CN117710834B - 一种基于大数据的中尺度涡旋识别分析方法、系统及介质 - Google Patents
一种基于大数据的中尺度涡旋识别分析方法、系统及介质 Download PDFInfo
- Publication number
- CN117710834B CN117710834B CN202410167041.3A CN202410167041A CN117710834B CN 117710834 B CN117710834 B CN 117710834B CN 202410167041 A CN202410167041 A CN 202410167041A CN 117710834 B CN117710834 B CN 117710834B
- Authority
- CN
- China
- Prior art keywords
- vortex
- data
- point
- distribution
- tracking
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims description 110
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 16
- 238000010191 image analysis Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 238000007405 data analysis Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于大数据的中尺度涡旋识别分析方法、系统及介质，用于大洋的中尺度涡旋的识别与追踪，基本原理是基于卫星遥感获取的海平面异常高度值（简称SLA），对数据进行分析以识别中尺度涡旋，并对其进行追踪，进一步通过遥感图像进行数据异常评估分析。通过本发明能够实现涡旋数据的精准计算，并有效进行涡旋数据的精准性评估。
Description
技术领域
本发明涉及大数据与卫星遥感数据分析领域，更具体的，涉及一种基于大数据的中尺度涡旋识别分析方法、系统及介质。
背景技术
中尺度涡旋是海洋中的重要动力现象，对海洋环流、物质输运和生态系统等具有显著影响。准确、快速地识别中尺度涡旋对于海洋科学研究、海洋环境监测和海洋资源开发具有重要意义。然而，传统的中尺度涡旋识别方法主要依赖于人工分析和经验判断，效率低下且易受主观因素影响，且缺少对涡旋数据进行异常评估与精准性的评估方法。因此，目前亟需一种基于大数据的中尺度涡旋识别分析方法。
发明内容
本发明克服了现有技术的缺陷，提出了一种基于大数据的中尺度涡旋识别分析方法、系统及介质。
本发明第一方面提供了一种基于大数据的中尺度涡旋识别分析方法，包括：
S1在一个预设时间段内，获取遥感卫星大数据；
S2将所述遥感卫星大数据进行数据清洗预处理，将预处理后的大数据进行海洋平面数据提取，得到海平面异常高度值数据SLA；
S3基于海平面异常高度值数据获取原始数据集合P0={p1、p2、p3……pn}，每个点的数据包含经纬度和速度向量u、v；
S4遍历集合P0，将符合预设条件A的点作为涡心备用点集P1；
S5遍历集合P1，将满足预设条件B的点作为涡心点集P2；
S6基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作；
S7在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图；
S8通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行分布差异对比，将第一、第二动态走势图进行走势特征差异对比，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别。
本方案中，所述遍历集合P0，将符合预设条件A的点作为涡心备用点集P1中，所述预设条件A具体为：
A1：从P0中取一个点pi，获取pi与右边相邻点pk，两者速度向量v方向相反，并且pi左边a个点中，离pi越远的点其速度v的绝对值越大，pk右边a个点中，离pk越远的点其速度v的绝对值越大，其中，a是参数，默认2；
A2：点pi上下相邻点pj，pu，两者速度向量u方向相反，且点pi上下左右相邻4个点，旋转方向一致。
本方案中，所述遍历集合P1，将满足预设条件B的点作为涡心点集P2中，所述预设条件B具体为：
B1：点pi上下左右b个点范围内，如果不存在点集P2中的点，或者pi的速度uv均是最小值，则pi有效，将pi列为点集P2，其中，b为参数，默认1；
B2：点pi上下左右b个点范围内，如果存在点集P2中的点pj，且pi的速度uv大于pj的速度uv2，则pi无效，对pj重复上述B1判断；
其中，pi为遍历集合P1中的点。
本方案中，所述基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作，具体为：
遍历涡心点集P2，初始半径r=1，每次取值加1进行半径有效性判断，取最大有效的半径r作为涡旋的半径；
有效半径r判定条件为，以点pi为圆心，半径r范围之内所有点，相对于pi的旋转同为顺时针或同为逆时针，则半径r有效；
分析出涡心点集P2中所有点的涡旋半径，并将半径数据进行存储；
将半径小于50公里，SLA差值小于0.005的涡旋标记为无效涡旋并进行数据删除；
