CN111639426B - 一种风特征时空过程可视化方法 - Google Patents
一种风特征时空过程可视化方法 Download PDFInfo
- Publication number
- CN111639426B CN111639426B CN202010460169.0A CN202010460169A CN111639426B CN 111639426 B CN111639426 B CN 111639426B CN 202010460169 A CN202010460169 A CN 202010460169A CN 111639426 B CN111639426 B CN 111639426B
- Authority
- CN
- China
- Prior art keywords
- wind
- wind field
- time
- particle
- speed
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种风特征时空过程可视化方法,包括如下步骤:分析风场属性及风场数据包含的特征要素在不同空间尺度下的表达特点,确定风的重要特征;建立风特征与风场数据之间的表达关系;对风特征表示模型中的风场基本属性逐一进行视觉编码,构建从风场数据到可视化表达之间的动态映射;采用基于粒子平流的方法,对ti与ti+1时刻下选定的风特征进行可视化;采用面向过程的时空可视化方法,在ti至ti+1时间段内,通过时空插值方法,实现对风场时空过程演化的连续模拟。同时在算法过程中,采取高性能绘制策略,提高浏览器的可视化效率,满足网络环境下风场数据的高效可视化,本发明的有益效果:针对风眼、眼墙等风特征提供通用的可视化表达。
Description
技术领域
本发明涉及风暴探测领域,具体涉及一种针对风特征的时空过程可视化方法。
背景技术
对于风暴要关注风暴的运动轨迹、变化趋势,以及风眼、眼墙、风圈等关键特征的时空变化过程。由于工作时效性的要求,需要专业人员在短时间内做出判断。以风暴观测数据为基础,利用可视化的手段帮助气象学家快速直观的分析、理解风暴的时空特征时空过程,预测风暴活动做出相关决策是当前的主要手段之一。
风暴探测形成的风场数据包括位置、时间、速度等信息。通常都是将风场数据进行直接可视化,展现的是一个区域内某一时刻下探测到的风场数据。对于风暴的特征可视化研究主要集中在两种方式:(1)在视觉感知增强方面,通过增强风场某一特征区域的位置、大小、形状、方向、颜色等视觉通道信息,提高视觉空间展现力;(2)以利用统计图表、多视图协同的方式来达到突出最大风速、平均风速等特征。另外,在风暴时空过程这一重要信息的表达上,时变过程动画方式是通过播放渲染结果生成的动态图像,可以很好地应用于空间过程的可视化。粒子驱动算法,通过控制粒子的形状、外观和密度,动态表达流场中矢量的方向和大小信息。这类方法可以通过空间插值,连续表达空间变化过程。但在时间上,仅是按时间序列展示,并不能在生命周期内,对风特征时空变化过程进行表达。
这些可视化方法多以时间序列的方式对风场过程进行展示,鲜见面向时空过程变化的模拟。虽然可以展现区域内某一时刻下的风暴整体情况,但难以从特征角度展现风暴的时空过程,清晰任意时间风暴的变化过程。研究人员难以在短时间内快速准确的发现风暴特征,理解风暴特征的演变过程。
发明内容
有鉴于此,为解决风暴特征要素时空过程的快速认知与理解问题,本发明提出了一种面向风特征时空过程表达的方法。基于风暴场数据,建立了面向可视化的风暴特征表示方法,建立风场特征转与视觉特征的转换,以面向时空过程的算法方式实现风暴特征的时空过程可视化。同时在算法过程中,采取高性能绘制策略,提高浏览器的可视化效率,满足网络环境下风场数据的高效可视化。相比其他风场可视化方法,该方法在识别风场特征和理解风场时空过程方面具有优势。
为实现上述目的,本发明采用如下技术方案:
S1、基于风特征与风场数据之间的表达关系,确定需要进行分析的风特征,构建该风特征表示模型;
S2、根据S1构建的风特征表示模型,对模型中的风场基本属性逐一进行视觉编码;
S3、选取两个风场数据探测时刻,形成需要进行分析的一段时间过程t1-t2;
S4、根据风场数据的探测时刻,将S3中的时间过程t1-t2分为W组,W=(t2-t1)/in_T,其中in_T为风场数据探测的时间间隔;划分后每组的时间间隔为in_T,设定每组起始时刻ti、终止时刻ti+1;
S5、采用基于GPU的粒子平流方法,根据S2中的风场基本属性的视觉编码,读取风场数据,在S4中选定一组Ws的起始时刻ti,i≥0,对选定的风特征进行可视化显示,1≤Ws≤W;
S6、根据S4中第Ws组的ti至ti+1时间段,i≥0,对选定风特征进行时空插值,形成ti<t<ti+1之间的时空过程演化模拟数据,并对模拟出的每一时间分辨率下的风特征演化数据进行可视化显示,t表示时间;
S7、采用基于GPU的粒子平流方法,根据S2中的风场基本属性的视觉编码,读取风场数据,在Ws组的终止时刻ti+1,i≥0,对选定的风特征进行可视化显示;至此,完成S4中一组时间间隔内的风特征可视化;
S8、对剩余组时间间隔内的风特征分别循环操作S5-S7,直至完成对所有组时间间隔的风特征可视化。
进一步地,所述步骤S1的具体过程为:
S11、建立通用的风特征表示模型;
S12、确定所研究的风特征,建立该风特征的表示模型;
S13、根据步骤S12所确定的风特征表示模型,逐一完成风场数据到风场基本属性的表示。
进一步地,建立风特征表示模型的具体过程为:
