CN116304590A - 一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法 - Google Patents

一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法 Download PDF

Info

Publication number
CN116304590A
CN116304590A CN202310193501.5A CN202310193501A CN116304590A CN 116304590 A CN116304590 A CN 116304590A CN 202310193501 A CN202310193501 A CN 202310193501A CN 116304590 A CN116304590 A CN 116304590A
Authority
CN
China
Prior art keywords
fronts
data
sliding window
frontal
gradient
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
CN202310193501.5A
Other languages
English (en)
Inventor
邢勤旺
于海庆
王辉
常泽婷
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.)
Shandong University
Southern Marine Science and Engineering Guangdong Laboratory Zhuhai
Original Assignee
Shandong University
Southern Marine Science and Engineering Guangdong Laboratory Zhuhai
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 Shandong University, Southern Marine Science and Engineering Guangdong Laboratory Zhuhai filed Critical Shandong University
Priority to CN202310193501.5A priority Critical patent/CN116304590A/zh
Publication of CN116304590A publication Critical patent/CN116304590A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，包括以下步骤：对输入数据进行侵蚀缺失值和噪声过滤的预处理操作；根据改进的Sobel算子计算锋面强度；根据滑动窗口阈值来标记候选锋区；运用多个数学形态学算子获取最终的锋区产品数据；根据多个方向的锋面强度极值以及锋区产品的掩膜形成候选的锋面线；运用多个数学形态学算子最终的锋面线产品数据。本发明提供的方法不易受噪声影响，对绝对梯度强度不敏感，能够识别现有算法所遗漏的中尺度锋面，解决了传统的海洋锋面识别方法对绝对梯度敏感而无法识别弱峰面的问题，并且识别的锋面具有更好的连续性，对全球或各个地区海域均有较好的适用性。

