一种基于深度学习的大气湍流监测方法技术

本发明专利技术公开一种基于深度学习的大气湍流监测方法，包括训练阶段和监测阶段两部分：训练阶段设计数据格式，开放数据接口，为不同的数据源提供接入方案；利用气象模式资料进行降尺度数值模拟计算，输出目标区高分辨率气象要素场。同时，结合多个经验指数计算湍流强度。建立基于深度学习的湍流强度模型训练器，模型训练器输入样本为卫星云图、对应时空的高分辨率气象要素场以及湍流强度场，模型训练器输出为模型参数。监测阶段根据训练阶段中模型训练器得到的模型参数，建立基于深度学习的湍流强度推理器。推理器可以根据卫星云图与高分辨率气象要素场实时评估大气湍流强度，达到大气湍流监测的目的。

A Method of Atmospheric Turbulence Monitoring Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的大气湍流监测方法
本专利技术涉及一种监测大气湍流的技术方案，尤其涉及一种利用深度学习来监测大气湍流生成的方法，属于大气科学和计算机科学

技术介绍
大气湍流是一种复杂的尺度多变的大气运动形式。大气湍流的发生伴随着气压、速度、温度等物理量的随机涨落，能够显著增强大气内的动量、热量、物质的传递与交换，使其成为大气运动中极为重要的一个环节。当大气湍流涡旋尺度与飞行器尺度相当时，湍流能使飞行器产生瞬间或长时间的颠簸，严重时甚至失去控制，威胁其飞行安全。同时，大气湍流能够显著改变局地大气温度与密度的分布，对声波、光波、无线电波等通讯信号在大气中的传播造成严重干扰，使信号发生闪烁或漂移等。此外在特定情况下，大振幅地形上方的湍流会在山脉背风坡激发出下坡风暴，对下游地区的居民生活及工农业生产造成严重的影响。因此，研究与预报大气湍流的发生具有非常重要的意义。现有观测技术迅速发展的航空业使得人们对大气湍流的发生越来越重视，同时由于飞机观测是业务化大气湍流观测的主要手段，客观上大气湍流的观测样本也在逐年增加。飞机观测主要包括两类，一是飞行员报告观测(PilotReports,PIREPs)，它是指飞机在飞行过程中遭遇明显颠簸时，飞行员会立刻将主观感受到的颠簸强度，时空位置等信息进行报告并记录。二是全自动飞机观测(AircraftMeteorologicalDataRelay,AMDAR)，它是指商用民航飞机在飞行过程中，通过其搭载的全自动气象观测仪器定期采集反演飞机所在位置的气象要素。目前，部分飞机(国内只有极少部分)已经装配有飞机颠簸的自动采样仪器，主要观测垂直阵风峰值(PeakVerticalGust,PEAKVG)和湍流耗散率(EddyDissipationRate,EDR)这两个特征量以反应湍流强度。飞机观测的最大缺点在于空间分布局限在飞行航路上，并且颠簸强度取决于飞机自身性能或飞行员主观感受，数据代表性偏弱；同时，国内飞机观测数样本太少，无法支持开展实时监测、统计研究等相关工作。此外，一些光学观测仪器，如激光雷达、闪烁计数器等也被运用于湍流的观测，但是由于这些观测仪器成本高、观测范围有限，所以通常只被运用于科学实验中。现有预报技术从1883年Reynolds最早注意到湍流运动起，针对该现象的研究一直都未曾停止。其中，Richardson，Kolmogorov提出了著名的湍流串级理论，即湍流可以由相差很大的、各种不同尺度的涡旋组成。最大的涡旋由平均流场或平均温度场的不稳定性及边界条件产生，而大涡旋通过惯性又将能量输送或破裂成较小的涡旋，最后在最小的涡旋尺度上被黏性耗散。对于大气而言，大的涡旋可达数千公里，小的涡旋仅几毫米，这种尺度的多变性是大气湍流研究最为复杂的地方。从预报角度看，尺度在1km以下的大气湍流的预报最为困难但也最为关键。这个尺度的湍流与飞行器尺度相当，会对其造成严重的影响。