CN112686254B - 一种基于红外卫星云图的台风中心定位方法 - Google Patents
一种基于红外卫星云图的台风中心定位方法 Download PDFInfo
- Publication number
- CN112686254B CN112686254B CN202011630993.2A CN202011630993A CN112686254B CN 112686254 B CN112686254 B CN 112686254B CN 202011630993 A CN202011630993 A CN 202011630993A CN 112686254 B CN112686254 B CN 112686254B
- Authority
- CN
- China
- Prior art keywords
- model
- typhoon
- typhoon center
- data
- positioning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明属于图像处理技术领域，具体涉及一种基于红外卫星云图的台风中心定位方法，包括下列步骤：数据采集；数据分割；数据标注：通过特征图回归代替坐标回归；统一尺度大小；定位构建：采用深度学习相关技术搭建台风中心定位模型，输入训练数据，调整模型参数，完成模型的搭建过程；模型保存；评价指标：通过使用平均位置误差MLE来评估模型的性能。本发明通过提出了一个新的损失函数用于台风中心定位任务，在训练过程中通过抑制非眼睛台风样本的丢失，并且本发明通过将训练集标签输入搭建好的深度学习神经网络模型中进行模型的训练，提高了模型定位准确率。本发明用于台风中心的定位。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于红外卫星云图的台风中心定位方法。
背景技术
台风作为一种破坏性极强的天气系统，在现代天气预报中受到广泛关注。及时准确地确定台风中心位置，可以直观地确定台风影响的区域，也为台风强度和移动路径的预测提供指导。在天气预报领域，随着气象卫星的逐步发展，基于红外卫星云图的台风中心定位方法已经研究多年。这些方法大多采用数字图像处理和数学形态学操作，或手工进行特征匹配，对图像进行一系列去噪、分割、定位等操作。然而，这些算法不能保证在复杂的台风情景下得到满意的结果。
现有技术存在的问题或者缺陷：目前现有的方法通过使用深度学习来解决基于红外卫星云图的台风中心定位问题。但由于相关的图像样本分为眼睛台风和非眼睛台风，且不同的台风在深度学习模型中的损失值不同，导致准确确定台风中心较为困难，同时非眼睛台风在训练过程中造成了较大的损失，准确率较低，不同台风准确率差异较大。
发明内容
针对上述现有台风中心定位的方法准确率低的技术问题，本发明提供了一种准确率高、效率高、误差小的基于红外卫星云图的台风中心定位方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于红外卫星云图的台风中心定位方法，包括下列步骤：
S1、数据采集：采集相关的台风图像，构建原始图像数据集，对数据集进行筛选、整理等操作用于模型的训练过程；
S2、数据分割：将数据集中的图像按照8：2的比例进行随机分配，每个样本中由一幅包含一个台风的红外卫星云图和气象学家标注的台风中心坐标组成；
S3、数据标注：通过将台风中心位置规划为一个二维关键点检测问题，通过特征图回归代替坐标回归；
S4、统一尺度大小：将所有的原始数据集进行尺寸的统一缩放；
S5、数据扩充：通过随机翻转，获得不同翻转方向的图像用于扩充数据；
S6、定位构建：采用深度学习相关技术搭建台风中心定位模型，输入训练数据，调整模型参数，完成模型的搭建过程；
S7、模型保存：为了减少特征图的数量，模型的输出特征图大小为输入特征图大小的1/4，通过TCL损失函数将输出特征图与原始特征图进行损失值的计算，根据损失值的大小调整网络模型的参数，当模型的损失函数不再降低之后，保存模型；
S8、评价指标：通过使用平均位置误差MLE来评估模型的性能。
所述S3中的特征图标注公式为：
所述H(x,y)为真实的特征图，所述(u，v)为台风中心坐标，所述α和δ分别代表比例因子和标准偏差。
所述S4中统一尺度大小的方法为：将输入的台风中心特征图尺寸统一缩放为512×512，输出的台风中心特征图尺寸统一缩放为128×128，从而完成图片尺寸的统一。
所述S5中数据扩充的方法为：通过将所有的台风数据集中的每张图像缩放到574×574，然后随机裁剪为512×512，进行随机翻转，翻转角度为90度、270度、水平翻转和垂直翻转，获得不同方向的四张图像用于扩充数据，提高模型的泛化能力。
所述S6中定位构建的方法为：通过使用端到端的深度神经网络模型用于台风中心的定位模型构建，所述台风中心的定位模型通过交替使用残差块和卷积块用于训练，每个所述残差块通过使用1×1卷积压缩输入特征图，后续的卷积块和1×1卷积分别申请残留特征用于特征提取和通道的扩张；
所述残差块的最终输出是通过内部跳跃连接将输入和残差特征映射相加，F(x)＝H(x)-x，所述H(x)为残差网络的输出，所述F(x)为经过卷积操作的输出。
所述S7中的损失函数TCL公式为：
Ltcl＝min(Lmse,exp(-2×104×Lmse))
所述
所述N代表像素的总数，所述h代表真实特征图，所述p代表预测特征图。
所述S8中评价指标的方法为：MLE计算在输入图像的尺度上预测台风中心与台风中心标签之间的坐标距离：
所述n代表测试样本的数量，所述(x，y)是预测台风中心的坐标，所述(u，v)是标签坐标。
本发明与现有技术相比，具有的有益效果是：
