CN112396646B - 台风中心点定位方法和装置 - Google Patents

台风中心点定位方法和装置 Download PDF

Info

Publication number
CN112396646B
CN112396646B CN202011297217.5A CN202011297217A CN112396646B CN 112396646 B CN112396646 B CN 112396646B CN 202011297217 A CN202011297217 A CN 202011297217A CN 112396646 B CN112396646 B CN 112396646B
Authority
CN
China
Prior art keywords
typhoon
image
determining
cloud system
cloud
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
Application number
CN202011297217.5A
Other languages
English (en)
Other versions
CN112396646A (zh
Inventor
张洁
田杰
吴彬锋
滕骏华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER
Original Assignee
NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER filed Critical NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER
Priority to CN202011297217.5A priority Critical patent/CN112396646B/zh
Publication of CN112396646A publication Critical patent/CN112396646A/zh
Application granted granted Critical
Publication of CN112396646B publication Critical patent/CN112396646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种台风中心点定位方法和装置。其中，该方法包括：获取全球通信系统GTS报文和卫星云图；其中，卫星云图按照观测台风的时间序列排序；基于GTS报文和卫星云图确定台风云系图像；基于台风云系图像确定台风的类型；其中，台风的类型包括有眼台风类型和无眼台风类型；基于台风的类型和台风云系图像确定台风中心点潜在图像；基于台风中心点潜在图像确定台风的中心点位置。该方式可以完全实现自动化运行，无需人工干预，可以充分体现台风云系连续时间内变化特性及运动特性，大大简化了计算过程，提高了运行效率。

Description

台风中心点定位方法和装置
技术领域
本发明涉及台风定位技术领域，尤其是涉及一种台风中心点定位方法和装置。
背景技术
台风具有突发性强、破坏力大的特点，其造成的受灾面积之大和伤亡人数之多在十大自然灾害(如地震、洪水、海啸、龙卷风等)中高居首位，是世界上最严重的自然灾害之一。台风给工农业生产、交通运输和人民生命财产的安全造成严重威胁和极大损失。正确面对台风、避免台风的灾害是事关安全的重要问题。实现自动分割出台风云系，确定台风的中心位置，在避免传统的人工目视判读中存在的不确定性，提高台风准确预报的自动化和科学化水平，为台风的防灾减灾决策提供依据等层面都有重要的现实意义。
确定台风中心位置对台风预报来说具有至关重要的作用，现有的基于遥感图像的台风中心位置确定方法大致有以下5种：云系结构特征提取法、时空运动匹配法、云体温度湿度辅助定位、数学形态法、以及风场辅助定位法。
上述的5种台风中心定位方法各自都具有局限性，需要较多人工干预、无法自动化、鲁棒性较弱，不具备普适性。
发明内容
有鉴于此，本发明的目的在于提供一种台风中心点定位方法和装置，可以完全实现自动化运行，无需人工干预，可以充分体现台风云系连续时间内变化特性及运动特性，大大简化了计算过程，提高了运行效率。
第一方面，本发明实施例提供了一种台风中心点定位方法，包括：获取全球通信系统GTS(Global Telecommunication System，全球通信系统)报文和卫星云图；其中，卫星云图按照观测台风的时间序列排序；基于GTS报文和卫星云图确定台风云系图像；基于台风云系图像确定台风的类型；其中，台风的类型包括有眼台风类型和无眼台风类型；基于台风的类型和台风云系图像确定台风中心点潜在图像；基于台风中心点潜在图像确定台风的中心点位置。
在本发明较佳的实施例中，上述基于GTS报文和卫星云图确定台风云系图像的步骤，包括：基于当前时刻的GTS报文或当前时刻的卫星云图确定当前时刻的台风中心点的经纬度；基于当前时刻的台风中心点的经纬度和下一时刻的卫星云图确定下一时刻的台风云系图像。
在本发明较佳的实施例中，上述基于当前时刻的GTS报文确定当前时刻的台风中心点的经纬度的步骤，包括：解码当前时刻的GTS报文，得到台风属性数据；从台风属性数据中读取当前时刻的台风中心点的经纬度。
在本发明较佳的实施例中，上述基于当前时刻的台风中心点的经纬度和下一时刻的卫星云图确定下一时刻的台风云系图像的步骤，包括：以当前时刻的台风中心点的经纬度的预设范围对下一时刻的卫星云图进行图像切割，得到卫星云图的感兴趣区域；对卫星云图的感兴趣区域进行第一阈值筛选，得到云系二值图像；将云系二值图像上的云系转化为矢量多边形；从云系的矢量多边形中筛选出台风云系矢量多边形；将台风云系矢量多边形转化为台风云系的感兴趣区域；基于台风云系的感兴趣区域确定下一时刻的台风云系图像。
