CN114814991A - 一种气象要素场空间分布区域的识别方法及装置 - Google Patents

一种气象要素场空间分布区域的识别方法及装置 Download PDF

Info

Publication number
CN114814991A
CN114814991A CN202210738352.1A CN202210738352A CN114814991A CN 114814991 A CN114814991 A CN 114814991A CN 202210738352 A CN202210738352 A CN 202210738352A CN 114814991 A CN114814991 A CN 114814991A
Authority
CN
China
Prior art keywords
image
meteorological
pixel
observation data
characteristic
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
Application number
CN202210738352.1A
Other languages
English (en)
Inventor
蔡宏珂
祝宣浩
毛雅琴
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information 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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202210738352.1A priority Critical patent/CN114814991A/zh
Publication of CN114814991A publication Critical patent/CN114814991A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Computational Linguistics (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了一种气象要素场空间分布区域的识别方法及装置，属于气象预报技术领域。基于本申请提出的方法可以快速拟合并识别高低温、降水等气象要素场空间分布区域，基于时间参数和气象观测数据，能够实现对重点时段、重点区域的对流天气的临近预报，且该天气预报是气象要素观测对象基于时间序列的演变过程推论得到的，而不是区域范围内概率性的预报结果，准确率较高，可基于识别结果应对天气变化并进行预警，也可用于研究影响天气形成变化的机理。

Description

一种气象要素场空间分布区域的识别方法及装置
技术领域
本发明主要涉及气象预报技术领域，具体地说，涉及一种气象要素场空间分布区域的识别方法及装置。
背景技术
在全球气候变化的大背景下，近些年来极端天气出现频率越来越高。当前热浪席卷全球，不少地区出现极端高温，改变了以往的大气环流方式，是造成以上极端天气的重要原因之一。气象防灾减灾对灾害性天气和气象灾害的监测、预报和预警能力提出了越来越高的要求，对重点时段、重点区域的对流天气临近预报的需求更为迫切。但是，如现有的降雨量预报主要是一个区域范围内概率性的预报结果，准确率较低。
发明内容
本发明的目的在于提供一种气象要素场空间分布区域的识别方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种气象要素场空间分布区域的识别方法，包括：
获取至少两个不同时间参数对应的气象观测数据。
基于所有的所述气象观测数据、所述时间参数和预设分类条件，得到像元集合，所述像元集合为不同所述时间参数下对应的第一目标集合，所述第一目标集合包含至少一个第一像元，每个所述第一像元是基于所述气象观测数据和所述预设分类条件得到的特征像元和非特征像元的二值化图像；所述预设分类条件为基于气象要素的天气现象的等级划分条件。
基于所述像元集合，利用区域分裂合并算法分别对每个所述第一目标集合中相邻的所述特征像元进行合并，得到特征区域。
基于所有的所述特征区域和所述时间参数，得到第一图像和第二图像，所述第一图像和所述第二图像分别为不同所述时间参数对应的所述特征区域的拟合图形；所述拟合图形是基于所述特征区域进行图形模拟后得到的图像。
基于所述第一图像与所述第二图像，利用限定搜索半径的区域中心邻近搜索算法识别不同所述时间参数对应的气象要素场空间分布区域是否为同一气象观测对象。
第二方面，本申请还提供了一种气象要素场空间分布区域的识别装置，包括获取模块、第一分类模块、第二分类模块、拟合模块和识别模块，其中：
获取模块：用于获取至少两个不同时间参数对应的气象观测数据；
第一分类模块：用于基于所有的所述气象观测数据、所述时间参数和预设分类条件，得到像元集合，所述像元集合为不同所述时间参数下对应的第一目标集合，所述第一目标集合包含至少一个第一像元，每个所述第一像元是基于所述气象观测数据和所述预设分类条件得到的特征像元和非特征像元的二值化图像；所述预设分类条件为基于气象要素的天气现象的等级划分条件；
第二分类模块：用于基于所述像元集合，利用区域分裂合并算法分别对每个所述第一目标集合中相邻的所述特征像元进行合并，得到特征区域；
拟合模块:用于基于所有的所述特征区域和所述时间参数，得到第一图像和第二图像，所述第一图像和所述第二图像分别为不同所述时间参数对应的所述特征区域的拟合图形；所述拟合图形是基于所述特征区域进行图形模拟后得到的图像；
识别模块:用于基于所述第一图像与所述第二图像，利用限定搜索半径的区域中心邻近搜索算法识别不同所述时间参数对应的气象要素场空间分布区域是否为同一气象观测对象。
