CN105260591B - 一种多仰角的migfa阵风锋识别改进算法 - Google Patents
一种多仰角的migfa阵风锋识别改进算法 Download PDFInfo
- Publication number
- CN105260591B CN105260591B CN201510597610.9A CN201510597610A CN105260591B CN 105260591 B CN105260591 B CN 105260591B CN 201510597610 A CN201510597610 A CN 201510597610A CN 105260591 B CN105260591 B CN 105260591B
- Authority
- CN
- China
- Prior art keywords
- reflectivity
- gust
- function
- gust front
- elevation angle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种多仰角的MIGFA阵风锋识别改进算法,包括如下步骤:(1)基于多仰角反射率数据,进行数据预处理;(2)将反射率数据与反射率阵风锋细线函数模板匹配,得到匹配后的得分值;(3)合成多函数模板得分值,建立动态权重函数;根据动态权重函数合成的多种函数模板得分值,识别阵风锋回波;(4)将识别出的回波线段通过公式计算平坦度,保留平坦度数值位于设定阈值之间的回波线段;(5)对筛选出的所有疑似阵风锋回波线段进行弧度判别,当疑似阵风锋回波线段中有低于2段线段的角度不一样时,则判定为非阵风锋回波线段,完成识别。本发明在数据预处理阶段中平滑算法的有限使用和高低仰角数据的融合,尽可能的保存和凸显了每个仰角的阵风锋回波特征。
Description
技术领域
本发明涉及一种基于多仰角的MIGFA阵风锋识别算法的改进方法,适用于识别中国CINRAD/SA、CINRAD/SB、CINRAD/CC等多种型号天气雷达探测到的阵风锋回波,属于大气科学研究领域,用于多普勒天气雷达二次产品反演及强对流天气识别。
背景技术
在天气雷达探测中,阵风锋表现为位于雷暴前沿、出流边界、弓形回波、飑线强回波带的前沿一条或多条呈弧形的加强窄带回波。当它过境时,常伴有气压增高、气温降低和风向突变及风速急变,锋后有明显的地面辐散(Bedard et al,1977)。我国新一代天气雷达采用5-6min的体积扫描模式进行观测,可有效监测阵风锋等中小尺度天气***产生、发展、成熟和消亡的全过程。阵风锋往往伴随重大灾害性天气,因此阵风锋特征识别预警研究,对完善灾害性天气短时临近预警预报***显得很有必要。
美国早在上世纪70年代就开展对阵风锋的研究,80年代由麻省理工学院林肯实验室提出基于天气雷达的阵风锋识别算法MIGFA(Machine Intelligence Gust FrontAlgorithm)(Uyeda et al,1986),目前已经发展到第三代,用于美国联邦航空管理局低层风切变探测。该算法以雷达数据为基础,利用多维图像处理、数据融合、模糊逻辑等技术来进行阵风锋自动识别。并且以MIGFA算法为基础的各种改进工作还在继续(Hermes.et al,1993; Troxel.et al,2002; Andrew.et al,2004)。该***改进后推广至美国新一代天气雷达(NEXRAD)算法平台(Smally et al,2005)。
随着我国新一代天气雷达网(CINRAD)建设的日趋完善,对中小尺度天气***捕捉能力的大幅度提高,阵风锋等中小尺度***的识别算法研发技术引起了研究人员关注。现有的技术提出了在频域找阵风锋弓形回波区域区别于其他区域的独特形状特征算法,但该算法仅基于形状,识别效率较低。现有的另一种技术利用熵函式模板和组合切变来识别阵风锋,但对于切变特征不明显的阵风锋无法识别,或通过双向梯度法和径向辐合线的综合方法实现了识别CINRAD/SB型号雷达探测到的低仰角阵风锋,由于阵风锋回波“窄带”和“强度弱”的特征,任何一种算法做推广时都需要针对当地阵风锋数据特征做相应调整。例如,CINRAD/SA型号天气雷达低仰角存在较严重的距离折叠现象,易遮挡径向速度PPI中小尺度特征,因此依赖径向速度数据的阵风锋识别算法识别率较低。目前有人以雷达反射率数据为主,根据合肥雷达探测到的阵风锋细线特征设计的函数模板实现了对江淮地区阵风锋特征的有效识别,但该算法没有考虑阵风锋快速移动,阵风锋高度与距离关系等特点,适用范围有限。