Description

一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法
技术领域
本发明属于卫星遥感应用和海洋动力学领域，具体涉及一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别算法。
背景技术
海洋锋面是存在于全球上层海洋中的高能量海洋特征，一般被定义为特定水属性(如温度、盐度、营养物质和浮游植物)的水平梯度与环境水域相比相对较高的狭窄区域。锋面的出现通常与各种海洋强迫机制有关，如水团汇聚、上升流、潮汐混合、河流羽流和水深的突然变化。在许多锋面中可以发现由强湍流混合和跨锋面的次级环流引起的强垂直输送，使富含营养物质的水域涌入真光层，促进初级和次级生产。由于湍流的增强以及垂直和水平方向的强大水团输运，锋面在海洋动力学、海气相互作用、海洋生态学、生物地球化学、渔场预测、污染物分布以及军事等领域扮演着重要的角色。锋面发生及其特征是了解锋面动态的生态和气候影响的基本信息，因此对海洋锋面的识别不仅具有重要的科学意义，而且还具有极大的实际应用价值。
卫星观测和数值模拟提供的海洋全球以及局域数据是获取和监测锋面长期活动信息的唯一合理方法。通过设计一个自动的锋面识别算法，人们可以从海量的卫星观测和数值模拟数据中提取锋面的发生信息，避免人工识别的复杂性和主观性。目前海洋锋面识别主要通过基于梯度的Canny算法和Cayula和Cornillon(1992)提出的基于直方图的算法。
然而，由于Canny算法采用固定的阈值，其结果虽然可以很好地识别强锋，但是却很难识别相对弱的锋面。这种弱锋不应该被忽略，因为许多弱锋的特点是次表层强化，即跨锋面热梯度的次表层明显增加。这种采用的固定阈值参数会导致Canny算法在弱梯度的季节或水域遗漏大量的锋面，而在强梯度的季节或水域则表现相对较好。这一局限性可能会使Canny算法在应用于长时间序列和大区域的识别中产生误导性的结果，因为这种梯度的季节性或区域性的变化应该视为锋面强度的波动，而不是锋面发生的波动。另外，直方图算法对梯度不敏感，虽然能够较好地避免在弱梯度的季节或水域遗漏大量锋面的问题，但是相对于梯度算法，直方图算法通常采用较大的窗口以保证统计检验的准确性，使得其擅长识别规则的长锋面，而对复杂、密集以及近岸的锋面时表现不尽人意。
发明内容
本发明为解决现有锋面识别算存在的缺陷，提出一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别算法，解决传统的海洋锋面识别方法对绝对梯度敏感而无法识别弱峰面的问题，并且使识别的锋面具有更好的连续性。
本发明是采用以下的技术方案实现的：
本发明是采用以下的技术方案实现的：一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，包括以下步骤：
步骤A、获得输入数据，并对输入数据进行侵蚀缺失值和噪声过滤的预处理操作，得到预处理后的网格数据；
步骤B、获取锋区产品数据：
步骤B1、根据改进的Sobel算子计算锋面强度；
步骤B2、根据滑动窗口阈值来标记候选锋区；
步骤B3、运用多个数学形态学算子获取最终的锋区产品数据；
步骤C、获取锋面线产品数据：
步骤C1、根据多个方向的锋面强度极值以及步骤B所得到的锋区产品的掩膜形成候选锋面线；
步骤C2、运用多个数学形态学算子最终的锋面线产品数据；
步骤D、结合步骤B获得的锋区产品和步骤C获得的最终的锋面线产品，得到最终锋面识别结果。
进一步的，所述步骤B2中，根据步骤B1计算的梯度矩阵，根据滑动窗口的方法计算每个网格点阈值，滑动窗口阈值由每个网格点周围的梯度均值和标准差所决定。
该方法首先计算每个网格点周围1.5°窗口内梯度的标准差和均值，同时将每个网格点的梯度标准差除以自然对数的均值次幂作为调整标准差以减少遗漏锋面。将均值和调整标准差之和视为每个网格点的阈值，梯度值大于该阈值的网格点标记为候选锋区的二值矩阵。该滑动窗口阈值法将局部较大梯度的区域标记为候选锋区，避免了传统梯度算法因全场固定阈值而对大量弱锋面的遗失。
进一步的，所述步骤B3中，根据步骤B2计算的候选锋区的二值矩阵，使用数学形态学算子“CLOSE”和“SPUR”运算以填补宽度(较小)小于3个网格点的空隙，同时使识别的锋区更加平滑，然后删除小于50km2的较小锋区形成最后的锋区产品。
所述删除的较小锋区因用户的关注对象而异，若不关注面积小于50km2的锋区，则对应删除面积小于50km2的锋区。
进一步的，所述步骤B1中，根据改进的Sobel算子计算步骤A处理后的网格数据的梯度矩阵，对梯度数据进一步进行单位转化为℃/100km，同时进行自然对数转换使其呈现近似正态分布。
原始的Sobel算子计算的梯度包含大量亚中尺度信息，影响中尺度锋面的识别结果。改进后算子通过引入参数n调节Sobel算子的卷积核间隔来过滤掉<50km的亚中尺度信息以及其他噪声的干扰从而更好的识别中尺度锋面，所述改进的Sobel算子的计算公式为：
Figure SMS_1
Figure SMS_2
Figure SMS_3
式中，ti,j为步骤A处理后网格数据中第i行第j列网格点的数据，Gi,j,n,x和Gi,j,n,y为第i行第j列网格点的梯度向量，MGi,j,n为间隔为n的Sobel算子计算的第i行第j列网格点的梯度值；
