CN113029332A - 卫星云图的预测方法、装置和处理器 - Google Patents
卫星云图的预测方法、装置和处理器 Download PDFInfo
- Publication number
- CN113029332A CN113029332A CN202110246077.7A CN202110246077A CN113029332A CN 113029332 A CN113029332 A CN 113029332A CN 202110246077 A CN202110246077 A CN 202110246077A CN 113029332 A CN113029332 A CN 113029332A
- Authority
- CN
- China
- Prior art keywords
- satellite cloud
- cloud picture
- historical
- satellite
- picture
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000005286 illumination Methods 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 37
- 230000008859 change Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 description 23
- 230000003287 optical effect Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000013213 extrapolation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 108010074864 Factor XI Proteins 0.000 description 1
- 241000208818 Helianthus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种卫星云图的预测方法、装置和处理器。其中,该方法包括:获取待监测区域对应的历史卫星云图,其中,历史卫星云图中至少包括可见光波段数据以及近红外光波段数据;对历史卫星云图进行几何校正,得到校正后的历史卫星云图;基于校正后的历史卫星云图提取云层的运动矢量;根据运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,其中,预测卫星云图为当前时刻之后的卫星云图,用于确定待监测区域所对应的太阳辐照强度;基于光照模型对预测卫星云图进行光照修正,得到目标卫星云图。本发明解决了现有技术无法准确确定太阳辐照强度的技术问题。
Description
技术领域
本发明涉及光伏发电领域,具体而言,涉及一种卫星云图的预测方法、装置和处理器。
背景技术
太阳辐照强度是一种表示太阳辐射强弱的物理量,其中,光伏发电行业对太阳辐照强度的要求比较高。为了有效地获取待监测地区的太阳辐照强度,目前通常是在该区域建立地面观测站点,在地面观测站点安装辐照采集仪器来实现实时辐照强度的记录。该方式基于专业的测量设备计算获得辐照强度,随着测量区域的增多,所需部署的物理设备越多。此外,上述太阳辐照强度计算只能实时计算当前时刻的辐照强度,而无法对未来时刻的辐照强度进行预测。
现有技术中,还可地基云图进行光伏发电超短期功率预测,但该方式只能预测未来时刻的地基云图中云团运动与太阳之间的遮挡情况,并没有提供生成云图的算法,无法预测未来时刻的云图。
现有技术中,还可利用卫星云图进行光伏发电超短期功率预测,但该方式只利用了可见光波段数据,并没有使用其他波段数据,无法计算出准确的太阳辐照。基于卫星云图的光功率预测,为了实现基于卫星云图的光功率预测,需要提高卫星云图的预测精度。然而,上述方式倾向于描述辐照反演的思路,并未提出一种行之有效的卫星云图预测算法,并且,也未提出卫星云图预测过程中存在的各种技术难点及相应的解决方案。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种卫星云图的预测方法、装置和处理器,以至少解决现有技术无法准确确定太阳辐照强度的技术问题。
根据本发明实施例的一个方面,提供了一种卫星云图的预测方法,包括:获取待监测区域对应的历史卫星云图,其中,历史卫星云图中至少包括可见光波段数据以及近红外光波段数据;对历史卫星云图进行几何校正,得到校正后的历史卫星云图;基于校正后的历史卫星云图提取云层的运动矢量;根据运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,其中,预测卫星云图为当前时刻之后的卫星云图,用于确定待监测区域所对应的太阳辐照强度;基于光照模型对预测卫星云图进行光照修正,得到目标卫星云图。
进一步地,卫星云图的预测方法还包括:获取预设历史卫星云图;对预设历史卫星云图进行预处理,得到预处理后的历史卫星云图;根据待监测区域所对应的区域位置对预处理后的历史卫星云图进行裁剪处理,得到待监测区域对应的历史卫星云图。