在涡心点集P2中，设定其中任意两个涡旋V1（pt1，r1）和V2（pt2，r2），如果V1，V2的旋转方向相同，且涡心距离p1p2小于半径{r1,r2}的最小值，则判定V1，V2为同一个涡旋并进行涡旋数据合并；
其中，pi为遍历涡心点集P2中的点。
本方案中，所述在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图，具体为：
设定日期T1的涡旋V1（pt1，r1）与后一天T2的涡旋V2（pt2，r2）；
条件1：若V1，V2的旋转方向相同，涡心距离pt1pt2小于半径{r1,r2}的最小值，则V1，V2为同一个涡旋；
若V1和V2都是组合型涡旋，取V1中任意一个涡旋Vx与V2中任意一个涡旋Vy，如果Vx，Vy满足条件1，则V1和V2属于同一个涡旋；
在预设时间段内，基于不同日期的涡旋进行同一涡旋的判定与追踪，并形成涡旋追踪数据；
所述涡旋追踪数据包括涡旋位移数据与不同时间点的涡旋位置分布数据；
在进行涡旋追踪过程中，若T2中存在多个涡旋与V1满足上述同一涡旋条件，则取T2多个涡旋中涡心速度最低的涡旋V；若T1有多个涡旋与V2满足上述条件，则取T1多个涡旋中涡心速度最低的涡旋V。
本方案中，所述在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图，还包括：
基于预设大洋区域获取对应遥感图像数据，对所述遥感图像数据进行涡旋数据删除，形成初始遥感图像数据；
基于涡旋追踪数据，在初始遥感图像数据中进行涡旋的分布模拟与移动描述，并形成第一涡旋分布图与第一动态走势图；
所述第一涡旋分布图包括涡旋位置点信息；
所述第一动态走势图为基于涡旋在连续时间下，涡心点的位移进行描绘得到的曲线图。
本方案中，所述通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行差异对比，将第一、第二动态走势图进行差异对比，所述差异对比均基于特征融合法进行差异判断，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别，具体为：
通过遥感卫星大数据获取遥感涡旋图像数据，将所述遥感涡旋图像数据进行图像降噪、增强预处理；
基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图；
根据第一涡旋分布图与第一涡旋分布图，基于涡旋位置、涡旋数量、涡旋密度三个维度进行两组数据的差异性分析，并得到分布差异值；
对第一动态走势图与第二动态走势图进行基于SIFT的形状特征提取，分别得到第一形状特征数据与第二形状特征数据；
基于标准欧式距离，计算第一形状特征数据与第二形状特征数据之间的差异度，并将差异度作为走势差异值；
基于所述分布差异值与走势差异值，综合判断分析涡旋数据的计算误差与异常值评估。
本发明第二方面还提供了一种基于大数据的中尺度涡旋识别分析系统，该系统包括：存储器、处理器，所述存储器中包括基于大数据的中尺度涡旋识别分析程序，所述基于大数据的中尺度涡旋识别分析程序被所述处理器执行时实现如下步骤：
S1在一个预设时间段内，获取遥感卫星大数据；
S2将所述遥感卫星大数据进行数据清洗预处理，将预处理后的大数据进行海洋平面数据提取，得到海平面异常高度值数据SLA；
S3基于海平面异常高度值数据获取原始数据集合P0={p1、p2、p3……pn}，每个点的数据包含经纬度和速度向量u、v；
S4遍历集合P0，将符合预设条件A的点作为涡心备用点集P1；
S5遍历集合P1，将满足预设条件B的点作为涡心点集P2；
S6基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作；
S7在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图；
S8通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行分布差异对比，将第一、第二动态走势图进行走势特征差异对比，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别。
本发明第三方面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中包括基于大数据的中尺度涡旋识别分析程序，所述基于大数据的中尺度涡旋识别分析程序被处理器执行时，实现如上述任一项所述的基于大数据的中尺度涡旋识别分析方法的步骤。
本发明公开了一种基于大数据的中尺度涡旋识别分析方法、系统及介质，用于大洋的中尺度涡旋的识别与追踪，基本原理是基于卫星遥感获取的海平面异常高度值（简称SLA），对数据进行分析以识别中尺度涡旋，并对其进行追踪，进一步通过遥感图像进行数据异常评估分析。通过本发明能够实现涡旋数据的精准计算，并有效进行涡旋数据的精准性评估。
附图说明
图1示出了本发明一种基于大数据的中尺度涡旋识别分析方法的流程图；
图2示出了本发明一种基于大数据的中尺度涡旋识别分析系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于大数据的中尺度涡旋识别分析方法的流程图。
如图1所示，本发明第一方面提供了一种基于大数据的中尺度涡旋识别分析方法，包括：
S1在一个预设时间段内，获取遥感卫星大数据；
S2将所述遥感卫星大数据进行数据清洗预处理，将预处理后的大数据进行海洋平面数据提取，得到海平面异常高度值数据SLA；
