[发明专利]基于混合算法的长时间序列中尺度涡旋追踪方法

说明书

技术领域

本发明涉及物理海洋、计算机图形图像处理领域，更具体地说，这是一种结合最近 邻搜索、涡旋形变控制的相似度匹配和延迟逻辑的混合中尺度涡旋追踪算法。

背景技术

中尺度涡旋作为海洋中重要现象，它的时间尺度为几天到几年，空间尺度为几十 千米到几百千米，对海洋中的物质和能量的运输有着重要的作用，影响着大气和海洋内部 物质的生物地球化学过程。研究涡旋的迁移路径，即对中尺度涡旋进行追踪对更好地了解 海洋现象和海洋的物质、能量变化有着重要的意义。

中尺度涡旋的追踪，依赖于中尺度涡旋的识别结果作为涡旋追踪的输入数据，目 前中尺度涡旋的识别包括以下几种比较有代表性的方法：

(1)Okubo-Weiss（OW）参数法，该方法长期被海洋学家们应用，可以从海洋背景场中提 取特征，该方法已被证明有较多缺点。第一，需要制定W值的阈值，然而对于全球来说并没有 一个统一的阈值。第二，W参数的估计也会受到SSH的噪声影响。第三，W等值线定义的涡旋内 部与SSH等值线不重合。(2)基于SSH的方法，该方法优点在于不受OW的影响，且识别的准确 性较高；效率略低。(3)WindingAngle(WA)缠绕角度方法，该方法已被证明比SSH的方法具 有更高的准确性，但是计算复杂度太高。

综合以上几种方法的优缺点，目前采用观测数据AVISO的SLA数据进行基于SSH算 法的中尺度涡旋识别方法是兼顾效果和效率的最佳选择。

目前中尺度涡旋的追踪算法，海洋界大多采用最近邻方法，即对相邻时间帧的一 定范围内的涡旋进行搜索匹配，如果匹配不成功，则停止搜索，这样生成的路径较短、且不 准确，对于短暂“消失”的涡旋不能很好的处理。有的学者采用水平追踪加垂直追踪的方法 对中尺度涡旋进行追踪，在水平追踪中采用2天为间隔进行追踪，但是该方法并不能进行全 球中尺度涡旋的同时长时间追踪，且2天的设定过为固定，实际的涡旋有可能消失3天或者 更多，且垂直追踪采用模式数据，可信度存疑。目前还有基于多目标假设的方法，用以维持 涡旋的多个可能传播路径，但计算量大，效率低，并不适合年代际时间尺度的涡旋长时间追 踪。有的算法采用延迟逻辑来延迟决定涡旋的运动路径，但是在相似度匹配的过程中选择 匹配的属性单一，没法对生成的涡旋路径的“跳跃”问题进行处理。

发明内容

本发明提出了一种基于混合算法的中尺度涡旋追踪方法。该算法首先基于海表面 高度（SeaSurfaceHeight,SSH）的方法方法识别出来的全球中尺度涡旋数据，并抽取中 尺度涡旋的海表属性信息，根据每个时间点的属性信息，采用混合方法，即第一步最近邻搜 索，第二步在相似度计算中考虑涡旋的物理属性和几何属性，增加了涡旋相对涡度、基于豪 斯道夫（Hausdorff）距离计算的涡旋轮廓不变性检测，对不变性进行监测控制，第三步结合 延迟逻辑，考虑多个时间点的搜索，对下一个涡旋可能位置进行筛选和确定。

本发明的有益效果在于：该算法能够对短暂“消失”的涡旋造成的路径不连续问题 和延迟逻辑结合最近邻法所造成的涡旋路径跳动问题进行处理，能够长时间的追踪全球的 中尺度涡旋并形成可信的追踪路径，且路径包含涡旋的属性信息。本发明能够帮助获得全 球中尺度涡旋的运动路线，对理解海洋中的中尺度涡旋的迁移演变、生命周期的追踪和能 量的变化具有支持作用。

附图说明

图1中尺度涡旋数据的组织、追踪策略。

具体实施方式

为了实现对中尺度涡旋的长期追踪，下面对数据的组织、追踪策略进行详细的说 明：

1.基于混合算法的中尺度涡旋追踪，首先，需要对涡旋数据进行预处理，针对识别的 涡旋数据，首先要抽取出涡旋中心位置、涡旋的边界、涡旋的面积、涡旋的振幅、涡旋速度、 涡旋出现的时间及涡旋的类型，根据涡旋的属性计算涡旋的相对涡度和动能，并按照涡旋 的类型进行分别保存，保存格式为JSON，以方便数据的组织管理和获取。

2.其次，将追踪算法所需的参数，包括涡旋数据的存储路径、追踪涡旋的类型、所 使用涡旋数据的时间频率t、及允许涡旋“短暂消失”的时间帧数N、所搜索的涡旋的最小面 积，作为输入，赋予追踪算法；追踪算法根据所给出的参数，先对当前帧识别的所有涡旋建 立索引，同时对当前帧的所有涡旋初始化一个track结构体，并将当前帧涡旋信息存入 track的第一个位置，然后对当前时间点涡旋用最近邻法根据涡旋传播速度所圈定的距离 范围对下一个时间点该范围内的涡旋数据进行搜索，并逐个进行属性信息进行相似度计 算，包括涡旋的面积、振幅、动能、相对涡度和涡旋轮廓之间的Hausdorff距离，以防止涡旋 属性信息变化过大带来的不准确追踪路径。根据相似度最大的涡旋，最终选定当前时间帧 当前涡旋的下一个涡旋的位置并更新track第二个位置上的信息；如果不满足条件，则根据 参数设定的允许涡旋“短暂消失”的时间帧数来决定继续对t+2时间点的涡旋进行搜索和筛 选，直到搜索到t+N时间点，出现匹配的涡旋则更新track第二个位置上的信息。否则置为涡 旋经过一个时间点就消失了。重复上述步骤，一步一步对所识别的涡旋数据，进行长时间序 列的连贯追踪。最终保存涡旋的运动路径及其对应的涡旋信息为JSON格式。