤波融合算法的灾害性对流天气临近预报方法以分布在预定区域多个站点的气象雷达拼图资料为临近预报的初始资料。例如,本发明的实施例选用广东12部S波段多普勒天气雷达2.5公里高度的拼图资料,本发明的的灾害性对流天气临近预报方法包括如下步骤:
第一步:首先对雷达资料进行质量控制处理,该质量控制处理的具体步骤和算法如下:
S1:将雷达资料从极坐标格式利用最近邻居法和垂直方向的线性内插法相结合的插值法插值到三维直角坐标系中,采用“膨胀-侵蚀”法解决回波空洞、缺失缺陷问题,得到雷达回波基数据。所述“膨胀-侵蚀”法属于现有技术,不赘述;
S2:再采用双边滤波对三维直角坐标系的雷达回波基数据进行质量控制,双边滤波的具体算法为:
其中:
公式(1)中,I、FB(I)分别为输入图像和滤波后图像,高斯核函数代表以(x,y)为中心,以w为半径的矩形内点的空间相似度,σs为方差参数,取值3;为以(x,y)为中心,以w为半径的矩形内点的像素相似度,σr为方差参数,取值0.1。
由算法可知,双边滤波是基于中心像素与中心周围像素的亮度差值的加权,对相似的像素赋予较高权重,不相似的像素赋予较小的权重。双边滤波信号保持优异,降噪能力强,并且能够完整保持回波的边缘。图2是2016年4月13日6:30雷达回波双边滤波前后对比效果图,图2a为滤波前的雷达回波效果图,图2b为滤波后的雷达回波效果图。由图2中不难看出,经双边滤波处理后,雷达回波没有出现明显失真,回波变得更平滑、回波边缘完整清晰,证明双边滤波的去噪效果良好,达到了较理想的滤波效果。
第二步:将去噪后的雷达回波基数据分别采用基于Lucas–Kanade约束法的光流法和基于Harris角点算法追踪计算得到第一回波运动矢量场和第二回波运动矢量场,再采用粒子滤波算法对所述第一回波运动矢量场和第二回波运动矢量场进行融合得到逼近回波真实运动的最优运动矢量估计,具体算法如下:
S1:采用Lucas–Kanade约束的光流法得到第一回波运动矢量场f(x),具体步骤包括:
S1-1:假定某点在(t+△t)时运动到(x+△x,y+△y),在一定时间间隔△t内灰度值保持不变,可得到光流约束方程:
Ixu+Iyv+It=0 (4)
公式(4)中:
S1-2:再采用Lucas-Kanade局部约束法作为计算光流场的约束条件,可得到光流场的计算方法:
S2:采用基于Harris角点算法追踪回波得到第二回波运动矢量场h(x)。
在回波运动估计领域中,角点是一类信息含量足够丰富并且可以从前后时次的图像中识别出来的点。Harris角点定义的基础是图像灰度强度的二阶导数矩阵,对原始图像全部像素求导,得到一幅新的二阶导数图像,即Hessian矩阵:
对于Harris角点,使用每个像素邻域内的二阶导数图像的自相关矩阵来定义,其表达如下:
公式(7)中,Wi,j为权重比例,I(x+i,y+j)二阶导数图像像素点。
S3:采用粒子滤波算法对所述第一回波运动矢量场和第二回波运动矢量场进行融合得到逼近回波真实运动的最优运动矢量估计。
粒子滤波方法为采用一组加权的粒子来近似表示状态变量的概率分布,然后再根据观测方程群迭代更新每一个粒子对应权重的大小来获取实际分布的样本,最后再对粒子进行重要性采样以获得均匀权重分布。粒子滤波的具体算法如下:
在粒子滤波算法中,回波矢量场可表示为:
公式(8)中,f(x)、h(x)分别为状态方程和观测方程。xt、yt、mt、nt分别表示系统的状态、观测值、过程噪声和观测噪声。
在得到观测值yt后,估计状态变量xt的条件概率密度函数Ω(xt|yt)。在进行雷达回波状态跟踪时,假定回波当前时刻的状态xt只与上一时刻的状态xt-1有关,同时假定观测值yt只与t时刻的状态xt有关,即观测值之间互相独立。
在进行求解时引入了优化算法对粒子滤波参数进行寻优,使算法对整个参数空间进行高效搜索以获得最优解。通过对各参数时间更新与量测更新的反复迭代估计出Ω(xt|yt)的最优解。粒子滤波利用一系列带权值的空间随机采样,来逼近后验概率密度函数,后验概率密度函数采用一组加权的粒子近似表示:
公式(9)中,为归一化权重,满足N为粒子数。
采用粒子滤波算法估计后验概率密度函数主要分3步:首先从先验分布中抽取粒子进行采样,再计算粒子的权重进行定权,最后为避免粒子退化进行重采样,计算方法如下:
S3-1:初始化:k=0,
在先验密度函数Ω(x0)中采集样本该粒子权重取为
S3-2:k≥1时,按照如下步骤迭代计算:
S3-2-1:粒子重要性采样
粒子被采样后,根据分别计算相应的权重,并对其进行归一化处理粒子滤波算法中的关键问题是粒子重要性分布函数的选择和再采集,本方法中选择先验密度作为重要性分布函数。
S3-2-2:重采样
如果有效采样粒子数N小于阈值Nth(其中Nth为事前给定的阈值,本方法取值为3N/4),那么对粒子样本进行重新采样。重采样的样本形成新的粒子集新的粒子集满足权重值重新定义为否则由步骤S3-2-1跳转到步骤S3-2-3。
