CN113468947B - 一种多雷达站鸟情信息融合以及成像方法 - Google Patents

一种多雷达站鸟情信息融合以及成像方法 Download PDF

Info

Publication number
CN113468947B
CN113468947B CN202110408620.9A CN202110408620A CN113468947B CN 113468947 B CN113468947 B CN 113468947B CN 202110408620 A CN202110408620 A CN 202110408620A CN 113468947 B CN113468947 B CN 113468947B
Authority
CN
China
Prior art keywords
bird
data
radar
image
target
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
CN202110408620.9A
Other languages
English (en)
Other versions
CN113468947A (zh
Inventor
陈唯实
徐群玉
刘佳
卢贤锋
黄毅峰
张洁
王青斌
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.)
Beihang University
China Academy of Civil Aviation Science and Technology
Original Assignee
Beihang University
China Academy of Civil Aviation Science and Technology
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 Beihang University, China Academy of Civil Aviation Science and Technology filed Critical Beihang University
Priority to CN202110408620.9A priority Critical patent/CN113468947B/zh
Publication of CN113468947A publication Critical patent/CN113468947A/zh
Application granted granted Critical
Publication of CN113468947B publication Critical patent/CN113468947B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

本发明提供了一种多雷达站鸟情信息融合以及成像方法，属于雷达目标识别与信息融合成像领域。该方法首先获取特定时间段内多个雷达站的二级数据文件并对鸟情融合图像进行初始化设定，然后根据各个雷达站提取的鸟情信息和二维空间信息生成鸟情融合图像中每个图像单元对应的数据池数组，最后根据鸟情融合图像中每个图像单元的经纬度信息及其对应的数据池数组绘制鸟情融合图像。利用本发明能够基于气象雷达二级数据文件进行鸟情信息提取，实现了不同时间尺度下多气象雷达站观测鸟情的有效融合。

