專利名稱：基于靜止氣象衛星識別暴雨云團的方法
技術領域：
本發明涉及大氣監測技術領域，具體涉及一種基于靜止氣象衛星識別暴雨云團的 方法。
背景技術：
強降雨是觸發洪水、滑坡、泥石流的關鍵因素。對于造成強降雨的對流云團位置和 范圍的準確識別，以及對云團移動路徑進行追蹤，能為洪水、滑坡、泥石流等下游災害子鏈 的啟動提供正確的觸發條件和相應的參數。靜止氣象衛星可以24小時不間斷地對地表約三分之一的區域進行連續觀測，每 半小時產生一組遙感資料，觀測范圍廣，觀測頻次高，可以捕捉到時間變化較快的天氣現 象，特別適合對中尺度強對流天氣的預警。這些優點是極軌氣象衛星以及地面觀測手段所 不具備的。因此，使用靜止衛星遙感資料對強對流云團進行識別和追蹤，有非常重要的實際
眉、ο
發明內容
(一 )要解決的技術問題本發明要解決的技術問題是如何提高暴雨云團識別方法的準確率。( 二 )技術方案為解決上述技術問題，本發明提供一種基于靜止氣象衛星識別暴雨云團的方法， 所述方法包括如下步驟步驟Sl 對靜止氣象衛星獲取的云圖進行分割，獲得觀測區域內當前時刻下的各 個云團的類別；步驟S2 根據靜止氣象衛星獲取的云圖，將當前時刻之前的設定時間段內的多幅 云圖進行合成，獲得設定時間段內各云團的基本亮溫圖，將該合成后獲得的基本亮溫圖定 義為短時基本亮溫圖；步驟S3 計算當前時刻的云圖與所述短時基本亮溫圖的灰度值差值圖像；步驟S4:對所述灰度值差值圖像進行分割，識別出可能出現暴雨天氣的備選云 團；步驟S5 對于所述步驟Sl中分割獲得的各類云團，結合步驟S4中識別出的備選 云團，使用靜止氣象衛星獲取的觀測區域的歷史樣本數據來識別得出最終的暴雨云團。所述步驟Sl中，具體包括如下步驟步驟SlOl 讀取靜止氣象衛星獲取的當前時刻t以及上一小時時刻t-Ι的云圖， 使用灰度值閾值法對所述云圖進行分割，將云圖中的格點按灰度值大小分為大于等于閾值 和小于閾值的兩類，其中大于等于閾值的部分分別記為點集合s(t)和點集合s(t-l)；其 中，點集合s(t)為當前時刻t的云團圖像點集合，點集合s(t-i)為上一小時時刻t-i的云 團圖像點集合；
5
步驟S102 標記所述點集合S(t)和點集合S(t-l)中的連通區域，記錄其中與云 團降水強度有關的參數，所述參數具體包括云團的最大灰度值、云團的最小灰度值、云團 面積以及云團的位置變化情況；步驟S103 對于點集合S(t)中的各個云團，通過判斷其是否在點集合S(t-l)中 存在相應的來源云團、在點集合s(t-l)中的來源云團的數量、在與來源云團相比較時其平 均灰度值是增加還是減少以及其云團面積變化情況，來將點集合s(t)中的云團劃分為十 個類別。所述步驟S103中的十個類別屬于四個大類，所述四個大類具體包括新增類云 團、生長變化類云團、分裂類云團以及合并類云團；若點集合S(t)中的某一云團與點集合S(t-l)中的任一云團均不相交，則認定其 為新增類云團；若點集合S(t)中的某一云團僅與點集合S(t-l)中的某一云團相交，則認定其是 由點集合s(t-l)中的云團變化而來的生長變化類云團；進一步，根據云團面積的變化情 況，所述生長變化類云團還具體分為平移變化類云團、膨脹變化類云團以及收縮變化類云 團；若記該云團在t-Ι和t時刻的面積分別為Ah和At,則當H^AH ^ At ^ W1時，認定 該生長變化類云團為平移變化類云團；當At > n^A,^時，認定該生長變化類云團為膨脹變 化類云團；當AtCn^Aw時，認定該生長變化類云團為收縮變化類云團；其中，參數值Hipn1 均為根據實際情況預先設定的數值，且H1 > Hi1 ^ 1 ；若點集合S(t)中的多個云團均與點集合S(t-l)中的某一云團q相交，則可以將 這些云團認定為均由點集合s(t-l)中的云團發展而來的分裂類云團；進一步，根據點集 合s(t)中的多個云團與云團 .的面積關系，所述分裂類云團還具體分為增長分裂類云團、 普通分裂類云團以及獨立分裂類云團；若記點集合s(t)中與相交的這些云團中某一個 云團的面積為At…的面積為Aw，則當At >n2*Aw時，認定該分裂類云團為增長分裂類云團； 當m2*ACj ^ At ^ n2*ACJ時，認定該分裂類云團為普通分裂類云團；當At < m2*ACJ時，認定該 分裂類云團為獨立分裂類云團；其中，參數值叫、!