本發(fā)明涉及衛(wèi)星云跡風(fēng)反演領(lǐng)域，具體涉及一種基于模糊聚類預(yù)處理云系的并行云跡風(fēng)反演方法。

背景技術(shù)：
在天氣和災(zāi)害預(yù)報(bào)的研究中，需要大量的風(fēng)場資料，全球大氣風(fēng)場的觀測起到了非常積極的作用。近年來，隨著陸地風(fēng)場觀測站網(wǎng)的不斷完善，研究人員獲得陸地風(fēng)場資料變的越來越容易。然而，相對于陸地風(fēng)場資料來說，海洋、高原、沙漠等地區(qū)的觀測網(wǎng)就顯得非常不足，獲取這些地區(qū)的風(fēng)場資料較困難。通過衛(wèi)星云圖資料反演大氣風(fēng)場，無疑對獲取全球大氣風(fēng)場資料起到了非常有益的補(bǔ)充作用。同時(shí)，一些陸地或水體(稱為地表)由于上空無云或少云而直接“裸露”在衛(wèi)星云圖中。研究人員主要是對云圖中的云進(jìn)行研究，例如云分類、云識別、云導(dǎo)風(fēng)等，因此實(shí)現(xiàn)云區(qū)域和地表區(qū)域的圖像分割是必不可少的。針對衛(wèi)星云圖圖像分割的研究工作早已展開，目前使用的方法普遍具有以下缺陷：(1)過度依賴于歷年的云圖圖像資料，需要花費(fèi)人力物力收集和保存；(2)使用基于閾值的圖像分割來實(shí)現(xiàn)，屬于硬性分割，準(zhǔn)確率難以保證；(3)云圖是一個(gè)十分復(fù)雜的圖像，不僅包含云和地表，還在云和地表之間存在一些處于“過渡階段”的云(例如生長和消散的云)；所以，在傳統(tǒng)方法中，容易將其強(qiáng)制劃分到某一類中，但這是不合理的，對云圖圖像合理分割也是研究的方向之一。一般來說，衛(wèi)星云圖時(shí)間間隔越短、用于反演的示蹤云越多、風(fēng)矢的計(jì)算密度越高，云導(dǎo)風(fēng)反演出的風(fēng)場資料質(zhì)量也會越高，但這都對云導(dǎo)風(fēng)反演算法的效率提出了挑戰(zhàn)。雖然有學(xué)者提出了云導(dǎo)風(fēng)反演算法的簡易算法，但也難以滿足日趨要求實(shí)時(shí)性的風(fēng)場計(jì)算的效率要求。因此，除研究較低計(jì)算代價(jià)的反演算法，充分利用現(xiàn)代計(jì)算機(jī)的體系結(jié)構(gòu)，研究并行云導(dǎo)風(fēng)反演算法，也是提升反演算法實(shí)際運(yùn)行效率的有效途徑之一。GPU(GraphicProcessingUnit)，圖形處理器是顯卡的“心臟”，相當(dāng)于CPU在微機(jī)上的作用。GPU具有很高的傳輸帶寬和眾多的計(jì)算單元，計(jì)算能力非常強(qiáng)大。隨著GPU的不斷更新升級，GPU的計(jì)算能力越來出眾，這為云跡風(fēng)的反演提供了一種并行加速思路；GPU在高性能運(yùn)算方面擁有三個(gè)非常顯著的優(yōu)勢：第一，數(shù)據(jù)的并行處理能力強(qiáng)大，NVIDIA公司目前最新的GPU峰值浮點(diǎn)運(yùn)算能力超過3TFLOPS，這幾乎和一個(gè)小型CPU集群相當(dāng)；第二，GPU擁有很高的數(shù)據(jù)吞吐能力，K20的帶塊超過200GB/s；第三，GPU具有友好的編程接口，NVIDIA公司開發(fā)的CUDA框架支持多種高級編程語言，如C、C++和Fortran語言。綜上，雖然在現(xiàn)有技術(shù)中，有文章闡述基于多核CPU的衛(wèi)星云導(dǎo)風(fēng)并行反演算法，但由于CPU擅長處理具有復(fù)雜邏輯計(jì)算步驟的任務(wù)，如數(shù)據(jù)壓縮、人工智能、物理仿真等，而GPU擅長處理計(jì)算密集型且邏輯較簡單的重復(fù)性任務(wù)，如圖像領(lǐng)域相關(guān)處理操作，兩者在物理結(jié)構(gòu)和數(shù)據(jù)處理上存在很大的不同，在GPU上應(yīng)用衛(wèi)星云跡風(fēng)反演方法是需要克服很多困難和技術(shù)障礙，GPU雖然擁有成百上千個(gè)計(jì)算單元，但每個(gè)計(jì)算單元的計(jì)算能力薄弱，難以執(zhí)行復(fù)雜的分支預(yù)測。