进一步地,卫星云图的预测方法还包括:对可见光波段数据进行归一化处理,得到第一数据;对第一数据进行合并处理,得到色彩图像;对色彩图像进行灰度转换,得到第一灰度图像;对近红外光波段数据进行归一化处理,得到第二数据;对第二数据进行灰度转换,得到第二灰度图像,其中,预处理后的历史卫星云图包括第一灰度图像和第二灰度图像。
进一步地,卫星云图的预测方法还包括:获取图像坐标与地理坐标之间的映射关系表;基于映射关系表对历史卫星云图进行几何校正,得到校正后的历史卫星云图。
进一步地,卫星云图的预测方法还包括:根据校正后的历史卫星云图以及第一约束条件,得到灰度变化因子,其中,第一约束条件表征空间中的粒子在运动过程中灰度值保持不变;根据校正后的历史卫星云图以及第二约束条件,得到平滑因子,其中,第二约束条件表征空间中各个局部区域内的粒子的运动方向变化量小于第一变化量,运动速度变化量小于第二变化量;构建校正后的历史卫星云图对应的能量函数;根据灰度变化因子、平滑因子以及能量函数计算得到运动矢量。
进一步地,卫星云图的预测方法还包括:根据运动矢量对物理数据进行计算,得到多个未来时刻所对应的预测卫星云图。
进一步地,卫星云图的预测方法还包括:在基于光照模型对所述预测卫星云图进行光照修正,得到目标卫星云图之后,基于目标卫星云图确定待监测区域的辐照强度。
进一步地,卫星云图的预测方法还包括:获取多个时间点所对应的预测卫星云图;对预测卫星云图进行处理,得到多个网格图片,其中,每个网格图片的尺寸不同;确定同一尺寸的网格图片在相邻时间点的实际亮度变化值;根据实际亮度变化值确定每个时间点相对于相邻时间点的参考亮度变化值;根据每个时间点对应的参考亮度变化值以及当前时间点的预测卫星云图的实际亮度值确定在预设时间点的光照强度;根据光照强度对预测卫星云图进行光照修正,得到目标卫星云图。
根据本发明实施例的另一方面,还提供了一种卫星云图的预测装置,包括:获取模块,用于获取待监测区域对应的历史卫星云图,其中,历史卫星云图中至少包括可见光波段数据以及近红外光波段数据;校正模块,用于对历史卫星云图进行几何校正,得到校正后的历史卫星云图;提取模块,用于基于校正后的历史卫星云图提取云层的运动矢量;处理模块,用于根据运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,其中,预测卫星云图为当前时刻之后的卫星云图,用于确定待监测区域所对应的太阳辐照强度;修正模块,用于基于光照模型对预测卫星云图进行光照修正,得到目标卫星云图。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,该非易失性存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的卫星云图的预测方法。
根据本发明实施例的另一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序被设置为运行时执行上述的卫星云图的预测方法。
在本发明实施例中,采用卫星云图的可见光波段数据和近红外光波段数据进行预测的方式,在获取待监测区域对应的包含可见光波段数据以及近红外光波段数据的历史卫星云图之后,对历史卫星云图进行几何校正,得到校正后的历史卫星云图,并基于校正后的历史卫星云图提取云层的运动矢量,最后,根据运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,并基于光照模型对预测卫星云图进行光照修正,得到目标卫星云图。其中,预测卫星云图为当前时刻之后的卫星云图,用于确定待监测区域所对应的太阳辐照强度。
在上述过程中,采用卫星云图的可见光波段数据和近红外光波段数据来对卫星云图进行预测,从而避免了现有技术中仅利用可见光波段数据进行预测所导致的无法准确确定太阳辐照强度的问题,提高了卫星云图预测的准确度,进而保证了太阳辐照强度的准确度。
由此可见,本申请所提供的方案达到了提高预测卫星云图的准确度的目的,从而实现了提高太阳辐照强度的准确度的技术效果,进而解决了现有技术无法准确确定太阳辐照强度的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种卫星云图的预测方法流程图;
图2是根据本发明实施例的一种可选的卫星云图的预测方法的示意图;
图3是根据本发明实施例的一种可选的坐标转换的示意图;
图4是根据本发明实施例的一种可选的修整光照亮度的流程图;
图5是根据本发明实施例的一种可选的像素值分布曲线图;
图6是根据本发明实施例的一种可选的半拉格朗日外推法的过程示意图;
图7是根据本发明实施例的一种卫星云图的预测装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种卫星云图的预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的卫星云图的预测方法流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待监测区域对应的历史卫星云图,其中,历史卫星云图中至少包括可见光波段数据以及近红外光波段数据。
在步骤S102中,对于卫星(例如,葵花8号卫星),其具有16个通道,每个通道表示一个波段,其中,卫星的波段包括可见光波段和近红外光波段,可见光波段数据表示云图数据,近红外光波段数据表示温度数据,两个波段数据的物理含义不同。