^均為根據實際情況預先設定的數值，且 n2 > m2 > 0 ；若當前云團圖像點集合S(t)中的某一云團與點集合S(t-l)中的多個云團相交， 則可以將該云團認定為由點集合s(t-l)中的多個云團合并而來的合并類云團；進一步，根 據當前云團的面積是否大于s(t-l)中的多個云團的面積總和，所述合并類云團還具體分 為增長合并類云團、普通合并類云團以及可能假合并類云團；若記當前云團面積為At，與之 相交的點集合S(t-l)中的η個云團的面積分別為Ai, i = 1，2，... η Jl^AtSsum(Ai)時， 認定該合并類云團為增長合并類云團；當max (Ai) ^ At ^ Sum(Ai)時，認定該合并類云團為 普通合并類云團；當At Cmax(Ai)時，認定該合并類云團為可能假合并類云團。所述步驟S2中，具體包括步驟S201 對齊所述當前時刻之前的設定時間段內的多幅云圖；步驟S202 對于所述短時基本亮溫圖中某一格點處的灰度值，選取多幅云圖中處 于該相同格點處的多個灰度值中最小的灰度值；步驟S203 對于所述短時基本亮溫圖中所有的格點處的灰度值，均采用所述步驟 S202中的方法進行灰度值取值，從而合成獲得所述短時基本亮溫圖。
6
所述步驟S3中，具體包括步驟S301 對齊所述當前時刻的云圖與所述短時基本亮溫圖；步驟S302 對于所述灰度值差值圖像中某一格點處的灰度值，將所述當前時刻的 云圖中處于該相同格點處的灰度值減去所述短時基本亮溫圖中處于該相同格點處的灰度 值，所獲得差值選取為所述灰度值差值圖像中該格點處的灰度值；若該差值小于零，則所述 灰度值差值圖像中該格點處的灰度值取0 ；步驟S303 對于所述灰度值差值圖像中所有的格點處的灰度值，均采用所述步驟 S302中的方法進行灰度值取值，從而獲得所述灰度值差值圖像。所述步驟S4中，利用閾值法分割所述灰度值差值圖像。所述步驟S5中，對于步驟Sl中分割獲得的新增類云團，具體包括如下步驟步驟S501a 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行 S502a，否則，識別其為非暴雨云團；步驟S502a:其所包含的格點中的最大灰度值是否大于預設定的閾值T1，如果是， 則識別其為暴雨云團；否則，識別其為非暴雨云團；其中，閾值T1以氣象學定義的關于暴雨 的一小時最低降水量為依據，由過去設定月份內的歷史樣本數據按照最小誤判概率準則確 定，所述歷史樣本數據包括云團的最大灰度值、云團的最小灰度值、云團面積以及云團的 位置變化情況。所述步驟S5中，對于步驟Sl中分割獲得的生長變化類云團，具體包括如下步驟步驟S501b 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行 S502b或S503b，否則，識別其為非暴雨云團；步驟S502b 對于平移變化類和膨脹變化類云團，如果其所包含的格點中的最大 灰度值大于閾值T2，則識別其為暴雨云團；否則，識別其為非暴雨云團；步驟S503b 對于收縮變化類云團，如果其面積大于閾值義，則識別其為暴雨云團； 否則，識別其為非暴雨云團；其中，閾值1~2及義均以氣象學定義的關于暴雨的一小時最低降 水量為依據，由過去設定月份內的歷史樣本數據按照最小誤判概率準則確定，所述歷史樣 本數據包括云團的最大灰度值、云團的最小灰度值、云團面積以及云團的位置變化情況。所述步驟S5中，對于步驟Sl中分割獲得的分裂類云團，具體包括如下步驟步驟S501c 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行 S502c或S503c，否則，識別其為非暴雨云團；步驟S502c 對于增長分裂類和普通分裂類云團，識別其為暴雨云團；步驟S503c 對于獨立分裂類云團，識別其為非暴雨云團。所述步驟S5中，對于步驟Sl中分割獲得的合并類云團，具體包括如下步驟步驟S501d 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行 S502d或S503d，否則，識別其為非暴雨云團；步驟S502d 對于增長合并類和普通合并類云團，識別其為暴雨云團。步驟S503d:對于可能假合并類云團，如果其面積小于域值V2，則識別其為非暴雨 云團，否則，識別其為暴雨云團；其中，閾值V2以氣象學定義的關于暴雨的一小時最低降水 量為依據，由過去設定月份內的歷史樣本數據按照最小誤判概率準則確定，所述歷史樣本 數據包括云團的最大灰度值、云團的最小灰度值、云團面積以及云團的位置變化情況。