S3基于海平面异常高度值数据获取原始数据集合P0={p1、p2、p3……pn}，每个点的数据包含经纬度和速度向量u、v；
S4遍历集合P0，将符合预设条件A的点作为涡心备用点集P1；
S5遍历集合P1，将满足预设条件B的点作为涡心点集P2；
S6基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作；
S7在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图；
S8通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行分布差异对比，将第一、第二动态走势图进行走势特征差异对比，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别。
根据本发明实施例，所述遍历集合P0，将符合预设条件A的点作为涡心备用点集P1中，所述预设条件A具体为：
A1：从P0中取一个点pi，获取pi与右边相邻点pk，两者速度向量v方向相反，并且pi左边a个点中，离pi越远的点其速度v的绝对值越大，pk右边a个点中，离pk越远的点其速度v的绝对值越大，其中，a是参数，默认2；
A2：点pi上下相邻点pj，pu，两者速度向量u方向相反，且点pi上下左右相邻4个点，旋转方向一致。
需要说明的是，大写的P代表集合，小写的p代表集合中的某一点数据。所述原始数据集合为海平面数据点集合，且包括每个点的经纬度、速度等数据。P1中的点需要满足预设条件A中具体的所有条件，其余预设条件也是需满足里面具体的所有条件才能符合具体的集合筛选流程。所述速度向量u、v为不同方向的速度。
根据本发明实施例，所述遍历集合P1，将满足预设条件B的点作为涡心点集P2中，所述预设条件B具体为：
B1：点pi上下左右b个点范围内，如果不存在点集P2中的点，或者pi的速度uv均是最小值，则pi有效，将pi列为点集P2，其中，b为参数，默认1；
B2：点pi上下左右b个点范围内，如果存在点集P2中的点pj，且pi的速度uv大于pj的速度uv2，则pi无效，对pj重复上述B1判断。其中，pi为遍历集合P1中的点。
需要说明的是，所述pi为对应集合遍历的某一点表示。所述pi的速度uv均是最小值为与b个点相比。通过B1，B2条件可进行有效点分析并列入P2。
根据本发明实施例，所述基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作，具体为：
遍历涡心点集P2，初始半径r=1，每次取值加1进行半径有效性判断，取最大有效的半径r作为涡旋的半径；
有效半径r判定条件为，以点pi为圆心，半径r范围之内所有点，相对于pi的旋转同为顺时针或同为逆时针，则半径r有效；
分析出涡心点集P2中所有点的涡旋半径，并将半径数据进行存储；
将半径小于50公里，SLA差值小于0.005的涡旋标记为无效涡旋并进行数据删除；
在涡心点集P2中，设定其中任意两个涡旋V1（pt1，r1）和V2（pt2，r2），如果V1，V2的旋转方向相同，且涡心距离p1p2小于半径{r1,r2}的最小值，则判定V1，V2为同一个涡旋并进行涡旋数据合并。其中，pi为遍历涡心点集P2中的点。
需要说明的是，所述半径取值规律为r=1、2、3、4……，SLA差值即海平面异常差值，同一个涡旋一般是狭长型涡旋。
根据本发明实施例，所述在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图，具体为：
设定日期T1的涡旋V1（pt1，r1）与后一天T2的涡旋V2（pt2，r2）；
条件1：若V1，V2的旋转方向相同，涡心距离pt1pt2小于半径{r1,r2}的最小值，则V1，V2为同一个涡旋；
若V1和V2都是组合型涡旋，取V1中任意一个涡旋Vx与V2中任意一个涡旋Vy，如果Vx，Vy满足条件1，则V1和V2属于同一个涡旋；
在预设时间段内，基于不同日期的涡旋进行同一涡旋的判定与追踪，并形成涡旋追踪数据；
所述涡旋追踪数据包括涡旋位移数据与不同时间点的涡旋位置分布数据；
在进行涡旋追踪过程中，若T2中存在多个涡旋与V1满足上述同一涡旋条件，则取T2多个涡旋中涡心速度最低的涡旋V；若T1有多个涡旋与V2满足上述条件，则取T1多个涡旋中涡心速度最低的涡旋V。
需要说明的是，组合型涡旋一般是狭长型的涡旋。本实施例中，大写V为涡旋表示，小写v为速度表示。
根据本发明实施例，所述在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图，还包括：
基于预设大洋区域获取对应遥感图像数据，对所述遥感图像数据进行涡旋数据删除，形成初始遥感图像数据；
基于涡旋追踪数据，在初始遥感图像数据中进行涡旋的分布模拟与移动描述，并形成第一涡旋分布图与第一动态走势图；
所述第一涡旋分布图包括涡旋位置点信息；
所述第一动态走势图为基于涡旋在连续时间下，涡心点的位移进行描绘得到的曲线图。
需要说明的是，通过第一涡旋分布图与第一动态走势图，能够基于数据分析维度下，可视化在预设时间段内的涡旋分布位移情况。
根据本发明实施例，所述通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行差异对比，将第一、第二动态走势图进行差异对比，所述差异对比均基于特征融合法进行差异判断，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别，具体为：
