CN111830506B - 一种基于K-means聚类算法的海面风速方法 - Google Patents
一种基于K-means聚类算法的海面风速方法 Download PDFInfo
- Publication number
- CN111830506B CN111830506B CN202010711269.6A CN202010711269A CN111830506B CN 111830506 B CN111830506 B CN 111830506B CN 202010711269 A CN202010711269 A CN 202010711269A CN 111830506 B CN111830506 B CN 111830506B
- Authority
- CN
- China
- Prior art keywords
- sea surface
- wind speed
- surface wind
- data
- radar
- 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
- 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
- G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
- G01S13/92—Radar or analogous systems specially adapted for specific applications for traffic control for velocity measurement
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/62—Sense-of-movement determination
-
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种航海雷达图像提取海面风速的方法,此方法是基于K‑means聚类算法的,属于利用遥感手段反演海洋面风速领域。发明包含航海雷达图像数据预处理、基于K‑means聚类算法的雷达数据分类、海面风速提取模型确定和海面风速信息提取四个部分。通过海面风速反演过程得到异类数据,去除了干扰数据对海面模型的影响,提高了模型的鲁棒性;对剔除异类数据采用非线性二次函数确定海面风速提取模型,提高模型提取海面风速的精度和速度。利用实测数据对本发明进行验证,本发明海面风速与参考风速的相关系数达到了0.99,标准差为0.38m/s,偏差为‑0.04m/s,足以达到工程和环境监测要求。
Description
技术领域
本发明涉及的是利用X-band航海雷达图像进行海面风速反演计算的海面风速遥感技术领域,具体地说,是一种基于K-means聚类算法的海面风速方法。
背景技术
海面风场是海洋动力学研究的重要因素,也是航海作业安全的重要保障,对于了解海洋变化与预知海面风险起到至关重要的作用。海面风场信息主要包括海面风向和海面风速两个方面,本发明是基于航海雷达图像提取海面风速信息的一种方法研究。
传统提取海面风速信息的方式主要为测风仪,将测风仪安装在船上、岸边或浮标上测量风速大小,但由于船体上固定物或岸基环境等产生的湍流效应影响导致测量精度较低,同时该方法易受海上天气或是海上交通的影响,在时间上和空间上缺乏连续性。
现有遥感测风手段主要有散射计、机载或星载合成孔径雷达(SAR)、卫星高度计及航海雷达等,但散射计存在分辨率较低的问题,卫星遥感重复采样率低,且受到云层干扰的问题,导致测量数据可能不是海表面所要探测的风速信息。X波段航海雷达具有不受光线影响、能够实时连续反馈及高分辨率等优点,成为现阶段海洋环境监测的重要手段之一。目前,国内外X-band航海雷达已实现了海面浪、流,降雨量的监测,及海面漏油面积的测量,但基于航海雷达图像的海面风场测量还处于初级研究阶段。
基于航海雷达图像反演海面风速现阶段主要算法有两种:一种是神经网络法,一种为模型函数法。2002年Dankert首先提出神经网络法,根据雷达散射截面积与风速之间存在的关系,利用海面风向信息和NRCS作为输入量,应用BP神经网络反演出海面风速。2006年,Dankert考虑了湿度、温度、信噪比等海洋因素作为BP神经网络的输入量,以提高海面风速的适用性。哈尔滨工程大学贾瑞才采用双隐层单极型S函数BP神经网络法反演出海面风速信息,提高了神经网络的收敛速度及网络推广能力。但应用神经网络存在固有的不足之处,主要问题就是模型的适用性差,对于不同环境位置、不同型号的航海雷达需要大量数据重新训练,而且海洋环境因素对该方法的影响也较大,精度无法保证。
