CN116430336B - 基于自适应阈值的对流单体识别方法 - Google Patents

基于自适应阈值的对流单体识别方法 Download PDF

Info

Publication number
CN116430336B
CN116430336B CN202310241624.1A CN202310241624A CN116430336B CN 116430336 B CN116430336 B CN 116430336B CN 202310241624 A CN202310241624 A CN 202310241624A CN 116430336 B CN116430336 B CN 116430336B
Authority
CN
China
Prior art keywords
convection
monomer
region
threshold
convective
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
CN202310241624.1A
Other languages
English (en)
Other versions
CN116430336A (zh
Inventor
竹利
蒋兴文
董元昌
张佩文
冯勇
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 Institute Of Plateau Meteorology China Meteorological Administration
Original Assignee
Chengdu Institute Of Plateau Meteorology China Meteorological Administration
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 Institute Of Plateau Meteorology China Meteorological Administration filed Critical Chengdu Institute Of Plateau Meteorology China Meteorological Administration
Priority to CN202310241624.1A priority Critical patent/CN116430336B/zh
Publication of CN116430336A publication Critical patent/CN116430336A/zh
Application granted granted Critical
Publication of CN116430336B publication Critical patent/CN116430336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及天气识别领域，为了尽早且快速识别出对流单体，本申请提供了基于自适应阈值的对流单体识别方法，包括：1、获取目标海拔高度的CAPPI数据；2、利用连通域算法从CAPPI数据中提取反射率因子大于反射率因子阈值的区域，若识别出的区域面积大于预设值且阈值伸展度大于比较值，则保留该区域；3、反射率因子阈值加上延伸步长得到新的反射率因子阈值，在保留的区域中提取大于新反射率因子阈值的区域，若新提取的区域面积大于预设值且阈值伸展度大于比较值，则保留该区域；4、重复步骤3，直至不能识别出满足条件的新区域为止，最后一次满足条件的区域即为识别出的对流单体。采用上述方式便于尽早且快速识别出对流单体。