本申请的有益效果为：
基于本申请提出的方法可以快速拟合并识别高低温、降水等气象要素场空间分布区域，基于时间参数和气象观测数据，能够实现对重点时段、重点区域的对流天气的临近预报，且该天气预报是气象要素观测对象基于时间序列的演变过程推论得到的，而不是区域范围内概率性的预报结果，准确率较高，可基于识别结果应对天气变化并进行预警，也可用于研究影响天气形成变化的机理。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请一些实施例所示的气象要素场空间分布区域的识别方法的流程框图；
图2是根据本申请的一些实施例所示的气象要素场空间分布区域的识别装置的结构示意图。
图中：100、识别装置；110、获取模块；120、第一分类模块；121、预处理单元；122、划分单元；123、标记单元；124、集合单元；130、第二分类模块；131、分割单元；132、编号单元；133、判断单元；134、排序单元；140、拟合模块；141、提取单元、142、更新单元；143、拟合单元；150、识别模块；151、第一计算单元；152、第二计算单元；153、第三计算单元；154、第四计算单元。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。应当理解，给出这些示例性的实施例仅仅是为了使相关领域的技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
实施例1
参见图1，图1所示为本实施例中气象要素场空间分布区域的识别方法的流程框图。本实施例提供了一种气象要素场空间分布区域的识别方法，本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取至少两个不同时间参数对应的气象观测数据。
可以理解的是，在本步骤中，基于气象卫星所载的各种气象遥感器实时地接收和测量地球及其大气层的可见光、红外和微波辐射，并将其转换成电信号传送给地面的观测站，观测站将气象卫星传来的电信号复原，绘制成各种云层、地面和海面图片，其中气象卫星观测的数据包括卫星云图原始数据、GPS原始数据、陆地表面状况原始数据和气象要素对应数值原始数据等，气象要素对应数值数据可以是降水数据、大气温度数据等等。本实施例中，基于气象卫星遥感技术至少采集两个不同时次下的气象观测数据，假设以雨团数据为例，每间隔1小时采集一次气象观测数据，分别为上午9点和10点的雨团数据。
步骤S2、基于所有的所述气象观测数据、所述时间参数和预设分类条件，得到像元集合，所述像元集合为不同所述时间参数下对应的第一目标集合，所述第一目标集合包含至少一个第一像元，每个所述第一像元是基于所述气象观测数据和所述预设分类条件得到的特征像元和非特征像元的二值化图像；所述预设分类条件为基于气象要素的天气现象的等级划分条件。
可以理解的是，在本步骤中，基于时间参数将同一时刻的气象观测数据划分至第一像元集合中，第一像元是基于气象观测数据、预设分类条件将观测数据图像化处理后，得到的关于特征像元和非特征像元的二值化图像。预设分类条件的判定标准包括：如地面温度高于30℃判定为高温像元、低于0℃判定为低温像元、降水强度大于0.1mm/h判定为降水像元，降水强度大于50mm/h判定为强降水像元等等。
进一步地，步骤S2包括步骤S21、步骤S22、步骤S23和步骤S24，其中：
步骤S21、基于预设第一条件对所有的所述气象观测数据进行剔除，得到剔除后的所述气象观测数据，所述第一条件为基于气象要素的异常值阈值范围。
可以理解的是，在本步骤中，基于气象要素数据采集的经验值设置不同的异常值阈值范围，并剔除该异常值阈值范围内的所有气象观测数据，避免由于监测设备掉线、传感器失灵、网络传输中断、更换监测设备等原因导致异常值出现，进而影响到监测对象评估的准确性。
步骤S22、基于所述时间参数和剔除后的所述气象观测数据，得到至少两个第一目标集合，每个所述第一目标集合包含同一所述时间参数的所有所述气象观测数据。
可以理解的是，在本步骤中，将剔除异常值后剩余的气象观测数据，根据每个气象观测数据对应的时间参数，将同一时刻对应的气象观测数据分为同一个第一目标集合，即上述在9点和10点对应的第一目标集合。
步骤S23、分类标记：基于每个所述第一目标集合，分别判断所述气象观测数据是否满足所述预设分类条件，若所述气象观测数据满足所述预设分类条件则为所述特征像元并标记为第一标签；若所述气象观测数据不满足所述预设分类条件则为所述非特征像元并标记为第二标签。
可以理解的是，在本步骤中，根据每个第一目标集合，分别判断第一目标集合中的每个气象观测数据是否满足预设分类条件，若满足则说明该气象观测数据是将要进行研究的目标并将其标记为第一标签，不满足则说明他不是此次研究目标的非特征像元，并将其标记为第二标签。特征像元和非特征像元构成第一像元，基于第一标签和第二标签对每个第一目标集合进行图像化处理，得到对应的二值化图像。
步骤S24、基于所有的所述第一目标集合，分别进行所述分类标记，得到所述像元集合。
可以理解的是，在本步骤中，根据上述步骤S23分别对每个第一目标集合中的第一像元进行标记，标记后的所有的第一目标集合基于时间参数构成像元集合。
步骤S3、基于所述像元集合，利用区域分裂合并算法分别对每个所述第一目标集合中相邻的所述特征像元进行合并，得到特征区域。
可以理解的是，在本步骤中，根据每个第一目标集合对应的二值化图像，并利用区域分裂合并算法分别对二值化图像上相关联的特征像元进行合并得到特征区域，以减少对非特征像元的观测，提高最终识别的速率和精度。
进一步地，上述步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34，其中：