Description

一种多雷达站鸟情信息融合以及成像方法
技术领域
本发明属于雷达目标识别与信息融合成像领域，具体涉及一种多雷达站鸟情信息融合以及成像方法。
背景技术
组网化气象雷达不仅可以精确的定量描述以及跟踪多类别气象目标，同时也可以提供更加丰富的生物类目标(飞鸟、昆虫、蝙蝠)的可识别特征，为生物目标在大尺度时空间范围内的识别跟踪以及活动规律研究提供了非常有效的观测手段，为农林灾害预警，生态环境监测与保护，航空安全威胁评估等领域提供有效的观测手段和参考信息。因此，基于气象雷达二级数据文件中观测数据的相关研究可为今后气象雷达组网信息融合、多类别气象和生物目标识别跟踪、雷达观测大数据挖掘等技术领域的研究提供有力的数据支撑，为今后气象雷达的后续应用价值拓展与提升提供技术储备，具备十分积极的应用前景。
目前还没有基于气象雷达的飞鸟目标检测研究，公开发表的论文或者专利中也没有涉及多雷达站鸟情信息融合的相关研究。
发明内容
本发明的目的在于解决上述现有技术中存在的难题，提供一种多雷达站鸟情信息融合以及成像方法，基于气象雷达二级数据文件进行鸟情信息提取，可实现不同时间尺度下多气象雷达站观测鸟情的有效融合。
本发明是通过以下技术方案实现的：
本发明提供了一种多雷达站鸟情信息融合以及成像方法，所述方法首先获取特定时间段内多个雷达站的二级数据文件并对鸟情融合图像进行初始化设定，然后根据各个雷达站提取的鸟情信息和二维空间信息生成鸟情融合图像中每个图像单元对应的数据池数组，最后根据鸟情融合图像中每个图像单元的经纬度信息及其对应的数据池数组绘制鸟情融合图像。
本发明的进一步改进在于，所述方法包括：
步骤一、对气象雷达二级数据文件进行格式转换与信息提取，获得有效的数据单元；
步骤二、构建鸟情融合图像，获得鸟情融合图像的四个顶点的坐标以及鸟情融合图像中每个图像单元的四个顶点的坐标；
步骤三、进行飞鸟目标提取获得包含飞鸟目标的数据单元，并根据包含飞鸟目标的数据单元以及每个图像单元的经纬度信息获得每个图像单元对应的数据池数组；
步骤四、根据每个图像单元对应的数据池数组进行多雷达站鸟情信息融合获得鸟情融合图像。
本发明的进一步改进在于，所述步骤一的操作包括：
(11)根据事先指定的鸟情观测区域选择出该区域内的所有雷达站；
(12)对每个雷达进行以下操作：
定义气象雷达二级数据文件对应的离散时间序列为{ti|i＝1,2,...,K}，其中K表示离散时间点的个数；定义N为雷达站的个数；
在特定雷达扫描俯仰角θ下，定义数据矩阵为Mθ，矩阵元素Mθ(j,k)对应的数据单元包含多个目标特性x，每个目标特性x的数值矩阵为Mxθ；
(13)确定每个Mxθ中每行的无效数据的个数：
定义Mxθ的第i行中的无效数据的个数为Cθx(i)；
判断Mxθ中的数据的值是否等于该目标特性x的无效值，如果是，则判定该数据为无效数据，如果否，则判定该数据不是无效数据；
依次统计Mxθ中每行中的无效数据的个数，记为Cθx(i)；
(14)利用每个Mxθ中每行的无效数据的个数获得有效的数据单元，具体如下：
(141)首先针对每个Mxθ进行如下处理：
从Mxθ中的第一行开始搜索直到找到满足以下条件的行后停止搜索，并将该行标记为目标特性x的最大有效距离因子Iθx：该行对应的Cθx(i)的数值大于门限值，且其后连续P行中至少有Q％的行对应的Cθx(i)的数值仍然大于门限值；
(142)找到所有目标特性的最大有效距离因子中的最小值，记为Iθ；
(143)将Iθ行后的所有数据单元删除，剩下的数据单元即为有效的数据单元。
本发明的进一步改进在于，所述目标特性包括：雷达观测距离R、方位角φ、俯仰角θ、扫描时间t、反射率Z、径向速度V、差分反射率ZDR、差分相位ΨDP、相关系数ρHV、谱宽度σ；
所述目标特性x的无效值如下：
反射率Z的无效值为-33、径向速度V的无效值为-64.5、差分反射率ZDR的无效值为-0.7052、差分相位ΨDP的无效值为-8、相关系数ρHV的无效值为0.20167、谱宽度σ的无效值为-64.5。
本发明的进一步改进在于，所述步骤二的操作包括：
(21)计算每个雷达站的有效覆盖区域；
(22)根据每个雷达站的有效覆盖区域构建鸟情信息成像空间区域，即获得鸟情融合图像的四个顶点；
(23)计算鸟情融合图像中每个图像单元的四个顶点。
本发明的进一步改进在于，所述步骤(21)的操作包括：
(211)以雷达站Si为圆心，以下式计算得到的值作为半径画圆：
U(Si)＝min(D(Si,Sj)) i≠j
其中，U(Si)为雷达站Si对应的半径，D(si,sj)为雷达站之间在经纬度平面上的距离，通过下式计算获得：
其中，R为地球赤道的近似半径，(αi，βi)和(αj，βj)分别对应雷达站Si和Sj所在位置的经纬度信息，其中α表示经度，β表示纬度；
(212)利用下式计算获得雷达站Si的有效覆盖区域内所有点的坐标：
其中，Δα和Δβ分别为鸟情融合图像在经度和纬度上的分辨率，m和n均为整数；
(213)从步骤(212)计算得到的所有点中找到步骤(211)画出的圆的内接正方形的四个顶点，并将这四个顶点的经度记在集合中，将这四个点的纬度记在集合/>中；
(214)利用下式获得雷达站Si的有效覆盖区域的四个顶点的坐标：
其中，BTR(i)、BTL(i)、BBR(i)、BBL(i)分别表示雷达站Si的有效覆盖区域的右上、左上、右下、左下四个顶点的坐标。
本发明的进一步改进在于，所述步骤(22)的操作包括：
利用下式获得鸟情融合图像的四个顶点的坐标：
BTR＝{max(BTR(i)),max(BTR(i))}
BTL＝{max(BTL(i)),min(BTL(i))}
BBR＝{min(BBR(i)),max(BBR(i))}
BBL＝{min(BBL(i)),min(BBL(i))}
其中，i＝{1,2,…,N}；
BTR、BTL、BBR、BBL分别表示鸟情融合图像的右上、左上、右下、左下四个顶点的坐标。
本发明的进一步改进在于，所述步骤(23)的操作包括：
定义鸟情融合图像的数值矩阵为I，鸟情融合图像中的每个图像单元表示为I(m,n)；
利用下式获得每个图像单元I(m,n)的四个顶点的坐标：
TR(m,n)＝{m·Δα,n·Δβ}
TL(m,n)＝{(m-1)·Δα,n·Δβ}
