第9卷第5期 智能系统学报 Vol.9 No.5 2014年10月 CAAI Transactions on Intelligent Systems 0ct.2014 D0:10.3969/j.issn.1673-4785.201306049 基于关联分析的气象云图识别问题研究 刘保相，孟肖丽 (河北联合大学理学院，河北唐山063009) 摘要：气象云图识别中的一项很重要的工作是示踪云选取及追踪。提出了关联分析的识别方法，旨在提高示踪云 识别。针对云块的属性及属性评估值进行示踪云选取：将选取的示踪云作为对象集，云块特征作为属性集，不同时 刻示踪云关于属性的关系作为二元关系来建立概念格，借助概念格节点的内涵个数及外延属性的相似度进行示踪 云追踪。实验结果表明，此选取方法得到的示踪云特征明显，有利于示踪云的追踪。 关键词：云图：评估值模型：概念格；格节点：关联分析 中图分类号：TP18文献标志码：A文章编号：1673-4785(2014)05-0595-07 中文引用格式：刘保相，孟肖丽.基于关联分析的气象云图识别问题研究[J].智能系统学报，2014,9(5)：595-601. 英文引用格式：LIU Baoxiang,MENG Xiaoli..The study on nephogram recognition based on relational analysis[J】.CAAI Transac- tions on Intelligent Systems,2014,9(5):595-601. The study on nephogram recognition based on relational analysis LIU Baoxiang,MENG Xiaoli (College of Science,Hebei United University,Tangshan 063009,China) Abstract:Important steps in nephogram recognition are selection and tracking of the target clouds.A new scheme of relational analysis is developed to improve tracking of tracers.The tracers are selected based on the clouds'attrib- ute and attribute evaluation value.A concept lattice can be established.However,if the selected tracers are consid- ered as object set,s then characteristics of clouds as attribute sets,and the relationship among the same attributes of different tracers at different moments as the binary relation are efficient.So,tracers can be tracked according to the number of the intension of concept lattice nodes and the similarity of extension.The results showed that the charac- teristics of tracers based on the selection method are useful for tracking tracers based on relational analysis. Keywords:nephogram;evaluation value model;concept lattice;lattice nodes;relational analysis 概念格是Wille R.教授与1982年提出的进行数 早期Fujita利用电影动画胶片人为判断云团的 据分析的一种有力工具，其上的每个节点是由内涵 移动1]；Endlish和Hall等所研制的SATS(automat- 和外延构成的一个形式概念。形式背景生成概念格 ic tracting system,SRI)通过提取云团的特征量，用模 的过程实质上是概念聚类的过程，并通过Hasse图 式匹配技术追踪云团[2)。进入20世纪80年代之 生动地体现了概念之间的泛化和特化关系。概念格 后，国外在云团追踪方面以多颗卫星、多通道追踪方 是一种具有完备性和精确性特点的数据分析工具。 法的研究为主，国内在雷达回波图像追踪方面的研 究比较多，赵清云、汤达章等对相关系数、相关综合 收稿日期：2013-06-30. 亮温系数、矩阵特征量以及R-形状描绘子在雷达强 基金项目：国家自然科学基金资助项目(61170317)，河北省自然科学基 回波追踪上的应用做了研究[4]：白洁等利用GMS 金资助项目(A2011209046). 通信作者：孟肖丽.mxlheut(@163.com. 红外云图对强对流云团进行识别与追踪6；蔡叔
第 ９ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ．９ №．５ ２０１４ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ． ２０１４ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０６０４９ 基于关联分析的气象云图识别问题研究 刘保相，孟肖丽 （河北联合大学 理学院，河北 唐山 ０６３００９） 摘 要：气象云图识别中的一项很重要的工作是示踪云选取及追踪。 提出了关联分析的识别方法，旨在提高示踪云 识别。 针对云块的属性及属性评估值进行示踪云选取；将选取的示踪云作为对象集，云块特征作为属性集，不同时 刻示踪云关于属性的关系作为二元关系来建立概念格，借助概念格节点的内涵个数及外延属性的相似度进行示踪 云追踪。 实验结果表明，此选取方法得到的示踪云特征明显，有利于示踪云的追踪。 关键词：云图；评估值模型；概念格；格节点；关联分析 中图分类号： ＴＰ１８ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１４）０５⁃０５９５⁃０７ 中文引用格式：刘保相，孟肖丽． 基于关联分析的气象云图识别问题研究［Ｊ］． 智能系统学报， ２０１４， ９（５）： ５９５⁃６０１． 英文引用格式：ＬＩＵ Ｂａｏｘｉａｎｇ，ＭＥＮＧ Ｘｉａｏｌｉ． Ｔｈｅ ｓｔｕｄｙ ｏｎ ｎｅｐｈｏｇｒａｍ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｒｅｌａｔｉｏｎａｌ ａｎａｌｙｓｉｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃ⁃ ｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１４， ９（５）： ５９５⁃６０１． Ｔｈｅ ｓｔｕｄｙ ｏｎ ｎｅｐｈｏｇｒａｍ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｒｅｌａｔｉｏｎａｌ ａｎａｌｙｓｉｓ ＬＩＵ Ｂａｏｘｉａｎｇ， ＭＥＮＧ Ｘｉａｏｌｉ （Ｃｏｌｌｅｇｅ ｏｆ Ｓｃｉｅｎｃｅ， Ｈｅｂｅｉ Ｕｎｉｔｅｄ Ｕｎｉｖｅｒｓｉｔｙ， Ｔａｎｇｓｈａｎ ０６３００９， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｍｐｏｒｔａｎｔ ｓｔｅｐｓ ｉｎ ｎｅｐｈｏｇｒａｍ ｒｅｃｏｇｎｉｔｉｏｎ ａｒｅ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｔｒａｃｋｉｎｇ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｃｌｏｕｄｓ． Ａ ｎｅｗ ｓｃｈｅｍｅ ｏｆ ｒｅｌａｔｉｏｎａｌ ａｎａｌｙｓｉｓ ｉｓ ｄｅｖｅｌｏｐｅｄ ｔｏ ｉｍｐｒｏｖｅ ｔｒａｃｋｉｎｇ ｏｆ ｔｒａｃｅｒｓ． Ｔｈｅ ｔｒａｃｅｒｓ ａｒｅ ｓｅｌｅｃｔｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｃｌｏｕｄｓ’ ａｔｔｒｉｂ⁃ ｕｔｅ ａｎｄ ａｔｔｒｉｂｕｔｅ ｅｖａｌｕａｔｉｏｎ ｖａｌｕｅ． Ａ ｃｏｎｃｅｐｔ ｌａｔｔｉｃｅ ｃａｎ ｂｅ ｅｓｔａｂｌｉｓｈｅｄ． Ｈｏｗｅｖｅｒ， ｉｆ ｔｈｅ ｓｅｌｅｃｔｅｄ ｔｒａｃｅｒｓ ａｒｅ ｃｏｎｓｉｄ⁃ ｅｒｅｄ ａｓ ｏｂｊｅｃｔ ｓｅｔ，ｓ ｔｈｅｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｃｌｏｕｄｓ ａｓ ａｔｔｒｉｂｕｔｅ ｓｅｔｓ， ａｎｄ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ａｍｏｎｇ ｔｈｅ ｓａｍｅ ａｔｔｒｉｂｕｔｅｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｔｒａｃｅｒｓ ａｔ ｄｉｆｆｅｒｅｎｔ ｍｏｍｅｎｔｓ ａｓ ｔｈｅ ｂｉｎａｒｙ ｒｅｌａｔｉｏｎ ａｒｅ ｅｆｆｉｃｉｅｎｔ． Ｓｏ， ｔｒａｃｅｒｓ ｃａｎ ｂｅ ｔｒａｃｋｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔｈｅ ｉｎｔｅｎｓｉｏｎ ｏｆ ｃｏｎｃｅｐｔ ｌａｔｔｉｃｅ ｎｏｄｅｓ ａｎｄ ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｅｘｔｅｎｓｉｏｎ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｃｈａｒａｃ⁃ ｔｅｒｉｓｔｉｃｓ ｏｆ ｔｒａｃｅｒｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｓｅｌｅｃｔｉｏｎ ｍｅｔｈｏｄ ａｒｅ ｕｓｅｆｕｌ ｆｏｒ ｔｒａｃｋｉｎｇ ｔｒａｃｅｒｓ ｂａｓｅｄ ｏｎ ｒｅｌａｔｉｏｎａｌ ａｎａｌｙｓｉｓ． Ｋｅｙｗｏｒｄｓ：ｎｅｐｈｏｇｒａｍ； ｅｖａｌｕａｔｉｏｎ ｖａｌｕｅ ｍｏｄｅｌ； ｃｏｎｃｅｐｔ ｌａｔｔｉｃｅ； ｌａｔｔｉｃｅ ｎｏｄｅｓ； ｒｅｌａｔｉｏｎａｌ ａｎａｌｙｓｉｓ 收稿日期：２０１３⁃０６⁃３０． 基金项目：国家自然科学基金资助项目（６１１７０３１７），河北省自然科学基 金资助项目（Ａ２０１１２０９０４６）． 通信作者：孟肖丽．ｍｘｌｈｅｕｔ＠ １６３．ｃｏｍ． 概念格是 Ｗｉｌｌｅ Ｒ．教授与 １９８２ 年提出的进行数 据分析的一种有力工具，其上的每个节点是由内涵 和外延构成的一个形式概念。 形式背景生成概念格 的过程实质上是概念聚类的过程，并通过 Ｈａｓｓｅ 图 生动地体现了概念之间的泛化和特化关系。 概念格 是一种具有完备性和精确性特点的数据分析工具。 早期 Ｆｕｊｉｔａ 利用电影动画胶片人为判断云团的 移动［ １ ］ ； Ｅｎｄｌｉｓｈ 和 Ｈａｌｌ 等所研制的 ＳＡＴＳ（ａｕｔｏｍａｔ⁃ ｉｃ ｔｒａｃｔｉｎｇ ｓｙｓｔｅｍ，ＳＲＩ）通过提取云团的特征量，用模 式匹配技术追踪云团［２⁃３］ 。 进入 ２０ 世纪 ８０ 年代之 后，国外在云团追踪方面以多颗卫星、多通道追踪方 法的研究为主，国内在雷达回波图像追踪方面的研 究比较多，赵清云、汤达章等对相关系数、相关综合 亮温系数、矩阵特征量以及 Ｒ⁃形状描绘子在雷达强 回波追踪上的应用做了研究［４⁃５］ ；白洁等利用 ＧＭＳ 红外云图对强对流云团进行识别与追踪［６］ ；蔡叔
.596. 智能系统学报 第9卷 梅、阮征和陈钟荣通过建立自适应亮温阈值的云团 用集合A表示T时刻对应的492个不同像素块，则 识别方法，获得云团的发生、发展和消亡的完整生命 A={a1,a2,…,am}（其中n=49),元素a(i,j 过程[)]：兰红平等利用模式识别技术进行云团边界 =1,2,…,49)为16×16像素的灰度矩阵，且a 识别、拓扑处理，建立了云团生命时序与族谱关 在窗口中的位置如下所示： 系[)。云迹风为大气分析和数值预报模式提供大 a1a12…a1n 量有用资料，可用于观测大气环流情况，并在中尺度 a21 022 d2n 系统分析中起着重要作用。国外学者Le Marshall例 及国内学者王栋梁o]、张守峰)、刘正光]先后 am 提出云迹风资料使台风路径、降水及中心定位等方 式中：n=49。同样地，集合B={b1,b12,…,bm}表 面的预测更准确：周兵)、许健民141通过对云迹 示T,时刻对应的49个不同像素块，元素b,(i,= 风资料的同化试验及其他方法，得出云迹风资料对 1,2,…,49)为16×16像素的灰度矩阵，b:在窗 暴雨的分析具有指示作用。 口的对应位置为 云迹风是指用连续几幅静止气象卫星图像追踪 [bu b12 图像上示踪云的位移，计算时通常将云块大小限定 b2 为16×16个像素，搜索范围限定为64×64个像素。 云迹风的生成需要以下几个步骤：示踪云选取、示踪 云追踪、示踪云高度指定和质量控制，前两项工作是 Lbnbn2… b 计算云迹风的重要前提工作，也是本文研究的主要 其中n=49。式中：元素下标标示云块对应的地理 内容。 位置，a与、b,处于搜索范围相同的位置。 1云团的数学刻画 2 示踪云选取 由于像素块匹配所选用的窗口大小为16×16 2.1云块属性确定 个像素，搜索范围限定为64×64个像素。在搜索范 为了鉴定是否为同一云块，从云块的属性着手， 围内，所选用的窗口向任何一个方向移动1像素，都 即判断云块的类型（高云、低云、中云和薄卷云）、灰 会成为新的限定像素块。如图1所示，原像素块向 度和云图纹理，并采用概念格方法对相同云块进行 右、下方各移动一像素时，即产生一新的像素块。利 判定。云块的属性集V={知1，，，西4,5,6}，其中 用分步计算原理可知，限定的搜索范围有(64- ,表示高云、2表示低云、3表示中云、4表示薄卷 16+1)2=492个不同的限定像素块。 云、表示灰度和6表示云图纹理。 2.2云块的属性集 利用评估值模型，将T时刻的云块集作为评估 对象；V={u1,2,…,6}为评估属性集；A为评 估对象与评估属性间的关系集，其中f(α：)为评估 对象a:关于评估属性，的测定值。 若对象具有高云、低云、中云和薄卷云中的某个 属性，则对应的矩阵元素取“1”，否则为“0”：云块平 图1像素块的生成 均灰度取值范围为：0~1023，共1024个整数等级， Fig.1 The generation of pixel block 为了降低计算复杂度，将其分为4个级别：0[0~ 为了研究的方便，本文限定研究的云块大小为 255]、1[256-511]、2[512~767]、3[768~1023]:纹 16×16个像素，即等同于像素块匹配所选用的窗口 理是云块表面反复出现的局部模式及排列规则，对 大小。由此可知，这里研究的云块是通过大小确定 追踪云迹风具有很重要的作用，采用Christodoulou 的，与实际拥有的云量、云状等无关：云块位置与像 等提取的55种纹理特征6]，对云块的纹理特征依 素块匹配所选用的窗口的位置是一一对应的：限定 次进行赋值为1、2、…、55。T1时刻的云块属性评估 的搜索范围内有(64-16+1)2=492个云块。 值矩阵R为
梅、阮征和陈钟荣通过建立自适应亮温阈值的云团 识别方法，获得云团的发生、发展和消亡的完整生命 过程［７］ ；兰红平等利用模式识别技术进行云团边界 识别、拓扑处理， 建立了云团生命时序与族谱关 系［８］ 。 云迹风为大气分析和数值预报模式提供大 量有用资料，可用于观测大气环流情况，并在中尺度 系统分析中起着重要作用。 国外学者 Ｌｅ Ｍａｒｓｈａｌｌ ［９］ 及国内学者王栋梁［１０］ 、张守峰［１１］ 、刘正光［１２］ 先后 提出云迹风资料使台风路径、降水及中心定位等方 面的预测更准确；周兵［１３］ 、许健民［１４⁃１５］ 通过对云迹 风资料的同化试验及其他方法，得出云迹风资料对 暴雨的分析具有指示作用。 云迹风是指用连续几幅静止气象卫星图像追踪 图像上示踪云的位移，计算时通常将云块大小限定 为 １６ × １６ 个像素，搜索范围限定为 ６４ × ６４ 个像素。 云迹风的生成需要以下几个步骤：示踪云选取、示踪 云追踪、示踪云高度指定和质量控制，前两项工作是 计算云迹风的重要前提工作，也是本文研究的主要 内容。 １ 云团的数学刻画 由于像素块匹配所选用的窗口大小为 １６ × １６ 个像素，搜索范围限定为 ６４ × ６４ 个像素。 在搜索范 围内，所选用的窗口向任何一个方向移动 １ 像素，都 会成为新的限定像素块。 如图 １ 所示，原像素块向 右、下方各移动一像素时，即产生一新的像素块。 利 用分步计算原理可知，限定的搜索范围有 （６４ － １６ ＋１） ２ ＝ ４９ ２ 个不同的限定像素块。 图 １ 像素块的生成 Ｆｉｇ．