进一步的，所述改进的Sobel算子的参数n根据输入网格数据的分辨率进行调整来过滤掉<50km的亚中尺度信息以及其他噪声，参数n需为整数，计算为50km除以网格数据分辨率后的二分之一倍，若输入网格数据的分辨率为5km，则参数n为5。
进一步的，所述步骤C1中，根据步骤B1所计算的梯度矩阵，将梯度值是任意一个方向(东-西，南-北，东南-西北，西南-东北)局部极值的网格点标记为候选锋面线的二值矩阵，同时对该二值矩阵进行缺失值掩码以及锋区掩码处理以删除位于缺失值和锋区外的候选锋面线；
所述的任意一个方向局部极值的网格点根据每个网格点的8邻域内的数据计算。若某网格点的梯度值同时大于其左侧和右侧、上侧和下侧、东南侧和西北侧或者西南侧和东北侧网格点的梯度值，则该网格点为任意一个方向局部极值的网格点。
进一步的，所述步骤C2中，根据步骤C1计算的候选锋面线的二值矩阵，使用数学形态学算子“CLOSE”、“SPUR”、“FILL”以及“THIN”连接被1–2网格点打断的不连续的锋面线，填充面积(较小)小于50km2的孔洞，并形成宽度为1个网格点的锋面线。然后移除较短的锋面线形成最终的锋面线产品。
所述移除较短的锋面线因用户的关注对象而异，若不关注长度小于50km的锋面线，则对应删除长度小于50km的锋面线。
进一步的，所述步骤A中，在进行预处理操作时，具体采用以下方式：
对输入数据进行反距离权重外插值，从而对陆地或者云层掩码上的缺失值赋予虚拟的值，随后执行滤波以减少数据噪声和亚中尺度的信号，所述的反距离权重插值方法的计算公式为：
Figure SMS_4
Figure SMS_5
式中，x0和y0分别为缺失值网格点的经纬度位置；xi和yi分别为第i个非缺失值网格点的经纬度位置，而Ti和Wi分别为第i个非缺失值网格点的海洋温度值和权重；N为搜索半径内非缺失值网格点的总数量，T0为利用反距离权重插值计算的缺失值网格点的海洋温度值或赋予陆地网格点的虚拟的海洋温度值。
进一步的，所述步骤A中，所述输入数据选取全球或关注区域卫星遥感获取或者海洋动力学模式模拟的海洋温度等要素均匀网格数据的任意一种；海洋温度等要素包括卫星遥感观测或者数值模拟的海表面温度、海表面盐度、海表面叶绿素、悬浮物浓度；在识别海表面叶绿素、悬浮物浓度锋面时，需将叶绿素和悬浮物浓度进行对数转化为正态分布。
与现有技术相比，本发明的优点和积极效果在于：
本发明通过滑动窗口阈值算法来识别锋区，滑动阈值由每个网格点周围的梯度均值和标准差所决定，而不是Canny算法中固定的双阈值，使本发明提出的锋面识别算法避免了传统梯度算法在具有弱梯度的季节或水域遗漏大量的锋面的问题，并且识别的锋面更加客观、准确，同时也不会出现直方图算法难以识别复杂、密集以及近岸的锋面的问题。
另外，通过改进的Sobel算子计算梯度，避免了传统算法对噪声和亚中尺度信号的敏感性，使识别的结果更加专注于中尺度锋面，同时通过引入一套数学形态学算子来产生锋面，使识别的锋面信息更加平滑和连续，识别的锋面连续性好，避免噪声和亚中尺度信号的干扰。
而且，能够简单、广泛、快速地应用于全球各大水域，同时适用于温度、盐度、叶绿素等多种海洋参数的卫星观测数据和数值模拟数据，也可应用于锋面业务化预报的识别，为进一步研究锋面的气候效应和生态效应提供了基础，同时也为寻找渔场、养殖选址、海洋保护区设计提供帮助。
附图说明
图1是本发明实施例所述锋面识别算法流程图；
图2是本发明实施案例中锋面识别的结果示意图；
图3是Canny算法锋面识别的结果示意图。
具体实施方式
为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。
本实施例提出一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，如图1所示，包括以下步骤：
步骤A、获得输入数据，并对输入数据进行侵蚀缺失值和噪声过滤的预处理操作；
步骤B、获取锋区产品数据：
(1)根据改进的Sobel算子计算锋面强度，获得梯度数据；
(2)根据每个网格点周围的梯度均值和标准差确定滑动窗口阈值，并根据滑动窗口阈值来标记候选锋区；
(3)运用多个数学形态学算子获取最终的锋区产品数据；
步骤C、获取锋面线产品数据：
(1)根据多个方向的锋面强度极值以及步骤B所得到的锋区产品的掩膜形成候选锋面线；
(2)运用多个数学形态学算子最终的锋面线产品数据；
步骤D、结合步骤B获得的锋区产品和步骤C获得的最终的锋面线产品，得到最终锋面识别结果。
具体的，本实施例采用的是先进高分辨率辐射计(AVHRR)和沿途扫描辐射计(ATSR)系列传感器测量的热红外辐射反演的SST(海表面温度)融合数据。该数据由哥白尼海洋环境监测服务(CMEMS)提供，数据的空间分辨率为5km，时间分辨率是1d。利用本发明的基于滑动窗口阈值的全球海洋中尺度锋面自动识别算法对2012年1月1日的西北太平洋区域的SST数据进行锋面识别。本实施例所有操作均通过MATLAB 2020a软件编程实现，具体实施方法如下：
(1)获取关注区域的SST融合数据。按照140°E–180°E和25°N–50°N经纬度范围，在CMEMS官网下载2012年1月1日卫星观测的SST数据。