可选的,在实际应用中,可通过分别采集卫星的不同通道所对应的波段数据来获取卫星云图,其中,历史卫星云图为历史时刻的历史云图。
步骤S104,对历史卫星云图进行几何校正,得到校正后的历史卫星云图。
需要说明的是,卫星云图对应的是整个球体,而且卫星云图是图像格式,坐标以行、列表示,而在实际应用中,光伏电站的坐标为地理坐标,以经、纬度表示,因此,需要对历史卫星云图进行图像行列坐标与地理经纬度坐标的映射,其中,可通过几何校正的方式得到映射表,然后再基于映射表对历史卫星云图进行校正,得到校正后的历史卫星云图。
步骤S106,基于校正后的历史卫星云图提取云层的运动矢量。
在步骤S106中,云层的运动矢量包括云层的运动速度和方向。其中,可使用光流法和外推法计算云层的运动矢量。光流法是图像处理领域内计算图像中物体的运动速度和方向的算法,用于检测视域中的物体运动,主要用于检测相对于观察者的运动所造成的观测目标、表面或边缘的运动。外推法是一种根据过去和现在的发展趋势推断未来的一种方法,在本申请中,使用半拉格朗日外推法提取运动矢量。
步骤S108,根据运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,其中,预测卫星云图为当前时刻之后的卫星云图,用于确定待监测区域所对应的太阳辐照强度。
需要说明的是,由于太阳辐照强度主要受地面观测站点上空的云层状态的影响,因此,为了实现对未来时刻的太阳辐照强度进行预测,可基于未来时刻的预测卫星云图,利用辐照反演模型对待监测区域的地表辐照强度进行反演计算,进而实现对太阳辐照强度的准确预测。
步骤S110,基于光照模型对预测卫星云图进行光照修正,得到目标卫星云图。
在步骤S110中,光照模型为通过离散计算预设时长的历史卫星云图所得到的模型。
需要说明的是,现有的云图预测技术方案,并未考虑到太阳东升西落过程中因太阳高度角变化而导致预测的未来时刻云层亮度变化,而且,早晚云层亮度变化剧烈,如果不进行处理,则预测的卫星云图精度较差,因此,需要计算各个时间点的卫星云图光照强度,以对预测的云图进行光照亮度进行修正,模拟实际太阳角度的变化对云图产生的光照变化。
基于上述步骤S102至步骤S110所限定的方案,可以获知,在本发明实施例中,采用卫星云图的可见光波段数据和近红外光波段数据进行预测的方式,在获取待监测区域对应的包含可见光波段数据以及近红外光波段数据的历史卫星云图之后,对历史卫星云图进行几何校正,得到校正后的历史卫星云图,并基于校正后的历史卫星云图提取云层的运动矢量,最后,根据运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,并基于光照模型对预测卫星云图进行光照修正,得到目标卫星云图。其中,预测卫星云图为当前时刻之后的卫星云图,用于确定待监测区域所对应的太阳辐照强度。
容易注意到的是,在上述过程中,采用卫星云图的可见光波段数据和近红外光波段数据来对卫星云图进行预测,从而避免了现有技术中仅利用可见光波段数据进行预测所导致的无法准确确定太阳辐照强度的问题,提高了卫星云图预测的准确度,进而保证了太阳辐照强度的准确度。
由此可见,本申请所提供的方案达到了提高预测卫星云图的准确度的目的,从而实现了提高太阳辐照强度的准确度的技术效果,进而解决了现有技术无法准确确定太阳辐照强度的技术问题。
在一种可选的实施例中,图2示出了一种可选的卫星云图的预测方法,由图2可知,该过程主要包括两个阶段,即历史时刻阶段以及预测时刻阶段。其中,在历史时刻阶段,首先需要获取待监测区域对应的历史卫星云图。
具体的,首先,获取预设历史卫星云图,并对预设历史卫星云图进行预处理,得到预处理后的历史卫星云图,然后再根据待监测区域所对应的区域位置对预处理后的历史卫星云图进行裁剪处理,得到待监测区域对应的历史卫星云图。
可选的,如图2所示,对T时刻和T-1时刻的历史卫星云图进行预处理,根据待监测区域对应的地理位置对预处理后的历史卫星云图进行裁剪,生成指定区域卫星图像。
需要说明的是,在对历史卫星云图进行预处理的过程中,分别对可见光波段数据和近红外光波段数据进行预处理。具体的,对可见光波段数据进行归一化处理,得到第一数据,并对第一数据进行合并处理,得到色彩图像,然后对色彩图像进行灰度转换,得到第一灰度图像。再对近红外光波段数据进行归一化处理,得到第二数据,并对第二数据进行灰度转换,得到第二灰度图像,最后,对第一灰度图像和第二灰度图像进行组合,得到预处理后的历史卫星云图。
可选的,将可见光波段数据归一化为[0,255],并合成RGB图像(即色彩图像),再将RGB图像由RGB空间(即色彩空间)转成灰度图像(即第一灰度图像)。对于近红外光波段数据,将每个近红外光波段数据归一化为[0,255],并生成对应的灰度图像(即第二灰度图像),得到预处理后的历史卫星云图,其中,预处理后的历史卫星云图包括第一灰度图像和第二灰度图像。
需要说明的是,光流法和外推法使用的前提是平面云图,计算的是平面云图上的运动速度和方向,而卫星云图是曲面云图,无法直接使用,需要进行卫星云图几何校正。即在图2中,在得到历史卫星云图之后,需要对历史卫星云图进行几何校正。
具体的,首先获取图像坐标与地理坐标之间的映射关系表,并基于映射关系表对历史卫星云图进行几何校正,得到校正后的历史卫星云图。
