段　煉,郭庚常

(中國民航飛行學院 空中交通管理學院,四川 廣漢　618307)

?

風云衛(wèi)星云圖自動識別追蹤MCS的方法

段煉,郭庚常

(中國民航飛行學院 空中交通管理學院,四川 廣漢618307)

摘要根據(jù)中尺度對流系統(tǒng)(MCS)的識別判定標準,基于數(shù)字圖像處理和模糊模式識別等技術,研究對MCS云團的自動識別與追蹤。利用SUSAN邊緣檢測算子提取邊界輪廓,并以亮溫直方圖結合云團的多個特征量構建追蹤模板,實現(xiàn)云團追蹤。通過對2014年5月10日12～17時的追蹤實驗發(fā)現(xiàn),該方法可快速實現(xiàn)MCS云團的自動識別,并能實現(xiàn)對多時次MCS云團的連續(xù)有效追蹤。

關鍵詞MCS;圖像處理;亮溫直方圖;貼近度

中尺度對流系統(tǒng)(Mesoscale Convective System,MCS)泛指由若干對流單體或孤立對流系統(tǒng)及其衍生的層狀云系所組成的深對流系統(tǒng),其水平范圍約為十幾千米至二三百千米,生命期約為1 h至十幾h[1]。同時,MCS是我國主要的暴雨系統(tǒng)之一,也是造成我國夏季暴雨、洪澇災害性天氣的重要天氣系統(tǒng)。

MCS常伴隨著雷暴、暴雨、冰雹等災害性天氣,因此對人們的日?；顒雍蜕a(chǎn)造成較大影響,甚至是巨大損失。所以,準確識別MCS的位置,進而預測其發(fā)展和移動的趨勢就顯得尤為重要。過去,對MCS的預報和研究大多借助于常規(guī)觀測資料,但受其時空分辨率低的限制,并不能滿足追蹤、分析和研究MCS的需要。隨著靜止氣象衛(wèi)星探測能力的增強,使得衛(wèi)星遙感資料具有觀測范圍廣、時空分辨率高的突出特點,這些是其他資料所無法比擬的,因此衛(wèi)星數(shù)據(jù)已逐漸成為分析、研究、監(jiān)測和預警MCS的主要數(shù)據(jù)來源。

目前,國內(nèi)外利用衛(wèi)星資料識別和追蹤MCS已取得了一定的成果。如:白潔等[2]采用區(qū)域平滑濾波和閾值剔除相結合的方法,對強對流云團進行識別與追蹤;李匯軍等[3]應用連續(xù)小波基函數(shù)變換法提取對流云團,實現(xiàn)強對流云團邊界的分割;Peak與Tag[4-5]提出多閾值啟發(fā)式和人工神經(jīng)網(wǎng)絡相結合的方法,將云圖分割成與天氣系統(tǒng)相聯(lián)系的云區(qū);Arking等[6]對云團做傅里葉變換,使用傅里葉相位差估計云團的移動。

1MCS的定義

國內(nèi)外學者對MCS發(fā)生和發(fā)展過程已進行過諸多個例分析和數(shù)值模擬,尤其是對尺度較大的中尺度對流復合體(MCC)的研究。對MCS進行普查,很大程度上為更全面的了解和分析MCS提供了便利。在我國,馬禹等[7]普查了1993～1995年我國夏季8.5個月的MαCS,同時和陶祖鈺等[8]采用類似Maddox定義MCC的方法,結合Orlanski[9]α-中尺度和β-中尺度對流系統(tǒng)的劃分標準,重新定義了基于靜止衛(wèi)星紅外云圖普查MαCS和MβCS的標準。在該普查標準中,首次提出了MβCS在普查中的最小尺度標準為:TBB值≤-32 ℃連續(xù)冷云區(qū)的短軸為1.5～3.0個緯距。費增平等[10]普查了2003年淮河大水期間的MCS,根據(jù)我國造成劇烈災害性天氣的系統(tǒng)的空間尺度特征,重新修訂了MCS的最小尺度標準,即TBB≤-52 ℃連續(xù)冷云區(qū)的直徑≥20 km。本文根據(jù)我國強對流系統(tǒng)及其云團的物理量特征,結合費增平等對MCS最小尺度標準的修訂,確定文中MCS識別和追蹤的判據(jù),如表1所示。

表1　本文MCS識別和追蹤的判據(jù)

2MCS的自動識別

2.1獲取灰度衛(wèi)星云圖

本文使用的衛(wèi)星資料是從國家衛(wèi)星氣象中心下載的,FY-2E標稱格式平均相當黑體亮溫產(chǎn)品數(shù)據(jù),并以該數(shù)據(jù)為基礎轉換出識別所需的灰度衛(wèi)星云圖。

