一种基于神经网络和回波垂直信息的定量降水估测方法转让专利
申请号 : CN202211388715.X
文献号 : CN115792847B
文献日 : 2023-07-18
发明人 : 邹海波 , 田苗霞 , 吴珊珊
申请人 : 江西师范大学
摘要 :
权利要求 :
1.一种基于神经网络和回波垂直信息的定量降水估测方法,其特征在于,包括以下步骤:
步骤S100:雷达数据处理;根据雷达基数据的结构,对雷达基数据进行解码和质量控制,计算出雷达资料,其中雷达资料包含雷达组合反射率、雷达回波顶高和雷达回波底高,并插值至降水观测站点处;
步骤S200:门控循环神经网络的训练;根据降水观测资料的累计时段,对雷达组合反射率、雷达回波顶高和雷达回波底高进行平均化处理,使其与降水的累计观测值在时间上匹配,并对匹配后的数据利用公式 分别对雷达组合反射率、雷达回波顶高、雷达回波底高和降水资料进行标准化处理,使其在‑1至1之间变化;其中 和分别为i站点处k时刻的雷达数据或降水数据的原始值和标准化值, 和 分别为研究区域和研究时段内雷达数据或降水数据的最大值和最小值,基于标准化后的雷达数据和降水观测资料,构建门控循环神经网络训练数据集,其中k为研究区域和研究时段内的累计降水站
次, 为研究区域和研究时段内第i站次的门控循环神经网络的输入数
据 (i=1, 2, 3, ..., k),CR、ET和EB分别为雷达组合反射率、雷达回波顶高和雷达回波底高,Qi为降水观测值,再开展门控循环神经网络的训练;
步骤S300:雷达定量降水估测;先对待预测的雷达资料进行标准化处理,构建雷达资料预测数据集,再用训练好的GRU神经网络开展雷达定量降水的估测,得到标准化的雷达定量降水估测结果,并对所述得到标准化的估测结果利用公式反解得到最终的雷达定量降水估测值,其中 为观测站
点i处经GRU神经网络计算的标准化的定量降水估测值, 和 为研究区域和研究时段内降水观测数据的最大值和最小值。
2.根据权利要求1所述的一种基于神经网络和回波垂直信息的定量降水估测方法,其特征在于,所述步骤S100中对雷达基数据进行解码和质量控制包括如下内容:根据雷达基数据的存储结构和格式,利用Fortran或Python程序语言对其进行解码,获得雷达数据的不同仰角观测信息;利用反射率因子垂直梯度剔除雷达回波中的地物杂波,利用模糊逻辑算法剔除孤立非气象回波。
3.根据权利要求1所述的一种基于神经网络和回波垂直信息的定量降水估测方法,其特征在于,所述步骤S100中雷达组合反射率的计算包括如下内容:基于质量控制处理后的雷达反射率立体信息,运用最大值法计算出不同点上的雷达组合反射率;其中最大值法为某个点上的组合反射率为该点上空所有仰角观测的雷达反射率的最大值。
4.根据权利要求1所述的一种基于神经网络和回波垂直信息的定量降水估测方法,其特征在于,所述步骤S100中雷达回波顶高的计算包括如下内容:基于质量控制处理后的雷达回波立体信息,对于某个方位径向平面上的点,从高仰角向低仰角搜索符合要求的仰角和反射率因子,利用线性插值法找出回波顶对应的仰角,再利用雷达波束高度公式计算出雷达回波顶的高度。
5.根据权利要求1所述的一种基于神经网络和回波垂直信息的定量降水估测方法,其特征在于,所述步骤S100中雷达回波底高的计算包括如下内容:基于质量控制处理后的雷达回波立体信息,对于某个方位径向平面上的点,从低仰角向高仰角搜索符合要求的仰角层和反射率因子,利用线性插值法找出回波底对应的仰角,再利用雷达波束高度公式计算出雷达回波底的高度。
6.根据权利要求1所述的一种基于神经网络和回波垂直信息的定量降水估测方法,其特征在于,所述步骤S100中插值至降水观测站点处包括如下内容:根据降水观测站的经纬度信息,利用双线性插值法将雷达组合反射率、雷达回波顶高和雷达回波底高数据插值至降水观测站点处。
7.根据权利要求1所述的一种基于神经网络和回波垂直信息的定量降水估测方法,其特征在于,所述步骤S300中构建雷达数据预测数据集,具体包括:将用于定量降水估测的雷达组合反射率、雷达回波顶高和雷达回波底高进行相应时段的平均化处理,并利用公式进行标准化处理,建立雷达资料的估测数据集;其中 和分别为i站点处k时刻的雷达数据或降水数据的原始值和标准化值, 和 分别为研究区域和研究时段内雷达数据或降水数据的最大值和最小值。
说明书 :
一种基于神经网络和回波垂直信息的定量降水估测方法
技术领域
背景技术
都难以满足应用的需求。多普勒天气雷达资料具有探测范围广、时空分辨率高等特点,在定