MIGFA机器智能阵风锋算法来源于美国林肯实验室设计用于自动识别雷达图像上军用车辆的一种基于知识库的信号处理和对象识别技术,该方法采用关联知识、时空变化信息、数据融合、模糊逻辑、延迟阈值等技术来提高识别效果(Delanoy et al,1993),后用于识别美国机场的ASR-9 WSP和TDWR雷达的阵风锋特征,该套***还推广至美国新一代天气雷达(NEXRAD)算法平台。由于不同型号的雷达信号处理、扫描方式、数据质量等均不一样,呈现的阵风锋特征也不完全一致,因此当算法移植到新雷达时,需要针对新雷达的数据特征做算法的调整和改进。例如MIGFA在针对ASR-9型号雷达较弱的敏感度、晴空下速度数据的可靠性较差等问题在数据质量控制方法上做了较多调整(Troxel.et al,2002),移植到美国新一代天气雷达雷达时对多种函数模板也做了相应调整和改进(Smally.et al,2005)。目前我国部分机场也采用该***,但是该算法以在美国天气雷达捕捉到的阵风锋为依据,完全移植到我国易出现误判。因此若要提高该算法的识别成功率,需要在充分熟悉本地天气雷达数据特征和该雷达探测到的阵风锋特征的基础上,对算法做进一步调整和改进。
发明内容
发明目的:本发明针对MIGFA阵风锋识别算法在我国业务应用中的不足,提出一种多仰角的MIGFA阵风锋识别改进算法,其首要技术目的是改变目前MIGFA识别算法应用于我国天气雷达业务***中时识别成功率较低、虚警率较高的问题。
为解决上述技术问题,本发明的具体技术方案如下:
一种多仰角的MIGFA阵风锋识别改进算法,包括如下步骤:
(1)多仰角反射率数据,进行数据预处理,对1.5°和2.4°仰角反射率数据进行平滑处理,对0.5°仰角反射率数据进行数据融合;
(2)将处理后的0.5°仰角反射率数据与0.5°仰角反射率阵风锋细线函数模板匹配,得到0.5°反射率函数模板匹配后的得分值;将1.5°和2.4°仰角反射率数据分别与高仰角反射率阵风锋细线函数模板匹配,得到1.5°反射率函数模板匹配后的得分值和2.4°反射率函数模板匹配后的得分值;
(3)根据步骤(2)中得到的各组数值及原算法中时间差分反射率函数模板匹配得分值,设计动态权重函数合成多函数模板得分值:
(1)
(2)
(3);
其中S为总得分值,为0.5°反射率函数模板匹配后的得分值,为时间差分反射率函数模板匹配后的得分值,为1.5°反射率函数模板匹配后的得分值,为2.4°反射率函数模板匹配后的得分值,为1.5°反射率得分值权重,为2.4°反射率得分值权重,为阵风锋与测站的距离;根据动态权重函数合成的多种函数模板得分值S,识别阵风锋回波;
(4)设计阵风锋回波平坦度测试公式剔除非阵风锋线段,公式如下:
(4);
其中,E为回波带平坦度大小,N为网格内所有有效像素数目,ni为色标等级i内的像素数目,i为色标等级,Ln为色标分等级的总数;将步骤(1)~(3)识别出的每一条疑似阵风锋回波线段通过公式(4)计算平坦度,保留平坦度数值位于设定阈值之间的回波线段,其余剔除;
(5)对步骤(1)~(4)筛选出的所有疑似阵风锋回波线段进行弧度判别,当疑似阵风锋回波线段中有低于2段线段的角度不一样时,则判定为非阵风锋回波线段,予以剔除,完成识别。
本发明进一优选地技术方案为:步骤(1)中对0.5°仰角反射率数据进行数据融合的具体方法为:根据阵风锋与测站的距离,1-20km采用1.5°仰角反射率数据;20-25km线性融合0.5°和1.5°两层数据;25-150km 采用0.5°仰角数据。
优选地,步骤(2)中0.5°仰角反射率阵风锋细线函数模板改进为:
边缘得分函数: (5)
中心得分函数: (6)
其中为位于0.5°仰角反射率阵风锋细线网格边缘的反射率得分函数,x为反射率值,y为相应反射率值的得分;为位于网格中心的反射率得分函数,x为反射率值,y为相应反射率值的得分。
优选地,步骤(2)中高仰角反射率阵风锋细线函数模板设计为:
边缘得分函数: (7)
中心得分函数: (8)
其中为位于高仰角反射率阵风锋细线网格边缘的反射率得分函数,x为反射率值,y为相应反射率值的得分;为位于网格中心的反射率得分函数,x为反射率值,y为相应反射率值的得分。