通过遥感卫星大数据获取遥感涡旋图像数据，将所述遥感涡旋图像数据进行图像降噪、增强预处理；
基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图；
根据第一涡旋分布图与第一涡旋分布图，基于涡旋位置、涡旋数量、涡旋密度三个维度进行两组数据的差异性分析，并得到分布差异值；
对第一动态走势图与第二动态走势图进行基于SIFT的形状特征提取，分别得到第一形状特征数据与第二形状特征数据；
基于标准欧式距离，计算第一形状特征数据与第二形状特征数据之间的差异度，并将差异度作为走势差异值；
基于所述分布差异值与走势差异值，综合判断分析涡旋数据的计算误差与异常值评估。
需要说明的是，所述涡旋识别应用基于CNN的图像识别模块。所述涡旋位置、涡旋数量、涡旋密度三个维度进行两组数据的差异性分析中，涡旋位置可通过计算两图中相邻涡旋的距离值分析差异，涡旋密度可基于某一或几个特定区域的密度进行计算分析得出差异性，最后基于三个维度的差异进行加权平均得到分布差异值。所述动态走势图即涡旋的位移曲线图，能够反映涡旋在大洋区域内的走势。所述分布差异值与走势差异值越大，则代表涡旋数据在海平面数据计算与遥感图像计算结果的偏差越大，即旋涡数据可能出现异常数据的概率也越大。
值得一提的是，在进行中尺度旋涡计算时，由于受遥感数据的准确性影响，可能会存在数据不精确的情况，而在传统的遥感技术分析中，难以对数据进行异常评估与精准性的评估。而在本发明中，通过本实施例的中尺度计算方法，能够实现基于海洋平面数据的涡旋数据分析与可视化，进一步地，通过遥感图像数据分析出基于遥感图像的涡旋图像，并基于本发明的涡旋数据与涡旋图像进行分布差异计算，差异基于涡旋分布与走势两个维度，通过差异值，能够有效进行涡旋数据的精准性评估，从而实现有效与快速地断定数据的准确度与可信度，为涡旋研究带来进一步的分析精度提升，有效提高涡旋的数据化分析能力。
图2示出了本发明一种基于大数据的中尺度涡旋识别分析系统的框图。
本发明第二方面还提供了一种基于大数据的中尺度涡旋识别分析系统2，该系统包括：存储器21、处理器22，所述存储器中包括基于大数据的中尺度涡旋识别分析程序，所述基于大数据的中尺度涡旋识别分析程序被所述处理器执行时实现如下步骤：
S1在一个预设时间段内，获取遥感卫星大数据；
S2将所述遥感卫星大数据进行数据清洗预处理，将预处理后的大数据进行海洋平面数据提取，得到海平面异常高度值数据SLA；
S3基于海平面异常高度值数据获取原始数据集合P0={p1、p2、p3……pn}，每个点的数据包含经纬度和速度向量u、v；
S4遍历集合P0，将符合预设条件A的点作为涡心备用点集P1；
S5遍历集合P1，将满足预设条件B的点作为涡心点集P2；
S6基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作；
S7在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图；
S8通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行分布差异对比，将第一、第二动态走势图进行走势特征差异对比，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别。
根据本发明实施例，所述遍历集合P0，将符合预设条件A的点作为涡心备用点集P1中，所述预设条件A具体为：
A1：从P0中取一个点pi，获取pi与右边相邻点pk，两者速度向量v方向相反，并且pi左边a个点中，离pi越远的点其速度v的绝对值越大，pk右边a个点中，离pk越远的点其速度v的绝对值越大，其中，a是参数，默认2；
A2：点pi上下相邻点pj，pu，两者速度向量u方向相反，且点pi上下左右相邻4个点，旋转方向一致。
需要说明的是，大写的P代表集合，小写的p代表集合中的某一点数据。所述原始数据集合为海平面数据点集合，且包括每个点的经纬度、速度等数据。P1中的点需要满足预设条件A中具体的所有条件，其余预设条件也是需满足里面具体的所有条件才能符合具体的集合筛选流程。所述速度向量u、v为不同方向的速度。
根据本发明实施例，所述遍历集合P1，将满足预设条件B的点作为涡心点集P2中，所述预设条件B具体为：
B1：点pi上下左右b个点范围内，如果不存在点集P2中的点，或者pi的速度uv均是最小值，则pi有效，将pi列为点集P2，其中，b为参数，默认1；
B2：点pi上下左右b个点范围内，如果存在点集P2中的点pj，且pi的速度uv大于pj的速度uv2，则pi无效，对pj重复上述B1判断。其中，pi为遍历集合P1中的点。
需要说明的是，所述pi为对应集合遍历的某一点表示。所述pi的速度uv均是最小值为与b个点相比。通过B1，B2条件可进行有效点分析并列入P2。
根据本发明实施例，所述基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作，具体为：
遍历涡心点集P2，初始半径r=1，每次取值加1进行半径有效性判断，取最大有效的半径r作为涡旋的半径；
有效半径r判定条件为，以点pi为圆心，半径r范围之内所有点，相对于pi的旋转同为顺时针或同为逆时针，则半径r有效；
分析出涡心点集P2中所有点的涡旋半径，并将半径数据进行存储；
将半径小于50公里，SLA差值小于0.005的涡旋标记为无效涡旋并进行数据删除；