本发明通过提出了一个新的损失函数用于台风中心定位任务，在训练过程中通过抑制非眼睛台风样本的丢失，并且本发明通过将训练集标签输入搭建好的深度学习神经网络模型中进行模型的训练，提高了模型定位准确率。
附图说明
图1本发明的流程框图。
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。
一种基于红外卫星云图的台风中心定位方法，如图1所示，包括下列步骤：
步骤1、数据采集：采集相关的台风图像，构建原始图像数据集，对数据集进行筛选、整理等操作用于模型的训练过程。
步骤2、数据分割：将数据集中的图像按照8：2的比例进行随机分配，每个样本中由一幅包含一个台风的红外卫星云图和气象学家标注的台风中心坐标组成。
步骤3、数据标注：通过将台风中心位置规划为一个二维关键点检测问题，通过特征图回归代替坐标回归。
步骤4、统一尺度大小：将所有的原始数据集进行尺寸的统一缩放。
步骤5、数据扩充：通过随机翻转，获得不同翻转方向的图像用于扩充数据。
步骤6、定位构建：采用深度学习相关技术搭建台风中心定位模型，输入训练数据，调整模型参数，完成模型的搭建过程。
步骤7、模型保存：为了减少特征图的数量，模型的输出特征图大小为输入特征图大小的1/4，通过TCL损失函数将输出特征图与原始特征图进行损失值的计算，根据损失值的大小调整网络模型的参数，当模型的损失函数不再降低之后，保存模型。
步骤8、评价指标：通过使用平均位置误差MLE来评估模型的性能。
进一步，通过将台风中心位置规划为一个二维关键点检测问题。但由于台风结构与台风中心之间不存在严格的几何关系，如果直接进行坐标回归，则多个采样操作会叠加预测误差。因此，使用更稳健的特征图回归代替坐标回归。步骤3中的特征图标注公式为：
其中：H(x,y)为真实的特征图，(u，v)为台风中心坐标，α和δ分别代表比例因子和标准偏差。
进一步，步骤4中统一尺度大小的方法为：将输入的台风中心特征图尺寸统一缩放为512×512，输出的台风中心特征图尺寸统一缩放为128×128，从而完成图片尺寸的统一。
进一步，步骤5中数据扩充的方法为：通过将所有的台风数据集中的每张图像缩放到574×574，然后随机裁剪为512×512，进行随机翻转，翻转角度为90度、270度、水平翻转和垂直翻转，获得不同方向的四张图像用于扩充数据，提高模型的泛化能力。
进一步，步骤6中定位构建的方法为：通过使用端到端的深度神经网络模型用于台风中心的定位模型构建，台风中心的定位模型通过交替使用残差块和卷积块用于训练，每个残差块通过使用1×1卷积压缩输入特征图，后续的卷积块和1×1卷积分别申请残留特征用于特征提取和通道的扩张。
进一步，残差块的最终输出是通过内部跳跃连接将输入和残差特征映射相加，F(x)＝H(x)-x，其中：H(x)为残差网络的输出，F(x)为经过卷积操作的输出。
进一步，步骤7中的损失函数TCL公式为：
Ltcl＝min(Lmse,exp(-2×104×Lmse))
其中：
N代表像素的总数，h代表真实特征图，p代表预测特征图。
步骤8中评价指标的方法为：MLE计算在输入图像的尺度上预测台风中心与台风中心标签之间的坐标距离：
其中：n代表测试样本的数量，(x，y)是预测台风中心的坐标，(u，v)是标签坐标。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于红外卫星云图的台风中心定位方法，其特征在于：包括下列步骤：
S1、数据采集：采集相关的台风图像，构建原始图像数据集，对数据集进行筛选、整理操作用于模型的训练过程；
S2、数据分割：将数据集中的图像按照8：2的比例进行随机分配，每个样本中由一幅包含一个台风的红外卫星云图和气象学家标注的台风中心坐标组成；
S3、数据标注：通过将台风中心位置规划为一个二维关键点检测问题，通过特征图回归代替坐标回归；
S4、统一尺度大小：将所有的原始数据集进行尺寸的统一缩放；
S5、数据扩充：通过随机翻转，获得不同翻转方向的图像用于扩充数据；
S6、定位构建：采用深度学习相关技术搭建台风中心定位模型，输入训练数据，调整模型参数，完成模型的搭建过程；所述S6中定位构建的方法为：通过使用端到端的深度神经网络模型用于台风中心的定位模型构建，所述台风中心的定位模型通过交替使用残差块和卷积块用于训练，每个所述残差块通过使用1×1卷积压缩输入特征图，后续的卷积块和1×1卷积分别申请残留特征用于特征提取和通道的扩张；
所述残差块的最终输出是通过内部跳跃连接将输入和残差特征映射相加，F(x)＝H(x)-x，所述H(x)为残差网络的输出，所述F(x)为经过卷积操作的输出；
S7、模型保存：为了减少特征图的数量，模型的输出特征图大小为输入特征图大小的1/4，通过TCL损失函数将输出特征图与原始特征图进行损失值的计算，根据损失值的大小调整网络模型的参数，当模型的损失函数不再降低之后，保存模型；所述S7中的损失函数TCL公式为：
Ltcl＝min(Lmse,exp(-2×104×Lmse))
所述
所述N代表像素的总数，所述h代表真实特征图，所述p代表预测特征图；
S8、评价指标：通过使用平均位置误差MLE来评估模型的性能。
2.根据权利要求1所述的一种基于红外卫星云图的台风中心定位方法，其特征在于：所述S3中的特征图标注公式为：
所述H(x,y)为真实的特征图，(u，v)为台风中心标签坐标，所述α和δ分别代表比例因子和标准偏差。
3.根据权利要求1所述的一种基于红外卫星云图的台风中心定位方法，其特征在于：所述S4中统一尺度大小的方法为：将输入的台风中心特征图尺寸统一缩放为512×512，输出的台风中心特征图尺寸统一缩放为128×128，从而完成图片尺寸的统一。