從原始衛(wèi)星數(shù)據(jù)直接轉換得到的灰度圖像,將夾雜著包括地表和大氣在內(nèi)的各種物體的紅外輻射,因此整張衛(wèi)星云圖看起來模糊不清。為獲取較清晰且云團邊界較明顯的灰度圖像,文中取閾值180 K(TBB值),剔除不相關物體的黑體亮溫值,即TBB值<180 K時將不參與灰度圖像轉換?；叶刃l(wèi)星云圖如圖1(a)所示。

2.2濾波預處理

從衛(wèi)星數(shù)據(jù)中轉換出的灰度圖像,不可避免地會存在一些干擾和噪聲,所以在識別前需要對圖像進行預處理。文中采用中值濾波的方法消除噪聲干擾。在識別MCS時需要較為鮮明的輪廓特征,以便提取輪廓,所以結合銳化濾波對圖像進行二次濾波處理,以加強圖像的輪廓特征。

中值濾波:采用3×3滑動窗口,將鄰域中的像素按灰度級排序,取中間值為輸出像素,數(shù)學描述如下[11]

(1)

銳化濾波:選用3×3的線性銳化濾波器模板,系數(shù)取值為[0 -1 0;-1 4 -1;0 -1 0],即為拉普拉斯算子。離散函數(shù)的拉普拉斯算子表達式為

(2)

2.3MCS的輪廓提取

灰度衛(wèi)星圖像經(jīng)過兩次濾波處理后,可用來進行進一步的數(shù)字圖像處理。對MCS進行輪廓提取,其實就是閾值判斷并剔除的過程。在此過程中,涉及兩次閾值判斷,分別是黑體亮溫(TBB)閾值和面積閾值判斷。

(1)黑體亮溫閾值。文中按照MCS判據(jù)選取黑體亮溫閾值為221.15K(-52 ℃),并作為灰度圖像二值化的依據(jù)。二值化過程,即是以1和0分別表示亮溫值低于和高于閾值的像素點。二值化圖像如圖1(b)所示;

(2)面積閾值。按照MCS判據(jù),要求當TBB值低于-52 ℃時連續(xù)冷云區(qū)的面積>6 400km2。由于風云二號衛(wèi)星的分辨率為5km,所以面積閾值取256,即在二值化后的圖像中剔除像素點總數(shù)<256的區(qū)域。

經(jīng)過黑體亮溫閾值和面積閾值剔除后的二值化圖像如圖1(c)所示,此時已完成衛(wèi)星云圖的二值化和MCS識別判據(jù)的初步判斷,在此二值化圖像的基礎上,便可提取MCS的邊界輪廓。文中使用SUSAN邊緣檢測算子識別邊界輪廓,因其在運算過程中不涉及梯度的計算,故對噪聲圖像的邊緣檢測效果優(yōu)于傳統(tǒng)的邊緣檢測算法[12-13]。提取輪廓結果如圖1(d)所示。

圖1　MCS的自動識別

2.4特征值計算

識別和追蹤MCS需要對其進行完整的描述,即涉及描述云團特征的特征值的計算。在后續(xù)的追蹤過程中,需要構建追蹤模板,均與特征值計算有關,需要計算的特征值包括:周長、面積、圓形率、體態(tài)比、質(zhì)心、中心矩、亮溫直方圖等。

周長:假設待求區(qū)域的輪廓線由N+1個點組成,坐標值標記為Ci(x,y),i=1,2,…,N,則周長C為

(3)

面積:區(qū)域面積的求解轉化為區(qū)域內(nèi)像素點數(shù)目的計算,云圖的分辨率為5 km,所以單個像素點的面積為25 km2,設N為區(qū)域內(nèi)像素點數(shù),則面積S=25×N;

圓形率:橢圓率的一種近似表達,用來表征區(qū)域邊界形狀的復雜程度,計算

E=(4π×S)/C2

(4)

體態(tài)比:區(qū)域在x軸上投影的長度/區(qū)域在y軸上投影的長度,即

(5)

質(zhì)心:用來表征云團所在的位置,其計算公式為

(6)

其中,xi,yi為像素點的網(wǎng)格坐標值;f(i)表示第i個像素點處的亮溫值。

中心矩:用來反映區(qū)域的形狀特征,且具有平移不變性。設f(i,j)為(i,j)點的亮溫值,對其進行歸一化處理

(7)

則g(i,j)的p+q階中心矩為

(8)

其中,(m,n)為區(qū)域的中心坐標。

亮溫直方圖:該直方圖的思想來源于灰度直方圖。亮溫直方圖可表示為一個關于亮溫值的離散函數(shù)

(9)

其中,n是單個MCS云團亮溫值像素點總數(shù);nk是云團中第k個亮溫級(亮溫值向下取整)的亮溫值像素點總數(shù);rk是第k個亮溫級,k=0,1,2,…,400。如圖2所示為兩個不同MCS云團的亮溫直方圖。

圖2　兩個不同MCS云團的亮溫直方圖

3MCS的自動追蹤

3.1追蹤匹配模板的構建

匹配模板的構建是以特征值為基礎,但在構建前需要對特征值構建模板的可行性進行評估。即對相鄰兩個時刻MCS的單一特征值進行相關值計算,并進行相應的追蹤實驗,驗證該特征值的追蹤有效性。文中采用最小平均絕對差值函數(shù)(MAD)進行相關值計算,MAD定義如下[14]

(10)

其中,i=1,…,M,j=1,…,N。

根據(jù)MAD的相關值計算進行了追蹤實驗,選用云圖時次為2014年5月10日的12時和13時,如圖2所示為圓形率和周長的追蹤對比結果。試驗中根據(jù)計算結果,將平均絕對差值最小的兩個云團認為是同一云團,并標記上相同的英文字母。實驗發(fā)現(xiàn),A,B云團在采用周長的實驗中,可較好地實現(xiàn)追蹤,如圖3(c)所示。而采用圓形率的實驗中,A云團的追蹤效果較差并出現(xiàn)了追蹤錯誤,如圖3(b)所示。C云團在13時已消散,但在13時次出現(xiàn)的新云團與C云團極其相似,實驗中根據(jù)計算結果將其視為同一云團,這一錯誤結論歸因于單一特征值追蹤,所以只用于追蹤有效性評估。

圖3　識別結果與匹配結果

根據(jù)多次實驗和總結發(fā)現(xiàn),計算的特征值中,圓形率和體態(tài)比不具有較理想的匹配效果,而周長、面積、質(zhì)心、中心矩、亮溫直方圖等可獲得較理想的匹配效果。所以,文中確定由周長、面積、質(zhì)心、中心矩、亮溫直方圖等特征量構建匹配模板。

由于涉及多個特征值的匹配,現(xiàn)引入模糊數(shù)學中貼近度的概念,由多個特征值組建模糊集,利用貼近度來表征兩個模糊集的接近程度。文中使用海明距離來計算兩個集合的貼近度,歸一化處理后的計算公式為

(11)

單個MCS云團的亮溫直方圖存儲方式為1×400的矩陣,第一位存儲最低亮溫值,最后一位存儲亮溫值<221 K的像素點數(shù),其它位自動存儲相應的亮溫級數(shù)據(jù),這樣每個MCS云團對應一個亮溫直方圖數(shù)據(jù)集。

3.2MCS追蹤實驗

在追蹤過程中,對每一時次中識別出的MCS進行逐一特征值計算,并組建模糊集,即以周長、面積、質(zhì)心、中心矩等特征值組建一個模糊集,以亮溫直方圖數(shù)據(jù)集組建另一模糊集,并分別計算貼近度,最后將兩個計算結果乘以不同權重系數(shù)并相加,作為最終貼近度計算值。相鄰兩時次中,根據(jù)貼近度計算結果,選取最大貼近度者作為同一目標。

追蹤實驗發(fā)現(xiàn),只按照貼近度匹配出的追蹤結果,存在一定的誤差,并不能很好地實現(xiàn)較高準確率的追蹤。為消除這一誤差,根據(jù)強對流云團的最大移動速度,一小時內(nèi)最大移動距離不超過180 km,對貼近度計算結果進行二次計算并判斷。圖4所示為部分追蹤實驗結果。

圖4　2014年5月10日12～17時MCS的追蹤實驗

追蹤自動標記的原則:第一幅圖依次按英文字母順序標記,后續(xù)時次的云圖根據(jù)追蹤結果將同一云團標記相同的字母,新生云團在原有字母的基礎上遞增標記。對于大面積、多時次的MCS追蹤時,將涉及多個云團的標記,文中按照26個英文字母循環(huán)標記的方法依次標記。

追蹤結果中看到,13時的D云團和14時的F云團,可認為是同一云團,但14時的F云團由于云團面積拉伸較大,從而導致質(zhì)心位置偏移較多,所以根據(jù)每小時180 km變化量判定為不同云團,因此導致追蹤誤差的存在。故文中將有新生云團并入而導致質(zhì)心發(fā)生較大偏移的云團視作為新生云團,并更新字母加以標記。