有益效果:本发明的多仰角的MIGFA阵风锋识别改进算法,与原MIGFA算法相比,改进的识别算法更加适用于识别中国天气雷达探测到的阵风锋回波,改进后的识别法识别成功率得到进一步提高,虚警率进一步下降,算法的改进科学有效,满足业务使用。其优点主要有如下方面:
(1)与原识别算法相比,本发明在数据预处理阶段中平滑算法的有限使用和高低仰角数据的融合,尽可能的保存和凸显了每个仰角的阵风锋回波特征。
(2)与原识别算法相比,本发明综合考虑了中国天气雷达数据特征及阵风锋回波特征,利用多仰角(0.5°、1.5°、2.4°)及时间差分反射率数据,调整、改进原MIGFA算法中的阈值、低仰角阵风锋细线函数模板,设计了较高仰角阵风锋细线函数模板,通过设计动态权重方案提高阵风锋数据的有效得分值,改进后的MIGFA算法将临界成功指数从0.39提高至0.60,识别效果良好。
(3)与原识别算法相比,本发明设计的弧度判断和反射率平坦性测试的识别方法使得虚假警报率从0.34降至0.16。
附图说明
图1为本发明的算法流程图;
图2为高仰角阵风锋细线函数模板;
图3为本发明阵风锋识别效果图;
图4为多种阵风锋识别方案识别效果检验图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例1:如图1所示,本实施例采用了反射率数据作为算法基础数据,采用高仰角反射率数据替代了空间差分反射率数据。对多仰角反射率数据做相应预处理后,进行函数模板匹配,低仰角数据匹配后的得分结果先进行第一次线状数据提取,对提取成功的线状数据做平坦度测试,剔除不满足平坦度阈值的线段;通过动态权重函数来组合0.5°、1.5°、2.4°、时间差分反射率四组得分值,对线段进行提取后再进行弧度判断,最终得到被认为识别成功的阵风锋线段。具体实施方案如下:
(1)基于多仰角反射率数据,进行数据预处理,为保留阵风锋“窄带”和“强度弱”特征,对0.5°仰角雷达反射率因子数据不采取平滑措施,对1.5°和2.4°仰角反射率数据进行平滑处理;
为提高近雷达站低仰角数据质量,对0.5°仰角数据采用数据融合手段。做法如下:1-20km采用1.5°仰角反射率数据;20-25km线性融合0.5°和1.5°两层数据;25-150km 0.5°仰角数据保持不变;
(2)根据中国阵风锋回波特征,将原识别算法中0.5°仰角反射率阵风锋细线函数模板调整为边缘得分函数,中心得分函数:;将处理后的0.5°仰角反射率数据与0.5°仰角反射率阵风锋细线函数模板匹配,得到0.5°反射率函数模板匹配后的得分值;
针对我国天气雷达探测灵敏度高的特点,不仅低仰角能探测到阵风锋回波,1.5°、2.4°相应位置也能探测到细线特征,甚至由于抬高仰角后,杂波干扰大幅度减少,细线特征更为明显的特点,设计了较高仰角(1.5°/2.4°)反射率阵风锋细线函数模板如图2所示,与低仰角细线特征类似,但模板较窄,为7个像素如图2中a所示,中心得分函数设计如图2中b所示,当中心值处于5-15dBZ时,给予高得分值,将1.5°和2.4°仰角反射率数据分别与高仰角反射率阵风锋细线函数模板匹配,得到1.5°反射率函数模板匹配后的得分值和2.4°反射率函数模板匹配后的得分值;
(3)考虑阵风锋特征与距离测站的关系,根据图1中得到的各组数值,建立动态权重函数合成多函数模板得分值:
(1)
(2)
(3);
其中S为总得分值,为0.5°反射率函数模板匹配后的得分值,为时间差分反射率函数模板匹配后的得分值,为1.5°反射率函数模板匹配后的得分值,为2.4°反射率函数模板匹配后的得分值,为1.5°反射率得分值权重,为2.4°反射率得分值权重,为阵风锋与测站的距离;根据动态权重函数合成的多种函数模板得分值S,识别阵风锋回波;
由公式(1)可见,总得分值由四部分组成,每一部分均被动态分配了权重值。当距离较远时,和均为0,总得分值只由0.5°反射率得分值和时间差分反射率得分值组成,由于时间差分反射率阵风锋特征值更为明显,给其分配了较高的权重比重。当阵风锋离测站越近时,高仰角反射率得分值贡献越大,进入30km范围内时,两者最高占比重达0.9。对应的低仰角反射率得分值由于在近测站区域阵风锋与地物回波等易混在一起,阵风锋特征易被掩盖,因此给0.5°和时间差分反射率两组得分值较低的权重,近距离阵风锋的识别更依赖高仰角反射率数据中阵风锋细线特征的正确识别。
(4)由阵风锋回波平坦度测试公式剔除非阵风锋线段,公式如下:
(4);