Description

基于自适应阈值的对流单体识别方法
技术领域
本发明涉及天气识别领域，具体是一种基于自适应阈值的对流单体识别方法。
背景技术
目前气象部门业务上日常使用的对流系统自动识别及追踪方法为TITAN(Thunderstorm Identification,Tracking,Analysis,and Nowcasting))算法。TITAN是一种基于天气雷达的对流单体识别、追踪算法。TITAN算法首先将极坐标的数据转化为直角坐标的数据，把整个体扫描数据进行等高度差的水平分层后得到CAPPI(Constant AltitudePlan Position Indicator)，然后在水平方向找出反射率因子超过给定的某阈值(35dBZ)的邻接序列，并将之归一回波块，再将块归组后进行三维关联，从而识别三维雷暴单体。其对于孤立对流单体及中尺度对流系统(包括飑线)具有较好的识别跟踪效果。TITAN在雷暴识别的基础上进行雷暴单体质心位置等重要指标的追踪和外推预报，结合雷暴最大期望速度作为约束条件，最后通过最小化目标函数实现雷暴单体质心位置、雷暴体积等参数求解和雷暴单体移动追踪，从而获得雷暴质心移动矢量。
TITAN算法是基于固定的反射率因子阈值来识别对流(或雷暴)单体的。但是在一雷暴群(多单体对流系统)中，不同对流单体可能处于生命周期的不同阶段。实际观测表明，新生发展阶段强对流系统的反射因子中心值强且梯度较大(对流系统的反射率因子强度从中心到边缘减弱)，面积较小；成熟对流系统反射因子中心值强但梯度较小，面积发展到最大；消亡阶段对流系统反射因子中心值弱，梯度小，面积减小。当成熟阶段对流系统与新生对流单体邻接时，仅由固定阈值35dBZ很难在雷暴群中识别出新生对流单体。而尽早识别出新生单体对提高灾害性对流天气的监测和预警水平至关重要。
发明内容
为了尽早且快速识别出对流单体，本申请提供了基于自适应阈值的对流单体识别方法。
本发明解决上述问题所采用的技术方案是：
基于自适应阈值的对流单体识别方法，包括：
步骤1、获取目标海拔高度的CAPPI数据；
步骤2、利用连通域算法从CAPPI数据中提取反射率因子大于反射率因子阈值的区域，若识别出的区域面积大于预设值且阈值伸展度大于比较值，则保留该区域；
步骤3、反射率因子阈值加上延伸步长得到新的反射率因子阈值，在保留的区域中提取大于新反射率因子阈值的区域，若新提取的区域面积大于预设值且阈值伸展度大于比较值，则保留该区域；
步骤4、重复步骤3，直至不能识别出满足条件的新区域为止，最后一次满足条件的区域即为识别出的对流单体。
进一步地，所述步骤1具体为：
步骤11、对雷达数据进行预处理；
步骤12、将预处理后的雷达数据转换为笛卡尔空间坐标系数据；
步骤13、采用Barnes插值算法将坐标转换后的数据进行插值以得到目标海拔高度的CAPPI数据。
进一步地，所述步骤4识别出对流单体后还包括：判断对流单体数量，当对流单体数量大于等于2时，计算各对流单体间的质心距离，当两个质心间的距离小于阈值时，将其合并为同一对流单体。
进一步地，所述步骤1中目标海拔高度为3km，步骤2中反射率因子阈值为35dBZ，预设值为20km2，比较值为10dBZ，步骤3中延伸步长为3dBZ，步骤4中，阈值为15km。
进一步地，还包括步骤5、对流单体追踪。
进一步地，所述步骤5具体为：
步骤51、获取t时刻目标对流单体Ct的移速矢量；
步骤52、按移速矢量将目标对流单体Ct外推平移Δt时间后得到对流单体Ct+adv；
步骤53、在t+Δt回波图上寻找对流单体Ct+Δt，若Ct+adv与Ct+Δt的重叠区域大于判断阈值，则将Ct与Ct+Δt进行关联；若在t+Δt回波图上未能找到与目标对流单体Ct关联的对流单体，则将t+Δt回波图上所有对流单体沿边界向外扩展Akm，重复步骤51-53，若重复n次仍未找到关联的对流单体，则停止寻找。
进一步地，所述步骤51采用Lk光流法获取目标对流单体Ct的移速矢量。
进一步地，所述步骤53中，判断阈值为：Ct+adv或Ct+Δt区域面积的三分之一。
进一步地，n取3，A取20。
进一步地，还包括步骤54、在关联的对流单体中，若Ct+Δt覆盖了t时刻的两个对流单体Ct1和Ct2的外推平移区域C1t+Δt和C2t+Δt的质心位置，则对Ct1和Ct2的追踪路径进行合并处理；若C1t+Δt和C2t+Δt的质心同位于Ct+adv区域内，则对Ct的追踪路径进行分叉处理。