GPU對顯存的存取模式與CPU顯著不同，缺少完善的共享存儲邏輯，各級Cache容量較小，這給傳統(tǒng)CPU上的復(fù)雜算法向GPU并行算法移植帶來了理論和技術(shù)實(shí)現(xiàn)上的困難。如何利用GPU強(qiáng)大的計(jì)算能力，對高密度、高實(shí)時(shí)性的衛(wèi)星云跡風(fēng)反演進(jìn)行并行處理是一個(gè)挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明設(shè)計(jì)開發(fā)了一種基于模糊聚類預(yù)處理云系的并行云跡風(fēng)反演方法，本發(fā)明的目的之一是解決串行云跡風(fēng)反演方法中由于迭代次數(shù)較多導(dǎo)致的云跡風(fēng)反演時(shí)間長、實(shí)時(shí)性差的問題，通過并行反演方法將單次迭代并行化，減少迭代次數(shù)，進(jìn)而顯著提高云跡風(fēng)反演的實(shí)時(shí)性。本發(fā)明的發(fā)明目的之二是解決了在規(guī)定的搜索區(qū)域內(nèi)對目標(biāo)云塊搜索時(shí)間過長導(dǎo)致的云跡風(fēng)反演實(shí)時(shí)性差的問題，通過優(yōu)化示蹤云塊的追蹤方法，大幅度簡化對搜索區(qū)域目標(biāo)云塊的搜索時(shí)間，進(jìn)而顯著提高云跡風(fēng)反演的實(shí)時(shí)性。本發(fā)明的目的之三是解決了現(xiàn)有技術(shù)中對需要進(jìn)行反演的云圖圖像預(yù)處理僅僅是采用圖像硬分割方法，進(jìn)而存在的對圖像預(yù)處理過程中難以取得一個(gè)合適的閾值，而且受環(huán)境因素影響，準(zhǔn)確率難以保證的問題。本發(fā)明提供的技術(shù)方案為：一種基于模糊聚類預(yù)處理云系的并行云跡風(fēng)反演方法，包括：將云圖圖像分為多塊追蹤區(qū)塊，并且將追蹤區(qū)塊分配到指定的多個(gè)GPU并行計(jì)算陣列，在每個(gè)獨(dú)立的計(jì)算陣列通過最大相關(guān)系數(shù)法對所述追蹤區(qū)塊中的目標(biāo)云塊進(jìn)行匹配后進(jìn)行反演計(jì)算，得到所述追蹤區(qū)塊風(fēng)矢的風(fēng)速及風(fēng)向；在通過所述最大相關(guān)系數(shù)法對目標(biāo)云塊的匹配過程包括：在所述追蹤區(qū)塊中選中示蹤云塊，在包含所述示蹤云塊的搜索區(qū)域內(nèi)，計(jì)算出搜索步長大于1的全部與所述示蹤云塊像素等同區(qū)塊的相關(guān)系數(shù)，在這些相關(guān)系數(shù)中確定最大相關(guān)系數(shù)，即為與所述示蹤云塊相似度最高的區(qū)塊，以該區(qū)塊為中心增加像素點(diǎn)的區(qū)域內(nèi)，將步長逐步減半再次搜索出相似度最高的區(qū)塊，直到搜索出步長為1搜索到的最大相關(guān)系數(shù)的區(qū)塊，即為目標(biāo)云塊；以及其中，通過模糊聚類方法對原始的云圖圖像進(jìn)行云地分離后確定進(jìn)行云跡風(fēng)反演的云圖圖像，其包括：采集云圖圖像中紅外通道的灰度特征數(shù)據(jù)，對所述灰度特征數(shù)據(jù)進(jìn)行處理，獲得樣本灰度特征數(shù)據(jù)，將所述樣本灰度特征數(shù)據(jù)進(jìn)行分類，并使每一類樣本灰度特征數(shù)據(jù)分別對應(yīng)一種云圖類型，進(jìn)而確定所述云圖圖像。