(三)有益效果本發明與現有技術相比較，其有益效果在于(1)本發明技術方案對比現有的只考慮云團靜態強度特征、紋理特征的暴雨識別 方法，考慮了云團的生成、發展、分裂、合并等演變過程，提高了暴雨云團識別的準確性。(2)本發明技術方案提出短時基本亮溫圖的概念及計算方法，可用于識別短時內 劇烈變化的云團位置，有利于在暴雨云團形成的早期發現目標，因此對比現有技術，具有更 高的準確性。
圖1為本發明
具體實施方式
所涉及的識別暴雨云團的方法的流程圖；圖2為本發明
具體實施方式
所涉及的短時基本亮溫圖；圖3為本發明
具體實施方式
所涉及的灰度值差值圖像；圖4為本發明
具體實施方式
所涉及的暴雨云團識別結果圖；圖5為本發明
具體實施方式
所涉及的識別結果與未來實際降雨情況的對比圖。
具體實施例方式為使本發明的目的、內容和優點更加清楚，下面結合附圖和實施例，對本發明的具 體實施方式作進一步詳細描述。通過對大量歷史樣本數據進行分析，結合大氣輻射學的基本原理，研究了暴雨云 團在FY2衛星各個通道上的輻射特征、紋理特征和運動變化特征，在此基礎上，提出了暴雨 云團的檢測方法。經過分析，發現暴雨云團在紅外分裂窗通道1(以下簡稱IRl通道)圖像上的特征 最為明顯，歸納起來主要有以下幾點(1)強對流云團平均灰度值較高，即溫度較低。灰度值在200以上的強降水云團， 占所有強降水過程的一半以上。但由于緯度、海拔高度、季節等因素的影響，部分非降水云 團的平均灰度值也在200以上，因此無法僅以灰度值高低判斷是否有強降水；(2)在云團的迎風面出現強降水的可能性大于出現在其他位置的可能性；(3)短時內劇烈變化的云團出現強降水的可能性較大；(4)幾個新生成的小云團，合并為一個大云團后，出現強降水的可能性較大；(5)從原來較大的云團獨立出來的面積較小的云團，一般不會出現強降水。根據以上分析，我們采用IRl通道作為數據來源。將當前時刻前的若干連續時次 的云圖視為一個整體，并以云團為單位進行研究，同時考察云團的生成及演變過程，綜合各 種指標進行識別。與云團的降水強度有關的重要指標有，云團的最大、最小灰度值，云團的 面積，云團的位置變化，以及云團的演變情況(新生成，分裂，合并等)。至此，為提高暴雨云團識別方法的準確率，本發明所提供的基于靜止氣象衛星識 別暴雨云團的方法，如圖1所示，具體包括一、強對流云團識別步驟Sl 對靜止氣象衛星獲取的云圖進行分割，獲得觀測區域內當前時刻下的各 個云團的類別；
所述步驟Sl中，具體包括如下步驟步驟SlOl 讀取靜止氣象衛星獲取的當前時刻t以及上一小時時刻t-Ι的云圖， 使用灰度值閾值法對所述云圖進行分割，將云圖中的格點按灰度值大小分為大于等于閾值 和小于閾值的兩類，其中大于等于閾值的部分分別記為點集合s(t)和點集合s(t-l)；其 中，點集合s(t)為當前時刻t的云團圖像點集合，點集合s(t-i)為上一小時時刻t-i的云 團圖像點集合；步驟S102 標記所述點集合S(t)和點集合S(t-l)中的連通區域，記錄其中與云 團降水強度有關的參數，所述參數具體包括云團的最大灰度值、云團的最小灰度值、云團 面積以及云團的位置變化情況；然后做一次開運算，去除孤立點并平滑區域邊界；步驟S103 對于點集合S(t)中的各個云團，通過判斷其是否在點集合S(t-l)中 存在相應的來源云團、在點集合S(t-l)中的來源云團的數量、在與來源云團相比較時其平 均灰度值是增加還是減少以及其云團面積變化情況，來將點集合S(t)中的云團劃分為十 個類別。