BR(m,n)＝{m·Δα,(n-1)·Δβ}
BL(m,n)＝{(m-1)·Δα,(n-1)·Δβ}
其中，TR(m,n)、TL(m,n)、BR(m,n)、BL(m,n)分别表示图像单元I(m,n)的右上、左上、右下、左下四个顶点的坐标。
本发明的进一步改进在于，所述步骤三的操作包括：
(31)利用目标特性判断步骤一获得的有效的数据单元中的各个数据单元内是否包含飞鸟目标，如果是，则将对应的数据单元标记为包含飞鸟目标的数据单元；
(32)将标记为包含飞鸟目标的数据单元定义为Mti(j,k)，其中t表示时间，i表示第i个仰角，利用下式获得Mti(j,k)在经纬度平面上的坐标投影α(i,j,k)和β(i,j,k)：
其中ER为地球半径参数，R(j)、φ(k)和θ(i)分别为Mti(j,k)对应的距离、方位角以及俯仰角，α(s)和β(s)为雷达站s的经纬度坐标；
(33)判断{α(i,j,k),β(i,j,k)}是否在图像单元I(m,n)内，如果是，则将数据单元Mti(j,k)对应的目标特性存入图像单元I(m,n)对应的数据池数组Dmnt；所述数据池数组Dmnt的定义为：Dmnt＝[D1,D2,...,DM],其中M为图像单元I(m,n)内的包含飞鸟目标的数据单元的个数，Di中包含各类型的目标特性的数据Di＝[Z,ZDR,ΨDP,ρHV,V,σ]。
本发明的进一步改进在于，所述步骤四的操作包括：
对于时间采样点t，其对应的鸟情融合图像表示为It；
若图像单元It(m,n)对应的数据池数组Dmnt为空数组，则表明It(m,n)内不包含飞鸟目标，将该It(m,n)的数值赋值为无效值；
若图像单元It(m,n)对应的数据池数组Dmnt不是空数组，则表明It(m,n)内包含飞鸟目标，并计算数据池数组Dmnt的大小或者一个目标特性的统计值，并将数据池数组Dmnt的大小或者一个目标特性的统计值作为It(m,n)的数值；
利用所有图像单元的数值并采用归一化处理方法绘制得到鸟情信息融合图像。
与现有技术相比，本发明的有益效果是：利用本发明能够基于气象雷达二级数据文件进行鸟情信息提取，实现了不同时间尺度下多气象雷达站观测鸟情的有效融合。
附图说明
图1是本发明多雷达站鸟情信息融合以及成像方法的流程图；
图2是本发明步骤二中根据各个雷达站经纬度坐标进行空间划分示意图；
图3是本发明步骤二中鸟情融合图像单元经纬度坐标示意图；
图4是本发明步骤三中目标特性梯形概率函数定义示意图；
图5-1是本发明实施例中根据反射率得到的多雷达站鸟情信息融合图像；
图5-2是本发明实施例中根据差分相位得到的多雷达站鸟情信息融合图像；
图5-3是本发明实施例中根据差分反射率得到的多雷达站鸟情信息融合图像；
图5-4是本发明实施例根据径向速度得到的多雷达站鸟情信息融合图像；
图5-5是本发明实施例根据相关系数得到的多雷达站鸟情信息融合图像；
图5-6是本发明实施例根据谱宽度得到的多雷达站鸟情信息融合图像。
具体实施方式
下面结合附图对本发明作进一步详细描述：
如图1到图4所示，本发明提出一种多雷达站鸟情信息融合以及成像方法，该方法基于气象雷达二级数据文件中包含的雷达观测数据进行鸟情信息融合以及成像。
本发明方法首先获取特定时间段内多个雷达站的二级数据文件并进行鸟情数据库的搭建以及融合图像的初始化设定；然后根据各个雷达站提取的鸟情信息和鸟情观测数据的二维空间信息与融合图像进行关联，生成融合图像中每个图像单元对应的数据池数组；最后，根据融合图像中每个图像单元的经纬度信息及其对应的数据池数组，采用统计表征方法对鸟情分布进行描述并绘制鸟情融合图像。
具体的，本发明方法包括如下步骤：
步骤一、对气象雷达二级数据文件进行格式转换与信息提取，获得有效的数据单元：
原始的气象雷达二级数据文件通常不是直接的可读格式，其通常是采用二进制编码进行存储，因此需要结合编码规则对气象雷达二级数据文件中的二进制数据进行解读，从而获取有用的气象雷达观测数据用于本发明的后续数据分析。信息提取即指对气象雷达观测数据文件的解读，将文件中原有的二进制编码数据转化为实际的雷达目标特性数据。
因为每个雷达站的观测范围有限，所以先根据事先指定的鸟情观测区域选择出该区域内的所有雷达站(即指定的鸟情观测区域内所有的雷达站)，结合气象等相关信息设定鸟情的观察时间段，并设定飞鸟目标观测高度范围在hmin和hmax之间，其中hmin表示最小观测高度，hmax表示最大观测高度。
定义二级数据文件对应的离散时间序列为{ti|i＝1,2,...,K}，其中K表示离散时间点的个数。定义雷达站集合{S(i)|i＝1,2,...,N}，其中N为雷达站的个数。
气象雷达采用体扫描模式，方位和俯仰角维度上波束宽度较大，因此一个距离单元内实际对应了一个空间区域，称为体扫描单元。每一个“体扫描单元”与一个“数据单元”对应，前者代表气象雷达扫描的一个基本空间单元，后者代表气象雷达数据库中的一个基本数据单元，二者是一一对应的关系。
在特定雷达扫描俯仰角θ下，雷达观测数据是以距离R-方位角φ维度上的极化坐标格式(R,φ)进行存储，定义数据矩阵为Mθ，矩阵元素Mθ(j,k)对应的数据单元包含如下目标特性信息，雷达观测数据的数据单元格式如表1所示：
符号 名称
R 雷达观测距离(米)
φ 方位角(度)
θ 俯仰角(度)
t 扫描时间
Z 反射率(dBZ)
V 径向速度(米/秒)
ZDR 差分反射率(dBZ)
ψDP 差分相位(度)
ρHV 相关系数
σ 谱宽度(米/秒)
表1
原始数据矩阵M中存在较多的无效数据单元，对鸟情信息的提取以及融合造成运算资源浪费，亦会降低鸟情分布图像的经纬度区域划分精度。气象雷达二级数据文件中对不同目标特性的无效观测值定义如表2所示：
目标特性 无效数值
Z -33
ZDR -0.7052
ψDP -8
ρHV 0.20167
V -64.5
σ -64.5
表2
目标特性即雷达描述观测目标的描述子。表1中主要是对本发明中涉及到的各类型符号的定义进行统一说明，表2中第一列中列出的是本发明中用到的不同类型的目标特性描述子。气象雷达数据中各类型目标特性数据均包含一定数量的无效观测数值，表2中第二列的无效数值表明若当前数据单元中对应类型的目标特性数值为表2中第二列中对应数值，则表明当前数据单元中包含的对应类型目标特性数值为无效数值，在后续雷达数据处理中就不需要再处理了。具体的，表2中的目标特性定义用于后续步骤中目标特性数值矩阵第i行中无效数据个数Cθx(i)的定义中，即无效数据个数是通过计算第i行中有多少个无效数值获得。