優(yōu)選的是，還包括，選取相鄰等時(shí)間間隔的三幅云圖，分別得出每幅云圖風(fēng)矢的風(fēng)速及風(fēng)向，將所述風(fēng)矢的風(fēng)速、風(fēng)向以及根據(jù)時(shí)序?qū)⑺鲈茍D中相鄰云圖的風(fēng)矢速度差、方向差與閾值進(jìn)行比較，執(zhí)行以下原則：若風(fēng)矢速度小于指定的最低速度閾值，則剔除此風(fēng)矢；或若兩風(fēng)矢速度之差大于指定的最大速度差閾值，則剔除此風(fēng)矢；或若兩風(fēng)矢方向之差大于指定的最大方向差閾值，則剔除此風(fēng)矢；或若兩風(fēng)矢的周圍區(qū)域內(nèi)沒有與之方向差小于指定的最大方向差閾值的風(fēng)矢，則剔除此風(fēng)矢。優(yōu)選的是，對所述云圖圖像數(shù)據(jù)進(jìn)行多通道數(shù)據(jù)提取，保留紅外通道數(shù)據(jù)。優(yōu)選的是，還包括：對所述云圖圖像進(jìn)行預(yù)處理，其包括對圖像進(jìn)行等經(jīng)緯度投影變換和將原始圓盤圖變換為矩形圖。優(yōu)選的是，對所述云圖圖像進(jìn)行預(yù)處理還包括對所述圖像進(jìn)行灰度增強(qiáng)。優(yōu)選的是，對所述灰度特征數(shù)據(jù)進(jìn)行處理包括：將云圖圖像中紅外通道的灰度特征數(shù)據(jù)輸入得到像素灰度值矩陣，通過計(jì)算在矩陣中主對角線像素灰度均值，通過計(jì)算在矩陣中輔對角線像素灰度均值，進(jìn)而通過M＝(M1+M2)/2求出像素灰度均值，即樣本灰度特征數(shù)據(jù)。優(yōu)選的是，在所述紅外通道內(nèi)選取第一長波紅外、第二長波紅外以及短波紅外的樣本灰度特征數(shù)據(jù)，將所述樣本灰度特征數(shù)據(jù)建立5個(gè)灰度特征數(shù)據(jù)統(tǒng)計(jì)量，對原始云圖進(jìn)行圖像分割得到所述云圖圖像。優(yōu)選的是，根據(jù)每幅云圖像素的寬高以及風(fēng)矢密度計(jì)算確定所述追蹤區(qū)塊個(gè)數(shù)，其為(Width/ρ)×(Height/ρ)，式中，Width為所述每幅云圖像素的寬度，Height為所述每幅云圖像素的高度，ρ為風(fēng)矢密度。優(yōu)選的是，在通過所述最大相關(guān)系數(shù)法對目標(biāo)云塊的匹配過程包括：在所述最大相關(guān)系數(shù)法中，在所述追蹤區(qū)塊中選中示蹤云塊A，其為N×N像素圖像塊，在包含所述示蹤云塊A的M×M像素圖像塊搜索區(qū)域內(nèi)，計(jì)算搜索步長為m的全部與所述示蹤云塊A像素等同區(qū)塊的相關(guān)系數(shù)，在這些相關(guān)系數(shù)中確定最大相關(guān)系數(shù)，即為與所述示蹤云塊A相似度最高N×N像素圖像區(qū)塊A1，在所述區(qū)塊A1增加個(gè)像素點(diǎn)，然后將步長減為個(gè)像素點(diǎn)，在以區(qū)塊A1為中心的邊長的區(qū)域中計(jì)算各N×N像素圖像區(qū)塊的相關(guān)系數(shù)，在這些相關(guān)系數(shù)中確定最大相關(guān)系數(shù)進(jìn)而確定下一個(gè)與所述示蹤云塊A相似度最高N×N像素圖像區(qū)塊A2，將步長逐步減半直到搜索出步長為1搜索到的最大相關(guān)系數(shù)的區(qū)塊，即為目標(biāo)云塊，通過所述示蹤云塊以及所述目標(biāo)云塊的位置信息計(jì)算得到風(fēng)矢的風(fēng)速及風(fēng)向。