所述步驟S103中的十個類別屬于四個大類，所述四個大類具體包括新增類云 團、生長變化類云團、分裂類云團以及合并類云團；若點集合S(t)中的某一云團與點集合S(t-l)中的任一云團均不相交，則認定其 為新增類云團；若點集合S(t)中的某一云團僅與點集合S(t-l)中的某一云團相交，則認定其是 由點集合S(t-l)中的云團變化而來的生長變化類云團；進一步，根據云團面積的變化情 況，所述生長變化類云團還具體分為平移變化類云團、膨脹變化類云團以及收縮變化類云 團；若記該云團在t-Ι和t時刻的面積分別為Ah和At,則當π^ΑΗ ^ At ^ W1時，認定 該生長變化類云團為平移變化類云團；當At > n^A,^時，認定該生長變化類云團為膨脹變 化類云團；當AtCn^Aw時，認定該生長變化類云團為收縮變化類云團；其中，參數值Hipn1 均為根據實際情況預先設定的數值，且Ii1 > Hi1彡1 ；比如，可以設定Hi1 = Ln1 = 2；若點集合S(t)中的多個云團均與點集合S(t-l)中的某一云團q相交，則可以將 這些云團認定為均由點集合s(t-l)中的云團發展而來的分裂類云團；進一步，根據點集 合s(t)中的多個云團與云團Cj的面積關系，所述分裂類云團還具體分為增長分裂類云團、 普通分裂類云團以及獨立分裂類云團；若記點集合s(t)中與相交的這些云團中某一個 云團的面積為At，Cj的面積為Aw，則當At > n2*ACJ時，認定該分裂類云團為增長分裂類云 團；當m2*ACj<At<n2*ACj時，認定該分裂類云團為普通分裂類云團；當At < m2*ACj時，認定 該分裂類云團為獨立分裂類云團；其中，參數值m2、1!2均為根據實際情況預先設定的數值， 且 > m2 > 0 ；比如，可以設定m2 = 0. 5，n2 = 1 ；若當前云團圖像點集合S(t)中的某一云團與點集合S(t-l)中的多個云團相交， 則可以將該云團認定為由點集合S(t-l)中的多個云團合并而來的合并類云團；進一步，根 據當前云團的面積是否大于S(t-l)中的多個云團的面積總和，所述合并類云團還具體分 為增長合并類云團、普通合并類云團以及可能假合并類云團；若記當前云團面積為At，與之 相交的點集合S(t-l)中的η個云團的面積分別為Ai, i = 1，2，···η ；則當At Ssum(Ai)時， 認定該合并類云團為增長合并類云團；當max (Ai) ^ At ^ Sum(Ai)時，認定該合并類云團為 普通合并類云團；當At Cmax(Ai)時，認定該合并類云團為可能假合并類云團。
9
二、圖像預處理步驟S2 根據靜止氣象衛星獲取的云圖，將當前時刻之前的設定時間段內的N幅 云圖進行合成，計算N幅云圖各自對應的每一格點處的灰度值最小值，獲得設定時間段內 各云團的基本亮溫圖，將該合成后獲得的基本亮溫圖定義為短時基本亮溫圖；所述步驟S2中，具體包括步驟S201 對齊所述當前時刻之前的設定時間段內的多幅云圖；步驟S202 對于所述短時基本亮溫圖中某一格點處的灰度值，選取多幅云圖中處 于該相同格點處的多個灰度值中最小的灰度值；步驟S203 對于所述短時基本亮溫圖中所有的格點處的灰度值，均采用所述步驟 S202中的方法進行灰度值取值，從而合成獲得所述短時基本亮溫圖；以每半小時一張衛星圖像計算，如果N取3，即，使用過去2小時內的三張圖片計算 最高亮溫，表示過去2小時內各云團的基礎亮溫。如圖2所示，圖2為8月1日0點前三個 時刻(即7月31日23:30，23:00，22:30)云圖合成的短時最高亮溫圖。步驟S3 計算當前時刻的云圖與所述短時基本亮溫圖的灰度值差值圖像；所述步驟S3中，具體包括步驟S301 對齊所述當前時刻的云圖與所述短時基本亮溫圖；步驟S302 對于所述灰度值差值圖像中某一格點處的灰度值，將所述當前時刻的 云圖中處于該相同格點處的灰度值減去所述短時基本亮溫圖中處于該相同格點處的灰度 值，所獲得差值選取為所述灰度值差值圖像中該格點處的灰度值；若該差值小于零，則所述 灰度值差值圖像中該格點處的灰度值取0 ；步驟S303 對于所述灰度值差值圖像中所有的格點處的灰度值，均采用所述步驟 S302中的方法進行灰度值取值，從而獲得所述灰度值差值圖像。