一种辨别和追踪云系统运动的探索框架 (An Exploration Framework to Identify and Track Movement of Cloud Systems)

我们都知道,云在热带环流中扮演了很重要的角色,它跟天气的变化有着很大的关系,可以用来预测不稳定的天气。一个云系统中包含了许多各种各样的云,其运动经常会具有很大的时间和空间尺度,因此如何对这些云系统进行识别和追踪就成了云系统研究中一个很重要的问题。利用计算机视觉和计算拓扑学方面的技术,2013年的一篇SciVis文章[1]提出了一种探索云系统运动的可视化框架,使用拆分树(split tree)、持久性图(persistence diagram)和光学流(optical flow)等来对云的辨别和运动的追踪进行探索。

a framework1

图1 标量方程、拆分树和持久性图

 

首先介绍这三种技术的一些背景知识。

  • 拆分树是以标量方程为基础的。标量方程f是将空间域中的点映射成真值集合的方程,如图1和2(a)所示。一个标量方程的某个真值a的逆象f-1(a)称为level set,表示了方程值等于a的所有空间点。根据空间点的方程值是否大于等于a和小于等于a,可以类似定义出super-level set和sub-level set。拆分树可以追踪sub-level sets连通性的变化,其包含了两种关键顶点,一个是minimum,表示创建了一个新的sub-level set组件,另一个是split saddle,表示两个sub-level sets组件合并成一个。
  • 持久性图是建立在关键点上的,其将一系列的点展示在一个2D平面上,点的x和y坐标分别表示了对应云的开始和消亡的时间。至于光学流,它可以展现图像中亮度模式的明显变化。
  • 光学流可以被计算成一个速度场,其中的速度表示了图像中每个像素的移动,如图2(d)。为了对云进行识别和追踪,这些技术在文章中都得到了应用。
a framework2

图2 使用IR亮温数据的对云进行识别和追踪

 

给定输入数据,系统首先需要做的是探索不同的阈值来识别云集。原来的试错法在没有先验知识的情况下是非常麻烦的,因此不予采用。持久性图可以缩小搜索空间,在某些情况下是可以拿来用的,例如图1中根据持久性图判断阈值范围为[200k, 210k],但是这个过程的计算还是比较复杂。因此文章使用了拆分树来捕捉阈值范围,这是由于在两个连续的关键点对应的函数值之间云的结构不会有拓扑上的变化,据此可以获取一定的范围,从而识别相应的云集。另外,为了找出云运动的模式,该框架也支持基于单个云和云系统的查询,以便了解运动的方向、速度、时间行为等特征。

a framework3

图3 云运动的可视化过程

对云运动的可视化有三种方式。一种是云之间的交互,该交互可以通过云运动图(Cloud Motion Graph,将某一时间步的云映射到下一时间步的云)的连通分支进行捕捉。如图3(a)所示,不同的云集使用不同的颜色来表示。第二种可视化方式是云内局部的运动。这里面使用了计算好的速度场的streak line来表示该运动,如图3(b)所示,红色轨迹表示过去的时间步,黄色表示未来的时间步。另外一种可视化是长期的云运动,该过程可以根据云运动图的一系列结点来追踪,在图3(c)中,可以很容易地看到云的大小随时间的变化。在该图中,运动的方向使用了箭头来表示。

需要指出的是,这篇文章中使用的查询是基于命令行界面的,必然会对用户的操作产生不方便的影响。另外,云运动图并没有给出具体的形式,所以看起来比较抽象。不过,这篇文章针对不同的天气数据,结合了计算机视觉和计算拓扑学方面的知识,能够很好地识别云系统并追踪云集的运动变化,并对其进行分析,也能够找到一些不容易发现的特征。尽管我们没有做过类似的工作,但是还是欢迎有兴趣的同学和我们一起讨论。

[1] Harish Doraiswamy, Vijay Natarajan, and Ravi S. Nanjundiah. An Exploration Framework to Identify and Track Movement of Cloud Systems. IEEE Transactions on Visualization and Computer Graphics, 19(12): 2896-2905, 2013.

评论关闭。