１ Ｔｈｅ ｇｅｎｅｒａｔｉｏｎ ｏｆ ｐｉｘｅｌ ｂｌｏｃｋ 为了研究的方便，本文限定研究的云块大小为 １６ × １６ 个像素，即等同于像素块匹配所选用的窗口 大小。 由此可知，这里研究的云块是通过大小确定 的，与实际拥有的云量、云状等无关；云块位置与像 素块匹配所选用的窗口的位置是一一对应的；限定 的搜索范围内有 （６４ － １６ ＋ １） ２ ＝ ４９ ２ 个云块。 用集合 Ａ 表示 Ｔ１ 时刻对应的 ４９ ２ 个不同像素块，则 Ａ ＝ ｛ａ１１ ， ａ１２ ， …， ａｎｎ ｝ （其中 ｎ ＝ ４９），元素 ａｉｊ（ｉ，ｊ ＝ １， ２， …， ４９） 为 １６ × １６ 像素的灰度矩阵，且 ａｉｊ 在窗口中的位置如下所示： ａ１１ ａ１２ … ａ１ｎ ａ２１ ａ２２ … ａ２ｎ ︙ ︙ ︙ ︙ ａｎ１ ａｎ２ … ａｎｎ é ë ê ê ê ê êê ù û ú ú ú ú úú 式中： ｎ ＝ ４９。 同样地，集合 Ｂ ＝ ｛ｂ１１ ，ｂ１２ ，…，ｂｎｎ ｝ 表 示 Ｔ２ 时刻对应的 ４９ ２ 个不同像素块，元素 ｂｉｊ（ｉ，ｊ ＝ １， ２， …， ４９） 为 １６ × １６ 像素的灰度矩阵， ｂｉｊ 在窗 口的对应位置为 ｂ１１ ｂ１２ … ｂ１ｎ ｂ２１ ｂ２２ … ｂ２ｎ ︙ ︙ ︙ ︙ ｂｎ１ ｂｎ２ … ｂｎｎ é ë ê ê ê ê êê ù û ú ú ú ú úú 其中 ｎ ＝ ４９。 式中：元素下标标示云块对应的地理 位置， ａｉｊ 、 ｂｉｊ 处于搜索范围相同的位置。 ２ 示踪云选取 ２．１ 云块属性确定 为了鉴定是否为同一云块，从云块的属性着手， 即判断云块的类型（高云、低云、中云和薄卷云）、灰 度和云图纹理，并采用概念格方法对相同云块进行 判定。 云块的属性集 Ｖ ＝ ｛ｖ１ ，ｖ２ ，ｖ３ ，ｖ４ ，ｖ５ ，ｖ６ ｝ ，其中 ｖ１ 表示高云、 ｖ２ 表示低云、 ｖ３ 表示中云、 ｖ４ 表示薄卷 云、 ｖ５ 表示灰度和 ｖ６ 表示云图纹理。 ２．２ 云块的属性集 利用评估值模型，将 Ｔ１ 时刻的云块集作为评估 对象； Ｖ ＝ ｛ｖ１ ， ｖ２ ， …， ｖ６ ｝ 为评估属性集； Ａｉｊ 为评 估对象与评估属性间的关系集，其中 ｆ ｌ（ａｉｊ） 为评估 对象 ａｉｊ 关于评估属性 ｖｌ 的测定值。 若对象具有高云、低云、中云和薄卷云中的某个 属性，则对应的矩阵元素取“１”，否则为“０”；云块平 均灰度取值范围为：０～１ ０２３，共 １ ０２４ 个整数等级， 为了降低计算复杂度，将其分为 ４ 个级别：０ ［ ０ ～ ２５５］、１［２５６～５１１］、２［５１２ ～ ７６７］、３［７６８ ～ １０２３］；纹 理是云块表面反复出现的局部模式及排列规则，对 追踪云迹风具有很重要的作用，采用 Ｃｈｒｉｓｔｏｄｏｕｌｏｕ 等提取的 ５５ 种纹理特征［１６］ ，对云块的纹理特征依 次进行赋值为 １、２、…、５５。 Ｔ１ 时刻的云块属性评估 值矩阵 Ｒ 为 ·５９６· 智 能 系 统 学 报 第 ９ 卷
第5期 孟肖丽，等：基于关联分析的气象云图识别问题研究 .597· f(a）f3(a)f5(au)f(a1)f5(a1)f6(a1)7 f(a2)f2(a2)f5(a2)f(a2)f(a2)f(a2) f(an)f2(an)fs(an)fa(an)fs(an)fo(an) R=f(an）f(an)f3(an)f(an)f5(a.）f(an) f(aa)f(az)f(an)f(an)fs(aa)f(aa) fi(a2）f3(a2）f5(a2)f(a2)f5(a2）f6(a2) f(anm）f2(am)f3(am)f(am）f5(am)f6(am)」 式中：n=49,矩阵R的每行表示一个对象的6个属 同样的方法，可得到T,时刻评估对象的评估值 性测定值，每列表示一个属性下的492个对象的属 矩阵R': 性测定值。 f(b)f2(b)f(b)fa(b)fs(b)fo(b) fi(b2）f(b2）f5(b2）f(b2)f5(b2)f(b2) fi(b1s)f2(bis)f(bis)fa(b)fs(bi3)fo(b) R'=f(bin)f2(bin)f(bin)fa(bin)fs(bin)fo(bin) fi(b2）f(b2i)f5(b2）f(b2i)f5(b2:)f6(b2) fi(b22)f2(b22)f3(b22)fa(b22)fs(b22)fo(b22) fi(bm)f(bnm）f5(bm)f(bm）f5(bm)f6(bm) 式中：n=49。 评估值至少3项不为0时，此云块则为示踪云。分 2.3示踪云选取 别得到两时刻的示踪云集合Y={a1,a2,…,a,}和 在静止气象卫星图像上选择变化缓慢、随风移 Y'={b,b2,…,b}（其中i,j≤n2)。 动的云，即为选取的示踪云。随着欧氏距离和交叉 3概念格的示踪云识别 相关系数的发展，Hayden和Merrill利用最小灰度、 最大灰度、最大最小灰度差及最小梯度标准选取示 对象集U为T,、T2两时刻的示踪云集合Y= 踪云[】：白洁和杨文凯等通过梯度分析的方法使反 {a1,a2,…,a:}和Y'={b1,b2,…,b},每块示踪 演风的位置得到优化，再经过积雨云检测盒灰度分 云a:∈Yy(或b∈Y')为一个对象；属性集为V= 布均匀程度检验，剔除不适合用来反演的目标物，进 {1,2,…,6},其中属性1表示高云、属性2表 而对示踪云进行选取]。然而这些选取方法得到 示低云、属性”3表示中云、属性”，表示薄卷云、属性 的示踪云的特征不太明显，计算得到的云迹风的质 ,表示灰度及属性6表示云图纹理；R为T1、T,时 量有待提高。 刻的示踪云关于V={,2,…,6}的二元关系， 文中云块的选取只是通过选用窗口大小确定， RC(Y,Y")×V。若(a,b),)∈R,则说明 而与实际的云量、云状等无关，这样选取的云块可能 T,时刻的云块a,或T,时刻的云块b:具有属性v,记 是无云区，所以选取的云块是不能直接作为示踪云 为(a:,b)R,并规定 的。示踪云含有云量，具有高云、中云、低云或薄卷 1,fa:)>0 a,Rv= (1) 云的属性，呈现一定的灰度和纹理特征，所以判断云 0,其他 块，是否可以作为示踪云，则要检验云块是否具有 (U,V,R)构成形式背景（如表1）。形式背景的 这些属性特征。由于云块具有6个属性中的3个特 全体概念L(U,V,R)存在偏序关系，则L(U,V, 征时，其灰度分布的表面起伏特征较为明显，满足示 R)是(U,V,R)的概念格。 踪云的特性，则界定示踪云的标准为：若云块的属性
Ｒ ＝ ｆ １（ａ１１ ） ｆ ２（ａ１１ ） ｆ ３（ａ１１ ） ｆ ４（ａ１１ ） ｆ ５（ａ１１ ） ｆ ６（ａ１１ ） ｆ １（ａ１２ ） ｆ ２（ａ１２ ） ｆ ３（ａ１２ ） ｆ ４（ａ１２ ） ｆ ５（ａ１２ ） ｆ ６（ａ１２ ） ｆ １（ａ１３ ） ｆ ２（ａ１３ ） ｆ ３（ａ１３ ） ｆ ４（ａ１３ ） ｆ ５（ａ１３ ） ｆ ６（ａ１３ ） ︙ ︙ ︙ ︙ ︙ ︙ ｆ １（ａ１ｎ ） ｆ ２（ａ１ｎ ） ｆ ３（ａ１ｎ ） ｆ ４（ａ１ｎ ） ｆ ５（ａ１ｎ ） ｆ ６（ａ１ｎ ） ｆ １（ａ２１ ） ｆ ２（ａ２１ ） ｆ ３（ａ２１ ） ｆ ４（ａ２１ ） ｆ ５（ａ２１ ） ｆ ６（ａ２１ ） ｆ １（ａ２２ ） ｆ ２（ａ２２ ） ｆ ３（ａ２２ ） ｆ ４（ａ２２ ） ｆ ５（ａ２２ ） ｆ ６（ａ２２ ） ︙ ︙ ︙ ︙ ︙ ︙ ｆ １（ａｎｎ ） ｆ ２（ａｎｎ ） ｆ ３（ａｎｎ ） ｆ ４（ａｎｎ ） ｆ ５（ａｎｎ ） ｆ ６（ａｎｎ ） é ë ê ê ê ê ê ê ê ê ê ê ê ê ê ê ù û ú ú ú ú ú ú ú ú ú ú ú ú ú ú 式中： ｎ ＝ ４９，矩阵 Ｒ 的每行表示一个对象的 ６ 个属 性测定值，每列表示一个属性下的 ４９ ２ 个对象的属 性测定值。 同样的方法，可得到 Ｔ２ 时刻评估对象的评估值 矩阵 Ｒ′ ： Ｒ′ ＝ ｆ １（ｂ１１ ） ｆ ２（ｂ１１ ） ｆ ３（ｂ１１ ） ｆ ４（ｂ１１ ） ｆ ５（ｂ１１ ） ｆ ６（ｂ１１ ） ｆ １（ｂ１２ ） ｆ ２（ｂ１２ ） ｆ ３（ｂ１２ ） ｆ ４（ｂ１２ ） ｆ ５（ｂ１２ ） ｆ ６（ｂ１２ ） ｆ １（ｂ１３ ） ｆ ２（ｂ１３ ） ｆ ３（ｂ１３ ） ｆ ４（ｂ１３ ） ｆ ５（ｂ１３ ） ｆ ６（ｂ１３ ） ︙ ︙ ︙ ︙ ︙ ︙ ｆ １（ｂ１ｎ ） ｆ ２（ｂ１ｎ ） ｆ ３（ｂ１ｎ ） ｆ ４（ｂ１ｎ ） ｆ ５（ｂ１ｎ ） ｆ ６（ｂ１ｎ ） ｆ １（ｂ２１ ） ｆ ２（ｂ２１ ） ｆ ３（ｂ２１ ） ｆ ４（ｂ２１ ） ｆ ５（ｂ２１ ） ｆ ６（ｂ２１ ） ｆ １（ｂ２２ ） ｆ ２（ｂ２２ ） ｆ ３（ｂ２２ ） ｆ ４（ｂ２２ ） ｆ ５（ｂ２２ ） ｆ ６（ｂ２２ ） ︙ ︙ ︙ ︙ ︙ ︙ ｆ １（ｂｎｎ ） ｆ ２（ｂｎｎ ） ｆ ３（ｂｎｎ ） ｆ ４（ｂｎｎ ） ｆ ５（ｂｎｎ ） ｆ ６（ｂｎｎ ） é ë ê ê ê ê ê ê ê ê ê ê ê ê ê ê ù û ú ú ú ú ú ú ú ú ú ú ú ú ú ú 式中： ｎ ＝ ４９。 ２．３ 示踪云选取 在静止气象卫星图像上选择变化缓慢、随风移 动的云，即为选取的示踪云。 随着欧氏距离和交叉 相关系数的发展，Ｈａｙｄｅｎ 和 Ｍｅｒｒｉｌｌ 利用最小灰度、 最大灰度、最大最小灰度差及最小梯度标准选取示 踪云［１７］ ；白洁和杨文凯等通过梯度分析的方法使反 演风的位置得到优化，再经过积雨云检测盒灰度分 布均匀程度检验，剔除不适合用来反演的目标物，进 而对示踪云进行选取［ １８ ］ 。 然而这些选取方法得到 的示踪云的特征不太明显，计算得到的云迹风的质 量有待提高。 文中云块的选取只是通过选用窗口大小确定， 而与实际的云量、云状等无关，这样选取的云块可能 是无云区，所以选取的云块是不能直接作为示踪云 的。 示踪云含有云量，具有高云、中云、低云或薄卷 云的属性，呈现一定的灰度和纹理特征，所以判断云 块 ａｉｊ 是否可以作为示踪云，则要检验云块是否具有 这些属性特征。 由于云块具有 ６ 个属性中的 ３ 个特 征时，其灰度分布的表面起伏特征较为明显，满足示 踪云的特性，则界定示踪云的标准为：若云块的属性 评估值至少 ３ 项不为 ０ 时，此云块则为示踪云。 分 别得到两时刻的示踪云集合 Ｙ ＝ ｛ａ１ ，ａ２ ，…，ａｉ｝ 和 Ｙ′ ＝ ｛ｂ１ ， ｂ２ ， …， ｂｊ｝ （其中 ｉ， ｊ ≤ ｎ ２ ）。 ３ 概念格的示踪云识别 对象集 Ｕ 为 Ｔ１ 、 Ｔ２ 两时刻的示踪云集合 Ｙ ＝ ｛ａ１ ，ａ２ ，…，ａｉ｝ 和 Ｙ′ ＝ ｛ｂ１ ， ｂ２ ， …， ｂｊ｝ ，每块示踪 云 ａｉ ∈ Ｙ （或 ｂｊ ∈ Ｙ′ ）为一个对象；属性集为 Ｖ ＝ ｛ｖ１ ， ｖ２ ， …， ｖ６ ｝ ，其中属性 ｖ１ 表示高云、属性 ｖ２ 表 示低云、属性 ｖ３ 表示中云、属性 ｖ４ 表示薄卷云、属性 ｖ５ 表示灰度及属性 ｖ６ 表示云图纹理；Ｒ 为 Ｔ１ 、 Ｔ２ 时 刻的示踪云关于 Ｖ ＝ ｛ｖ１ ， ｖ２ ， …， ｖ６ ｝ 的二元关系， Ｒ ⊆ （Ｙ， Ｙ′） × Ｖ 。 若 （（ａｉ， ｂｊ）， ｖ） ∈ Ｒ ，则说明 Ｔ１ 时刻的云块 ａｉ 或 Ｔ２ 时刻的云块 ｂｊ 具有属性 ｖ ，记 为 （ａｉ， ｂｊ）Ｒｖ ，并规定 ａｉＲｖ ＝ １ ， ｆ（ａｉ） ＞ ０ ０ ， 其他 { （１） （Ｕ， Ｖ， Ｒ） 构成形式背景（如表 １）。 形式背景的 全体概念 Ｌ（Ｕ， Ｖ， Ｒ） 存在偏序关系，则 Ｌ（Ｕ， Ｖ， Ｒ） 是 （Ｕ， Ｖ， Ｒ） 的概念格。 第 ５ 期 孟肖丽，等：基于关联分析的气象云图识别问题研究 ·５９７·
.598. 智能系统学报 第9卷 表1形式背景 …,6),当44大于相同示踪云的界定值入，并且总 Table 1 Formal context 体的平均属性相似度μ最大者为不同时刻的同一示 2 U4 Us 6 踪云。 aa a1 min(f(a;),f(b;)) >A 02 d2 max(f(a:),f(b;)) = (2) Re Re Rv6 0 min(fa:),f(b）) max(f(a;),f(b;)) 式中：k=1,2,…,6。 a G =+A++,+A+A (3) b by 6 Rv6 4实验结果与分析 b, b2 Rvs 只研究搜索范围内有的36个云块窗口，T,时 刻的云块分别为A1、A2、…、A6、A2、A21、…、 b 6 b b b 6 A6;T2时刻的云块为B1、B2、……、B6。云块 A,与云块B:处于相同的搜索位置，T,时刻的云块 结合表1的形式背景，得到其形式概念，并生成 在搜索范围的位置如下图2所示。 Hasse图。在每个概念格的节点处识别同一块示踪 A11 A12 A13 A14 A15 A16 云，并且识别规则为：不同时刻的示踪云相互识别， A21A2A23A24A25A26 即T,时刻的示踪云a:与T,时刻的示踪云b,相互识 A31A2A3A34A35A6 别；示踪云a:、b:共同拥有的内涵越多，为同一示踪 A41A42A43A44A45A6 云的概率越大。根据实际情况可规定，当示踪云共 As1 As2 A53 Asa Ass As6 同具有的内涵个数多于n时，才能做出其为同一示 A61 A62 A63 A64 A65 A6 踪云的初步判断：示踪云会受到外界环境的影响，其 图2云块在搜索范围的位置 云型、云状、高度、灰度及纹理等特征都不断地发生 Fig.2 The position of cloud in search scope 变化，那么同一块示踪云在不同时刻对应的属性值 每个云块对应的属性评估值如表2所示，判断 往往是不同的。在步骤(2)的基础上，判断不同时 搜索范围内是否有示踪云及T,时刻的示踪云在T, 刻同一示踪云的对应属性下的相似度：(k=1,2, 时刻的位置，相同界定值入=0.9。 表2云块的属性评估值 Table 2 Attribute evaluation value A0 0 0 0 2 1 B1 0 0 0 0 0 0 0 0 0 2 0 Be 0 0 0 1 0 An 0 0 0 0 0 Bi 1 0 0 0 2 0 A1 0 0 0 B14 0 0 0 0 0 Ais 0 0 1 0 A16 0 B16 0 0 1 2 1 0 0 2 0 An 0 A24 0 0 0 ( 0 0 0 0 B26 0 0 0 1 1 0 0 0 0 0 B31 0 0 1 03 0
表 １ 形式背景 Ｔａｂｌｅ １ Ｆｏｒｍａｌ ｃｏｎｔｅｘｔ ｖ１ ｖ２ ｖ３ ｖ４ ｖ５ ｖ６ ａ１ ａ１ Ｒｖ１ ａ１ Ｒｖ２ ａ１ Ｒｖ３ ａ１ Ｒｖ４ ａ１ Ｒｖ５ ａ１ Ｒｖ６ ａ２ ａ２ Ｒｖ１ ａ２ Ｒｖ２ ａ２ Ｒｖ３ ａ２ Ｒｖ４ ａ２ Ｒｖ５ ａ２ Ｒｖ６ ︙ ︙ ︙ ︙ ︙ ︙ ︙ ａｉ ａｉ Ｒｖ１ ａｉ Ｒｖ２ ａｉ Ｒｖ３ ａｉ Ｒｖ４ ａｉ Ｒｖ５ ａｉ Ｒｖ６ ｂ１ ｂ１ Ｒｖ１ ｂ１ Ｒｖ２ ｂ１ Ｒｖ３ ｂ１ Ｒｖ４ ｂ１ Ｒｖ５ ｂ１ Ｒｖ６ ｂ２ ｂ２ Ｒｖ１ ｂ２ Ｒｖ２ ｂ２ Ｒｖ３ ｂ２ Ｒｖ４ ｂ２ Ｒｖ５ ｂ２ Ｒｖ６ ︙ ︙ ︙ ︙ ︙ ︙ ︙ ｂｊ ｂｊ Ｒｖ１ ｂｊ Ｒｖ＼２ ｂｊ Ｒｖ３ ｂｊ Ｒｖ４ ｂｊ Ｒｖ５ ｂｊ Ｒｖ６ 结合表 １ 的形式背景，得到其形式概念，并生成 Ｈａｓｓｅ 图。 在每个概念格的节点处识别同一块示踪 云，并且识别规则为：不同时刻的示踪云相互识别， 即 Ｔ１ 时刻的示踪云 ａｉ 与 Ｔ２ 时刻的示踪云 ｂｊ 相互识 别；示踪云 ａｉ 、 ｂｊ 共同拥有的内涵越多，为同一示踪 云的概率越大。 根据实际情况可规定，当示踪云共 同具有的内涵个数多于 ｎ 时，才能做出其为同一示 踪云的初步判断；示踪云会受到外界环境的影响，其 云型、云状、高度、灰度及纹理等特征都不断地发生 变化，那么同一块示踪云在不同时刻对应的属性值 往往是不同的。 在步骤（２）的基础上，判断不同时 刻同一示踪云的对应属性下的相似度 μｋ （ ｋ ＝ １， ２， …， ６），当 μｋ 大于相同示踪云的界定值 λ ，并且总 体的平均属性相似度 μ － 最大者为不同时刻的同一示 踪云。 μｋ ＝ １ ， ｍｉｎ（ｆ（ａｉ）， ｆ（ｂｊ）） ｍａｘ（ｆ（ａｉ）， ｆ（ｂｊ）） ＞ λ ０ ， ｍｉｎ（ｆ（ａｉ）， ｆ（ｂｊ）） ｍａｘ（ｆ（ａｉ）， ｆ（ｂｊ）） ≤ λ ì î í ï ïï ï ïï （２） 式中： ｋ ＝ １， ２， …， ６。 μ － ＝ μ１ ＋ μ２ ＋ μ３ ＋ μ４ ＋ μ５ ＋ μ６ ６ （３） ４ 实验结果与分析 只研究搜索范围内有的 ３６ 个云块窗口， Ｔ１ 时 刻的云块分别为 Ａ１１ 、 Ａ１２ 、 … 、 Ａ１６ 、 Ａ２１ 、 Ａ２１ 、 … 、 Ａ６６ ； Ｔ２ 时刻的云块为 Ｂ１１ 、 Ｂ１２ 、 … … 、 Ｂ６６ 。 云块 Ａｉｊ 与云块 Ｂｉｊ 处于相同的搜索位置， Ｔ１ 时刻的云块 在搜索范围的位置如下图 ２ 所示。 Ａ１１ Ａ１２ Ａ１３ Ａ１４ Ａ１５ Ａ１６ Ａ２１ Ａ２２ Ａ２３ Ａ２４ Ａ２５ Ａ２６ Ａ３１ Ａ３２ Ａ３３ Ａ３４ Ａ３５ Ａ３６ Ａ４１ Ａ４２ Ａ４３ Ａ４４ Ａ４５ Ａ４６ Ａ５１ Ａ５２ Ａ５３ Ａ５４ Ａ５５ Ａ５６ Ａ６１ Ａ６２ Ａ６３ Ａ６４ Ａ６５ Ａ６６ 图 ２ 云块在搜索范围的位置 Ｆｉｇ．