CN117592002A - 一种初生对流的判识方法及装置 - Google Patents
一种初生对流的判识方法及装置 Download PDFInfo
- Publication number
- CN117592002A CN117592002A CN202410070245.5A CN202410070245A CN117592002A CN 117592002 A CN117592002 A CN 117592002A CN 202410070245 A CN202410070245 A CN 202410070245A CN 117592002 A CN117592002 A CN 117592002A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- bright temperature
- channel
- immature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008859 change Effects 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 11
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000001579 optical reflectometry Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 abstract description 9
- 238000005096 rolling process Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 description 15
- 238000012937 correction Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 230000009466 transformation Effects 0.000 description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012952 Resampling Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种初生对流的判识方法及装置。所述方法包括：获取高空间分辨率的全色光谱数据以及多通道的亮温数据并进行融合以构建融合数据；从所述融合数据中获取非成熟积云数据；对所述非成熟积云数据的指标进行判别以获取初生对流；所述指标至少具有以下之一：长波红外通道亮温，长波红外通道亮温变化趋势，通道亮温差以及通道亮温差变化趋势。本发明基于高分辨率和多通道的融合数据，剔除其中的成熟积云、非降水云、卷云等云系，减少对预警产生的干扰，提高初生对流预警的准确率，还能够实现对初生对流的超前预警。
Description
技术领域
本发明涉及气象领域，尤其涉及一种初生对流的判识方法及装置。
背景技术
主流的初生对流判识技术大多来源于地球静止轨道环境业务卫星资料提出的8个独立的对流初生预报指标，国内现有的对流初生业务产品是基于FY-4A卫星4KM分辨率的数据。
现有技术中的判识方法漏报率和虚警率过高，很难很好地应用到日常业务中。究其原因，对于对流初生过程来说，其水平尺度在几百米到几公里之间，如果单独使用静止气象卫星（如FY4A）分辨率的数据资料，很多小的对流初生过程就不会被观测到，并且对于那些水平尺度不大于几公里的云团来说，会出现无法识别的现象，从而对预警准确率产生影响。同时，受限于静止气象卫星（如FY-4A）的空间分辨率导致成熟积云、非降水云、卷云等云系无法有效剔除，会对对流初生预警产生干扰，造成虚警率过高。
发明内容
本发明提供了一种初生对流的判识方法及装置，用以解决现有技术中单独使用静止气象卫星无法观测到小的对流初生而产生预警准确率低，同时可以剔除干扰云系解决对流初生虚警率偏高的问题。
本发明中的一种初生对流的判识方法，所述方法包括：
获取高空间分辨率的全色光谱数据以及多通道的亮温数据并进行融合以构建融合数据；
从所述融合数据中获取非成熟积云数据；
对所述非成熟积云数据的指标进行判别以获取初生对流；所述指标至少具有以下之一：长波红外通道亮温，长波红外通道亮温变化趋势，通道亮温差以及通道亮温差变化趋势。
可选的，所述方法还包括：
所述非成熟积云数据中包括至少一个云团；获取所述非成熟积云数据中至少一个云团的运动矢量；
基于所述至少一个云团的运动矢量以判别该云团的长波红外通道亮温变化趋势以及通道亮温差变化趋势。
可选的，所述方法还包括，所述通道亮温差包括：6.5μm与10.7μm通道亮温差，12.0μm与10.7μm通道亮温差；所述通道亮温差变化趋势包括：6.5μm 与10.7μm通道亮温差变化趋势，12.0μm与10.7μm通道亮温差变化趋势。
可选的，所述方法还包括：
通过高分辨率卫星获取高空间分辨率的全色光谱数据；
对所述全色光谱数据进行纹理处理以获得纹理特征数据。