步骤S31、基于所述像元集合和所述第二标签，分别对每个所述第一像元进行分割，得到分割像元集合，所述分割像元集合为所述第一目标集合中所有的所述特征像元的集合。
可以理解的是，在本步骤中，根据第二标签在二值化图像中所述的位置情况，分别对每个第一目标集合对应的二值化图像进行分割，将二值化图像中的特征像元划分为分割像元集合。然后基于这种分割方法对所有的第一目标集合进行分割。
步骤S32、基于每个所述第一目标集合，分别对每个所述分割像元集合中的所述特征像元逐行顺序编号。
可以理解的是，在本步骤中，对同一时间参数下的分割像元中所包含的特征像元，根据其所述地理位置按照从上到下的方向，逐行一一顺序编号。
步骤S33、逐行遍历所述编号对应的所述特征像元的区域，判断相邻两行所述特征像元是否连通，若相邻两行所述特征像元连通则合并两个所述特征像元的区域，并更新编号为两个所述特征像元对应的所述编号的最小值。
可以理解的是，在本步骤中，利用连通域分析算法分别判断相邻两行的特征像元之间是否连通，并将相互连通的两个特征像元对应的编号更新为同一个编号，且编号以两个特征像元之间最小编号为更新依照。本实施例中采用8邻域，在其他实施例中也可采用4邻域的连通域分析算法，具体不做限制。特别地，如果气象观测数据为全球的气象观测数据，两端坐标为首尾相接的经度0°和360°，则首尾两列判断二者连通性，取第一列和最后一列相邻特征像元的编号，相邻特征像元按最小编号合并。
步骤S34、基于更新后的所述编号，将所述特征像元按照大小顺序进行排列，得到所述特征区域。
可以理解的是，在本步骤中，基于更新后的编号按照其大小排列进行重新排列得到特征区域。
步骤S4、基于所有的所述特征区域和所述时间参数，得到第一图像和第二图像，所述第一图像和所述第二图像分别为不同所述时间参数对应的所述特征区域的拟合图形；所述拟合图形是基于所述特征区域进行图形模拟后得到的图像。
可以理解的是，在本步骤中，对同一时间参数的特征区域进行拟合，分别得到第一图像和第二图像，如第一图像为9点对应的特征区域的拟合图，第二图像为10点对应的特征区域的拟合图。
步骤S4包括步骤S41、步骤S42和步骤S43，其中：
步骤S41、基于每个所述特征区域建立正交曲线坐标系，得到拟合关键点信息，所述拟合关键点信息是所述特征区域边界点距离所述正交曲线坐标系最远的四个点的位置信息，且所述特征区域的几何中心点为所述正交曲线坐标系原点。
可以理解的是，在本步骤中，以特征区域的几何中心点为正交曲线坐标系的原点建立二维坐标系，然后基于特征区域边界点找到距离正交曲线坐标系中X轴最左侧、最右侧的两个端点位置信息，以及Y轴最上侧、最下侧的两个端点位置信息，四个端点对应的位置信息构成拟合关键点信息。本实施例中，假设上述左、右、上、下的四个点及其位置信息分别对应为A（X1，Y1）、B（X2，Y2）、C（X3，Y3）、D（X4,Y4）。
步骤S42、基于每个所述拟合关键点信息，得到更新后的所述拟合关键点信息，更新后的所述拟合关键点信息为所述拟合关键点信息加上预设固定值后得到的参数。
可以理解的是，在本步骤中，考虑到气象图中每个像元具有一定的长宽尺寸，且该尺寸都具有实际意义，因而本实施例中分别对拟合关键点信息中的每个位置信息加上预设固定值，得到更新后的拟合关键点信息，即更新后的四个端点的A（X1+0.5，Y1）、B（X2+0.5，Y2）、C（X3，Y3+0.5）、D（X4,Y4+0.5）位置信息。
步骤S43、基于每个所述第一像元集合和每个更新后的所述拟合关键点信息，利用最小外接矩形或最小外接椭圆算法进行拟合，分别得到所述第一图像和所述第二图像。
可以理解的是，在本步骤中，针对具有连续场性质数据（如温度数据）采用长轴优先的最小外接矩形算法，而对于具有离散场性质数据（如降水数据）采用长轴优先的最小外接椭圆算法。其中，根据拟合关键点信息利用长轴优先的最小外接矩形算法进行拟合的具体步骤如下：
第一步：根据更新后的左侧点
Figure DEST_PATH_IMAGE002
和更新后的右侧点
Figure DEST_PATH_IMAGE004
确定最小外接矩形的长轴。
第二步：并过A、B两点作第一平行线组，且第一平行线组与长轴相互垂直。
第三步：过更新后的上侧点
Figure DEST_PATH_IMAGE006
和更新后的下测点
Figure DEST_PATH_IMAGE008
作与长轴平行的第二平行线组。
第四步：第一平行线组与第二平行线组构成最小外接矩形，即为特征区域的拟合图形，然后基于拟合图形确定最小外接矩形的四个顶点EFGH，然后利用双线性插值算法计算EFGH四个顶点对应的经纬度坐标。其中拟合图形的拟合函数如公式（1）-（3）所示：
Figure DEST_PATH_IMAGE010
； （1）
最小外接矩形中长轴的方程表示为：
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE014
；（2）
最小外接矩形中短轴的方程表示为：
Figure DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE018
； （3）
EFGH四顶点的索引通过双线性内插法换算得到经纬度坐标，如公式（4）所示：
Figure DEST_PATH_IMAGE020
（4）
式中：K为长轴的斜率；x1和Y1分别为更新后的A点的横、纵坐标；x2和Y2分别为更新后的B点的横、纵坐标；x3和Y3分别为更新后的C点的横、纵坐标；x4和Y4分别为更新后的D点的横、纵坐标；x和Y分别为最小外接矩形任一点的横、纵坐标。