本发明相比于现有技术具有的有益效果是：采用本申请的方法可以根据雷暴群中不同雷暴单体所处的生命周期阶段来自动匹配与其适应的反射率因子阈值，从而尽早地快速识别出对流单体，提高灾害性对流天气的监测和预警水平。在进行对流单体追踪时，通过Lk光流法确定t时刻单体Ct的移速矢量，将此单体以该移速矢量外推平移Δt时间后得到Ct+adv，再通过将Ct+adv与t+Δt时刻的对流单体Ct+Δt进行匹配关联实现对流单体Ct追踪，该方法计算量更小，计算速度更快。
附图说明
图1为基于自适应阈值的对流单体识别方法流程图；
图2为C、Ct+Δt及Ct+adv的位置示意图；
图3为追踪路径示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，基于自适应阈值的对流单体识别方法，包括：
步骤1、获取目标海拔高度的CAPPI数据；
步骤2、利用连通域算法从CAPPI数据中提取反射率因子大于反射率因子阈值的区域，若识别出的区域面积大于预设值且阈值伸展度大于比较值，则保留该区域；
步骤3、反射率因子阈值加上延伸步长得到新的反射率因子阈值，在保留的区域中提取大于新反射率因子阈值的区域，若新提取的区域面积大于预设值且阈值伸展度大于比较值，则保留该区域；
步骤4、重复步骤3，直至不能识别出满足条件的新区域为止，最后一次满足条件的区域即为识别出的对流单体。
实施例1
在本实施例中通过雷达数据获取海拔高度为3km的CAPPI数据，步骤1具体包括：
步骤11、对雷达数据进行预处理：包括地物杂波抑制、缺测数据填补、反射率因子衰减订正等；
步骤12、由于雷达数据是极坐标系数据，因此利用四点反距离权重法将极坐标系数据插值转换为笛卡尔空间坐标系数据；
步骤13、采用自适应Barnes插值算法将坐标转换后的数据进行插值以得到目标海拔高度的CAPPI数据。
也可根据实际需要获取其他海拔高度的CAPPI数据或通过其他方式获取CAPPI数据，在此不做限制。
步骤2、利用八连通域算法从CAPPI数据中提取反射率因子大于反射率因子阈值ADRT的区域，若识别出的区域面积大于20km2且阈值伸展度EDRT大于10dBZ，则保留该区域。第一次提取时，ADRT取值为阈值最小值35dBZ。为了便于记录，对保留的区域进行编号。
步骤3、反射率因子阈值ADRT加上3dBZ得到新的反射率因子阈值ADRT，在保留的区域中提取大于新反射率因子阈值的区域，若新提取的区域面积大于20km2且阈值伸展度EDRT大于10dBZ，则保留该区域并重新按序编号。
步骤4、重复步骤3，直至不能识别出满足条件的新区域为止，最后一次满足条件的区域即为识别出的对流单体。
由于独立的对流单体不会靠的很近，因此所述步骤4识别出对流单体后还包括：判断对流单体数量，当对流单体数量大于等于2时，计算各对流单体间的质心距离，当两个质心间的距离小于阈值时，将其合并为同一对流单体。在本实施例中阈值取15km。为了减少质心距离计算量，可以先对对流单体的位置进行判断，仅计算相邻对流单体间的质心距离。
需要说明的是，所有参数均可根据实际需求进行适当调整。
实施例2
在实施例1的基础上，还包括步骤5、对流单体追踪。
所述步骤5具体为：
步骤51、获取t时刻目标对流单体Ct的移速矢量；
步骤52、按移速矢量将目标对流单体Ct外推平移Δt时间后得到对流单体Ct+adv；
步骤53、在t+Δt回波图上寻找对流单体Ct+Δt，若Ct+adv与Ct+Δt的重叠区域大于判断阈值，则将Ct与Ct+Δt进行关联，如图2所示；Ct的质心到Ct+Δt的质心路径即为追踪路径，如图3所示，图中“+”表示质心；若在t+Δt回波图上未能找到与目标对流单体Ct关联的对流单体，则将t+Δt回波图上所有对流单体沿边界向外扩展Akm，重复步骤51-53，若重复n次仍未找到关联的对流单体，表明该单体减弱消失，停止寻找。
具体的，所述步骤51采用Lk光流法基于过去连续3个体扫的回波图获取目标对流单体Ct的移速矢量。所述步骤53中，判断阈值为：Ct+adv或Ct+Δt区域面积的三分之一。n取3，A取20。
进一步地，还包括步骤54、在关联的对流单体中，若Ct+Δt覆盖了t时刻的两个对流单体Ct1和Ct2的外推平移区域C1t+adv和C2t+adv的质心位置，则对Ct1和Ct2的追踪路径进行合并处理；若C1t+Δt和C2t+Δt的质心同位于Ct+adv区域内，则对Ct的追踪路径进行分叉处理。