在俯仰角θ下，目标特性x的数值矩阵为Mxθ，Mxθ相当于Mθ的子集，其中x代表表2中第一列中的某一种目标特性，即在俯仰角θ下，每一种目标特性x都根据距离-方位角坐标组成了一个数值矩阵Mxθ，Mθ囊括了所有类型的目标特性的数值矩阵的集合。
由于雷达观测的有效探测距离在绝大多数情况下与方位角关联性较弱，若雷达在[Rθ(i),Rθ(i+1)]范围内已经无法提供有效观测数据，则Mxθ第i行中绝大多数数据应该为无效值。
定义Mxθ第i行中的无效数据个数为Cθx(i)(具体的，无效数据个数是通过统计第i行中有多少个无效数值获得的，无效数值请参考表2中的定义。)，且根据Mxθ的定义，0<＝Cθx(i)<＝720。
从Mxθ中的第一行开始搜索直到找到满足以下条件的行后停止搜索，并将该行标记为雷达站在俯仰角θ下目标特性x的最大有效距离因子Iθx：该行的Cθx(i)的数值大于门限值，且其后连续P行中至少有Q％行的Cθx(i)值仍然大于门限值。
例如，首先找到Cθx(i)大于门限值(例如设定为600)的一行，将该行对应的距离因子i(即第i行)标记为Iθx，然后以Iθx行为起点，统计后续20(P取值20)个连续距离单元(即i+1一直到i+20行)对应的Cθx(i)值，然后判断后续20个连续距离单元中是否有80％(即Q取值80)以上(即16个距离单元以上)的距离单元对应的Cθx(i)值仍然大于门限值(600)，如果是，则判定Iθx为雷达在俯仰角θ下目标特性x的最大有效距离因子，对应的实际探测距离为：
Rmax(θ,x)＝2125+(Iθx-1)×250 (1)
如果否，则移至下一行并重复上述步骤直到找到符合上述条件的行。
不同目标特性x的有效探测距离存在细微差别，在获取全部目标特性的最大有效距离因子Iθx后，取其中的最小值Iθ(即Iθ＝min{Iθx│x＝Z,ZDR,ΨDP,ρHV,V,σ}作为俯仰角θ下数值矩阵Mxθ在距离维度上的上限，滤除掉原数值矩阵中的无效数据单元，即将最小值Iθ行后的所有数据单元都删除，剩下的即为有效数据单元。这样实现了雷达极化特征信息的有效压缩，即将数据文件中的无效观测数据进行了删除，从而降低数值矩阵的维度，实现数据分析效率的提升。
步骤二、构建鸟情信息成像空间区域：
计算各个雷达站之间在经纬度平面上的距离D(si,sj)：
其中R为地球赤道的近似半径6378千米，(αi，βi)和(αj，βj)分别对应雷达站Si和Sj所在位置的经纬度信息，其中α表示经度，β表示纬度。
假设雷达站之间有效扫描区域无重叠，各雷达站在经纬度维度上的实际有效覆盖半径可用下式进行计算：
U(Si)＝min(D(Si,Sj)) i≠j (3)
图2所示的实施例中，该鸟情观测区域内有4个雷达站，对每个雷达站采用公式(3)进行计算获得每个雷达站的有效覆盖半径U(Si)，即图2中的半径R1到R4。
对于雷达站Si，其覆盖范围内的图像单元对应的经纬度坐标可用下式进行计算：
其中(αi,βi)对应雷达站Si的经纬度坐标，Δα和Δβ为鸟情融合图像在经度和围度上的分辨率(该分辨率是根据实际情况和需求进行设定的。)，m和n均为整数，通过与经纬度分辨率组合(如公式(4)所示)来描述图像绘制区域内的图像网格的经纬度坐标。利用公式(4)能够计算得到所有点的坐标。
以该雷达站Si为圆心，以公式(3)计算得到的半径画圆，该圆的内接正方形即为该雷达站Si的有效覆盖区域，该正方形的四个顶点即为雷达站Si对应的有效覆盖边界的四个顶点。具体的，在利用公式(4)计算得到的所有点中找到这四个顶点，将四个顶点的经度记为将四个顶点的纬度记为/>
这样，应用公式(3)和(4)获得了雷达站Si对应的有效覆盖边界的经纬度坐标并以数组的形式存储为和/>其中，/>和/>分别为雷达站Si对应的有效覆盖区域四个顶点的经度(α)和纬度(β)坐标集合，如图2中每个雷达站对应的实线矩形边框所示。/>和/>这两个符号上面的横杠(即“-”)表示/>和/>不是一个单一数值，而是一个向量，这个向量中包含雷达站Si有效覆盖边界的四个顶点(TR、TL、BR、BL)的经度和纬度坐标。因此，/>和/>表示的不是某个点的经纬度坐标，而是雷达站Si有效覆盖边界的四个顶点的坐标集合。
有效覆盖区域的边界可用矩形在经纬度平面上的四个顶点坐标进行描述：
公式(5)中表示的是从/>中包含的四个数值中选出来一个最小的，其它同理。
公式(5)中BXX(i)为图2中每个雷达站对应的实线方框的四个顶点的经纬度坐标，下标xx中的TR,TL,BR,BL分别代表Top Right,Top Left,Bottom Right,Bottom Left，即图2中一个实线矩形方框对应的右上、左上、右下、左下四个顶点。
根据上述图像边界的定义，结合经纬度信息，定义鸟情融合图像数值矩阵为I，每个图像单元可表示为I(m,n)，即图像单元和I(m,n)是一一对应的关系，I(m,n)是I中的一个元素。对于每个图像单元I(m,n),其在空间上对应的是在经纬度平面上的一个矩形方块，该方块是有实际覆盖区域的，该覆盖区域用四个顶点的经纬度坐标进行描述，其中，m和n可以采用下式计算获得：
和/>为全部N个雷达站覆盖范围内的经纬度信息集合，具体定义为
公式(5)得到是第i个雷达站的有效覆盖区域的范围，鸟情融合图像的经纬度范围是通过对全部雷达站的有效覆盖区域进行计算得到的，具体计算方法如下：
其中，i＝{1,2,…,N})。
如图2所示，图2中的A,B,C,D四个点代表四个雷达站，N等于4。以每个雷达站为圆心，以R1,R2,R3,R4为半径的圆圈代表了四个雷达站在经纬度平面上的有效覆盖范围。图中的虚线矩形方框表示根据ABCD四个雷达站有效覆盖区域计算得到的在经纬度平面上的鸟情图像绘制区域，TR、TL、BR、BL点的坐标分别为BTR、BTL、BBR、BBL。
图3所示为鸟情绘制图像中每个图像单元I(m,n)对应的经纬度信息，其中每个图像单元的四个顶点{TR,TL,BR,BL}的定义与鸟情绘制图像的四个顶点的定义相同，因为无论是整个图像，还是每个图像单元，其在空间上对应的都是经纬度平面上的一个矩形区域，该矩形区域的大小是用矩形的四个顶点的经纬度坐标进行描述的，因此整个图像和每个图像单元的顶点都是用{TR,TL,BR,BL}四个顶点的经纬度坐标描述的。