(2)利用MATLAB循环迭代对步骤(1)得到的输入数据进行反距离权重外插值，从而对陆地或者云层掩码上的缺失值赋予虚拟的值，所述的反距离权重插值方法的计算公式为：
Figure SMS_6
Figure SMS_7
式中，x0和y0分别为缺失值网格点的经纬度位置；xi和yi分别为第i个非缺失值网格点的经纬度位置，而Ti和Wi分别为第i个非缺失值网格点的海洋温度值和权重；N为搜索半径内非缺失值网格点的总数量，本实施例中搜索半径设置为10个网格点(约50km)，T0为利用反距离权重插值计算的缺失值网格点的海洋温度值，或赋予陆地网格点的虚拟的海洋温度值。
(3)利用MATLAB中的medfilt2函数和imfilter函数分别对步骤(2)得到的SST数据进行中值滤波和均值滤波以减少数据噪声和亚中尺度的信号，滤波采用的是15×15km的中值滤波器和25×25km的均值滤波器，在本实施例中滤波器大小对应着3×3网格点和5×5网格点。
(4)利用MATLAB循环迭代根据改进的Sobel算子计算步骤(3)处理后的SST数据的梯度数据，对梯度数据乘以2将单位转化为℃/100km，同时运用log函数进行自然对数转换使其呈现近似正态分布。所述改进的Sobel算子的计算公式为：
Figure SMS_8
Figure SMS_9
Figure SMS_10
式中，ti,j为步骤(3)处理后网格数据中第i行第j列网格点的数据，Gi,j,n,x和Gi,j,n,y为第i行第j列网格点的梯度向量，MGi,j,n为间隔为n的Sobel算子计算的第i行第j列网格点的梯度值。参数n设置为5以滤掉<50km的亚中尺度信号的干扰从而更好的识别中尺度锋面。
(5)利用MATLAB循环迭代步骤(4)所计算的梯度矩阵，计算每个网格点周围1.5°窗口内梯度的标准差和均值。利用MATLAB数组运算将每个网格点的梯度标准差除以自然对数的均值次幂作为调整标准差，然后将梯度值大于均值和调整标准差之和的网格点标记为候选锋区的二值矩阵。
(6)利用MATLAB图像工具箱里面的bwmorph对步骤(5)所计算的候选锋区的二值图像进行数学形态学运算。使用bwmorph函数中的“CLOSE”和“SPUR”运算以填补较小的空隙同时使识别的锋区更加平滑，然后利用MATLAB图像工具箱里面的bwpropfilt删除小于50km2的较小锋区形成最后的锋区产品。图2的灰色区域显示了本实施例识别的锋区。
(7)利用MATLAB循环迭代将步骤(2)所得的梯度数据中任意一个方向(东-西，南-北，东南-西北，西南-东北)局部极值的网格点标记为候选锋面线的二值矩阵，同时利用矩阵运算将该二值矩阵中的属于陆地区域和原始SST缺失值区域的网格点设置为0，进一步利用MATLAB数组运算将步骤(6)中形成的锋区产品视为掩码，将该二值矩阵中不属于锋区的网格点设置为0，形成候选的锋面线数据。
(8)利用MATLAB图像工具箱里面的bwmorph对步骤(7)计算的候选锋面线的二值矩阵进行数学形态学运算。使用bwmorph函数中的“CLOSE”、“SPUR”连接被1–2网格点打断的不连续的锋面线，使用“FILL”算子填充小于小于50km2的孔洞，使用“THIN”算子形成宽度为1个网格点的锋面线，最后使用bwpropfilt函数移除长度小于5个网格点的锋面线形成最终的产品。图2的黑色线条显示了本实施例识别的锋面线。
为进一步证明本发明的优势，本实施例通过执行一个Canny算法识别锋面的对照实验与本发明提出的基于滑动窗口阈值的全球海洋中尺度锋面自动识别算法进行对比：
对照实验：利用Canny算法对2012年1月1日的西北太平洋区域的SST数据进行锋面识别。本对照实验所有操作均通过MATLAB 2020a软件编程实现，具体实施方法如下：
(1)获取关注区域的SST融合数据。算法SST数据与实施案例中的SST数据相同。
(2)利用MATLAB图像工具箱里面的edge函数对步骤(1)中的SST数据进行图像边缘识别，边缘检测方法参数设置为“Canny”算法，其敏感度阈值设置为0.03和0.1。图3的黑色线条展示了Canny算法识别的锋面结果。
通过对比图2和图3可以看出：图3中Canny算法识别的锋面明显表现出在弱梯度水域遗漏大量的锋面的问题，如黑潮和亲潮延伸体的南部和北部区域。同时Canny算法识别的锋面也明显存在不连续、锋面线破碎、受到亚中尺度信号和噪声干扰的问题，典型地，在统计分析中，黑潮和亲潮延伸体形成的中尺度锋面很容易被大量亚中尺度锋面的信息所干扰，而图2中本发明识别的锋面明显更加平滑和连续，一些短的亚中尺度信号已经被清除，能够更加突出中尺度锋面的信息，并且不仅能够识别锋面线还能识别锋区。该对照实验说明本发明提出的基于滑动窗口阈值的全球海洋中尺度锋面自动识别算法能够避免传统梯度算法在弱梯度的季节或水域遗漏大量的锋面的问题，使识别的锋面更加客观、准确，同时识别的锋面连续性好，避免噪声和亚中尺度信号的干扰，能更好的识别中尺度锋面。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，其特征在于，包括以下步骤：
步骤A、获得输入数据，并对输入数据进行侵蚀缺失值和噪声过滤的预处理操作，得到预处理后的网格数据；
步骤B、获取锋区产品数据：
步骤B1、根据改进的Sobel算子计算步骤A处理后的网格数据的梯度矩阵，获得梯度数据；