在本发明较佳的实施例中，上述基于台风云系图像确定台风的类型的步骤，包括：对台风云系图像进行第二阈值筛选，得到高灰度值图像；其中，第二阈值筛选的阈值设置为台风云系图像中最大像元值减去第一值；如果高灰度值图像上存在台风中心点，则台风的类型的为无眼台风类型；如果高灰度值图像上不存在台风中心点，则台风的类型的为有眼台风类型。
在本发明较佳的实施例中，上述基于台风的类型和台风云系图像确定台风中心点潜在图像的步骤，包括：如果台风的类型的为有眼台风类型，对台风云系图像进行第三阈值筛选；其中，第三阈值筛选的阈值设置为台风云系图像中像元值的平均值；将台风云系图像中像元值小于第三阈值筛选的阈值的图像作为台风中心点潜在图像。
在本发明较佳的实施例中，上述基于台风的类型和台风云系图像确定台风中心点潜在图像的步骤，包括：如果台风的类型的为无眼台风类型，对台风云系图像进行第四阈值筛选，得到次高灰度值图像；其中，第四阈值筛选的阈值大于台风云系图像中最大像元值减去第二值，并且第四阈值筛选的阈值小于台风云系图像中最大像元值减去第一值；对次高灰度值图像进行开闭运算并且多次进行腐蚀和膨胀处理，得到多个处理图像；将多个处理图像求和并且进行第一掩膜处理，得到新背景图像；从高灰度值图像中去除新背景图像并且进行第二掩膜处理，得到台风中心点潜在图像。
在本发明较佳的实施例中，上述基于台风中心点潜在图像确定台风的中心点位置的步骤，包括：对台风中心点潜在图像进行腐蚀处理，得到腐蚀结果图像；基于GTS报文、时间序列和腐蚀结果图像定台风的中心点位置。
在本发明较佳的实施例中，上述基于GTS报文、时间序列和腐蚀结果图像定台风的中心点位置的步骤，包括：从时间序列中确定当前观测时刻；基于当前观测时刻确定目标时刻的GTS报文；其中，目标时刻为与当前观测时刻最接近的GTS报文的发送时刻；从目标时刻的GTS报文中读取目标时刻的台风的中心点位置和移动速度；基于目标时刻的台风的中心点位置和中心点移动速度确定目标范围；其中，目标范围的圆心为目标时刻的台风的中心点位置，通过下述算式确定目标范围的半径：r＝(v+e)×(Tn-Tgts)，r为目标范围的半径，v为目标时刻的台风的中心点移动速度，e为预设阈值，Tn为当前观测时刻，Tgts为目标时刻；确定目标范围内是否包括真值像素点；其中；真值像素点表征像元值为1的像素点；如果目标范围内包括真值像素点，对腐蚀结果图像继续进行腐蚀处理；如果目标范围内不包括真值像素点，确定上一次腐蚀处理得到的上一腐蚀结果图像，确定上一腐蚀结果图像的真值像素点中与目标时刻的台风的中心点位置最接近的目标真值像素点，将目标真值像素点作为当前观测时刻的台风的中心点位置。
第二方面，本发明实施例还提供一种台风中心点定位装置，包括：GTS报文和卫星云图获取模块，用于获取全球通信系统GTS报文和卫星云图；其中，卫星云图按照观测台风的时间序列排序；台风云系图像确定模块，用于基于GTS报文和卫星云图确定台风云系图像；台风类型确定模块，用于基于台风云系图像确定台风的类型；其中，台风的类型包括有眼台风类型和无眼台风类型；台风中心点潜在图像确定模块，用于基于台风的类型和台风云系图像确定台风中心点潜在图像；台风中心点位置确定模块，用于基于台风中心点潜在图像确定台风的中心点位置。
本发明实施例带来了以下有益效果：
本发明实施例提供的一种台风中心点定位方法和装置，通过GTS报文和卫星云图确定台风云系图像，基于台风云系图像确定台风的类型，可以根据不同的台风的类型选择不同的方式确定台风中心点潜在图像，最后根据台风中心点潜在图像确定台风的中心点位置。该方式可以完全实现自动化运行，无需人工干预，可以充分体现台风云系连续时间内变化特性及运动特性，大大简化了计算过程，提高了运行效率。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种台风中心点定位方法的流程图；
图2为本发明实施例提供的另一种台风中心点定位方法的流程图；
图3为本发明实施例提供的一种捕捉台风云系处理的示意图；
图4为本发明实施例提供的一种判断台风属于有眼或者无眼台风类型处理机制的示意图；
图5为本发明实施例提供的一种有眼台风中心点潜在图像获取处理机制的示意图；
图6为本发明实施例提供的一种无眼台风中心点潜在图像获取处理机制的示意图；
图7为本发明实施例提供的一种确定台风中心点位置处理机制的示意图；
图8为本发明实施例提供的一种台风中心点定位装置的结构示意图；
图9为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
目前，基于遥感图像的台风中心位置确定方法大致有以下5种：云系结构特征提取法、时空运动匹配法、云体温度湿度辅助定位、数学形态法、以及风场辅助定位法。
云系结构特征提取法是利用台风云系在遥感卫星图像上呈现的涡旋特点来实现中心定位。台风云系主要有眼区、中心密集云层、螺旋云带和外散环流组成。台风云系可分为两大类:有眼和无眼。有眼类台风云系在遥感图像上，呈现为一片高亮度的云区核心处，有一块特征明显的暗区，该出暗区即为云眼。云眼通常产生于热带气旋成熟期，具有圆形眼、同心双套圆眼、椭圆形眼、半圆环眼、不规则眼、破碎眼等形状。无眼类台风云系根据其形状和外围螺旋云带特征可分为螺旋性云系、非对称性云系和类圆性云系，在遥感图像上分别表现为弯曲云带型、风切型、中心密闭云区覆盖型，呈现出基本环流旋卷度、主对流云团与中心切离度、中心密闭云区宽度等特征。云系结构特征提取法中具有代表性的算法是Dvorak模式法，其为目前全球热带气旋业务部门仍广泛采用的定位方法。Dvorak算法利用卫星云图观察、匹配先验总结的热带气旋不同发展阶段若干风眼和螺旋云带云型概念模板以及一系列经验规则和约束条件，推测出云系中心所在。
时空运动匹配法的主要特点为不是基于单幅遥感图像，而是利用遥感图像的连续性、时间精度高的特性，针对时间序列动态遥感图像，开展台风中心定位。台风云系从整体上看是做平移运动，内部是以台风中心做自旋运动。在台风的整个周期内，中心的自旋运动都是最小的。所以在时间间隔较小、连续的两幅卫星图像上，可以假定台风中心只发生平移。时空运动匹配法主要有两种算法：一种直接利用特征点选取和图片匹配，在两幅连续的遥感图像上找到最接近于只做平移运动的图块，那么该图块则认定为包含台风中心点；另一种是在特征点选取和图片匹配的基础上，计算出云导风矢量，继而找到云导风矢量的中心点即为台风中心点。