S111、对通用的风特征进行分析,在风特征研究中,风场的特征包括风速的强度、风向的空间分布及其时空变化和风场的结构特征,风场的结构特征包括风眼壁、风圈、风眼,通过对这些特征的分析,将风特征分解为风场的基本属性WA,包括风场的位置、风速和风向;
WA={时间,位置,速度,方向,气压,风圈半径radiusw…}
S112、定义风特征表示模型WFF:
WFF=<WA1,WA2,WA3,…,WAn>
WAi是风场的第i个基本属性,i=1、2、3、…、n,n表示风场的基本属性的总类型数,不同的风特征对应不同的WFF,其参数取决于表达和分析的需要,WFF中的每个基本属性WA都可以从风场数据转换得到。
进一步地,所述步骤S13中,风场基本属性用风场数据表达的过程为:
S131、定义区域内的每一层风场,公式如下:
其中,v为风场中时刻t、位置pos的风速矢量,并且有t≥0,vu是当前位置pos=(lon,lat)沿经线方向风速分量大小,lon表示当前位置的经度,lat表示当前位置的纬度;vv为当前位置沿纬线方向风速分量大小;
S132、根据风场数据,逐一完成风场数据至风场基本属性的转换,以速度属性为例,WAspeed(p(t);t)=|uwind(p(t);t)×vwind(p(t);t)|;
其中,speed(p(t);t)为风场中时刻t、位置p的风速值,uwind(p(t);t)为步骤S131风场数学定义中沿经线U方向风速分量,vwind(p(t);t)为风场数学定义中沿纬线V方向风速分量。
进一步地,所述步骤S2中,对风特征表示模型中的风场基本属性逐一进行视觉编码的方法,具体为:
S21、定义需使用的视觉特征VFW,包括Position、Hue、Luminance、Length、Orientation、Shape;其中Position、Hue、Luminance、Length、Orientation、Shape分别代表空间位置、色调、亮度、长度、方向以及形状的视觉特征;
S22、对风场属性逐一进行视觉映射,以风场速度属性speed为例,速度大小可以由视觉特征中轨迹长度length,亮度luminance,色调hue以及风圈半径shaper表示,因此有:
hue=fhue(pressure(p(t);t))
luminance=flum(speed(p(t);t))
shaper=fconr(speed(p(t);t),rw)
其中,speed(p(t);t)为风场中时刻t、位置p的风速值,pressure(p(t);t)为风场中时刻t、位置p的压强值,为t0-t1时间段内风速的积分值,t0表示当前风场所在帧时刻,t1表示下一风场帧所在时刻,fhue和flum是色调和亮度映射函数,设置为离散映射或连续映射,以满足不同的可视化需求,压强决定色调在哪个颜色段,亮度和轨迹长度的变化反映风速,fconr是由风速和风圈半径rw决定的形状半径映射函数;至此,根据步骤S1、S2,完成风场数据、风场基本属性、风特征和视觉特征的转换。
进一步地,所述步骤S5的具体过程为:
S51、在二维风场中生成第k帧的随机噪声场P(p(k);k),使得其中的噪声点粒子p(k)随机分布在绘制区域内,p(k)为第k帧时的所有风场粒子;
S52、根据每个粒子所在的风场矢量值计算其移动方向和距离,形成新的噪声场P(p(k+1);k+1),其中k代表此时风场所在的帧数,p(k+1)为第k+1帧时的所有风场粒子;在粒子运动计算阶段,应用步骤S1风特征表示模型,完成特征的表示;
S53、淡化前一帧(k)噪声点轨迹,并将新的噪声场(k+1)与前一帧噪声点轨迹进行融合,形成新的噪声点轨迹,在轨迹混合和绘制阶段,根据步骤S2的视觉编码,结合具有视觉特征的纹理包括颜色纹理,完成特征的可视化显示。
S54、回到步骤S52,通过不断地执行绘制循环,实现风特征在S4中的起始时刻ti下的动态绘制。
进一步地,所述步骤S53中,将视觉特征加入风场粒子轨迹混合与计算阶段的方法,具体为:
S531、定义粒子属性:attr=(pos,speed,spdf,psize,color,age,α);
其中,attr为包含多种风场粒子属性的多维向量,pos=(x,y)为风场粒子的空间位置,speed为风场粒子速度大小,spdf为速度影响参数,psize为风场粒子大小,color为风场粒子颜色,age为风场粒子寿命,α为风场粒子不透明度;
S532、计算在第k帧时,风场粒子n在位置pos的速度Speedn(k):
其中posn(k)表示粒子的空间位置,vx、vy分别为风场粒子沿x方向、y方向的速度;
此时,风场粒子n的颜色公式为:
colorn(k)=Con(Speedn(k))
Speedn(k)为第k帧时风场粒子n的速度值,Con()为粒子颜色转换函数,它以线性映射的方式将粒子速度映射为粒子颜色,函数中的色表根据风力等级设定,风力等级根据气象部门有标准的颜色匹配方案;
S533、下一帧即第k+1帧粒子位置公式为:
posn(k+1)=(x+vx(x,y;k)·spdf,y+vy(x,y;k)·spdf;k)
其中k为帧数,posn(k+1)表示第k+1帧时粒子n的空间位置,x、y分别为第k帧时粒子n的x方向、y方向坐标,vx(x,y;k)、vy(x,y;k)分别为第k帧,空间位置为(x,y)时,粒子沿x方向、y方向的速度,spdf为速度影响因子;
生命周期内,粒子n的轨迹长度Ln计算公式为:
其中,v为风场中第k帧、位置pos的第n个粒子的风速值,spdf为速度影响参数,agen为第n个粒子的生命值参数。