量降水估测方面具有明显的优势,基于雷达的定量降水估测已成为了雷达气象学的一个重
要任务之一。
测。然而,Z‑R关系中的系数a和b受降水雨滴谱的分布特征影响较大,不同季节不同区域、甚
至同一季节同一区域不同类型降水的Z‑R关系表达式都有所不同,这影响了基于Z‑R关系的
雷达定量降水估测的精度。
线性关系,并在改善雷达定量降水估测上展现出了巨大的潜能。门控循环神经网络(Gated
Recurrent Unit,GRU)是长短期记忆神经网络(Long Short Term Memorynet works,LSTM)
的变种,非常适合变量的估测或预报,但目前很少被用于雷达定量降水的估测中。此外,降
水的强度不仅与测站上空的雷达回波强度(反映大气中的水凝物浓度)密切相关,还与回波
的垂直信息息息相关。然而,在目前常用的雷达定量降水估测方法中,降水量的估测主要都
是基于回波的强度开展的,其雷达定量降水估测的精度还有待进一步提高。
发明内容
高,并插值至降水观测站点处;
量降水的估测值。
和雷达回波底高等变量,并将这些变量插值至降水观测站点处;利用历史降水观测资料和
雷达组合反射率、雷达回波顶高和雷达回波底高等数据,对门控循环神经网络进行训练;在
训练好了的门控循环神经网络中,输入待预测雷达回波组合反射率、雷达回波顶高和雷达
回波底高等数据,便可计算出定量降水的估测值;使用门控循环人工神经网络,在引入雷达
回波强度的同时,还引入了雷达回波顶高和雷达回波底高等雷达回波的垂直信息,更加有
利于提升雷达定量降水估测的精度,解决基于Z‑R关系的雷达定量降水估测精度不高问题。
获得雷达数据的不同仰角观测信息;利用反射率因子垂直梯度剔除雷达回波中的地物杂
波,利用模糊逻辑算法剔除孤立非气象回波。
率;其中最大值法为某个点上的组合反射率为该点上空所有仰角观测的雷达反射率的最大
值。
搜索符合要求的仰角和反射率因子,利用线性插值法找出回波顶对应的仰角,再利用雷达
波束高度公式计算出雷达回波顶的高度。所述步骤S100中雷达回波底高的计算内容包括:
基于质量控制处理后的雷达回波立体信息,对于某个方位径向平面上的点,从低仰角向高
仰角搜索符合要求的仰角层和反射率因子,利用线性插值法找出回波底对应的仰角,再利
用雷达波束高度公式计算出雷达回波底的高度。所述步骤S100中插值至降水观测站点处内
容包括:根据降水观测站的经纬度信息,利用双线性插值法将雷达组合反射率、雷达回波顶
高和雷达回波底高等数据插值至降水观测站点处。
组合反射率、雷达回波顶高和雷达回波底高进行平均化处理,使其与降水的累计观测值在
时间上匹配;利用公式 分别对雷达组合反射率、雷达回波
顶高、雷达回波底高和降水资料进行标准化处理,使其在‑1至1之间变化。其中 和xik分别
为i站点处k时刻的雷达数据或降水数据的原始值和标准化值,xmax和xmin分别为研究区域和
研究时段内雷达数据或降水数据的最大值和最小值。
其中k为研究区域和研究时段内的累计
降水站次, 为研究区域和研究时段内第i站次的门控循环神经网络
的输入数据(i=1,2,3,...,k),CR、ET和EB分别为雷达组合反射率、雷达回波顶高和雷达回
波底高,Qi为降水观测值。
射率、雷达回波顶高和雷达回波底高进行相应时段(一般为1小时)的平均化处理,并利用公
式 进行标准化处理,建立雷达资料的估测数据集;其中
和xik分别为i站点处k时刻的雷达数据或降水数据的原始值和标准化值,xmax和xmin分别
为研究区域和研究时段内雷达数据或降水数据的最大值和最小值。
标准化的雷达定量降水估测结果;基于门控循环神经网络估测的标准化的定量降水数据,
利用公式 反解得到最终的雷达定量降水估测值,其中
xi为观测站点i处经门控循环神经网络计算的标准化的定量降水估测值,xmax和xmin为研究
区域和研究时段内降水观测数据的最大值和最小值。
附图说明
普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
具体实施方式
到另一个元件或者可能同时存在居中元件。
体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个
相关的所列项目的任意的和所有的组合。
形,意图在于覆盖不排他的包含。例如,包含了一系列步骤或单元,或者可选地,还包括没有
列出的步骤或单元,或者可选地还包括这些过程、方法、产品或设备固有的其它步骤或单
元。