短時最高亮溫圖所涉及到的圖片較少，時間跨度小，因此并不是近似的“睛空亮 溫”圖，而是短時內各云團的基本亮溫。而與當前云圖做差后，可以將近期明顯增強的云團 標識出來。如圖3所示，圖3為8月1日0點云圖與圖2做差得到的圖像。圖3中，灰度值 越大表示在過去2小時內該區域云量增加的越多。在這些區域產生強降水的可能性較大。 使用圖像分割算法，如閾值法，將圖3中的云團進行分割，識別出暴雨云團的備選區域。步驟S4 利用閾值法對所述灰度值差值圖像進行分割，識別出可能出現暴雨天氣 的備選云團；其中，步驟Sl與步驟S2-步驟S4的順序可以顛倒，即強對流云層的識別過程與圖 像預處理過程可以顛倒。三、識別暴雨云團步驟S5 對于所述步驟Sl中分割獲得的各類云團，結合步驟S4中識別出的備選 云團，使用靜止氣象衛星獲取的觀測區域的歷史樣本數據來識別得出最終的暴雨云團。所述步驟S5中，對于步驟Sl中分割獲得的新增類云團，具體包括如下步驟步驟S501a 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行 S502a，否則，識別其為非暴雨云團；步驟S502a:其所包含的格點中的最大灰度值是否大于預設定的閾值T1，如果是， 則識別其為暴雨云團；否則，識別其為非暴雨云團；其中，閾值T1以氣象學定義的關于暴雨的一小時最低降水量為依據，由過去設定月份內的歷史樣本數據按照最小誤判概率準則確 定，所述歷史樣本數據包括云團的最大灰度值、云團的最小灰度值、云團面積以及云團的 位置變化情況。所述步驟S5中，對于步驟Sl中分割獲得的生長變化類云團，具體包括如下步驟步驟S501b 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行 S502b或S503b，否則，識別其為非暴雨云團；步驟S502b 對于平移變化類和膨脹變化類云團，如果其所包含的格點中的最大 灰度值大于閾值T2，則識別其為暴雨云團；否則，識別其為非暴雨云團；步驟S503b 對于收縮變化類云團，如果其面積大于閾值義，則識別其為暴雨云團； 否則，識別其為非暴雨云團；其中，閾值1~2及義均以氣象學定義的關于暴雨的一小時最低降 水量為依據，由過去設定月份內的歷史樣本數據按照最小誤判概率準則確定，所述歷史樣 本數據包括云團的最大灰度值、云團的最小灰度值、云團面積以及云團的位置變化情況。所述步驟S5中，對于步驟Sl中分割獲得的分裂類云團，具體包括如下步驟步驟S501c 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行 S502c或S503c，否則，識別其為非暴雨云團；步驟S502c 對于增長分裂類和普通分裂類云團，識別其為暴雨云團；步驟S503c 對于獨立分裂類云團，識別其為非暴雨云團。所述步驟S5中，對于步驟Sl中分割獲得的合并類云團，具體包括如下步驟步驟S501d 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行 S502d或S503d，否則，識別其為非暴雨云團；步驟S502d 對于增長合并類和普通合并類云團，識別其為暴雨云團。步驟S503d:對于可能假合并類云團，如果其面積小于域值V2，則識別其為非暴雨 云團，否則，識別其為暴雨云團；其中，閾值V2以氣象學定義的關于暴雨的一小時最低降水 量為依據，由過去設定月份內的歷史樣本數據按照最小誤判概率準則確定，所述歷史樣本 數據包括云團的最大灰度值、云團的最小灰度值、云團面積以及云團的位置變化情況。其中，上述歷史樣本數據的選擇優選過去30天的歷史樣本數據，但若當前月份為 5月時，由于暴雨出現月份主要集中在6、7、8月，則歷史樣本數據選擇去年的6、7、8月的數 據。最終，如圖4所示，為8月1日0點云圖的識別結果，暴雨云團的位置已由邊界線 標識出來。四、檢驗方法下面，描述對上述所識別出來的暴雨云團結果是否真實可靠進行檢測的方法。由于天氣系統不可重現，而且目前沒有一種技術手段可以連續、完整探測所有天 氣現象，因此無論何種檢驗方法，都有一定的局限性。這里我們采用自動化雨量站一小時降水量記錄作為參考標準，對算法進行評價。 目前我國已有2萬多個自動化雨量站，在東部絕大多數地區的分布較稠密，空間分辨率接 近FY2衛星紅外通道的分辨率。另外，由于西部地區雨量站數量較少，分布稀疏，無法進行 檢驗。因此檢驗時，只考慮算法在東部地區的準確性。檢驗標準為，對于上述算法識別出的暴雨云團，若云團所在地區某一雨量站在當