本發(fā)明與現(xiàn)有技術(shù)相比較所具有的有益效果：1、將衛(wèi)星云跡風(fēng)反演算法中的串聯(lián)算法改為并聯(lián)算法，大大的降低了迭代次數(shù)，通過這種單次迭代并行化的計(jì)算方法，從而使整張?jiān)茍D中的風(fēng)矢可以在GPU中并發(fā)執(zhí)行，進(jìn)行大規(guī)模數(shù)量的風(fēng)矢運(yùn)算，在不影響反演出的云導(dǎo)風(fēng)產(chǎn)品的精度及性能的情況下，大大節(jié)省了反演和風(fēng)矢校驗(yàn)所需的時(shí)間，進(jìn)而大幅度的提高了風(fēng)矢計(jì)算效率，顯著提高了云跡風(fēng)反演的實(shí)時(shí)性；2、在本發(fā)明中，采用變步長迭代計(jì)算的方式，大幅度降低在搜索區(qū)域?qū)δ繕?biāo)云塊的搜索時(shí)間，進(jìn)而大幅度提高追蹤區(qū)塊的風(fēng)矢計(jì)算效率，顯著提高云跡風(fēng)反演的實(shí)時(shí)性。3、在本發(fā)明中，通過模糊聚類方法運(yùn)用于云圖圖像分割預(yù)處理能夠取得更好的云地分離效果，該方法能夠有效進(jìn)行云圖不確定性分割和提升分割準(zhǔn)確率，在云地分離后的圖像上進(jìn)行云跡風(fēng)反演，使得反演效果更加準(zhǔn)確，同時(shí)在進(jìn)行模糊聚類預(yù)處理之前，對灰度特征數(shù)據(jù)通過快速中值濾波方法或者對角線濾波方法進(jìn)行預(yù)處理去除了椒鹽噪聲，調(diào)高了圖像質(zhì)量，使目標(biāo)清晰，排除了對云跡風(fēng)的計(jì)算和識別工作中產(chǎn)生的噪聲干擾，進(jìn)一步的提高了反演效果。附圖說明圖1為CPU和GPU在基于GPU平臺的衛(wèi)星云跡風(fēng)反演方法中的任務(wù)劃分示意圖。圖2為云圖圖像的FCM結(jié)果圖。圖3為基于FCM的云圖圖像分割流程圖。圖4為云跡風(fēng)反演算法并行后的基本流程圖。圖5為流處理器數(shù)量對效率的影響圖。圖6為基于GPU云導(dǎo)風(fēng)串行和并行反演算法精度對比1的示意圖。圖7為基于GPU云導(dǎo)風(fēng)串行和并行反演算法精度對比2的示意圖。圖8為基于GPU并行云導(dǎo)風(fēng)算法反演出的云導(dǎo)風(fēng)產(chǎn)品圖。圖9為執(zhí)行時(shí)長隨線程塊增加的趨勢圖。圖10為加速比隨線程塊增加的趨勢圖。圖11為示蹤云塊追蹤示意圖。圖12為風(fēng)矢速度推導(dǎo)示意圖。圖13為風(fēng)矢方向推導(dǎo)示意圖。圖14為步長為8的迭代搜索示意圖。圖15為步長為4的迭代搜索示意圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明做進(jìn)一步的詳細(xì)說明，以令本領(lǐng)域技術(shù)人員參照說明書文字能夠據(jù)以實(shí)施。如圖1～圖4所示，本發(fā)明提供了一種基于模糊聚類預(yù)處理云系的并行云跡風(fēng)反演方法，包括如下步驟：步驟一、使用相鄰等時(shí)間間隔的三幅紅外通道云圖，設(shè)定反演參數(shù)，包括衛(wèi)星遙感數(shù)據(jù)在磁盤上的讀取路徑、云跡風(fēng)反演的密度、云跡風(fēng)反演算法相關(guān)參數(shù)、GPU并行參數(shù)、云跡風(fēng)校驗(yàn)力度參數(shù)、云跡風(fēng)反演產(chǎn)品在磁盤上的保存路徑等；步驟二、使用無損解壓縮算法對從氣象衛(wèi)星荷載下發(fā)的地球遙感數(shù)據(jù)進(jìn)行解壓縮；步驟三、對衛(wèi)星紅外圖像數(shù)據(jù)提取，即對衛(wèi)星遙感數(shù)據(jù)解壓縮流程產(chǎn)生的衛(wèi)星多通道數(shù)據(jù)進(jìn)行數(shù)據(jù)提取，保留紅外通道數(shù)據(jù)，舍棄其他通道數(shù)據(jù)，并且開辟該云圖寬高的存儲空間，將提取的紅外通道的云圖數(shù)據(jù)復(fù)制到該存儲空間；步驟四、對提取后的云圖數(shù)據(jù)進(jìn)行預(yù)處理，包括圖像投影變換、圖像灰度增強(qiáng)以及通過模糊聚類方法對提取的云圖圖像進(jìn)行云地分離后確定云圖圖像；步驟五、對執(zhí)行環(huán)境進(jìn)行初始化，包括對反