需要说明的是，上述拟合方法中EFGH四顶点存在一种特殊情况，某个顶点算出的y轴索引值小于0或者大于n，即在y轴取值范围（即轨道边界范围）之外，表明该点在数据边界之外（常见于极轨卫星扫描数据），这类顶点称为外溢顶点，无法用内插法找到其对应的经纬度坐标。对于这些外溢顶点，利用邻近的四个轨道内像元，采用双线性外插法计算其对应的经纬度。本实施例的方法所构建的拟合图形更能贴近特征像元的实际分布范围，能够提高其识别的精准度。
另一方面，根据拟合关键点信息利用长轴优先的最小外接椭圆算法进行拟合，首先，由椭圆标准方程
Figure DEST_PATH_IMAGE022
，经平移至AB中点
Figure DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE026
并旋转使长轴与长轴AB平行，过C和D两点求解两个外接椭圆，取半短轴
Figure DEST_PATH_IMAGE028
较大的拟合椭圆为最小外接椭圆，其拟合过程如下：
椭圆半长轴为
Figure DEST_PATH_IMAGE030
，则
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
为C、D两点分别距离长轴AB的最大垂直距离。
以
Figure DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE038
为长轴端点，AB之间的中点
Figure 744595DEST_PATH_IMAGE024
为椭圆的中心，倾斜斜率为
Figure DEST_PATH_IMAGE040
，则拟合后的椭圆方程表达为：
Figure DEST_PATH_IMAGE042
代入椭圆半长轴a，解得半短轴b为：
Figure DEST_PATH_IMAGE044
代入C
Figure DEST_PATH_IMAGE046
和D
Figure DEST_PATH_IMAGE048
，求得
Figure DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE052
，取较大且小于
Figure DEST_PATH_IMAGE054
者为拟合椭圆的
Figure 347221DEST_PATH_IMAGE028
，由此得到长轴优先的最小外接椭圆方程。特别地，计算半短轴长度
Figure 674428DEST_PATH_IMAGE028
时可能存在分母为0的情况，使用特殊椭圆（圆形）进行拟合，即
Figure DEST_PATH_IMAGE056
。
上述利用长轴优先的最小外接椭圆算法进行拟合的公式中，K为长轴的倾斜斜率；x0和Y0分别为AB之间的中点对应的横、纵坐标，也是最小外接椭圆的几何中心；x1和Y1分别为更新后的A点的横、纵坐标；x2和Y2分别为更新后的B点的横、纵坐标；x3和Y3分别为更新后的C点的横、纵坐标；x4和Y4分别为更新后的D点的横、纵坐标；x和Y为最小外接椭圆任一点的横、纵坐标；a为椭圆半长轴；b为椭圆半短轴；
Figure 397534DEST_PATH_IMAGE034
为C、D两点分别距离长轴AB的最大垂直距离。
基于不同的时间参数（如上述9点和10点），利用上述拟合方法分别进行拟合，得到9点时的第一图像和10点时的第二图像。
步骤S5、基于所述第一图像与所述第二图像，利用限定搜索半径的区域中心邻近搜索算法识别不同所述时间参数对应的气象要素场空间分布区域是否为同一气象观测对象。
可以理解的是，在本步骤中，以第二图像为待识别图像，而第一图像为对比图像，基于限定搜索半径的区域中心邻近搜索算法，判断第一图像与第二图像在气象空间分布区域内是否为同一气象观测对象。
进一步地，步骤S5包括步骤S51、步骤S52、步骤S53和步骤S54，其中：
步骤S51、基于所述第一图像确定第一参数，所述第一参数为所述第一图像的几何中心点。
步骤S52、基于所述第二图像确定第二参数，所述第二参数为所述第二图像的几何中心点。
步骤S53、根据预设距离、所述第一参数和所述第二参数，得到第二目标集合，所述第二目标集合是以所述第一参数为中心，以所述预设距离为半径的范围内所有的所述第二参数对应的所述第二图像的集合。
可以理解的是，在本步骤中，以第一图像的第一参数为圆心，以40km的预设距离为搜索半径，在上述预设距离的圆形搜索范围内将第二参数对应的第二图像划分至第二目标集合。在其他实施例中，可根据不同气象要素空间分布变化速度，确定搜索半径。
步骤S54、判断所述第二目标集合中任意所述第二图像与所述第一图像的重合面积是否大于预设值，若重合面积大于预设值，则判定所述第一图像和所述第二图像在气象要素场空间分布区域是同一气象观测对象。
可以理解的是，在本步骤中，当仅有一个第二图像时，则判断第二图像与第一图像的重合面积是否大于预设值50%，若二者之间的重合面积大于预设值50%时，则判断两个观测图像是不同时间参数下的同一雨团。若第二目标集合中存在多个第二图像时，以距离第一图像最近的第二图像为观测对象，并判断其与第一图像的重合面积。若二者的重合面积小于50%时，说明二者不是同一个气象观测对象，即不是同一片雨团，基于上述方法可以进行天气预报，且可以捕捉雨团随时间的连续变化，进而研究影响天气形成变化的机理。
实施例2
请参照图2，图2所示为本实施例中气象要素场空间分布区域的识别装置100的结构示意图，该装置包括获取模块110、第一分类模块120、第二分类模块130、拟合模块140和识别模块150，其中：
获取模块110：用于获取至少两个不同时间参数对应的气象观测数据。
第一分类模块120：用于基于所有的所述气象观测数据、所述时间参数和预设分类条件，得到像元集合，所述像元集合为不同所述时间参数下对应的第一目标集合，所述第一目标集合包含至少一个第一像元，每个所述第一像元是基于所述气象观测数据和所述预设分类条件得到的特征像元和非特征像元的二值化图像；所述预设分类条件为基于气象要素的天气现象的等级划分条件。
