一种强对流单体样本的标记方法技术

本发明专利技术公开了一种强对流单体样本的标记方法，主要包括实现强对流单体的样本标记。实现强对流单体的样本标记的过程是：首先，输入雷达基数据和对流天气实况，并进行单体分割和超折射滤除，然后实现单体跟踪，最后，用户标记某体扫时刻单体的单体类型，根据单体跟踪结果自动给出与所标记单体相关联的所有单体的类型。本方法实现了单体分割和单体跟踪，并由此实现了强对流单体的样本标记，为如何实现大量的强对流单体的样本标记提供了一种可行途径。

A marking method for strong convection monomer samples

The invention discloses a method for marking a sample of a strong convective monomer, which mainly comprises a sample marking method for realizing a strong convective monomer. The process of realizing the marking of a strong convective monomer is as follows: firstly, the radar data and the convective weather are inputted, and the monomer is segmented and filtered, then the monomer tracking is realized. Finally, the monomer type is marked by the user, and the correlation between the monomer and the marker is given automatically according to the tracking result of the monomer. The type of all monomers. This method realizes the segmentation and tracking of strong convective monomers, and thus realizes the marking of strong convective monomers. It provides a feasible way to realize the marking of a large number of strong convective monomers.

【技术实现步骤摘要】
一种强对流单体样本的标记方法
本专利技术涉及气象学领域，特别涉及一种单体分割算法和一种基于光流法的单体跟踪算法以及基于以上分割算法和跟踪算法的人机交互式干预调整策略。
技术介绍
Hinton[1-2]等于2006年首次提出以深度神经网络为代表的深度学习技术，引起了学术界的关注之后，Krizhevsky[3]等于2012年构建深度卷积神经网络，在大规模图像分类问题上取得了巨大成功。深度学习主要是数据驱动的，其效果依赖于大量的标记样本，通过深度学习实现强对流单体的识别，需要大量的强对流单体的标记样本，现有标记方法存在以下不足：(1)需要手动分割单体，工作繁琐、标记结果受到人为因素影响。(2)需要收集数以万计的单体样本，工作量巨大。[参考文献][1]HintonGE，SalakhutdinovRR.Reducingthedimensionalityofdatawithneuralnetworks[J].science，2006，313(5786)：504-507.[2]HintonGE，OsinderoS，TehYW.Afastlearningalgorithmfordeepbeliefnets[J].Neuralcomputation，2006，18(7)：1527-1554.[3]KrizhevskyA，SutskeverI，HintonGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C]//Advancesinneuralinformationprocessingsystems.2012：1097-1105.[4]BarronJL，FleetDJ，BeaucheminSS.Performanceofopticalflowtechniques.InternationalJournalofComputerVision，1994，12(1)：43-77.
技术实现思路