在涡心点集P2中，设定其中任意两个涡旋V1（pt1，r1）和V2（pt2，r2），如果V1，V2的旋转方向相同，且涡心距离p1p2小于半径{r1,r2}的最小值，则判定V1，V2为同一个涡旋并进行涡旋数据合并。其中，pi为遍历涡心点集P2中的点。
需要说明的是，所述半径取值规律为r=1、2、3、4……，SLA差值即海平面异常差值，同一个涡旋一般是狭长型涡旋。
根据本发明实施例，所述在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图，具体为：
设定日期T1的涡旋V1（pt1，r1）与后一天T2的涡旋V2（pt2，r2）；
条件1：若V1，V2的旋转方向相同，涡心距离pt1pt2小于半径{r1,r2}的最小值，则V1，V2为同一个涡旋；
若V1和V2都是组合型涡旋，取V1中任意一个涡旋Vx与V2中任意一个涡旋Vy，如果Vx，Vy满足条件1，则V1和V2属于同一个涡旋；
在预设时间段内，基于不同日期的涡旋进行同一涡旋的判定与追踪，并形成涡旋追踪数据；
所述涡旋追踪数据包括涡旋位移数据与不同时间点的涡旋位置分布数据；
在进行涡旋追踪过程中，若T2中存在多个涡旋与V1满足上述同一涡旋条件，则取T2多个涡旋中涡心速度最低的涡旋V；若T1有多个涡旋与V2满足上述条件，则取T1多个涡旋中涡心速度最低的涡旋V。
需要说明的是，组合型涡旋一般是狭长型的涡旋。本实施例中，大写V为涡旋表示，小写v为速度表示。
根据本发明实施例，所述在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图，还包括：
基于预设大洋区域获取对应遥感图像数据，对所述遥感图像数据进行涡旋数据删除，形成初始遥感图像数据；
基于涡旋追踪数据，在初始遥感图像数据中进行涡旋的分布模拟与移动描述，并形成第一涡旋分布图与第一动态走势图；
所述第一涡旋分布图包括涡旋位置点信息；
所述第一动态走势图为基于涡旋在连续时间下，涡心点的位移进行描绘得到的曲线图。
需要说明的是，通过第一涡旋分布图与第一动态走势图，能够基于数据分析维度下，可视化在预设时间段内的涡旋分布位移情况。
根据本发明实施例，所述通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行差异对比，将第一、第二动态走势图进行差异对比，所述差异对比均基于特征融合法进行差异判断，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别，具体为：
通过遥感卫星大数据获取遥感涡旋图像数据，将所述遥感涡旋图像数据进行图像降噪、增强预处理；
基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图；
根据第一涡旋分布图与第一涡旋分布图，基于涡旋位置、涡旋数量、涡旋密度三个维度进行两组数据的差异性分析，并得到分布差异值；
对第一动态走势图与第二动态走势图进行基于SIFT的形状特征提取，分别得到第一形状特征数据与第二形状特征数据；
基于标准欧式距离，计算第一形状特征数据与第二形状特征数据之间的差异度，并将差异度作为走势差异值；
基于所述分布差异值与走势差异值，综合判断分析涡旋数据的计算误差与异常值评估。
需要说明的是，所述涡旋识别应用基于CNN的图像识别模块。所述涡旋位置、涡旋数量、涡旋密度三个维度进行两组数据的差异性分析中，涡旋位置可通过计算两图中相邻涡旋的距离值分析差异，涡旋密度可基于某一或几个特定区域的密度进行计算分析得出差异性，最后基于三个维度的差异进行加权平均得到分布差异值。所述动态走势图即涡旋的位移曲线图，能够反映涡旋在大洋区域内的走势。所述分布差异值与走势差异值越大，则代表涡旋数据在海平面数据计算与遥感图像计算结果的偏差越大，即旋涡数据可能出现异常数据的概率也越大。
值得一提的是，在进行中尺度旋涡计算时，由于受遥感数据的准确性影响，可能会存在数据不精确的情况，而在传统的遥感技术分析中，难以对数据进行异常评估与精准性的评估。而在本发明中，通过本实施例的中尺度计算方法，能够实现基于海洋平面数据的涡旋数据分析与可视化，进一步地，通过遥感图像数据分析出基于遥感图像的涡旋图像，并基于本发明的涡旋数据与涡旋图像进行分布差异计算，差异基于涡旋分布与走势两个维度，通过差异值，能够有效进行涡旋数据的精准性评估，从而实现有效与快速地断定数据的准确度与可信度，为涡旋研究带来进一步的分析精度提升，有效提高涡旋的数据化分析能力。
本发明第三方面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中包括基于大数据的中尺度涡旋识别分析程序，所述基于大数据的中尺度涡旋识别分析程序被处理器执行时，实现如上述任一项所述的基于大数据的中尺度涡旋识别分析方法的步骤。
本发明公开了一种基于大数据的中尺度涡旋识别分析方法、系统及介质，用于大洋的中尺度涡旋的识别与追踪，基本原理是基于卫星遥感获取的海平面异常高度值（简称SLA），对数据进行分析以识别中尺度涡旋，并对其进行追踪，进一步通过遥感图像进行数据异常评估分析。通过本发明能够实现涡旋数据的精准计算，并有效进行涡旋数据的精准性评估。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于大数据的中尺度涡旋识别分析方法，其特征在于，包括：
S1在一个预设时间段内，获取遥感卫星大数据；