云体温度湿度辅助定位法是利用台风云体温度和湿度两个特征进行台风中心定位。由于台风云系呈现暖性的低压涡旋特征，台风中心与暖心轴线重合，可以通过遥感图像反演得到云系暖心的位置，得到台风中心点位置。即通过遥感图像不同高度层次的通道亮温图像或反演的大气温湿廓线，可以呈现热带气旋的暖心结构，亮温极值点或温湿距平最大值点，就是台风云系中心位置。
数学形态法是基于数学形态学一整套几何变换理论对遥感图像进行处理，提取台风云系的形态细节特征，实现台风中心定位。这些处理包括二值化、腐蚀、膨胀、开、闭、边缘/轮廓检测、骨架提取等。数学形态法中具有代表性的是螺旋线拟合定位法：通过Hough(霍夫)变换或结构元素的开闭运算，剥离台风云系，得到螺旋带骨架，再用最小二乘法或最小平方中值法拟合热带气旋云系的螺旋、圆或椭圆形轮廓曲线，进而求得圆心坐标确定中心位置。
风场辅助定位法的原始数据不是卫星云图而是比如像散射计观测的海面风场数据，利用台风外围风速高、中心区域风速低、风向具有螺旋的特点进行台风中心定位。主要有3种算法：涡度、散度和复合定位。涡度算法通过计算台风区域涡度值，找到局部最大值点即为台风中心点；散度算法通过计算台风区域散度值，找到局部最小值点即为台风中心点；复合算法不仅考虑涡度，还考虑散度，通过计算台风区域复合场值，即涡度与散度的乘积，找到复合场局部最小值点即为台风中心点。
上述的5种台风中心定位方法各自都具有局限性:
云系结构特征提取法操作复杂，需较多人工干预进行判断识别，因此自动化程度低、而且对台风强度依赖较大，在台风形成早期，定位效果较差。
时空运动匹配法更偏向于研究，方法的核心就是图像匹配，而进行图像匹配的像元模块大小的选择，需要针对每个台风分别设置，鲁棒性较弱，不具有普适性，而且云体的非刚体特性、云图具有形变差异等都会给图像匹配带来较大的误差，而且图像匹配对计算机性能要求高，计算时间往往较长。
云体温度湿度辅助定位法主要存在3个问题：早期台风云系定位结果较差，因为该时期台风暖心特点不明显；当台风暖心特点明显时，暖心在对流层下层较为狭窄或基本没有，在对流层中上层附近达到最宽、最明显，因此提取的中心位置实际为云系中上层的中心；湿度反演受降水影响较大，结果常常不准。
数学形态法对于形态特征易识别的台风云系(通常是成熟阶段)中心定位精度较高，但其还有识别效率、非典型台风定位精度等难点问题有待突破，尤其是无眼热带气旋云系结构千变万化，难以找到适应各种情况的统一的定位算法。
风场辅助定位法依赖于微波散射计观测的海面风速的误差，散射计在高风速区的观测误差是较高的(一般是大于30m/s)，降雨也会对风速的观测造成很大误差，而且散射计的分辨率一般为25km*25km(或者12.5*12.5)，相比于卫星云图来说，较为粗糙。
综上，目前台风中心定位的方法都具有需要较多人工干预、无法自动化、鲁棒性较弱，不具备普适性的特点。基于此，本发明实施例提供的一种台风中心点定位方法和装置，可以充分体现台风云系连续时间内变化特性及运动特性，大大简化了计算过程，提高了运行效率。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种台风中心点定位方法进行详细介绍。
实施例1
本发明实施例提供一种台风中心点定位方法，参见图1所示的一种台风中心点定位方法的流程图，该台风中心点定位方法包括如下步骤：
步骤S102，获取全球通信系统GTS报文和卫星云图；其中，卫星云图按照观测台风的时间序列排序。
GTS是世界气象组织(WMO)建立的各参与国以气象观测资料为主的数据共享传输系统。GTS系统数据来源于全球范围内的气象站、卫星和数值预报中心，数据采用文件传输，实时更新。
卫星云图是由气象卫星自上而下观测到的地球上的云层覆盖和地表面特征的图像，目前接收的云图主要有红外云图、可见光云图及水汽图等。本实施例中的卫星云图按照观测台风的时间序列排序，例如：每10分钟获取一张卫星云图，按照时间顺序对获取的卫星云图进行排列。
步骤S104，基于GTS报文和卫星云图确定台风云系图像。
台风云系图像用于确定台风云系，台风云系在卫星云图上，台风由台风眼、中心稠密云区和螺旋云带组成，台风眼分成大眼、小眼、圆眼和不规则形状眼，它可以位于台风云区中心，也可位于台风云区边缘。
步骤S106，基于台风云系图像确定台风的类型；其中，台风的类型包括有眼台风类型和无眼台风类型。
台风的类型可以根据台风云系图像确定。台风是发生在热带海洋上的强烈天气系统，从外围到中心风速逐步增加，然后迅速增加，但到了直径数十公里的中心区域内，风力迅速减小，降雨停止，出现了白天可看到阳光夜晚可见到星星的少云天空。台风中心(台风眼)是热带气旋中特有的“眼”，气象学中称之为台风眼。如果从台风云系图像确定没有台风眼，则台风为无眼台风类型的台风；如果从台风云系图像确定有台风眼，则台风为有眼台风类型的台风。
步骤S108，基于台风的类型和台风云系图像确定台风中心点潜在图像。
有眼台风和无眼台风的台风眼区在卫星图像上差异较大，因此二者的台风中心点潜在图像会有区别，所以需要先判断台风的类型。根据台风的类型可以采用不同的方式从台风云系图像确定台风中心点潜在图像。
步骤S110，基于台风中心点潜在图像确定台风的中心点位置。
从台风中心点潜在图像可以确定台风的中心点位置，可以通过经纬度来表示台风的中心点位置，对于不同类型的台风，可以采用相同的步骤对台风中心点潜在图像进行处理，确定台风的中心点位置。台风中心位置的确定算法可以是一致的，大大简化了不同类型台风的处理步骤。
本发明实施例提供的一种台风中心点定位方法，通过GTS报文和卫星云图确定台风云系图像，基于台风云系图像确定台风的类型，可以根据不同的台风的类型选择不同的方式确定台风中心点潜在图像，最后根据台风中心点潜在图像确定台风的中心点位置。该方式可以完全实现自动化运行，无需人工干预，可以充分体现台风云系连续时间内变化特性及运动特性，大大简化了计算过程，提高了运行效率。
实施例2