可选的,在几何校正计算的过程中,可得到行列号(即图像坐标)与地理经纬度(即地理坐标)之间的映射关系表,通过查找映射关系表可得到光伏电站所在地理位置处未来各个时刻的卫星传感器物理数据,用于辐照反演模型进行辐照反演计算,实现辐照强度的预测功能。
图3示出了一种可选的坐标转换的示意图,在图3中,以地心O为原点建立空间直角坐标系O-xyz,x轴沿地心与卫星连线指向卫星,z轴指向北极,y轴与z、x轴构成右手坐标系;以卫星S为原点建立空间直角坐标系S-r1r2r3,r1轴从卫星出发指向星下点,r3轴与地心直角坐标系z轴平行,r2轴与r1、r3轴构成右手坐标系。由S-r1r2r3与O-xyz间的相对关系知,若点P在O-xyz坐标系中为(x,y,z),则在S-r1r2r3坐标系中,r1=H-x,r2=-y,r3=z。由图3可知,图像坐标与地理坐标之间满足下式:
行列号可通过如下公式确定:
其中,COFF、LOFF分别表示星下点(卫星所在经纬度的位置)所在的行号和列号,CFAC、LFAC分别表示行缩放系数和列缩放系数。
经纬度可通过如下公式确定:
在一种可选的实施例中,由图2可知,在对历史卫星云图进行几何校正之后,再基于灌流估计模型对历史卫星云图进行处理,得到云层的运动矢量。具体的,首先根据校正后的历史卫星云图以及第一约束条件,得到灰度变化因子,并根据校正后的历史卫星云图以及第二约束条件,得到平滑因子,然后构建校正后的历史卫星云图对应的能量函数,最后,根据灰度变化因子、平滑因子以及能量函数计算得到运动矢量。其中,第一约束条件表征空间中的粒子在运动过程中灰度值保持不变,第二约束条件表征空间中各个局部区域内的粒子的运动方向变化量小于第一变化量,运动速度变化量小于第二变化量,即各个局部区域内粒子的运动方向和运动速度整体变化不剧烈,变化比较平缓,第一变化量和第二变化量为比较小的值。
可选的,在本实施例中,利用光流估计模型提取运动矢量,其中,在光流估计模型中,通过灰度不变假设(即第一约束条件)、光流场平滑假设(即第二约束条件),两个约束条件ξb和对光流场中的u和v进行计算。其中,灰度不变假设和光流场平滑假设如下:
ξb=uIx+vIy+It
在上式中,u和v分别表示XOY平面坐标系下,x和y方向的运动速度。
需要说明的是,光流估计模型构造了一个能量函数,将光流场问题转化为求能量函数的极值问题,即给定图像序列I(x,y,t),求光流的两个分量u(x,y)和v(x,y),其中,能量函数可定义如下:
其中,Δ为拉普拉斯算子。
需要说明的是,在现有的云图预测技术方案,并未考虑到太阳东升西落过程中因太阳高度角变化而导致预测的未来时刻云层亮度的变化,而且早晚云层亮度变化非常剧烈,如果不进行处理,则会使得预测的卫星云图精度变差,因此,需要计算各个时间点的卫星云图光照强度,以对预测的云图进行光照亮度进行修整,模拟实际太阳角度的变化对云图产生的光照变化。可选的,如图2所示,可通过离线计算一个月的历史卫星云图得到光照模型,再通过光照模型对光照亮度进行修整。其中,图4示出了一种可选的修整光照亮度的流程图,由图4可知,该过程包括如下步骤:
步骤S401,获取多个时间点对应的预测卫星云图。可选的,可根据气象卫星传送卫星云图的时间间隔确定多个时间点。例如,气象卫星传送的时间间隔为十分钟,则一天对应的时间点数量为143个时间点,每个时间点之间间隔十分钟,每个时间点对应一幅卫星云图。
步骤S402,对预测卫星云图进行处理,得到多个网格图片,其中,每个网格图片的尺寸不相同。根据网格尺寸对卫星云图进行处理,一幅卫星云图可得到多个网格尺寸的网格图片,即一幅卫星云图对应的多个网格图片中的网格大小是互不相同的。例如,卫星云图可划分的网格尺寸集合为{W1×H1,W2×H2,……,Wn×Hn},依次根据网格尺寸集合中的网格尺寸对卫星云图进行处理,得到n个网格尺寸的网格图片。
步骤S403,确定同一尺寸的网格图片在相邻时间点的实际亮度变化值。其中,同一尺寸的网格图片为不同时间点对应的同一个网格尺寸的网格图片,确定同一尺寸的网格图片中的各个网格,并确定各个网格的亮度值,确定相邻时间点的同一位置的网格的实际亮度变化值。
例如,在图5所示的像素值分布曲线图中,曲线L(t-1,d)表示在坐标(i,j)位置的网格在第d天t-1时间点的像素值分布曲线,曲线L(t,d)表示在坐标(i,j)位置的网格第d天t时间点的像素值分布曲线,可通过L(t-1,d)和L(t,d)计算出在(i,j)位置的太阳光照亮度变化量:
在上式中,Light(i,j,t,d)表示在坐标(i,j)位置处第d天t时刻的太阳光照的实际亮度变化量,p=256,x表示像素值,0≤x≤255,L(x,t-1,d)表示分布曲线L(t-1,d)上像素值为x时对应的像素点个数,L(x,t,d)表示分布曲线L(t,d)上像素值为x时对应的像素点个数。
可选的,确定相邻时间点的网格图片的亮度变化值,确定各个相邻时间点网格图片的亮度变化值的平均值作为网格图片的实际亮度变化值。即计算出网格图片中各个网格在相邻时刻点的实际亮度变化值之后,将在不同天数的同一时间点的实际亮度变化值进行求平均值,将平均值作为该网格尺寸下网格图片对应的实际亮度变化值。
步骤S404,根据实际亮度变化值确定每个时间点相对于相邻时间点的参考亮度变化值。