可选的，所述方法还包括：
通过静止气象卫星获取多通道的所述亮温数据；
统一所述纹理特征数据与所述亮温数据的分辨率；
融合所述纹理特征数据以及所述亮温数据获取所述融合数据。
可选的，从所述融合数据中获取非成熟积云数据包括：
基于可见光反射率数据获取云面数据；
对所述云面数据进行纹理分析以获取非成熟积云数据。
可选的，基于可见光反射率数据获取云面数据包括：
在所述融合数据中剔除反射率大于第一阈值的像素点以及所述反射率小于第二阈值的像素点以获取云面数据。
可选的，对所述云面数据进行纹理分析以获取非成熟积云数据包括：
计算所述云面数据中每个像素点的标准差；
获取标准差大于第三阈值的像素点以作为非成熟积云数据。
本发明中的一种初生对流的判识装置，所述装置包括：
第一获取单元，用于获取高空间分辨率的全色光谱数据以及多通道的亮温数据并进行融合以构建融合数据；
第二获取单元，用于从所述融合数据中获取非成熟积云数据；
判识单元，用于对所述非成熟积云数据的指标进行判别以获取初生对流；所述指标至少具有以下之一：长波红外通道亮温，长波红外通道亮温变化趋势，通道亮温差以及通道亮温差变化趋势。
本发明中的一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任意一项所述方法的步骤。
本发明基于高分辨率和多通道的融合数据，剔除其中的成熟积云、非降水云、卷云等云系，减少对预警产生的干扰，同时又发挥高空间分辨率的全色光谱数据分钟级别的优势细化判识指标，表明云图的连续快速变化特征，从而捕捉到更小尺度的初生对流，实现对流初生超前预警。
附图说明
图1是本发明实施例中的一种初生对流的判识方法流程图；
图2是本发明实施例中的一种初生对流的判识装置结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
本发明实施例提供一种初生对流的判识方法，如图1所示，所述方法包括：
步骤100，获取高空间分辨率的全色光谱数据以及多通道的亮温数据并进行融合以构建融合数据。其中，分别通过高空间分辨率的卫星设备采集所述全色光谱数据，常规的静止卫星设备采集多通道的亮温数据，将两组数据在时间和空间上进行融合，以获得融合数据。该融合数据既具有高空间分辨率，又包含了多通道，保证了能够捕捉到很多小的对流初生过程。
具体的，所述步骤100包括：
步骤101，通过高分辨率卫星获取全色光谱数据，基于所述全色光谱数据获得第一预处理数据；其中，本发明实施例中高分辨率卫星指的是高分四号卫星，高分辨率卫星能够采集到高分辨率的全色光谱数据，即全色通道数据，将全色通道数据进行预处理后用于实现后续与多通道亮温数据的融合。
步骤102，获取所述第一预处理数据的纹理数据；其中，将第一预处理数据A利用线性插值方法插值到静止气象卫星的观测点上得到矩阵B，然后利用平面方程法将矩阵B插值到高分辨率卫星的观测点上得到矩阵C，进而得到的第一预处理数据的纹理数据W即为: W=A/C。
步骤103，通过静止气象卫星获取亮温数据，基于所述亮温数据获取第二预处理数据；其中，本发明实施例中静止气象卫星是指风云四号气象卫星，由于静止气象卫星的空间分辨率和高分辨率卫星相比有较大的差别，因此需要对静止卫星获得的亮温数据进行预处理，以得到第二预处理数据。具体的，亮温数据与全色通道数据的为同一时间所产生的数据。
步骤104，将所述纹理数据与所述第二预处理数据进行融合以得到融合数据.。具体而言，根据步骤200中得到的纹理数据W加上一个平滑因子S，乘以上述预处理得到的第二预处理数据F，即可得到融合数据R，即为：
R = F * (W+S)。
其中，融合数据R即为融合后的红外图像。
本发明实施例提出的数据融合算法利用高分辨率卫星预处理子系统生成的高分辨率的全色通道数据，经过预处理，结合相同或相近时次的风云四号卫星或其他静止气象卫星的多通道亮温等数据，实现多通道亮温与全色通道数据的融合。
本发明具体实施例中，基于所述全色通道数据获得第一预处理数据包括：
对所述全色通道数据进行几何精纠正以获得纠正数据；
对所述纠正数据进行重采样并获取所述第一预处理数据。
本发明具体实施例中，对所述全色通道数据进行几何精纠正包括：
基于参考影像的特征信息列表从所述全色通道数据中提取特征点并剔除误匹配点；所述特征点的集合为所述纠正数据。对于初步匹配到的特征点，会存在一定量的误匹配点，因此需要从全色通道数据中江所需的特征点进行提取，同时删除误匹配点。
其中，由于参考影像是固定不变的，为加快特征点匹配的速度，参考影像的特征点信息被事先构建好存放在特征信息列表中。
本发明具体实施例中，基于参考影响的特征信息列表从所述全色通道数据中提取特征点包括：
构建高斯尺度空间影像，并基于所述高斯尺度空间影像构建DOG金字塔影像。具体而言，构建高斯尺度空间影像的过程中首先引入尺度空间的概念，尺度空间方法的基本思想是：在视觉信息处理模型中引入一个被视为尺度的参数，通过连续变化尺度参数获得不同尺度下的视觉处理信息，然后综合这些信息以深入地挖掘图像的本质特征。一个图像的尺度空间等于高斯函数/>与原始图像/>的卷积，即，