S3-2-3:状态更新
粒子滤波以递推的形式对两种回波运动矢量场进行寻优融合,给出后验概率密度函数的最优解,从而可计算出回波运动的最优轨迹。图3是2016年4月13日6:30时回波运动矢量场的对比图,其中图3a为采用粒子滤波融合法获得的回波运动矢量场效果图,图3b为采用交叉相关法获得的回波运动矢量场效果图,图3c为采用光流法获得的回波运动矢量场效果图。结合图2和图3不难看出,粒子滤波融合法获得了更接近实况、更真实的、更精细的回波运动矢量。粒子滤波融合采用寻优的方法,把不同的运动矢量场结合起来,取长补短,得到最优化的预报结果,所以能够获得更好的回波运动矢量。
第三步:利用寻优融合后的回波运动矢量场采用半拉格朗日外推方法进行雷达回波的外推预报。
通过粒子滤波融合算法获得雷达回波的运动矢量场后就可以对回波进行临近外推预报。半拉格朗日平流公式为:
公式(11)中,F分别为雷达回波的预报场和观测场,t0为预报开始时间,τ为预报时效,α为位移矢量。
采用半拉格朗日平流方法将预报时效τ分为N步进行外推,时间步长△t取值6分钟,采用前向外推,每一步的位移量α由下式迭代得到:
公式(12)中,为在格点处的速度。α的初始值为0,总位移是N步位移的总和。
利用粒子滤波融合算法得到的回波的运动矢量场,以此来进行外推预报,最终可获得整个回波的预报图像。
图4是针对2016年4月13日广东的一次强飑线过程,采用多种算法的未来60分钟外推预报的对比效果图,图4a为起始时间6:30的雷达实况,图4b为60分钟后7:30的回波实况,图4c为采用粒子滤波融合法预报60分钟后7:30的回波,图4d为采用交叉相关法预报60分钟后7:30回波,图4e为采用光流法预报60分钟后7:30回波;
图5为对2016年8月2日妮妲台风雷达拼图,基于多种算法的未来30分钟外推预报对比效果图,图5a为起报时间04:30的雷达实况,图5b为30分钟后04:30的雷达实况,图5c为采用粒子滤波融合法预报30分钟后05:00的回波,图5d为采用交叉相关法预报30分钟后05:00回波,图5e为采用光流法预报30分钟后05:00回波。
从图4和图5的对比效果图不难看出,粒子滤波融合法给出的30分钟、60分钟雷达回波的外推预报效果在大多数情况下好于采用交叉相关法和光流法的外推预报效果,粒子滤波融合法对对流天气过程雷达回波的外推预报具有更好的效果,可用于回波的临近预报,对业务有指导意义。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于粒子滤波融合算法的灾害性对流天气临近预报方法,该方法以分布在预定区域多个站点的气象雷达拼图资料为临近预报的初始资料,包括如下步骤:
第一步:对预报区域内所述雷达回波资料进行质量控制预处理,包括:
S1:将雷达资料从极坐标格式利用最近邻居法和垂直方向的线性内插法相结合的插值法插值到三维直角坐标系中,采用“膨胀-侵蚀”法解决雷达回波资料所存在的回波空洞、数据缺失的问题,得到雷达回波基数据;
S2:采用双边滤波对所述雷达回波基数据进行去除噪音处理;
第二步:将去噪后的雷达回波基数据分别采用基于Lucas–Kanade约束法的光流法和基于Harris角点算法追踪计算得到第一和第二回波运动矢量场,再采用粒子滤波算法对所述第一和第二回波运动矢量场进行融合得到逼近雷达回波真实运动轨迹的最优雷达回波运动矢量估计;
第三步:利用所述最优雷达回波运动矢量估计采用半拉格朗日外推方法进行雷达回波的外推预报,最后获得预定区域整个雷达回波的预报图像;
所述半拉格朗日外推方法的平流公式如下:
公式中的F分别为雷达回波的预报场和观测场,t0为预报开始时间,τ为预报时效,α为位移矢量;
采用半拉格朗日平流方法将预报时效τ分为N步进行外推,外推的时间步长为△t,采用前向外推,每一步的位移量α由下式迭代得到:
其中为在格点处的速度;α的初始值为0,总位移是N步位移的总和。
2.根据权利要求书1所述的灾害性对流天气临近预报方法,其特征在于:所述第一步S2中的双边滤波是基于中心像素与中心周围像素的亮度差值的加权,对相似的像素赋予较高权重,不相似的像素赋予较小的权重,具体算法如下:
所述双边滤波的具体算法为:
其中:
上式中,I、FB(I)分别为输入图像和滤波后图像,高斯核函数代表以(x,y)为中心,以w为半径的矩形内点的空间相似度,σs为方差参数,取值3;为以(x,y)为中心,以w为半径的矩形内点的像素相似度,σr为方差参数,取值0.1。
3.根据权利要求书1所述的灾害性对流天气临近预报方法,其特征在于:所述第二步包括如下步骤:
S1:采用Lucas–Kanade约束的光流法得到第一回波运动矢量场f(x);
S2:采用基于Harris角点算法追踪回波得到第二回波运动矢量场h(x);
所述Harris角点定义的基础是雷达回波图像灰度强度的二阶导数矩阵,对原始雷达回波图像全部像素求导,得到一个新的二阶导数图像矩阵,即Hessian矩阵:
对于Harris角点,使用每个像素邻域内的二阶导数图像的自相关矩阵来定义,其表达式如下:
上式中,Wi,j为权重比例,I(x+i,y+j)二阶导数图像像素点;
S3:采用粒子滤波算法对第一回波运动矢量场f(x)和第二回波运动矢量场h(x)进行融合得到逼近雷达回波真实运动的最优运动矢量场估计。
4.根据权利要求书1所述的灾害性对流天气临近预报方法,其特征在于:所述第二步粒子滤波的具体算法如下:
回波矢量场可表示为:
上式中,f(x)、h(x)分别为状态方程和观测方程,xt、yt、mt、nt分别表示系统的状态、观测值、过程噪声和观测噪声;
在得到观测值yt后,估计状态变量xt的条件概率密度函数Ω(xt|yt),在进行雷达回波状态跟踪时,假定回波当前时刻的状态xt只与上一时刻的状态xt-1有关,同时假定观测值yt只与t时刻的状态xt有关,即观测值之间互相独立;
在进行求解时引入了优化算法对粒子滤波参数进行寻优,使算法对整个参数空间进行高效搜索以获得最优解,通过对各参数时间更新与量测更新的反复迭代估计出Ω(xt|yt)的最优解;粒子滤波利用一系列带权值的空间随机采样,来逼近后验概率密度函数;后验概率密度函数采用一组加权的粒子近似表示:
式中为归一化权重,满足其中N为粒子数。
5.根据权利要求书3所述的灾害性对流天气临近预报方法,其特征在于:所述S1中采用Lucas–Kanade约束的光流法获得第一回波运动矢量场f(x)具体包括如下步骤:
S1-1:假定某点的雷达回波在(t+△t)时段运动到(x+△x,y+△y),在设定的时间间隔△t内,雷达回波的灰度值保持不变,可得到如下光流约束方程:
Ixu+Iyv+It=0
上式中:
S1-2:采用Lucas-Kanade局部约束法作为计算雷达回波光流场的约束条件,可得到如下光流场的计算公式:
6.根据权利要求书3所述的灾害性对流天气临近预报方法,其特征在于:所述步骤S3采用粒子滤波算法对第一回波运动矢量场f(x)和第二回波运动矢量场h(x)进行融合得到逼近雷达回波真实运动的最优运动矢量场估计的具体算法包括如下步骤:
S3-1:初始化:k=0,
在先验密度函数Ω(x0)中采集样本该粒子权重取为
S3-2:k≥1时,按照如下步骤迭代计算:
S3-2-1:粒子重要性采样
粒子被采样后,根据分别计算相应的权重,并对其进行归一化处理
S3-2-2:重采样
如果有效采样粒子数N小于阈值Nth,那么对粒子样本进行重新采样;重采样的样本形成新的粒子集如果新的粒子集满足则权重值重新定义为否则由步骤S3-2-1跳转到步骤S3-2-3;
这里,Nth为事前给定的阈值,取值为3N/4;
S3-2-3:状态更新
所述粒子滤波以递推的形式对所述第一回波运动矢量场f(x)和第二回波运动矢量场h(x)进行寻优融合,给出后验概率密度函数的最优解,从而计算出预报区域内回波运动的最优轨迹。
7.根据权利要求书1所述的灾害性对流天气临近预报方法,其特征在于:所述第三步采用半拉格朗日平流方法将预报时效τ分为N步进行外推的时间步长△t取值6分钟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710259932.1A CN108732570B (zh) | 2017-04-20 | 2017-04-20 | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710259932.1A CN108732570B (zh) | 2017-04-20 | 2017-04-20 | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108732570A true CN108732570A (zh) | 2018-11-02 |
CN108732570B CN108732570B (zh) | 2021-10-19 |
Family
ID=63924313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710259932.1A Active CN108732570B (zh) | 2017-04-20 | 2017-04-20 | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108732570B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379207A (zh) * | 2019-07-19 | 2019-10-25 | 崔传忠 | 一种自动船舶气象信息发布系统及其方法 |
CN111538013A (zh) * | 2020-05-12 | 2020-08-14 | 上海眼控科技股份有限公司 | 雷达回波外推方法、装置、计算机设备和存储介质 |