可选的,在确定各个网格尺寸下的网格图片中的各个网格在相邻时间点的实际亮度变化值之后,再确定各个网格尺寸对应的权重信息,其中,权重信息可以为高斯分布对应的权重。根据权重信息和各个网格尺寸对应的实际亮度变化值求加权平均值,可确定网格图片中各个网格在相邻时刻点的参考亮度变化值。
步骤S405,根据每个时间点对应的参考亮度变化值以及当前时间点的预测卫星云图的实际亮度值确定在预设时间点的光照强度。
步骤S406,根据光照强度对预测卫星云图进行光照修正,得到目标卫星云图。
可选的,根据每个时间点对应的参考亮度变化值,在当前时间点的卫星云图的实际亮度值的基础上可以确定预设时间点的光照强度。也可以根据当前时间点的参考亮度变化值和上一时间点的实际亮度值,对当前时间点的卫星云图的实际亮度值进行修正。
在一种可选的实施例中,在得到云层的运动矢量之后,再根据运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图。具体的,根据运动矢量对物理数据进行计算,得到多个未来时刻所对应的预测卫星云图。
可选的,如图2所示,可采用半拉格朗日外推法对运动矢量进行处理,得到预测卫星云图。其中,半拉格朗日外推法是根据光流法提取的运动矢量对卫星传感器物理数据(时刻T)进行计算,得到未来各时刻的预测云图,再通过光照模型对预测的云图进行光照亮度修正,生成未来各时刻的预测卫星云图。
其中,半拉格朗日基本方程如下:
其中,U(x,t)为在(x,t)点处的粒子运动速度分量;F为拉格朗日量,方程表明沿着粒子运动轨迹上F为常量。
可选的,图6示出了一种可选的半拉格朗日外推法的过程示意图,在图6中,实线AC表示粒子的实际运动轨迹,粒子在时间tn+Δt运动到点xm处,虚线A′C表示外推出来的近似直线的粒子运动轨迹,αm表示粒子在时间Δt内从B点运动到D点在X方向上移动的距离。
粒子在tn+Δt时刻点xm处值为F(xm,t+Δt),在tn-Δt时刻点xm-2αm处值为F(xm-2αm,tn-Δt),由半拉格朗日基本方程得到下式:
其中,αm=ΔtU(xm-αm,tn)
由上式方程可得出,假设已知F(xm-2αm,tn-Δt),则可得到F(xm,t+Δt),而求解F(xm-2αm,tn-Δt)的关键是求解出αm。
其中,可通过迭代法求解αm,假设给定一个初值α(0),则求解公式如下:
可选的,在得到预测卫星云图之后,可基于目标卫星云图确定待监测区域的辐照强度。
由上述内容可知,本申请提出了一种卫星云图预测技术方案,解决了方案中各种技术问题,该方案有利于辐照反演模型计算得到准确的太阳辐照,并且有利于实现辐照强度的预测功能。
实施例2
根据本发明实施例,还提供了一种卫星云图的预测装置实施例,其中,图7是根据本发明实施例的卫星云图的预测装置示意图,如图7所示,该装置包括:获取模块701、校正模块703、提取模块705、处理模块707以及修正模块709。
其中,获取模块701,用于获取待监测区域对应的历史卫星云图,其中,历史卫星云图中至少包括可见光波段数据以及近红外光波段数据;校正模块703,用于对历史卫星云图进行几何校正,得到校正后的历史卫星云图;提取模块705,用于基于校正后的历史卫星云图提取云层的运动矢量;处理模块707,用于根据运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,其中,预测卫星云图为当前时刻之后的卫星云图,用于确定待监测区域所对应的太阳辐照强度;修正模块709,用于基于光照模型对预测卫星云图进行光照修正,得到目标卫星云图。
需要说明的是,上述获取模块701、校正模块703、提取模块705、处理模块707以及修正模块709对应于上述实施例中的步骤S102至步骤S110,五个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选的,获取模块包括:第一获取模块、预处理模块以及裁剪模块。其中,第一获取模块,用于获取预设历史卫星云图;预处理模块,用于对预设历史卫星云图进行预处理,得到预处理后的历史卫星云图;裁剪模块,用于根据待监测区域所对应的区域位置对预处理后的历史卫星云图进行裁剪处理,得到待监测区域对应的历史卫星云图。
可选的,预处理模块包括:第一处理模块、第二处理模块、第一转换模块、第三处理模块、第二转换模块以及组合模块。其中,第一处理模块,用于对可见光波段数据进行归一化处理,得到第一数据;第二处理模块,用于对第一数据进行合并处理,得到色彩图像;第一转换模块,用于对色彩图像进行灰度转换,得到第一灰度图像;第三处理模块,用于对近红外光波段数据进行归一化处理,得到第二数据;第二转换模块,用于对第二数据进行灰度转换,得到第二灰度图像,其中,预处理后的历史卫星云图包括第一灰度图像和第二灰度图像。
可选的,校正模块包括:第二获取模块以及校正子模块。其中,第二获取模块,用于获取图像坐标与地理坐标之间的映射关系表;校正子模块,用于基于映射关系表对历史卫星云图进行几何校正,得到校正后的历史卫星云图。
可选的,提取模块包括:第四处理模块、第五处理模块、构建模块以及第一计算模块。其中,第四处理模块,用于根据校正后的历史卫星云图以及第一约束条件,得到灰度变化因子,其中,第一约束条件表征空间中的粒子在运动过程中灰度值保持不变;第五处理模块,用于根据校正后的历史卫星云图以及第二约束条件,得到平滑因子,其中,第二约束条件表征空间中各个局部区域内的粒子的运动方向变化量小于第一变化量,运动速度变化量小于第二变化量;构建模块,用于构建校正后的历史卫星云图对应的能量函数;第一计算模块,用于根据灰度变化因子、平滑因子以及能量函数计算得到运动矢量。