11前時刻及未來2小時內測得一小時降水量超過8mm，則認為識別正確，否則認為識別錯誤。具體檢驗步驟如下(1)設當前時刻t，對上述算法識別出的每一暴雨云團，讀取云團所在地區當前時 刻及未來兩小時所有自化雨量站的一小時降水量信息，即，若當前為8點，則讀取每一站點 7點至8點，8點至9點，9點至10點三個一小時降水量信息；(2)若某站點的一小時降水量超過8mm，則認為該云團確實為暴雨云團，識別正 確；(3)若所有站點的三個一小時降水量都不超過8mm，則認為該云團不是暴雨云團， 識別錯誤；(4)記錄所有的識別正確、錯誤的次數，計算識別正確率。如圖5所示，為8月1日0點識別結果與未來2小時一小時降水量對比圖。其中 一小時降水量小于5mm的以方框邊界線劃分出來，大于5mm小于8mm的區域分布于方框邊 界右上方的點陣區域中的微細點處，大于8mm的區域分布于方框邊界左下方的點陣區域中 的大顆粒點處。五、結果檢驗對2010年7月1日0點至7月31日23點共738張云圖(6張云圖缺失)進行檢 測，四川地區共檢測出1565個暴雨云團，1335個正確，正確率85. 30%，全國范圍內(西部 地區除外)共檢測出6217個暴雨云團，4746個正確，正確率76. 34%。算法對2010年8月1日0點至8月10日23點共238張云圖Q張云圖缺失)進 行檢測，四川地區共檢測出3 個暴雨云團，272個正確，正確率82. 67%，全國范圍內(西 部地區除外)共檢測出2021個暴雨云團，1476個正確，正確率73. 03%。以上所述僅是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人 員來說，在不脫離本發明技術原理的前提下，還可以做出若干改進和變形，這些改進和變形 也應視為本發明的保護范圍。
權利要求
1.一種基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述方法包括如下步驟步驟Sl 對靜止氣象衛星獲取的云圖進行分割，獲得觀測區域內當前時刻下的各個云 團的類別；步驟S2:根據靜止氣象衛星獲取的云圖，將當前時刻之前的設定時間段內的多幅云圖 進行合成，獲得設定時間段內各云團的基本亮溫圖，將該合成后獲得的基本亮溫圖定義為 短時基本亮溫圖；步驟S3 計算當前時刻的云圖與所述短時基本亮溫圖的灰度值差值圖像；步驟S4 對所述灰度值差值圖像進行分割，識別出可能出現暴雨天氣的備選云團；步驟S5 對于所述步驟Sl中分割獲得的各類云團，結合步驟S4中識別出的備選云團， 使用靜止氣象衛星獲取的觀測區域的歷史樣本數據來識別得出最終的暴雨云團。
2.如權利要求1所述的基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述步 驟Sl中，具體包括如下步驟步驟SlOl 讀取靜止氣象衛星獲取的當前時刻t以及上一小時時刻t-Ι的云圖，使用 灰度值閾值法對所述云圖進行分割，將云圖中的格點按灰度值大小分為大于等于閾值和小 于閾值的兩類，其中大于等于閾值的部分分別記為點集合S(t)和點集合S(t-l)；其中，點 集合S(t)為當前時刻t的云團圖像點集合，點集合S(t-l)為上一小時時刻t-1的云團圖 像點集合；步驟S102:標記所述點集合S(t)和點集合S(t-l)中的連通區域，記錄其中與云團降 水強度有關的參數，所述參數具體包括云團的最大灰度值、云團的最小灰度值、云團面積 以及云團的位置變化情況；步驟S103:對于點集合S(t)中的各個云團，通過判斷其是否在點集合S(t-l)中存在 相應的來源云團、在點集合S(t-l)中的來源云團的數量、在與來源云團相比較時其平均灰 度值是增加還是減少以及其云團面積變化情況，來將點集合S(t)中的云團劃分為十個類 別。