优选地，所述第一分类模块120包括预处理单元121、划分单元122、标记单元123和集合单元124，其中：
预处理单元121：用于基于预设第一条件对所有的所述气象观测数据进行剔除，得到剔除后的所述气象观测数据，所述第一条件为基于气象要素的异常值阈值范围。
划分单元122：用于基于所述时间参数和剔除后的所述气象观测数据，得到至少两个第一目标集合，每个所述第一目标集合包含同一所述时间参数的所有所述气象观测数据。
标记单元123：用于分类标记：基于每个所述第一目标集合，分别判断所述气象观测数据是否满足所述预设分类条件，若所述气象观测数据满足所述预设分类条件则为所述特征像元并标记为第一标签；若所述气象观测数据不满足所述预设分类条件则为所述非特征像元并标记为第二标签。
集合单元124：用于基于所有的所述第一目标集合，分别进行所述分类标记，得到所述像元集合。
第二分类模块130：用于基于所述像元集合，利用区域分裂合并算法分别对每个所述第一目标集合中相邻的所述特征像元进行合并，得到特征区域。
优选地，所述第二分类模块130包括分割单元131、编号单元132、判断单元133和排序单元134，其中：
分割单元131：用于基于所述像元集合和所述第二标签，分别对每个所述第一像元进行分割，得到分割像元集合，所述分割像元集合为所述第一目标集合中所有的所述特征像元的集合。
编号单元132：用于基于每个所述第一目标集合，分别对每个所述分割像元集合中的所述特征像元逐行顺序编号。
判断单元133：用于逐行遍历所述编号对应的所述特征像元的区域，判断相邻两行所述特征像元是否连通，若相邻两行所述特征像元连通则合并两个所述特征像元的区域，并更新编号为两个所述特征像元对应的所述编号的最小值。
排序单元134：用于基于更新后的所述编号，将所述特征像元按照大小顺序进行排列，得到所述特征区域。
拟合模块140:用于基于所有的所述特征区域和所述时间参数，得到第一图像和第二图像，所述第一图像和所述第二图像分别为不同所述时间参数对应的所述特征区域的拟合图形；所述拟合图形是基于所述特征区域进行图形模拟后得到的图像。
优选地，所述拟合模块140包括提取单元141、更新单元142和拟合单元143，其中：
提取单元141：用于基于每个所述特征区域建立正交曲线坐标系，得到拟合关键点信息，所述拟合关键点信息是所述特征区域边界点距离所述正交曲线坐标系最远的四个点的位置信息，且所述特征区域的几何中心点为所述正交曲线坐标系原点。
更新单元142：用于基于每个所述拟合关键点信息，得到更新后的所述拟合关键点信息，更新后的所述拟合关键点信息为所述拟合关键点信息加上预设固定值后得到的参数。
拟合单元143：用于基于每个所述第一像元集合和每个更新后的所述拟合关键点信息，利用最小外接矩形或最小外接椭圆算法进行拟合，分别得到所述第一图像和所述第二图像。
识别模块150:用于基于所述第一图像与所述第二图像，利用限定搜索半径的区域中心邻近搜索算法识别不同所述时间参数对应的气象要素场空间分布区域是否为同一气象观测对象。
优选地，所述识别模块150包括第一计算单元151、第二计算单元152、第三计算单元153和第四计算单元154，其中：
第一计算单元151：用于基于所述第一图像确定第一参数，所述第一参数为所述第一图像的几何中心点。
第二计算单元152：用于基于所述第二图像确定第二参数，所述第二参数为所述第二图像的几何中心点。
第三计算单元153：用于根据预设距离、所述第一参数和所述第二参数，得到第二目标集合，所述第二目标集合是以所述第一参数为中心，以所述预设距离为半径的范围内所有的所述第二参数对应的所述第二图像的集合。
第四计算单元154：用于判断所述第二目标集合中任意所述第二图像与所述第一图像的重合面积是否大于预设值，若重合面积大于预设值，则判定所述第一图像和所述第二图像在气象要素场空间分布区域是同一气象观测对象。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关方法的实施例中进行了详细的描述，此处不做详细阐述说明。
应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，在本申请内容的指导下，可做出多种变化和修改。可以以各种方式组合本申请描述的示例性实施例的特征、结构、方法和其他特征，以获得另外的和/或替代的示例性实施例。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种气象要素场空间分布区域的识别方法，其特征在于，包括：
S1：获取至少两个不同时间参数对应的气象观测数据；
S2：基于所有的所述气象观测数据、所述时间参数和预设分类条件，得到像元集合，所述像元集合为不同所述时间参数下对应的第一目标集合，所述第一目标集合包含至少一个第一像元，每个所述第一像元是基于所述气象观测数据和所述预设分类条件得到的特征像元和非特征像元的二值化图像；所述预设分类条件为基于气象要素的天气现象的等级划分条件；
S3：基于所述像元集合，利用区域分裂合并算法分别对每个所述第一目标集合中相邻的所述特征像元进行合并，得到特征区域；
S4：基于所有的所述特征区域和所述时间参数，得到第一图像和第二图像，所述第一图像和所述第二图像分别为不同所述时间参数对应的所述特征区域的拟合图形；所述拟合图形是基于所述特征区域进行图形模拟后得到的图像；
S5：基于所述第一图像与所述第二图像，利用最邻近搜索算法识别不同所述时间参数对应的气象要素场空间分布区域是否为同一气象观测对象。
2.根据权利要求1所述的气象要素场空间分布区域的识别方法，其特征在于，所述基于所有的所述气象观测数据、所述时间参数和预设分类条件，得到像元集合，包括：