4.根据权利要求1所述的一种基于红外卫星云图的台风中心定位方法，其特征在于：所述S5中数据扩充的方法为：通过将所有的台风数据集中的每张图像缩放到574×574，然后随机裁剪为512×512，进行随机翻转，翻转角度为90度、270度、水平翻转和垂直翻转，获得不同方向的四张图像用于扩充数据，提高模型的泛化能力。
5.根据权利要求1所述的一种基于红外卫星云图的台风中心定位方法，其特征在于：所述S8中评价指标的方法为：MLE计算在输入图像的尺度上预测台风中心与台风中心标签之间的坐标距离：
所述n代表测试样本的数量，(x，y)是预测台风中心的坐标，(u，v)是台风中心标签坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011630993.2A CN112686254B (zh) | 2020-12-31 | 2020-12-31 | 一种基于红外卫星云图的台风中心定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011630993.2A CN112686254B (zh) | 2020-12-31 | 2020-12-31 | 一种基于红外卫星云图的台风中心定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686254A CN112686254A (zh) | 2021-04-20 |
| CN112686254B true CN112686254B (zh) | 2022-08-09 |
Family
ID=75455984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011630993.2A Active CN112686254B (zh) | 2020-12-31 | 2020-12-31 | 一种基于红外卫星云图的台风中心定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686254B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005164490A (ja) * | 2003-12-04 | 2005-06-23 | Mitsubishi Electric Corp | 台風中心検出装置 |
| CN104992434A (zh) * | 2015-06-23 | 2015-10-21 | 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 |
| CN108090572A (zh) * | 2017-12-01 | 2018-05-29 | 大唐国信滨海海上风力发电有限公司 | 一种海上风电场增强现实系统及其控制方法 |
| 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 |
| CN109472191A (zh) * | 2018-09-17 | 2019-03-15 | 西安电子科技大学 | 一种基于时空上下文的行人重识别与追踪方法 |
| CN109871444A (zh) * | 2019-01-16 | 2019-06-11 | 北京邮电大学 | 一种文本分类方法及系统 |
| CN110084234A (zh) * | 2019-03-27 | 2019-08-02 | 东南大学 | 一种基于实例分割的声呐图像目标识别方法 |
| CN110942182A (zh) * | 2019-11-14 | 2020-03-31 | 国网福建省电力有限公司建设分公司 | 一种基于支持向量回归建立台风预测模型的方法 |
| CN111427100A (zh) * | 2020-03-30 | 2020-07-17 | 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 |
| 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 |
-
2020
- 2020-12-31 CN CN202011630993.2A patent/CN112686254B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005164490A (ja) * | 2003-12-04 | 2005-06-23 | Mitsubishi Electric Corp | 台風中心検出装置 |
| CN104992434A (zh) * | 2015-06-23 | 2015-10-21 | 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 |
| CN108090572A (zh) * | 2017-12-01 | 2018-05-29 | 大唐国信滨海海上风力发电有限公司 | 一种海上风电场增强现实系统及其控制方法 |
| 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 |
| CN109472191A (zh) * | 2018-09-17 | 2019-03-15 | 西安电子科技大学 | 一种基于时空上下文的行人重识别与追踪方法 |
| CN109871444A (zh) * | 2019-01-16 | 2019-06-11 | 北京邮电大学 | 一种文本分类方法及系统 |
