一種基于模糊聚類預處理云系的并行云跡風反演方法技術

本發明專利技術公開了一種基于模糊聚類預處理云系的并行云跡風反演方法，包括：選取相鄰等時間間隔的三幅云圖，對云圖圖像進行數據提取及預處理，將每幅云圖分為多塊追蹤區塊，并且將追蹤區塊分配到指定的多個并行計算處理單元，在每個獨立的計算處理單元通過最大相關系數法對所述追蹤區塊的風矢進行反演計算，得到所述追蹤區塊風矢的風速及風向。本發明專利技術有效提升了云跡風反演的實際執行效率，對低、中、高空全球風場的預測和預警具有重要的應用價值。

【技術實現步驟摘要】

本專利技術涉及衛星云跡風反演領域，具體涉及一種基于模糊聚類預處理云系的并行云跡風反演方法。
技術介紹
在天氣和災害預報的研究中，需要大量的風場資料，全球大氣風場的觀測起到了非常積極的作用。近年來，隨著陸地風場觀測站網的不斷完善，研究人員獲得陸地風場資料變的越來越容易。然而，相對于陸地風場資料來說，海洋、高原、沙漠等地區的觀測網就顯得非常不足，獲取這些地區的風場資料較困難。通過衛星云圖資料反演大氣風場，無疑對獲取全球大氣風場資料起到了非常有益的補充作用。同時，一些陸地或水體(稱為地表)由于上空無云或少云而直接“裸露”在衛星云圖中。研究人員主要是對云圖中的云進行研究，例如云分類、云識別、云導風等，因此實現云區域和地表區域的圖像分割是必不可少的。針對衛星云圖圖像分割的研究工作早已展開，目前使用的方法普遍具有以下缺陷：(1)過度依賴于歷年的云圖圖像資料，需要花費人力物力收集和保存；(2)使用基于閾值的圖像分割來實現，屬于硬性分割，準確率難以保證；(3)云圖是一個十分復雜的圖像，不僅包含云和地表，還在云和地表之間存在一些處于“過渡階段”的云(例如生長和消散的云)；所以，在傳統方法中，容易將其強制劃分到某一類中，但這是不合理的，對云圖圖像合理分割也是研究的方向之一。一般來說，衛星云圖時間間隔越短、用于反演的示蹤云越多、風矢的計算密度越高，云導風反演出的風場資料質量也會越高，但這都對云導風反演算法的效率提出了挑戰。雖然有學者提出了云導風反演算法的簡易算法，但也難以滿足日趨要求實時性的風場計算的效率要求。因此，除研究較低計算代價的反演算法，充分利用現代計算機的體系結構，研究并行云導風反演算法，也是提升反演算法實際運行效率的有效途徑之一。GPU(GraphicProcessingUnit)，圖形處理器是顯卡的“心臟”，相當于CPU在微機上的作用。GPU具有很高的傳輸帶寬和眾多的計算單元，計算能力非常強大。隨著GPU的不斷更新升級，GPU的計算能力越來出眾，這為云跡風的反演提供了一種并行加速思路；GPU在高性能運算方面擁有三個非常顯著的優勢：第一，數據的并行處理能力強大，NVIDIA公司目前最新的GPU峰值浮點運算能力超過3TFLOPS，這幾乎和一個小型CPU集群相當；第二，GPU擁有很高的數據吞吐能力，K20的帶塊超過200GB/s；第三，GPU具有友好的編程接口，NVIDIA公司開發的CUDA框架支持多種高級編程語言，如C、C++和Fortran語言。綜上，雖然在現有技術中，有文章闡述基于多核CPU的衛星云導風并行反演算法，但由于CPU擅長處理具有復雜邏輯計算步驟的任務，如數據壓縮、人工智能、物理仿真等，而GPU擅長處理計算密集型且邏輯較簡單的重復性任務，如圖像領域相關處理操作，兩者在物理結構和數據處理上存在很大的不同，在GPU上應用衛星云跡風反演方法是需要克服很多困難和技術障礙，GPU雖然擁有成百上千個計算單元，但每個計算單元的計算能力薄弱，難以執行復雜的分支預測。GPU對顯存的存取模式與CPU顯著不同，缺少完善的共享存儲邏輯，各級Cache容量較小，這給傳統CPU上的復雜算法向GPU并行算法移植帶來了理論和技術實現上的困難。如何利用GPU強大的計算能力，對高密度、高實時性的衛星云跡風反演進行并行處理是一個挑戰。
技術實現思路