具体的，对于图像单元I(m,n)，结合经纬度的分辨率Δα和Δβ可进一步划定每个图像单元I(m,n)对应的经纬度坐标范围，其对应的四个顶点的经纬度坐标如下：
图3中的每个图像单元的四个顶点就是利用上面公式得到的，每个图像单元对应一块面积有限的经纬度矩形区域。
通过步骤二得到了融合图像的四个顶点以及图像中的每个图像单元的四个顶点的坐标。
步骤三、飞鸟目标提取与图像坐标转换
基于气象雷达观测数据中的数值矩阵Mxθ中提供的各类目标特性信息判断对应数据单元内是否包含飞鸟目标，如果包含飞鸟目标，则将对应的数据单元标记为包含飞鸟目标的数据单元。
具体的，可采用模糊逻辑分类方法构建不同类型目标特性的概率分布模型，结合权重分配算法做出目标类别判断，该方法源自于美国NEXRAD气象雷达相关研究，在此简介如下：
定义成员函数P(i)(Vj)为第j类目标特性Vj对应第i类目标的概率。对于第i类目标，其极化特征Vj对应的概率值可用梯形函数描述，如图4定义。
其中飞鸟目标与其他类型目标的梯形概率分布参数定义如表3所示，表3中列出了常见三类典型目标各类极化特征的概率分布参数。对于某未知类型目标的极化特征V＝{Vj|j＝1,2,…,6}，其对应的第i类目标的综合判定概率为：
其中w(i,j)为权值矩阵元素，表示目标特性Vj在第i类目标识别判定中的重要性。表3给出了典型目标(飞鸟、降水、地杂波)的三类极化特征的梯形概率参数定义，其中降水目标梯形概率参数中的f1和f2定义如下：
f1(Z)＝-0.5+2.5*10-3Z+7.5*10-4Z2
f2(Z)＝0.68-4.81*10-2Z+2.92*10-3Z2 (10)
表3
飞鸟与典型目标权值定义如表4所示。
反射率 差分反射率 相关系数
飞鸟 0.4 0.6 1.0
降水 1.0 0.8 0.6
杂波 0.2 0.4 1.0
表4
在上识别方法中，差分相位(ψDP)、径向速度(V)以及谱宽(σ)这三类目标特性没有用于飞鸟目标的识别，因为这三类目标特性在飞鸟目标上较难体现出明显的可识别特征。因此，上述三类目标特性没有用于飞鸟目标的识别，而是用于在识别出飞鸟目标之后的鸟情融合图像生成中。
将所有标记为包含飞鸟目标的数据单元(即从第一步有效压缩后的有效的数据单元中找到所有标记为包含飞鸟目标的数据单元)定义为Mti(j,k)，其中t对应时间信息，i表示第i个仰角，对应雷达的俯仰角的坐标信息(气象雷达通常在多个仰角下进行扫描，每个仰角对应一个数值矩阵，所以i表示第i个仰角)，可根据矩阵坐标(j,k)对应的距离和方位角信息，结合雷达站的经纬度坐标，计算Mti(j,k)在经纬度平面上的坐标投影α(i,j,k)和β(i,j,k)，具体计算公式如下：
定义Mti(j,k)对应的距离、方位角以及俯仰角分别为R(j)、φ(k)和θ(i)，雷达站s的经纬度坐标为α(s)和β(s)，则一个数据单元Mti(j,k)在经纬度平面上的投影坐标α(i,j,k)和β(i,j,k)采用如下公式进行计算：
其中ER为地球半径参数，定义为6371200米，上述公式中距离R(j)的单位为米，角度φ(k)和θ(i)的单位为度。
若{α(i,j,k),β(i,j,k)}在图像单元I(m,n)的经纬度坐标范围内(即判断{α(i,j,k),β(i,j,k)}是否落在公式(8)计算得到的四个顶点围成矩形内)，则将数据单元Mti(j,k)中的对应目标特性信息存入图像单元I(m,n)对应的数据池数组Dmnt，该数据池数组定义为Dmnt＝[D1,D2,...,DM],其中M为图像单元I(m,n)经纬度范围内包含飞鸟目标的数据单元的个数，Di中包含各类型的雷达目标特性数据Di＝[Z,ZDR,ΨDP,ρHV,V,σ]。
步骤四、多雷达站鸟情信息融合
对于时间采样点t，其对应的鸟情融合图像可以表示为It。若图像单元It(m,n)对应的数据池数组Dmnt为空数组，则表明该图像单元内不包含飞鸟目标，可将该图像单元赋值为无效值(NULL)。若数据池数组非空，则表明It(m,n)内包含飞鸟目标，可根据数据池数组Dmnt的大小或者某个目标特性的统计值进行描述。
本实施例中采用Dmnt数组中的反射率Z的统计平均值来描述对应图像单元内飞鸟目标的空间密度，即利用下式对It(m,n)进行赋值：
/>
上式中，用每个图像单元的反射率Z的统计平均值表示该图像单元内飞鸟目标的空间密度，其不是绝对的密度数值，但是是一种密度的量化描述方法。
如果计算的是Dmnt数组中的径向速度V的统计平均值，则其表示的是该图像单元内所有飞鸟目标的整体运动速度特征。相应的，采用不同目标特征得到的统计平均值表示了不同的含义。
为便于在采样时间段{ti|i＝1,2,...,K}内直观的表征鸟情活动规律，可在生成全部图像单元对应的数值(本实施例中即各个图像单元的空间密度)之后采用归一化处理方法绘制鸟情信息融合图像(采用现有技术即可根据每个图像单元的空间密度绘制鸟情信息融合图像，在此不再赘述。)。
进一步，还可以利用多帧鸟情信息融合图像形成动画，即将每个时间采样点对应的鸟情信息融合图像作为动画的一帧，将某连续时间采样点范围内鸟情信息融合图像依次显示，即实现了动画演示。
步骤一到步骤三是对每个雷达站采集的数据分别进行处理，步骤四是将多个雷达站的信息进行融合。
采用一种目标特性即可以实现融合图像的生成，采用六种目标特性可以生成六种融合图像，它们相互之间是独立的，如图5-1到图5-6所示。图5-1到图5-6分别描述了本实施例中采用的气象雷达数据中包含的六类飞鸟目标的目标特性在经纬度平面上的鸟情信息融合图像，图5-1至图5-6中横坐标为经度、纵坐标为纬度。六类飞鸟目标特性分别为反射率、差分相位、差分反射率、径向速度、相关系数以及谱宽度。其中每幅图中的每个图像单元中的数值为对应目标特性数据池数组中全部目标特性数值的平均值。
本发明方法的实施例如下：
结合2017年9月24日气象雷达提供的13个雷达站的观测数据对本发明提方法进行图示和描述。本发明基于气象雷达二级数据文件的鸟情信息提取，可实现不同时间尺度下多气象雷达站观测鸟情的有效融合，其流程图如图1所示，本实施例的具体步骤如下：
步骤1，气象雷达二级数据文件格式转换与信息提取
