全球研究计算机科学杂志》上
菜单石头:2229 - 371 x
石头:2229 - 371 x
| t . Gomasathit 物理系,错误的科学,Mahasarakham大学Khamriang, Kantarawichai Mahasarakham, 44150年,泰国 |
| 通讯作者:t . Gomasathit电子邮件:tosak.g@msu.ac。th, msuscienceteam@hotmail.com |
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章全球研究计算机科学杂志》上
本研究的主要目标是identifycloud覆盖泰国地区利用卫星数据和K-mean聚类算法。成功开发软件工具K-mean非监督分类是基于软件ERDAS公司想象运用ERDAS公司宏语言和空间模型凌的语言。清晰的泰国地区8760年从云覆盖分析识别数字数据项从气象卫星数据在2010年10月到2011年9月。平均速度的分析和明确的标准偏差率数据每个月在泰国天气条件有关。
关键字 |
| 云覆盖,识别、卫星数据 |
介绍 |
| 云是地球最重要的力量之一的热量平衡和水文循环,同时人们了解最少的国家之一。众所周知,低云层产生负面的反馈而高,细云对辐射的数量产生积极反馈。云的净效果,但是,仍然是未知的,导致气候模型中巨大的不确定性和气候预测[1],[2]。遥感云从卫星图像检测是重要的检索算法。免费云像素之前必须确定大气和地表的检索变量(例如地表温度和植被指数)。[3],[4]。卫星遥感数据,包括高空间范围和时间采样、监测降水中扮演一个重要的角色在低洼地区和其他恶劣天气事件[5]。许多研究人员已经开发出众多的云检测的方法已被成功地用来探测卫星数据的云。这些方法包括国际卫星云气候学项目[6],自动化云筛选AVHRR[7],云从AVHRR (CLAVR) [8], AVHRR处理方法在云层之上,陆地和海洋(阿波罗)[9],味精/ SEVIRI云面具[10],云检测与MODIS和改进MODIS云面具收集[11],估计瞬时净MODIS地表长波辐射无云数据[12],为多层协同使用低地和MODIS云识别[13],和一代的高分辨率南极东部土地快速海冰的地图从无云MODIS卫星复合图像[14]。云覆盖的检测使用一个完整的场景MTSAT-2数据计算昂贵,因为重要的为每个场景处理的数据量乘以全年的需求。 |
研究区 |
| 答:研究区 |
| 泰国的边界所在纬度5°37” 20°27和经度97°22本部105镑37°得名面积513115 .029平方公里,在温暖和热带气候地区Figure.1(见)。年平均降雨范围从1000到1500毫米的北东部和中部地区。但是提示东部和南部半岛,降雨较高,平均2000至3000毫米[15]。 |
 |
| b数据使用 |
| 多功能交通Satellite-2 (MTSAT-2)是一个日本地球静止卫星和一个操作周期从2010年到2015年[16]。它有五个光谱通道,在接下来的波长范围:可见通道VIS(0.55 - -0.90μm),热红外通道IR1(10.3 - -11.3μm) IR2(11.5 - -12.5μm),水汽通道IR3(6.5 - -7.0μm)和短波红外通道IR4(3.5 - -4.0μm)。可见图像的空间分辨率是1 x1平方公里(最低点)和热红外图像是大约4 x4平方公里。卫星的红外图像在泰国的一个例子是图2所示。MTSAT-2提供了大多数国家在亚太地区包括的信息 |
| (1)数据监控云的分布和运动 |
| (2)海洋表面温度, |
| (3)水汽的分布。 |
| 其数据是目前互联网上几个地方,比如日本气象厅MTSAT数据网站(http://dmss。tksc.jaxa.jp /哨兵/内容/ MTSAT.html)。 |
 |
方法 |
| 答:云覆盖识别方法 |