演參數(shù)和GPU設(shè)備的執(zhí)行環(huán)境的初始化，其包括：根據(jù)所述每幅云圖像素的寬高以及風(fēng)矢密度計(jì)算需要反演的風(fēng)矢個(gè)數(shù)，在GPU的顯存中開辟用于保存云跡風(fēng)的結(jié)構(gòu)體數(shù)組，在GPU的顯存中開辟用于保存各風(fēng)矢使用最大相關(guān)系數(shù)而產(chǎn)生的相關(guān)系數(shù)值的數(shù)組，在GPU的顯存中開辟用于存儲3幅紅外云圖數(shù)據(jù)的數(shù)組，CPU將主存中的三幅云圖數(shù)據(jù)依次復(fù)制到GPU顯存開辟的三個(gè)數(shù)組中。步驟六、進(jìn)行云跡風(fēng)并行反演計(jì)算，CPU將一系列參數(shù)和多任務(wù)分配和調(diào)度規(guī)則載入GPU設(shè)備，并觸發(fā)GPU每個(gè)線程對應(yīng)一個(gè)風(fēng)矢的并行反演計(jì)算，將每幅云圖分為多塊追蹤區(qū)塊，并且將追蹤區(qū)塊分配到指定的多個(gè)并行計(jì)算處理單元，在每個(gè)獨(dú)立的計(jì)算處理單元通過最大相關(guān)系數(shù)法對所述追蹤區(qū)塊中的目標(biāo)云塊進(jìn)行匹配后進(jìn)行反演計(jì)算，得到所述追蹤區(qū)塊風(fēng)矢的風(fēng)速及風(fēng)向，并保存到GPU的顯卡中；其中，每幅云圖像素的寬度、高度以及風(fēng)矢密度計(jì)算確定所述追蹤區(qū)塊個(gè)數(shù)，其為(Width/ρ)*(Height/ρ)，式中，Width為所述每幅云圖像素的寬度，Height為所述每幅云圖像素的高度，ρ為風(fēng)矢密度。步驟七、對云跡風(fēng)進(jìn)行質(zhì)量校驗(yàn)，校驗(yàn)的內(nèi)容為風(fēng)矢速度和風(fēng)矢方向，校驗(yàn)的對象是3幅相鄰時(shí)間序列的云圖中的前兩張?jiān)茍D反演出的結(jié)果和后兩張?jiān)茍D反演出的結(jié)果，將風(fēng)矢的風(fēng)速、風(fēng)向以及根據(jù)時(shí)序?qū)⑷茍D中相鄰云圖的風(fēng)矢速度差、方向差與閾值進(jìn)行比較，按以下原則執(zhí)行：若風(fēng)矢速度小于指定的最低速度閾值，則剔除此風(fēng)矢；或若兩風(fēng)矢速度之差大于指定的最大速度差閾值，則剔除此風(fēng)矢；或若兩風(fēng)矢方向之差大于指定的最大方向差閾值，則剔除此風(fēng)矢；或若兩風(fēng)矢的周圍區(qū)域內(nèi)沒有與之方向差小于指定的最大方向差閾值的風(fēng)矢，則剔除此風(fēng)矢。步驟八、對上述云跡風(fēng)產(chǎn)品進(jìn)行數(shù)據(jù)保存，得到最終反演產(chǎn)品。在另一種實(shí)施例中，在步驟一中，反演參數(shù)中的遙感數(shù)據(jù)讀取路徑和產(chǎn)品保存路徑均為絕對路徑；反演密度的單位是每1度經(jīng)緯度網(wǎng)格塊所包含的反演風(fēng)矢個(gè)數(shù)；反演參數(shù)中包括示蹤云塊和追蹤區(qū)域行列的像素個(gè)數(shù)；GPU并行參數(shù)為GPU內(nèi)核函數(shù)的執(zhí)行單元的網(wǎng)格劃分規(guī)則；云跡風(fēng)校驗(yàn)力度參數(shù)為云跡風(fēng)質(zhì)量等級，質(zhì)量等級越高，要求越嚴(yán)格，反演出風(fēng)矢的可信度高，但個(gè)數(shù)越少，反之質(zhì)量低，個(gè)數(shù)多。在另一種實(shí)施例中，在步驟二中，衛(wèi)星遙感數(shù)據(jù)解壓縮算法可采用基于游程編碼的解壓縮算法、基于字典編碼技術(shù)的LZW解壓縮算法、基于哈夫曼編碼原理的解壓縮算法或者基于算術(shù)編碼的解壓縮算法。