如何为温度场数据的OpenCV Canny边缘检测设置精准阈值？

我是Python新手，正在用OpenCV的Canny边缘检测算法处理笛卡尔坐标下的逐日温度场数据。数据维度为Temperature=size(X,Y,time)，包含365天的温度数据，空间采样间隔为1米。

我的核心需求是让边缘检测结果对应精准的温度梯度值，目前计划通过计算365天温度梯度的概率密度函数（PDF）来确定阈值：比如如果多数梯度小于0.25℃/m，就把这个值设为高阈值，再按Canny推荐的2:1至3:1高低阈值比例设置低阈值（约0.08℃/m），或者直接通过PDF定义低阈值。

现在有两个关键困惑：

1. 是否需要先将温度梯度（tempgrad）转换为0-255范围的uint8类型？比如使用以下代码：

tempgrad_final= ((tempgrad - np.nanmin(tempgrad)) * (1/(np.nanmax(tempgrad) - np.nanmin(tempgrad)) *255)).astype('uint8')

2. 还是可以直接对温度数据本身调用Canny算法？比如这段代码：

canny = cv2.Canny(temp, thresh_min, thresh_max, apertureSize=apertureSize, L2gradient=False)

这里的thresh_min和thresh_max是缩放至0-255的温度梯度值，这种方法是否正确？

如果上述方法都不对，恳请指导如何为cv2.Canny设置精准的阈值。之前使用Canny时，阈值设置极易混淆，且阈值的微小变化会导致检测结果差异极大。

内容的提问来源于stack exchange，提问作者user2721844