高斯函数为，其中（x,y）为像素坐标，/>表示图像的卷积操作，/>为尺度空间因子，其大小决定了影像的平滑程序，大尺度对应影像的概貌特征，小尺度对应了影像的细节特征。高斯尺度空间影像构建后，在尺度空间内进行极值检测，建立影像的DOG金子塔影像/>，即
，
其中，k为相邻两个尺度空间倍数的常数。
在所述DOG金字塔影像的尺度空间内确定第一关键点，并计算所述第一关键点邻域内像素的梯度以确定所述第一关键点的主方向。如果一个点在DOG尺度空间本层以及上下2层的26个像素中为最大值或者最小值就是影像在该尺度下的一个关键点，即第一关键点，DOG函数中的极值点与尺度无关，选择DOG函数的极大值或者极限值作为第一关键点，来实现其尺度的不变形。
为了实现第一关键点的选择不变形，获得第一关键点后还需要计算第一关键点邻域内像素的梯度，并以此确定第一关键点的主方向，利用第一关键点邻域像素的梯度方向分布特征为每个第一关键点指定方向参数。
，
，
上式分别为邻域像素在（x,y）处梯度的模值和方向计算公式，其中L所用的尺度为每个第一关键点各自所在的尺度。实际计算时，在以第一关键点为中心的领域窗口内采样，并且用直方图统计领域像素的梯度方向。梯度的直方图的范围是0-360°，每10°代表一个方向，共36个直方图，直方图的峰值代表了该第一关键点在该尺度下的主方向，将其作为第一关键点的主方向。
基于所述第一关键点以及所述第一关键点的主方向构造特征描述向量。在构造特征描述向量时，首先将第一关键点周围局部区域顺时针旋转角，以确保其具有旋转不变性，在旋转后的区域内，将以第一关键点为中心的16×16的矩形窗口内均匀的分成4×4的子区域，在每个子块上分别计算8个方向的梯度直方图，16个字块一共可以得到一个128维的梯度描述向量，经过上述处理后，得到的特征描述向量已经去除了尺度变化、旋转等几何因素的影响，如果对这个128维描述向量进行归一化，进一步可去除光照的影响。
从所述参考影像的特征信息列表中获取任一第二关键点，并从所述第一关键点中获取与所述特征描述向量欧式距离最近的两个第一关键点与所述第二关键点进行匹配以提取特征点。具体的，通过128维特征描述向量的欧氏空间距离作为相似性测度进行影像匹配，当高分四号卫星影像和参考影像的SIFT特征向量生成后，取参考影像的某个第一关键点，并找出高分四号卫星影像中与其特征描述向量欧氏距离最接近的2个第二关键点。在这2个第二关键点中，如果最近距离和次最接近距离的第二关键点之间的比值小于某个阈值则该第一关键点匹配成功。
本发明具体实施例中，剔除误匹配点包括：
采用RANSAC算法和仿射变换模型从所述特征点中剔除误匹配点。
具体的，对于初步匹配到的特征点，会存在一定量的误匹配点，对于遥感影像来说，可以采用RANSAC算法剔除误匹配点，对于高分辨率的影像和参考影像来说，采用仿射变换模型来作为几何约束，仿射变换的模型如下：
，
，
上式中，(与(/>分别为特征点在左影像上的像点坐标和右影像候选匹配点的坐标，(/>为仿射变换的参数。
RANSAC是随机抽样一致性（RANdom Sample Consensus）的缩写词，它可以由一组包含局外点的观测数据集，通过迭代计算估计数学模型的参数，该方法是一种不确定算法，由一定的概率可以得出一个最优或近似最优的结果，因此，为了提高获得最优或近似最优结果的概率，必须增加迭代次数，就影像匹配而言，RANSAC算法中的局外点即为影像的误匹配点，采用RANSAC算法剔除误匹配点的具体流程如下：
（1）设置初始值，其中样本数k为无穷大，样本计算器t为0。
（2）从匹配出的所有特征点中随机抽取3个匹配的特征点对，求解仿射变换的6个参数。
（3）根据上述步骤（2）中的仿射变换的参数，计算其余特征点经过仿射变换后的相素坐标，并计算与候选匹配点之间的距离，若距离小于给定阈值，则该候选匹配点为正确的特征点，否则为误匹配点。
（4）计算误匹配点所占比例=1-（正确匹配的特征点数/匹配总点数）。
（5）计算样本数值，其中/>为置信水平，可取0.1%。
（6）样本计算器t加1。
（7）当k<t时，停止迭代，否则，转回第（2）步继续迭代计算。
（8）当迭代停止后，选取具有正确匹配的特征点数最多的集合作为最佳匹配点集合，将该最佳匹配点集合作为本发明具体实施例中的纠正数据，其余的匹配点则为误匹配点，予以剔除。
本发明具体实施例中，通过双线性插值对所述纠正数据进行重采样并获取所述第一预处理数据。
具体的，对匹配到的纠正数据的像素坐标(x,y)和参考影像的地理坐标(X,Y)，构建反射变换模型，即
，
其中， (为仿射变换的6个参数。当特征点的个数大于3个时，采用最小二乘求解这个6个参数。
确定好仿射变换的参数后，利用仿射变换的反算确定纠正数据所对应影像的空间范围，根据其空间分辨率对每个像元的地理坐标（X1,Y1）计算其在影像中的像素坐标（x1,y1），(x1,y1)像素坐标可能不是整数，因此需要进行影像重采样处理。
双线性插值是由一维线性灰度内插拓展而来的，因为影像是二维的，所以双线性插值就是先在一个维度上线性内插一次，然后在此基础上再另一个维度上再线性内插一次得到结果。
双线性插值的公式为：，
上式中u,v为变换后像素点坐标的相对于整相对点（i,j）的偏移量，具体如图2所示。
