卫星云图预测的运动矢量方法

现有的云迹风提取方法只提供了对云覆盖的简单二值灰度估计,该文利用运动矢量估计的思想提出了一种云覆盖（云图）预测的新方法,这种方法可实现对卫星云图的灰度预测,这种新的方法是通过将一幅ＧＭＳ云图分割成为许多大小相同的小块,并将它们分别匹配到一幅参考云图中以获取云的运动矢量,进而实现对卫星云图云覆盖的量化预测,进而还对该方法进行了优化,从而提高了算法运行速度,并对算法实现中出现的“马赛克”问题提出了解决     

Mumford-Shah模型在卫星云图分割中的应用

利用Mumford-Shah模型对卫星云图进行分割和识别。根据卫星云图自身的特征,提出了基于核心灰度的Mumford-Shah模型,并用此模型分割出了单通道卫星云图中的高云、中云和低云。同时提出了一种基于核心灰度的Mumford-Shah模型的向量图像分割方法,对两个通道的卫星云图进行分割,更加准确地识别出中低云系在红外通道和可见光通道中的位置。     

基于知识库的面向对象卫星云图分类

为了提高卫星云图分类精度和实时识别云类,基于云类知识库采用面向对象的分类方法对卫星云图进行分类。首先对2011年7~8月的FY\|3A/VIRR卫星云图进行预处理,从中裁截500个云样本,随机选取42%云样本作为训练样本,提取训练样本的光谱和纹理特征,基于ReliefF方法进行特征选择,采用反向传播神经网络进行训练构造分类器,利用剩余58%云样本进行网络测试,至此云类知识库构建完毕。然后对待解译的云图进行JSEG分割获取云对象,基于云类知识库已训练好的分类器实现面向对象的云图分类。试验结果表明:所设计的云图分类算法有效,分类结果与云分类产品数据基本达到一致。     

基于卫星云图的三维立体云仿真

真实立体云仿真是计算机图形学中非常实用的研究.为了实时和逼真研究立体云图仿真,提出了一种基于卫星云图的三维立体云仿真方法.首先利用Micaps3.0处理卫星云图,提取二维云图像,然后从二维云图像中提取云的三维信息,并对其进行空间填充,最后通过充分利用GPU硬件加速改进性能,利用改进Billboard算法实现三维立体云仿真.与以往三维云实现方法相比,改进方法实现简单而且十分高效.实验表明,在气象地理信息系统应用中,方法可以获得更加实时、真实三维立体云效果.     

基于深度极限学习机的卫星云图云量计算

卫星云图云量计算是卫星气象应用的基础,现阶段对其的研究未能充分利用卫星云图的特征,导致云检测及云量计算的效果不好。针对该问题,利用多层神经网络进行卫星云图的特征提取,并通过大量实验寻找到最优的深度学习的网络结构。基于度极限学习机对卫星云图的云进行检测和分类,再利用“空间相关法”计算云图中的总云量。实验结果表明,基于传统极限学习机的深度极限学习机能够充分提取云图的特征,在进行云分类时能够较清晰地区分厚云和薄云间的界限。相比于传统阈值法、极限学习机模型以及卷积神经网络,深度极限学习机的云识别率以及云量计算准确率更高,且所提方法比卷积神经网络的效率更高。     

Logistic回归模型在卫星云图云检测中的应用

云的自动检测和分类识别是所有卫星遥感资料应用的第一个步骤。基于Logistic回归模型的云图处理方法被用于FY-2C卫星云图的处理。利用逐步回归方法对云图的灰度及纹理特征进行提取,并计算出每个特征的回归系数;利用提取的特征进行云检测实验。将实验结果与地面观测资料进行对比,表明Logistic回归模型对云图处理是有效的,并且与传统的动态阈值分割方法相比,云检测的效果更好。     

虚拟现实中的三维卫星云图技术研究

使用卫星云图对云仿真是虚拟现实视景仿真中的一项新技术.以卫星云图原始数据为数据源,从中提取定位和定标信息,文章从坐标和投影变换、云图数字高程模型(DEM)生成和三维仿真实现三个主要方面详细介绍了虚拟现实中三维卫星云图的实现方法.生成云图DEM是三维化的关键,这里用墨卡托投影生成规则云图网格,用大地主题解算计算距离,用火箭外弹道学的方法来计算高程.     

