受显微传感器和不规则收集方法的影响，花粉图像常受到不同程度的噪声干扰且有着不同角度的旋转变化，识别精度普遍不高，为此提出了基于主梯度编码的局部二进制模式（DGLBP）描述子，并应用于花粉图像的分类识别。首先，计算图像块在主梯度方向上的梯度幅值；其次，分别计算图像块的径向、角向，以及复合梯度差；然后，根据各图像块的梯度差进行二进制编码，参照各局部区域的纹理分布情况为二进制编码自适应分配权重，并提取花粉图像在3个方向上的纹理特征直方图；最后，对不同尺度下的纹理特征直方图进行融合，采用欧氏距离计算各图像的相似度。DGLBP方法在Confocal和Pollenmonitor数据集上的平均正确识别率分别为94.33%和92.02%，与其他花粉识别方法相比平均提高了8.9个百分点和8.6个百分点，与LBP改进方法相比平均提高了18个百分点和18.5个百分点。实验结果表明，DGLBP描述子对花粉图像的噪声干扰和旋转变化具有较好的鲁棒性，且具有较优的识别效果。

为了提高霾预报的准确率，解决时序模型的预测延时和准确率不高的问题，提出了一种基于时间序列分析和卡尔曼滤波相结合的混合霾预报算法。首先，利用图检验法和单位根检验法（ADF）检验时间序列的平稳性，通过差分运算将非平稳序列转化成平稳序列，对转化后的平稳序列进行建模；然后，将得到的模型方程作为卡尔曼滤波的状态方程和观测方程，依靠卡尔曼滤波递推性进行预报。实验结果表明，采用时间序列分析和卡尔曼滤波相结合的混合霾客观预报订正方法能有效提高霾预测精度。

针对现有粗糙度描述子大多依赖于灰度值平均值,容易造成图像信息的丢失的问题,提出了一种新的基于高斯尺度空间粗糙度描述子的特征提取方法,并应用于花粉图像的分类和识别。首先,采用高斯金字塔算法,将花粉图像分割成不同层次的尺度空间;然后,在各个尺度空间上提取图像的粗糙度纹理特征;其次,通过计算粗糙度频率直方图的统计分布,提取不同尺度空间的粗糙度描述子(SSRHD);最后,采用欧氏距离计算图像的相似度。通过Confocal和Pollenmonitor图像库上的仿真结果表明,与基于隐马尔可夫模型的轮廓描述子(DHMMD)相比,该描述子在Confocal图像库上的平均正确识别率(CRR)提高了2.32%、平均错误识别率(FRR)降低了0.1%,而在Pollenmonitor图像库上的平均识别率也提高了1.2%。实验结果表明,该描述子能较好地描述花粉颗粒图像的纹理分布,对于花粉图像的旋转和姿态变化也具有良好的鲁棒性。

云数据的三维可视化模拟一直是计算机图形学和气象科学领域的研究热点。提出了基于WRF模式数据的建模与渲染技术，以实现真实云数据三维可视化模拟。针对粒子系统建模复杂、实时性差的问题，首先通过计算云粒子之间的相互关系建立结构化粒子模型，实现WRF云数据的建模；然后利用光照模型和公告牌技术对建模粒子进行光照渲染和三维模拟，同时结合Imposter技术提高纹理绘制速度和效果。实验仿真结果验证了该方法在提高云数据的建模与渲染速度，提高云三维可视化的逼真度方面的有效性。