费文龙[1]2004年在《变分方法在GMS-5气象卫星云图处理中的应用研究》文中研究表明本文主要研究了基于变分方法的云的判别和云分类的方法。 首先，本文介绍了卫星云图的特征和以往的处理方法，较全面的介绍了几何曲线演化方法、由Osher和Sethian提出的基于水平集的图像分割方法、Mumford和Shah提出的Mumford-Shah图像分割模型、Chan和Vese提出Mumford-Shah模型的水平集解法以及基于Mumford-Shah模型的向量图型的分割方法。 其次，对于单通道云图，本文提出了改进的Mumford-Shah模型，即把Mumford-Shah模型中轮廓线内部像素的灰度平均值，改为目标物体的核心灰度，并通过调整相应的权重系数，得到了分割结果更为准确的、更有意义，从而准确地分割出了高云、中云和低云。 同时，对于多通道图像，本文先利用基于Mumford-Shah模型的向量图像分割方法，对人造的两个通道的图像，成功的得到了两个图像的差集和并集图像。本文还提出了一种基于改进Mumford-Shah模型的向量图像分割模型，对两个通道的卫星云图资料进行分割，更加准确的识别出中低云系在红外通道和可见光通道中的位置，并且识别出卷云和积雨云这两类跟天气系统息息相关的云系。
张思勃[2]2015年在《云区卫星微波资料直接变分同化研究》文中研究表明目前卫星资料广泛应用于数值天气预报系统,并明显地提高了数值天气预报的准确率。然而在进入同化系统前的预处理阶段,超过75%的卫星资料被剔除,其中一个关键原因就是受云和降水的影响。目前业务用资料同化系统大多只同化晴空卫星观测,导致在诸如台风、暴雨这类严重灾害天气系统中受云和降水影响的、具有巨大潜在意义的卫星资料都被直接剔除,这严重制约了卫星资料的应用。为探索云区卫星微波资料的直接变分同化,本文通过增加一维变分反演的云、雨参数信息与大气温度、湿度等参数共同作为资料同化系统的初猜场,弥补初猜场中云、雨参数的不足,启动辐射传输模式的散射模块,达到同化吸收云区卫星微波资料的目的。首先,针对卫星微波成像仪观测的无线电频率干扰(RFI)问题,提出一种新的无线电频率干扰识别算法(改进的主成分分析识别算法MPCA),以解决冰雪下垫面时成像仪观测中的无线电频率干扰难以识别的困难。将MPCA法的识别效果与现有的谱差法、PCA法、NPCA法和DPCA法的识别效果进行比较,发现新的MPCA法普适性广、计算效率高,为后续的微波成像仪资料的使用奠定了基础。基于无线电干扰订正后的成像仪观测利用一维变分算法反演云、雨参数,包括云液水含量、云冰水含量和雨水含量垂直廓线。将反演廓线与CloudSat云雷达观测进行比较,发现水成物分布在垂直剖面上与CloudSat的云雷达回波对应良好。进一步对比晴空、有云两种情况下辐射传输模式对亮度温度的模拟效果,发现如果初猜场中不补充额外的云、雨参数信息,CRTM并不能模拟出洋面上与实际观测接近的台风云系,对于微波低频通道晴空模拟亮温比观测亮温普遍偏低；而对于高频通道晴空模拟亮温比观测亮温普遍偏高,并且这种晴空模拟亮温与观测亮温间的偏差非常大。而增加反演的云、雨廓线与大气温、湿廓线共同作为辐射传输模式的输入参数后,CRTM模式在AMSR-2各通道均可以较好地模拟出台风外形轮廓、强度及螺旋结构,有云模拟亮温与观测亮温间的偏差明显降低,大大增加了吸收入同化系统的卫星资料量。最后,将反演的云、雨廓线与大气温度、湿度等参量共同作为叁维变分资料同化系统(GSI)的初猜场,直接同化云区AMSU-A亮度温度资料。本文以2014年8月台风“夏浪”成熟阶段的观测资料为例,设计叁组平行同化试验,即控制试验、同化试验1和同化试验2。