基于不确定性理论的降水天气分类研究

首先介绍了云模型这种新兴的处理不确定性问题的工具,提出了一种基于云模型的层次聚类方法.该方法将原始数据集划分为许多小簇,然后分别用云模型来表示这些簇,再通过云综合的方法对这些小簇进行逐层合并,实现对数据集的聚类.将该方法应用于2006-2007年中国及周边亚太地区FY-2C卫星云图的聚类分析,得出不同降水类型的云图特征.最后以2006年7月6日FY-2C中国分区图所示地区对应的FY-2C卫星云图进行降水类型分类为实例,得到不同降水天气对应的云图辐射亮度值特征,并利用分类结果对实况云图进行降水天气的判别,结果表明该方法对大暴雨天气的判别效果良好.     

基于图像识别的震象云地震预测方法

利用卫星热红外异常判别技术进行地震预测的方法都是纯手工或半手工的,在分析处理海量遥感数据时具有局限性,并且传统方法对地震三要素的预测准确率不高,尤其是震中位置的预测。针对上述问题,提出一种综合震象云颜色、纹理以及浮现频率等特征来自动预测地震的方法。利用灰度共生矩阵对热红外数据进行纹理特征提取,使用BP神经网络模型训练目标神经网络,将纹理特征输入目标神经网络进行识别,提取疑似目标,同时滤掉非目标并跟踪,将疑似目标浮现频率超过5次的区域精确定位为目标出现的位置,从而实现智能化和自动化的地震预测。反演实验验证结果表明,该方法是一种震中位置预测较为准确的中短期地震预测方法。     

多维加权密集连接卷积网络的卫星云图云检测

云检测是多光谱卫星云图分析的前提。传统云检测方法不能很好地对多光谱卫星云图进行特征表示,导致了云检测不是很准确。卷积神经网络虽然能有效地提取特征,但训练时会产生梯度扩散,训练效率低,优化困难等问题。针对这些问题,提出多维加权密集连接卷积神经网络模型实现对多光谱卫星云图的云检测。跨层连接能够实现网络中所有层之间的信息流,从而减少训练过程中的梯度消失导致收敛困难的问题。特征图之间连接的权值不同使得网络能够更高效地利用特征信息。通过实验结果对比,该模型可以很好地提取云图特征,提高多光谱云图检测的准确率,具有更好的泛化性能和优化效率。     

地震预报的新方法、新途径

地震预报, 特别是短临预报一直是个世界性的科学难题。介绍了几种地震预报的新方法、新途径, 包括: 卫星热红外异常法、地震云法、磁暴二倍法、引潮力共振的异常叠加法等。对各种方法, 特别是涉及遥感应用的地震预报方法的机理及其优缺点进行了分析和初步总结。希望通过与地震预报常规方法的优势互补, 相互印证, 从而促进地震预报能够尽早取得突破性进展。     

卫星云图的多通道FCM分割算法

卫星云图是对地球大气进行遥感测量的重要资料,云团的识别、跟踪及预测都需要对卫星云图进行图像分割和边缘提取。本文通过改进模糊C均值(FCM)算法对云图进行分割,改进后的算法显示出了效率高、分辨准确的特点。实验采用了2011年6月的RGB多通道卫星云图,通过对云图分层聚类,提取多通道聚类的相交区域等过程,实现了云团快速准确的分割。     

基于密集连接空洞卷积神经网络的青藏地区云雪图像分类

为了提高高纬度地区云雪卫星图像的识别准确率,提出了密集连接空洞卷积神经网络与空洞卷积相结合的方法进行云雪卫星图像识别研究。该方法首先采用常规卷积层对图像进行处理得到特征图,然后采用多个密集块和过渡层对特征图进行处理。其中,密集块中采用跨层连接的方式实现了网络中所用层的特征传递,使得大量云雪特征得到重用,同时减轻了训练过程中的梯度消失问题。密集块中的卷积核采用空洞卷积,在减少参数量的同时扩大局部感受野,对云雪的光谱信息进行特征提取。最后,该方法采用平均全局池化层与全连接层得到云雪图像的预测结果。实验结果表明,与其他机器学习方法相比,该方法能够提高卫星云雪图像的识别准确率,具有良好的泛化能力。     