相比较于最近邻重采样方法而言，双线性插值法进行重采样多了两次线性插值运算，因此计算量多而且也比较复杂，但是它的效果比最近邻重采样方法要好，不会出现灰度断档现象，但可能会模糊影像。
本发明具体实施例中，基于所述亮温数据获取第二预处理数据包括：
通过平面方程插值法对所述亮温数据进行预处理以获取第二预处理数据；所述第二预处理数据为亮温插值。
具体的，为了使第二预处理数据具有较好的连续性，利用平面方程插值法不仅能最大限度的保持数据的原值，而且能得到最为平滑的插值结果。
如已知三点p1（x1,y1,z1），p2(x2,y2,z2)，p3(x3,y3,z3)，要求确定的平面方程，关键在于求出平面的一个法向量，为此做向量p1p2（x2-x1,y2-y1,z2-z1), p1p3(x3-x1,y3-y1,z3-z1),平面法线和这两个向量垂直，因此法向量为：
；
；
)；
，
其中i, j, k分别是x, y, z三个方向的单位法向量，a,b,c分别是平面方程的系数。
根据上述平面方程可以得到上下两个三角平面的系数分别为：
上三角：
a1=y1*z2-y1*z3-y2*z1+y2*z3+y3*z1-y3*z2
b1=-x1*z2+x1*z3+x2*z1-x2*z3-x3*z1+x3*z2
c1=x1*y2-x1*y3-x2*y1+x2*y3+x3*y1-x3*y2
d1=-x1*y2*z3+x1*y3*z2+x2*y1*z3-x2*y3*z1-x3*y1*z2+x3*y2*z1
其中，a1，b1，c1是上三角的平面方程三个法向量的斜率，d1是上三角的平面方程的截距。
下三角：
a2=y4*z2-y4*z3-y2*z4+y2*z3+y3*z4-y3*z2
b2=-x4*z2+x4*z3+x2*z4-x2*z3-x3*z4+x3*z2
c2=x4*y2-x4*y3-x2*y4+x2*y3+x3*y4-x3*y2
d2=-x4*y2*z3+x4*y3*z2+x2*y4*z3-x2*y3*z4-x3*y4*z2+x3*y2*z4
其中，a2，b2，c2是下三角的平面方程三个法向量的斜率，d2是下三角的平面方程的截距。
然后计算(px,py)所在y方向的向量与(x3,y3)和(x2,y2)两点连线的交点：
y32 = y3-(x3-px)/(x3-x2)*(y3-y2)
如果py小于 y32则利用上面的平面方程计算亮温插值zo：
zo = (-d1 - a1*px - b1*py)/c1
否则利用下面的平面方程计算亮温插值zo：
zo= (-d2 - a2*px - b2*py)/c2
利用平面方程插值法不仅能最大限度的保持数据在融合过程中不失真，而且能够解决融合数据不平滑的问题。
本发明具体实施例中，通过平面方程插值法对所述亮温数据进行预处理以获取第二预处理数据包括：
将所述亮温数据插值到高分辨率卫星的观测点上以获取第二预处理数据。根据上述平面方程插值法，将静止卫星的亮温数据插值到高分辨率卫星的观测点上，得到矩阵F即为第二预处理数据。
步骤200，从所述融合数据中获取非成熟积云数据。具体而言，非成熟积云数据是本发明实施例中所要识别的对流初生过程所产生的积云，因此在步骤200中需要从所述融合数据中排除成熟积云、非降水云、卷云等云系，减少对判识产生的干扰，提高初生对流预警的准确率。
步骤300，对所述非成熟积云数据的指标进行判别以获取初生对流；所述指标至少具有以下之一：长波红外通道亮温，长波红外通道亮温变化趋势，通道亮温差以及通道亮温差变化趋势。其中，至少通过长波红外通道亮温，长波红外通道亮温变化趋势，通道亮温差以及通道亮温差变化趋势之一的指标，从非成熟积云数据中找出初生对流。具体而言，综合非成熟积云数据的长波红外通道亮温，长波红外通道亮温变化趋势，通道亮温差以及通道亮温差变化趋势的多维度特征可以对初生对流进行判识，最终得到初生对流。
具体的，传统对流初生的预警算法主要借鉴了国外学者提出的初生对流判别指标计分统计的方法，本发明实施例中，由于引入了高空间分辨率的全色光谱数据，因此重新建立了新的判别指标以及相应阈值，构建了全新的对流初生判识指标。
本发明实施例中，基于高空间分辨率和多通道的融合数据，剔除其中的成熟积云、非降水云、卷云等云系，减少对预警产生的干扰，同时又发挥高空间分辨率的全色光谱数据分钟级别的优势细化判识指标，从而捕捉到更小尺度的初生对流，实现对流初生超前预警。
本发明实施例所述的一种初生对流的判识方法，较佳的，所述方法还包括：
所述非成熟积云数据中包括至少一个云团；获取所述非成熟积云数据中至少一个云团的运动矢量。
基于所述至少一个云团的运动矢量以判别该云团的长波红外通道亮温变化趋势以及通道亮温差变化趋势。
具体的，指标中有包含时间变化趋势的指标，即长波红外通道亮温变化趋势以及通道亮温差变化趋势需要计算同一云团在不同时刻的位置，这就需要使用高分辨率的图像，通过相邻时刻的两幅红外图像，来计算同一个云团的运动矢量。因此用到的方法是卫星的时间序列图像分析方法，即需要解决像素在时间序列图像追踪问题。