| 确定云覆盖,图像中的像素被分为不同的类根据他们的数字号码。非监督分类使用k - means算法被用来区分云和云像素。k - means算法是一种无等级聚类非监督分类方法[17],[18],[19],[20]。应该暂时选择任意数量的集群。使用“最小距离方法”属于每个集群数量,作者的小组分配集群与集群的意思是最近的。在第一次迭代结束,意味着每组重复计算和过程。无等级聚类方法已被用于云,土地和水域检测,因为它便于大量数据大的地区,因为它是一个计算机生成的自动化技术。 |
| 由于大量的图像处理,那将是非常苛刻的时间和精力来执行每个手动过程在每一个图像。因此,批处理被认为是一个更好的选择来完成各种任务。SML和EML ERDAS公司支持的一种宏语言,用于定义客户端界面结构和内容。它可以提供一些编辑功能的基本过程[21],[22],[23],[24]。在这部作品中,作者成功地开发了一个新的GUI使用SML和EML脚本语言,K-mean无监督分类。在图3中显示了一个示例小说的GUI。 |
 |
| MTSAT-2浏览图像使用三个乐队成立(可见,中红外和热红外)对图像数据进行分类。分配所产生的假彩色合成图像是红色,绿色和蓝色的颜色三个通道的MTSAT-2形象:可见是红色的,中红外(或水汽通道)是绿色的,和热红外是蓝色的。分类的图像由RGB彩色图像随机解释(假彩色合成)。最初,类的数量增加到八个研究分类类的数目的影响给更准确的结果。最后八类分为两组,即云计算和云,使用最近的平均值集群技术。云像素的比例超过总像素在图像。研究区域的识别在泰国是如图4所示。很明显,在云覆盖率百分比有明显的差异以及泰国的边界。 |
 |
| b .清晰的速率方程 |
| 在这项研究中作者用明确率技术(见方程1)如下: |
| CL = 10 - (C / 10) (1) |
| 在CL明确率和C是云覆盖(表示为一个百分比)。 |
| 当C = 0%,然后CL = 10,当C = 100%, CL = 0。清晰的10被认为是天气晴朗,反之,一个清晰的0的利率被认为是坏天气(阴)。明确non-cloudiness率估计的每个图像的每个像素的数据。明确率而不是云百分比用于天气情况的简单分析。估计清楚利率的三个区域如图5所示。 |
 |
| 在图6所示。说明之间的关系明确的标准差和均值率为每个月。泰国的相对清晰的出现频率区域估计和不同概率分布函数最佳曲线,如图7所示的结果。 |
 |
 |
内容 |
| 答:明确率分析 |
| 泰国的经验从南海季风的影响。它经历东北季风从11月到3月的大量降雨由于水汽和云带来的风从南海东北部。它经历西南季风从4月到9月。这些季风相对干燥的空气来自苏门答腊海洋而不是从一个大的身体。它经历inter-monsoons温和的降雨和微风在3个月和10月。 |
| b .清晰的平均值和标准偏差 |
| 图6显示之间的关系明确的平均值和标准偏差率为泰国地区。明显的高值率表示好天气和低平均值表示多云的天气。高的标准偏差表示经常变化的天气和低标准偏差表示更稳定的天气条件。图6也显示,泰国地区经验更一致的天气模式,分散窄范围的意思清楚率值。 |
| c .概率模型 |
| 不同的概率分布函数(正常,对数正态、极端和值)进行了测试,找到最佳拟合的函数为每个地区clear-rate数据。所使用的间隔范围清晰的利率和相对频率出现如图。7。图7说明了只有被认为是东南亚地区的概率分布函数。均方根误差被用来决定概率分布函数的最佳曲线(见表1),均方根误差利率从不同的概率分布函数,获得每个泰国地区进行测试。可以估计的概率发生好或坏天气使用概率分布函数在一个位置。 |
 |
结论 |
| 本研究的目的是identifycloud覆盖泰国地区利用卫星数据和K-mean聚类算法。成功开发软件工具K-mean非监督分类是基于商业软件ERDAS公司想象运用ERDAS公司宏语言和空间造型语言。明确的泰国地区identificatied从8760年云覆盖分析数字数据项从2010年10月到2011年9月。结果会更确凿如果更多的数据覆盖3到5年的时间跨度。然而,在这项研究中所描述的结果提供了一些关于天气的可能性的初步信息分析使用MTSAT-2从云层的估计数据,并将用于进一步的研究时,更多的数据可用。 |
承认 |
| 这项研究是财务支持的2012财政年度预算的科学教师,Mahasarakham大学 |
引用 |
|