针对现有技术，本专利技术提供了一种强对流单体的样本辅助标记方法，包括“膨胀-避让”的单体分割算法、基于光流法的单体跟踪算法以及基于以上分割算法和跟踪算法的人机交互式干预调整策略。实现了单体的自适应分割，除去了样本标记中手动分割单体的工作；实现了单体的自动跟踪，并由此减少了所需手工标记单体的数目；实现了基于单体自适应分割算法及自动跟踪算法的人机交互式干预调整，以确保单体标记结果的合理性。为了解决上述技术问题，本专利技术提出的一种强对流单体样本的标记方法，包括以下步骤：步骤一、输入对流天气实况和一组连续体扫的雷达基数据，所述对流天气实况包括对流天气类型、发生结束时间、发生结束地点；以所述该组雷达基数据为原始数据，求取获得一组组合反射率图，记为第一组合反射率图；同时获得一组去除了0.5°仰角反射率后得到的组合反射率图，记为第二组合反射率图；并对上述得到的两组组合反射率图分别进行单体分割，从而得到单体；步骤二、对存在于第一组合反射率图而不存在于第二组合反射率图的单体进行超折射滤除，并以第一组合反射率图中保留的单体作为最终的单体分割结果；步骤三、通过光流法实现前后体扫时刻的单体跟踪，从而确定前后体扫时刻的单体是否关联；步骤四、对强对流单体进行标记：用户根据对流天气实况对一个体扫时刻的所有单体分别进行类型的标记，根据步骤三的跟踪结果自动给出与所标记单体相关联的所有单体的类型的标记，单体的类型包括强对流单体类型和非强对流单体类型，其中，所述强对流单体的类型包括：冰雹、短时强降水、雷雨大风、冰雹+短时强降水、冰雹+雷雨大风和冰雹+短时强降水+雷雨大风；将自动给出的标记结果中不符合对流天气实况的标记结果进行手动更正。进一步讲，本专利技术步骤一中，单体分割的具体步骤如下：步骤1)筛选n个种子区域：将以45dBZ为阈值，以80km2为面积阈值提取的连通域作为种子区域，分别标记为S1、S2、......、Sn-1、Sn；步骤2)筛选最大关注区域：用阈值分割法得到所有取值大于30dBZ的区域作为最大关注区域，分别标记为N1、N2、......、Nm-1、Nm，Ni中包含种子区域的个数为j，j≤n，1≤i≤m，若j≤1，则最大关注区域Ni表示为一个单体；否则，对最大关注区域Ni进行如下操作；步骤2-1)令该最大关注区域Ni中的种子区域长大形成k个单体核H，包括：从最大关注区域Ni的外围历经30dBZ、35dBZ和40dBZ三个值域到达种子区域边界，将其中阈值在40dBZ、35dBZ和30dBZ以上的区域分别记为种子区域的内核、中核和外核；单体核H的形成根据以下情况确定：1)若最大关注区域Ni的外核包含的种子区域数目小于2，则该最大关注区域Ni的外核形成了单体核H；2)若最大关注区域Ni的外核包含的种子区域数目不小于2，且最大关注区域Ni的中核包含的种子区域数目小于2，则该最大关注区域Ni的中核形成了单体核H；3)在上述情况1)和2)均不成立的情况下，则该最大关注区域Ni的内核形成了单体核H；步骤2-2)膨胀-避让式分割单体：①最大关注区域Ni的最小外包矩形宽为w、高为h，将k个单体核H记为H1、H2、......、Hk-1、Hk，设一个数组A的大小为w×h，并设该数组A所有元素的初值为0；②用数组A将最大关注区域Ni中的所有像素点做确定性标记和尚不确定性标记：即将数组A中与第1个单体核对应的元素赋值为1，以此表示此像素点属于第1个单体；将数组A中与最大关注区域Ni中非单体核区域对应的元素赋值为k+1；③用数学形态学的膨胀法对最大关注区域Ni中的所有单体核H1、H2、......、Hk-1、Hk进行膨胀，得到膨胀模板H*1、H*2、......、H*k-1、H*k；遍历H*p中的新增点P，p＝1，2，3，....，k-1，k；若A(P)＝m+1，则将P点拾入单体p，即A(P)＝p；④逆转p的顺序，重复上述③的操作直至数组A中的所有值均不为m+1。进一步讲，本专利技术步骤三的具体内容如下：步骤1)利用光流法求得光流数：利用步骤二得到前体扫时刻单体和后体扫时刻单体；然后输入该两帧组合反射率图，并通过光流法计算出光流场数据；遍历光流场数据点，对于X方向速度或者Y方向速度大于30的光流场数据点赋值为0；通过光流场数据计算得到前体扫时刻所有像素在后体扫时刻的流入位置；对比前后体扫时刻各单体的范围，计算出光流数；光流数记为SUM(A→B)，用以表示由前体扫时刻单体A流入后体扫时刻单体B的像素数；用光流数量化前体扫时刻单体A和后体扫时刻单体B的关联程度，步骤2)结合前后体扫时刻单体的面积S，综合考虑前后体扫时刻单体出现分裂或合并的情况，制定如下三个条件，若满足其一则认为前体扫时刻单体A和后体扫时刻单体B存在关联，条件一、SUM(A→B)＞S(A)×50％；条件二、SUM(A→B)＞S(B)×50％；条件三、设SUM(A→B)＝c，对前体扫时刻的l个单体流入后体扫时刻单体B的所有像素求和，记为SUM，c/SUM＞50％，且c/S(B)＞33％。与现有技术相比，本专利技术的有益效果是：(1)本专利技术通过对存在于普通组合反射率图而不存在于去除0.5°仰角反射率后得到的组合反射率图的单体进行超折射滤除，减少了超折射滤除的错误滤除。(2)本文档来自技高网...