在另一種實(shí)施例中，在步驟四中，對圖像進(jìn)行等經(jīng)緯度投影變換，變換成墨卡托投影，以便進(jìn)行風(fēng)矢反演，將衛(wèi)星原始圓盤圖變換為矩形圖，方便GPU任務(wù)的劃分和執(zhí)行，以提升反演質(zhì)量；對圖像進(jìn)行灰度增強(qiáng)處理可采用線性灰度變換增強(qiáng)算法、分段線性灰度變換增強(qiáng)算法、直方圖均衡化增強(qiáng)算法或者局域直方圖均衡化增強(qiáng)算法對圖像的對比度進(jìn)行增強(qiáng)；在另一種實(shí)施例中，在步驟四中，通過模糊C均值聚類(FCM)對原始的云圖圖像進(jìn)行云地分離后確定所述云圖圖像，其包括如下步驟：輸入：衛(wèi)星云圖圖像輸出：消除了地表區(qū)域的云圖圖像步驟a、首先對云圖進(jìn)行預(yù)處理，處理的方法為使用中值濾波法從而去除云圖圖像中的噪聲和干擾。步驟b、構(gòu)建FCM的目標(biāo)數(shù)據(jù)集。選取紅外云圖和可見光云圖構(gòu)建IR-VIS二維光譜特征空間，使用一個(gè)二維數(shù)組data[256,2]按列分別存儲每個(gè)像素點(diǎn)在紅外、可見光圖像中的灰度特征值。步驟c、計(jì)算樣本一般特征值。若數(shù)據(jù)庫中沒有記錄8種地表、云類的灰度特征，則對云圖樣本庫進(jìn)行分析，統(tǒng)計(jì)出8種地表、云類的灰度特征并在數(shù)據(jù)庫中記錄。若有，則忽略此步，繼續(xù)執(zhí)行。步驟d、將初始聚類中心設(shè)置為樣本特征值進(jìn)行FCM。從數(shù)據(jù)庫中獲取8類地表、云類的灰度特征作為FCM的初始聚類中心，并在紅外-可見光二維光譜特征空間進(jìn)行聚類。步驟e、對云圖進(jìn)行圖像分割。利用由步驟(4)得到的聚類分區(qū)圖對所有像素點(diǎn)進(jìn)行判斷，若其二維灰度值在地表灰度特征區(qū)域內(nèi)，則為地表像素點(diǎn)，標(biāo)記為黑色；若不在，則為云像素點(diǎn)，保留。最后得到一張矩形的、灰度增強(qiáng)的以及無效區(qū)域提出后的云圖。在另一種實(shí)施例中，在步驟六中，CPU將一系列參數(shù)和多任務(wù)分配和調(diào)度規(guī)則載入GPU設(shè)備，并觸發(fā)GPU每個(gè)線程對應(yīng)一個(gè)風(fēng)矢的并行反演計(jì)算，GPU并行執(zhí)行所有風(fēng)矢的反演，每個(gè)風(fēng)矢的反演都在獨(dú)立的線程中執(zhí)行，風(fēng)矢的反演使用最大相關(guān)系數(shù)法計(jì)算目標(biāo)云塊和追蹤云圖的位置關(guān)系，從而確定風(fēng)矢速度和方向，最后將風(fēng)矢所在的像素位置轉(zhuǎn)換為實(shí)際經(jīng)緯度位置。在另一種實(shí)施例中，在步驟六中，云導(dǎo)風(fēng)反演并行算法采用進(jìn)程－線程的Fork-join模型，主進(jìn)程讀取云圖數(shù)據(jù)和參數(shù)并生成網(wǎng)絡(luò)剖分節(jié)點(diǎn)間關(guān)系后，通過OpenMP編譯指導(dǎo)語句，將n個(gè)風(fēng)矢的計(jì)算負(fù)載動(dòng)態(tài)分配到m個(gè)線程上，利用最大相關(guān)系數(shù)法匹配目標(biāo)云塊、計(jì)算風(fēng)矢的風(fēng)速和風(fēng)向、風(fēng)矢定高、風(fēng)矢質(zhì)量校驗(yàn)等步驟由各線程獨(dú)立計(jì)算，再使用最大相關(guān)系數(shù)法匹配目標(biāo)云塊，寫入全局風(fēng)矢數(shù)組步驟中，各線程共享云圖數(shù)據(jù)內(nèi)存區(qū)域和風(fēng)矢數(shù)組內(nèi)存區(qū)域.