其中控制试验只同化常规观测资料,试验1同化常规观测资料和晴空区AMSU-A观测资料,而试验2则利用本研究提出的云区直接变分同化方案,同化常规观测资料和全天候AMSU-A观测资料。比较叁组试验的同化分析场,发现试验2可有效提高卫星资料利用率,改进大尺度的温度、湿度和风场,特别是对台风高空暖核有明显改进。虽然改进台风暖核并不能马上改进海表气压场、进而改进初始阶段台风的位置和强度,但在WRF强模式的积分过程中,随着积分时间延长,暖核的增强(减弱)通过加大(减小)与周围环境的梯度帮助模式动力场产生更强(减弱)的气旋。因此尽管在初始同化时刻模拟的台风位置并不靠近观测台风,但是随着同化循环及预报时间的增加,试验2逐渐减少了对台风路径的预报误差。
来旭[3]2010年在《基于内容的卫星云图挖掘方法研究》文中认为卫星云图全面、及时、动态的反映各类云系的特点及变化过程,成为气象、水利部门在防洪抗旱决策过程中不可或缺的重要参考依据。多年的云图接收积累了数量巨大的卫星云图,依靠人工判读方式根本无法满足时效性要求,尽管一些人工智能的方法能自动完成数据分析,但这类方法只能按照设定的规则执行,不能主动发现隐含在数据内部的知识。图像挖掘技术作为数据挖掘领域研究的前沿,提供了从大量图像中获取隐含的、有价值的、可理解知识的理论及方法。本文以图像挖掘技术理论与方法为指导,设计了面向云图集和云图—雨量混合数据集的叁类挖掘任务,所获得知识将对云图智能化理解和基于卫星云图的降水预测等研究具有重要价值。论文的研究工作及贡献包括以下方面:(1)在卫星云图预处理方法研究中,提出了新的非线性自适应噪声滤除算法。该算法与常用的中值滤波技术相比,它能有效的消除椒盐噪声,保护云图中非噪声点不受影响,确保像素信息能够真实反映云内状态。云图中存在经纬线、地名等标注对象,它们会影响云图特征参数的提取。针对标注对象的形状特点,提出一种基于整体变分技术的标注对象剔除算法,通过引入权值改进了整体变分的离散化过程。结果表明算法有效剔除标注对象的同时保护了邻域信息。(2)在云图感兴趣区域提取研究中,提出了基于云图直方图的加权聚类算法,利用该算法实现典型云区的提取。为了更加符合云图数据样本在特征空间的分布特点,重点研究了对聚类算法的改进策略:1)针对类别个数自适应确定方法的改进,提出利用遗传算法结合评价指标曲线找出最优类别数,提高算法自动化水平。2)针对相似性测度的改进,提出基于链式距离的相似性测度,克服了欧式距离测度对数据分布的敏感性问题。3)针对聚类机制的改进,引入半监督思想,既能克服单纯聚类的盲目性问题,又能避免分类面临的训练样本问题。以直方图替代云图像素作为聚类对象,大幅减少了算法处理时间。(3)在云类智能识别的研究中,本文针对特征提取、特征选择、分类模型叁个问题提出了对应的算法及模型。针对云区的无规则特性,提出了“基圆模型描述法”用于云区的描述,在此基础上提取云的形态特征参数,克服了以往算法只能提取颜色、纹理等特征的不足。为避免过拟合问题,本文采用特征曲线分析方法,从特征候选集中确定分类模型的输入特征集。本文提出将“IPSO—BP网络模型”作为分类模型。该模型采用改进的粒子群优化算法替代后向学习算法作为BP神经网络模型的学习算法,在一定程度上克服了收敛速度慢,易陷入局部极小值,过分依赖初始值的选择等不足。为了在原有分类模型框架下更好的利用多特征信息,本文提出了基于多特征融合的组合分类模型,将特征子集分别送入子分类模型后作出本地决策,采用投票表决法将多个本地决策融合后获得最终的结果。结果表明多特征融合分类模型在分类精度上优于单一分类模型。