3.如權利要求2所述的基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述步 驟S103中的十個類別屬于四個大類，所述四個大類具體包括新增類云團、生長變化類云 團、分裂類云團以及合并類云團；若點集合S(t)中的某一云團與點集合S(t-l)中的任一云團均不相交，則認定其為新 增類云團；若點集合S(t)中的某一云團僅與點集合S(t-l)中的某一云團相交，則認定其是由點 集合S(t-l)中的云團變化而來的生長變化類云團；進一步，根據云團面積的變化情況，所 述生長變化類云團還具體分為平移變化類云團、膨脹變化類云團以及收縮變化類云團；若 記該云團在t-Ι和t時刻的面積分別為Ah和At,則當π^ΑΗ彡At彡W1時，認定該生 長變化類云團為平移變化類云團；當At > H1^1時，認定該生長變化類云團為膨脹變化類 云團；當At < Hi1^1時，認定該生長變化類云團為收縮變化類云團；其中，參數值mi、H1均 為根據實際情況預先設定的數值，且H1 > Hi1 ^ 1 ；若點集合S(t)中的多個云團均與點集合S(t-l)中的某一云團相交，則可以將這些 云團認定為均由點集合S(t-l)中的云團 .發展而來的分裂類云團；進一步，根據點集合S(t)中的多個云團與云團 .的面積關系，所述分裂類云團還具體分為增長分裂類云團、普 通分裂類云團以及獨立分裂類云團；若記點集合S(t)中與相交的這些云團中某一個云 團的面積為At，Cj的面積為A ，則當At > n2*ACJ時，認定該分裂類云團為增長分裂類云團； 當m2*ACj ^ At ^ n2*ACJ時，認定該分裂類云團為普通分裂類云團；當At < m2*ACJ時，認定該 分裂類云團為獨立分裂類云團；其中，參數值！！^巧均為根據實際情況預先設定的數值，且 n2 > m2 > 0 ；若當前云團圖像點集合s(t)中的某一云團與點集合s(t-l)中的多個云團相交，則可 以將該云團認定為由點集合s(t-l)中的多個云團合并而來的合并類云團；進一步，根據當 前云團的面積是否大于s(t-l)中的多個云團的面積總和，所述合并類云團還具體分為增 長合并類云團、普通合并類云團以及可能假合并類云團；若記當前云團面積為At，與之相交 的點集合S(t-l)中的η個云團的面積分別為Ai, i = 1,2, ...n Jl^AtSsum(Ai)時，認 定該合并類云團為增長合并類云團；當max(Ai) ^ At ^ Sum(Ai)時，認定該合并類云團為普 通合并類云團；當At Cmax(Ai)時，認定該合并類云團為可能假合并類云團。
4.如權利要求1所述的基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述步 驟S2中，具體包括步驟S201 對齊所述當前時刻之前的設定時間段內的多幅云圖；步驟S202 對于所述短時基本亮溫圖中某一格點處的灰度值，選取多幅云圖中處于該 相同格點處的多個灰度值中最小的灰度值；步驟S203 對于所述短時基本亮溫圖中所有的格點處的灰度值，均采用所述步驟S202 中的方法進行灰度值取值，從而合成獲得所述短時基本亮溫圖。
5.如權利要求1所述的基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述步 驟S3中，具體包括步驟S301 對齊所述當前時刻的云圖與所述短時基本亮溫圖；步驟S302 對于所述灰度值差值圖像中某一格點處的灰度值，將所述當前時刻的云圖 中處于該相同格點處的灰度值減去所述短時基本亮溫圖中處于該相同格點處的灰度值，所 獲得差值選取為所述灰度值差值圖像中該格點處的灰度值；若該差值小于零，則所述灰度 值差值圖像中該格點處的灰度值取0 ；步驟S303 對于所述灰度值差值圖像中所有的格點處的灰度值，均采用所述步驟S302 中的方法進行灰度值取值，從而獲得所述灰度值差值圖像。
6.如權利要求1所述的基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述步 驟S4中，利用閾值法分割所述灰度值差值圖像。