选定某时间段内气象雷达站的观测数据作为样本数据。定义二级数据文件对应的离散时间序列为{ti|i＝1,2,...,12}，定义雷达站集合{S(i)|i＝1,2,...,11}。定义俯仰角θ下数据矩阵为Mθ。矩阵元素Mθ(j,k)对应的数据单元包含如下目标特性信息，如表1所示：
表1
原始数据矩阵M中存在较多的无效观测数据单元，对鸟情信息的提取以及融合造成运算资源浪费，亦会降低鸟情分布图像的经纬度区域划分精度。气象雷达二级数据文件中对不同目标特性的无效观测值定义如表2所示。
在俯仰角θ下，目标特性x的数值矩阵Mxθ的第i行对应观测距离单元[Rθ(i),Rθ(i+1)]内的全方位角观测信息。由于雷达观测的有效探测距离在绝大多数情况下与方位角关联性较弱，若雷达在[Rθ(i),Rθ(i+1)]范围内已经无法提供有效观测数据，则Mxθ第i行中绝大多数数据应该为无效值。定义Mxθ第i行中的无效数据个数为Cθx(i)，且根据Mxθ的定义0<＝Cθx(i)<＝720。
例如，首先找到Cθx(i)数值大于600的一行，将该行对应的距离因子i(即第i行)标记为Iθx，然后以Iθx行为起点，统计后续20个连续距离单元对应的Cθx(i)值，然后判断后续20个连续距离单元中是否有80％以上(即16个距离单元以上)的距离单元对应的Cθx(i)值仍然大于600，如果是，则判定Iθx为雷达在俯仰角θ下目标特性x的最大有效距离因子，对应的实际探测距离为：
Rmax(θ,x)＝2125+(Iθx-1)×250 (1)
如果否，则移至下一行并重复上述步骤直到找到符合上述条件的行。
不同目标特性x的有效探测距离存在细微差别，在获取全部目标特性的最大有效距离因子后，取其中的最小值Iθ＝min{Iθx│x＝Z,ZDR,ΨDP,ρHV,V,σ}作为俯仰角θ下数值矩阵Mxθ在距离维度的上限，滤除掉原数值矩阵中的无效数据单元，实现雷达极化特征信息的有效压缩。根据本实施例所选取的气象雷达二级数据文件提供信息，最大有效距离因子为439。
步骤二、构建鸟情信息成像空间区域
计算各个雷达站之间在经纬度平面上的距离：
其中R为地球赤道的近似半径6378千米，(α1,β1)和(α2,β2)分别对应雷达站S1和S2所在位置的经纬度信息。假设雷达站之间有效扫描区域无重叠，各雷达站在经纬度维度上的实际有效覆盖半径可用下式进行计算：
U(Si)＝min(D(Si,Sj)) i≠j (3)
对于雷达站Si，其有效覆盖区域内图像单元对应的经纬度坐标可用下式进行计算：
其中(αi，βi)对应雷达站Si的经纬度坐标，Δα和Δβ为鸟情融合图像在纬度和经度上的分辨率，m和n分别为图像单元以(αi，βi)为原点对应的坐标。应用公式(3)和(4)计算雷达站Si对应的覆盖边界的经纬度坐标并以数组的形式存储为和/>区域边界信息可用矩形在经纬度平面上的四个顶点坐标进行描述：/>
根据上述图像边界的定义，结合经纬度信息，可定义鸟情融合图像数值矩阵为I，每个图像单元可表示为I(m,n)，其中
和/>为全部N个雷达站覆盖范围内的经纬度信息集合，具体定义为
根据本实施例采用的气象雷达二级文件提供信息，雷达成像区域的经度范围在(-80，-67.7)，纬度范围在(38.4，45.3)。经纬度分辨率Δα和Δβ分别为0.005和0.002，对应图像融合矩阵的维度为2460*3450，其中2460＝|-80-(-67.7)|/经度分辨率(0.005)，3450＝|45.3-38.4|/纬度分辨率(0.002))。
步骤三、飞鸟目标提取与图像坐标转换
基于数值矩阵Mxθ中提供的各类目标特性信息，可采用模糊逻辑分类方法构建不同类型目标特性的概率分布模型，结合权重分配算法做出目标类别判断。定义成员函数P(i)(Vj)为第j类目标特性Vj对应第i类目标的概率。对于第i类目标，其极化特征Vj对应的概率值可用梯形函数描述，如图4定义。
其中飞鸟目标与其他类型目标的梯形概率分布参数定义如表3所示，其中列出了常见三类典型目标各类极化特征的概率分布参数。对于某未知类型目标的极化特征V＝{Vj|j＝1,2,…,6}，其对应的第i类目标的综合判定概率为：
其中w(i,j)为权值矩阵元素，表示目标特性Vj在第i类目标识别判定中的重要性。表3给出了典型目标(飞鸟、降水、地杂波)的三类极化特征的梯形概率参数定义，其中降水目标梯形概率参数中的f1和f2定义如下：
f1(Z)＝-0.5+2.5*10-3Z+7.5*10-4Z2
f2(Z)＝0.68-4.81*10-2Z+2.92*10-3Z2 (7)
飞鸟与典型目标权值定义如表4所示。
将识别结果判定为飞鸟的观测数据单元定义为Mti(j,k)，其中t对应时间信息，i为雷达俯仰角的坐标信息，可根据矩阵坐标(i,j)对应的距离和方位角信息，结合雷达站的经纬度坐标，计算Mti(j,k)在经纬度平面上的坐标投影α(i,j,k)和β(i,j,k)。对于图像单元I(m,n)，结合经纬度的分辨率Δα和Δβ可进一步划定每个图像单元I(m,n)对应的经纬度坐标范围。若{α(i,j,k),β(i,j,k)}在图像单元I(m,n)的经纬度坐标范围内，则将观测数据单元Mti(j,k)中的对应目标特性信息存入图像单元I(m,n)对应的数据池数组Zmnt中。
步骤四、多雷达站鸟情信息融合
本发明提出的鸟情信息融合与成像算法涉及某一时间段内多个离散时间点的鸟情图像绘制，在每个时间采样点对应的图像可作为动画的一帧，从而实现某连续时间采样点范围内鸟情分布的动画演示。对于时间采样点t，其对应的鸟情融合图像可以表示为It。若图像单元It(m,n)对应的数据池数组Zmnt为空数组，则表明该图像单元内不包含飞鸟目标，可将该图像单元赋值为无效值(NULL)。若数据池数组非空，则表明It(m,n)内包含飞鸟目标，可根据数据池数组Zmnt的大小或者其他目标特性的统计值进行描述。本发明采用Zmnt数组中反射率信息的统计平均值来描述对应图像单元内飞鸟目标的空间密度：
为便于在采样时间段{ti|i＝1,2,...,12}内直观的表征鸟情活动规律，可在生成全部图像单元对应数据之后采用归一化处理绘制鸟情信息融合图像以及对应的鸟情信息动画。
最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (3)