S2将所述遥感卫星大数据进行数据清洗预处理，将预处理后的大数据进行海洋平面数据提取，得到海平面异常高度值数据SLA；
S3基于海平面异常高度值数据获取原始数据集合P0={p1、p2、p3……pn}，每个点的数据包含经纬度和速度向量u、v；
S4遍历集合P0，将符合预设条件A的点作为涡心备用点集P1；
S5遍历集合P1，将满足预设条件B的点作为涡心点集P2；
S6基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作；
S7在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图；
S8通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行分布差异对比，将第一、第二动态走势图进行走势特征差异对比，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别。
2.根据权利要求1所述的一种基于大数据的中尺度涡旋识别分析方法，其特征在于，所述遍历集合P0，将符合预设条件A的点作为涡心备用点集P1中，所述预设条件A具体为：
A1：从P0中取一个点pi，获取pi与右边相邻点pk，两者速度向量v方向相反，并且pi左边a个点中，离pi越远的点其速度v的绝对值越大，pk右边a个点中，离pk越远的点其速度v的绝对值越大，其中，a是参数，默认2；
A2：点pi上下相邻点pj，pu，两者速度向量u方向相反，且点pi上下左右相邻4个点，旋转方向一致。
3.根据权利要求1所述的一种基于大数据的中尺度涡旋识别分析方法，其特征在于，所述遍历集合P1，将满足预设条件B的点作为涡心点集P2中，所述预设条件B具体为：
B1：点pi上下左右b个点范围内，如果不存在点集P2中的点，或者pi的速度uv均是最小值，则pi有效，将pi列为点集P2，其中，b为参数，默认1；
B2：点pi上下左右b个点范围内，如果存在点集P2中的点pj，且pi的速度uv大于pj的速度uv2，则pi无效，对pj重复上述B1判断；
其中，pi为遍历集合P1中的点。
4.根据权利要求1所述的一种基于大数据的中尺度涡旋识别分析方法，其特征在于，所述基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作，具体为：
遍历涡心点集P2，初始半径r=1，每次取值加1进行半径有效性判断，取最大有效的半径r作为涡旋的半径；
有效半径r判定条件为，以点pi为圆心，半径r范围之内所有点，相对于pi的旋转同为顺时针或同为逆时针，则半径r有效；
分析出涡心点集P2中所有点的涡旋半径，并将半径数据进行存储；
将半径小于50公里，SLA差值小于0.005的涡旋标记为无效涡旋并进行数据删除；
在涡心点集P2中，设定其中任意两个涡旋V1（pt1，r1）和V2（pt2，r2），如果V1，V2的旋转方向相同，且涡心距离pt1pt2小于半径{r1,r2}的最小值，则判定V1，V2为同一个涡旋并进行涡旋数据合并；
其中，pi为遍历涡心点集P2中的点。
5.根据权利要求1所述的一种基于大数据的中尺度涡旋识别分析方法，其特征在于，所述在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图，具体为：
设定日期T1的涡旋V1（pt1，r1）与后一天T2的涡旋V2（pt2，r2）；
在预设时间段内，基于不同日期的涡旋进行同一涡旋的判定与追踪，并形成涡旋追踪数据；
所述涡旋追踪数据包括涡旋位移数据与不同时间点的涡旋位置分布数据；
在进行涡旋追踪过程中，若T2这一天中存在多个涡旋与V1满足同一涡旋条件，则取T2这一天中多个涡旋中涡心速度最低的涡旋作为与V1相同的涡旋进行追踪分析；若T1这一天中有多个涡旋与V2满足上述同一涡旋条件，则取T1这一天中多个涡旋中涡心速度最低的涡旋作为与V2相同的涡旋进行追踪分析。
6.根据权利要求5所述的一种基于大数据的中尺度涡旋识别分析方法，其特征在于，所述在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图，还包括：
基于预设大洋区域获取对应遥感图像数据，对所述遥感图像数据进行涡旋数据删除，形成初始遥感图像数据；
基于涡旋追踪数据，在初始遥感图像数据中进行涡旋的分布模拟与移动描述，并形成第一涡旋分布图与第一动态走势图；
所述第一涡旋分布图包括涡旋位置点信息；
所述第一动态走势图为基于涡旋在连续时间下，涡心点的位移进行描绘得到的曲线图。
7.根据权利要求6所述的一种基于大数据的中尺度涡旋识别分析方法，其特征在于，所述通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行差异对比，将第一、第二动态走势图进行差异对比，所述差异对比均基于特征融合法进行差异判断，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别，具体为：
通过遥感卫星大数据获取遥感涡旋图像数据，将所述遥感涡旋图像数据进行图像降噪、增强预处理；
基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图；
根据第一涡旋分布图与第一涡旋分布图，基于涡旋位置、涡旋数量、涡旋密度三个维度进行两组数据的差异性分析，并得到分布差异值；
对第一动态走势图与第二动态走势图进行基于SIFT的形状特征提取，分别得到第一形状特征数据与第二形状特征数据；