２ Ｔｈｅ ｐｏｓｉｔｉｏｎ ｏｆ ｃｌｏｕｄ ｉｎ ｓｅａｒｃｈ ｓｃｏｐｅ 每个云块对应的属性评估值如表 ２ 所示，判断 搜索范围内是否有示踪云及 Ｔ１ 时刻的示踪云在 Ｔ２ 时刻的位置，相同界定值 λ ＝ ０．９。 表 ２ 云块的属性评估值 Ｔａｂｌｅ ２ Ａｔｔｒｉｂｕｔｅ ｅｖａｌｕａｔｉｏｎ ｖａｌｕｅ ｖ１ ｖ２ ｖ３ ｖ４ ｖ５ ｖ６ ｖ１ ｖ２ ｖ３ ｖ４ ｖ５ ｖ６ Ａ１１ ０ ０ ０ ０ ２ １ Ｂ１１ ０ ０ ０ ０ ０ ０ Ａ１２ １ ０ ０ ０ ２ ０ Ｂ１２ １ ０ ０ ０ １ ０ Ａ１３ ０ ０ ０ ０ １ ０ Ｂ１３ １ ０ ０ ０ ２ ０ Ａ１４ ０ １ ０ ０ ２ ０ Ｂ１４ ０ ０ ０ ０ ０ ０ Ａ１５ ０ ０ １ ０ ０ ３ Ｂ１５ ０ ０ ０ ０ １ ０ Ａ１６ ０ ０ ０ １ ０ ０ Ｂ１６ ０ ０ ０ ０ １ ２ Ａ２１ １ ０ ０ ０ １ ０ Ｂ２１ ０ ０ ０ ０ １ ０ Ａ２２ １ ０ ０ ０ ２ ５３ Ｂ２２ １ ０ ０ ０ ２ ０ Ａ２３ １ ０ ０ ０ ２ ０ Ｂ２３ １ ０ ０ ０ １ ０ Ａ２４ ０ １ ０ ０ １ ０ Ｂ２４ ０ ０ ０ ０ ０ ０ Ａ２５ ０ ０ ０ ０ ２ ０ Ｂ２５ ０ ０ ０ ０ ０ ０ Ａ２６ ０ ０ ０ １ １ ０ Ｂ２６ ０ ０ ０ １ １ ０ Ａ３１ ０ ０ ０ １ １ ０ Ｂ３１ ０ ０ １ ０ ３ ０ ·５９８· 智 能 系 统 学 报 第 ９ 卷
第5期 孟肖丽，等：基于关联分析的气象云图识别问题研究 ·599· 续表2 1 A 1 0 0 0 2 0 B2 1 0 0 0 1 0 0 0 0 0 B 1 0 0 0 2 51 Au 0 0 0 Bs 0 0 0 2 0 0 1 0 0 2 0 B3s 0 0 0 1 0 Ax 0 B 0 0 0 0 0 B 1 3 An 20 B 0 0 2 0 An 0 0 A 0 0 0 0 0 0 0 1 0 0 0 3 3 As 0 3 52 0 0 1 2 0 0 0 0 0 0 0 0 Be 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 4 Bo 1 0 0 0 1 0 0 0 0 0 Bo 0 0 0 0 0 A 0 0 0 0 4 Bo 0 0 0 0 0 0 满足属性评估值至少3项不为0的云块为示踪 构建的概念格如图3所示。 云，结合表2判别为示踪云的云块为A2、A4、A2、 C(AAABB B.B50) B、B1、B52和B3。利用式(1)对示踪云的属性 评估值进行计算得到对应的形式背景，如表3所列。 CBVV.Vv C:(AuB:B.wvVv) C(A:AB.ViVv) 表3形式背景 Table 3 Formal context 5 Coo,ViVVViVsVa) An 0 0 0 1 1 图3概念格 Ass 0 1 0 0 1 Fig.3 Concept lattice Aa 1 0 0 0 对于节点c1,T,时刻的示踪云A2与T2时刻的 Bx 1 0 0 0 1 1 Ba 0 0 1 1 示踪云B:前4个对应属性评估值相等，则有4：=1 Bs2 0 1 0 0 mim(2,4)=0.5 Bs 0 0 0 （k=1,2,3,4):利用式(2)得u,= max(2,4) 对应的形式背景形成的形式概念如表4所示。 0.96>入， C2 A3Bs2B53 V2UsV6 max(53,51) C3 B41 V3VaUsU6 说明T,时刻的示踪云A2在T,时刻漂移到了云块 Ca A2A3A2B33B4Bs2B53 Bg的位置
续表 ２ ｖ１ ｖ２ ｖ３ ｖ４ ｖ５ ｖ６ ｖ１ ｖ２ ｖ３ ｖ４ ｖ５ ｖ６ Ａ３２ １ ０ ０ ０ ２ ０ Ｂ３２ １ ０ ０ ０ １ ０ Ａ３３ ０ １ ０ ０ １ ０ Ｂ３３ １ ０ ０ ０ ２ ５１ Ａ３４ ０ １ ０ ０ ３ ２ Ｂ３４ １ ０ ０ ０ ２ ０ Ａ３５ ０ １ ０ ０ ２ ０ Ｂ３５ １ ０ ０ ０ １ ０ Ａ３６ ０ １ ０ ０ ２ ０ Ｂ３６ ０ ０ ０ ０ ０ ０ Ａ４１ １ ０ ０ ０ １ ０ Ｂ４１ ０ ０ １ １ ３ １ Ａ４２ １ ０ ０ ０ ２ ２０ Ｂ４２ ０ １ ０ ０ ２ ０ Ａ４３ １ ０ ０ ０ ０ １８ Ｂ４３ ０ １ ０ ０ １ ０ Ａ４４ ０ １ ０ ０ ２ ０ Ｂ４４ ０ ０ ０ ０ ０ ０ Ａ４５ １ ０ ０ ０ ３ ０ Ｂ４５ ０ ０ ０ ０ ０ ０ Ａ４６ ０ ０ ０ ０ ０ ０ Ｂ４６ ０ １ ０ ０ １ ０ Ａ５１ ０ ０ ０ ０ ０ ０ Ｂ５１ ０ １ ０ ０ １ ０ Ａ５２ １ ０ ０ ０ １ ０ Ｂ５２ ０ １ ０ ０ ３ ２ Ａ５３ ０ ０ ０ ０ ０ ０ Ｂ５３ ０ １ ０ ０ ３ ５２ Ａ５４ ０ ０ ０ ０ ０ ０ Ｂ５４ ０ １ ０ ０ ３ ０ Ａ５５ ０ ０ ０ ０ ０ ０ Ｂ５５ ０ ０ ０ １ ２ ０ Ａ５６ ０ １ ０ ０ ２ ０ Ｂ５６ ０ ０ ０ ０ ０ ０ Ａ６１ ０ ０ ０ ０ ０ ０ Ｂ６１ ０ １ ０ ０ １ ０ Ａ６２ ０ ０ ０ ０ ０ ０ Ｂ６２ ０ ０ ０ ０ ２ ０ Ａ６３ ０ ０ １ ０ ２ ０ Ｂ６３ ０ １ ０ ０ １ ０ Ａ６４ ０ ０ ０ ０ １ ４ Ｂ６４ １ ０ ０ ０ １ ０ Ａ６５ ０ ０ ０ ０ ２ ３ Ｂ６５ ０ ０ ０ ０ ０ ０ Ａ６６ ０ ０ ０ ０ ２ ４ Ｂ６６ ０ ０ ０ ０ ０ ０ 满足属性评估值至少 ３ 项不为 ０ 的云块为示踪 云，结合表 ２ 判别为示踪云的云块为 Ａ２２ 、 Ａ３４ 、 Ａ４２ 、 Ｂ３３ 、 Ｂ４１ 、 Ｂ５２ 和 Ｂ５３ 。 利用式（１）对示踪云的属性 评估值进行计算得到对应的形式背景，如表 ３ 所列。 表 ３ 形式背景 Ｔａｂｌｅ ３ Ｆｏｒｍａｌ ｃｏｎｔｅｘｔ ｖ１ ｖ２ ｖ３ ｖ４ ｖ５ ｖ６ Ａ２２ １ ０ ０ ０ １ １ Ａ３４ ０ １ ０ ０ １ １ Ａ４２ １ ０ ０ ０ １ １ Ｂ３３ １ ０ ０ ０ １ １ Ｂ４１ ０ ０ １ １ １ １ Ｂ５２ ０ １ ０ ０ １ １ Ｂ５３ ０ １ ０ ０ １ １ 对应的形式背景形成的形式概念如表 ４ 所示。 表 ４ 形式概念格 Ｔａｂｌｅ ４ Ｆｏｒｍａｌ ｃｏｎｃｅｐｔ ｌａｔｔｉｃｅ 概念名称 外延 内涵 ｃ０ φ ｖ１ ｖ２ ｖ３ ｖ４ ｖ５ ｖ６ ｃ１ Ａ２２Ａ４２Ｂ３３ ｖ１ ｖ５ ｖ６ ｃ２ Ａ３４Ｂ５２Ｂ５３ ｖ２ ｖ５ ｖ６ ｃ３ Ｂ４１ ｖ３ ｖ４ ｖ５ ｖ６ ｃ４ Ａ２２Ａ３４Ａ４２Ｂ３３Ｂ４１Ｂ５２Ｂ５３ φ 构建的概念格如图 ３ 所示。 图 ３ 概念格 Ｆｉｇ．３ Ｃｏｎｃｅｐｔ ｌａｔｔｉｃｅ 对于节点 ｃ１， Ｔ１ 时刻的示踪云 Ａ４２ 与 Ｔ２ 时刻的 示踪云 Ｂ３３ 前 ４ 个对应属性评估值相等，则有 μｋ ＝ １ （ ｋ ＝ １，２，３，４）；利用式（２）得 μ５ ＝ ｍｉｎ（２，４） ｍａｘ（２，４） ＝ ０．５ ＜ λ ，说明 Ｔ１ 时刻的示踪云 Ａ４２ 不会飘到 Ｔ２ 时刻云 块 Ｂ３３ 的位置。 Ｔ１ 时刻的示踪云 Ａ２２ 与 Ｔ２ 时刻的示 踪云 Ｂ３３ 的前 ５ 个属性评估值相同，即属性相似度 μｋ ＝ １（ ｋ ＝ １，２，３，４，５）；利用式（２）得到两块示踪云 对属性 ｖ６ 的相似度 μ６ ＝ ｍｉｎ（５３，５１） ｍａｘ（５３，５１） ＞ ０．９６ ＞ λ ， 说明 Ｔ１ 时刻的示踪云 Ａ２２ 在 Ｔ２ 时刻漂移到了云块 Ｂ３３ 的位置。 第 ５ 期 孟肖丽，等：基于关联分析的气象云图识别问题研究 ·５９９·