S21：基于预设第一条件对所有的所述气象观测数据进行剔除，得到剔除后的所述气象观测数据，所述第一条件为基于气象要素的异常值阈值范围；
S22：基于所述时间参数和剔除后的所述气象观测数据，得到至少两个第一目标集合，每个所述第一目标集合包含同一所述时间参数的所有所述气象观测数据；
S23：分类标记：基于每个所述第一目标集合，分别判断所述气象观测数据是否满足所述预设分类条件，若所述气象观测数据满足所述预设分类条件则为所述特征像元并标记为第一标签；若所述气象观测数据不满足所述预设分类条件则为所述非特征像元并标记为第二标签；
S24：基于所有的所述第一目标集合，分别进行所述分类标记，得到所述像元集合。
3.根据权利要求2所述的气象要素场空间分布区域的识别方法，其特征在于，所述的基于所述像元集合，利用区域分裂合并算法分别对每个所述第一目标集合中相邻的所述特征像元进行合并，得到特征区域包括：
S31：基于所述像元集合和所述第二标签，分别对每个所述第一像元进行分割，得到分割像元集合，所述分割像元集合为所述第一目标集合中所有的所述特征像元的集合；
S32：基于每个所述第一目标集合，分别对每个所述分割像元集合中的所述特征像元逐行顺序编号；
S33：逐行遍历所述编号对应的所述特征像元的区域，判断相邻两行所述特征像元是否连通，若相邻两行所述特征像元连通则合并两个所述特征像元的区域，并更新编号为两个所述特征像元对应的所述编号的最小值；
S34：基于更新后的所述编号，将所述特征像元按照大小顺序进行排列，得到所述特征区域。
4.根据权利要求1所述的气象要素场空间分布区域的识别方法，其特征在于，基于所有的所述特征区域和所述时间参数，得到第一图像和第二图像，包括：
S41：基于每个所述特征区域建立正交曲线坐标系，得到拟合关键点信息，所述拟合关键点信息是所述特征区域边界点距离所述正交曲线坐标系最远的四个点的位置信息，且所述特征区域的几何中心点为所述正交曲线坐标系原点；
S42：基于每个所述拟合关键点信息，得到更新后的所述拟合关键点信息，更新后的所述拟合关键点信息为所述拟合关键点信息加上预设固定值后得到的参数；
S43：基于每个第一像元集合和每个更新后的所述拟合关键点信息，利用最小外接矩形或最小外接椭圆算法进行拟合，分别得到所述第一图像和所述第二图像。
5.根据权利要求1所述的气象要素场空间分布区域的识别方法，其特征在于，基于所述第一图像与所述第二图像，利用限定搜索半径的区域中心邻近搜索算法识别不同所述时间参数对应的气象要素场空间分布区域是否为同一气象观测对象，包括：
S51：基于所述第一图像确定第一参数，所述第一参数为所述第一图像的几何中心点；
S52：基于所述第二图像确定第二参数，所述第二参数为所述第二图像的几何中心点；
S53：根据预设距离、所述第一参数和所述第二参数，得到第二目标集合，所述第二目标集合是以所述第一参数为中心，以所述预设距离为半径的范围内所有的所述第二参数对应的所述第二图像的集合；
S54：判断所述第二目标集合中任意所述第二图像与所述第一图像的重合面积是否大于预设值，若重合面积大于预设值，则判定所述第一图像和所述第二图像在气象要素场空间分布区域是同一气象观测对象。
6.一种气象要素场空间分布区域的识别装置，其特征在于，包括：
获取模块：用于获取至少两个不同时间参数对应的气象观测数据；
第一分类模块：用于基于所有的所述气象观测数据、所述时间参数和预设分类条件，得到像元集合，所述像元集合为不同所述时间参数下对应的第一目标集合，所述第一目标集合包含至少一个第一像元，每个所述第一像元是基于所述气象观测数据和所述预设分类条件得到的特征像元和非特征像元的二值化图像；所述预设分类条件为基于气象要素的天气现象的等级划分条件；
第二分类模块：用于基于所述像元集合，利用区域分裂合并算法分别对每个所述第一目标集合中相邻的所述特征像元进行合并，得到特征区域；
拟合模块:用于基于所有的所述特征区域和所述时间参数，得到第一图像和第二图像，所述第一图像和所述第二图像分别为不同所述时间参数对应的所述特征区域的拟合图形；所述拟合图形是基于所述特征区域进行图形模拟后得到的图像；
识别模块:用于基于所述第一图像与所述第二图像，利用限定搜索半径的区域中心邻近搜索算法识别不同所述时间参数对应的气象要素场空间分布区域是否为同一气象观测对象。
7.根据权利要求6所述的气象要素场空间分布区域的识别装置，其特征在于，所述第一分类模块包括：
预处理单元：用于基于预设第一条件对所有的所述气象观测数据进行剔除，得到剔除后的所述气象观测数据，所述第一条件为基于气象要素的异常值阈值范围；
划分单元：用于基于所述时间参数和剔除后的所述气象观测数据，得到至少两个第一目标集合，每个所述第一目标集合包含同一所述时间参数的所有所述气象观测数据；
标记单元：用于分类标记：基于每个所述第一目标集合，分别判断所述气象观测数据是否满足所述预设分类条件，若所述气象观测数据满足所述预设分类条件则为所述特征像元并标记为第一标签；若所述气象观测数据不满足所述预设分类条件则为所述非特征像元并标记为第二标签；
集合单元：用于基于所有的所述第一目标集合，分别进行所述分类标记，得到所述像元集合。
8.根据权利要求7所述的气象要素场空间分布区域的识别装置，其特征在于，所述第二分类模块包括：
分割单元：用于基于所述像元集合和所述第二标签，分别对每个所述第一像元进行分割，得到分割像元集合，所述分割像元集合为所述第一目标集合中所有的所述特征像元的集合；
编号单元：用于基于每个所述第一目标集合，分别对每个所述分割像元集合中的所述特征像元逐行顺序编号；
判断单元：用于逐行遍历所述编号对应的所述特征像元的区域，判断相邻两行所述特征像元是否连通，若相邻两行所述特征像元连通则合并两个所述特征像元的区域，并更新编号为两个所述特征像元对应的所述编号的最小值；