可选的,处理模块包括:第二计算模块,用于根据运动矢量对物理数据进行计算,得到多个未来时刻所对应的预测云图。
可选的,卫星云图的预测装置还包括:第一确定模块,用于基于光照模型对预测卫星云图进行光照修正,得到目标卫星云图之后,基于目标卫星云图确定待监测区域的辐照强度。
可选的,修正模块包括:第三获取模块、第六处理模块、第二确定模块、第三确定模块、第四确定模块以及修正子模块。其中,第三获取模块,用于获取多个时间点所对应的预测卫星云图;第六处理模块,用于对预测卫星云图进行处理,得到多个网格图片,其中,每个网格图片的尺寸不同;第二确定模块,用于确定同一尺寸的网格图片在相邻时间点的实际亮度变化值;第三确定模块,用于根据实际亮度变化值确定每个时间点相对于相邻时间点的参考亮度变化值;第四确定模块,用于根据每个时间点对应的参考亮度变化值以及当前时间点的预测卫星云图的实际亮度值确定在预设时间点的光照强度;修正子模块,用于根据光照强度对预测卫星云图进行光照修正,得到目标卫星云图。
实施例3
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,该非易失性存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述实施例1中的卫星云图的预测方法。
实施例4
根据本发明实施例的另一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序被设置为运行时执行上述实施例1中的卫星云图的预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种卫星云图的预测方法,其特征在于,包括:
获取待监测区域对应的历史卫星云图,其中,所述历史卫星云图中至少包括可见光波段数据以及近红外光波段数据;
对所述历史卫星云图进行几何校正,得到校正后的历史卫星云图;
基于所述校正后的历史卫星云图提取云层的运动矢量;
根据所述运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,其中,所述预测卫星云图为所述当前时刻之后的卫星云图,用于确定所述待监测区域所对应的太阳辐照强度;
基于光照模型对所述预测卫星云图进行光照修正,得到目标卫星云图。
2.根据权利要求1所述的方法,其特征在于,获取待监测区域对应的历史卫星云图,包括:
获取预设历史卫星云图;
对所述预设历史卫星云图进行预处理,得到预处理后的历史卫星云图;
根据所述待监测区域所对应的区域位置对所述预处理后的历史卫星云图进行裁剪处理,得到所述待监测区域对应的历史卫星云图。
3.根据权利要求2所述的方法,其特征在于,对所述预设历史卫星云图进行预处理,得到预处理后的历史卫星云图,包括:
对所述可见光波段数据进行归一化处理,得到第一数据;
对所述第一数据进行合并处理,得到色彩图像;
对所述色彩图像进行灰度转换,得到第一灰度图像;
对所述近红外光波段数据进行归一化处理,得到第二数据;
对所述第二数据进行灰度转换,得到第二灰度图像,其中,所述预处理后的历史卫星云图包括所述第一灰度图像和所述第二灰度图像。
4.根据权利要求1所述的方法,其特征在于,对所述历史卫星云图进行几何校正,得到校正后的历史卫星云图,包括:
获取图像坐标与地理坐标之间的映射关系表;
基于所述映射关系表对所述历史卫星云图进行几何校正,得到所述校正后的历史卫星云图。
5.根据权利要求1所述的方法,其特征在于,基于所述校正后的历史卫星云图提取云层的运动矢量,包括:
根据所述校正后的历史卫星云图以及第一约束条件,得到灰度变化因子,其中,所述第一约束条件表征空间中的粒子在运动过程中灰度值保持不变;
根据所述校正后的历史卫星云图以及第二约束条件,得到平滑因子,其中,所述第二约束条件表征空间中各个局部区域内的粒子的运动方向变化量小于第一变化量,运动速度变化量小于第二变化量;
构建所述校正后的历史卫星云图对应的能量函数;
根据所述灰度变化因子、所述平滑因子以及所述能量函数计算得到所述运动矢量。
6.根据权利要求1所述的方法,其特征在于,根据所述运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,包括:
根据所述运动矢量对所述物理数据进行计算,得到多个未来时刻所对应的预测卫星云图。
7.根据权利要求1所述的方法,其特征在于,在基于光照模型对所述预测卫星云图进行光照修正,得到目标卫星云图之后,所述方法还包括:
基于所述目标卫星云图确定所述待监测区域的辐照强度。
8.根据权利要求1所述的方法,其特征在于,基于光照模型对所述预测卫星云图进行光照修正,得到目标卫星云图,包括:
获取多个时间点所对应的预测卫星云图;
对所述预测卫星云图进行处理,得到多个网格图片,其中,每个网格图片的尺寸不同;
确定同一尺寸的网格图片在相邻时间点的实际亮度变化值;
根据所述实际亮度变化值确定每个时间点相对于相邻时间点的参考亮度变化值;
根据每个时间点对应的参考亮度变化值以及当前时间点的预测卫星云图的实际亮度值确定在预设时间点的光照强度;