所有風(fēng)矢計(jì)算完畢后，通過編譯指導(dǎo)語句結(jié)束線程，主進(jìn)程將計(jì)算好的風(fēng)矢數(shù)據(jù)寫入磁盤保存。在另一種實(shí)施例中，在步驟六中，最大相關(guān)系數(shù)法是指在衛(wèi)星云圖追蹤區(qū)域內(nèi)尋找和追蹤云塊相似度最高的云塊，云塊之間的相似度則由相關(guān)系數(shù)作為指標(biāo)，即在云圖追蹤區(qū)域內(nèi)尋找和追蹤云塊計(jì)算出的相關(guān)系數(shù)最大的云塊，具體包括以下幾個(gè)步驟：(1)將云圖1分割為多個(gè)追蹤區(qū)塊，依次遍歷云每個(gè)追蹤區(qū)塊；(2)在當(dāng)前GPU線程中分配的風(fēng)矢反演區(qū)塊中定位中心位置的像素點(diǎn)區(qū)域，記錄中心點(diǎn)位置；(3)計(jì)算(2)中區(qū)域的灰度方差和標(biāo)準(zhǔn)差；(4)從云圖2中的相同區(qū)塊的左上角的第一個(gè)像素點(diǎn)區(qū)域開始遍歷，直至遍歷結(jié)束，返回(1)，開始從上到0，下從左到右遍歷，直到遍歷結(jié)束，計(jì)算該相同區(qū)塊的方差和標(biāo)準(zhǔn)差；(5)計(jì)算(3)和(4)的相關(guān)系數(shù)，并將結(jié)果寫入存儲矩陣；(6)找出(5)的存儲矩陣中的最大相關(guān)系數(shù)，記錄其對應(yīng)位置；(7)根據(jù)(2)和(6)的位置坐標(biāo)，計(jì)算該區(qū)域塊的風(fēng)矢距離和角度，用風(fēng)矢的距離除以時(shí)間間隔，則可獲得風(fēng)矢速度；將反演出的風(fēng)矢的角度轉(zhuǎn)化為北偏角的形式即為風(fēng)矢的方向。具體的說，在步驟六中，在通過所述最大相關(guān)系數(shù)法對目標(biāo)云塊的匹配過程包括：在所述最大相關(guān)系數(shù)法中，在所述追蹤區(qū)塊中選中示蹤云塊A，其為N×N像素圖像塊，在包含所述示蹤云塊A的M×M像素圖像塊搜索區(qū)域內(nèi)，計(jì)算搜索步長為m的全部與所述示蹤云塊A像素等同區(qū)塊的相關(guān)系數(shù)，在這些相關(guān)系數(shù)中確定最大相關(guān)系數(shù)，即為與所述示蹤云塊A相似度最高N×N像素圖像區(qū)塊A1，在所述區(qū)塊A1增加個(gè)像素點(diǎn)，然后將步長減為個(gè)像素點(diǎn)，在以區(qū)塊A1為中心的邊長的區(qū)域中計(jì)算各N×N像素圖像區(qū)塊的相關(guān)系數(shù)，在這些相關(guān)系數(shù)中確定最大相關(guān)系數(shù)進(jìn)而確定下一個(gè)與所述示蹤云塊A相似度最高N×N像素圖像區(qū)塊A2，將步長逐步減半直到搜索出步長為1搜索到的最大相關(guān)系數(shù)的區(qū)塊，即為目標(biāo)云塊，通過所述示蹤云塊以及所述目標(biāo)云塊的位置信息計(jì)算得到風(fēng)矢的風(fēng)速及風(fēng)向。在另一種實(shí)施例中，在所述步驟八中，云跡風(fēng)產(chǎn)品保存方法為CPU將GPU的顯存中的風(fēng)矢數(shù)據(jù)復(fù)制到計(jì)算機(jī)主存中，然后輸出只外存磁盤中。在另一種實(shí)施例中，本發(fā)明反演的數(shù)據(jù)對象為FY-2E衛(wèi)星紅外一通道的云圖數(shù)據(jù)，該云圖的大小為2581*1399像素，即Width為2581像素，Height為1399像素，選取等時(shí)間間隔相鄰的三張F(tuán)Y-2E衛(wèi)星紅外一通道的云圖作為本實(shí)施例的數(shù)據(jù)處理對象。在另一種實(shí)施例中，在本發(fā)明中的反演參數(shù)接收流程，輸入衛(wèi)星遙感數(shù)據(jù)讀取路徑Path1和衛(wèi)星云跡風(fēng)產(chǎn)品保存路徑Path2；輸入反演的密度ρ；輸入反演中的示蹤云塊的邊長，即示蹤云塊大小為P*P；輸入云跡風(fēng)反演等級D。