在使用卫星云图资料进行目标的前后追踪时，在气象上最广发、最常用的方法是面积重叠比较法，该方法利用云团的相关性，通过对比前后相邻时刻卫星云图资料，找到相关性最大的匹配云团，完成目标的追踪过程。传统方法一般是基于互相关系统计的高级模式匹配技术，在图像序列中识别和跟踪有效目标来计算的。这些方法对于面积较大，移动速度较慢的云团追踪效果较好，但是对于面积较小，移动速度很快以及内部结构变化很大的目标其追踪效果较差。本发明实施例中所需观测的初生对流具有小尺度特征，并且移动速度较快，目标的发展较迅速，因此本发明具体实施例采用光流法进行小尺度云团的追踪，能够在不知道场景的任何信息的情况下，检测出运动对象，基于融合数据也具有高空间分辨率的特点，满足光流瞬时相对运动的假设，具有实时性和适用性。光流法的工作原理和约束如下：场景的像素强度在相邻帧之间基本不变、相邻像素具有相似的运动。假设I（x，y，t）为时刻t云团的任一像素点（x，y）的像素值，该像素点在两个图像帧之间移动了Δx，Δy，Δt，因此有：
，
假设运动很小，可以从泰勒级数推导一阶泰勒展开式，得
，
其中，即为所求的云团中任一像素值的运动矢量。
本发明实施例所述的一种初生对流的判识方法，较佳的，所述方法还包括：所述通道亮温差包括：6.5μm与10.7μm通道亮温差，12.0μm与10.7μm通道亮温差；所述通道亮温差变化趋势包括：6.5μm 与10.7μm通道亮温差变化趋势，12.0μm与10.7μm通道亮温差变化趋势。
具体而言，针对高空间分辨率的特性以及优势，融合数据也保留了这一的特性，是分钟级别的云图资料，将指标细化至逐分钟级别的判识，这些指标分别如下：
1.长波红外通道亮温，即10.7μm亮温值。在夏季晴空条件下，存在的大气窗区导致卫星传感器能够接收到穿透大气层的地面辐射，从而使 10.7μm 通道亮温值大于 0，但是初生对流出现之前，对流云团就已经出现，因此此时长波红外通道的值应小于 0。当云团的10.7μm 通道亮温值降到 0℃，便会出现云变成冰核的现象。
2.长波红外通道亮温变化趋势。该指标表示长波红外通道的云顶降温率，能够反映出对流云团的云顶高度、垂直发展情况。为了发挥高空间分辨率的优势，该指标5min累积降温的判识基础上，增加逐分钟降温判识，即该通道亮温在过去5min内，逐分钟降低且累积达到一定程度，表明云团在不断向对流云团发展。
3.6.5μm与10.7μm通道亮温差。在晴空条件下，由于对流层低层吸收地面和低云发出的6.5μm波段辐射，使其不能被卫星传感器接收到，而10.7μm波段的辐射被大气层吸收较少，并且地表温度较上层对流层高，故该指标应该为负值。但是对于已经出现强对流的区域，特别是云顶高度已经延伸到低层平流层时，10.7μm亮温值较6.5μm亮温值低，故该指标会为正值。
4.12.0μm与10.7μm通道亮温差，通常被称为分裂窗技术，一般用来区分是成熟积云和卷云。12.0μm与10.7μm通道亮温差接近于0时，是对流性降水区域，当仅有薄卷云存在是，10.7μm波段辐射可以到达卫星，12.0μm不可以；当有积云或者是较厚的云层存在，两个通道的亮温值几乎相等。因此，当12.0μm与10.7μm通道亮温为轻微的负值，说明积云的云顶高度未发展到可以产生对流性降水，但未来有很大的概率出现对流性降水。
5.6.5μm 与10.7μm通道亮温差变化趋势，表征积云的垂直发展情况，此趋势值代表对流云垂直发展的速度。为了发挥高空间分辨率的优势，该指标5min累积增长的判识基础上，增加逐分钟判识，即该通道亮温差在过去5min内，逐分钟增长且累积达到一定程度，表明云团在垂直方向不断发展。
6.12.0μm与10.7μm通道亮温差变化趋势，判断积云是否正在增长。为了发挥高空间分辨率的优势，该指标5min累积增长的判识基础上，增加逐分钟判识，即该通道亮温差在过去5min内，逐分钟增长且累积达到一定程度，表明云团在不断增长。
上述指标综合考虑对流云团的云顶高度、垂直发展情况及其云顶降温率、积云是否正在增长等指标时，发挥高高空间分辨率的优势，增加分钟级别的判识指标，从而捕捉到更小尺度的初生对流，实现对流初生超前预警。
在本发明具体实施例中，指标1-6的具体阈值如下所示：
| 指标 | 判识初生对流的指标 | 阈值 |
| 1 | 10.7μm亮温值 | <0 |
| 2 | 10.7μm亮温随时间变化趋势 | 逐分钟降低且<-2/5min |
| 3 | 6.5μm与10.7μm亮温差 | -35~-10 |
| 4 | 12.0μm与10.7μm亮温差 | -3~0 |
| 5 | 6.5μm与10.7μm亮温随时间变化趋势 | 逐分钟增长且>1.5/5min |
| 6 | 12.0μm与10.7μm亮温随时间变化趋势 | 逐分钟增长且>0.5/5min |
初生对流评分指标具体表示为，当某个像素点满足至少5项指标的阈值时，那么就认为该像素点会在未来 0~1 小时内发展成为初生对流。
本发明实施例所述的一种初生对流的判识方法，较佳的，所述方法还包括：
通过高分辨率卫星获取高空间分辨率的全色光谱数据；
对所述全色光谱数据进行纹理处理以获得纹理特征数据。