Claims (10)

1.基于自适应阈值的对流单体识别方法，其特征在于，包括：
步骤1、获取目标海拔高度的CAPPI数据；
步骤2、利用连通域算法从CAPPI数据中提取反射率因子大于反射率因子阈值的区域，若识别出的区域面积大于预设值且阈值伸展度大于比较值，则保留该区域；
步骤3、反射率因子阈值加上延伸步长得到新的反射率因子阈值，在保留的区域中提取大于新反射率因子阈值的区域，若新提取的区域面积大于预设值且阈值伸展度大于比较值，则保留该区域；
步骤4、重复步骤3，直至不能识别出满足条件的新区域为止，最后一次满足条件的区域即为识别出的对流单体。
2.根据权利要求1所述的基于自适应阈值的对流单体识别方法，其特征在于，所述步骤1具体为：
步骤11、对雷达数据进行预处理；
步骤12、将预处理后的雷达数据转换为笛卡尔空间坐标系数据；
步骤13、采用Barnes插值算法将坐标转换后的数据进行插值以得到目标海拔高度的CAPPI数据。
3.根据权利要求1所述的基于自适应阈值的对流单体识别方法，其特征在于，所述步骤4识别出对流单体后还包括：判断对流单体数量，当对流单体数量大于等于2时，计算各对流单体间的质心距离，当两个质心间的距离小于阈值时，将其合并为同一对流单体。
4.根据权利要求3所述的基于自适应阈值的对流单体识别方法，其特征在于，所述步骤1中目标海拔高度为3km，步骤2中反射率因子阈值为35dBZ，预设值为20km2，比较值为10dBZ，步骤3中延伸步长为3dBZ，步骤4中，阈值为15km。
5.根据权利要求3或4所述的基于自适应阈值的对流单体识别方法，其特征在于，还包括步骤5、对流单体追踪。
6.根据权利要求5所述的基于自适应阈值的对流单体识别方法，其特征在于，所述步骤5具体为：
步骤51、获取t时刻目标对流单体Ct的移速矢量；
步骤52、按移速矢量将目标对流单体Ct外推平移Δt时间后得到对流单体Ct+adv；
步骤53、在t+Δt回波图上寻找对流单体Ct+Δt，若Ct+adv与Ct+Δt的重叠区域大于判断阈值，则将Ct与Ct+Δt进行关联；若在t+Δt回波图上未能找到与目标对流单体Ct关联的对流单体，则将t+Δt回波图上所有对流单体沿边界向外扩展Akm，重复步骤51-53，若重复n次仍未找到关联的对流单体，则停止寻找。
7.根据权利要求6所述的基于自适应阈值的对流单体识别方法，其特征在于，所述步骤51采用Lk光流法获取目标对流单体Ct的移速矢量。
8.根据权利要求6所述的基于自适应阈值的对流单体识别方法，其特征在于，所述步骤53中，判断阈值为：Ct+adv或Ct+Δt区域面积的三分之一。
9.根据权利要求6所述的基于自适应阈值的对流单体识别方法，其特征在于，n取3，A取20。
10.根据权利要求6所述的基于自适应阈值的对流单体识别方法，其特征在于，还包括步骤54、在关联的对流单体中，若Ct+Δt覆盖了t时刻的两个对流单体Ct1和Ct2的外推平移区域C1t+Δt和C2t+Δt的质心位置，则对Ct1和Ct2的追踪路径进行合并处理；若C1t+Δt和C2t+Δt的质心同位于Ct+adv区域内，则对Ct的追踪路径进行分叉处理。
CN202310241624.1A 2023-03-14 2023-03-14 基于自适应阈值的对流单体识别方法 Active CN116430336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310241624.1A CN116430336B (zh) 2023-03-14 2023-03-14 基于自适应阈值的对流单体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310241624.1A CN116430336B (zh) 2023-03-14 2023-03-14 基于自适应阈值的对流单体识别方法

Publications (2)

Publication Number Publication Date
CN116430336A CN116430336A (zh) 2023-07-14
CN116430336B true CN116430336B (zh) 2023-10-24

Family

ID=87093387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310241624.1A Active CN116430336B (zh) 2023-03-14 2023-03-14 基于自适应阈值的对流单体识别方法

Country Status (1)