CN112363140A (zh) * | 2020-11-05 | 2021-02-12 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN114333241A (zh) * | 2021-12-08 | 2022-04-12 | 电子科技大学 | 基于事件触发的滑坡灾害点大数据采集与样本库更新方法 |
CN117630946A (zh) * | 2024-01-26 | 2024-03-01 | 中国人民解放军国防科技大学 | 基于双偏振雷达的强对流联合观测指挥方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101399969A (zh) * | 2007-09-28 | 2009-04-01 | 三星电子株式会社 | 基于运动相机的运动目标检测与跟踪的系统、设备和方法 |
CN104869387A (zh) * | 2015-04-19 | 2015-08-26 | 中国传媒大学 | 基于光流法的双目图像最大视差获取方法 |
JP5862023B2 (ja) * | 2011-03-04 | 2016-02-16 | 日本電気株式会社 | 目標追跡システム及び目標追跡方法 |
CN105741324A (zh) * | 2016-03-11 | 2016-07-06 | 江苏物联网研究发展中心 | 移动平台上的运动目标检测识别与跟踪方法 |
WO2016156292A1 (en) * | 2015-03-31 | 2016-10-06 | Koninklijke Philips N.V. | Filter assembly and airway pressure support system employing same |
-
2017
- 2017-04-20 CN CN201710259932.1A patent/CN108732570B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101399969A (zh) * | 2007-09-28 | 2009-04-01 | 三星电子株式会社 | 基于运动相机的运动目标检测与跟踪的系统、设备和方法 |
JP5862023B2 (ja) * | 2011-03-04 | 2016-02-16 | 日本電気株式会社 | 目標追跡システム及び目標追跡方法 |
WO2016156292A1 (en) * | 2015-03-31 | 2016-10-06 | Koninklijke Philips N.V. | Filter assembly and airway pressure support system employing same |
CN104869387A (zh) * | 2015-04-19 | 2015-08-26 | 中国传媒大学 | 基于光流法的双目图像最大视差获取方法 |
CN105741324A (zh) * | 2016-03-11 | 2016-07-06 | 江苏物联网研究发展中心 | 移动平台上的运动目标检测识别与跟踪方法 |
Non-Patent Citations (2)
Title |
---|
M. SANJEEV ARULAMPALAM: "A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING,》 * |
李天成: "粒子滤波理论、方法及其在多目标跟踪中的应用", 《自动化学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379207A (zh) * | 2019-07-19 | 2019-10-25 | 崔传忠 | 一种自动船舶气象信息发布系统及其方法 |
CN111538013A (zh) * | 2020-05-12 | 2020-08-14 | 上海眼控科技股份有限公司 | 雷达回波外推方法、装置、计算机设备和存储介质 |
CN112363140A (zh) * | 2020-11-05 | 2021-02-12 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN112363140B (zh) * | 2020-11-05 | 2024-04-05 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN114333241A (zh) * | 2021-12-08 | 2022-04-12 | 电子科技大学 | 基于事件触发的滑坡灾害点大数据采集与样本库更新方法 |
CN114333241B (zh) * | 2021-12-08 | 2022-10-11 | 电子科技大学 | 基于事件触发的滑坡灾害点大数据采集与样本库更新方法 |