基于标准欧式距离，计算第一形状特征数据与第二形状特征数据之间的差异度，并将差异度作为走势差异值；
基于所述分布差异值与走势差异值，综合判断分析涡旋数据的计算误差与异常值评估。
8.一种基于大数据的中尺度涡旋识别分析系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于大数据的中尺度涡旋识别分析程序，所述基于大数据的中尺度涡旋识别分析程序被所述处理器执行时实现如下步骤：
S1在一个预设时间段内，获取遥感卫星大数据；
S2将所述遥感卫星大数据进行数据清洗预处理，将预处理后的大数据进行海洋平面数据提取，得到海平面异常高度值数据SLA；
S3基于海平面异常高度值数据获取原始数据集合P0={p1、p2、p3……pn}，每个点的数据包含经纬度和速度向量u、v；
S4遍历集合P0，将符合预设条件A的点作为涡心备用点集P1；
S5遍历集合P1，将满足预设条件B的点作为涡心点集P2；
S6基于点集P2进行涡旋半径计算，无效涡旋删除与相同涡旋合并操作；
S7在预设时间段内，对涡旋进行不同日期的涡旋判定与涡旋追踪，基于涡旋追踪数据模拟出第一涡旋分布图与第一动态走势图；
S8通过遥感卫星大数据获取遥感涡旋图像数据，基于所述图像数据进行涡旋识别与跟踪，形成基于图像分析的第二涡旋分布图与第二动态走势图，将第一、第二涡旋分布图进行分布差异对比，将第一、第二动态走势图进行走势特征差异对比，并分别得到涡旋的分布差异值与走势差异值，基于所述分布差异值与走势差异值进行涡旋计算异常判别。
9.一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中包括基于大数据的中尺度涡旋识别分析程序，所述基于大数据的中尺度涡旋识别分析程序被处理器执行时，实现如权利要求1至7中任一项所述的基于大数据的中尺度涡旋识别分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410167041.3A CN117710834B (zh) | 2024-02-06 | 2024-02-06 | 一种基于大数据的中尺度涡旋识别分析方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410167041.3A CN117710834B (zh) | 2024-02-06 | 2024-02-06 | 一种基于大数据的中尺度涡旋识别分析方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117710834A CN117710834A (zh) | 2024-03-15 |
| CN117710834B true CN117710834B (zh) | 2024-05-03 |
Family
ID=90144752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410167041.3A Active CN117710834B (zh) | 2024-02-06 | 2024-02-06 | 一种基于大数据的中尺度涡旋识别分析方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117710834B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992914A (zh) * | 2019-04-09 | 2019-07-09 | 中国海洋大学 | 面向海洋再分析数据的基于压力异常的三维中尺度涡旋识别技术 |
| CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
| CN112766194A (zh) * | 2021-01-26 | 2021-05-07 | 上海海洋大学 | 一种海洋中尺度涡检测方法 |
| CN114488143A (zh) * | 2021-12-13 | 2022-05-13 | 北京电子工程总体研究所 | 一种sar图像中海洋涡旋动力参数反演方法及系统 |
| CN114997267A (zh) * | 2022-04-25 | 2022-09-02 | 中国科学院计算机网络信息中心 | 一种海洋旋涡演化分析方法、装置、设备及可读存储介质 |
| CN115267770A (zh) * | 2022-01-13 | 2022-11-01 | 中国科学院空天信息创新研究院 | 一种sar图像海洋涡旋检测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11455758B2 (en) * | 2018-11-16 | 2022-09-27 | The Government of the United States of America, as represented by the Secretarv of the Navy | Oceanic eddy detection from two-dimensional sea level topography gradients |
| US20240013531A1 (en) * | 2022-06-14 | 2024-01-11 | University Of South Florida | Automatic detection of sea floating objects from satellite imagery |