2005年Horstmann首次提出应用地球物理模型函数(GMF),在输入SAR回波强度及海面风向信息时,可得到海面风速信息,虽不能直接应用于航海雷达但足已证明海面风场与雷达回波强度具有一定的指数模型函数关系。2007年Dankert对雷达回波强度与海面风速成指数函数模型应用实测数据进行验证,但反演精度无法达到工程要求。2012年Lund等针对FurunoFAR2117BB型号航海雷达,得到RCS与海面风速之间存在三次多项式非线性关系,并利用计算出风速,反演精度有很大提升。2013年Bueno等针对Furuno2117BB型号雷达,利用线性积分法得到雷达回波强度水平与海面风速函数关系获得海面风速信息。2015年Liu Y等针对Decca和Furono两种雷达,提出应用双曲线拟合应用实测航海雷达数据提取出海面风速信息。2017年Huang W等针对Decca雷达,提出了利用RCS谱分析算法、RCS与海面风速经验模态分解方法,建立函数模型得到海面风速。2015年陈忠彪等针对9.3GHz Furuno雷达,将RCS、有效波高与海面风速拟合成线性概率分布函数,由此获得海面风速信息。以上方法没有考虑降雨和海洋环境因素的影响,在雷达图像受降雨影响时,模型的反演精度和数据适用性则无法保证。海面风速反演模型函数普遍存在提取精度地,海况适用性差的问题,制约了该方法的发展前景。
针对以上问题,本发明公开了一种基于K-means聚类算法的航海雷达图像反演海面风速方法,首先,对雷达图像进行降雨图像识别,去除降雨对海面风速提取的影响;其次,结合传感器及雷达图像信息对海面影响因素数据进行分类,剔除异类数据对海面风速提取模型的影响,提高了模型的鲁棒性;最终,继承了Lund提出的海面风速与回波强度的非线性关系,对剔除异类数据应用非线性二次函数确定海面风速提取模型,保证了模型提取海面风速的精度。通过实测数据证明该方法从航海雷达图像中提取出海面风速信息结果的工程可行性。
发明内容
本发明公开了一种基于K-means聚类算法的海面风速方法,此方法是基于K-means聚类算法的,具体包括步骤如下:
步骤1,雷达图像数据预处理。应用航海雷达监测系统采集海面雷达图像序列数据,同步应用风力计采集同步海面风向、风速信息。对雷达图像序列应用零强度百分比(ZPP)对降雨噪声较大的图像数据进行识别、剔除;对雨雪干扰较小的图像,应用图像中值滤波抑制噪声和同频信号对海面风向提取的干扰。
步骤2,基于K-means聚类算法的数据分类。首先,对雷达图像回波强度、海面风向信息、海面风速信息和计算得到的图像信噪比进行数据归一化处理,使数据在同一坐标范围内;其次,应用K-means聚类算法对雷达图像回波强度、海面风向信息和图像信噪比数据依据欧式距离对数据进行分类,并应用质心距离误差作为判定依据,得到异类数据;最终,将雷达数据和海面风场信息数据都剔除异类数据相对应的信息数据,得到雷达数据和海面风场信息的聚类数据。
步骤3,海面风速提取模型确定。利用聚类雷达数据和海面风速数据对海面风速进行非线性二次拟合,得到海面风速提取模型,应用SSE验证模型的准确性。
步骤4,海面风速信息提取。选取测试航海雷达图像部分图像,对其进行归一化映射,输入到海面风速提取模型中,得到海面风速信息。
基于K-means聚类算法的海面风速提取方法所述步骤2、3包括以下步骤:
步骤2.1,雷达回波强度平均值、海面风向、风速信息及图像信噪比信息进行归一化数据处理;
①对经过预处理的航海雷达图像选取适当部分雷达图像,沿x和y轴进行归一化映射,得到雷达图像均值f'i:
其中,f(x,y)为选取的雷达图像强度值,Nx、Ny为选取图像沿x,y像元数,i是对应的雷达图像数。对f'i进行归一化得到雷达图像归一化值Fi:
②获得选取雷达图像信噪比rt,以雷达图像时间序列进行归一化,得到海况信息归一化值Ri:
③对采集风力计的海面风向信息di、海面风速信息si,按雷达图像序列进行归一化,得到海面风向、风速信息归一化值Di及Si:
步骤2.2,基于K-means聚类算法的雷达数据分类;
①初始化K个初始类簇质心;
对步骤2.1获得的Fi、Ri、Di和Si的所有数据分成两个部分,一部分用于基于K-means聚类算法海面风速模型的确定,另一部分用于模型的数据测试;将用于模型确定中的数据Fi、Ri、Di组成数据集合,作为海面风速影响因素集合;
Ωi={Fi,Ri,Di} (5)
初始化类簇质心,随机选取Ωi区域中K个数据点作为初始化质心。
②依据初始化质心划分数据点;
在确定K个海面风速影响因素质心后,在数据集Ωi中找出距离质心最近的数据点,由此形成簇。这里应用欧氏距离进行度量,计算Ωi中所有海面风速影响因素特征的数据点Xi(x1,x2,x3)与选定K个质心Ck(c1,c2,c3)之间的欧氏距离,公式如下:
各点找到相聚最近的质心后,就归属于该簇,数据集Ωi被划分为K个子区域空间Τk。
③更新聚类质心;
依据更新的质心按照公式(6)重新计算数据点与质心的欧氏距离,同时形成新的簇。
④质心停止更新判断依据;
根据原始质心Ck和更新质心Cj的距离判定质心是否需要进一步更新,判定条件如下:
||Ck-Cj||<<γ (8)
其中,γ=0.1,当满足上述条件时表示质心趋于收敛,则分类算法终止;若不满足上述条件,则不断重复步骤2.3~2.5,直到满足公式(8),得到聚类质心Cf(f=1,2,…f),及每个质心对应的聚类数据集Τf。
步骤2.3去除异类数据的雷达数据;
根据获得的海面风速影响因素的聚类分布,将质心位置相对其他质心最远的质心被判定为异类质心Cd,其所在区域内的所有数据点也被判定为异类数据集Τd,去除数据集Ωi中的异类数据,同时去除Si中异类数据对应的位置的海面风速Sd,最终得到去除异类雷达数据Ff,Rf,Df,Sf:
Ωf={Ff,Rf,Df}={Ωi-Τd}Sf={Si-Sd} (9)
步骤3.1,海面风速提取模型确定;先要释放Ff,Sf数据原有特性,得到对应的雷达图像回波强度均值ff,及训练海面风速信息sf:
ff=Ff*max(f'i),sf=Sf*max(si) (10)
步骤3.2,海面风速提取模型拟合;应用非线性二次函数对数据ff、sf进行拟合,得到海面风速预估模型:
步骤3.3,海面风速模型测试;对模型应用测试数据选取方差函数SSE作为误差检验指标,这里SSE为对模型输入测试雷达回波强度均值得到的海面风速与测试风速的误差平方和,计算公式如下:
与传统的曲线拟合提取海面风速方法相比,本发明的优点在于:
1、设计了一种K-means聚类算法对海面风速影响因素数据进行分类,得到异类数据,去除了干扰数据对海面模型的影响;
2、对剔除异类数据应用非线性二次函数确定海面风速提取模型,提高海面风速的提取精度;
3、设计的K-means聚类算法采用欧氏距离判定数据点距离,利用距离均值作为更新质心位置判定条件,具有收敛速度快、聚类效果好的优点;
4、拟合的模型选取方差函数SSE作为误差检验指标,提高了风速提取模型的精准性,提高了算法在工程中的反演精度。
5、模型应用实测X-band航海雷达回波图像、海面风速、海面风速训练获得,具有很强的工程适用性。
附图说明:
图1是本发明的具体实施方式流程图;
图2设备采集及图像序列图;
图3a是滤波前雷达图;
图3b是滤波后雷达图;
图4是海面风速与回波强度关系;
图5是质心数与误差平方和分布曲线;
图6是海面风速影响因素K-means聚类分布结果;
图7是K-means聚类算法风速模型拟合曲线;
图8是指数函数模型风速模型拟合曲线;
图9是两组算法反演结果与实测海面风速的对比结果图;
图10是两组算法反演结果与实测海面风速的误差对比图;
图11是两组算法反演结果与实测海面风速的误差统计结果图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明具体实施方式流程图见图1,分为航海雷达图像预处理、基于K-means聚类算法的雷达数据分类、海面风速提取模型确定和海面风速信息提取这四大块。具体实施步骤共分为十六步,第一步到第三步为数据预处理;第四步到第十一步是基于K-means聚类算法的雷达数据分类;第十二步到第十五步为海面风速提取模型确定;第十六步为海面风速信息提取及分析。具体步骤如下:
第一步,由自制海浪监测设备采集2010年10月22日-29日,11月13日-21日,12月14日-26日,1月1日-10日,共1722组航海雷达图像序列,每组图像序列中包含32幅航海雷达图像,每幅图像经历的时间为2.5s,相同位置的风力计同步采集相应海面风向信息θw、风速信息Uw,设备采集及图像序列如图2所示。
第二步,对于雷达图像任一像元点,雷达直接接收到的回波信号强弱为0~2.5伏的电压值。因此,本发明将像元点电压值小于0.3V(根据存储协议,0.3伏电压线性归化后的回波强度值983)的回波强度值归为零强度,并计算零强度像元点所占的比例。零强度百分比的计算公式如下所示:
其中,n为雷达图像中的像元点总个数,n0为雷达图像中回波强度值归为零的像元点个数。
统计332组在无降雨天气,小雨天气和大雨天气时的零强度百分比,发现在降雨情况下,雨水散射对雷达影响更大,无效信号就越少,零强度百分比会越小。最终,得到未降雨天气时的零强度百分比为0.542;而在降雨天气时,零强度百分比平均值为0.207。因此,本发明将零强度百分比低于0.207的雷达图像判定为降雨干扰严重图像,直接剔除,其他图像为不受降雨干扰图像,用于海面风速信息提取。最终,应用此方法剔除100组图像,保留1622组图像用于后续海面风速信息提取技术研究。
第三步,对降雨识别后的航海雷达图像g(x,y)进行中值滤波,抑制同频信号对海面风速提取的影响。对航海雷达图像序列中每幅雷达图像都应用3×3模板的2D非线性平滑中值滤波,滤波后图像灰度值f'(x,y)为:
f'(x,y)=median{g(x-i,y-j),(i,j)∈W} (2)
式(1)中f(x,y)为雷达图像回波强度值;f'(x,y)为滤波后灰度值,(i,j)是模板W中心相邻的8个像元点。W为模板窗口,具体如下:
