国内外卫星遥感监测台风的结果分析与对比研究

基于多源卫星资料特别是微波定量化产品开展综合分析,是卫星遥感台风监测技术未来发展的必然趋势。更客观的综合定强技术有助于在总体上提高台风强度的预报水平。以2013年第23号强台风“菲特”为例,采用台风最佳路径结果对国内外常见的几家热带气旋预报机构(中央气象台、上海气象局、日本气象厅、美国关岛、美国国家海洋和大气局(National Oceanic and Atmospheric Administration, NOAA) 、美国国家环境卫星数据和信息服务中心(National Environmental Satellite Data and Information Service, NESDIS)和美国热带气旋中心(Cooperative Institute for Meteorological Satellite Studies, CIMSS))的定位、定强结果及导致结果差异的可能原因进行了详细的对比分析。结果表明,各家机构的路径监测结果较一致,白天的结果比夜间更可靠。中央气象台、上海气象局、美国关岛和美国NOAA区域中尺度气象局(Regional and Mesoscale Meteorology Branch, RAMMB)四家机构的风速预报结果最接近。中央气象台的预报误差最小,精度最高; 其次是上海气象局、美国关岛和RAMMB; 美国CIMSS发布的结果最不稳定,日本气象厅发布的结果的误差整体偏低。分析结果对台风一线的业务值班人员具有较好的借鉴意义。     

企业数字文档系统的规划与建设

随着企业的进一步发展,文档、档案的数字化需求越来越迫切。文章通过对本公司现状的分析,对数字文档系统提出了一个详细的规划建设方案,特别是针对系统安全方面采用的技术做了一个详细的阐述。     

基于SOM聚类的台风云型模式发现

Dvorak等人提出的基于卫星云图的云型和云系特征的热带气旋强度估计方法已被世界气象组织推荐给全球使用.本文尝试从历史数据中自动发现典型的云型模式,实现Dvorak模板图像的自动选取、匹配和识别.采用SOM对12000多幅红外云图进行聚类,采用提出的局部统计信息等特征,分析了某些距离作为相似性度量存在而只能发现球形簇的缺点;对不同的特征和相似性度量进行了对比试验,并分析了SOM拓扑误差和量化误差.从实验结果可以看出,局部熵特征有着最小的量化误差,但聚类准确度较低.原始图像作为输入特征时,有着较高的聚类准确度及拓扑保持度.局部统计信息特征比局部熵特征量化误差大,但有着更高的聚类准确度.这些结论为采用无监督聚类方法来发现云型模式并找到最佳的特征和较好的相似性度量以取得更好的结果提供了重要的参考,也有助于避免目前云图自动化分析研究中对特征和度量选取的随意性.     

热带气旋客观定位的红外亮温方差方法

目的 热带气旋（TC）是生成于热带或副热带洋面上的强烈天气系统。在TC的监测分析和预报工作中,准确地确定其中心实时地理位置至关重要。此外,TC的精确位置也是TC强度估计的重要参数。对此,提出一种利用偏差角方差定位TC中心的方法。方法 首先,从红外卫星云图中截取热带气旋主体云系区域,并分别利用Bezier直方图和K均值聚类方法分割得到主体云系二值图像和红外亮温变化剧烈位置二值图像。其中,主体云系二值图像可将TC的主体云系从卫星红外云图中分割提取出来,用割提取出来的图像进行定位可以剔除掉外散环流的小云块对定位结果的影响;而红外亮温变化剧烈位置二值图像则可分别将TC中心密闭云区,螺旋云带和外散环流的边缘及梯度较大区域分割出来,这些区域是最后TC中心定位的主要依据。将上述两幅二值图像相与得到气旋主体云系红外亮温变化剧烈位置的二值图像,这一步剔除了TC的外散环流,而得到的二值图像便可分别将TC中心密闭云区和螺旋云带的边缘及梯度较大的区域分割出来。然后,对得到的气旋主体云系红外亮温变化剧烈位置二值图像进行Hough变换检测以减小气旋中心的搜索范围。最后,以检测区域内每个像素点为参考中心计算得到偏差角矩阵,并计算偏差角矩阵的方差填入对应检测区域内作为参考中心像素点的位置得到方差矩阵,将方差矩阵中值最小的位置作为气旋中心。因为TC除了少数特别强的时候大多数可以用圆形描述,而绝大多数时候TC要用螺旋线描述,但是具体是几度螺旋线来描述合适很难确定,本文用偏差角的方差就可以衡量这些云带、边缘的偏离状况是否集中,方差越小就表示偏离状况越集中。结果 运用该方法对400幅无眼TC红外图像和197幅有眼TC红外图像进行中心定位,分别与中国气象局（CMA）、日本气象厅（JMA）和美国台风预警中心（JTWC）的主观定位结果进行比较并取平均偏差,本文方法对有眼TC定位平均偏差约为27 km,无眼TC平均偏差约为45 km。具体到分别与CMA、JMA和JTWC的比较,对于有眼TC定位偏差分别为26.82 km,26.05 km和27.84 km,无眼TC定位偏差为45.84 km,44.84 km和47.15 km。结论 就结果而言,本文方法定位与CMA、JMA的偏差比较接近,与JTWC的偏差较大。就西北太平洋的TC而言,CMA和JMA的定位精度较高,JTWC精度稍低,这是与认知相符合,并且也证明了本文方法具有较高的可信度。此外,本文方法为TC定位提供了新的参考依据。     

基于深度学习的安全帽识别在海上油田智能化中应用

图像识别技术主要利用计算机对人工识别方式进行替代，已逐渐广泛运用于物理信息识别领域，包括信息获取、信息处理、图像分类、分类设计等。计算机技术的快速发展也推动了图像识别技术在石油工业领域的应用。为此介绍了图像识别算法模型在海上平台智能安全监控中的应用，并对智能安全识别的实践成果进行评估。通过人工智能自动识别不安全行为，能有效提高识别的及时性和准确性，提高工作效率，实现井口平台无人驻守远程操作。