进一步地,所述步骤S6的具体过程为:
S61、由ti时间步的风场数据切换为ti+1时间步的风场数据;
S62、在数据预处理阶段,读取风场数据,生成ti+1时间步的风场数据;
S63、纹理准备阶段,首先计算需要进行时间插值的步骤总数量s,s=(ti+1-ti)/Δt,其中ti+1、ti为S61所述的两个时刻,Δt为时间分辨率;
S64、对于每一个步骤,计算需要插值的时间步t′,t′=ti+siΔt,其中si为前i个步骤数量和,即si=0+1+···+i,ti为S61所述的起始时刻;
S65、执行时间插值算法,生成每个t′时间步的风场纹理,完成风场纹理的准备;
S66、在风场特征可视化的纹理更新阶段执行空间插值算法,生成平滑的运动轨迹并进行可视化。
进一步地,所述步骤S65中,采用时间插值算法生成风场纹理的方法,具体为:
对于在时间和空间上离散的风场数据,其时间属性集合为T={t0,t1,t2...tn},其中tn=t0+nΔt,Δt为时间分辨率,n为数据的时间维度,t0为起始时刻,假设在连续采样时刻ti和ti+1之间有时刻t′∈(ti,ti+1),对t′进行时间插值;
首先计算t′时刻,风场采样点f的速度,计算公式为:
v(f;t′)=αv(f;ti)+(1-α)v(f;ti+1)其中v(f;t′)为t′时刻采样点f处的风速大小,v(f;ti)和v(f;ti+1)分别为ti和ti+1时刻的风速大小,α为平滑常数,由模拟时刻点t′和采样时刻点ti计算得到,α=(t′-ti)/Δt,根据上述公式可以计算出t′时刻所有采样点的风场矢量,即可得到t′时刻的风场模拟数据。
进一步地,所述步骤S66中,采用空间插值算法生成平滑的运动轨迹的方法,具体为:
在时间插值步骤完成后,在风场特征可视化方法的纹理更新阶段,对于位于风场中的粒子点pi,对pi周围的风场数据进行空间插值,计算粒子点pi处的风场大小,获得平滑的粒子轨迹;
位于pi=(x,y)距离最近的4个已知数据采样点fm,n=(xm,yn)、fm,n+1=(xm,yn+1)、fm+1,n=(xm+1,yn)、fm+1,n+1=(xm+1,yn+1)形成的方格中,对v(pi)进行双线性插值:
其中v(fm,n)、v(fm+1,n)、v(fm,n+1)及v(fm+1,n+1)分别为采样点fm,n、fm,n+1、fm+1,n及fm+1,n+1的速度值;根据上述公式计算出t′时刻所有风场粒子在运动过程中当前位置的风速大小,得到t′时刻平滑的风场粒子轨迹变化的可视化效果,完成风场特征时空过程的可视化。
本发明提供的技术方案带来的有益效果是:针对风眼、眼墙等风特征提供通用的可视化表达。通过面向过程的时空可视化方法,表达时空连续变化过程。在不牺牲风数据可视化的实时性、准确性的基础上,相比其他风要素可视化方法,本方法在识别风场特征和理解风场时空过程演化方面具有优势。
附图说明
图1是本发明一种风特征时空过程可视化方法的流程图;
图2是本发明的风特征与视觉特征的映射关系示意图;
图3是本发明的基于粒子平流的风特征可视化算法原理示意图;
图4是本发明的风特征时空过程可视化算法流程示意图;
图5是本发明一实施例的眼墙特征可视化结果图;
图6是本发明一实施例的5级风圈可视化结果图;
图7是本发明一实施例在一段时间内的7级风圈时空变化过程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,本发明的实施例提供了一种风特征时空过程可视化方法,包括以下步骤:
S1、基于风特征与风场数据之间的关系,确定需要进行分析的风特征,构建该风特征表示模型;
S11、建立通用的风特征表示模型;
首先,基于风特征与风场数据之间的关系,将风特征分解为风场的基本属性,得到风场的基本属性集合WA,基本属性如:风场的位置、风速和风向等。
WA={时间,位置,速度,方向,气压,风圈半径radiusw…}
接着,定义风特征表示模型(WFF):
WFF=<WA1,WA2,WA3,…,WAn>
WAi是风场的第i个基本属性,i=1、2、3、…、n,n表示风场的基本属性的总类型数,包括时间、位置、速度、方向、气压以及风圈半径等;不同的风特征对应不同的WFF,其参数取决于表达和分析的需要,WFF中的每个WA都可以从风数据转换得到。
S12、确定所研究的风特征,建立该特征的表示模型;
S13、根据步骤S12所确定的风特征表示模型,逐一完成风场数据到风场基本属性的表示。
首先,定义区域内的每一层风场,公式为:
其中,v为风场中时刻t、位置pos的风速矢量,并且有t≥0,vu是当前位置pos=(lon,lat)沿经线方向风速分量大小,lon表示当前位置的经度,lat表示当前位置的纬度;vv为当前位置沿纬线方向风速分量大小。
接着,根据风场数据,逐一完成数据至风场基本属性的转换,以速度属性为例,WAspeed(p(t);t)=|uwind(p(t);t)×vwind(p(t);t)|。
其中,speed(p(t);t)为风场中时刻t、位置p的风速值,uwind(p(t);t)为步骤S131风场数学定义中沿经线方向U风速分量,vwind(p(t);t)为风场数学定义中沿纬线V方向风速分量。
S2、根据S1构建的风特征表示模型,对其中的风场基本属性逐一进行视觉编码;
首先定义需使用的视觉特征,包括Position、Hue、Luminance、Length、Orientation、Shape;其中Position、Hue、Luminance、Length、Orientation、Shape分别代表空间位置、色调、亮度、长度、方向以及形状的视觉特征;