在另一種實(shí)施例中，在本發(fā)明中的衛(wèi)星遙感數(shù)據(jù)解壓縮流程，根據(jù)上面提供的云圖讀取路徑Path1，讀取到FY-2E衛(wèi)星的遙感數(shù)據(jù)，使用無損解壓縮算法對FY-2E衛(wèi)星遙感數(shù)據(jù)進(jìn)行解壓，解壓得到各通道的云圖像素?cái)?shù)據(jù)，溫度定標(biāo)數(shù)據(jù)，經(jīng)緯度定標(biāo)數(shù)據(jù)等。在另一種實(shí)施例中，在本發(fā)明中的衛(wèi)星紅外一圖像數(shù)據(jù)提取流程，從上述解壓得到的各通道的云圖數(shù)據(jù)中，分別提取三張?jiān)茍D的衛(wèi)星紅外一云圖數(shù)據(jù)，復(fù)制到微機(jī)主存開辟的數(shù)組Data1、Data2和Data3中。在另一種實(shí)施例中，圖像灰度增強(qiáng)處理使用直方均衡化算法對云圖數(shù)據(jù)進(jìn)行對比度增強(qiáng)。在另一種實(shí)施例中，在本發(fā)明中的執(zhí)行環(huán)境初始化流程，初始化CPU和GPU的執(zhí)行環(huán)境和內(nèi)存數(shù)據(jù)。根據(jù)密度和云圖的寬高計(jì)算，需要反演的云跡風(fēng)個(gè)數(shù)n；CPU調(diào)用CUDA接口在GPU的共享內(nèi)存中開辟n個(gè)用于保存云跡風(fēng)的結(jié)構(gòu)體數(shù)組windRecords；CPU調(diào)用CUDA接口在GPU的共享內(nèi)存中開辟n個(gè)大小為(P+1)*(P+1)的用于保存各風(fēng)矢使用最大相關(guān)系數(shù)而產(chǎn)生的(P+1)*(P+1)個(gè)相關(guān)系數(shù)值的數(shù)組；CPU調(diào)用CUDA接口在GPU的共享內(nèi)存中開辟三個(gè)用于存儲三幅紅外一云圖數(shù)據(jù)的數(shù)組，數(shù)組的大小根據(jù)權(quán)利要求4中所述，為云圖的大小Width*Height；CPU調(diào)用CUDA接口將主存中的三幅云圖數(shù)據(jù)依次復(fù)制到步驟1中GPU設(shè)備的共享內(nèi)存開辟的三個(gè)數(shù)組中。在另一種實(shí)施例中，在本發(fā)明中的云跡風(fēng)反演流程，CPU將云圖上每個(gè)風(fēng)矢的反演劃分到一個(gè)任務(wù)線程中，將所有線程劃分到一個(gè)GPU執(zhí)行網(wǎng)格中，GPU根據(jù)線程格的任務(wù)分配和調(diào)度原則，對所有風(fēng)矢的反演并發(fā)執(zhí)行，反演使用最大相關(guān)系數(shù)法確定風(fēng)矢的位移，進(jìn)而確定風(fēng)矢的速度大小和方向。最后將風(fēng)矢所在的像素位置轉(zhuǎn)換為實(shí)際經(jīng)緯度位置，將反演得到的風(fēng)矢按個(gè)執(zhí)行線程分配的索引位置寫入GPU共享內(nèi)存中開辟的WindRecords數(shù)組中。在另一種實(shí)施例中，在本發(fā)明的云跡風(fēng)產(chǎn)品保存流程，CPU將GPU的共享內(nèi)存中計(jì)算出的質(zhì)量校驗(yàn)后的云跡風(fēng)數(shù)據(jù)復(fù)制到宿主微機(jī)的主存中，然后CPU將主存中的云跡風(fēng)數(shù)據(jù)進(jìn)行保存，保存路徑為上述反演參數(shù)接收流程接收的云跡風(fēng)產(chǎn)品保存路徑Path2，保存的格式為：風(fēng)矢編號、風(fēng)矢經(jīng)度、風(fēng)矢緯度、風(fēng)矢速度以及風(fēng)矢方向。下面再結(jié)...