其中,E为回波带平坦度大小,N为网格内所有有效像素数目,ni为色标等级i内的像素数目,i为色标等级,Ln为色标分等级的总数;将步骤(1)~(3)识别出的每一条疑似阵风锋回波线段通过公式(4)计算平坦度,保留平坦度数值位于设定阈值之间的回波线段,其余剔除;
(5)对步骤(1)~(4)筛选出的所有疑似阵风锋回波线段进行弧度判别,当疑似阵风锋回波线段中有低于2段线段的角度不一样时,则判定为非阵风锋回波线段,予以剔除,完成识别。
本发明识别方法的有效性论证
为了验证本发明内容改进的有效性和可行性,通过实例识别效果分析方法和多种识别方案识别效果对比方法进行验证。
图3中d部分为图3中a-c部分的阵风锋回波(白色方框)的识别结果:阵风锋在0.5°反射率图像上呈现出部分细线特征,1.5°和2.4°图像上阵风锋细线特征完整且明显。算法识别出了完整的阵风锋细线特征。阵风锋识别细线由三条线段组成如图3中d部分,分析可知,白色和深色线段由较高仰角的特征识别而出,浅色线段则由0.5°图像的特征识别而出。通过动态权重函数合成得分值后展现了完整的阵风锋。识别效果良好。
为体现本发明算法改进效果,采取多种识别方案进行识别效果测试,通过利用成功率、虚假警报率和临界成功指数对每种方案进行识别效果评估。如公式(5)~(7)所示,其中为正确识别阵风锋数,为未能被识别的阵风锋数,为非阵风锋回波被算法误识别为阵风锋数。
(5)
(6)
(7)
所有识别方案均基于MIGFA算法的基本原理:使用一种或多种函数模板。选用方案如下:
方案一:利用江淮阵风锋特征统计结果设计的0.5°细线回波函数模板,并只利用0.5°函数模板进行匹配识别。
方案二:采用本发明的0.5°细线回波函数模板,按照MIGFA原算法,结合时间差分反射率细线回波函数模板、空间差分反射率细线回波函数模板等进行平均权重的组合得分进行识别。
方案三:采用本发明的高仰角阵风锋线状函数模板,引入1.5°、2.4°反射率函数模板取代空间差分反射率函数模板,并利用设计的动态权重函数组合多组得分数组进行识别。
方案四:采用方案三并结合本发明的降低虚警率的做法进行识别。
识别效果评估如图4所示:
方案一的成功率最低,方案三和方案四的成功率最高达0.68。增加降低虚警率做法后虚假警报率由0.3下降至0.16,临界成功指数由0.53提高至0.60。多种方案识别结果对比说明,本发明的多仰角的MIGFA算法的识别效果最好。考虑了阵风锋细线、移动、阵风锋高度与距离关系等特征,综合0.5°、1.5°、2.4°反射率数据及时间差分反射率数据,调整、改进算法中的阈值、函数模板,设计动态权重方案提高综合有效得分值的做法,有效提高了识别成功率;利用阵风锋弧度和强度分布的特点,通过弧度判断和反射率平坦度测试进一步降低了虚警率,达到了提高识别成功率的目的。
上述检验论证结果显示,本发明涉及的基于多仰角的MIGFA阵风锋识别算法的改进方法相较于原算法,识别成功率得到提高的同时,虚警率进一步下降。更加符合中国天气雷达数据特点和阵风锋回波特点,更适合业务应用。通过对阵风锋回波的正确识别,能提高由阵风锋引发的灾害性大风预警能力,发明算法具有较高的应用和推广价值。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (4)
1.一种多仰角的MIGFA阵风锋识别改进算法,其特征在于包括如下步骤:
(1)基于多仰角反射率数据,进行数据预处理,对1.5°和2.4°仰角反射率数据进行平滑处理,对0.5°仰角反射率数据进行数据融合;
(2)将处理后的0.5°仰角反射率数据与0.5°仰角反射率阵风锋细线函数模板匹配,得到0.5°反射率函数模板匹配后的得分值;将1.5°和2.4°仰角反射率数据分别与高仰角反射率阵风锋细线函数模板匹配,得到1.5°反射率函数模板匹配后的得分值和2.4°反射率函数模板匹配后的得分值;
(3)根据步骤(2)中得到的各组数值及原算法中时间差分反射率函数模板匹配得分值,设计动态权重函数合成多函数模板得分值:
(1)
(2)
(3);
其中S为总得分值,为0.5°反射率函数模板匹配后的得分值,为时间差分反射率函数模板匹配后的得分值,为1.5°反射率函数模板匹配后的得分值,为2.4°反射率函数模板匹配后的得分值,为1.5°反射率得分值权重,为2.4°反射率得分值权重,为阵风锋与测站的距离;根据动态权重函数合成的多种函数模板得分值S,识别阵风锋回波;