排序单元：用于基于更新后的所述编号，将所述特征像元按照大小顺序进行排列，得到所述特征区域。
9.根据权利要求6所述的气象要素场空间分布区域的识别装置，其特征在于，所述拟合模块包括：
提取单元：用于基于每个所述特征区域建立正交曲线坐标系，得到拟合关键点信息，所述拟合关键点信息是所述特征区域边界点距离所述正交曲线坐标系最远的四个点的位置信息，且所述特征区域的几何中心点为所述正交曲线坐标系原点；
更新单元：用于基于每个所述拟合关键点信息，得到更新后的所述拟合关键点信息，更新后的所述拟合关键点信息为所述拟合关键点信息加上预设固定值后得到的参数；
拟合单元：用于基于每个所述第一像元集合和每个更新后的所述拟合关键点信息，利用最小外接矩形或最小外接椭圆算法进行拟合，分别得到所述第一图像和所述第二图像。
10.根据权利要求6所述的气象要素场空间分布区域的识别装置，其特征在于，所述识别模块包括：
第一计算单元：用于基于所述第一图像确定第一参数，所述第一参数为所述第一图像的几何中心点；
第二计算单元：用于基于所述第二图像确定第二参数，所述第二参数为所述第二图像的几何中心点；
第三计算单元：用于根据预设距离、所述第一参数和所述第二参数，得到第二目标集合，所述第二目标集合是以所述第一参数为中心，以所述预设距离为半径的范围内所有的所述第二参数对应的所述第二图像的集合；
第四计算单元：用于判断所述第二目标集合中任意所述第二图像与所述第一图像的重合面积是否大于预设值，若重合面积大于预设值，则判定所述第一图像和所述第二图像在气象要素场空间分布区域是同一气象观测对象。
CN202210738352.1A 2022-06-28 2022-06-28 一种气象要素场空间分布区域的识别方法及装置 Pending CN114814991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210738352.1A CN114814991A (zh) 2022-06-28 2022-06-28 一种气象要素场空间分布区域的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210738352.1A CN114814991A (zh) 2022-06-28 2022-06-28 一种气象要素场空间分布区域的识别方法及装置

Publications (1)

Publication Number Publication Date
CN114814991A true CN114814991A (zh) 2022-07-29

Family

ID=82523450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210738352.1A Pending CN114814991A (zh) 2022-06-28 2022-06-28 一种气象要素场空间分布区域的识别方法及装置

Country Status (1)

Country Link
CN (1) CN114814991A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117809052A (zh) * 2024-03-01 2024-04-02 海豚乐智科技(成都)有限责任公司 一种块状目标检测及特征提取方法、装置及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010151597A (ja) * 2008-12-25 2010-07-08 Nippon Telegr & Teleph Corp <Ntt> 気象予測装置、気象予測方法および気象予測プログラム
CN102855658A (zh) * 2012-07-17 2013-01-02 天津大学 基于气象雷达基数据三维重构方法
CN104990926A (zh) * 2015-06-25 2015-10-21 哈尔滨工业大学 一种基于视觉的tr元件定位和缺陷检测方法
CN109785285A (zh) * 2018-12-11 2019-05-21 西安工程大学 一种基于椭圆特征拟合的绝缘子破损检测方法
CN110930449A (zh) * 2019-11-27 2020-03-27 上海眼控科技股份有限公司 预测结果的评估方法、装置、计算机设备和存储介质
CN111095033A (zh) * 2018-03-05 2020-05-01 株式会社东芝 气象雷达装置及暴雨预测方法
CN112562419A (zh) * 2020-11-03 2021-03-26 南京航空航天大学 一种基于离线多目标跟踪的天气规避区划设方法
CN113109816A (zh) * 2021-03-29 2021-07-13 广东工业大学 雷达回波图像的回波块追踪方法、装置及存储介质
CN113742926A (zh) * 2021-09-08 2021-12-03 成都卡普数据服务有限责任公司 一种基于时空聚类的气象观测数据质量控制方法
CN114488350A (zh) * 2022-01-18 2022-05-13 重庆交通大学 一种基于雷达图信息处理的山地城市短时降雨预报方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010151597A (ja) * 2008-12-25 2010-07-08 Nippon Telegr & Teleph Corp <Ntt> 気象予測装置、気象予測方法および気象予測プログラム
CN102855658A (zh) * 2012-07-17 2013-01-02 天津大学 基于气象雷达基数据三维重构方法