具体的，高分辨率卫星可以采用高分四号卫星，对其高分辨率的全色光谱数据进行纹理处理具体包括：对全色光谱数据进行几何精校正。其中，几何精校正主要基于高精度参考影像的SIFT特征匹配算法，利用SIFT特征匹配算法对待校正影像的特征点进行提取，并剔除误匹配点，得到多对待几何精校正影像的像素坐标和参考影像的地理坐标，建立几何精校正的校正模型，完成影像的几何精校正以获得纹理特征数据。
本发明实施例所述的一种初生对流的判识方法，较佳的，所述方法还包括：
通过静止气象卫星获取多通道的所述亮温数据；
统一所述纹理特征数据与所述亮温数据的分辨率；具体的，静止气象卫星可以是风云四号卫星，其可见光空间分辨率为4KM，全圆盘成像时间15分钟。由于风云四号属于静止卫星，其空间分辨率和高分卫星相比有较大的差别，因此进行数据融合之前需要采用插值方法将两者的分辨率统一。
融合所述纹理特征数据以及所述亮温数据以获取所述融合数据。具体的，将纹理特征数据插值到亮温数据上，将插值后的数据通过平面方程插值法再插值到纹理特征数据中；给定一个平滑参数，将上述插值后的数据与纹理特征数据相除，即可得到纹理特征数据的观测纹理。纹理特征数据的观测纹理加上一个平滑因子后，与所述亮温数据通过简单的相乘，即可得到融合数据。
本发明实施例所述的一种初生对流的判识方法，较佳的，从所述融合数据中获取非成熟积云数据包括：
基于可见光反射率数据获取云面数据。首先通过融合数据中的可见光反射率数据进行初步判断，其主要目的是区分出地面、海面与云面。积云主要由水滴组成，有时会伴有冰晶的出现，可见光波段范围内，其光学厚度较厚。在卫星云图上，积云常常表现为云线、云带或者细胞状，并且由于反射率较大，亮度较高。
对所述云面数据进行纹理分析以获取非成熟积云数据。具体的，对被标记为积云的像素点进行纹理分析，目的为进一步将积云进行细分，最终留下非成熟积云。
本发明实施例所述的一种初生对流的判识方法，较佳的，基于可见光反射率数据获取云面数据包括：
在所述融合数据中剔除反射率大于第一阈值的像素点以及所述反射率小于第二阈值的像素点以获取云面数据。具体的，利用反射率的阈值能够区分其他类型的云与成熟的积云，并且可以剔除薄卷云的影响。其中，第一阈值为0.7，第二阈值为0.3。具体操作为：剔除反射率大于0.7的积云像素点，同时排除反射率小于0.3的卷云像元。
本发明实施例所述的一种初生对流的判识方法，较佳的，对所述云面数据进行纹理分析以获取非成熟积云数据包括：
计算所述云面数据中每个像素点的标准差；
获取标准差大于第三阈值的像素点以作为非成熟积云数据。
具体的实施例中，选择20*20像元的矩形方块作为模板，对区域内像素点进行相关标准差的计算，标准差计算公式如下：
，
其中，为所选矩阵模板的大小，/>为该模板内所有像素点的均值，/>为模板内每一像素点的具体数值，所得/>即为针对该模板的标准差。/>
对于积云区域，高标准差的像素点保持之前判定属性不变，即为非成熟积云。而标准差较小的则是错误分类的像素点。具体来说，在暖云中，具有高标准差的像素点可以判断为非成熟积云，而低标准则判定为薄卷云或者厚卷云；在冷云中，具有高标准差的像素点可以判断为成熟积云，而低标准差的像素点可以判断为厚卷云。此处以标准差大于1.5作为非成熟积云的判识阈值，即第三阈值为1.5。
本发明具体实施例所述的一种初生对流的判识装置，如图2所示，所述装置包括：
第一获取单元201，用于获取高空间分辨率的全色光谱数据以及多通道的亮温数据并进行融合以构建融合数据；
第二获取单元202，用于从所述融合数据中获取非成熟积云数据；
判识单元203，用于对所述非成熟积云数据的指标进行判别以获取初生对流；所述指标至少具有以下之一：长波红外通道亮温，长波红外通道亮温变化趋势，通道亮温差以及通道亮温差变化趋势。
本发明具体实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任意一项实施例所述方法的步骤。
本发明实施例融合静止气象卫星的多光谱信息和高分辨率卫星的高精度纹理信息，形成一套高空间分辨率、多光谱的融合卫星数据。基于高空间分辨率可见光通道的反射率和纹理信息，通过积云掩膜处理，剔除成熟积云、非降水云、卷云等云系，减少对预警产生的干扰，提高初生对流预警的准确率。此外，综合考虑对流云团的云顶高度、垂直发展情况及其云顶降温率、积云是否正在增长等指标时，发挥高分四号卫星数据分钟级别的优势，增加分钟级别的判识指标，表明云图的连续快速变化特征，从而捕捉到更小尺度的初生对流，实现对流初生超前预警。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种初生对流的判识方法，其特征在于，所述方法包括：
获取高空间分辨率的全色光谱数据以及多通道的亮温数据并进行融合以构建融合数据；
从所述融合数据中获取非成熟积云数据；
对所述非成熟积云数据的指标进行判别以获取初生对流；所述指标至少具有以下之一：长波红外通道亮温，长波红外通道亮温变化趋势，通道亮温差以及通道亮温差变化趋势。
2.根据权利要求1所述的一种初生对流的判识方法，其特征在于，所述方法还包括：
所述非成熟积云数据中包括至少一个云团；获取所述非成熟积云数据中至少一个云团的运动矢量；
基于所述至少一个云团的运动矢量以判别该云团的长波红外通道亮温变化趋势以及通道亮温差变化趋势。