.600 智能系统学报 第9卷 对于节点c2,示踪云A4与B:的前5个属性的 1988.11(2):197-207 对应属性评估值相等，而属性6的相似度6= [5]汤达章，周咏梅，胡明宝.雷达回波跟踪的两种方法及 min(2,52) 精度比较[J].应用气象学报，1994,1(3)：304-311. ≈0.38<入，说明示踪云A4在T2时刻 max(2,52) TANG Dazhang,ZHOU Yongmei,HU Mingbao.Two radar 不会飘到云块B:的位置。T,时刻的示踪云A4与T, echo tracking methods and comparison between their accura- 时刻的示踪云B2的对应属性评估值相等，则有44= cies[].Quarterly Journal of Applied Meteorology,1994,1 1(k=1,2,3,4,5,6),说明T1时刻的示踪云A4在 (3):304-311. [6]白洁，王洪庆，陶祖钰.GMS卫星红外图强对流云团的 T2时刻飘到了云块B2的位置。 识别与追踪[J].热带气象学报，1997,13(2)：158-167. 对于节点c3,只有T,时刻的示踪云B4!,说明此 BAI Jie,WANG Hongqing,TAO Zuyu.Recognition and 云块可能是从其他区域飘过来，或者是在T,到T,时 tracing of severe convective cloud from IR images of GMS 刻这段时间内新生成的。 [J].Journal of Tropical Meteorology,1997,13(2):158- 5结束语 167 [7]蔡叔梅，阮征，陈钟荣.基于自适应阈值的云团识别与 对示踪云选取、追踪构建一种关联分析的识别 追踪方法及个案试验[J].气象科技，2011,39(3)：332- 模型，通过像素块匹配大小对云块进行定义：针对云 338 块的属性及属性评估值选取示踪云：将选取的示踪 CAI Shumei,RUAN Zheng,CHEN Zhongrong.Method for 云作为对象集，云块特征作为属性集，不同时刻示踪 identifying and tracking cloud clusters based on adaptive 云间关于对应属性的关系作为二元关系以建立概念 threshold temperature and a case study[J].Meteorological 格：由于概念格具有完备性和精确性的特点，针对生 Science and Technology,2011,39(3):332-338. [8]兰红平，孙向明，梁碧玲，等.雷暴云团自动识别和边界 成的概念节点的内涵个数、外延对应属性相似度进 相关追踪技术研究[J].气象，2009,35(7)：101-111. 行示踪云追踪。 LAN Hongping,SUN Xiangming,LIANG Biling,et al.An 由于示踪云是复杂天气现象的一部分，会经常 automatic tracking and recognition algorithm for thunderstorm 出现不同高度或者不同类型的云混杂在一起，对此 cloud-cluster J.Meteorological monthly,2009,35(7): 情况下的示踪云追踪需要做进一步的研究。 101-111 [9]LE M J F,LESLIELM,SPINOSO C.The generation and as- 参考文献： similation of cloud-drift winds in numerical weather predic- [1]FUJITA T,BRADBNRY D L,MURINO C,et al.A study of tion[J].Journal of Meteorological Society of Japan,1997, mesoscale cloud motions computed from ATS-I and terrestrial 75:383.393. photographs[D].Chicago:University of Chicago,1968: [10]王栋梁，梁旭东，端义宏.云迹风在热带气旋路径数值 25-30. 预报中的应用研究[J].气象学报，2005,6：351-358. [2]ENDLISH R M,WOLF D E,HALL D J,et al.Use of a WANG Dongliang,LIANG Xudong,DUAN Yihong.Impact pattern recognition technique for determining cloud motions of four-dimensional variational data assimilation of the cloud from sequences of satellite photographs[J].J Appl Meteor, drift wind data on tropical cyclone track numerical forecast 1971,10:105-117. [J].Acta Meteorological Sinica,2005,6:351-358. [3]HALL D J,ENDLISH R M,WOLF D E,et al.Experiments [11]张守峰，王诗文.应用卫星云导风进行台风路径预报试 in automatic cloud tracking using SMSGOES data[J].J Appl 验[J].热带气象学报，1999,15：347-355. Meteor,1977,16:1219-1230. ZHANG Shoufeng,WANG Shiwen.Numerical experiments [4]赵清云，汤达章.雷达跟踪回波运动方法的研究 of the prediction of typhoon tracks by using satellite cloud- (Ⅱ)一相关亮度综合分析法及其数值试验[J].南京 derived wind[J].Journal of Tropical Meteorology,1999. 气象学院学报，1988,11(2)：197-207 15(4):347-355 ZHAO Qingyun,TANG Dazhang.Method study for tracking [12]刘正光，喻远飞，吴冰，等.利用云导风矢量的台风中 radar echoes (II)correlation-brightness and its numerical 心自动定位[J].气象学报，2003,61(5)：636-640. simulation[J].Journal of Nanjing Institute of Meteorology, LIU Zhengguang,YU Yuanfei,WU Bing,et al.Automatic
对于节点 ｃ２ ，示踪云 Ａ３４ 与 Ｂ５３ 的前 ５ 个属性的 对应属性评估值相等， 而属性 ｖ６ 的相似度 μ６ ＝ ｍｉｎ（２，５２） ｍａｘ（２，５２） ≈ ０．３８ ＜ λ ，说明示踪云 Ａ３４ 在 Ｔ２ 时刻 不会飘到云块 Ｂ５３ 的位置。 Ｔ１ 时刻的示踪云 Ａ３４ 与 Ｔ２ 时刻的示踪云 Ｂ５２ 的对应属性评估值相等，则有 μｋ ＝ １ （ ｋ ＝ １，２，３，４，５，６），说明 Ｔ１ 时刻的示踪云 Ａ３４ 在 Ｔ２ 时刻飘到了云块 Ｂ５２ 的位置。 对于节点 ｃ３ ，只有 Ｔ２ 时刻的示踪云 Ｂ４１ ，说明此 云块可能是从其他区域飘过来，或者是在 Ｔ１ 到 Ｔ２ 时 刻这段时间内新生成的。 ５ 结束语 对示踪云选取、追踪构建一种关联分析的识别 模型，通过像素块匹配大小对云块进行定义；针对云 块的属性及属性评估值选取示踪云；将选取的示踪 云作为对象集，云块特征作为属性集，不同时刻示踪 云间关于对应属性的关系作为二元关系以建立概念 格；由于概念格具有完备性和精确性的特点，针对生 成的概念节点的内涵个数、外延对应属性相似度进 行示踪云追踪。 由于示踪云是复杂天气现象的一部分，会经常 出现不同高度或者不同类型的云混杂在一起，对此 情况下的示踪云追踪需要做进一步的研究。 参考文献： ［１］ＦＵＪＩＴＡ Ｔ， ＢＲＡＤＢＮＲＹ Ｄ Ｌ， ＭＵＲＩＮＯ Ｃ， ｅｔ ａｌ． Ａ ｓｔｕｄｙ ｏｆ ｍｅｓｏｓｃａｌｅ ｃｌｏｕｄ ｍｏｔｉｏｎｓ ｃｏｍｐｕｔｅｄ ｆｒｏｍ ＡＴＳ⁃Ｉ ａｎｄ ｔｅｒｒｅｓｔｒｉａｌ ｐｈｏｔｏｇｒａｐｈｓ［ Ｄ］． Ｃｈｉｃａｇｏ： Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｃａｇｏ， １９６８： ２５⁃３０． ［２］ ＥＮＤＬＩＳＨ Ｒ Ｍ， ＷＯＬＦ Ｄ Ｅ， ＨＡＬＬ Ｄ Ｊ， ｅｔ ａｌ． Ｕｓｅ ｏｆ ａ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ｆｏｒ ｄｅｔｅｒｍｉｎｉｎｇ ｃｌｏｕｄ ｍｏｔｉｏｎｓ ｆｒｏｍ ｓｅｑｕｅｎｃｅｓ ｏｆ ｓａｔｅｌｌｉｔｅ ｐｈｏｔｏｇｒａｐｈｓ［ Ｊ］． Ｊ Ａｐｐｌ Ｍｅｔｅｏｒ， １９７１， １０： １０５⁃１１７． ［３］ＨＡＬＬ Ｄ Ｊ， ＥＮＤＬＩＳＨ Ｒ Ｍ， ＷＯＬＦ Ｄ Ｅ， ｅｔ ａｌ． Ｅｘｐｅｒｉｍｅｎｔｓ ｉｎ ａｕｔｏｍａｔｉｃ ｃｌｏｕｄ ｔｒａｃｋｉｎｇ ｕｓｉｎｇ ＳＭＳＧＯＥＳ ｄａｔａ［Ｊ］． Ｊ Ａｐｐｌ Ｍｅｔｅｏｒ， １９７７， １６： １２１９⁃１２３０． ［４］ 赵 清 云， 汤 达 章． 雷 达 跟 踪 回 波 运 动 方 法 的 研 究 （Ⅱ）———相关亮度综合分析法及其数值试验［ Ｊ］． 