4結束語

本文根據(jù)國內(nèi)多次MCS普查工作而逐步修訂完善的判定標準,提出了一種有效實現(xiàn)MCS自動識別與追蹤的方法。該方法與人工識別相比具有快速、準確的優(yōu)勢,與常規(guī)觀測資料相比可達到更廣的觀測范圍和更高的時空分辨率,為實現(xiàn)MCS的實時觀測和氣候學特征研究提供了便利。

但該方法仍存在一定的不足,如在追蹤試驗中,示例的2014年5月10日6個時次的云團追蹤,驗證了自動追蹤方法具有較高的準確性,但對于初生云團并入大云團或兩云團的合并等引起云團質(zhì)心位置發(fā)生較大偏移的情形,均會導致追蹤結果存在一定的偏差。在后繼研究中,需通過不斷的實驗探索云團質(zhì)心偏差的合理區(qū)間,以進一步提高追蹤的準確性,或尋求更有效的方法提高亮溫直方圖在追蹤上的貢獻值。

參考文獻

[1]朱乾根,林錦瑞,壽紹文,等.天氣學原理和方法[M].4版.北京:氣象出版社,2000.

[2]白潔,王洪慶,陶祖鈺.GMS衛(wèi)星紅外云圖強對流云團的識別與追蹤[J].熱帶氣象學報,1997(2):63-72.

[3]李匯軍,孔玉壽.應用連續(xù)小波變換提取對流云團[J].解放軍理工大學學報:自然科學版,2005(2):181-186.

[4]Peak J E,Tag P M.Toward of automated in terpretation of satellite imagery for navy ship board plications[J].Bulletin of the American Meteorological Society,1992,73(7):995-1008.

[5]Peak J E,Tag P M.Segmentation of satellite imagery using hierarchical thresholding and neural networks[J].Journal of Applied Meteorology,1994,33(1):605-616.

[6]Arking A,Robert C L,Rosenfield A.A furrier approach to cloud motion estimation[J].Application Meteor,1978(17):735-744.

[7]馬禹,王旭,陶祖鈺.中國及其鄰近地區(qū)中尺度對流系統(tǒng)的普查和時空分布特征[J].自然科學進展,1997(6):63-68.

[8]陶祖鈺,王洪慶,王旭,等.1995年中國的中-尺度對流系統(tǒng)[J].氣象學報,1998,56(2):166-177.

[9]Orlanski L A.A rational subdivision of scales for atmospheric processes[J].Bull Amer Meteor Soc,1975,56(5):527-530.

[10]費增平,王洪慶,張焱,等.基于靜止衛(wèi)星紅外云圖的MCS自動識別與追蹤[J].應用氣象學報,2011,22(1):115-122.

[11]張德豐.Matlab數(shù)字圖像處理[M].北京:機械工業(yè)出版社,2009.

[12]Smith S M,Brady J M.SUSAN 2A new approach to low level image processing[J].Computer Vision,1997,23(1):45-78.

[13]馬桂珍,房宗良,姚宗中.SUSAN邊緣檢測算法性能分析與比較[J].現(xiàn)代電子技術,2007(8):189-191.

[14]呂鳳軍.數(shù)字圖像處理編程入門[M].北京:清華大學出版社,1999.

Research on Method for MCS Automatic Identification andTracking Based on FY Satellite Cloud Image

DUAN Lian,GUO Gengchang

(Air Traffic Management College,Civil Aviation Flight University of China,Guanghan 618307,China)

AbstractAccording to the criteria of the identification of mesoscale convective system (MCS),this paper researches on identifying and tracking MCS automatically by means of image processing and fuzzy pattern recognition technology.The SUSAN edge detector is used to extract the boundary contour,thus realizing cloud tracking via building tracking templates with brightness temperature histograms and multiple cloud cluster characteristics.The experiments on tracking MCS during the time 12 to 17 hour of May 10,2014 show that the method has the ability of identifying MCS automatically and quickly and tracking MCS of multi-time effectively.

KeywordsMCS;image processing;brightness temperature histogram;close degree

中圖分類號P407.8

文獻標識碼A

文章編號1007-7820(2016)04-116-05

doi:10.16180/j.cnki.issn1007-7820.2016.04.030

作者簡介:段煉(1968—),男,碩士,副教授。研究方向:航空氣象資料分析。郭庚常(1989—),男,碩士研究生。研究方向:航空運行。

基金項目:民航飛行技術與飛行安全科研基地開放基金資助項目(F2011KF08)

收稿日期:2015- 09- 10