3.根据权利要求1所述的一种初生对流的判识方法，其特征在于，所述通道亮温差包括：6.5μm与10.7μm通道亮温差，12.0μm与10.7μm通道亮温差；所述通道亮温差变化趋势包括：6.5μm 与10.7μm通道亮温差变化趋势，12.0μm与10.7μm通道亮温差变化趋势。
4.根据权利要求1所述的一种初生对流的判识方法，其特征在于，所述方法还包括：
通过高分辨率卫星获取高空间分辨率的全色光谱数据；
对所述全色光谱数据进行纹理处理以获得纹理特征数据。
5.根据权利要求4所述的一种初生对流的判识方法，其特征在于，所述方法还包括：
通过静止气象卫星获取多通道的所述亮温数据；
统一所述纹理特征数据与所述亮温数据的分辨率；
融合所述纹理特征数据以及所述亮温数据获取所述融合数据。
6.根据权利要求1所述的一种初生对流的判识方法，其特征在于，从所述融合数据中获取非成熟积云数据包括：
基于可见光反射率数据获取云面数据；
对所述云面数据进行纹理分析以获取非成熟积云数据。
7.根据权利要求6所述的一种初生对流的判识方法，其特征在于，基于可见光反射率数据获取云面数据包括：
在所述融合数据中剔除反射率大于第一阈值的像素点以及所述反射率小于第二阈值的像素点以获取云面数据。
8.根据权利要求6所述的一种初生对流的判识方法，其特征在于，对所述云面数据进行纹理分析以获取非成熟积云数据包括：
计算所述云面数据中每个像素点的标准差；
获取标准差大于第三阈值的像素点以作为非成熟积云数据。
9.一种初生对流的判识装置，其特征在于，所述装置包括：
第一获取单元，用于获取高空间分辨率的全色光谱数据以及多通道的亮温数据并进行融合以构建融合数据；
第二获取单元，用于从所述融合数据中获取非成熟积云数据；
判识单元，用于对所述非成熟积云数据的指标进行判别以获取初生对流；所述指标至少具有以下之一：长波红外通道亮温，长波红外通道亮温变化趋势，通道亮温差以及通道亮温差变化趋势。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至8任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410070245.5A CN117592002B (zh) | 2024-01-18 | 2024-01-18 | 一种初生对流的判识方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410070245.5A CN117592002B (zh) | 2024-01-18 | 2024-01-18 | 一种初生对流的判识方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117592002A true CN117592002A (zh) | 2024-02-23 |
| CN117592002B CN117592002B (zh) | 2024-04-26 |
Family
ID=89911877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410070245.5A Active CN117592002B (zh) | 2024-01-18 | 2024-01-18 | 一种初生对流的判识方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117592002B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3086765A1 (fr) * | 2018-10-01 | 2020-04-03 | Selerys | Procede d'evaluation de la maturite d'une cellule nuageuse et systeme associe |
| CN115437036A (zh) * | 2022-08-25 | 2022-12-06 | 张立霞 | 一种基于葵花卫星的对流初生预报方法 |
| CN115542431A (zh) * | 2022-11-25 | 2022-12-30 | 成都远望探测技术有限公司 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
| CN115691049A (zh) * | 2022-09-02 | 2023-02-03 | 云遥动力科技(苏州)有限公司 | 一种基于深度学习的对流初生预警方法 |
-
2024
- 2024-01-18 CN CN202410070245.5A patent/CN117592002B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3086765A1 (fr) * | 2018-10-01 | 2020-04-03 | Selerys | Procede d'evaluation de la maturite d'une cellule nuageuse et systeme associe |