1 | 1 | 1 |
1 | 1 | 1 |
1 | 1 | 1 |
将中值滤波器W中心与图像中心重合,通过与周围8个相邻像元点的回波强度值比较,选取回波强度中间值来更新图像的回波强度值,模板以步长单位1遍历极坐标航海雷达图像,最终获得中值滤波后的航海雷达图像,中值滤波前后对比如图3a为滤波前雷达图,图3b为滤波后雷达图。
第四步,雷达回波强度平均值归一化数据处理;
对经过预处理的航海雷达图像选取适当部分雷达图像,沿x和y轴进行归一化映射,得到雷达图像均值f'i:
其中,f(x,y)为选取的雷达图像强度值,Nx、Ny为选取图像沿x,y像元数,i是对应的雷达图像数。对f'i进行归一化得到雷达图像归一化值Fi:
第五步,对图像信噪比信息进行归一化数据处理;
获得选取雷达图像信噪比rt,以雷达图像时间序列进行归一化,得到海况信息归一化值Ri:
第六步,对海面风向、风速信息进行归一化数据处理;
对采集风力计的海面风向信息di、海面风速信息si,按雷达图像序列进行归一化,得到海面风向、风速信息归一化值Di及Si:
第七步,对第三、四、五步获得的1622组Si、Ri、Di和Fi的数据分成两个部分,1081组数据用于K-means聚类算法训练得到海面风速经验模型,剩余的541组数据用于海面风速提取模型的测试。
第八步,统计1081组数据风速Si与回波强度Fi的关系,如图4所示,图中可以看出海面风速与回波强度成正比关系,由此可知海面风场与雷达图像回波信号具有紧密的相关性,可以应用航海雷达图像反演海面风场信息。
Wilson提出的深水充分成长风浪风速和有效波高的关系如式所示:
其中,g表示重力加速度,Hsw表示充分成长风浪有效波高,U表示风速。由上式说明海面风场与海况信息具有紧密的相关性,为雷达图像信噪比与海浪成正比。因此,本发明应用回波强度数据Fi、信噪比信息Ri、海面风速信息Di组成数据集合,作为海面风速影响因素集合,如下式:
Ωi={Fi,Ri,Di} (8)
第九步,依据初始化质心划分数据点;
①初始化类簇质心,随机选取Ωi区域中K个数据点作为初始化质心。
②在确定K个海面风速影响因素质心后,在数据集Ωi中找出距离质心最近的数据点,由此形成簇。这里应用欧氏距离进行度量,计算Ωi中所有海面风速影响因素特征的数据点Xi(x1,x2,x3)与选定K个质心Ck(c1,c2,c3)之间的欧氏距离,公式如下:
各点找到相聚最近的质心后,就归属于该簇,数据集Ωi被划分为K个子区域空间Τk。
依据更新的质心按照公式(9)重新计算数据点与质心的欧氏距离,同时形成新的簇。
④质心停止更新判断依据;
根据原始质心Ck和更新质心Cj的距离判定质心是否需要进一步更新,判定条件如下:
||Ck-Cj||<<γ (11)
其中,γ=0.1,当满足上述条件时表示质心趋于收敛,则分类算法终止;若不满足上述条件,则不断重复步骤八和九,直到满足公式(11),得到聚类质心Cf(f=1,2,…f),及每个质心对应的聚类数据集Τf。通过实验得到质心数与误差平方和的关系,如图5所示,当聚点数为5时为误差平方和转折点,由此处下降缓慢,由此得到聚类数为5。
第十一步,去除异类数据的雷达数据;根据聚类数的到海面风速影响因素的K-means聚类分布结果如图6所示,将质心位置相对其他质心最远的质心被判定为异类质心Cd,其所在区域内的所有数据点也被判定为异类数据集Τd,如图6中绿色数据对应的聚类集合。去除数据集Ωi中的异类数据,同时去除Si中异类数据对应的位置的海面风速Sd,最终得到去除异类雷达数据Ff,Rf,Df,Sf:
Ωf={Ff,Rf,Df}={Ωi-Τd}Sf={Si-Sd} (12)
第十二步,步骤3.1,海面风速提取模型确定;先要释放Ff,Sf数据原有特性,得到对应的雷达图像回波强度均值ff,及训练海面风速信息sf:
ff=Ff*max(f'i),sf=Sf*max(si) (13)
第十三步,海面风速提取模型拟合;应用非线性二次函数对数据ff、sf进行拟合,得到海面风速预估模型:
第十四步,海面风速模型测试;对模型应用测试数据选取方差函数SSE作为误差检验指标,这里SSE为对模型输入测试雷达回波强度均值得到的海面风速与测试风速的误差平方和,计算公式如下:
第十五步,应用Dankert提出的雷达回波强度与海面风速成指数函数关系,建立海面风速模型为:
其中,Fi为雷达回波强度,Si为海面风速信息,a、b、c为函数系数,分别为-0.7、-0.5、1.7,拟合曲线如图8所示。经过实验计算,得到训练数据结果SSE为2.765,大于本发明算法的误差函数指标。
第十六步,对541组数据分别应用本发明设计的K-means聚类算法海面风速模型和指数函数海面风速模型,得到两组结果与实测海面风速的对比结果如图9所示。从图9中可以直接看出K-means聚类算法海面风速模型获得海面风速与实测风速信息更加吻合,尤其是在海面风大雨15m/s的时候,指数函数海面风速模型提取的风速信息大部分出现小于实测风速的问题。
通过实验结果计算得到两种模型反演风速结果与实测风速统计结果如表1所示,本发明风速反演结果与实测风向相关系数达到0.99,标准差0.38m/s,偏差-0.04,完全达到工程要求,并且结果完全优异于指数函数反演结果,反演精度提高了77%。
表1海面风速误差统计
K-means聚类算法模型反演结果与指数函数模型反演结果与真实值的误差对比如图10所示。由图10可以看出K-means聚类算法模型反演结果的误差范围大体在-1~+1m/s之间,而的指数函数模型反演结果误差范围在-4~+6m/s之间,说明K-means聚类算法模型反演结果精度更高。两种算法结果的误差统计结果如图11所示,可以看出K-means聚类算法模型反演结果的误差范围更小,数据50%左右的误差都集中在-0.1~0.1;而指数函数模型反演结果误差范围更加分布散,62%数据误差集中在-1~1m/s。可以得出,K-means聚类算法模型反演结果相对指数函数模型反演结果更加精准和稳定。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种基于K-means聚类算法的海面风速方法,其特征在于,此方法是基于K-means聚类算法的,其实施包含雷达图像数据预处理、基于K-means聚类算法的雷达数据分类、海面风速提取模型确定和海面风速信息提取四个部分,具体反演步骤如下:
步骤1,雷达图像数据预处理:应用航海雷达监测系统采集海面雷达图像序列数据,同步应用风力计采集同步海面风向、风速信息,对雷达图像序列应用零强度百分比(ZPP)对降雨噪声较大的图像数据进行识别、剔除;对雨雪干扰较小的图像,应用图像中值滤波抑制噪声和同频信号对海面风向提取的干扰;
步骤2,基于K-means聚类算法的数据分类:首先,对雷达图像回波强度、海面风向信息、海面风速信息和计算得到的图像信噪比进行数据归一化处理,使数据在同一坐标范围内;其次,应用K-means聚类算法对雷达图像回波强度、海面风向信息和图像信噪比数据依据欧式距离对数据进行分类,并应用质心距离误差作为判定依据,得到异类数据;最终,将雷达数据和海面风场信息数据都剔除异类数据相对应的信息数据,得到雷达数据和海面风场信息的聚类数据;
步骤3,海面风速提取模型确定:利用聚类雷达数据和海面风速数据对海面风速进行非线性二次拟合,得到海面风速提取模型,应用SSE验证模型的准确性;
步骤4,海面风速信息提取:选取测试航海雷达图像部分图像,对其进行归一化映射,输入到海面风速提取模型中,得到海面风速信息。
2.根据权利要求1所述的一种基于K-means聚类算法的海面风速方法,其特征在于:
海面风速反演所述步骤2包括以下步骤:
步骤2.1,雷达回波强度平均值、海面风向、风速信息及图像信噪比信息进行归一化数据处理;
①对经过预处理的航海雷达图像选取适当部分雷达图像,沿x和y轴进行归一化映射,得到雷达图像均值f'i:
其中,f(x,y)为选取的雷达图像强度值,Nx、Ny为选取图像沿x,y像元数,i是对应的雷达图像数;对f'i进行归一化得到雷达图像归一化值Fi:
②获得选取雷达图像信噪比rt,以雷达图像时间序列进行归一化,得到海况信息归一化值Ri:
③对采集风力计的海面风向信息di、海面风速信息si,按雷达图像序列进行归一化,得到海面风向、风速信息归一化值Di及Si:
步骤2.2,基于K-means聚类算法的雷达数据分类;
①初始化K个初始类簇质心;
对步骤2.1获得的Fi、Ri、Di和Si的所有数据分成两个部分;将用于模型确定中的数据Fi、Ri、Di组成数据集合,作为海面风速影响因素集合;
Ωi={Fi,Ri,Di} (5)
初始化类簇质心,随机选取Ωi区域中K个数据点作为初始化质心;
②依据初始化质心划分数据点;
在确定K个海面风速影响因素质心后,在数据集Ωi中找出距离质心最近的数据点,由此形成簇;计算Ωi中所有海面风速影响因素特征的数据点Xi(x1,x2,x3)与选定K个质心Ck(c1,c2,c3)之间的距离,公式如下:
各点找到相聚最近的质心后,就归属于该簇,数据集Ωi被划分为K个子区域空间Τk;
③更新聚类质心;
依据更新的质心按照公式(6)重新计算数据点与质心的欧氏距离,同时形成新的簇;
④质心停止更新判断依据;
根据原始质心Ck和更新质心Cj的距离判定质心是否需要进一步更新,判定条件如下:
||Ck-Cj||<<γ (8)
当满足上述条件时表示质心趋于收敛,则分类算法终止;若不满足上述条件,则不断重复步骤2.3~2.5,直到满足公式(8),得到聚类质心Cf(f=1,2,…f),及
每个质心对应的聚类数据集Τf;
步骤2.3去除异类数据的雷达数据;
根据获得的海面风速影响因素的聚类分布,将质心位置相对其他质心最远的质心被判定为异类质心Cd,其所在区域内的所有数据点也被判定为异类数据集Τd,去除数据集Ωi中的异类数据,同时去除Si中异类数据对应的位置的海面风速Sd,最终得到去除异类雷达数据Ff,Rf,Df,Sf:
Ωf={Ff,Rf,Df}={Ωi-Τd} Sf={Si-Sd} (9)
步骤3.1,海面风速提取模型确定;先要释放Ff,Sf数据原有特性,得到对应的雷达图像回波强度均值ff,及训练海面风速信息sf:
ff=Ff*max(fi'),sf=Sf*max(si) (10)
步骤3.2,海面风速提取模型拟合;应用非线性二次函数对数据ff、sf进行拟合,得到海面风速预估模型:
步骤3.3,海面风速模型测试;对模型应用测试数据选取方差函数SSE作为误差检验指标,计算公式如下:
3.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法,其特征在于,所述步骤2.2中的初始化K个初始类簇质心,Fi、Ri、Di和Si的两个部分为:一部分用于基于K-means聚类算法海面风速模型的确定,另一部分用于模型的数据测试。
4.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法,其特征在于,所述步骤2.2的依据初始化质心划分数据点,所有海面风速影响因素特征的数据点Xi(x1,x2,x3)与选定K个质心Ck(c1,c2,c3)之间的距离为欧式距离。
5.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法,其特征在于,所述质心距离误差判定限制条件γ=0.1,得到聚类数为5。
7.根据权利要求2所述的一种基于K-means聚类算法的海面风速方法,其特征在于,所述步骤3.3中海面风速模型测试误差检验指标的计算,所述SSE为对模型输入测试雷达回波强度均值得到的海面风速与测试风速的误差平方和。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711269.6A CN111830506B (zh) | 2020-07-22 | 2020-07-22 | 一种基于K-means聚类算法的海面风速方法 |
PCT/CN2021/080051 WO2022016884A1 (zh) | 2020-07-22 | 2021-03-10 | 一种基于K-means聚类算法的海面风速方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711269.6A CN111830506B (zh) | 2020-07-22 | 2020-07-22 | 一种基于K-means聚类算法的海面风速方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111830506A CN111830506A (zh) | 2020-10-27 |
CN111830506B true CN111830506B (zh) | 2022-02-08 |
Family
ID=72924738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010711269.6A Active CN111830506B (zh) | 2020-07-22 | 2020-07-22 | 一种基于K-means聚类算法的海面风速方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111830506B (zh) |
WO (1) | WO2022016884A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830506B (zh) * | 2020-07-22 | 2022-02-08 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
CN112597820A (zh) * | 2020-12-10 | 2021-04-02 | 南京长峰航天电子科技有限公司 | 一种基于雷达信号分选的目标聚类方法 |
CN113450308B (zh) * | 2021-05-13 | 2022-10-28 | 洛阳师范学院 | 一种雷达降雨检测方法、装置、计算机设备和存储介质 |
CN113705605B (zh) * | 2021-07-20 | 2024-05-31 | 中国人民解放军海军大连舰艇学院 | 部分人工介入的多波束测深数据异常值自动清理方法 |
CN114491386B (zh) * | 2022-02-21 | 2022-10-28 | 国家海洋环境预报中心 | 一种基于海气温差的海浪有效波高订正方法、装置、计算机设备和存储介质 |
CN114626631A (zh) * | 2022-03-29 | 2022-06-14 | 华东交通大学 | 基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法 |
CN114895378B (zh) * | 2022-05-06 | 2024-01-26 | 青岛智慧蓝色海洋工程研究院有限公司 | 一种多节点采集近海面大气波导状态数据的方法 |
CN114781192B (zh) * | 2022-06-17 | 2022-09-27 | 中国科学院空天信息创新研究院 | 海面动力要素反演方法、装置、电子设备及存储介质 |
CN115391685B (zh) * | 2022-10-27 | 2023-03-24 | 南京信息工程大学 | 一种散射计风场同化的质控方法、系统、存储介质及设备 |
CN115408301B (zh) * | 2022-10-31 | 2023-01-31 | 北京千尧新能源科技开发有限公司 | 一种用于风机仿真的测试集构建方法及系统 |
CN115932838B (zh) * | 2022-12-12 | 2023-11-21 | 中山大学 | 一种基于神经网络的地波雷达与走航观测的数据校正方法 |
CN115983141B (zh) * | 2023-03-21 | 2023-07-14 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于深度学习反演海浪波高的方法、介质及系统 |
CN116796214B (zh) * | 2023-06-07 | 2024-01-30 | 南京北极光生物科技有限公司 | 一种基于差分特征的数据聚类方法 |
CN116582195B (zh) * | 2023-06-12 | 2023-12-26 | 浙江瑞通电子科技有限公司 | 一种基于人工智能的无人机信号频谱识别方法 |
CN116933107B (zh) * | 2023-07-24 | 2024-05-10 | 水木蓝鲸(南宁)半导体科技有限公司 | 数据分布边界确定方法、装置、计算机设备和存储介质 |
CN117272843B (zh) * | 2023-11-22 | 2024-02-02 | 中国石油大学(华东) | 基于随机森林的gnss-r海面风速反演方法及系统 |
CN117851845B (zh) * | 2024-03-07 | 2024-05-17 | 中国海洋大学 | 一种基于聚类算法的海洋亚中尺度锋面提取方法 |
CN117969426B (zh) * | 2024-03-29 | 2024-06-28 | 广州华科环保工程有限公司 | 一种环境空气恶臭物质在线分析方法及系统 |
CN117991198B (zh) * | 2024-04-07 | 2024-06-11 | 成都远望科技有限责任公司 | 一种单发双收顶扫云雷达同频干扰识别方法及装置 |
CN117991254B (zh) * | 2024-04-07 | 2024-06-21 | 南京信息工程大学 | 一种基于合成孔径雷达准实时监测台风移动速度矢量的估算方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102681033A (zh) * | 2012-04-27 | 2012-09-19 | 哈尔滨工程大学 | 一种基于x波段航海雷达的海面风场测量方法 |
CN103941257A (zh) * | 2014-04-11 | 2014-07-23 | 哈尔滨工程大学 | 一种基于波数能量谱的导航雷达图像反演海面风向的方法 |
CN107748360A (zh) * | 2017-09-05 | 2018-03-02 | 浙江海洋大学 | 海表风场反演方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002008786A1 (de) * | 2000-07-21 | 2002-01-31 | Gkss-Forschungszentrum Geesthacht Gmbh | Verfahren zur ermittlung von ein in situ seegangsfeld beschreibenden hydrographischen parametern mittels einer radareinrichtung |
US20090160700A1 (en) * | 2005-07-13 | 2009-06-25 | Hagit Messer-Yaron | Monitoring and Mapping of Atmospheric Phenomena |
KR101790481B1 (ko) * | 2015-12-30 | 2017-10-25 | 경남대학교 산학협력단 | 항해용 레이더를 이용한 해상풍 계측 시스템 및 계측 방법 |
CN110009035B (zh) * | 2019-04-03 | 2020-10-27 | 中南大学 | 一种基于图像匹配的测风站群空间聚类方法 |
CN111830506B (zh) * | 2020-07-22 | 2022-02-08 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
-
2020
- 2020-07-22 CN CN202010711269.6A patent/CN111830506B/zh active Active
-
2021
- 2021-03-10 WO PCT/CN2021/080051 patent/WO2022016884A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102681033A (zh) * | 2012-04-27 | 2012-09-19 | 哈尔滨工程大学 | 一种基于x波段航海雷达的海面风场测量方法 |
CN103941257A (zh) * | 2014-04-11 | 2014-07-23 | 哈尔滨工程大学 | 一种基于波数能量谱的导航雷达图像反演海面风向的方法 |
CN107748360A (zh) * | 2017-09-05 | 2018-03-02 | 浙江海洋大学 | 海表风场反演方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于ARM的X波段雷达图像提取海面风向研究;王慧 等;《华中科技大学学报(自然科学版)》;20151031;第43卷(第10期);第42-47页 * |
基于X波段海洋雷达的风浪联合反演方法研究;邱吉东 等;《海洋技术学报》;20170215;第36卷(第1期);第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111830506A (zh) | 2020-10-27 |
WO2022016884A1 (zh) | 2022-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111830506B (zh) | 一种基于K-means聚类算法的海面风速方法 | |
CN111583214B (zh) | 基于rbf神经网络的航海雷达图像反演海面风速方法 | |
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN108550145B (zh) | 一种sar图像质量评估方法和装置 | |
CN110261857B (zh) | 一种天气雷达空间插值方法 | |
CN109344812A (zh) | 一种改进的基于聚类的单光子点云数据去噪方法 | |
CN113256990B (zh) | 基于聚类算法的雷达采集道路车辆信息的方法及系统 | |
CN108647658A (zh) | 一种高空卷云的红外成像检测方法 | |
CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
CN110766058A (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN108765488A (zh) | 一种基于阴影的高分辨率遥感影像建筑物高度估测方法 | |
CN107065037A (zh) | 一种自动气象站数据采集控制系统 | |
CN110673208A (zh) | 一种机器学习框架下高维特征约束的初至拾取方法及系统 | |
CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
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 | |
CN116381692B (zh) | 一种基于x波段双偏振雷达的降水相态识别qpe算法 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
CN115825920B (zh) | 一种顾及冰川形态的ICESat-2光子去噪方法 | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
CN108932520B (zh) | 结合先验概率估计的sar影像水体概率制图方法 | |
CN106548209A (zh) | 一种基于多纹理特征的sar绿潮信息提取方法 | |
CN111611858A (zh) | 一种基于多角度判别的倾轧轨迹面自动检测方法和装置 | |
CN108615240B (zh) | 一种结合邻域信息与距离权重的非参贝叶斯过分割方法 |
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 |