Fast Doppler Radar Image Generation System based on Tornado Recognition using Deep Learning
- Alternative Title
- 딥러닝을 이용한 토네이도 인식 기반 고속 도플러 레이더 영상 생성 시스템
- Abstract
- 토네이도는 가장 강력하고 파괴적인 대기 현상이다. 일반적으로 구름에서 공기의 기둥이 형성되어 회전하는 것을 제시한다. 토네이도는 매년 수백만 달러의 피해와 수백명의 사상자를 발생시킨다. 최근 몇년동안, 인류는 관측 데이터 처리 및 정보 분석을 포함한 조밀 도플러 레이더에 기반한 심각한 기상 경고와 단시간 기상 예보를 구축하려고 한다. 주요 목표는 토네이도 탐지 및 예측이다. 하지만 빠른 기상 예보의 한가지 문제점은 대규모 데이터 처리에 의해 제한된다는 것이다. 분석에서는 레이더 데이터 생성에서 많은 시간을 요구하는 데이터 보간을 보여준다. 또 다른 하나는 대한 전형적인 토네이도를 검출하는 기능이 불충분하다는 점이다. 검출 처리에서 CNNs(Convolutional Neural Networks) 사용과 MRF분할 기반 계층적 등고선을 이용하여 레이더 이미지를 생성하는 방법을 제안한다.
기존의 방법과 달리, 데이터가 없는 부분을 계산하기 위해 다양한 보간 방법을 사용하지만, 레이더 이미지의 반사율 규모의 각 층에서 윤곽을 검색하는 방법에 초점을 두지 않았다. 등고선검색 방법은 기존의 방법에서 질량 반복 보간 처리를 회피함으로써, 처리 시간을 향상시킬 수 있다. 본 논문에서는, 범용 포맷(UF) 원시 레이더 파일이 검색된다. 다른 방법에 비해, 제안하는 방법은 신뢰할 수 있는 품질을 보다 신속하게 레이더 이미지를 생성할 수 있다. 그러면 인류는 기상 재해 경고에 대한 더 많은 리드 타임을 얻을 수 있다.
토네이도 인식 처리에 있어, 하나 또는 여러 기능을 사용하는 기존의 방법과 비교하여, 레이더 이미지의 정보와 기능을 처리하는 CNNs 방법을 사용한다. CNNs는 더 나은 강인성과 정확성을 가지고 있다. 우리의 모델을 학습하기위해 레이더의 기본 속도 이미지를 사용한다. 모델은 CaffeNet을 기반으로 한다. 모델은 미세 조정을 통해 레이더 이미지을 매칭시킬 수 있다. 그리고 최종적으로 더 빠르고 더 나은 인식률을 제공한다.
- Issued Date
- 2016
- Awarded Date
- 2016. 8
- Type
- Dissertation
- Publisher
- 부경대학교 대학원
- Alternative Author(s)
- LiuYang
- Affiliation
- 부경대학교 대학원
- Department
- 대학원 IT융합응용공학과
- Advisor
- 권기룡
- Table Of Contents
- Ⅰ.Introduction 13
1.1 Development of short-range dense Doppler radar network 13
1.2 Low atmospheric layer detection with CASA network 17
1.3 The analysis of features in machine learning 20
1.4 Outline of thesis 22
Ⅱ.Related works 23
2.1 Reflectivity express in Doppler radar 23
2.2 Coordinate mapping research in radar image retrieval model 26
2.3 The features of tornadoes in radar image for recognition 29
2.4 Neural networks and back propagation in CNNs 31
Ⅲ. Hierarchical contour-line PPI generation based on MRF 34
3.1 UF data Structure 36
3.2 Raw image preprocess and contour line abstraction 37
3.2.1 Image denoise analysis 37
3.2.2 Build random field in PPI image 38
3.3 The framework of MRF segmentation 40
3.3.1 Definition of MRF in an individual radar layer 40
3.3.2 MRF and Gibbs equivalence 42
3.3.3 Framework of MRF-MAP 42
3.3.4 Metropolis algorithm 44
3.4 Layers completion 45
3.5 Testing environment and raw image generation 46
3.5.1 Testing object and bed 46
3.5.2 Raw radar image generation 47
3.6 PPI image generation experiment 49
3.6.1 PPI image generation with proposed method 49
3.6.2 PPI image generation with conventional method 53
3.6.3 Quality evaluation and computing time 54
Ⅳ Tornadoes features and regression model analysis based on CNNs 58
4.1 Basic regression model 58
4.2 The algorithms related with CNNs regression model 61
4.2.1 Convolutional layer 61
4.2.2 Pooling layer 62
4.2.3 Loss layer – softmax 62
4.3 Feed forward pass 63
4.4 Back propagation pass 64
4.5 Convolutional neural networks 65
4.6 Learning combination of feature maps 68
4.7 Enforcing sparse combination 69
4.8 Data sets and testing bed 70
4.9 CNNs recognition experiment 72
4.9.1 Testing model 72
4.9.2 Training and Testing 74
4.9.3 Reference methods and features 77
Ⅴ. Conclusion 80
Appendix A. UFSXZ UF library user guide 81
Appendix B. Modified caffeNet structure 86
References 92
Acknowledgement 100
- Degree
- Doctor
- Files in This Item:
-
-
Download
Fast Doppler Radar Image Generation System based on Tornado Recognition using Deep Learning.pdf
기타 데이터 / 2.9 MB / Adobe PDF
-
Items in Repository are protected by copyright, with all rights reserved, unless otherwise indicated.