南京 气象学院学报， １９８８， １１（２）： １９７⁃２０７． ＺＨＡＯ Ｑｉｎｇｙｕｎ， ＴＡＮＧ Ｄａｚｈａｎｇ． Ｍｅｔｈｏｄ ｓｔｕｄｙ ｆｏｒ ｔｒａｃｋｉｎｇ ｒａｄａｒ ｅｃｈｏｅｓ （Ⅱ） ｃｏｒｒｅｌａｔｉｏｎ⁃ｂｒｉｇｈｔｎｅｓｓ ａｎｄ ｉｔｓ ｎｕｍｅｒｉｃａｌ ｓｉｍｕｌａｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｎａｎｊｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｍｅｔｅｏｒｏｌｏｇｙ， １９８８， １１（２）： １９７⁃２０７． ［５］汤达章， 周咏梅， 胡明宝． 雷达回波跟踪的两种方法及 精度比较［Ｊ］． 应用气象学报， １９９４， １（３）： ３０４⁃３１１． ＴＡＮＧ Ｄａｚｈａｎｇ， ＺＨＯＵ Ｙｏｎｇｍｅｉ， ＨＵ Ｍｉｎｇｂａｏ． Ｔｗｏ ｒａｄａｒ ｅｃｈｏ ｔｒａｃｋｉｎｇ ｍｅｔｈｏｄｓ ａｎｄ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｔｈｅｉｒ ａｃｃｕｒａ⁃ ｃｉｅｓ［Ｊ］． Ｑｕａｒｔｅｒｌｙ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｍｅｔｅｏｒｏｌｏｇｙ， １９９４， １ （３）： ３０４⁃３１１． ［６］白洁， 王洪庆， 陶祖钰． ＧＭＳ 卫星红外图强对流云团的 识别与追踪［Ｊ］． 热带气象学报， １９９７， １３（２）： １５８⁃１６７． ＢＡＩ Ｊｉｅ， ＷＡＮＧ Ｈｏｎｇｑｉｎｇ， ＴＡＯ Ｚｕｙｕ． Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｔｒａｃｉｎｇ ｏｆ ｓｅｖｅｒｅ ｃｏｎｖｅｃｔｉｖｅ ｃｌｏｕｄ ｆｒｏｍ ＩＲ ｉｍａｇｅｓ ｏｆ ＧＭＳ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｔｒｏｐｉｃａｌ Ｍｅｔｅｏｒｏｌｏｇｙ， １９９７， １３（ ２）： １５８⁃ １６７． ［７］蔡叔梅， 阮征， 陈钟荣． 基于自适应阈值的云团识别与 追踪方法及个案试验［Ｊ］． 气象科技， ２０１１， ３９（３）： ３３２⁃ ３３８． ＣＡＩ Ｓｈｕｍｅｉ， ＲＵＡＮ Ｚｈｅｎｇ， ＣＨＥＮ Ｚｈｏｎｇｒｏｎｇ． Ｍｅｔｈｏｄ ｆｏｒ ｉｄｅｎｔｉｆｙｉｎｇ ａｎｄ ｔｒａｃｋｉｎｇ ｃｌｏｕｄ ｃｌｕｓｔｅｒｓ ｂａｓｅｄ ｏｎ ａｄａｐｔｉｖｅ ｔｈｒｅｓｈｏｌｄ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ａ ｃａｓｅ ｓｔｕｄｙ［ Ｊ］． Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０１１， ３９（３）： ３３２⁃３３８． ［８］兰红平， 孙向明， 梁碧玲， 等． 雷暴云团自动识别和边界 相关追踪技术研究［ Ｊ］． 气象， ２００９， ３５（ ７）： １０１－ １１１． ＬＡＮ Ｈｏｎｇｐｉｎｇ， ＳＵＮ Ｘｉａｎｇｍｉｎｇ， ＬＩＡＮＧ Ｂｉｌｉｎｇ， ｅｔ ａｌ． Ａｎ ａｕｔｏｍａｔｉｃ ｔｒａｃｋｉｎｇ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｔｈｕｎｄｅｒｓｔｏｒｍ ｃｌｏｕｄ－ｃｌｕｓｔｅｒ［ Ｊ］． Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｍｏｎｔｈｌｙ， ２００９， ３５（ ７）： １０１－１１１． ［９］ＬＥ Ｍ Ｊ Ｆ， ＬＥＳＬＩＥＬＭ， ＳＰＩＮＯＳＯ Ｃ． Ｔｈｅ ｇｅｎｅｒａｔｉｏｎ ａｎｄ ａｓ⁃ ｓｉｍｉｌａｔｉｏｎ ｏｆ ｃｌｏｕｄ⁃ｄｒｉｆｔ ｗｉｎｄｓ ｉｎ ｎｕｍｅｒｉｃａｌ ｗｅａｔｈｅｒ ｐｒｅｄｉｃ⁃ ｔｉｏｎ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｓｏｃｉｅｔｙ ｏｆ Ｊａｐａｎ， １９９７， ７５： ３８３⁃３９３． ［１０］王栋梁， 梁旭东， 端义宏． 云迹风在热带气旋路径数值 预报中的应用研究［Ｊ］． 气象学报， ２００５， ６： ３５１⁃３５８． ＷＡＮＧ Ｄｏｎｇｌｉａｎｇ， ＬＩＡＮＧ Ｘｕｄｏｎｇ， ＤＵＡＮ Ｙｉｈｏｎｇ． Ｉｍｐａｃｔ ｏｆ ｆｏｕｒ⁃ｄｉｍｅｎｓｉｏｎａｌ ｖａｒｉａｔｉｏｎａｌ ｄａｔａ ａｓｓｉｍｉｌａｔｉｏｎ ｏｆ ｔｈｅ ｃｌｏｕｄ ｄｒｉｆｔ ｗｉｎｄ ｄａｔａ ｏｎ ｔｒｏｐｉｃａｌ ｃｙｃｌｏｎｅ ｔｒａｃｋ ｎｕｍｅｒｉｃａｌ ｆｏｒｅｃａｓｔ ［Ｊ］． Ａｃｔａ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｓｉｎｉｃａ， ２００５， ６： ３５１⁃３５８． ［１１］张守峰， 王诗文． 应用卫星云导风进行台风路径预报试 验［Ｊ］． 热带气象学报， １９９９， １５： ３４７⁃３５５． ＺＨＡＮＧ Ｓｈｏｕｆｅｎｇ， ＷＡＮＧ Ｓｈｉｗｅｎ． Ｎｕｍｅｒｉｃａｌ ｅｘｐｅｒｉｍｅｎｔｓ ｏｆ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｙｐｈｏｏｎ ｔｒａｃｋｓ ｂｙ ｕｓｉｎｇ ｓａｔｅｌｌｉｔｅ ｃｌｏｕｄ⁃ ｄｅｒｉｖｅｄ ｗｉｎｄ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｔｒｏｐｉｃａｌ Ｍｅｔｅｏｒｏｌｏｇｙ， １９９９， １５（４）：３４７⁃３５５． ［１２］刘正光， 喻远飞， 吴冰， 等． 利用云导风矢量的台风中 心自动定位［Ｊ］． 气象学报， ２００３， ６１（５）： ６３６⁃６４０． ＬＩＵ Ｚｈｅｎｇｇｕａｎｇ， ＹＵ Ｙｕａｎｆｅｉ， ＷＵ Ｂｉｎｇ， ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ ·６００· 智 能 系 统 学 报 第 ９ 卷
第5期 孟肖丽，等：基于关联分析的气象云图识别问题研究 ·601. location of typhoon center using cloud derived wind vectors wind estimation from geostationary satellite images [C]// [J].Acta Meteorologica Sinica,2003,61(5):636-640. Proceedings of ECMWF Workshop on Data Assimilation [13]周兵，徐海明，吴国雄，等.云迹风资料同化对暴雨预 and the Use of Satellite Data.Reading,UK,1988:273- 报影响的数值模拟[J].气象学报，2002,60(3)：309- 293. 317 [18]杨文凯，白洁，严卫，等。云迹风反演中高密度示踪云 ZHOU Bing,XU Haiming,WU Guoxiong,et al.Numeri- 选取技术的研究[J].气象，2007,33(4)：35-39. cal simulation of CMWDA with it's impacting on torrential YANG Wenkai,BAI Jie,YAN Wei,et al.A study of se- rain forecast[J].Acta Meteor Sinica,2002,60(3):309- lecting high density tracers in deriving winds from geosta- 317. tionary meteorological satellite data J].Meteorological [14]许健民，张其松，王大昌，等.云迹风计算中的两个几 monthly,2007,33(4):35-39. 何问题[J].应用气象学报，1997,8(1)：11-18. 作者简介： XU Jianmin,ZHANG Qisong,WANG Dachang,et al.Two 刘保相，男，1957年生，教授，主要研 geometrical problems in cloud motion wind algorithm[J]. 究方向为有限群论、粗糙集与数据信息处 Quarterly Journal of Applied Meteorology,1997,8(1): 理。主持或主研厅局级以上的科研项目 11-18. 