步骤B2、根据每个网格点周围的梯度均值和标准差确定滑动窗口阈值，根据滑动窗口阈值来标记候选锋区，并得到候选锋区的二值矩阵；
步骤B3、基于候选锋区的二值矩阵，运用多个数学形态学算子获取最终的锋区产品数据；
步骤C、获取锋面线产品数据：
步骤C1、根据多个方向的锋面强度极值以及步骤B所得到的锋区产品的掩膜形成候选锋面线；
步骤C2、运用多个数学形态学算子最终的锋面线产品数据；
步骤D、结合步骤B获得的锋区产品和步骤C获得的最终的锋面线产品，得到最终锋面识别结果。
2.根据权利要求1所述的基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，其特征在于，所述步骤B1中，根据改进的Sobel算子计算步骤A处理后的网格数据的梯度矩阵，并对梯度数据进一步进行单位转化为℃/100km，同时进行自然对数转换使其呈现近似正态分布。
3.根据权利要求2所述的基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，其特征在于，所述步骤B1中，所述改进的Sobel算子的计算公式为：
Figure FDA0004106407840000011
Figure FDA0004106407840000012
Figure FDA0004106407840000013
式中，ti,j为步骤A处理后网格数据中第i行第j列网格点的数据，Gi,j,n,x和Gi,j,n,y为第i行第j列网格点的梯度向量，MGi,j,n为间隔为n的Sobel算子计算的第i行第j列网格点的梯度值。
4.根据权利要求1所述的基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，其特征在于，所述步骤B2中，具体通过以下方式标记候选锋区：
(1)首先计算每个网格点周围1.5°窗口内梯度的标准差和均值，同时将每个网格点的梯度标准差除以自然对数的均值次幂作为调整标准差以减少遗漏锋面；
(2)将均值和调整标准差之和视为每个网格点的阈值，梯度值大于该阈值的网格点标记为候选锋区的二值矩阵。
5.根据权利要求1所述的基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，其特征在于，所述步骤B3中，根据步骤B2计算的候选锋区的二值矩阵，使用多个数学形态学算子以填补宽度小的网格点的空隙，同然后删除小锋区形成最后的锋区产品。
6.根据权利要求1所述的基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，其特征在于，所述步骤C1中，根据步骤B1所计算的梯度矩阵，将梯度值是任意一个方向局部极值的网格点标记为候选锋面线的二值矩阵，同时对该二值矩阵进行缺失值掩码以及锋区掩码处理以删除位于缺失值和锋区外的候选锋面线。
7.根据权利要求1所述的基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，其特征在于，所述步骤C2中，根据步骤C1计算的候选锋面线的二值矩阵，使用多个数学形态学算子连接被1–2网格点打断的不连续的锋面线，填充面积小的孔洞，并形成宽度为1个网格点的锋面线，然后移除短的锋面线形成最终的锋面线产品。
8.根据权利要求1所述的基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，其特征在于，所述步骤A中，在进行预处理操作时，对输入数据进行反距离权重外插值，其原理为：
Figure FDA0004106407840000021
Figure FDA0004106407840000022
式中，x0和y0分别为缺失值网格点的经纬度位置；xi和yi分别为第i个非缺失值网格点的经纬度位置，而Ti和Wi分别为第i个非缺失值网格点的海洋温度值和权重；N为搜索半径内非缺失值网格点的总数量，T0为利用反距离权重插值计算的缺失值网格点的海洋温度值或赋予陆地网格点的虚拟的海洋温度值。
9.根据权利要求1所述的基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法，其特征在于，所述步骤A中，所述输入数据选取全球或关注区域卫星遥感获取或者海洋动力学模式模拟的任意一种海洋环境要素的均匀网格数据，所述海洋环境要素包括卫星遥感观测或者数值模拟的海表面温度、海表面盐度、海表面叶绿素和悬浮物浓度。
CN202310193501.5A 2023-03-03 2023-03-03 一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法 Pending CN116304590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310193501.5A CN116304590A (zh) 2023-03-03 2023-03-03 一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310193501.5A CN116304590A (zh) 2023-03-03 2023-03-03 一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法