【技术保护点】
1.一种强对流单体样本的标记方法，其特征在于，包括以下步骤：步骤一、输入对流天气实况和一组连续体扫的雷达基数据，所述对流天气实况包括对流天气类型、发生结束时间、发生结束地点；以所述该组雷达基数据为原始数据，求取获得一组组合反射率图，记为第一组合反射率图；同时获得一组去除了0.5°仰角反射率后得到的组合反射率图，记为第二组合反射率图；并对上述得到的两组组合反射率图分别进行单体分割，从而得到单体；步骤二、对存在于第一组合反射率图而不存在于第二组合反射率图的单体进行超折射滤除，并以第一组合反射率图中保留的单体作为最终的单体分割结果；步骤三、通过光流法实现前后体扫时刻的单体跟踪，从而确定前后体扫时刻的单体是否关联；步骤四、对强对流单体进行标记：用户根据对流天气实况对一个体扫时刻的所有单体分别进行类型的标记，根据步骤三的跟踪结果自动给出与所标记单体相关联的所有单体的类型的标记，单体的类型包括强对流单体类型和非强对流单体类型，其中，所述强对流单体的类型包括：冰雹、短时强降水、雷雨大风、冰雹+短时强降水、冰雹+雷雨大风和冰雹+短时强降水+雷雨大风；将自动给出的标记结果中不符合对流天气实况的标记结果进行手动更正。...

【技术特征摘要】
1.一种强对流单体样本的标记方法，其特征在于，包括以下步骤：步骤一、输入对流天气实况和一组连续体扫的雷达基数据，所述对流天气实况包括对流天气类型、发生结束时间、发生结束地点；以所述该组雷达基数据为原始数据，求取获得一组组合反射率图，记为第一组合反射率图；同时获得一组去除了0.5°仰角反射率后得到的组合反射率图，记为第二组合反射率图；并对上述得到的两组组合反射率图分别进行单体分割，从而得到单体；步骤二、对存在于第一组合反射率图而不存在于第二组合反射率图的单体进行超折射滤除，并以第一组合反射率图中保留的单体作为最终的单体分割结果；步骤三、通过光流法实现前后体扫时刻的单体跟踪，从而确定前后体扫时刻的单体是否关联；步骤四、对强对流单体进行标记：用户根据对流天气实况对一个体扫时刻的所有单体分别进行类型的标记，根据步骤三的跟踪结果自动给出与所标记单体相关联的所有单体的类型的标记，单体的类型包括强对流单体类型和非强对流单体类型，其中，所述强对流单体的类型包括：冰雹、短时强降水、雷雨大风、冰雹+短时强降水、冰雹+雷雨大风和冰雹+短时强降水+雷雨大风；将自动给出的标记结果中不符合对流天气实况的标记结果进行手动更正。2.根据权利要求1所述强对流单体样本的标记方法，其特征在于：步骤一中，单体分割的步骤如下：步骤1)筛选n个种子区域：将以45dBZ为阈值，以80km2为面积阈值提取的连通域作为种子区域，分别标记为S1、S2、……、Sn-1、Sn；步骤2)筛选最大关注区域：用阈值分割法得到所有取值大于30dBZ的区域作为最大关注区域，分别标记为N1、N2、……、Nm-1、Nm，Ni中包含种子区域的个数为j，j≤n，1≤i≤m，若j≤1，则最大关注区域Ni表示为一个单体；否则，对最大关注区域Ni进行如下操作；步骤2-1)令该最大关注区域Ni中的种子区域长大形成k个单体核H，包括：从最大关注区域Ni的外围历经30dBZ、35dBZ和40dBZ三个值域到达种子区域边界，将其中阈值在40dBZ、35dBZ和30dBZ以上的区域分别记为种子区域的内核、中核和外核；单体核H的形成根据以下情况确定：1)若最大关注区域Ni的外核包含的种子区域数目小于2，则该最大关注区域Ni的外核形成了单体核H；2)若最大关注区域Ni的外核包含的种子区域数目不小于...

【专利技术属性】
技术研发人员：王萍，车焯，王迪，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12