接着,请参考图2,对风场属性逐一进行视觉映射,从风特征到视觉特征的计算方法可以通过视觉编码来建立。为了避免时空风特征表达过程中的视觉混淆,定义视觉特征的视觉编码规则:同一类型的视觉特征只能表示单个风场基本属性,一种风场基本属性可以由多种视觉特征共同表达。
以风场速度属性speed为例,速度大小可以由视觉特征中轨迹长度length,亮度luminance,色调hue以及风圈半径shaper表示,因此有:
hue=fhue(pressure(p(t);t))
luminance=flum(speed(p(t);t))
shaper=fconr(speed(p(t);t),rw)
其中,speed(p(t);t)为风场中时刻t、位置p的风速值,pressure(p(t);t)为风场中时刻t、位置p的压强值,为t0-t1时间段内风速的积分值,t0表示当前风场所在帧时刻,t1表示下一风场所在帧时刻,fhue和flum是色调和亮度映射函数,设置为离散映射或连续映射,以满足不同的可视化需求,压强决定色调在哪个颜色段,亮度和轨迹长度的变化反映风速,fconr是由风速和风圈半径rw决定的形状半径映射函数;至此,根据步骤S1、S2,完成风场数据、风场基本属性、风特征和视觉特征的转换。
至此,根据S1、S2,完成风场数据、风场基本属性、风特征、视觉特征的转换。
S3、用户选取两个风场数据探测时刻,形成需要进行分析的一段时间过程(t1-t2);
S4、根据风场数据的探测时刻,将S3中的时间过程t1-t2分为W组,W=(t2-t1)/in_T,其中in_T为风场数据探测的时间间隔;划分后每组的时间间隔为in_T,设定每组起始时刻ti、终止时刻ti+1;
S5、采用基于GPU的粒子平流方法,根据S2中的风场基本属性的视觉编码,读取风场数据,在S4中选定一组Ws的起始时刻ti,i≥0,对选定的风特征进行可视化显示;
该方法的主要思想,请参考图3:后一帧图像是由前一帧图像的平流与背景噪声混合的结果,通过噪声纹理的变化来表现流场运动的规律,图像和平流图像的不断混合以产生流场的动画显示,具体步骤如下:
S51、在二维风场中生成第k帧的随机噪声场P(p(k);k),使得其中的噪声点粒子p(k)随机分布在绘制区域内,p(k)为第k帧时的所有风场粒子;
S52、根据每个粒子所在的风场矢量值计算其移动方向和距离,形成新的噪声场P(p(k+1);k+1),其中k代表此时风场所在的帧数,p(k+1)为第k+1帧时的所有风场粒子;在粒子运动计算阶段,应用步骤S1风场特征表示模型,完成特征的表示;
S53、淡化前一帧(k)噪声点轨迹,并将新的噪声场(k+1)与前一帧噪声点轨迹进行融合,形成新的噪声点轨迹,在轨迹混合和绘制阶段,根据步骤S2的视觉编码,结合具有视觉特征的纹理包括颜色纹理,完成特征的可视化显示,具体如下:
S531、定义粒子属性:attr=(pos,speed,spdf,psize,color,age,α);
其中,attr为包含多种风场粒子属性的多维向量,pos=(x,y)为风场粒子的空间位置,speed为风场粒子速度大小,spdf为速度影响参数,psize为风场粒子大小,color为风场粒子颜色,age为风场粒子寿命,α为风场粒子不透明度;
S532、计算在第k帧时,风场粒子n在位置pos的速度Speedn(k):
其中posn(k)表示粒子的空间位置,vx、vy分别为风场粒子沿x方向、y方向的速度;
此时(第k帧时),风场粒子n的颜色公式为:
colorn(k)=Con(Speedn(k))
Speedn(k)为第k帧时风场粒子n的速度值,Con()为粒子颜色转换函数,它以线性映射的方式将粒子速度映射为粒子颜色,函数中的色表根据风力等级设定,风力等级根据气象部门有标准的颜色匹配方案;
S533、下一帧即第k+1帧粒子位置公式为:
posn(k+1)=(x+vx(x,y;k)·spdf,y+vy(x,y;k)·spdf;k)
其中k为帧数,posn(k+1)表示第k+1帧时粒子n的空间位置,x、y分别为第k帧时粒子n的x方向、y方向坐标,vx(x,y;k)、vy(x,y;k)分别为第k帧,空间位置为(x,y)时,粒子沿x方向、y方向的速度,spdf为速度影响因子;
生命周期内,粒子n的轨迹长度Ln计算公式为:
其中,v为风场中第k帧、位置pos的第n个粒子的风速值,spdf为速度影响参数,agen为第n个粒子的生命值参数。
S54、回到步骤S52,通过不断地执行绘制循环,实现风特征在S4中的起始时刻ti下的动态绘制。
假设假定F(p,k)为空间位置为p的风场粒子在第k帧的图像,对于二维风场,平流轨迹将为流线,则F(p,k)沿风场平流的过程方程为:
图像中粒子点pos(k)的值可由粒子点序列G(pos(i),i)沿着经过pos(k)的运动轨迹进行线积分卷积得到的,其卷积核为α(1-α)i,α为风场粒子不透明度。即将现有图像沿流场的方向进行平流,然后与前一帧图像相融合得出当前帧的图像,通过这个过程的重复迭代,产生噪声纹理的变化,得到风场的动态描述。图5和图6分别为风暴眼墙、和5级风圈的可视化结果。
S6、根据S4中第Ws组的ti至ti+1时间段,i≥0,对选定风特征进行时空插值,形成ti<t<ti+1之间的时空过程演化模拟数据,W表示时间分组的个数,并对模拟出的每一时间分辨率下的风特征演化数据进行可视化显示;