根据所述光照强度对所述预测卫星云图进行光照修正,得到所述目标卫星云图。
9.一种卫星云图的预测装置,其特征在于,包括:
获取模块,用于获取待监测区域对应的历史卫星云图,其中,所述历史卫星云图中至少包括可见光波段数据以及近红外光波段数据;
校正模块,用于对所述历史卫星云图进行几何校正,得到校正后的历史卫星云图;
提取模块,用于基于所述校正后的历史卫星云图提取云层的运动矢量;
处理模块,用于根据所述运动矢量对卫星传感器在当前时刻采集到的物理数据进行计算,得到预测卫星云图,其中,所述预测卫星云图为所述当前时刻之后的卫星云图,用于确定所述待监测区域所对应的太阳辐照强度;
修正模块,用于基于光照模型对所述预测卫星云图进行光照修正,得到目标卫星云图。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的卫星云图的预测方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至8任一项中所述的卫星云图的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110246077.7A CN113029332A (zh) | 2021-03-05 | 2021-03-05 | 卫星云图的预测方法、装置和处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110246077.7A CN113029332A (zh) | 2021-03-05 | 2021-03-05 | 卫星云图的预测方法、装置和处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113029332A true CN113029332A (zh) | 2021-06-25 |
Family
ID=76468527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110246077.7A Pending CN113029332A (zh) | 2021-03-05 | 2021-03-05 | 卫星云图的预测方法、装置和处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113029332A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778140A (zh) * | 2021-09-15 | 2021-12-10 | 阳光电源(上海)有限公司 | 一种跟踪支架的跟踪方法、装置及光伏系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767448A (zh) * | 2017-10-09 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 考虑云‑地形效应的地表太阳辐射遥感计算方法及系统 |
CN110633862A (zh) * | 2019-09-20 | 2019-12-31 | 旻投(上海)数据科技有限公司 | 一种基于卫星云图的光功率预测算法 |
CN112067118A (zh) * | 2020-09-09 | 2020-12-11 | 阳光电源股份有限公司 | 基于卫星云图的光照强度检测方法、装置、设备以及介质 |
-
2021
- 2021-03-05 CN CN202110246077.7A patent/CN113029332A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767448A (zh) * | 2017-10-09 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 考虑云‑地形效应的地表太阳辐射遥感计算方法及系统 |
CN110633862A (zh) * | 2019-09-20 | 2019-12-31 | 旻投(上海)数据科技有限公司 | 一种基于卫星云图的光功率预测算法 |
CN112067118A (zh) * | 2020-09-09 | 2020-12-11 | 阳光电源股份有限公司 | 基于卫星云图的光照强度检测方法、装置、设备以及介质 |
Non-Patent Citations (3)
Title |
---|
柳士俊: "光流法及其在气象领域里的应用", 《气象科技进展》 * |
石钟慈 等: "《奇效的计算 大规模科学与工程计算的理论和方法》", 31 January 1998 * |
解放军理工大学气象学院: "《气象数据处理技术概论》", 31 January 2007 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778140A (zh) * | 2021-09-15 | 2021-12-10 | 阳光电源(上海)有限公司 | 一种跟踪支架的跟踪方法、装置及光伏系统 |