贪婪搜索算法在卫星调度中的应用

针对采用天气预报的滞后云层进行卫星调度影响观测图像质量和观测收益的问题,提出一种获取实时云层的数学模型,并基于此构建考虑实时变换云层的敏捷观测卫星（AEOS）调度模型。由于贪婪搜索算法（GSA）具有局部优化的特性,能够充分考虑卫星观测的云层和有限存储资源等约束,研究了GSA在该卫星调度问题中的应用。首先,GSA优先考虑观测任务的云层遮挡,并根据云层遮挡大小,计算待观测任务的图像质量,将之排序选择待观测的任务;其次,结合任务的大小、截止时间和卫星的存储资源约束,选择能够给观测收益带来最大化的任务;最后,进行观测和任务传送。仿真实验表明,在任务数为100的情况下,采用GSA进行卫星调度的任务收益比常用于卫星调度的动态规划算法（DPA）所获得任务收益提高了14.82%,比局部搜索算法（LSA）所获得任务收益提高了10.32%,并且同等条件下,采用GSA得到的观测图像的质量比其他两种方法得到的图像质量更高。实验结果表明,GSA在实际卫星调度中,能够有效地提高图像观测质量和任务观测收益。     

遥感视频实时云检测的FPGA高效实现方法

针对目前遥感图像云检测算法及算法运行所需硬件平台复杂度高,无法进行在轨实时检测的问题,提出了一种基于FPGA的面向卫星在轨实时运行的遥感视频云检测方法.首先根据不同的遥感视频输入格式对其自适应降采样处理;其次对顺序流入的图像自适应阈值分割,然后对分割后的图像进行聚类获取云区域,进而提取每一块云区域的特征向量;最后计算整幅图像的云覆盖率和可用度,以此判断是否将图像下传.实验结果表明,在60 MHz的时钟下,且Camera Link接口每个时钟周期同时输入两个像素时,822×1096大小的遥感视频云检测速度可达132 fps,相对于传统的嵌入式双核CPU,速度提升了6～7倍.该方法可实现卫星在轨实时云检测,极大地缓解了有限的星地数传带宽和巨大的遥感数据量之间的矛盾,大幅提升遥感卫星系统应用效能,具有很强的实用价值.     

Earthquake cloud over Japan detected by satellite

Thermal anomaly detected by satellite before earthquake has been widely reported. Here we reported a new anomaly detected with geostationary satellite image. The geostationary satellite image series were combined together to make an animation, and it is found that the common cloud moved continuously, while the earthquake cloud stayed closely to the epicenter. Here an earthquake cloud example in Japan was reported.     

基于稠密残差网络的多序列卫星图像去云

遥感影像中最常见的问题是云层污染,它会导致图像信息缺失,降低遥感数据的可用性。针对该问题,提出了一种基于稠密残差网络的多序列卫星图像去云算法。首先,该网络使用多序列的有云卫星图像作为输入,能为网络提供更多的时序特征信息,提升去云效果;其次,在网络中段使用稠密残差层,以保证卷积层之间最大程度地传递和使用特征信息,让生成的修复图像整体结构合理、边缘细节更加清晰;最后,使用像素上采样来增强空间信息的利用,提升修复效果。该方法在欧洲"哨兵-2"遥感卫星图像数据集上进行验证,峰值信噪比和结构相似度指标为27.59和0.854 0,两项指标均超过了该数据集的原处理方法STGAN,提升了遥感图像去云的效果。     

基于云模型的短时交通流预测方法研究

为了提高短时交通流预测的精确性,提出了一种基于云模型的短时交通流智能预测方法.该方法利用云模型拟合交通流,分别用历史交通流和当前交通流建立历史云和当前云,共同生成预测云,用采预测交通流.结合广州市某交叉口交通流量采集数据,进行了仿真试验,以平均绝对误差(MAE)和平均绝对百分比误差(MAPE)两个指标来衡量预测效果,结果表明了该预测方法具有较高的预测精度.该方法既考虑到交通流历史变化,又顾及交通流实时变化,同时将交通流做整体性处理,很好地避开了噪声引起的预测误差问题,兼顾了预测精度和实时性的要求.     

基于TV算法的卫星云图标注对象剔除技术

将整体变分算法模型用于卫星云图中标注对象的剔除应用,根据云图标注对象的形状多为线形区域的特点,通过引入权值,对整体变分算法的离散化过程作了改进,使算法在利用邻域信息对待剔除区域进行填充时不改变待剔除区邻域的像素值。实验表明该算法对窄长条状或线性区域的剔除是有效的。     

基于FY2C卫星的暴雨云团自动预警方法

提出一种基于卫星数据的暴雨云团追踪预警方法,采用聚类法在卫星红外云图上识别出有效的暴雨云团,利用组合最优化方法实现暴雨云团的追踪,通过线性拟合法给出30 min、60 min、90 min的短时预警。实验结果表明,该方法能有效应用于暴雨云团的临近预报。