基于卫星图像序列的强对流天气预警算法
发布时间:2021-02-26 11:29
气象研究表明,强对流往往是导致暴雨、龙卷风、冰雹等自然灾害的直接原因,这些自然灾害会给人民的生活生产行为带来很大的不便,严重时甚至会危害到人民的生命安全。如果我们能够预测对流云系的发展过程,就可以在一定程度上规避自然灾害带来的损失。我们可以从卫星云图图像序列中观测到对流的变化过程,为了预测对流云的未来发展形态,我们可以先预测卫星云图的后续变化形态,然后根据预测得到的卫星云图检测强对流。该过程可以抽象为视频预测和图像序列分割两个问题。现有的视频预测算法和图像分割算法应用场景比较广泛,没有针对卫星数据的特点设计特定的模型算法。在视频预测问题中,目前主流方法往往是基于seq2seq结构的,这种结构的一大缺点就是解码器获得的信息仅仅来源于编码器对输入的编码,导致的问题就是随着预测步数增加图像越来越模糊。在图像分割问题中,当前的方法大多是针对单帧图像的并且需要分割的目标是刚体,这些方法没有考虑到图像序列中时序特征对分割效果的作用以及目标是流体的情况。本文针对seq2seq预测框架的不足提出了基于特征金字塔的递推模型。特征金字塔的设计主要是为了融合不同粒度的特征,更加准确地还原图像。为了更好地利用...
【文章来源】:哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】:58 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
第1章 绪论
1.1 研究背景
1.2 研究目的与意义
1.3 国内外研究现状
1.3.1 基于传统方法的对流云检测方案研究现状
1.3.2 视频预测研究现状
1.3.3 图像分割研究现状
1.4 问题的总结与分析
1.4.1 视频预测方法
1.4.2 图像分割方法
1.5 本文主要研究内容
1.6 本文组织结构
第2章 视频预测和图像分割基础知识
2.1 卷积-长短期记忆网络
2.1.1 卷积操作
2.1.2 长短期记忆单元
2.1.3 卷积-长短期记忆单元
2.2 视频预测算法
2.3 图像分割算法
2.4 本章小节
第3章 基于特征金字塔的递推模型
3.1 引言
3.2 基于特征金字塔的递推模型总体框架
3.3 基于特征金字塔的递推模型设计细节
3.3.1 特征金字塔设计
3.3.2 递推模型架构
3.3.3 优化目标设计
3.4 实验过程与结果分析
3.4.1 实验数据集介绍
3.4.2 评价标准介绍
3.4.3 实验环境
3.4.4 实验过程
3.4.5 实验结果可视化
3.4.6 实验对比和分析
3.5 本章小结
第4章 基于图像序列分割的强对流识别算法
4.1 引言
4.2 图像序列分割算法总体框架
4.3 图像序列分割算法设计细节
4.3.1 图像特征提取模块设计
4.3.2 时序特征提取模块设计
4.3.3 非线性层
4.3.4 优化目标设计
4.4 实验结果与分析
4.4.1 实验数据集介绍
4.4.2 评价标准介绍
4.4.3 实验环境
4.4.4 实验过程
4.4.5 实验结果可视化
4.4.6 实验对比和分析
4.5 本章小结
结论
参考文献
致谢
【参考文献】:
期刊论文
[1]U-net与Dense-net相结合的视网膜血管提取[J]. 徐光柱,胡松,陈莎,陈鹏,周军,雷帮军. 中国图象图形学报. 2019(09)
[2]Algorithm based on local breeding of growing modes for convection-allowing ensemble forecasting[J]. Chaohui CHEN,Xiang LI,Hongrang HE,Jie XIANG,Shenjia MA. Science China(Earth Sciences). 2018(04)
[3]红外云图上中尺度对流系统的自动识别[J]. 束宇,潘益农. 南京大学学报(自然科学版). 2010(03)
本文编号:3052524
【文章来源】:哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】:58 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
第1章 绪论
1.1 研究背景
1.2 研究目的与意义
1.3 国内外研究现状
1.3.1 基于传统方法的对流云检测方案研究现状
1.3.2 视频预测研究现状
1.3.3 图像分割研究现状
1.4 问题的总结与分析
1.4.1 视频预测方法
1.4.2 图像分割方法
1.5 本文主要研究内容
1.6 本文组织结构
第2章 视频预测和图像分割基础知识
2.1 卷积-长短期记忆网络
2.1.1 卷积操作
2.1.2 长短期记忆单元
2.1.3 卷积-长短期记忆单元
2.2 视频预测算法
2.3 图像分割算法
2.4 本章小节
第3章 基于特征金字塔的递推模型
3.1 引言
3.2 基于特征金字塔的递推模型总体框架
3.3 基于特征金字塔的递推模型设计细节
3.3.1 特征金字塔设计
3.3.2 递推模型架构
3.3.3 优化目标设计
3.4 实验过程与结果分析
3.4.1 实验数据集介绍
3.4.2 评价标准介绍
3.4.3 实验环境
3.4.4 实验过程
3.4.5 实验结果可视化
3.4.6 实验对比和分析
3.5 本章小结
第4章 基于图像序列分割的强对流识别算法
4.1 引言
4.2 图像序列分割算法总体框架
4.3 图像序列分割算法设计细节
4.3.1 图像特征提取模块设计
4.3.2 时序特征提取模块设计
4.3.3 非线性层
4.3.4 优化目标设计
4.4 实验结果与分析
4.4.1 实验数据集介绍
4.4.2 评价标准介绍
4.4.3 实验环境
4.4.4 实验过程
4.4.5 实验结果可视化
4.4.6 实验对比和分析
4.5 本章小结
结论
参考文献
致谢
【参考文献】:
期刊论文
[1]U-net与Dense-net相结合的视网膜血管提取[J]. 徐光柱,胡松,陈莎,陈鹏,周军,雷帮军. 中国图象图形学报. 2019(09)
[2]Algorithm based on local breeding of growing modes for convection-allowing ensemble forecasting[J]. Chaohui CHEN,Xiang LI,Hongrang HE,Jie XIANG,Shenjia MA. Science China(Earth Sciences). 2018(04)
[3]红外云图上中尺度对流系统的自动识别[J]. 束宇,潘益农. 南京大学学报(自然科学版). 2010(03)
本文编号:3052524
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3052524.html
最近更新
教材专著