该方法的主要思想,请参考图4:当描述的风场发生变化时,风场粒子的空间状态并不会马上发生改变,下一时刻的风场数据仅会影响到风场粒子的运动状态。当风场粒子的运动状态发生改变后,其运动轨迹则会按照改变后的风场数据进行计算。而粒子的运动轨迹本身是连续的,因此对于在时间和空间上离散的风场数据,可以通过插值的方法分别增加风场数据的时间分辨率和空间分辨率。在对某一时间段的风场进行过程可视化时,则可以通过时间插值的方式,实现一段时间内风特征的连续时空过程可视化。
S61、假设由ti时间步的风场数据切换为ti+1时间步的风场数据;
S62、在数据预处理阶段,读取风场数据,生成ti+1时间步的风场数据;
S63、纹理准备阶段,首先计算需要进行时间插值的步骤总数量s,s=(ti+1-ti)/Δt,其中ti+1、ti为S61所述的两个时刻,Δt为时间分辨率;
S64、对于每一个步骤i,计算需要插值的时间步t′,t′=ti+siΔt,其中si为前i个步骤数量和(即si=0+1+···+i);
S65、执行时间插值算法,生成每个t′时间步的风场纹理,完成风场纹理的准备;
对于在时间和空间上离散的风场数据,其时间属性集合为T={t0,t1,t2...tn}。其中tn=t0+nΔt。Δt为时间分辨率,n为数据的时间维度,t0为一时间段的起始时刻。假设在连续采样时刻ti和ti+1之间有时刻t′∈(ti,ti+1),对t′进行时间插值。
首先计算t′时刻,风场采样点f的速度。计算公式为:
v(f;t′)=αv(f;ti)+(1-α)v(f;ti+1)
其中v(f;t′)为t′时刻采样点f处的风速大小,v(f;ti)和v(f;ti+1)分别为ti和ti+1时刻的风速大小。α为平滑常数,由模拟时刻点t′和采样时刻点ti计算得到,α=(t′-ti)/Δt。根据上述公式可以计算出t′时刻所有采样点的风场大小,即可得到t′时刻的风场模拟数据。
S66、在风场特征可视化的纹理更新阶段执行空间插值算法,生成平滑的运动轨迹并进行可视化。
在时间插值步骤完成后,在风场特征可视化方法的纹理更新阶段,对于位于风场中的粒子点pi,对pi周围的风场数据进行空间插值,计算粒子点pi处的风场大小,获得平滑的粒子轨迹。
位于pi=(x,y)距离最近的4个已知数据采样点fm,n=(xm,yn)、fm,n+1=(xm,yn+1)、fm+1,n=(xm+1,yn)、fm+1,n+1=(xm+1,yn+1)形成的方格中。对v(pi)进行双线性插值:
其中v(fm,n)、v(fm+1,n)、v(fm,n+1)及v(fm+1,n+1)分别为采样点fm,n、fm,n+1、fm+1,n及fm+1,n+1的速度值。
根据上述公式计算出t′时刻所有风场粒子在运动过程中当前位置的风速大小,得到t′时刻平滑的风场粒子轨迹变化的可视化效果,完成风场时空过程的可视化。图7即为一段时间内7级风圈的时空过程演化结果。
S7、采用基于GPU的粒子平流方法,根据S2中的风场基本属性的视觉编码,读取风场数据,在Ws组的终止时刻ti+1,i≥0,对选定的风特征进行可视化显示,至此,完成S4中一组时间间隔内的风特征可视化。
S8、对S6中的剩余组时间间隔内的风特征分别循环操作S5-S7,直至完成对所有组时间间隔的风特征可视化。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合,以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种风场特征时空过程可视化方法,其特征在于,包括以下步骤:
S1、基于风特征与风场数据之间的表达关系,确定需要进行分析的风特征,构建该风特征表示模型;
S2、根据S1构建的风特征表示模型,对模型中的风场基本属性逐一进行视觉编码;
S3、选取两个风场数据探测时刻,形成需要进行分析的一段时间过程t1-t2;
S4、根据风场数据的探测时刻,将S3中的时间过程t1-t2分为W组,W=(t2-t1)/in_T,其中in_T为风场数据探测的时间间隔;划分后每组的时间间隔为in_T,设定每组起始时刻ti、终止时刻ti+1;
S5、采用基于GPU的粒子平流方法,根据S2中的风场基本属性的视觉编码,读取风场数据,在S4中选定一组Ws的起始时刻ti,i≥0,对选定的风特征进行可视化显示,1≤Ws≤W;
S6、根据S4中第Ws组的ti至ti+1时间段,i≥0,对选定风特征进行时空插值,形成ti<t<ti+1之间的时空过程演化模拟数据,并对模拟出的每一时间分辨率下的风特征演化数据进行可视化显示,t表示时间;
S7、采用基于GPU的粒子平流方法,根据S2中的风场基本属性的视觉编码,读取风场数据,在Ws组的终止时刻ti+1,i≥0,对选定的风特征进行可视化显示;至此,完成S4中一组时间间隔内的风特征可视化;
S8、对剩余组时间间隔内的风特征分别循环操作S5-S7,直至完成对所有组时间间隔的风特征可视化。
2.根据权利要求1所述的一种风场特征时空过程可视化方法,其特征在于,所述步骤S1的具体过程为:
S11、建立通用的风特征表示模型;
S12、确定所研究的风特征,建立该风特征的表示模型;
S13、根据步骤S12所确定的风特征表示模型,逐一完成风场数据到风场基本属性的表示。
3.根据权利要求2所述的一种风场特征时空过程可视化方法,其特征在于,所述步骤S11中,建立风特征表示模型的具体过程为:
S111、对通用的风特征进行分析,在风特征研究中,风场的特征包括风速的强度、风向的空间分布及其时空变化和风场的结构特征,风场的结构特征包括风眼壁、风圈、风眼,通过对这些特征的分析,将风特征分解为风场的基本属性WA,包括风场的位置、风速和风向;