1.一种多雷达站鸟情信息融合以及成像方法，其特征在于：所述方法首先获取特定时间段内多个雷达站的二级数据文件并对鸟情融合图像进行初始化设定，然后根据各个雷达站提取的鸟情信息和二维空间信息生成鸟情融合图像中每个图像单元对应的数据池数组，最后根据鸟情融合图像中每个图像单元的经纬度信息及其对应的数据池数组绘制鸟情融合图像；
所述方法包括：
步骤一、对气象雷达二级数据文件进行格式转换与信息提取，获得有效的数据单元；
步骤二、构建鸟情融合图像，获得鸟情融合图像的四个顶点的坐标以及鸟情融合图像中每个图像单元的四个顶点的坐标；
步骤三、进行飞鸟目标提取获得包含飞鸟目标的数据单元，并根据包含飞鸟目标的数据单元以及每个图像单元的经纬度信息获得每个图像单元对应的数据池数组；
步骤四、根据每个图像单元对应的数据池数组进行多雷达站鸟情信息融合获得鸟情融合图像；
所述步骤二的操作包括：
(21)计算每个雷达站的有效覆盖区域；
(22)根据每个雷达站的有效覆盖区域构建鸟情信息成像空间区域，即获得鸟情融合图像的四个顶点；
(23)计算鸟情融合图像中每个图像单元的四个顶点；
所述步骤(21)的操作包括：
(211)以雷达站Si为圆心，以下式计算得到的值作为半径画圆：
U(Si)＝min(D(Si,Sj))i≠j
其中，U(Si)为雷达站Si对应的半径，D(si,sj)为雷达站之间在经纬度平面上的距离，通过下式计算获得：
其中，R为地球赤道的近似半径，(αi，βi)和(αj，βj)分别对应雷达站Si和Sj所在位置的经纬度信息，其中α表示经度，β表示纬度；
(212)利用下式计算获得雷达站Si的有效覆盖区域内所有点的坐标：
其中，Δα和Δβ分别为鸟情融合图像在经度和纬度上的分辨率，m和n均为整数；
(213)从步骤(212)计算得到的所有点中找到步骤(211)画出的圆的内接正方形的四个顶点，并将这四个顶点的经度记在集合中，将这四个点的纬度记在集合/>中；
(214)利用下式获得雷达站Si的有效覆盖区域的四个顶点的坐标：
其中，BTR(i)、BTL(i)、BBR(i)、BBL(i)分别表示雷达站Si的有效覆盖区域的右上、左上、右下、左下四个顶点的坐标；
所述步骤(22)的操作包括：
利用下式获得鸟情融合图像的四个顶点的坐标：
BTR＝{max(BTR(i)),max(BTR(i))}
BTL＝{max(BTL(i)),min(BTL(i))}
BBR＝{min(BBR(i)),max(BBR(i))}
BBL＝{min(BBL(i)),min(BBL(i))}
其中，i＝{1,2,…,N}；
BTR、BTL、BBR、BBL分别表示鸟情融合图像的右上、左上、右下、左下四个顶点的坐标；
所述步骤(23)的操作包括：
定义鸟情融合图像的数值矩阵为I，鸟情融合图像中的每个图像单元表示为I(m,n)；
利用下式获得每个图像单元I(m,n)的四个顶点的坐标：
TR(m,n)＝{m·Δα,n·Δβ}
TL(m,n)＝{(m-1)·Δα,n·Δβ}
BR(m,n)＝{m·Δα,(n-1)·Δβ}
BL(m,n)＝{(m-1)·Δα,(n-1)·Δβ}
其中，TR(m,n)、TL(m,n)、BR(m,n)、BL(m,n)分别表示图像单元I(m,n)的右上、左上、右下、左下四个顶点的坐标；
所述步骤三的操作包括：
(31)利用目标特性判断步骤一获得的有效的数据单元中的各个数据单元内是否包含飞鸟目标，如果是，则将对应的数据单元标记为包含飞鸟目标的数据单元；
(32)将标记为包含飞鸟目标的数据单元定义为Mti(j,k)，其中t表示时间，i表示第i个仰角，利用下式获得Mti(j,k)在经纬度平面上的坐标投影α(i,j,k)和β(i,j,k)：
其中ER为地球半径参数，R(j)、φ(k)和θ(i)分别为Mti(j,k)对应的距离、方位角以及俯仰角，α(s)和β(s)为雷达站s的经纬度坐标；
(33)判断{α(i,j,k),β(i,j,k)}是否在图像单元I(m,n)内，如果是，则将数据单元Mti(j,k)对应的目标特性存入图像单元I(m,n)对应的数据池数组Dmnt；所述数据池数组Dmnt的定义为：Dmnt＝[D1,D2,...,DM],其中M为图像单元I(m,n)内的包含飞鸟目标的数据单元的个数，Di中包含各类型的目标特性的数据Di＝[Z,ZDR,ΨDP,ρHV,V,σ]，其中，Z为反射率、ZDR为差分反射率、ΨDP为差分相位、ρHV为相关系数、V为径向速度、σ为谱宽度；
所述步骤四的操作包括：
对于时间采样点t，其对应的鸟情融合图像表示为It；
若图像单元It(m,n)对应的数据池数组Dmnt为空数组，则表明It(m,n)内不包含飞鸟目标，将该It(m,n)的数值赋值为无效值；
若图像单元It(m,n)对应的数据池数组Dmnt不是空数组，则表明It(m,n)内包含飞鸟目标，并计算数据池数组Dmnt的大小或者一个目标特性的统计值，并将数据池数组Dmnt的大小或者一个目标特性的统计值作为It(m,n)的数值；
利用所有图像单元的数值并采用归一化处理方法绘制得到鸟情信息融合图像。
2.根据权利要求1所述的多雷达站鸟情信息融合以及成像方法，其特征在于：所述步骤一的操作包括：
(11)根据事先指定的鸟情观测区域选择出该区域内的所有雷达站；
(12)对每个雷达进行以下操作：
定义气象雷达二级数据文件对应的离散时间序列为{ti|i＝1,2,...,K}，其中K表示离散时间点的个数；定义N为雷达站的个数；
在特定雷达扫描俯仰角θ下，定义数据矩阵为Mθ，矩阵元素Mθ(j,k)对应的数据单元包含多个目标特性x，每个目标特性x的数值矩阵为Mxθ；
(13)确定每个Mxθ中每行的无效数据的个数：
定义Mxθ的第i行中的无效数据的个数为Cθx(i)；
判断Mxθ中的数据的值是否等于该目标特性x的无效值，如果是，则判定该数据为无效数据，如果否，则判定该数据不是无效数据；
依次统计Mxθ中每行中的无效数据的个数，记为Cθx(i)；
(14)利用每个Mxθ中每行的无效数据的个数获得有效的数据单元，具体如下：
(141)首先针对每个Mxθ进行如下处理：
从Mxθ中的第一行开始搜索直到找到满足以下条件的行后停止搜索，并将该行标记为目标特性x的最大有效距离因子Iθx：该行对应的Cθx(i)的数值大于门限值，且其后连续P行中至少有Q％的行对应的Cθx(i)的数值仍然大于门限值；
(142)找到所有目标特性的最大有效距离因子中的最小值，记为Iθ；
(143)将Iθ行后的所有数据单元删除，剩下的数据单元即为有效的数据单元。
3.根据权利要求2所述的多雷达站鸟情信息融合以及成像方法，其特征在于：所述目标特性包括：雷达观测距离R、方位角φ、俯仰角θ、扫描时间t、反射率Z、径向速度V、差分反射率ZDR、差分相位ΨDP、相关系数ρHV、谱宽度σ；
所述目标特性x的无效值如下：
反射率Z的无效值为-33、径向速度V的无效值为-64.5、差分反射率ZDR的无效值为-0.7052、差分相位ΨDP的无效值为-8、相关系数ρHV的无效值为0.20167、谱宽度σ的无效值为-64.5。
CN202110408620.9A 2021-04-16 2021-04-16 一种多雷达站鸟情信息融合以及成像方法 Active CN113468947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110408620.9A CN113468947B (zh) 2021-04-16 2021-04-16 一种多雷达站鸟情信息融合以及成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110408620.9A CN113468947B (zh) 2021-04-16 2021-04-16 一种多雷达站鸟情信息融合以及成像方法