本发明实施例还提供另一种台风中心点定位方法；该方法在上述实施例方法的基础上实现；该方法重点描述确定台风云系图像的具体实现方式。如图2所示的另一种台风中心点定位方法的流程图，该台风中心点定位方法包括如下步骤：
步骤S202，获取全球通信系统GTS报文和卫星云图；其中，卫星云图按照观测台风的时间序列排序。
本实施例中可以将整个系统从原始数据卫星云图和GTS报文的接入到最后台风云系中心点位置的确定分为5个部分：捕捉台风云系处理、判断台风属于有眼还是无眼台风类型处理、有眼台风中心点潜在图像获取、无眼台风中心点潜在图像获取、确定台风中心点位置。
步骤S204，基于当前时刻的GTS报文或当前时刻的卫星云图确定当前时刻的台风中心点的经纬度。
参见图3所示的一种捕捉台风云系处理的示意图，区别于之前的卫星云图反演台风中心点位置只处理单幅图像的特点，为了充分利用Himawari-8(葵花-8)号卫星10分钟一副全景(full-disk)图像的高时间分辨率的特点，本实施例中加入时间序列机制，以前一时刻(Tn-1时刻)的台风中心点位置为输入值进行Tn时刻卫星云图分析处理。Tn-1时刻台风中心点位置的获取途径主要有两种：GTS报文所报的Tn-1时刻台风中心点位置或者是Tn-1时刻本算法基于卫星云图识别的位置，二者的优先级是GTS报文优于卫星云图。
可以通过下述步骤基于GTS报文确定台风中心点的经纬度：解码当前时刻的GTS报文，得到台风属性数据；从台风属性数据中读取当前时刻的台风中心点的经纬度。
GTS热带气旋实况和综合预报报文采用北京发布的信息，即WTPQ代码，依照代码格式说明，可以对报文信息解码，获取台风相关属性数据。
其中，WTPQ是GTS文件的命名，其中WT是指：简式报头中的TT，PQ是指：发布报文的机构为中国/日本。
步骤S206，基于当前时刻的台风中心点的经纬度和下一时刻的卫星云图确定下一时刻的台风云系图像。
Himawari-8号全景图像数据量非常庞大，需要对原始图像进行切割。例如：以当前时刻的台风中心点的经纬度的预设范围对下一时刻的卫星云图进行图像切割，得到卫星云图的感兴趣区域；对卫星云图的感兴趣区域进行第一值筛选，得到云系二值图像；将云系二值图像上的云系转化为矢量多边形；从云系的矢量多边形中依据台风云系的几何特征，筛选出台风云系矢量多边形；将台风云系矢量多边形转化为台风云系的感兴趣区域；基于台风云系的感兴趣区域确定下一时刻的台风云系图像。
如图3所示，可以综合考虑台风云系的体量、移动速度以及时间间隔，确定以Tn-1时刻台风中心点位置±10°进行裁剪，得到感兴趣区域。通过这样的裁剪，不仅可以节约后续处理时间，也可避免一副卫星云图若上出现多个台风云系，台风云系特征筛选时，出现只识别出一个台风云系的情况。
得到了裁剪的卫星云图，需对图像进行阈值筛选，将图像转化为二值型，否则面向对象分类时，计算量过于庞大，所耗时间较长，系统的稳定性也会受到影响。阈值筛选的依据是云系与海水的反射率差异很大。在本算法中，由于对卫星云图只提取观测值，并未进行亮温转换，因此在卫星云图上，云系较亮，海水较暗。通过阈值筛选，得到较亮的云系二值图像。其中，阈值筛选也可以称为掩膜处理。遥感图像本身就是灰度图，给定一个阈值后，将图像转换为黑白图，即二值图像，图像像元值是1或者0，代表真和假。
对二值图像进行面向对象分类处理，边缘检测(Edge)算法分割，Full lambdaSchedule算法合并，将图像上各个云系转化为矢量多边形，然后利用多边形几何特征，从所有云系多边形矢量中筛选出台风云系矢量。台风云系面积一般较大，也最像圆形，所以采用的几何特征包括：面积Area和紧密性(CompacTness)属性(描述多边形紧密性的度量)。筛选得到台风云系shp多边形后，转化为ROI，在原始卫星云图上裁剪得到台风云系图像。此处裁剪得到的是台风云系shp多边形的外切矩形图像，可以弥补由于阈值筛选丢失的云系部分。
其中，shp是一种数据类型，遥感图像一般分为栅格和shp两种类型。栅格为标量，shp是矢量，在ENVI(The Environment for Visualizing Images，遥感图像处理软件)中可以将shp类型的文件转为ROI(Region Of Interest，感兴趣区域)，用来裁剪图像。
步骤S208，基于台风云系图像确定台风的类型；其中，台风的类型包括有眼台风类型和无眼台风类型。
在本算法中，由于对卫星云图只提取观测值，并未进行亮温转换，因此有眼台风的眼区亮度较低，无眼台风的眼区为云系所覆盖，亮度较高，二者的台风中心点潜在图像会有区别，所以需要先判断台风的类型，可以通过下述步骤执行：对台风云系图像进行第二阈值筛选，得到高灰度值图像；其中，第二阈值筛选的阈值设置为台风云系图像中最大像元值减去第一值；如果高灰度值图像上存在台风中心点，则台风的类型的为无眼台风类型；如果高灰度值图像上不存在台风中心点，则台风的类型的为有眼台风类型。
参见图4所示的一种判断台风属于有眼或者无眼台风类型处理机制的示意图，首先对台风云系图像进行阈值筛选，阈值的选取参考经验算法，设置为max-500，max是台风云系图像中所有像元值的最大值，此处阈值没有设置为固定值，是为了充分考虑不同卫星图像的像元分布，得到像元值大于阈值的二值图像，称之为高灰度值图像A。如果A上有可能的台风中心点，可判断台风为无眼台风类型，若无则台风为有眼台风类型。判断的机制是利用台风移动时间序列，记该幅台风云系的观测时刻是Tn(单位：h)，与Tn时刻最近的GTS报文是Tgts时刻，GTS报文台风中心点位置是经度为a，纬度是b，GTS数据读取的台风中心点移动速度是v(单位：km/h)，A二值图像上若以中心点(a，b)为圆点，半径为(v+e)×(Tn-Tgts)，e取2(单位：km/h)，为给台风中心移动速度一定的误差，作为缓冲，范围内有无真值像素点。
步骤S210，基于台风的类型和台风云系图像确定台风中心点潜在图像。
对于不同的台风类型可以通过不同的方式确定台风中心点潜在图像，例如：如果台风的类型的为有眼台风类型，对台风云系图像进行第三阈值筛选；其中，第三阈值筛选的阈值设置为台风云系图像中像元值的平均值；将台风云系图像中像元值小于第三阈值筛选的阈值的图像作为台风中心点潜在图像。
