一种基于神经网络和回波垂直信息的定量降水估测方法

摘要

本发明涉及大气科学技术领域，具体公开了一种基于神经网络和回波垂直信息的降水估测方法，该方法包括：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；将雷达资料与降水观测资料进行同步匹配，并对匹配后的数据进行标准化处理，构建训练数据集，开展GRU神经网络的训练；对待预测的雷达资料进行处理，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，并对标准化的估测结果进行反解，最终得到雷达定量降水的估测值。本发明有利于进一步提升雷达定量降水估测的精度。

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

[0001] 本发明涉及大气科学技术领域，尤其是涉及一种基于神经网络和回波垂直信息的降水估测方法。

背景技术

[0002] 定量降水监测在农业生产、洪水预警、城市内涝、水文预报、长期气候评估和水资源管理等方面的应用中有着至关重要的作用。然而，雨量站监测在覆盖范围和空间分布上
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。

[0003] 目前，常用的雷达定量降水估测方法主要是基于雷达回波强度Z，利用降水强度R与回波强度Z之间的经验公式反算出降水强度或降水量，即基于Z‑R关系的雷达定量降水估
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。

[0004] 近年来，随之计算机技术和人工智能计算的快速发展，基于数据驱动(即人工神经网络)的雷达定量降水估测方法变得可行，它旨在捕捉雷达回波强度与观测降水之间的非
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

[0005] 本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出了一种基于神经网络和回波垂直信息的降水估测方法。

[0006] 根据本发明第一方面实施例的一种基于神经网络和回波垂直信息的降水估测方法，其中包括以下步骤：

[0007] 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；

[0008] 步骤S200：门控循环神经网络的训练；将雷达资料与降水观测资料进行同步匹配，并对匹配后的数据进行标准化处理，构建训练数据集，开展门控循环神经网络的训练；

[0009] 步骤S300：先对待预测的雷达资料进行处理，构建雷达资料预测数据集，再用训练好的门控循环神经网络开展雷达定量降水的估测，对估测结果进行反解，最终得到雷达定
量降水的估测值。

[0010] 根据本发明实施例的一种基于神经网络和回波垂直信息的降水估测方法，通过雷达数据的处理，剔除雷达原始数据中的非气象回波，计算出雷达组合反射率、雷达回波顶高
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。

[0011] 根据本发明的一些实施例，所述步骤S100中雷达基数据进行解码和质量控制内容包括：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。

[0012] 根据本发明的一些实施例，所述步骤S100中雷达组合反射率的计算内容包括：基于质量控制处理后的雷达回波立体信息，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。

[0013] 根据本发明的一些实施例，所述步骤S100中雷达回波顶高的计算内容包括：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。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。

[0014] 根据本发明的一些实施例，所述步骤S200中对雷达资料与降水观测资料进行同步匹配并进行标准化处理，具体包括：根据降水观测资料的累计时段(一般为1小时)，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；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。

[0015] 根据本发明的一些实施例，所述步骤S200中构建训练数据集，具体包括：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。

[0016] 根据本发明的一些实施例，所述步骤S300中构建雷达数据预测数据集，具体包括：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(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。

[0017] 根据本发明的一些实施例，所述步骤S300中对估测结果进行反解，具体包括：利用训练好的GRU神经网络模型和建立的雷达资料估测数据集，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；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。

[0018] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

[0019] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域
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。

[0020] 图1是根据本发明实施例的一种基于神经网络和回波垂直信息的降水估测方法的流程图；

[0021] 图2是根据本发明实施例的数据处理流程图；

[0022] 图3根据本发明实施例的降水云团结构示意图；

[0023] 图4是根据本发明实施例的一种基于神经网络和回波垂直信息的降水估测方法步骤S100具体内容流程图；

[0024] 图5是根据本发明实施例的一种基于神经网络和回波垂直信息的降水估测方法步骤S200具体内容流程图；

[0025] 图6是根据本发明实施例的一种基于神经网络和回波垂直信息的降水估测方法步骤S300具体内容流程图。

具体实施方式

[0026] 下面详细描述本发明的实施例，参考附图描述的实施例是示例性的，应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0027] 需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接
到另一个元件或者可能同时存在居中元件。