CN113778140B (zh) * | 2021-09-15 | 2024-04-12 | 阳光电源(上海)有限公司 | 一种跟踪支架的跟踪方法、装置及光伏系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chow et al. | Intra-hour forecasting with a total sky imager at the UC San Diego solar energy testbed | |
Heo et al. | Multi-channel convolutional neural network for integration of meteorological and geographical features in solar power forecasting | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN108734685B (zh) | 一种无人机载高光谱线阵列遥感影像的拼接方法 | |
CN112884672B (zh) | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 | |
CN116245757B (zh) | 多模态数据的多场景通用性遥感影像云修复方法和系统 | |
Harty et al. | Intra-hour cloud index forecasting with data assimilation | |
JP2010032383A (ja) | 予報装置、その方法及びプログラム | |
Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
Dissawa et al. | Cross-correlation based cloud motion estimation for short-term solar irradiation predictions | |
CN111652126A (zh) | 一种基于卫星云图的反演辐射方法 | |
Mao et al. | Advances and prospects on estimating solar photovoltaic installation capacity and potential based on satellite and aerial images | |
Jing et al. | Sub-pixel accuracy evaluation of FY-3D MERSI-2 geolocation based on OLI reference imagery | |
CN111666896A (zh) | 一种基于线性融合模型的遥感影像时空融合方法 | |
Chen et al. | A stepwise framework for interpolating land surface temperature under cloudy conditions based on the solar-cloud-satellite geometry | |
CN113029332A (zh) | 卫星云图的预测方法、装置和处理器 | |
CN113936031A (zh) | 一种基于机器视觉的云影轨迹预测方法 | |
Marchesoni-Acland et al. | Deep learning methods for intra-day cloudiness prediction using geostationary satellite images in a solar forecasting framework | |
US20230186594A1 (en) | Information processing apparatus, information processing method, and non-transitory computer readable medium | |
Mehta et al. | Assessment of solar energy generation potential on roof-tops using image processing | |
Leng et al. | All-sky surface and top-of-atmosphere shortwave radiation components estimation: Surface shortwave radiation, PAR, UV radiation, and TOA albedo | |
Stark et al. | Optimal collection of high resolution aerial imagery with unmanned aerial systems | |
CN116089546A (zh) | 一种台风云系识别方法、系统、终端以及存储介质 | |
Lukač et al. | Novel GPU-accelerated high-resolution solar potential estimation in urban areas by using a modified diffuse irradiance model |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |