学位论文 > 优秀研究生学位论文题录展示

基于偏微分方程和机器学习的台风风场反演方法研究

作　者: 杨波
导　师: 张长江
学　校: 浙江师范大学
专　业: 物理电子学
关键词: 台风风场偏微分方程机器学习卫星云图小波变换
分类号: O175.2;P444
类　型: 硕士论文
年　份: 2011年
下　载: 35次
引　用: 0次
阅　读: 论文下载

内容摘要

我国是全球受台风灾害最严重的国家之一,台风来临时,造成我国东南部沿海地区经济损失巨大、人民的生命遭受威胁。如何正确应对台风,在台风登陆时将经济损失降到最低事关国家和人民的切身利益,于是台风的准确预报成了预防灾害的重要措施。而风场信息反映了台风强度的变化,合理地选用各种智能算法进行风场反演,便可提高台风预测的准确度。本文结合偏微分方程和机器学习等智能信息处理技术研究台风风场的反演方法,主要包括以下四个方面的研究工作：(1)基于偏微分方程的台风眼提取。风场反演的第一步就是基于静止卫星图像提取有用的数据,而台风云图的灰度信息与台风强度息息相关,尤其是眼壁处灰度的剧烈变化体现了台风强度,因此,灰度信息的提取精确与否直接关系到后续步骤的处理精度。原始的台风云图由于种种原因可能对比度较差,不利于台风眼的准确提取。为此,我们基于反正切函数设计一种新型非线性灰度变换函数,综合运用台风云图的信息熵和标准差构造台风云图质量的评价函数,然后利用差分演化算法获得非线性灰度变换参数。所设计的函数只有一个参数,计算量与传统的含有多个参数的灰度变换函数相比,计算量大大减小。实验结果表明：所设计的方法能够有效增强台风云图的全局对比度,并较好地突出台风眼区,有利于后续台风眼的分割。针对经过增强预处理后的台风云图,本文通过对各种常见图像分割算法的比较,选择应用基于测地活动轮廓模型的偏微分方程法对台风眼进行分割,获得了良好的效果。(2)基于支持向量机的有眼台风风场反演方法研究,具体包括两方面的研究工作：1)基于静止红外卫星云图建立台风眼尺寸和最大风速半径间的数学模型：利用第(1)步提出的非线性灰度变换法增强红外台风云图,以便于后续台风云图分割。接着使用偏微分方程提取台风眼,并计算台风眼的大小,然后根据最冷云顶点和眼壁内最暖点的距离得到近中心最大风速半径,再利用支持向量机建立台风眼大小和最大风半径之间的关系模型来反映有眼台风风场特征。2)建立有眼台风的二维标量风场：先使用支持向量机来建立眼壁灰度信息与最大风速之间的关系模型,然后利用所建立的模型结合线性插值估算台风风场各点的风速,进而获得有眼台风的二维风场。(3)无眼台风风场反演：使用支持向量机建立临界风半径R34,R50与最大风速、纬度、台风生命史的多元关系模型来反映风场特征。在无眼台风的二维风场计算中,先根据同一台风的有眼图像的大小人工构造眼壁,从而可以进行与有眼台风一致的后续计算步骤。本文提出的算法具有实现容易、计算精度高、算法速度快的特点,尤其是使用支持向量机对于各种关系模型的建立,与其他常见拟合算法相比,不仅速度快,误差也较低。(4)基于局部灰度编码和小波多分辨分析的台风风场运动矢量计算。完整的风场反演除了有风场特征模型的建立和风速标量的计算外,还应包括台风运动矢量的计算,传统的灰度匹配法在矢量的计算上十分精确,但唯一不足的就是运算速度太慢,基于此,本文结合小波的多分辨分析技术和一种基于局部灰度编码的匹配法来实现台风云图匹配,获得了良好的矢量计算结果,并大大提升算法速度。

全文目录

摘要  3-5
ABSTRACT  5-10
1 绪论  10-16
  1.1 台风简介  10-12
    1.1.1 台风的特点  10
    1.1.2 台风的形成  10-11
    1.1.3 台风的结构  11-12
    1.1.4 台风的移动路径  12
  1.2 台风风场信息在台风强度预报中的重要性  12-13
  1.3 台风风场反演的应用现状  13-15
  1.4 论文的主要结构和安排  15-16
2 基于偏微分方程的台风眼区提取  16-37
  2.1 常见的图像分割算法简介  16-19
  2.2 图像分割质量评价  19-20
  2.3 基于测地活动轮廓模型的偏微分方程台风云图分割法  20-30
    2.3.1 曲线几何演化的一般方程式  21-22
    2.3.2 水平集方法简介  22-23
    2.3.3 活动轮廓模型的建立  23-25
    2.3.4 GAC模型的行为分析  25-27
    2.3.5 改进后的GAC模型  27-28
    2.3.6 GAC模型的数值实现  28-30
  2.4 基于反正切灰度变换的台风云图增强  30-34
  2.5 实验结果分析  34-35
  2.6 本章小结  35-37
3 基于支持向量机的台风风场反演  37-64
  3.1 数据资料来源  38-39
  3.2 支持向量机的基本原理  39-44
    3.2.1 支持向量机的原理  40-42
    3.2.2 支持向量机算法的实现  42-43
    3.2.3 SVM方法的特点  43-44
  3.3 基于支持向量机的有眼台风内核特征模型建立  44-49
    3.3.1 地理经纬度与图像坐标的对应关系  44-45
    3.3.2 最大风速半径(RMW)的获取  45-47
    3.3.3 台风眼壁大小的提取  47
    3.3.4 拟合方法的选择  47-48
    3.3.5 实验结果及评价  48-49
  3.4 有眼台风二维风场风速灰度模型的建立  49-53
    3.4.1 近中心最大风速与图像灰度的关系  49-50
    3.4.2 拟合效果评价  50-53
  3.5 基于线性插值的二维有眼台风风场风速计算  53-58
    3.5.1 线性插值的常规算法  53-54
    3.5.2 台风风场各点风速的计算  54-56
    3.5.3 二维表面风场各点风速的计算步骤  56
    3.5.4 实验分析  56-58
  3.6 无眼台风内核风场反演  58-60
  3.7 无眼台风二维风场的计算  60-62
  3.8 本章小结  62-64
4 基于模板匹配的台风风场矢量反演  64-78
  4.1 基于改进的灰度模板图像匹配法  65-71
    4.1.1 图像匹配应用现状  65
    4.1.2 传统的基于灰度的图像匹配法简介  65-67
    4.1.3 改进的基于灰度的图像匹配法(局部灰度编码)  67-70
    4.1.4 台风云图的模板匹配  70-71
  4.2 基于小波变换的图像匹配策略  71-75
    4.2.1 小波变换与多分辨分析  72-73
    4.2.2 基于小波变换的图像匹配过程  73-74
    4.2.3 结合小波分解的图像匹配实验  74-75
  4.3 基于小波多分辨率分析和灰度编码匹配法的风场运动矢量计算  75-77
  4.4 本章小结  77-78
5 总结与展望  78-80
  5.1 本文所做的主要工作  78-79
  5.2 未来的研究方向  79-80
参考文献  80-84
攻读学位期间取得的研究成果  84-85
致谢  85-87

基于偏微分方程和机器学习的台风风场反演方法研究

内容摘要

全文目录

相似论文