[0028] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具
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。

[0029] 本申请的说明书和权利要求书及所述附图中术语“第一”、“第二”、“第三”等是区别于不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们的任何变
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。

[0030] 附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然
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。

[0031] 在本说明书中使用的术语“部件”、“模块”、“系统”、“单元”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件或执行中的软件。例如，单元可以是但不限于
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。

[0032] 实施例1

[0033] 请参阅图1至图3，本实施例提供一种基于神经网络和回波垂直信息的定量降水估测方法，包括以下步骤：

[0034] 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；

[0035] 步骤S200：GRU神经网络的训练；将雷达资料与降水观测资料进行同步匹配，并对匹配后的数据进行标准化处理，构建训练数据集，开展GRU神经网络的训练；

[0036] 步骤S300：先对待预测的雷达资料进行处理，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，并对估测结果进行反解，最终得到雷达定量降
水的估测值。

[0037] 实施例2

[0038] 请参阅图4，本实施例是在实施例1的基础上对一种基于神经网络和回波垂直信息的定量降水估测方法中步骤S100具体内容进一步描述，其中包含以下步骤：

[0039] 步骤S101：雷达基数据解码和质量控制。根据雷达基数据的存储结构和格式，利用Fortran或Python等程序语言对其进行解码，获得雷达数据的立体(不同仰角)观测信息。利
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。

[0040] 步骤S102：组合反射率的计算。基于质量控制处理后的雷达回波立体信息，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。

[0041] 步骤S103：雷达回波顶高的计算。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，从高仰角向低仰角逐渐搜索，找出第一个反射率因子≥18dBZ的
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。

[0042] 步骤S104：雷达回波底低的计算。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，从低仰角向高仰角逐渐搜索(与回波顶高的搜索相反)，找出第
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。

[0043] 步骤S105：降水观测站点处雷达资料的插值。根据降水观测站的经纬度信息，利用双线性插值法(即用待插值点周围四个雷达探测点的值进行内插)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。

[0044] 实施例3

[0045] 请参阅图5，本实施例是在实施例1的基础上对一种基于神经网络和回波垂直信息的定量降水估测方法中步骤S200具体内容进一步描述，其中包含以下步骤：

[0046] 步骤S201：雷达数据与降水资料的匹配与标准化。通常，雷达观测数据为瞬时值，几分钟观测一次，而降水观测为累计值，如1小时累计雨量。根据降水资料的累计时段(如1
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。

[0047] 步骤S202：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。

[0048] 步骤S203：GRU神经网络的训练。基于Python的Tensorflow(基于数据流编程的符号数学系统)模块，选取均方根误差(RMSE)损失函数、Adam优化器、随机梯度下降法、tanh激
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。

[0049] 实施例4

[0050] 请参阅图6，本实施例是在实施例1的基础上对一种基于神经网络和回波垂直信息的定量降水估测方法中步骤S300具体内容进一步描述，其中包含以下步骤：

[0051] 步骤S301：雷达资料的估测(预测)数据集。将用于定量降水估测(模拟)的雷达组合反射率、雷达回波顶高和雷达回波底高等数据进行平均，并利用公式
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。

[0052] 步骤S302：基于GRU神经网络的定量降水估测。利用步骤S23训练好的GRU神经网络模型和步骤S31建立的雷达资料估测数据集，开展雷达定量降水的估测(模拟)，得到标准化
的雷达定量降水估测结果。

[0053] 步骤S303：雷达定量降水数据的反解。基于GRU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。

[0054] 在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必
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。

[0055] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结
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。

[0056] 显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或者特性可以包含在本实施例
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。

[0057] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本
发明的范围由权利要求及其等同物限定。