参见图5所示的一种有眼台风中心点潜在图像获取处理机制的示意图，若判断台风为有眼台风类型，则对台风云系做阈值筛选，阈值的选取参考经验算法，设置为mean,mean是台风云系图像中所有像元值的平均值，此处阈值没有设置为固定值，是为了充分考虑不同卫星图像的像元分布，得到像元值小于阈值的二值图像，即有眼台风中心点潜在图像D。
如果台风的类型的为无眼台风类型，则可以通过下述步骤确定台风中心点潜在图像：
如果台风的类型的为无眼台风类型，对台风云系图像进行第四阈值筛选，得到次高灰度值图像；其中，第四阈值筛选的阈值大于台风云系图像中最大像元值减去第二值，并且第四阈值筛选的阈值小于台风云系图像中最大像元值减去第一值；对次高灰度值图像进行开闭运算并且多次进行腐蚀和膨胀处理，得到多个处理图像；将多个处理图像求和并且进行第一掩膜处理，得到新背景图像；从高灰度值图像中去除新背景图像并且进行第二掩膜处理，得到台风中心点潜在图像。
参见图6所示的一种无眼台风中心点潜在图像获取处理机制的示意图，对于无眼台风中心点潜在图像的获取比有眼台风的更为复杂。其主要思想就是对包含中心点的图像A进行剥离筛选，去掉不可能是中心点的部分，得到中心点潜在图像。
首先对台风云系图像进行阈值筛选，阈值的选取参考经验算法，设置为max-1000<x<max-500,max是台风云系图像中所有像元值的最大值，此处阈值没有设置为固定值，是为了充分考虑不同卫星图像的像元分布，得到次高灰度值图像B。
接下来的处理主要是利用数学形态法，为了使处理速度更快，后续腐蚀效率更高，设计十字形结构元素i如下[0,1,0；1,0,1；0,1,0]。对图像B进行以结构元素i的开、闭运算，去除图像B的毛刺，使图像B更为光滑、完整，得到背景图像C。对背景图像C分别作1—4级腐蚀、膨胀处理。其中，腐蚀和膨胀都为数学形态学中二值形态学中的图像处理方法。X用S腐蚀的结果是所有使S平移x后仍在X中的x的集合。换句话说，用S来腐蚀X得到的集合是S完全包括在X中时S的原点位置的集合。膨胀可以看做是腐蚀的对偶运算，其定义是：把结构元素B平移a后得到Ba，若Ba击中X，我们记下这个a点。所有满足上述条件的a点组成的集合称做X被B膨胀的结果。
1级处理腐蚀1次、膨胀2次，2级处理腐蚀2次、膨胀4次，以此类推。得到处理后的4幅图像P1、P2、P3和P4。将这4幅图像求和，值得注意的是，求和得到的图像并不是二值型，需要通过阈值筛选，max＝0且min＝0,将结果转化为二值图像，命名为新背景图像P。该图像即为高灰度值图像A中需要剥离的部分，波段运算A—P，再结合阈值处理，max＝1且min＝1，得到无眼台风中心点潜在图像D。
步骤S212，基于台风中心点潜在图像确定台风的中心点位置。
在确定台风的中心点位置的步骤中，也可以对台风中心点潜在图像进行腐蚀处理，例如：对台风中心点潜在图像进行腐蚀处理，得到腐蚀结果图像；基于GTS报文、时间序列和腐蚀结果图像定台风的中心点位置。
具体来说，可以通过多次腐蚀处理得到的腐蚀结果图像确定台风的中心点位置，例如：从时间序列中确定当前观测时刻；基于当前观测时刻确定目标时刻的GTS报文；其中，目标时刻为与当前观测时刻最接近的GTS报文的发送时刻；从目标时刻的GTS报文中读取目标时刻的台风的中心点位置和移动速度；基于目标时刻的台风的中心点位置和中心点移动速度确定目标范围；其中，目标范围的圆心为目标时刻的台风的中心点位置，通过下述算式确定目标范围的半径：r＝(v+e)×(Tn-Tgts)，r为目标范围的半径，v为目标时刻的台风的中心点移动速度，e为预设阈值，Tn为当前观测时刻，Tgts为目标时刻；确定目标范围内是否包括真值像素点；其中；真值像素点表征像元值为1的像素点；如果目标范围内包括真值像素点，对腐蚀结果图像继续进行腐蚀处理；如果目标范围内不包括真值像素点，确定上一次腐蚀处理得到的上一腐蚀结果图像，确定上一腐蚀结果图像的真值像素点中与目标时刻的台风的中心点位置最接近的目标真值像素点，将目标真值像素点作为当前观测时刻的台风的中心点位置。
参见图7所示的一种确定台风中心点位置处理机制的示意图，不论是有眼台风还是无眼台风，确定台风中心点位置处理机制是一样的，输入数据为台风中心点潜在图像D。核心思想是通过对图像D不断的腐蚀，再结合判定条件，最终确定台风中心点位置。具体步骤如下：用结构元素i开始腐蚀二值图像D，腐蚀一次，得到腐蚀结果图像D1，对D1做以下判断：利用台风移动时间序列，记该幅台风云系的观测时刻是Tn(单位：h)，与Tn时刻最近的GTS报文是Tgts时刻，GTS报文台风中心点位置是经度为a,纬度是b，GTS数据读取的台风中心点移动速度是v(单位：km/h),A二值图像上若以中心点(a,b)为圆点，半径为(v+e)×(Tn-Tgts)，e取2(单位：km/h)，为给台风中心移动速度一定的误差，作为缓冲，范围内有无真值像素点。若有则继续腐蚀图像D1，得到D2，继续对D2检查判断，直到范围内没有真值像素点，假设此时已腐蚀N次，那么对上一次腐蚀结果图DN-1,计算图像中真值点距离中心点(a,b)距离最近的像素点，则判断为台风中心点。
本发明实施例提供的上述方法，不是单一性使用卫星云图作为台风中心位置确定的数据源，增加了GTS报文数据，丰富了原始数据。不是单幅卫星图像的单独性处理，而是充分利用卫星云图高时间分辨率这一优点，形成时间序列的卫星图像，可以充分体现台风云系连续时间内变化特性及运动特性。系统可以完全实现自动化运行，不需人工干预。不论台风是有眼还是无眼台风类型，处理机制中有区别的地方只是台风中心潜在图像的获取，台风中心位置的确定算法是一致的，大大简化了不同类型台风的处理步骤。
实施例3
对应于上述方法实施例，本发明实施例提供了一种台风中心点定位装置，如图8所示的一种台风中心点定位装置的结构示意图，该台风中心点定位装置包括：
GTS报文和卫星云图获取模块，用于获取全球通信系统GTS报文和卫星云图；其中，卫星云图按照观测台风的时间序列排序；
台风云系图像确定模块81，用于基于GTS报文和卫星云图确定台风云系图像；
台风类型确定模块82，用于基于台风云系图像确定台风的类型；其中，台风的类型包括有眼台风类型和无眼台风类型；