(4)设计阵风锋回波平坦度测试公式剔除非阵风锋线段,公式如下:
(4);
其中,E为回波带平坦度大小,N为网格内所有有效像素数目,ni为色标等级i内的像素数目,i为色标等级,Ln为色标分等级的总数;将步骤(1)~(3)识别出的每一条疑似阵风锋回波线段通过公式(4)计算平坦度,保留平坦度数值位于设定阈值之间的回波线段,其余剔除;
(5)对步骤(1)~(4)筛选出的所有疑似阵风锋回波线段进行弧度判别,当疑似阵风锋回波线段中有低于2段线段的角度不一样时,则判定为非阵风锋回波线段,予以剔除,完成识别。
2.根据权利要求1所述的多仰角的MIGFA阵风锋识别改进算法,其特征在于,步骤(1)中对0.5°仰角反射率数据进行数据融合的具体方法为:根据阵风锋与测站的距离,1-20km采用1.5°仰角反射率数据;20-25km线性融合0.5°和1.5°两层数据;25-150km 采用0.5°仰角数据。
3.根据权利要求1所述的多仰角的MIGFA阵风锋识别改进算法,其特征在于,步骤(2)中0.5°仰角反射率阵风锋细线函数模板函数改进为
边缘得分函数: (5)
中心得分函数: (6)
其中为位于0.5°仰角反射率阵风锋细线网格边缘的反射率得分函数,x为反射率值,y为相应反射率值的得分;为位于网格中心的反射率得分函数,x为反射率值,y为相应反射率值的得分。
4.根据权利要求1所述的多仰角的MIGFA阵风锋识别改进算法,其特征在于,
步骤(2)中高仰角反射率阵风锋细线函数模板设计为:
边缘得分函数: (7)
中心得分函数: (8)
其中为位于高仰角反射率阵风锋细线网格边缘的反射率得分函数,x为反射率值,y为相应反射率值的得分;为位于网格中心的反射率得分函数,x为反射率值,y为相应反射率值的得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510597610.9A CN105260591B (zh) | 2015-09-18 | 2015-09-18 | 一种多仰角的migfa阵风锋识别改进算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510597610.9A CN105260591B (zh) | 2015-09-18 | 2015-09-18 | 一种多仰角的migfa阵风锋识别改进算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260591A CN105260591A (zh) | 2016-01-20 |
CN105260591B true CN105260591B (zh) | 2018-03-09 |
Family
ID=55100280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510597610.9A Expired - Fee Related CN105260591B (zh) | 2015-09-18 | 2015-09-18 | 一种多仰角的migfa阵风锋识别改进算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260591B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526558B (zh) * | 2016-09-27 | 2019-03-08 | 天津大学 | 基于多普勒天气雷达资料的阵风锋自动识别方法 |
CN108182660B (zh) * | 2017-12-29 | 2020-09-29 | 青海大学 | 一种区域气象雷达网数据融合方法及装置 |
CN112946652B (zh) * | 2021-01-21 | 2023-03-28 | 中国气象科学研究院 | 一种填补雷达波束遮挡区的方法和装置 |
-
2015
- 2015-09-18 CN CN201510597610.9A patent/CN105260591B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
Title |
---|
HIROSHI UYEDA."Automatic Detection of Gust Fronts".《JOURNAL OF ATMOSPHERIC AND OCEANIC TECHNOLOGY》.1986,36-50. * |