11项，获河北省教育厅科技进步一等奖和 [15]许健民，张其松，方翔.用红外和水汽两个通道的卫星 唐山市科技进步一等奖；获河北省教学成 测值指定云迹风的高度[J].气象学报，1997,55(4)： 果一等奖：美国大学生数学建模竞赛一等 408-417. 奖指导教师、河北省劳动模范、全国师德先进个人、全国“五 XU Jianmin,ZHANG Qisong,FANG Xiang.Height as- 一”劳动奖章获得者：发表学术论文50多篇，编写教材9部. ignment of cloud motion winds with infrared and water 版专著1部。 vapour channels[J].Acta Meteor Sinica,1997,55(4): 孟肖丽，女，1988年生，硕士研究生， 408-417. 主要研究方向为信息处理数学模型及其 [16]CHRISTODOULOU C I,MICHAELIDES S C,Pattichis C 应用。 S.Multifeature texture analysis for the classification of clouds in satellite imagery[J].IEEE Transactions on Geo- science and Remote Sensing,2003,41(11):2662-2668. [17]HAYDEN C M,MERRIL R T.Recent NESDIS research in 第5届EEE灰色系统与智能服务国际会议 The 5th IEEE International Conference on Grey Systems and Intelligent Services 经EEE总部批准，由EEE灰色系统委员会、中国优选法统筹法与经济数学研究会灰色系统专业委员会发 起，南京航空航天大学和英国De Montfort大学承办的第5届EEE灰色系统与智能服务国际会议定于2015年8 月18-20日在英国De Montfort大学召开。会议的主要议题包括灰色系统理论与应用，系统分析、建模与仿真，系 统预测、决策与控制，数据挖掘与计算智能，复杂装备研制管理，社会、经济、生态系统演化与控制，突发事件应急 管理，技术创新与新兴产业成长等。 开始日期：2015-08-18 结束日期：2015-08-20 会议网站：htp:/newsweb.nuaa.edu.cn/nuaa_html/newsweb/gsgg/2014/1008/17317.html
奖指导教师、河北省劳动模范、全国师德先进个人、全国“五 ｌｏｃａｔｉｏｎ ｏｆ ｔｙｐｈｏｏｎ ｃｅｎｔｅｒ ｕｓｉｎｇ ｃｌｏｕｄ ｄｅｒｉｖｅｄ ｗｉｎｄ ｖｅｃｔｏｒｓ ［Ｊ］． Ａｃｔａ Ｍｅｔｅｏｒｏｌｏｇｉｃａ Ｓｉｎｉｃａ， ２００３， ６１（５）： ６３６⁃６４０． ［１３］周兵， 徐海明， 吴国雄， 等． 云迹风资料同化对暴雨预 报影响的数值模拟［ Ｊ］． 气象学报， ２００２， ６０（３）： ３０９⁃ ３１７． ＺＨＯＵ Ｂｉｎｇ， ＸＵ Ｈａｉｍｉｎｇ， ＷＵ Ｇｕｏｘｉｏｎｇ， ｅｔ ａｌ． Ｎｕｍｅｒｉ⁃ ｃａｌ ｓｉｍｕｌａｔｉｏｎ ｏｆ ＣＭＷＤＡ ｗｉｔｈ ｉｔ’ ｓ ｉｍｐａｃｔｉｎｇ ｏｎ ｔｏｒｒｅｎｔｉａｌ ｒａｉｎ ｆｏｒｅｃａｓｔ［Ｊ］． Ａｃｔａ Ｍｅｔｅｏｒ Ｓｉｎｉｃａ， ２００２， ６０（３）： ３０９⁃ ３１７． ［１４］许健民， 张其松， 王大昌， 等． 云迹风计算中的两个几 何问题［Ｊ］． 应用气象学报， １９９７， ８（１）： １１⁃１８． ＸＵ Ｊｉａｎｍｉｎ， ＺＨＡＮＧ Ｑｉｓｏｎｇ， ＷＡＮＧ Ｄａｃｈａｎｇ， ｅｔ ａｌ． Ｔｗｏ ｇｅｏｍｅｔｒｉｃａｌ ｐｒｏｂｌｅｍｓ ｉｎ ｃｌｏｕｄ ｍｏｔｉｏｎ ｗｉｎｄ ａｌｇｏｒｉｔｈｍ［ Ｊ］． Ｑｕａｒｔｅｒｌｙ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｍｅｔｅｏｒｏｌｏｇｙ， １９９７， ８ （ １）： １１⁃１８． ［１５］许健民， 张其松， 方翔． 用红外和水汽两个通道的卫星 测值指定云迹风的高度［ Ｊ］． 气象学报， １９９７， ５５（４）： ４０８⁃４１７． ｖａｐｏｕｒ ｃｈａｎｎｅｌｓ［Ｊ］． Ａｃｔａ Ｍｅｔｅｏｒ Ｓｉｎｉｃａ， １９９７， ５５（ ４）： ４０８⁃４１７． ［１６］ＣＨＲＩＳＴＯＤＯＵＬＯＵ Ｃ Ｉ， ＭＩＣＨＡＥＬＩＤＥＳ Ｓ Ｃ， Ｐａｔｔｉｃｈｉｓ Ｃ Ｓ． Ｍｕｌｔｉｆｅａｔｕｒｅ ｔｅｘｔｕｒｅ ａｎａｌｙｓｉｓ ｆｏｒ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｃｌｏｕｄｓ ｉｎ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｒｙ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏ⁃ ｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００３， ４１（１１）： ２６６２⁃２６６８． ［１７］ＨＡＹＤＥＮ Ｃ Ｍ， ＭＥＲＲＩＬ Ｒ Ｔ． Ｒｅｃｅｎｔ ＮＥＳＤＩＳ ｒｅｓｅａｒｃｈ ｉｎ ｗｉｎｄ ｅｓｔｉｍａｔｉｏｎ ｆｒｏｍ ｇｅｏｓｔａｔｉｏｎａｒｙ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＥＣＭＷＦ Ｗｏｒｋｓｈｏｐ ｏｎ Ｄａｔａ Ａｓｓｉｍｉｌａｔｉｏｎ ａｎｄ ｔｈｅ Ｕｓｅ ｏｆ Ｓａｔｅｌｌｉｔｅ Ｄａｔａ． Ｒｅａｄｉｎｇ， ＵＫ， １９８８： ２７３⁃ ２９３． ［１８］杨文凯， 白洁， 严卫， 等． 云迹风反演中高密度示踪云 选取技术的研究［Ｊ］． 气象， ２００７， ３３（４）： ３５⁃３９． ＹＡＮＧ Ｗｅｎｋａｉ， ＢＡＩ Ｊｉｅ， ＹＡＮ Ｗｅｉ， ｅｔ ａｌ． Ａ ｓｔｕｄｙ ｏｆ ｓｅ⁃ ｌｅｃｔｉｎｇ ｈｉｇｈ ｄｅｎｓｉｔｙ ｔｒａｃｅｒｓ ｉｎ ｄｅｒｉｖｉｎｇ ｗｉｎｄｓ ｆｒｏｍ ｇｅｏｓｔａ⁃ ｔｉｏｎａｒｙ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｓａｔｅｌｌｉｔｅ ｄａｔａ ［ Ｊ ］． Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｍｏｎｔｈｌｙ， ２００７， ３３（４）： ３５⁃３９． 作者简介： 刘保相，男，１９５７ 年生，教授，主要研 究方向为有限群论、粗糙集与数据信息处 理。 主持或主研厅局级以上的科研项目 １１ 项，获河北省教育厅科技进步一等奖和 唐山市科技进步一等奖；获河北省教学成 果一等奖；美国大学生数学建模竞赛一等 ｓｉｇｎｍｅｎｔ ｏｆ ｃｌｏｕｄ ｍｏｔｉｏｎ ｗｉｎｄｓ ｗｉｔｈ ｉｎｆｒａｒｅｄ ａｎｄ ｗａｔｅｒ 版专著 １ 部 ＸＵ Ｊｉａｎｍｉｎ， ＺＨＡＮＧ Ｑｉｓｏｎｇ， ＦＡＮＧ Ｘｉａｎｇ． Ｈｅｉｇｈｔ ａｓ⁃ 一”劳动奖章获得者；发表学术论文 ５０ 多篇，编写教材 ９ 部， 出 。 孟肖丽，女，１９８８ 年生，硕士研究生， 主要研究方向为信息处理数学模型及其 应用。 第 ５ 届 ＩＥＥＥ 灰色系统与智能服务国际会议 Ｔｈｅ ５ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｇｒｅｙ Ｓｙｓｔｅｍｓ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｅｒｖｉｃｅｓ 经 ＩＥＥＥ 总部批准，由 ＩＥＥＥ 灰色系统委员会、中国优选法统筹法与经济数学研究会灰色系统专业委员会发 起，南京航空航天大学和英国 Ｄｅ Ｍｏｎｔｆｏｒｔ 大学承办的第 ５ 届 ＩＥＥＥ 灰色系统与智能服务国际会议定于 ２０１５ 年 ８ 月 １８－２０ 日在英国 Ｄｅ Ｍｏｎｔｆｏｒｔ 大学召开。 会议的主要议题包括灰色系统理论与应用，系统分析、建模与仿真，系 统预测、决策与控制，数据挖掘与计算智能，复杂装备研制管理，社会、经济、生态系统演化与控制，突发事件应急 管理，技术创新与新兴产业成长等。 开始日期：２０１５⁃０８⁃１８ 结束日期：２０１５⁃０８⁃２０ 会议网站：ｈｔｔｐ： ／ ／ ｎｅｗｓｗｅｂ．ｎｕａａ．ｅｄｕ．ｃｎ ／ ｎｕａａ＿ｈｔｍｌ ／ ｎｅｗｓｗｅｂ ／ ｇｓｇｇ ／ ２０１４ ／ １００８ ／ １７３１７．ｈｔｍｌ 第 ５ 期 孟肖丽，等：基于关联分析的气象云图识别问题研究 ·６０１·