-
2024
- 2024-02-06 CN CN202410167041.3A patent/CN117710834B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992914A (zh) * | 2019-04-09 | 2019-07-09 | 中国海洋大学 | 面向海洋再分析数据的基于压力异常的三维中尺度涡旋识别技术 |
| CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
| CN112766194A (zh) * | 2021-01-26 | 2021-05-07 | 上海海洋大学 | 一种海洋中尺度涡检测方法 |
| CN114488143A (zh) * | 2021-12-13 | 2022-05-13 | 北京电子工程总体研究所 | 一种sar图像中海洋涡旋动力参数反演方法及系统 |
| CN115267770A (zh) * | 2022-01-13 | 2022-11-01 | 中国科学院空天信息创新研究院 | 一种sar图像海洋涡旋检测方法及系统 |
| CN114997267A (zh) * | 2022-04-25 | 2022-09-02 | 中国科学院计算机网络信息中心 | 一种海洋旋涡演化分析方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于海平面高度数据的涡旋检测方法研究;赵文洋;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20230215(第02期);第A010-26页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117710834A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| CN104112284B (zh) | 一种图片的相似度检测方法和设备 | |
| KR102210698B1 (ko) | 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법 | |
| US11676375B2 (en) | System and process for integrative computational soil mapping | |
| CN115240149A (zh) | 三维点云检测识别方法、装置、电子设备及存储介质 | |
| CN115757556A (zh) | 基于大数据的网络数据关联分析方法和平台 | |
| CN111221960A (zh) | 文本检测方法、相似度计算方法、模型训练方法及装置 | |
| CN114387332B (zh) | 一种管道测厚方法及装置 | |
| CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
| CN113793332B (zh) | 一种实验仪器缺陷识别分类方法及系统 | |
| CN117710834B (zh) | 一种基于大数据的中尺度涡旋识别分析方法、系统及介质 | |
| CN116413740B (zh) | 一种激光雷达点云地面检测方法及装置 | |
| CN117235608A (zh) | 风险检测方法、装置、电子设备及存储介质 | |
| CN110135382A (zh) | 一种人体检测方法和装置 | |
| CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
| CN112861874A (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 | |
| Olmedo et al. | Validation of Soft Maps Produced by a Land Use Cover Change Model | |
| CN115659282B (zh) | 基于ga-knn的预警目标有效运动特征智能提取方法及系统 | |
| CN116109211B (zh) | 基于设备数字化的设备运行水平分析方法及装置 | |
| CN114387238A (zh) | 一种基于视觉技术的铁路应答器检测方法及装置 | |
| EP3483796A1 (en) | Automatic hypothesis generation using geospatial data | |
| CN113673595A (zh) | 一种数据处理方法、装置及设备 | |
| Umalkar | Deep learning for the semantic segmentation of airborne laser scanner data: training data selection | |
| CN114387239A (zh) | 一种补偿电容缺陷检测方法及装置 | |
| CN115392662A (zh) | 一种基于图像数据的质量鉴别分等级管理系统及方法 |
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 |