(4)在基于云图—雨量混合数据集的关联规则挖掘研究中,本文以云图灰度和云顶亮温间的关系为基础,设计了四种与降雨关系密切的云状态参数。通过时空同步处理,云图参数和雨量数据构成统一的混合数据集。为实现数值属性的转换,本文提出一种基于聚类的数值属性分区方法,它克服了“等深度区间划分法”对数据倾斜敏感的问题。为了提高对大规模云图—雨量混合数据集的处理效率,本文提出了基于数据分割的两阶段关联规则挖掘算法,它通过将原始数据库划分为多个独立的区间,由每个子区间的局部频繁项集产生全局候选项集,并设计了专门用于支持度计算的数据结构tidlists ,这些策略有效的减少了算法对数据库的扫描次数,大幅提高了算法的效率。结果表明当支持度阈值处于较低水平时,本文算法的执行效率显着优于Apriori算法的执行效率。
邵丽群[4]2016年在《基于堆迭极限学习机的卫星云图分类研究》文中提出气象卫星能够对地球进行全方位的观测,从而获得蕴含着丰富的气象信息的卫星云图,利用卫星云图可以识别不同天气系统,为天气分析与预报以及灾害监测提供有力的依据。然而,目前对卫星云图进行探究与分析时,大多数情况下使用的还是人工目视判读的方法,其不仅参杂了人们的主观意识,而且阻碍了充分提取与最大化应用卫星云图的丰富信息,因此实现卫星云图的计算机自动分类是目前卫星云图信息处理的一大研究方向。在卫星云图自动分类过程中,其训练数据庞大且复杂,训练时需要占用很大内存,若利用传统的ELM算法来完成数据的训练,很容易因为内存不足而导致整个程序崩溃。基于此,本文研究了堆迭极限学习机(S-ELMs),并创新性将它运用于卫星云图自动分类中。S-ELMs近似于将一个大的极限学习机(ELM)划分为若干个小的串联的ELM,其在内存需求小且网络规模固定的情况下,还能在高维的ELM空间中学习数据,很好地解决了当下云图处理中大型且复杂数据问题。本文还创新性地引入卫星云图的纹理特征,分别以单纯的光谱特征构成一种训练文本,以光谱特征和纹理特征的结合构成另一种训练文本。基于这两种训练文本,进行了S-ELMs的卫星云图分类,验证了S-ELMs算法在卫星云图分类中的有效性;以及进行了S-ELMs和ELM、S-ELMs和支持向量机(SVM)的对比实验,分析同一训练文本不同算法的分类优势以及不同训练文本同一算法的分类优势,从而更好地研究了S-ELMs在卫星云图分类中的优缺点,以及分析了纹理特征的引入对分类效果的影响。结果表明:S-ELMs能够有效地应用在卫星云图分类,与ELM和SVM两种算法对比,S-ELMs在内存需求上有明显优势,解决了训练数据庞大而复杂的问题,且提高了泛化能力。S-ELMs较SVM在学习速度上也有明显优势,但S-ELMs较SVM分类精度要低;在分类精度相等的情况下S-ELMs和ELM在学习速度上没有什么区别,在牺牲时间成本的基础上,S-ELMs较ELM的分类效果有所改善,同时纹理特征的引入能够提高算法对训练样本特征向量的敏感度,区分出单纯利用光谱特征所不可能分辨出的地物,从而提高了实验的整体分类精度。
参考文献：
[1]. 变分方法在GMS-5气象卫星云图处理中的应用研究[D]. 费文龙. 南京理工大学. 2004
[2]. 云区卫星微波资料直接变分同化研究[D]. 张思勃. 南京信息工程大学. 2015
[3]. 基于内容的卫星云图挖掘方法研究[D]. 来旭. 国防科学技术大学. 2010
[4]. 基于堆迭极限学习机的卫星云图分类研究[D]. 邵丽群. 南昌航空大学. 2016
标签：计算机软件及计算机应用论文; 卫星云图论文; 云型分类论文; 云的识别论文; 图像分割论文; 变分方法论文; 几何曲线演化论文; 水平集方法论文; 模型论文; 向量图像论文; 多通道论文;