| CN110084234A (zh) * | 2019-03-27 | 2019-08-02 | 东南大学 | 一种基于实例分割的声呐图像目标识别方法 |
| CN110942182A (zh) * | 2019-11-14 | 2020-03-31 | 国网福建省电力有限公司建设分公司 | 一种基于支持向量回归建立台风预测模型的方法 |
| 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 |
| CN111427100A (zh) * | 2020-03-30 | 2020-07-17 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| Kang Nam-Young 等;Consensus on Climate Trends in Western North Pacific Tropical Cy;《Journal of Climate》;20121231;1-10 * |
| 基于卫星微波散射计风场的台风中心定位方法比较研究;王晓霞 等;《王晓霞》;20201030;24-33 * |
| 基于密度矩阵和卫星修正的台风中心定位仿真;庞君如 等;《计算机仿真》;20190615;398-402 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686254A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN110310259B (zh) | 一种基于改进YOLOv3算法的木结瑕疵检测方法 | |
| CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
| CN111161218A (zh) | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 | |
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
| CN111178149B (zh) | 一种基于残差金字塔网络的遥感影像水体自动提取方法 | |
| CN113592822B (zh) | 一种电力巡检图像的绝缘子缺陷定位方法 | |
| CN112084923A (zh) | 一种遥感图像语义分割方法、存储介质及计算设备 | |
| CN111814597A (zh) | 一种耦合多标签分类网络和yolo的城市功能分区方法 | |
| CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
| CN108932474B (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
| CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
| CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
| CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
| CN116778137A (zh) | 一种基于深度学习的字轮式水表读数的识别方法及装置 | |
| CN116206112A (zh) | 基于多尺度特征融合和sam的遥感图像语义分割方法 | |
| CN115861260A (zh) | 一种面向广域城市场景下的深度学习变化检测方法 | |
| CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及系统 | |
| CN111104850A (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
| CN114387446A (zh) | 一种高分率遥感影像水体自动提取方法 | |
| CN114596431A (zh) | 信息确定方法、装置及电子设备 | |
| CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
| CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
| CN112686254B (zh) | 一种基于红外卫星云图的台风中心定位方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240317 Address after: Room 2902, Unit 2, Building 6, Zone A, No. 39 Puhui Road (Haima Park), Zhengdong New District, Zhengzhou City, Henan Province, 450000 Patentee after: Henan Zhongzhao Yi Intelligent Technology Co.,Ltd. Country or region after: China Address before: 030000 room a118, No.15, Keji street, Gaoxin District, Taiyuan City, Shanxi Province Patentee before: Shanxi Sanyouhuo Intelligence Information Technology Co.,Ltd. Country or region before: China |