台风中心点潜在图像确定模块83，用于基于台风的类型和台风云系图像确定台风中心点潜在图像；
台风中心点位置确定模块84，用于基于台风中心点潜在图像确定台风的中心点位置。
本发明实施例提供的一种台风中心点定位装置，通过GTS报文和卫星云图确定台风云系图像，基于台风云系图像确定台风的类型，可以根据不同的台风的类型选择不同的方式确定台风中心点潜在图像，最后根据台风中心点潜在图像确定台风的中心点位置。该方式可以完全实现自动化运行，无需人工干预，可以充分体现台风云系连续时间内变化特性及运动特性，大大简化了计算过程，提高了运行效率。
上述台风云系图像确定模块，用于基于当前时刻的GTS报文或当前时刻的卫星云图确定当前时刻的台风中心点的经纬度；基于当前时刻的台风中心点的经纬度和下一时刻的卫星云图确定下一时刻的台风云系图像。
上述台风云系图像确定模块，用于解码当前时刻的GTS报文，得到台风属性数据；从台风属性数据中读取当前时刻的台风中心点的经纬度。
上述台风云系图像确定模块，用于以当前时刻的台风中心点的经纬度的预设范围对下一时刻的卫星云图进行图像切割，得到卫星云图的感兴趣区域；对卫星云图的感兴趣区域进行第一阈值筛选，得到云系二值图像；将云系二值图像上的云系转化为矢量多边形；从云系的矢量多边形中筛选出台风云系矢量多边形；将台风云系矢量多边形转化为台风云系的感兴趣区域；基于台风云系的感兴趣区域确定下一时刻的台风云系图像。
上述台风类型确定模块，于对台风云系图像进行第二阈值筛选，得到高灰度值图像；其中，第二阈值筛选的阈值设置为台风云系图像中最大像元值减去第一值；如果高灰度值图像上存在台风中心点，则台风的类型的为无眼台风类型；如果高灰度值图像上不存在台风中心点，则台风的类型的为有眼台风类型。
上述台风中心点潜在图像确定模块，用于如果台风的类型的为有眼台风类型，对台风云系图像进行第三阈值筛选；其中，第三阈值筛选的阈值设置为台风云系图像中像元值的平均值；将台风云系图像中像元值小于第三阈值筛选的阈值的图像作为台风中心点潜在图像。
上述台风中心点潜在图像确定模块，用于如果台风的类型的为无眼台风类型，对台风云系图像进行第四阈值筛选，得到次高灰度值图像；其中，第四阈值筛选的阈值大于台风云系图像中最大像元值减去第二值，并且第四阈值筛选的阈值小于台风云系图像中最大像元值减去第一值；对次高灰度值图像进行开闭运算并且多次进行腐蚀和膨胀处理，得到多个处理图像；将多个处理图像求和并且进行第一掩膜处理，得到新背景图像；从高灰度值图像中去除新背景图像并且进行第二掩膜处理，得到台风中心点潜在图像。
上述台风中心点位置确定模块，用于对台风中心点潜在图像进行腐蚀处理，得到腐蚀结果图像；基于GTS报文、时间序列和腐蚀结果图像定台风的中心点位置。
上述台风中心点位置确定模块，用于从时间序列中确定当前观测时刻；基于当前观测时刻确定目标时刻的GTS报文；其中，目标时刻为与当前观测时刻最接近的GTS报文的发送时刻；从目标时刻的GTS报文中读取目标时刻的台风的中心点位置和移动速度；基于目标时刻的台风的中心点位置和中心点移动速度确定目标范围；其中，目标范围的圆心为目标时刻的台风的中心点位置，通过下述算式确定目标范围的半径：r＝(v+e)×(Tn-Tgts)，r为目标范围的半径，v为目标时刻的台风的中心点移动速度，e为预设阈值，Tn为当前观测时刻，Tgts为目标时刻；确定目标范围内是否包括真值像素点；其中；真值像素点表征像元值为1的像素点；如果目标范围内包括真值像素点，对腐蚀结果图像继续进行腐蚀处理；如果目标范围内不包括真值像素点，确定上一次腐蚀处理得到的上一腐蚀结果图像，确定上一腐蚀结果图像的真值像素点中与目标时刻的台风的中心点位置最接近的目标真值像素点，将目标真值像素点作为当前观测时刻的台风的中心点位置。
本发明实施例提供的台风中心点定位装置，与上述实施例提供的台风中心点定位方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
实施例4
本发明实施例还提供了一种电子设备，用于运行上述台风中心点定位方法；参见图9所示的一种电子设备的结构示意图，该电子设备包括存储器100和处理器101，其中，存储器100用于存储一条或多条计算机指令，一条或多条计算机指令被处理器101执行，以实现上述台风中心点定位方法。
进一步地，图9所示的电子设备还包括总线102和通信接口103，处理器101、通信接口103和存储器100通过总线102连接。
其中，存储器100可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100，处理器101读取存储器100中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述台风中心点定位方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的台风中心点定位方法和装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和/或电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种台风中心点定位方法，其特征在于，包括：
获取全球通信系统GTS报文和卫星云图；其中，所述卫星云图按照观测台风的时间序列排序；
基于所述GTS报文和所述卫星云图确定台风云系图像；
基于当前的所述台风云系图像，结合GTS报文获得的前一时刻台风中心点位置经纬度、台风中心点移动速度，确定台风的类型；其中，所述台风的类型包括有眼台风类型和无眼台风类型；
基于所述台风的类型和所述台风云系图像确定台风中心点潜在图像；
基于所述台风中心点潜在图像确定所述台风的中心点位置；
其中，基于所述GTS报文和所述卫星云图确定台风云系图像的步骤，包括：
基于当前时刻的所述GTS报文或当前时刻的所述卫星云图确定当前时刻的台风中心点的经纬度；
基于所述当前时刻的台风中心点的经纬度和下一时刻的所述卫星云图确定下一时刻的台风云系图像。