7.如權利要求3所述的基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述步 驟S5中，對于步驟Sl中分割獲得的新增類云團，具體包括如下步驟步驟S501a 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行S502a，否 則，識別其為非暴雨云團；步驟S502a:其所包含的格點中的最大灰度值是否大于預設定的閾值T1,如果是，則識 別其為暴雨云團；否則，識別其為非暴雨云團；其中，閾值T1以氣象學定義的關于暴雨的一 小時最低降水量為依據，由過去設定月份內的歷史樣本數據按照最小誤判概率準則確定， 所述歷史樣本數據包括云團的最大灰度值、云團的最小灰度值、云團面積以及云團的位置變化情況。
8.如權利要求3所述的基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述步 驟S5中，對于步驟Sl中分割獲得的生長變化類云團，具體包括如下步驟步驟S501b 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行S502b或 S503b，否則，識別其為非暴雨云團；步驟S502b 對于平移變化類和膨脹變化類云團，如果其所包含的格點中的最大灰度 值大于閾值T2，則識別其為暴雨云團；否則，識別其為非暴雨云團；步驟S503b 對于收縮變化類云團，如果其面積大于閾值V1，則識別其為暴雨云團；否 則，識別其為非暴雨云團；其中，閾值1~2及義均以氣象學定義的關于暴雨的一小時最低降水 量為依據，由過去設定月份內的歷史樣本數據按照最小誤判概率準則確定，所述歷史樣本 數據包括云團的最大灰度值、云團的最小灰度值、云團面積以及云團的位置變化情況。
9.如權利要求3所述的基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述步 驟S5中，對于步驟Sl中分割獲得的分裂類云團，具體包括如下步驟步驟S501c 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行S502c或 S503c，否則，識別其為非暴雨云團；步驟S502c 對于增長分裂類和普通分裂類云團，識別其為暴雨云團； 步驟S503c 對于獨立分裂類云團，識別其為非暴雨云團。
10.如權利要求3所述的基于靜止氣象衛星識別暴雨云團的方法，其特征在于，所述步 驟S5中，對于步驟Sl中分割獲得的合并類云團，具體包括如下步驟步驟S501d 判斷其是否是步驟S4中識別出的備選云團，如果是，則繼續進行S502d或 S503d，否則，識別其為非暴雨云團；步驟S502d 對于增長合并類和普通合并類云團，識別其為暴雨云團。 步驟S503d:對于可能假合并類云團，如果其面積小于域值V2，則識別其為非暴雨云團， 否則，識別其為暴雨云團；其中，閾值V2以氣象學定義的關于暴雨的一小時最低降水量為依 據，由過去設定月份內的歷史樣本數據按照最小誤判概率準則確定，所述歷史樣本數據包 括云團的最大灰度值、云團的最小灰度值、云團面積以及云團的位置變化情況。
全文摘要
本發明涉及一種基于靜止氣象衛星識別暴雨云團的方法，屬于大氣監測技術領域。為提高暴雨云團識別的準確率，該方法包括分割云圖，獲得當前時刻各個云團的類別；合成設定時間段內的多幅云圖，獲得短時基本亮溫圖；計算當前時刻云圖與短時基本亮溫圖的灰度值差值圖像；分割灰度值差值圖像，識別出暴雨天氣備選云團；對于獲得的各類云團，結合備選云團，使用歷史樣本數據識別得出最終的暴雨云團。本發明技術方案對比目前只考慮云團靜態強度特征、紋理特征的暴雨識別方法，考慮云團的生成、發展、分裂、合并等演變過程，并提出短時基本亮溫圖的概念及計算方法，可識別短時內劇烈變化的云團位置，利于在暴雨云團形成早期發現目標，具有很高的準確性。
文檔編號G06T7/00GK102129566SQ20111005684
公開日2011年7月20日 申請日期2011年3月9日 優先權日2011年3月9日
發明者吳曉京, 曹治強, 朱小祥, 毛紫陽 申請人:中國人民解放軍國防科技大學, 國家衛星氣象中心