CN104990926A (zh) * 2015-06-25 2015-10-21 哈尔滨工业大学 一种基于视觉的tr元件定位和缺陷检测方法
CN111095033A (zh) * 2018-03-05 2020-05-01 株式会社东芝 气象雷达装置及暴雨预测方法
CN109785285A (zh) * 2018-12-11 2019-05-21 西安工程大学 一种基于椭圆特征拟合的绝缘子破损检测方法
CN110930449A (zh) * 2019-11-27 2020-03-27 上海眼控科技股份有限公司 预测结果的评估方法、装置、计算机设备和存储介质
CN112562419A (zh) * 2020-11-03 2021-03-26 南京航空航天大学 一种基于离线多目标跟踪的天气规避区划设方法
CN113109816A (zh) * 2021-03-29 2021-07-13 广东工业大学 雷达回波图像的回波块追踪方法、装置及存储介质
CN113742926A (zh) * 2021-09-08 2021-12-03 成都卡普数据服务有限责任公司 一种基于时空聚类的气象观测数据质量控制方法
CN114488350A (zh) * 2022-01-18 2022-05-13 重庆交通大学 一种基于雷达图信息处理的山地城市短时降雨预报方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117809052A (zh) * 2024-03-01 2024-04-02 海豚乐智科技(成都)有限责任公司 一种块状目标检测及特征提取方法、装置及存储介质
CN117809052B (zh) * 2024-03-01 2024-05-14 海豚乐智科技(成都)有限责任公司 一种块状目标检测及特征提取方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN111259809B (zh) 基于DANet的无人机海岸线漂浮垃圾巡检系统
Feng et al. GCN-based pavement crack detection using mobile LiDAR point clouds
CN111797697B (zh) 基于改进CenterNet的有角度高分遥感图像目标检测方法
CN103034863B (zh) 一种结合核Fisher与多尺度提取的遥感影像道路获取方法
CN109829423B (zh) 一种结冰湖泊红外成像检测方法
CN105354832B (zh) 一种山区卫星影像自动配准到地理底图上的方法
Sturari et al. Robotic platform for deep change detection for rail safety and security
Sun et al. Roads and Intersections Extraction from High‐Resolution Remote Sensing Imagery Based on Tensor Voting under Big Data Environment
CN113642463B (zh) 一种视频监控和遥感图像的天地多视图对齐方法
CN113221883B (zh) 无人机飞行导航路线实时修正方法
CN116168246A (zh) 一种用于铁路工程的弃渣场识别方法、装置、设备及介质
CN115880594A (zh) 一种基于无人机视觉感知和深度学习的堤坝裂缝智能检测方法
CN114814991A (zh) 一种气象要素场空间分布区域的识别方法及装置
CN116188756A (zh) 一种基于深度学习的仪表角度校正与示数识别方法
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
CN117058557A (zh) 基于物理特征与深度学习模型的云和云阴影联合检测方法
CN110636248B (zh) 目标跟踪方法与装置
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
Feng et al. Automated extraction of building instances from dual-channel airborne LiDAR point clouds
CN116879886A (zh) 一种微变监测雷达分级连通滑坡面预警方法
CN116188755A (zh) 一种基于深度学习的仪表角度校正与示数识别装置
Shokri et al. POINTNET++ Transfer Learning for Tree Extraction from Mobile LIDAR Point Clouds
CN114140698A (zh) 一种基于FasterR-CNN的水系信息提取算法
Zhu et al. Automatic utility pole inclination angle measurement using unmanned aerial vehicle and deep learning
Yu et al. Road Traffic Marking Extraction Algorithm Based on Fusion of Single Frame Image and Sparse Point Cloud

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

Application publication date: 20220729

RJ01 Rejection of invention patent application after publication