2.根据权利要求1所述的方法，其特征在于，基于当前时刻的所述GTS报文确定当前时刻的台风中心点的经纬度的步骤，包括：
解码当前时刻的所述GTS报文，得到台风属性数据；
从所述台风属性数据中读取当前时刻的台风中心点的经纬度。
3.根据权利要求1所述的方法，其特征在于，基于所述当前时刻的台风中心点的经纬度和下一时刻的所述卫星云图确定下一时刻的台风云系图像的步骤，包括：
以所述当前时刻的台风中心点的经纬度的预设范围对下一时刻的所述卫星云图进行图像切割，得到卫星云图的感兴趣区域；
对所述卫星云图的感兴趣区域进行第一阈值筛选，得到云系二值图像；
将所述云系二值图像上的云系转化为矢量多边形；
依据台风云系的几何特征，从云系的所述矢量多边形中筛选出台风云系矢量多边形；
将所述台风云系矢量多边形转化为台风云系的感兴趣区域；
基于所述台风云系的感兴趣区域确定下一时刻的台风云系图像。
4.根据权利要求1所述的方法，其特征在于，基于所述台风云系图像确定台风的类型的步骤，包括：
对所述台风云系图像进行第二阈值筛选，得到高灰度值图像；其中，所述第二阈值筛选的阈值设置为所述台风云系图像中最大像元值减去第一值；
结合前一时刻GTS报文所提供的台风中心点位置经纬度和台风中心点移动速度，推断台风中心点移动范围；
如果所述高灰度值图像上台风中心点移动范围内，存在台风中心点，则所述台风的类型的为无眼台风类型；
如果所述高灰度值图像上台风中心点移动范围内，不存在台风中心点，则所述台风的类型的为有眼台风类型。
5.根据权利要求1所述的方法，其特征在于，基于所述台风的类型和所述台风云系图像确定台风中心点潜在图像的步骤，包括：
如果所述台风的类型的为有眼台风类型，对所述台风云系图像进行第三阈值筛选；其中，所述第三阈值筛选的阈值设置为所述台风云系图像中像元值的平均值；
将所述台风云系图像中像元值小于所述第三阈值筛选的阈值的图像作为台风中心点潜在图像。
6.根据权利要求4所述的方法，其特征在于，基于所述台风的类型和所述台风云系图像确定台风中心点潜在图像的步骤，包括：
如果所述台风的类型的为无眼台风类型，对所述台风云系图像进行第四阈值筛选，得到次高灰度值图像；其中，所述第四阈值筛选的阈值大于所述台风云系图像中最大像元值减去第二值，并且所述第四阈值筛选的阈值小于所述台风云系图像中最大像元值减去所述第一值；
对所述次高灰度值图像进行开闭运算并且多次进行腐蚀和膨胀处理，得到多个处理图像；
将所述多个处理图像求和并且进行第一掩膜处理，得到新背景图像；
从所述高灰度值图像中去除所述新背景图像并且进行第二掩膜处理，得到台风中心点潜在图像。
7.根据权利要求1所述的方法，其特征在于，基于所述台风中心点潜在图像确定所述台风的中心点位置的步骤，包括：
对所述台风中心点潜在图像进行腐蚀处理，得到腐蚀结果图像；
基于所述GTS报文提供的台风中心点位置及移动速度和所述腐蚀结果图像定所述台风的中心点位置。
8.根据权利要求7所述的方法，其特征在于，基于所述GTS报文、所述时间序列和所述腐蚀结果图像定所述台风的中心点位置的步骤，包括：
从所述时间序列中确定当前观测时刻；
基于所述当前观测时刻确定目标时刻的GTS报文；其中，所述目标时刻为与所述当前观测时刻最接近的GTS报文的发送时刻；
从所述目标时刻的GTS报文中读取所述目标时刻的台风的中心点位置和移动速度；
基于所述目标时刻的台风的中心点位置和中心点移动速度确定目标范围；其中，所述目标范围的圆心为所述目标时刻的台风的中心点位置，通过下述算式确定所述目标范围的半径：r＝(v+e)×(Tn-Tgts)，r为所述目标范围的半径，v为所述目标时刻的台风的中心点移动速度，e为预设阈值，Tn为所述当前观测时刻，Tgts为所述目标时刻；
确定所述目标范围内是否包括真值像素点；其中；所述真值像素点表征像元值为1的像素点；
如果所述目标范围内包括真值像素点，对所述腐蚀结果图像继续进行腐蚀处理；
如果所述目标范围内不包括真值像素点，确定上一次腐蚀处理得到的上一腐蚀结果图像，确定所述上一腐蚀结果图像的所述真值像素点中与所述目标时刻的台风的中心点位置最接近的目标真值像素点，将所述目标真值像素点作为当前观测时刻的台风的中心点位置。
9.一种台风中心点定位装置，其特征在于，包括：
GTS报文和卫星云图获取模块，用于获取全球通信系统GTS报文和卫星云图；其中，所述卫星云图按照观测台风的时间序列排序；
台风云系图像确定模块，用于基于所述GTS报文和所述卫星云图确定台风云系图像；
台风类型确定模块，用于基于当前的所述台风云系图像，结合GTS报文获得的前一时刻台风中心点位置经纬度、台风中心点移动速度，确定台风的类型；其中，所述台风的类型包括有眼台风类型和无眼台风类型；
台风中心点潜在图像确定模块，用于基于所述台风的类型和所述台风云系图像确定台风中心点潜在图像；
台风中心点位置确定模块，用于基于所述台风中心点潜在图像确定所述台风的中心点位置；
其中，基于所述GTS报文和所述卫星云图确定台风云系图像的步骤，包括：
基于当前时刻的所述GTS报文或当前时刻的所述卫星云图确定当前时刻的台风中心点的经纬度；
基于所述当前时刻的台风中心点的经纬度和下一时刻的所述卫星云图确定下一时刻的台风云系图像。
CN202011297217.5A 2020-11-18 2020-11-18 台风中心点定位方法和装置 Active CN112396646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011297217.5A CN112396646B (zh) 2020-11-18 2020-11-18 台风中心点定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011297217.5A CN112396646B (zh) 2020-11-18 2020-11-18 台风中心点定位方法和装置

Publications (2)

Publication Number Publication Date
CN112396646A CN112396646A (zh) 2021-02-23