WA={时间,位置,速度,方向,气压,风圈半径radiusw...}
S112、定义风特征表示模型WFF:
WFF=<WA1,WA2,WA3,...,WAn>
WAi是风场的第i个基本属性,i=1、2、3、…、n,n表示风场的基本属性的总类型数,不同的风特征对应不同的WFF,其参数取决于表达和分析的需要,WFF中的每个基本属性WA都可以从风场数据转换得到。
4.根据权利要求2所述的一种风场特征时空过程可视化方法,其特征在于,所述步骤S13中,风场基本属性用风场数据表达的过程为:
S131、定义区域内的每一层风场,公式如下:
其中,v为风场中时刻t、位置pos的风速矢量,并且有t≥0,是当前位置pos=(lon,lat)沿经线方向风速分量大小,lon表示当前位置的经度,lat表示当前位置的纬度;vv为当前位置沿纬线方向风速分量大小;
S132、根据风场数据,逐一完成风场数据至风场基本属性的转换,以速度属性为例,WAspeed(p(t);t)=|uwind(p(t);t)×vwind(p(t);t)|;
其中,speed(p(t);t)为风场中时刻t、位置p的风速值,uwind(p(t);t)为步骤S131风场数学定义中沿经线U方向风速分量,vwind(p(t);t)为风场数学定义中沿纬线V方向风速分量。
5.根据权利要求1所述的一种风场特征时空过程可视化方法,其特征在于,所述步骤S2中,对风特征表示模型中的风场基本属性逐一进行视觉编码的方法,具体为:
S21、定义需使用的视觉特征VFW,包括Position、Hue、Luminance、Length、Orientation、Shape;其中Position、Hue、Luminance、Length、Orientation、Shape分别代表空间位置、色调、亮度、长度、方向以及形状的视觉特征;
S22、对风场属性逐一进行视觉映射,以风场速度属性speed为例,速度大小可以由视觉特征中轨迹长度length,亮度luminance,色调hue以及风圈半径shaper表示,因此有:
hue=fhue(pressure(p(t);t))
luminance=flum(speed(p(t);t))
shaper=fconr(speed(p(t);t),rw)
6.根据权利要求1所述的一种风场特征时空过程可视化方法,其特征在于,所述步骤S5的具体过程为:
S51、在二维风场中生成第k帧的随机噪声场P(p(k);k),使得其中的噪声点粒子p(k)随机分布在绘制区域内,p(k)为第k帧时的所有风场粒子;
S52、根据每个粒子所在的风场矢量值计算其移动方向和距离,形成新的噪声场P(p(k+1);k+1),其中k代表此时风场所在的帧数,p(k+1)为第k+1帧时的所有风场粒子;在粒子运动计算阶段,应用步骤S1风特征表示模型,完成特征的表示;
S53、淡化前一帧(k)噪声点轨迹,并将新的噪声场(k+1)与前一帧噪声点轨迹进行融合,形成新的噪声点轨迹,在轨迹混合和绘制阶段,根据步骤S2的视觉编码,结合具有视觉特征的纹理包括颜色纹理,完成特征的可视化显示;
S54、回到步骤S52,通过不断地执行绘制循环,实现风特征在S4中的起始时刻ti下的动态绘制。
7.根据权利要求6所述的一种风场特征时空过程可视化方法,其特征在于,所述步骤S53中,将视觉特征加入风场粒子轨迹混合与计算阶段的方法,具体为:
S531、定义粒子属性:attr=(pos,speed,spdf,psize,color,age,α);
其中,attr为包含多种风场粒子属性的多维向量,pos=(x,y)为风场粒子的空间位置,speed为风场粒子速度大小,spdf为速度影响参数,psize为风场粒子大小,color为风场粒子颜色,age为风场粒子寿命,α为风场粒子不透明度;
S532、计算在第k帧时,风场粒子n在位置pos的速度Speedn(k):
其中posn(k)表示粒子的空间位置,vx、vy分别为风场粒子沿x方向、y方向的速度;
此时,风场粒子n的颜色公式为:
colorn(k)=Con(Speedn(k))
Speedn(k)为第k帧时风场粒子n的速度值,Con()为粒子颜色转换函数,它以线性映射的方式将粒子速度映射为粒子颜色,函数中的色表根据风力等级设定,风力等级根据气象部门有标准的颜色匹配方案;
S533、下一帧即第k+1帧粒子位置公式为:
posn(k+1)=(x+vx(x,y;k)·spdf,y+vy(x,y;k)·spdf;k)
其中k为帧数,posn(k+1)表示第k+1帧时粒子n的空间位置,x、y分别为第k帧时粒子n的x方向、y方向坐标,vx(x,y;k)、vy(x,y;k)分别为第k帧,空间位置为(x,y)时,粒子沿x方向、y方向的速度,spdf为速度影响因子;
生命周期内,粒子n的轨迹长度Ln计算公式为:
其中,v为风场中第k帧、位置pos的第n个粒子的风速值,spdf为速度影响参数,agen为第n个粒子的生命值参数。
8.根据权利要求1所述的一种风场特征时空过程可视化方法,其特征在于,所述步骤S6的具体过程为:
S61、由ti时间步的风场数据切换为ti+1时间步的风场数据;
S62、在数据预处理阶段,读取风场数据,生成ti+1时间步的风场数据;
S63、纹理准备阶段,首先计算需要进行时间插值的步骤总数量s,s=(ti+1-ti)/Δt,其中ti+1、ti为S61所述的两个时刻,Δt为时间分辨率;
S64、对于每一个步骤,计算需要插值的时间步t′,t′=ti+siΔt,其中si为前i个步骤数量和,即si=0+1+···+i,ti为S61所述的起始时刻;
