[发明专利]一种强对流单体样本的标记方法

说明书

本发明公开了一种强对流单体样本的标记方法，主要包括实现强对流单体的样本标记。实现强对流单体的样本标记的过程是：首先，输入雷达基数据和对流天气实况，并进行单体分割和超折射滤除，然后实现单体跟踪，最后，用户标记某体扫时刻单体的单体类型，根据单体跟踪结果自动给出与所标记单体相关联的所有单体的类型。本方法实现了单体分割和单体跟踪，并由此实现了强对流单体的样本标记，为如何实现大量的强对流单体的样本标记提供了一种可行途径。

技术领域

本发明涉及气象学领域，特别涉及一种单体分割算法和一种基于光流法的单体跟踪算 法以及基于以上分割算法和跟踪算法的人机交互式干预调整策略。

背景技术

Hinton^[1-2]等于2006年首次提出以深度神经网络为代表的深度学习技术，引起了学术界 的关注之后，Krizhevsky^[3]等于2012年构建深度卷积神经网络，在大规模图像分类问题上取 得了巨大成功。

深度学习主要是数据驱动的，其效果依赖于大量的标记样本，通过深度学习实现强对 流单体的识别，需要大量的强对流单体的标记样本，现有标记方法存在以下不足：

(1)需要手动分割单体，工作繁琐、标记结果受到人为因素影响。

(2)需要收集数以万计的单体样本，工作量巨大。

[参考文献]

[1]Hinton G E，Salakhutdinov R R.Reducing the dimensionality of datawith neural networks[J].science，2006，313(5786)：504-507.

[2]Hinton G E，Osindero S，Teh Y W.A fast learning algorithm for deepbelief nets[J]. Neural computation，2006，18(7)：1527-1554.

[3]Krizhevsky A，Sutskever I，Hinton G E.Imagenet classification withdeep convolutional neural networks[C]//Advances in neural informationprocessing systems.2012：1097-1105.

[4]Barron J L，Fleet D J，Beauchemin S S.Performance of optical flowtechniques. International Journal of Computer Vision，1994，12(1)：43-77.

发明内容

针对现有技术，本发明提供了一种强对流单体的样本辅助标记方法，包括“膨胀-避让” 的单体分割算法、基于光流法的单体跟踪算法以及基于以上分割算法和跟踪算法的人机交 互式干预调整策略。实现了单体的自适应分割，除去了样本标记中手动分割单体的工作； 实现了单体的自动跟踪，并由此减少了所需手工标记单体的数目；实现了基于单体自适应 分割算法及自动跟踪算法的人机交互式干预调整，以确保单体标记结果的合理性。

为了解决上述技术问题，本发明提出的一种强对流单体样本的标记方法，包括以下步 骤：

步骤一、输入对流天气实况和一组连续体扫的雷达基数据，所述对流天气实况包括对 流天气类型、发生结束时间、发生结束地点；

以所述该组雷达基数据为原始数据，求取获得一组组合反射率图，记为第一组合反射 率图；同时获得一组去除了0.5°仰角反射率后得到的组合反射率图，记为第二组合反射率图； 并对上述得到的两组组合反射率图分别进行单体分割，从而得到单体；