CN112396646B true CN112396646B (zh) 2021-10-01

Family

ID=74606586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011297217.5A Active CN112396646B (zh) 2020-11-18 2020-11-18 台风中心点定位方法和装置

Country Status (1)

Country Link
CN (1) CN112396646B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114636981B (zh) * 2022-02-28 2022-12-02 广东省气象台(南海海洋气象预报中心) 基于雷达回波的在线深度学习台风中心定位系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109164513A (zh) * 2018-08-08 2019-01-08 湖北河海科技发展有限公司 基于葵花气象卫星的台风定位检测方法
CN111273378A (zh) * 2020-05-07 2020-06-12 南京海气智绘信息技术有限公司 一种基于风应力扰动的台风中心定位方法
CN111462230A (zh) * 2020-02-18 2020-07-28 天津大学 一种基于深度强化学习的台风中心定位方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824280B (zh) * 2013-12-30 2017-02-22 杭州师范大学 一种台风中心提取方法
CN104992434B (zh) * 2015-06-23 2018-03-27 国家卫星气象中心 根据历史卫星图像在当前卫星图像上进行台风定位的方法
CN106443830B (zh) * 2016-06-16 2019-08-16 杭州师范大学 一种基于多源卫星数据的台风监测及评价监测精度的方法
US20180292573A1 (en) * 2017-04-05 2018-10-11 Weather Analytics Llc Corrective Ensemble Forecasting System for Tropical Cyclones
CN111427100B (zh) * 2020-03-30 2021-09-03 广州数鹏通科技有限公司 一种台风中心定位方法、装置及台风路径生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109164513A (zh) * 2018-08-08 2019-01-08 湖北河海科技发展有限公司 基于葵花气象卫星的台风定位检测方法
CN111462230A (zh) * 2020-02-18 2020-07-28 天津大学 一种基于深度强化学习的台风中心定位方法
CN111273378A (zh) * 2020-05-07 2020-06-12 南京海气智绘信息技术有限公司 一种基于风应力扰动的台风中心定位方法

Also Published As

Publication number Publication date
CN112396646A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN110208880B (zh) 一种基于深度学习和卫星遥感技术的海雾检测方法
CN110909690A (zh) 一种基于区域生成的遮挡人脸图像检测方法
CN113469278B (zh) 一种基于深度卷积神经网络的强天气目标识别方法
Zhang et al. Weather visibility prediction based on multimodal fusion
CN111862013A (zh) 基于深度卷积神经网络的绝缘子检测方法、装置及设备
CN113361326B (zh) 一种基于计算机视觉目标检测的智慧电厂管控系统
CN111126335A (zh) 一种结合显著性和神经网络的sar船只识别方法及系统
CN111027511A (zh) 基于感兴趣区块提取的遥感图像舰船检测方法
CN112883887B (zh) 一种基于高空间分辨率光学遥感图像的建筑物实例自动提取方法
CN115620081B (zh) 一种目标检测模型的训练方法及目标检测方法、装置
CN112396646B (zh) 台风中心点定位方法和装置
CN112989995A (zh) 文本检测方法、装置及电子设备
CN114863380A (zh) 车道线识别方法、装置及电子设备
CN113269028B (zh) 一种基于深度卷积神经网络的水体变化检测方法和系统
CN114067535A (zh) 基于人工智能的地质灾害预警方法、装置及存储介质
CN112836590B (zh) 洪涝灾害监测方法、装置、电子设备及存储介质
CN114386654A (zh) 一种多尺度数值天气预报模式融合的天气预报方法及装置
CN113269175A (zh) 一种火情监测方法和装置
Wang et al. Hail storms recognition based on convolutional neural network
CN115600142B (zh) 一种基于不同方法的大风融合集成预报方法
CN111311573A (zh) 枝条确定方法、装置及电子设备
CN116070735A (zh) 一种基于边长和方位向差规则的黄海绿潮分布区及其漂移预测初始场制作方法
CN115423810A (zh) 一种风力发电机组叶片覆冰形态分析方法
CN114626439A (zh) 基于改进YOLOv4的输电线路周边烟火检测方法
CN113034445B (zh) 一种基于UNet3+的多尺度连接图像去雾算法

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