S65、执行时间插值算法,生成每个t′时间步的风场纹理,完成风场纹理的准备;
S66、在风场特征可视化的纹理更新阶段执行空间插值算法,生成平滑的运动轨迹并进行可视化。
9.根据权利要求8所述的一种风场特征时空过程可视化方法,其特征在于,所述步骤S65中,采用时间插值算法生成风场纹理的方法,具体为:
对于在时间和空间上离散的风场数据,其时间属性集合为T={t0,t1,t2...tn},其中tn=t0+nΔt,Δt为时间分辨率,n为数据的时间维度,t0为起始时刻,假设在连续采样时刻ti和ti+1之间有时刻t′∈(ti,ti+1),对t′进行时间插值;
首先计算t′时刻,风场采样点f的速度,计算公式为:
v(f;t′)=αv(f;ti)+(1-α)v(f;ti+1)
其中v(f;t′)为t′时刻采样点f处的风速大小,v(f;ti)和v(f;ti+1)分别为ti和ti+1时刻的风速大小,α为平滑常数,由模拟时刻点t′和采样时刻点ti计算得到,α=(t′-ti)/Δt,根据上述公式可以计算出t′时刻所有采样点的风场矢量,即可得到t′时刻的风场模拟数据。
10.根据权利要求8所述的一种风场特征时空过程可视化方法,其特征在于,所述步骤S66中,采用空间插值算法生成平滑的运动轨迹的方法,具体为:
在时间插值步骤完成后,在风场特征可视化方法的纹理更新阶段,对于位于风场中的粒子点pi,对pi周围的风场数据进行空间插值,计算粒子点pi处的风场大小,获得平滑的粒子轨迹;
位于pi=(x,y)距离最近的4个已知数据采样点fm,n=(xm,yn)、fm,n+1=(xm,yn+1)、fm+1,n=(xm+1,yn)、fm+1,n+1=(xm+1,yn+1)形成的方格中,对v(pi)进行双线性插值:
其中v(fm,n)、v(fm+1,n)、v(fm,n+1)及v(fm+1,n+1)分别为采样点fm,n、fm,n+1、fm+1,n及fm+1,n+1的速度值;根据上述公式计算出t′时刻所有风场粒子在运动过程中当前位置的风速大小,得到t′时刻平滑的风场粒子轨迹变化的可视化效果,完成风场特征时空过程的可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460169.0A CN111639426B (zh) | 2020-05-27 | 2020-05-27 | 一种风特征时空过程可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460169.0A CN111639426B (zh) | 2020-05-27 | 2020-05-27 | 一种风特征时空过程可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639426A CN111639426A (zh) | 2020-09-08 |
CN111639426B true CN111639426B (zh) | 2023-04-18 |
Family
ID=72329311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010460169.0A Active CN111639426B (zh) | 2020-05-27 | 2020-05-27 | 一种风特征时空过程可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639426B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553532B (zh) * | 2021-09-22 | 2021-12-28 | 青岛恒天翼信息科技有限公司 | 一种基于气象数据解析和渲染的综合展示系统 |
CN115577297B (zh) * | 2022-10-21 | 2023-05-30 | 武汉理工大学 | 一种可视化海域风场模拟与预测系统及其方法 |
CN116452739B (zh) * | 2023-04-18 | 2023-12-15 | 中广核风电有限公司 | 一种风场模型三维可视化的实现方法及装置 |
CN117274503B (zh) * | 2023-11-17 | 2024-02-09 | 中国科学院国家空间科学中心 | 一种面向空间环境数据的多粒度动态可视化方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107102309A (zh) * | 2017-04-28 | 2017-08-29 | 北京怡孚和融科技有限公司 | 风场空间分布转化为风场时间方向的方法及气溶胶时空分布与风场时空分布的叠加方法 |
CN109063279A (zh) * | 2018-07-16 | 2018-12-21 | 南京信息工程大学 | 基于粒子流轨迹追踪算法的三维空间风场动态模拟方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9734220B2 (en) * | 2012-12-04 | 2017-08-15 | Planet Os Inc. | Spatio-temporal data processing systems and methods |
-
2020