流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以并行地、并发地
或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终
止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子
例程、子程序等等。
在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或分布在两个或多
个计算机之间。此外,这些单元可从在上面存储有各种数据结构的各种计算机可读介质执
行。单元可例如根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网
络间的另一单元交互的第二单元数据。例如,通过信号与其它系统交互的互联网)的信号通
过本地和/或远程进程来通信。
高,并插值至降水观测站点处;
水的估测值。
用反射率因子垂直梯度RGDZ=W(Z‑Zup)≥20dBZ剔除雷达回波中的杂波,其中W为权重系数,
在雷达斜距为≤40km时为1,在40‑200km线性递减至0,Z为当前仰角的雷达回波(dBZ),Zup为
上一层仰角的雷达回波(dBZ)。再利用模糊逻辑算法Px=N/25≤0.75剔除孤立非气象回波,
N为方位径向平面上x点周围5×5窗口中雷达有效观测的点数。
点上空所有仰角观测的雷达反射率的最大值。
仰角层,并记为θ1,并将θ1的上一层的仰角记为θ2。同时,将θ1上的反射率因子记为Z1,θ2上的
反射率因子记为Z2。利用线性插值法,根据Z1和Z2的数值,找出18dBZ反射率因子对应的仰
2 2
角θ。再根据雷达回波波束高度的计算公式h=R sinθ+Rcosθ/(2Re)计算出回波顶的高度,
其中R为雷达波束的探测距离(斜距),Re=8500km为标准大气下的等效地球半径。
一个反射率因子≥18dBZ的仰角层,并记为θ1,并将θ1的下一层的仰角记为θ2。同时,将θ1上
的反射率因子记为Z1,θ2上的反射率因子记为Z2。利用线性插值法,根据Z1和Z2的数值,找
出18dBZ反射率因子对应的仰角θ。最后,根据雷达回波波束高度的计算公式h=R sinθ+
2 2
Rcosθ/(2Re)计算出回波底的高度。
回波顶高和雷达回波底高等数据插值至降水观测站点处。
小时),对雷达组合反射率、雷达回波顶高和雷达回波底高等数据进行平均,使其与降水的
累计观测值在时间上匹配;利用公式 分别对雷达组合
反射率、雷达回波顶高、雷达回波底高和降水资料进行标准化处理,使其在‑1至1之间变化。
其中 和xik分别为i站点处k时刻的雷达数据或降水数据的原始值和标准化值,xmax和xmin
分别为研究区域和研究时段内雷达数据或降水数据的最大值和最小值。
内的累计降水站次, 为研究区域和研究时段内第i站次的门控循环
神经网络的输入数据(i=1,2,3,...,k),CR、ET和EB分别为雷达组合反射率、雷达回波顶高
和雷达回波底高,Qi为降水观测值。
活函数等神经网络参数,用训练集数据开展GRU神经网络的训练,并保存好训练的网络模
型。
进行标准化处理,最后建立雷达资料的估测数据集,用于
雷达定量降水的估测。其中 和xik分别为i站点处k时刻的雷达数据或降水数据的原始值
和标准化值,xmax和xmin分别为研究区域和研究时段内雷达数据或降水数据的最大值和最小
值。
的雷达定量降水估测结果。
值,其中x2为观测站点i处经GRU神经网络计算的标准化的定量降水估测值,xmax和xmin为研
究区域和研究时段内降水观测数据的最大值和最小值。
须具有特定的方位、以特定的方位构造和操作,因此不能理解为对发明的限制。
构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的
示意性表述不一定指的是相同的实施例或示例。
申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是相同的实施
例,也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以显式地和
隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。基于本申请中的实施例,
本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申
请保护的范围。
发明的范围由权利要求及其等同物限定。