| CN115437036A (zh) * | 2022-08-25 | 2022-12-06 | 张立霞 | 一种基于葵花卫星的对流初生预报方法 |
| CN115691049A (zh) * | 2022-09-02 | 2023-02-03 | 云遥动力科技(苏州)有限公司 | 一种基于深度学习的对流初生预警方法 |
| CN115542431A (zh) * | 2022-11-25 | 2022-12-30 | 成都远望探测技术有限公司 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| YOONJIN LEE等: "A simplified method for the detection of convectiion using high-resolution imagery from GOES-16", 《AMT》, vol. 14, no. 5, 31 December 2021 (2021-12-31) * |
| 覃丹宇;方宗义;: "利用静止气象卫星监测初生对流的研究进展", 气象, no. 01, 21 January 2014 (2014-01-21), pages 7 - 14 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117592002B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2016106950A1 (zh) | 一种基于太阳照射阴影补偿的带状地下结构探测方法 | |
| Hong et al. | A robust technique for precise registration of radar and optical satellite images | |
| CN107240130B (zh) | 遥感影像配准方法、装置及系统 | |
| CN110598613B (zh) | 一种高速公路团雾监测方法 | |
| CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN110267101B (zh) | 一种基于快速三维拼图的无人机航拍视频自动抽帧方法 | |
| CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
| CN114973028B (zh) | 一种航拍视频图像实时变化检测方法及系统 | |
| CN102881012A (zh) | 针对目标尺度变化的视觉目标跟踪方法 | |
| CN116758223A (zh) | 基于双角度多光谱图像的三维多光谱点云重建方法、系统及设备 | |
| CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
| CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
| CN117592002B (zh) | 一种初生对流的判识方法及装置 | |
| CN116863357A (zh) | 一种无人机遥感堤坝影像定标与智能分割变化检测方法 | |
| CN111862005A (zh) | 一种利用合成雷达图像精准定位热带气旋中心的方法及系统 | |
| CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
| CN115035281B (zh) | 一种快速的红外全景图像拼接方法 | |
| Jiale et al. | Automatic identification method of pointer meter under complex environment | |
| CN116128919A (zh) | 基于极线约束的多时相图像异动目标检测方法及系统 | |
| CN116206139A (zh) | 一种基于局部自卷积的无人机图像升尺度匹配方法 | |
| Kumar et al. | An efficient method for road tracking from satellite images using hybrid multi-kernel partial least square analysis and particle filter | |
| CN111626325B (zh) | 一种基于特征的图像匹配方法 | |
| CN111899222A (zh) | 一种利用风向全自动初步定位热带气旋中心的方法及系统 | |
| Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
| Khamis et al. | Assessing the urban encroachment phenomenon in Egypt using satellite imagery |
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 |