- 2020-05-27 CN CN202010460169.0A patent/CN111639426B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107102309A (zh) * | 2017-04-28 | 2017-08-29 | 北京怡孚和融科技有限公司 | 风场空间分布转化为风场时间方向的方法及气溶胶时空分布与风场时空分布的叠加方法 |
CN109063279A (zh) * | 2018-07-16 | 2018-12-21 | 南京信息工程大学 | 基于粒子流轨迹追踪算法的三维空间风场动态模拟方法 |
Non-Patent Citations (1)
Title |
---|
廖忠云 ; 季民 ; .海洋风场三维可视化方法研究.海洋信息.(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111639426A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639426B (zh) | 一种风特征时空过程可视化方法 | |
CN104463948B (zh) | 三维虚拟现实系统与地理信息系统的无缝可视化方法 | |
Geng et al. | Angular histograms: Frequency-based visualizations for large, high dimensional data | |
Djurcilov et al. | Visualizing scalar volumetric data with uncertainty | |
KR100657943B1 (ko) | 2차원 건물 데이터의 실시간 3차원 변환 방법 및 장치,그리고 이를 이용한 2차원 건물 데이터의 실시간 3차원시각화 방법 및 장치 | |
CN104881839A (zh) | 一种基于并行加速的热点图生成方法 | |
Trenchev et al. | Mathematical approaches for creation of complex 3D models and their application in education | |
Li et al. | Blinkflow: A dataset to push the limits of event-based optical flow estimation | |
Čmolík et al. | Mixed labeling: Integrating internal and external labels | |
Vyatkin | Method of binary search for image elements of functionally defined objects using graphics processing units | |
US6967653B2 (en) | Apparatus and method for semi-automatic classification of volume data | |
TW200907851A (en) | Facade rendering system | |
Yang et al. | Algorithm for appearance simulation of plant diseases based on symptom classification | |
CN104657333A (zh) | 基于gpu的动态二维矢量场流线可视化算法 | |
CN115859755B (zh) | 一种定常流场矢量数据的可视化方法、装置、设备及介质 | |
CN108875275B (zh) | 一种基于大规模流线的矢量场实时仿真方法及系统 | |
CN110738719A (zh) | 一种基于视距分层优化的Web3D模型渲染方法 | |
Hu et al. | Immersive wysiwyg virtual meteorological sandbox | |
CN102074036A (zh) | 基于gpu加速的体数据动态剖切方法 | |
Ziegeler et al. | The MetVR case study: meteorological visualization in an immersive virtual environment | |
JP3084659B1 (ja) | 3次元流体データの可視化処理方法 | |
Chang et al. | Real‐time translucent rendering using GPU‐based texture space importance sampling | |
Aristizabal et al. | HARDWARE-ACCELERATED WEB VISUALIZATION OF VECTOR FIELDS-Case Study in Oceanic Currents | |
Luo et al. | Clarifying origin-destination flows using force-directed edge bundling layout | |
Sindu et al. | Improved Immersive Virtual Reality (VR) using Image Enhancement Method |
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 |