LG Hermes et al."The Gust-Front Detection and Wind-Shift Algorithms for the Terminal Doppler Weather Radar System".《Journal of Atmospheric and Oceanic Technology》.1993,第10卷(第5期),693-709. * |
何红红 等."阵风锋自动识别算法的试验研究".《气象科学》.2013,第33卷(第5期),519-524. * |
郑佳锋 等."阵风锋自动识别与预警".《应用气象学报》.2013,第24卷(第1期),117-125. * |
陈钢."阵风锋的检测与识别".《中国优秀硕士学位论文全文数据库-基础科学辑》.2012,第2012年卷(第2期),A009-6. * |
Also Published As
Publication number | Publication date |
---|---|
CN105260591A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN102508219B (zh) | 风廓线雷达湍流目标检测方法 | |
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
Stumpf et al. | The National Severe Storms Laboratory mesocyclone detection algorithm for the WSR-88D | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN102799903B (zh) | 一种基于空间与光谱信息的高光谱自动云检测方法 | |
CN105335966B (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
CN103034858B (zh) | 一种卫星云图的二次聚类分割方法 | |
CN109738910A (zh) | 一种基于三维激光雷达的路沿检测方法 | |
CN108680920A (zh) | 一种基于双偏振雷达的灾害天气识别预警***及方法 | |
CN102645679A (zh) | 一种基于多普勒天气雷达回波图像的中气旋识别方法 | |
CN108734111A (zh) | Sar图像海面舰船识别方法 | |
CN107238821A (zh) | 一种基于特征谱特征的机场跑道异物检测方法及装置 | |
CN103400156A (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
CN104237890B (zh) | 一种由“列车效应”引起的暴雨识别及预报方法 | |
CN105260591B (zh) | 一种多仰角的migfa阵风锋识别改进算法 | |
CN105389826A (zh) | 珊瑚岛礁岸线高分sar遥感提取方法 | |
CN108254750B (zh) | 一种基于雷达资料的下击暴流智能识别预警方法 | |
CN106772387A (zh) | 一种风切变识别方法 | |
CN106485239A (zh) | 一种利用单类支持向量机检测河流目标的方法 | |
CN105372717A (zh) | 一种基于雷达和图像信号的fod融合探测方法及装置 | |
CN103020592A (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
CN106526558B (zh) | 基于多普勒天气雷达资料的阵风锋自动识别方法 | |
CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
Zong-ling et al. | Remote sensing ship target detection and recognition system based on machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180309 Termination date: 20210918 |