Publications (1)

Publication Number Publication Date
CN116304590A true CN116304590A (zh) 2023-06-23

Family

ID=86816188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310193501.5A Pending CN116304590A (zh) 2023-03-03 2023-03-03 一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法

Country Status (1)

Country Link
CN (1) CN116304590A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117851845A (zh) * 2024-03-07 2024-04-09 中国海洋大学 一种基于聚类算法的海洋亚中尺度锋面提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117851845A (zh) * 2024-03-07 2024-04-09 中国海洋大学 一种基于聚类算法的海洋亚中尺度锋面提取方法
CN117851845B (zh) * 2024-03-07 2024-05-17 中国海洋大学 一种基于聚类算法的海洋亚中尺度锋面提取方法

Similar Documents

Publication Publication Date Title
CN109190538B (zh) 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
CN108230302B (zh) 一种核电厂冷源海域入侵海洋生物探测及处置方法
Liu et al. Satellite-based monitoring and statistics for raft and cage aquaculture in China’s offshore waters
Wu GIS and remote sensing applications in wetland mapping and monitoring
Zhao et al. Mapping large-area tidal flats without the dependence on tidal elevations: A case study of Southern China
CN107247927B (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
CN113408460B (zh) 一种基于遥感大数据和云平台探测互花米草分布的方法
Yin et al. Estimating rainfall intensity using an image-based deep learning model
Wall et al. Satellite remote sensing of surface oceanic fronts in coastal waters off west–central Florida
CN116304590A (zh) 一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法
CN115063437B (zh) 一种红树林冠层可见光图像指数特征分析方法及系统
Maerker et al. Assessment of water erosion processes and dynamics in semi-arid regions of Southern Africa (kwazulu/Natal, RSA, and Swaziland) using the Erosion Response Units concept (ERU)
CN112418506A (zh) 基于机器学习的海岸带湿地生态安全格局优化方法、装置
Li et al. Unet combined with attention mechanism method for extracting flood submerged range
CN114677059A (zh) 集成时空指标的反演降水产品精度综合评估方法及系统
CN118279763A (zh) 一种海冰监测方法、系统、设备、存储介质和计算机程序产品
Wang et al. Modeling hydrodynamic and hydrological processes in tidal wetlands
CN112966657A (zh) 一种大尺度水体覆盖的遥感自动分类方法
Kazemzadeh et al. Remote sensing of temporal and spatial variations of suspended sediment concentration in Bahmanshir Estuary, Iran
Lin et al. Early warning of harmful algal bloom risk using satellite ocean color and Lagrangian particle trajectories
Li et al. Change detection in synthetic aperture radar images based on log-mean operator and stacked auto-encoder
Sadouki et al. Classification of radar echoes with a textural–fuzzy approach: an application for the removal of ground clutter observed in Sétif (Algeria) and Bordeaux (France) sites
Jia et al. Spatio-temporal evolution of coastlines of sand-barrier lagoons over 26 years through historic Landsat imagery in Lingshui County, Hainan Province, China
CN115457401A (zh) 一种针对不同淡水资源类型的sar遥感精细识别方法
Hua et al. The research of artificial shoreline extraction based on airborne LIDAR data

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