Unsupervised Detec/on of Bow Echoes in Dual Polariza/on - PowerPoint PPT Presentation

Unsupervised ¡Detec/on ¡of ¡Bow ¡ Echoes ¡in ¡Dual ¡Polariza/on ¡Radar ¡ Data ¡ Ma<hew ¡Wiesner, ¡Joseph ¡Hardin, ¡V. ¡ Chandrasekar ¡

Project ¡Mo/va/on ¡ • Facilitate ¡historical ¡ radar ¡data ¡lookup ¡ – Search ¡by ¡feature ¡not ¡by ¡ date ¡ • Adap/ve ¡Radar ¡Sensing ¡ • Prior ¡work ¡separates ¡ radar ¡segmenta/on ¡ from ¡feature ¡ iden/fica/on ¡ – This ¡work ¡a<empts ¡to ¡ integrate ¡both ¡fields ¡

Methodology: ¡Outline ¡ • Segmenta/on ¡(Lakshmanan) ¡+ ¡Feature ¡ Detec/on ¡ 1. Grid ¡Radar ¡Data ¡(Image) ¡ 2. Compute ¡texture ¡vectors ¡at ¡each ¡image ¡pixel ¡ 3. Use ¡k-­‑means ¡algorithm ¡and ¡flood-­‑fill ¡for ¡ hierarchical ¡segmenta/on ¡ 4. Principal ¡Components ¡Analysis ¡(PCA) ¡and ¡2 nd ¡ order ¡polynomial ¡for ¡feature ¡detec/on ¡

Texture ¡ • Textures ¡in ¡Radar ¡ ¡ – Computed ¡in ¡a ¡7x7 ¡neighborhood ¡ – T xy ¡= ¡{mean, ¡variance, ¡coefficient ¡of ¡varia/on, ¡skewness, ¡ kurtosis, ¡homogeneity, ¡contrast} ¡ ¡ Texture: Mean Texture: Variance Texture: Coefficient of Variation 1 1 1 20 0.9 20 0.9 20 0.9 40 0.8 40 0.8 40 0.8 60 0.7 60 0.7 60 0.7 80 0.6 80 0.6 80 0.6 Coefficient of Variation Variance Mean 100 0.5 100 0.5 100 0.5 0.4 0.4 0.4 120 120 120 0.3 0.3 0.3 140 140 140 0.2 0.2 0.2 160 160 160 0.1 0.1 0.1 180 180 180 0 0 0 50 100 150 50 100 150 50 100 150 Texture: Skew Texture: Kurtosis Texture: Homogeneity 1 1 1 20 0.9 20 0.9 20 0.9 40 0.8 40 0.8 40 0.8 0.7 60 60 0.7 60 0.7 80 0.6 0.6 80 80 0.6 Homogeneity Skew Kurtosis 100 0.5 100 0.5 0.5 100 0.4 120 0.4 120 0.4 120 0.3 140 0.3 140 0.3 140 0.2 0.2 160 160 0.2 160 0.1 0.1 180 180 0.1 180 0 0 0 50 100 150 50 100 150 50 100 150

Texture ¡Segmenta/on ¡ • Formal ¡method ¡of ¡forming ¡textures ¡by ¡k-­‑means ¡ clustering ¡(Lakshmanan): ¡ – Pixels ¡should ¡be ¡clustered ¡based ¡on ¡their ¡texture ¡ values ¡as ¡done ¡on ¡the ¡previous ¡slide ¡ – Pixels ¡should ¡be ¡clustered ¡based ¡on ¡a ¡Markov ¡ assump/on ¡that ¡adjacent ¡pixels ¡will ¡be ¡members ¡of ¡ the ¡same ¡texture ¡ – A ¡pixel ¡is ¡assigned ¡to ¡the ¡cluster ¡which ¡minimizes ¡a ¡ cost ¡func/on ¡that ¡accounts ¡for ¡both ¡of ¡the ¡above ¡

Texture ¡Segmenta/on ¡ • Results ¡of ¡k-­‑means ¡clustering ¡for ¡5 ¡textures ¡ dBZ Radar Image: July 7, 2010 1:01:38 :Downsampling Factor = 4 70 50 60 100 50 150 40 200 250 30 300 20 350 10 400 0 450 500 -10 5 Quantizations 50 100 150 200 250 300 350 400 450 500 Quantizations Finest Level of Image Segmentation R egions 6 47 45 43 20 20 41 39 40 5 40 37 35 60 33 60 31 29 80 4 80 27 25 100 100 23 21 120 19 3 120 17 15 140 140 13 11 160 2 160 9 7 180 5 180 3 1 1 20 40 60 80 100 120 140 160 180 50 100 150

Segment ¡Merging ¡ • Next ¡highest ¡level ¡of ¡segmenta/on ¡hierarchy ¡ • Merge ¡Segments ¡in ¡order ¡of ¡texture ¡space ¡proximity ¡ dBZ Radar Image: July 7, 2010 1:01:38 :Downsampling Factor = 4 Second Level of Image Segmentation R egions 70 9 50 20 60 8 100 40 50 7 150 60 40 6 200 80 250 30 100 5 300 120 4 20 350 140 3 10 400 160 2 0 450 180 1 500 20 40 60 80 100 120 140 160 180 -10 50 100 150 200 250 300 350 400 450 500

Candidate ¡Segments ¡ • Which ¡segments ¡are ¡candidate ¡bow ¡echoes? ¡ – Segments ¡should ¡have ¡a ¡high ¡mean ¡reflec/vity ¡ – Segments ¡should ¡not ¡be ¡too ¡small ¡ – Examine ¡each ¡level ¡in ¡the ¡hierarchical ¡ segmenta/on ¡for ¡candidate ¡segments ¡ Chosen Segments from Next dBZ Most Detailed Segmentation Level dBZ Chosen Segments from Most Detailed Segmentation Level 70 70 20 60 20 60 40 40 50 50 60 60 40 40 80 80 30 100 30 100 120 20 120 20 140 140 10 10 160 160 0 0 180 180 -10 20 40 60 80 100 120 140 160 180 -10 20 40 60 80 100 120 140 160 180

Bow ¡Echo ¡Condi/ons ¡ • Segment ¡must ¡be ¡ LINEAR ¡ – One ¡large ¡eigenvalue ¡of ¡covariance ¡matrix ¡(PCA) ¡ • Segment ¡must ¡have ¡no/ceable ¡ CURVATURE ¡ – Rela/vely ¡high ¡weight ¡of ¡2 nd ¡order ¡term ¡in ¡quadra/c ¡fit ¡ ¡ • Segment ¡must ¡have ¡an ¡ ARC ¡ LENGTH ¡ longer ¡than ¡20km ¡ • The ¡ THICKNESS ¡to ¡length ¡ra/o ¡of ¡the ¡segment ¡must ¡be ¡ low ¡ – A ¡measure ¡of ¡“noise” ¡around ¡a ¡skeleton ¡of ¡the ¡bow ¡echo ¡ • If ¡these ¡condi/ons ¡are ¡met, ¡a ¡bow ¡echo ¡is ¡detected ¡

Bow ¡Echo ¡Detec/on ¡ • Example ¡of ¡Linear, ¡Non-­‑Bow ¡Echo ¡Storm ¡ ¡ Curvature ¡= ¡0.0162 ¡ ¡ ¡ ¡ ¡ ¡ ¡Linearity ¡= ¡0.94 ¡ ¡arc ¡length ¡= ¡162.0088 ¡ ¡ Principal Components Analysis on a Radar Image Segment Curvature and Arc Length on Radar Image Segment 150 Segment Data Points Gaussian Fit Skeleton 120 100 Segment Data Points 2nd Order Fit Direction of Maximum Variance 100 50 80 y km Y' km 0 60 -50 40 -100 20 -150 -100 -50 0 50 -150 -100 -50 0 50 100 150 X' km x km

Bow ¡Echo ¡Detec/on ¡ • A ¡successfully ¡detected ¡bow ¡echo ¡meets ¡all ¡of ¡the ¡previous ¡ requirements ¡as ¡in ¡the ¡example ¡shown ¡below ¡ Bow Echo Segment from July 29, 1997 Bow Echo Event at 3:07:34 50 45 40 Y' km 35 30 Segment Data Points 25 Skeleton 2nd Order Fit 20 -45 -40 -35 -30 -25 -20 -15 -10 -5 X' km

Performance ¡ • Algorithm ¡run/me ¡scales ¡poorly ¡with ¡resolu/on ¡which ¡ limits ¡accuracy ¡ • Down-­‑sampling ¡factor ¡depends ¡on ¡the ¡size ¡of ¡the ¡range ¡ gates ¡(4 ¡for ¡1 ¡km, ¡15 ¡for ¡0.25 ¡km) ¡ ¡ • Run/me/scan ¡<= ¡1 ¡min ¡

True ¡Posi/ve ¡Rate: ¡89.6% ¡ False ¡Posi/ve ¡Rate: ¡6.13% ¡ False ¡Nega/ve ¡Rate: ¡1.04% ¡

True ¡Posi/ve ¡Rate: ¡78% ¡ False ¡Posi/ve ¡Rate: ¡3.07% ¡ False ¡Nega/ve ¡Rate: ¡2.19% ¡

True ¡Nega/ve ¡Rate ¡: ¡ ¡89.8% ¡ False ¡Posi/ve ¡Rate ¡ ¡: ¡10.2% ¡ False ¡Posi/ve ¡Rate ¡in ¡ ¡ Thunderstorms: ¡ ¡28.2% ¡ ¡ ¡

Performance ¡ • Op/mizing ¡performance ¡ • True ¡Posi/ve ¡Rate ¡is ¡between ¡70 ¡– ¡90% ¡depending ¡on ¡parameter ¡ values ¡ • False ¡Posi/ve ¡Rate ¡can ¡be ¡up ¡to ¡30% ¡ • Run/me ¡per ¡scan ¡is ¡<= ¡1 ¡minute ¡ • ROC ¡curves ¡indicate ¡reasonable ¡results ¡for ¡1rst ¡past ¡classifier ¡ • Temporal ¡analysis ¡yields ¡more ¡accuracy, ¡and ¡can ¡be ¡used ¡to ¡give ¡ confidence ¡margins ¡ ¡

Future ¡Work ¡ • Acceptable ¡preformance ¡but… ¡ – Improved ¡detec/on ¡with ¡more ¡sophis/cated ¡ algorithms ¡(Hough ¡Transform ¡for ¡parabola ¡ detec/on) ¡ – Algorithm ¡can ¡be ¡used ¡to ¡create ¡a ¡training ¡corpus ¡ of ¡bow ¡echoes ¡for ¡use ¡in ¡supervised ¡detec/on ¡ – Algorithm ¡may ¡run ¡much ¡quicker ¡if ¡op/mized ¡for ¡ speed ¡