CN117630946A (zh) * | 2024-01-26 | 2024-03-01 | 中国人民解放军国防科技大学 | 基于双偏振雷达的强对流联合观测指挥方法、系统及设备 |
CN117630946B (zh) * | 2024-01-26 | 2024-04-12 | 中国人民解放军国防科技大学 | 基于双偏振雷达的强对流联合观测指挥方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108732570B (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108732570A (zh) | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 | |
CN104977584B (zh) | 一种对流天气的临近预报方法及系统 | |
CN111797716A (zh) | 一种基于Siamese网络的单目标跟踪方法 | |
JP2020527785A (ja) | シーンの多次元特徴に基づく船舶検出方法及びシステム | |
CN110675418A (zh) | 一种基于ds证据理论的目标轨迹优化方法 | |
CN106338733B (zh) | 基于蛙眼视觉特性的前视声呐目标跟踪方法 | |
Sengar et al. | Motion detection using block based bi-directional optical flow method | |
Jing et al. | AENN: A generative adversarial neural network for weather radar echo extrapolation | |
CN110827262B (zh) | 一种基于连续有限帧红外图像的弱小目标检测方法 | |
CN111275740B (zh) | 一种基于高分辨率孪生网络的卫星视频目标跟踪方法 | |
CN101877134B (zh) | 一种机场监视视频目标鲁棒跟踪方法 | |
CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
CN109242019A (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
Yao et al. | Prediction of weather radar images via a deep lstm for nowcasting | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
CN117636268A (zh) | 一种面向冰雪环境的无人机航拍自然驾驶数据集构建方法 | |
Tang et al. | Learning from natural noise to denoise micro-doppler spectrogram | |
Li et al. | MSDM: A machine learning model for precipitation nowcasting over east China using multi-source data | |
Danpoonkij et al. | Incorporating prior scientific knowledge into deep learning for precipitation nowcasting on radar images | |
CN114217318A (zh) | 基于天气雷达回波图像的降水预报方法、装置、设备和介质 | |
Zováthi et al. | ST-DepthNet: A spatio-temporal deep network for depth completion using a single non-repetitive circular scanning Lidar | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 | |
Zhou et al. | Real-time detection and spatial segmentation of difference image motion changes | |
Luo et al. | Real-time pedestrian detection method based on improved YOLOv3 | |
CN104881884B (zh) | 一种基于视觉量子的目标跟踪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |