CN111949920B - 一种提取海冰观测值分解的空间多尺度信息的方法 - Google Patents
一种提取海冰观测值分解的空间多尺度信息的方法 Download PDFInfo
- Publication number
- CN111949920B CN111949920B CN202010566170.1A CN202010566170A CN111949920B CN 111949920 B CN111949920 B CN 111949920B CN 202010566170 A CN202010566170 A CN 202010566170A CN 111949920 B CN111949920 B CN 111949920B
- Authority
- CN
- China
- Prior art keywords
- observation
- scale
- sea ice
- value
- analysis
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010845 search algorithm Methods 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000001427 coherent effect Effects 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 238000013459 approach Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 241000695274 Processa Species 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 101150036841 minJ gene Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Hydrology & Water Resources (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种提取海冰观测值分解的空间多尺度信息的方法。空间多尺度递归滤波器的算法设计,与其他方法不同的是,它通过在每次迭代中使用递归滤波器依次检索所需波长,将尺度信息合并到最小化算法中。该方法无需人工干预,可通过搜索算法自动确定权重参数,且可以在一次迭代过程中处理所有空间尺度的观测。本发明基于多尺度数据同化方法对海冰观测数据中的多尺度信息进行提取,用于实现对观测稀疏或缺失区域的数据填补。
Description
技术领域
本发明涉及海冰观测数据信息提取领域,提出海冰多尺度数据同化方法,用于提取海冰观测数据中的多尺度信息。该方法可以从长到短连续提取不同的观测尺度,它比传统的一次分析所有观测尺度的方法具有更大的优势,而且参数的指定也更加方便。
背景技术
在实际观测中,由于受天气条件或其它因素影响,海冰观测并不能覆盖整个研究海域。有效的客观分析方案应能够在数据稀疏区域中检索到可分辨的长波长,并在数据密集区域中保留详细信息,进而实现对观测稀疏或缺失区域的数据填补。如果没有有效的机制,同时提取多个波长,分析场可能会受到观测误差或数据分布不规则等噪声的严重污染。解决这一问题的一种切实可行的方法是先对大尺度进行分析,再对小尺度进行分析。长波越精确,噪声对分析场的影响就越小。
发明内容
本发明的目的是提出海冰多尺度数据同化方法,应用于提取海冰观测值分解的空间多尺度信息。由于空间多尺度递归滤波器的滤波尺度随着迭代次数增加而减小,因此,将其用于海冰观测信息的提取时,能够在一次迭代过程中处理所有空间尺度的观测,实现对缺测区域的数据填补。
本发明提供一种提取海冰观测值分解的空间多尺度信息的方法。空间多尺度递归滤波器的算法设计是本技术方案的重要内容。整体算法包括以下几个步骤:
1.空间多尺度递归滤波器的算法设计
(1)定义代价函数
变分问题的基本问题是将代价函数最小化,如下所示
minJ(x)
考虑下面的问题,使估计值和观测值之间的差异最小化
这里x是分析场,xo是观测场,H为从分析空间到观测空间的插值算子,R为观测误差协方差矩阵,(·)T代表转置,(·)-1代表逆。J(x)的梯度表示为:
为了进一步抑制观测噪声,将式(1)所描述的问题替换为
其中B是一个递归滤波算子,滤波参数α非常小。
(2)给定初猜值w=w0,然后选择一个较小的滤波参数α0和一个较大的参数α。
(3)将参数为α0的递归滤波器应用于w,计算Bw。
(4)计算xo-HBw,即观测残差。
(6)由于传统的极小化算法(如最陡下降、LBFGS和共轭梯度法)解决不适定问题方面存在缺陷,对(3)式求解可能不会产生良好的分析结果,故在最小化过程的每次迭代中,应对代价函数的梯度应用递归滤波器。将另一个带参数α的递归滤波应用于得到其中E为递归滤波算子,即代表w处观测残差的“最长”波长。由于递归滤波算子是正定的,保证是一个下降方向,从而保证估计值与观测值沿该方向的残差减小。
(7)的滤波过程会导致一定的振幅损失。对数据稀疏区域进行合理的分析,需要尽可能准确地捕捉长波,以免在以后的迭代中干扰短波长的提取。因此,为了重新获得一些丢失的信息,在最小化过程中选择作为下降方向,沿着这个方向使用直线搜索算法找到合适的步长l,然后将w调整到
(9)从(3)开始循环,直到满足收敛准则;
(10)最后的分析值是xa=Bw。
利用此算法,随着迭代次数的增加,滤波器参数依次减小,所有的尺度,从长到短的波长,都可以被依次拉出。
2)数值模拟海冰密集度观测信息提取验证
采用数值模拟的方式对本技术方法进行验证。所采用的SSMI(Special SensorMicrowave/Imager)海冰日密集度观测来自NSIDC(National Snow and Ice DataCenter),水平分辨率为25km×25km,分析区域为北冰洋,2014年9月1日的海冰密集度观测场如图1(a)所示。为了检验空间多尺度递归滤波器(Spatial Multi-scale Recursive Filter,SMRF)方案的有效性,每四个格点选择一个观测,剩下1384个观测值(图1(b))来恢复“真”场。