Publications (2)

Publication Number Publication Date
CN113468947A CN113468947A (zh) 2021-10-01
CN113468947B true CN113468947B (zh) 2023-07-18

Family

ID=77868475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110408620.9A Active CN113468947B (zh) 2021-04-16 2021-04-16 一种多雷达站鸟情信息融合以及成像方法

Country Status (1)

Country Link
CN (1) CN113468947B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414006A (zh) * 2008-11-28 2009-04-22 北京航空航天大学 一种基于雷达图像的飞鸟目标识别与跟踪方法
CN101697007A (zh) * 2008-11-28 2010-04-21 北京航空航天大学 一种基于雷达图像的飞鸟目标识别与跟踪方法
EP2980756A1 (en) * 2013-03-28 2016-02-03 Nec Corporation Bird detection device, bird detection system, bird detection method, and program
CN108254747A (zh) * 2017-12-04 2018-07-06 国网江西省电力有限公司电力科学研究院 一种基于雷达的鸟群监测方法
CN108710126A (zh) * 2018-03-14 2018-10-26 上海鹰觉科技有限公司 自动化探测驱逐目标方法及其系统
CN110929692A (zh) * 2019-12-11 2020-03-27 中国科学院长春光学精密机械与物理研究所 一种基于多传感器信息融合的三维目标检测方法及装置
CN111011354A (zh) * 2019-12-30 2020-04-17 华通科技有限公司 阵列式综合驱鸟系统
CN111158013A (zh) * 2019-12-30 2020-05-15 华通科技有限公司 多算法融合探鸟系统
CN111401168A (zh) * 2020-03-06 2020-07-10 上海神添实业有限公司 一种无人机的多层雷达特征提取与选择方法
CN111507498A (zh) * 2019-08-13 2020-08-07 中国民航科学技术研究院 鸟类迁徙预警方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030053659A1 (en) * 2001-06-29 2003-03-20 Honeywell International Inc. Moving object assessment system and method
US7864103B2 (en) * 2007-04-27 2011-01-04 Accipiter Radar Technologies, Inc. Device and method for 3D height-finding avian radar
CA3079864C (en) * 2011-09-09 2022-06-21 Accipiter Radar Technologies, Inc. Device and method for 3d sampling with avian radar

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414006A (zh) * 2008-11-28 2009-04-22 北京航空航天大学 一种基于雷达图像的飞鸟目标识别与跟踪方法
CN101697007A (zh) * 2008-11-28 2010-04-21 北京航空航天大学 一种基于雷达图像的飞鸟目标识别与跟踪方法
EP2980756A1 (en) * 2013-03-28 2016-02-03 Nec Corporation Bird detection device, bird detection system, bird detection method, and program
CN108254747A (zh) * 2017-12-04 2018-07-06 国网江西省电力有限公司电力科学研究院 一种基于雷达的鸟群监测方法
CN108710126A (zh) * 2018-03-14 2018-10-26 上海鹰觉科技有限公司 自动化探测驱逐目标方法及其系统
CN111507498A (zh) * 2019-08-13 2020-08-07 中国民航科学技术研究院 鸟类迁徙预警方法及装置
CN110929692A (zh) * 2019-12-11 2020-03-27 中国科学院长春光学精密机械与物理研究所 一种基于多传感器信息融合的三维目标检测方法及装置
CN111011354A (zh) * 2019-12-30 2020-04-17 华通科技有限公司 阵列式综合驱鸟系统
CN111158013A (zh) * 2019-12-30 2020-05-15 华通科技有限公司 多算法融合探鸟系统
CN111401168A (zh) * 2020-03-06 2020-07-10 上海神添实业有限公司 一种无人机的多层雷达特征提取与选择方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Classification of drones and birds using convolutional neural networks applied to radar micro-Doppler spectrogram images;Samiur Rahman等;《IET Radar, Sonar & Navigation》;第第14卷卷(第第5期期);第653-791页 *
基于两种扫描方式的雷达探鸟系统;陈唯实等;《北京航空航天大学学报》;第35卷(第03期);第380-383页 *
机场探鸟雷达技术发展与应用综述机场探鸟雷达技术发展与应用综述;陈唯实等;《航空学报》;第第43卷卷(第第01期期);第184-204页 *

Also Published As

Publication number Publication date
CN113468947A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
Han et al. Convolutional neural network for convective storm nowcasting using 3-D Doppler weather radar data
CN113128134B (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
CN108038445B (zh) 一种基于多视角深度学习框架的sar自动目标识别方法
Landgrebe Hyperspectral image data analysis
Kim et al. Point-based classification of power line corridor scene using random forests
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN110097101B (zh) 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法
Jensen Spectral and textural features to classify elusive land cover at the urban fringe
Jin et al. A point-based fully convolutional neural network for airborne lidar ground point filtering in forested environments
KR102540762B1 (ko) 위성영상을 이용한 저수지 모니터링 방법
CN106951909A (zh) 一种gf‑4卫星遥感影像的积雪识别方法
Ouchra et al. A comparative study on pixel-based classification and object-oriented classification of satellite image
CN114299318A (zh) 一种快速点云数据处理和目标图像匹配的方法及系统
Feng et al. Land-cover classification of high-resolution remote sensing image based on multi-classifier fusion and the improved Dempster–Shafer evidence theory
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
CN113468947B (zh) 一种多雷达站鸟情信息融合以及成像方法
Lu et al. Convolutional neural networks for hydrometeor classification using dual polarization Doppler radars
Agmalaro et al. Sentinel 1 classification for garlic land identification using Support Vector Machine
Haris et al. COMPARISON OF SENTINEL-2 AND MULTITEMPORAL SENTINEL-1 SAR IMAGERY FOR MAPPING AQUACULTURE POND DISTRIBUTION IN THE COASTAL REGION OF BREBES REGENCY, CENTRAL JAVA, INDONESIA.
CN112668615B (zh) 一种基于深度跨尺度外推融合的卫星云图预测方法
Powar et al. An Evaluation of Pixel-based and Object-based Classification Methods for Land Use Land Cover Analysis Using Geoinformatic Techniques
Kilpatrick et al. Unsupervised classification of Antarctic satellite imagery using Kohonen's self-organising feature map
Szuster Blob extraction algorithm in detection of convective cells for data fusion
Khan et al. Crop Type Classification using Multi-temporal Sentinel-2 Satellite Imagery: A Deep Semantic Segmentation Approach
Lakshmanan et al. A fuzzy logic approach to detecting severe updrafts

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