本專利技術設計開發了一種基于模糊聚類預處理云系的并行云跡風反演方法，本專利技術的目的之一是解決串行云跡風反演方法中由于迭代次數較多導致的云跡風反演時間長、實時性差的問題，通過并行反演方法將單次迭代并行化，減少迭代次數，進而顯著提高云跡風反演的實時性。本專利技術的專利技術目的之二是解決了在規定的搜索區域內對目標云塊搜索時間過長導致的云跡風反演實時性差的問題，通過優化示蹤云塊的追蹤方法，大幅度簡化對搜索區域目標云塊的搜索時間，進而顯著提高云跡風反演的實時性。本專利技術的目的之三是解決了現有技術中對需要進行反演的云圖圖像預處理僅僅是采用圖像硬分割方法，進而存在的對圖像預處理過程中難以取得一個合適的閾值，而且受環境因素影響，準確率難以保證的問題。本專利技術提供的技術方案為：一種基于模糊聚類預處理云系的并行云跡風反演方法，包括：將云圖圖像分為多塊追蹤區塊，并且將追蹤區塊分配到指定的多個GPU并行計算陣列，在每個獨立的計算陣列通過最大相關系數法對所述追蹤區塊中的目標云塊進行匹配后進行反演計算，得到所述追蹤區塊風矢的風速及風向；在通過所述最大相關系數法對目標云塊的匹配過程包括：在所述追蹤區塊中選中示蹤云塊，在包含所述示蹤云塊的搜索區域內，計算出搜索步長大于1的全部與所述示蹤云塊像素等同區塊的相關系數，在這些相關系數中確定最大相關系數，即為與所述示蹤云塊相似度最高的區塊，以該區塊為中心增加像素點的區域內，將步長逐步減半再次搜索出相似度最高的區塊，直到搜索出步長為1搜索到的最大相關系數的區塊，即為目標云塊；以及其中，通過模糊聚類方法對原始的云圖圖像進行云地分離后確定進行云跡風反演的云圖圖像，其包括：采集云圖圖像中紅外通道的灰度特征數據，對所述灰度特征數據進行處理，獲得樣本灰度特征數據，將所述樣本灰度特征數據進行分類，并使每一類樣本灰度特征數據分別對應一種云圖類型，進而確定所述云圖圖像。優選的是，還包括，選取相鄰等時間間隔的三幅云圖，分別得出每幅云圖風矢的風速及風向，將所述風矢的風速、風向以及根據時序將所述云圖中相鄰云圖的風矢速度差、方向差與閾值進行比較，執行以下原則：若風矢速度小于指定的最低速度閾值，則剔除此風矢；或若兩風矢速度之差大于指定的最大速度差閾值，則剔除此風矢；或若兩風矢方向之差大于指定的最大方向差閾值，則剔除此風矢；或若兩風矢的周圍區域內沒有與之方向差小于指定的最大方向差閾值的風矢，則剔除此風矢。優選的是，對所述云圖圖像數據進行多通道數據提取，保留紅外通道數據。優選的是，還包括：對所述云圖圖像進行預處理，其包括對圖像進行等經緯度投影變換和將原始圓盤圖變換為矩形圖。優選的是，對所述云圖圖像進行預處理還包括對所述圖像進行灰度增強。優選的是，對所述灰度特征數據進行處理包括：將云圖圖像中紅外通道的灰度特征數據輸入得到像素灰度值矩陣，通過計算在矩陣中主對角線像素灰度均值，通過計算在矩陣中輔對角線像素灰度均值，進而通過M＝(M1+M2)/2求出像素灰度均值，即樣本灰度特征數據。優選的是，在所述紅外通道內選取第一長波紅外、第二長波紅外以及短波紅外的樣本灰度特征數據，將所述樣本灰度特征數據建立5個灰度特征數據統計量，對原始云圖進行圖像分割得到所述云圖圖像。優選的是，根據每幅云圖像素的寬高以及風矢密度計算確定所述追蹤區塊個數，其為(Width/ρ)×(Height/ρ)，式中，Width為所述每幅云圖像素的寬度，Height為所述每幅云圖像素的高度，ρ為風矢密度。優選的是，在通過所述最大相關系數法對目標云塊的匹配過程包括：在所述最大相關系數法中，在所述追蹤區塊中選中示蹤云塊A，其為N×N像素圖像塊，在包含所述示蹤云塊A的M×M像素圖像塊搜索區域內，計算搜索步長為m的全部與所述示蹤云塊A像素等同區塊的相關系數，在這些相關系數中確定最大相關系數，即為與所述示蹤云塊A相似度最高N×N像素圖像區塊A1，在所述區塊A1增加個像素點，本文檔來自技高網...