图2(b)为当滤波参数α0=0.2时,SMRF得到的海冰密集度分析场。
图3为SMRF当迭代次数为10、100、250时得到的海冰密集度分析场(a、c、e)和下降方向(b、d、f)(α0=0.2)。验证结果表明,SMRF方案得到的海冰密集度分析结果与“真”场非常相似,避免了数据空洞区域的非相干空间结构;且可以从观测中顺次提取长波和短波长的信息,更好地解释观测所分辨出的各种空间尺度。
有益效果
1.本发明提出了一种满足上述要求的海冰多尺度数据同化方法,即空间多尺度递归滤波器(SMRF)。与其他方法不同的是,它通过在每次迭代中使用递归滤波器依次检索所需波长,将尺度信息合并到最小化算法中。除此之外,该方法无需人工干预,可通过搜索算法自动确定权重参数,且可以在一次迭代过程中处理所有空间尺度的观测。
2.本发明基于多尺度数据同化方法对海冰观测数据中的多尺度信息进行提取,用于实现对观测稀疏或缺失区域的数据填补,相比于传统的一次分析所有观测尺度的方法具有更大的优势,而且参数的指定也更加方便,更好地解释观测所分辨出的各种空间尺度。
附图说明
图1:
(a)基于2014年9月1日SSMI观测数据构建的北冰洋海冰密集度场;
(b)恢复“真”场的观测数据。
图2:
(a)SSMI在2014年9月1日的海冰密集度观测;
(b)当α0=0.2时,SMRF得到的海冰密集度分析场。
图3为SMRF当迭代次数为10、100、250时得到的海冰密集度分析场(左列)和下降方向(右列)(α0=0.2):
(a)SMRF方案当迭代次数为10时得到的海冰密集度分析场;
(b)SMRF方案当迭代次数为100时得到的海冰密集度分析场;
(c)SMRF方案当迭代次数为200时得到的海冰密集度分析场;
(d)SMRF方案当迭代次数为10时得到的下降方向图;
(e)SMRF方案当迭代次数为100时得到的下降方向图;
(f)SMRF方案当迭代次数为200时得到的下降方向图。
具体实施方式
以下以海冰密集度观测信息提取验证的实验对本发明作进一步详细的说明。
(1)按照技术方案,首先给定初猜值w=0,选择较小的滤波参数α0=0.2和一个较大的参数α=0.9。
(2)将参数为0.2的递归滤波器应用于初猜值,计算得到带有滤波算子的值Bw。
(3)以SSMI海冰日密集度观测数据作为观测场,计算xo-HBw,即观测残差。
(7)当估计值w更新后,减小α,其中参数α选择如下高斯函数
(8)从(2)开始循环,直到迭代次数达到500次,退出循环;
(9)最后得到分析值xa=Bw,即海冰密集度分析值。
Claims (4)
1.一种提取海冰观测值分解的空间多尺度信息的方法,其特征在于,采用空间多尺度递归滤波器的算法设计,包括以下几个步骤:
具体如下:
(1)定义代价函数
变分问题的基本问题是将代价函数最小化,如下所示:
min J(x)
考虑下面的问题,使估计值和观测值之间的差异最小化
这里x是分析场,xo是观测场,H为从分析空间到观测空间的插值算子,R为观测误差协方差矩阵,(·)T代表转置,(·)-1代表逆;
J(x)的梯度表示为:
为了进一步抑制观测噪声,将式(1)所描述的问题替换为:
其中,B是一个递归滤波算子,滤波参数α非常小;
(2)给定初猜值w=w0,然后选择一个较小的滤波参数α0和一个较大的参数α;
(3)将参数为α0的递归滤波器应用于w,计算Bw;
(4)计算xo-HBw,即观测残差;
其中,E为递归滤波算子,即代表w处观测残差的“最长”波长;
(9)从(3)开始循环,直到满足收敛准则;
(10)最后的分析值是xa=Bw;
利用此算法,随着迭代次数的增加,滤波器参数依次减小,所有的尺度,从长到短的波长,都可以被依次拉出。
2.根据权利要求1所述的一种提取海冰观测值分解的空间多尺度信息的方法,其特征在于,数值模拟海冰密集度观测信息提取验证,SMRF方案得到的海冰密集度分析结果与“真”场非常相似。
3.根据权利要求1所述的一种提取海冰观测值分解的空间多尺度信息的方法,其特征在于,避免数据空洞区域的非相干空间结构。
4.根据权利要求1所述的一种提取海冰观测值分解的空间多尺度信息的方法,其特征在于,从观测中顺次提取长波和短波长的信息,解释观测所分辨出的各种空间尺度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566170.1A CN111949920B (zh) | 2020-06-19 | 2020-06-19 | 一种提取海冰观测值分解的空间多尺度信息的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566170.1A CN111949920B (zh) | 2020-06-19 | 2020-06-19 | 一种提取海冰观测值分解的空间多尺度信息的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111949920A CN111949920A (zh) | 2020-11-17 |
CN111949920B true CN111949920B (zh) | 2022-08-23 |
Family
ID=73337679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010566170.1A Expired - Fee Related CN111949920B (zh) | 2020-06-19 | 2020-06-19 | 一种提取海冰观测值分解的空间多尺度信息的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949920B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105981025A (zh) * | 2014-12-01 | 2016-09-28 | 哈尔滨工程大学 | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 |
CN107507232A (zh) * | 2017-07-14 | 2017-12-22 | 天津大学 | 基于多尺度迭代的立体匹配算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7123783B2 (en) * | 2002-01-18 | 2006-10-17 | Arizona State University | Face classification using curvature-based multi-scale morphology |
EP2082332B1 (en) * | 2006-10-10 | 2012-08-22 | Zoran (France) | Method and apparatus for spatio-temporal subband video enhancement with small time delay |
-
2020
- 2020-06-19 CN CN202010566170.1A patent/CN111949920B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105981025A (zh) * | 2014-12-01 | 2016-09-28 | 哈尔滨工程大学 | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 |
CN107507232A (zh) * | 2017-07-14 | 2017-12-22 | 天津大学 | 基于多尺度迭代的立体匹配算法 |
Non-Patent Citations (2)
Title |
---|
"海洋数据同化与数据融合技术应用综述";吴新荣 等;《海洋技术学报》;20150630;第34卷(第3期);全文 * |
"背景误差与观察误差比例调整方案及其对资料同化的影响";丁伟钰;《第32届中国气象学会年会S3 军用数值天气预报技术及应用》;20150906;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111949920A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101958674B1 (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
CN106600553B (zh) | 一种基于卷积神经网络的dem超分辨率方法 | |
CN110298211B (zh) | 一种基于深度学习和高分辨率遥感影像的河网提取方法 | |
CN111242864B (zh) | 一种基于Gabor纹理约束的手指静脉图像修复方法 | |
CN108550116B (zh) | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 | |
CN104899448B (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
CN112581378B (zh) | 基于显著性强度和梯度先验的图像盲去模糊方法和装置 | |
CN106548016A (zh) | 基于张量时域相关性分解模型的时间序列分析方法 | |
Antić et al. | Approximation based on orthogonal and almost orthogonal functions | |
CN113589286B (zh) | 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法 | |
CN104156918A (zh) | 基于联合稀疏表示与残差融合的sar图像噪声抑制方法 | |
CN110675318B (zh) | 一种基于主结构分离的稀疏表示图像超分辨率重建方法 | |
CN105184742B (zh) | 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法 | |
CN111949920B (zh) | 一种提取海冰观测值分解的空间多尺度信息的方法 | |
CN113568058B (zh) | 一种基于多分辨率奇异值分解的大地电磁信噪分离方法及系统 | |
CN109741258B (zh) | 基于重建的图像超分辨率方法 | |
CN114372239A (zh) | 一种去除钻孔应变数据环境影响因素的方法 | |
CN113158830A (zh) | 一种剩余重力异常场分离方法 | |
CN110766695B (zh) | 基于图像稀疏表示的抠图方法 | |
CN110118958B (zh) | 基于变分编码-解码网络的宽带雷达复回波去噪方法 | |
CN111291316B (zh) | 一种基于小波变换的多尺度电阻率反演方法及系统 | |
CN109948571B (zh) | 一种光学遥感图像船舶检测方法 | |
CN116626765A (zh) | 一种基于二维k-svd和卷积稀疏编码的多道地震反褶积方法 | |
CN117113808A (zh) | 一种全球气候模式耦合水文模型模拟的处理方法及系统 | |
CN112862710B (zh) | 一种基于Criminisi算法优化的电成像测井图像井壁复原方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220823 |