Country Link
CN (1) CN116430336B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117932989B (zh) * 2024-03-25 2024-05-17 南京信息工程大学 一种基于Bezier曲线的雷暴路径预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120119749A (ko) * 2011-04-22 2012-10-31 경북대학교 산학협력단 위험기상과 관련된 반사도 셀의 추적 방법
CN107229084A (zh) * 2017-06-08 2017-10-03 天津大学 一种自动识别，跟踪并预测对流系统目标的方法
CN110346800A (zh) * 2019-04-02 2019-10-18 成都锦江电子系统工程有限公司 一种基于双偏振天气雷达体扫数据的雷暴识别方法
CN110501760A (zh) * 2019-07-29 2019-11-26 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种基于气象雷达的冰雹识别及临近预报方法
CN113900103A (zh) * 2021-08-23 2022-01-07 王磊 突发性强对流灾害天气自适应快速识别预警改进算法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9613269B2 (en) * 2014-03-31 2017-04-04 Honeywell International Inc. Identifying and tracking convective weather cells
KR101531246B1 (ko) * 2014-11-27 2015-06-24 대한민국 기상 레이더 영상 내 대류 세포와 낙뢰 매칭 시스템 및 그의 제어 방법
US11442164B2 (en) * 2019-06-07 2022-09-13 Honeywell International Inc. Systems and methods for determining convective cell growth from weather radar reflectivity data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120119749A (ko) * 2011-04-22 2012-10-31 경북대학교 산학협력단 위험기상과 관련된 반사도 셀의 추적 방법
CN107229084A (zh) * 2017-06-08 2017-10-03 天津大学 一种自动识别，跟踪并预测对流系统目标的方法
CN110346800A (zh) * 2019-04-02 2019-10-18 成都锦江电子系统工程有限公司 一种基于双偏振天气雷达体扫数据的雷暴识别方法
CN110501760A (zh) * 2019-07-29 2019-11-26 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种基于气象雷达的冰雹识别及临近预报方法
CN113900103A (zh) * 2021-08-23 2022-01-07 王磊 突发性强对流灾害天气自适应快速识别预警改进算法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
利用雷暴识别与追踪技术优化航班延误预警初探;周佐欢;张超;刘佳;唐小新;张莉;胡霄;陈元昭;;广东气象(第03期);全文 *
基于数学形态学的三维风暴体自动识别方法研究;韩雷;郑永光;王洪庆;林隐静;;气象学报(第05期);全文 *
改进气象雷达TITAN算法在灾害性天气预警中的应用研究;侯正俊;潘多;王磊;;大气科学学报(第04期);全文 *
风暴的自动识别、跟踪与预报;肖艳姣, 汤达章, 李中华, 蒋义芳;南京气象学院学报(第02期);全文 *

Also Published As

Publication number Publication date
CN116430336A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN108256446B (zh) 用于确定道路中的车道线的方法、装置和设备
Mongus et al. Parameter-free ground filtering of LiDAR data for automatic DTM generation
CN116430336B (zh) 基于自适应阈值的对流单体识别方法
CN107615090A (zh) 雷达信号处理装置
CN110261857B (zh) 一种天气雷达空间插值方法
CN108961255B (zh) 基于相位线性度和功率的海陆噪声场景分割方法
CN108535731A (zh) 短临降水预报方法与装置
CN104237890B (zh) 一种由“列车效应”引起的暴雨识别及预报方法
CN115840205B (zh) 一种基于激光雷达技术的地形面积计量方法和系统
CN109559321A (zh) 一种声呐图像分割方法和设备
CN116482644B (zh) 一种海雾识别方法
KR101221793B1 (ko) 위험기상과 관련된 반사도 셀의 추적 방법
CN110147716A (zh) 一种基于频域与空域相结合的sar图像内波区域检测方法
KR101221755B1 (ko) 위험기상과 관련된 반사도 셀의 탐지 방법
CN111239704A (zh) 大气探测雷达目标回波识别处理方法、装置、设备及介质
CN110516565A (zh) 一种基于Zernike和SVM的海面船只识别方法
Zhu et al. A rain-type adaptive optical flow method and its application in tropical cyclone rainfall nowcasting
CN106772357B (zh) 信噪比未知条件下的ai-phd滤波器多目标跟踪方法
CN111142075B (zh) 一种道面微小目标检测雷达杂波图自动更新方法
CN110824478B (zh) 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置
Shah et al. Automatic storm (s) identification in high resolution, short range, X-band radar images
Lu et al. Research on rainfall identification based on the echo differential value from X-band navigation radar image
JP3407045B2 (ja) ミリ波センサの信号処理方法
JP4723771B2 (ja) 発雷判定システム及び発雷判定方法
Chang et al. Bare-earth extraction from airborne LiDAR data based on segmentation modeling and iterative surface corrections

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