【技術保護點】
一種基于模糊聚類預處理云系的并行云跡風反演方法，其特征在于，包括：將云圖圖像分為多塊追蹤區塊，并且將追蹤區塊分配到指定的多個GPU并行計算陣列，在每個獨立的計算陣列通過最大相關系數法對所述追蹤區塊中的目標云塊進行匹配后進行反演計算，得到所述追蹤區塊風矢的風速及風向；在通過所述最大相關系數法對目標云塊的匹配過程包括：在所述追蹤區塊中選中示蹤云塊，在包含所述示蹤云塊的搜索區域內，計算出搜索步長大于1的全部與所述示蹤云塊像素等同區塊的相關系數，在這些相關系數中確定最大相關系數，即為與所述示蹤云塊相似度最高的區塊，以該區塊為中心增加像素點的區域內，將步長逐步減半再次搜索出相似度最高的區塊，直到搜索出步長為1搜索到的最大相關系數的區塊，即為目標云塊；以及其中，通過模糊聚類方法對原始的云圖圖像進行云地分離后確定進行云跡風反演的云圖圖像，其包括：采集云圖圖像中紅外通道的灰度特征數據，對所述灰度特征數據進行處理，獲得樣本灰度特征數據，將所述樣本灰度特征數據進行分類，并使每一類樣本灰度特征數據分別對應一種云圖類型，進而確定所述云圖圖像。

【技術特征摘要】
1.一種基于模糊聚類預處理云系的并行云跡風反演方法，其特征在于，包括：將云圖圖像分為多塊追蹤區塊，并且將追蹤區塊分配到指定的多個GPU并行計算陣列，在每個獨立的計算陣列通過最大相關系數法對所述追蹤區塊中的目標云塊進行匹配后進行反演計算，得到所述追蹤區塊風矢的風速及風向；在通過所述最大相關系數法對目標云塊的匹配過程包括：在所述追蹤區塊中選中示蹤云塊，在包含所述示蹤云塊的搜索區域內，計算出搜索步長大于1的全部與所述示蹤云塊像素等同區塊的相關系數，在這些相關系數中確定最大相關系數，即為與所述示蹤云塊相似度最高的區塊，以該區塊為中心增加像素點的區域內，將步長逐步減半再次搜索出相似度最高的區塊，直到搜索出步長為1搜索到的最大相關系數的區塊，即為目標云塊；以及其中，通過模糊聚類方法對原始的云圖圖像進行云地分離后確定進行云跡風反演的云圖圖像，其包括：采集云圖圖像中紅外通道的灰度特征數據，對所述灰度特征數據進行處理，獲得樣本灰度特征數據，將所述樣本灰度特征數據進行分類，并使每一類樣本灰度特征數據分別對應一種云圖類型，進而確定所述云圖圖像。2.如權利要求1所述的基于模糊聚類預處理云系的并行云跡風反演方法，其特征在于，還包括，選取相鄰等時間間隔的三幅云圖，分別得出每幅云圖風矢的風速及風向，將所述風矢的風速、風向以及根據時序將所述云圖中相鄰云圖的風矢速度差、方向差與閾值進行比較，執行以下原則：若風矢速度小于指定的最低速度閾值，則剔除此風矢；或若兩風矢速度之差大于指定的最大速度差閾值，則剔除此風矢；或若兩風矢方向之差大于指定的最大方向差閾值，則剔除此風矢；或若兩風矢的周圍區域內沒有與之方向差小于指定的最大方向差閾值的風矢，則剔除此風矢。3.如權利要求1或2所述的基于模糊聚類預處理云系的并行云跡風反演方法，其特征在于，對所述云圖圖像數據進行多通道數據提取，保留紅外通道數據。4.如權利要求3所述的基于模糊聚類預處理云系的并行云跡風反演方法，其特征在于，還包括：對所述云圖圖像進行預處理，其包括對圖像進行等經緯度投影變換和將原始圓盤圖變換為矩形圖。5.如...

【專利技術屬性】
技術研發人員：何麗莉，白洪濤，歐陽丹彤，楊博，王昌帥，姜宇，
申請(專利權)人：吉林大學，
類型：發明
國別省市：吉林;22