目前，业务化的数值天气预报模式还达不到直接解析小尺度湍流的能力，而其他方法如直接模拟(DirectNumericalSimulation,DNS)，大涡模拟(LargeEddySimulation,LES)，雷诺平均(ReynoldsAverageNavier-Stokes，RANS)等对硬件要求极高，耗费机时较大，只适用于小规模的科学研究中，无法满足常规预报对时效性的需求。所以当前国际上较为常用的方法是“大气湍流潜势诊断法”，即对数值天气预报模式的模拟结果进行潜势诊断，找到适合于大气湍流生成的大尺度环境特征，从而预报大气湍流的发生。该方法的不足之处在于预报效果完全取决于数值天气预报的准确性，当数值天气预报模式结果出现系统性偏差时，潜势诊断的结果也会随之出现偏差。同时，在预报系统建立过程中，通常会对各类诊断条件设置不同的权重。这些权重的设置需要使用大量的观测资料进行系统性测试，但目前国内相关观测资料十分匮乏，也鲜有文献支撑相关工作的开展。国内还没有专门针对大气湍流的业务化监测方法，所以大气湍流的监测依然是一个极具挑战也急需解决的问题。
技术实现思路
专利技术目的：现有观测技术无法实现对大气湍流进行大范围的实时监测，同时由于缺乏观测资料的支持，利用大气湍流潜势诊断法进行大气湍流监测，其可靠性与准确性均较差，且耗费机时，无法达到实时监测的目的。本专利技术针对现有技术的不足，提出一种结合卫星云图、深度学习与数值天气预报模式的大气湍流监测方法，该方法具有范围广，分辨率高，准确率高，速度快等优势。技术方案：一种基于深度学习的大气湍流监测方法，包括训练阶段和监测阶段两部分：训练阶段(1)数据缓存模块的实现：设计数据格式，开放数据接口，为不同的数据源(卫星云图、气象模式资料、飞机观测等)提供接入方案；(2)数值模拟模块的实现：利用气象模式资料进行降尺度数值模拟计算，输出目标区高分辨率气象要素场数值模拟结果。同时，结合多个经验指数计算湍流强度。(3)模型训练模块的实现：建立基于深度学习的湍流强度模型训练器，训练器输入样本为卫星云图、目标区高分辨率气象要素场以及湍流强度场，模型的输出为模型参数。监测阶段(1)数据缓存模块的实现：此模块与训练阶段中的数据缓存模块一致。(2)数值预报模块的实现：此模块与训练阶段中的数值模拟模块基本一致，但气象模式资料采用预报场资料，并且不再进行湍流强度的计算。(3)模型推理模块的实现：根据训练阶段中模型训练模块得到的模型参数，建立基于深度学习的湍流强度推理器。推理器可以根据卫星云图与高分辨率气象要素场实时计算大气湍流强度，达到大气湍流监测的目的。有益效果：与现有技术相比，本专利技术提供一种以实时卫星云图数据、高分辨率数值天气预报模式结果为主要输入、深度神经网络为主要模型的大气湍流监测方法。本专利技术相较传统大气领域的湍流监测方法有着准确率高、时效性强、适用性强、模型可在线更新等优点。此专利技术对于空域中大气湍流的监测，可应用于民用航空保障，通信保障，军事国防等诸多领域。具体有如下几方面优势：(1)解决业务化大气湍流监测的难点问题。一直以来，国内都没有成熟的业务化大气湍流监测系统，这主要受限于观测资料的缺乏和相关研究的缺失。本专利技术的提出将大气科学的传统问题与计算机领域的机器学习技术相结合，从另一个视角与途径打破资料缺乏这一桎梏，为大气湍流的实时监测提供一种切实可行的技术途径。(2)监测范围广，分辨率高。传统的观测方法如飞机航线上的飞行员报告观测或全自动飞机观测，只能覆盖飞行航线，且时间分辨率非常不稳定。新型的观测方法如激光雷达等覆盖范围十分有限且费用高昂。而卫星云图作为全球眼，其覆盖范围广，时空分辨率高，能够全天不间断的对大气环境进行监测。(3)监测准确率高。国外常见的湍流潜势诊断法依赖于数值天气预报模式的准确率，常出现系统性偏差。本方法融合了数值天气预报模式和卫星云图观测，监测准确率更高。(4)监测时效性强。通过训练好的模型进行大气湍流识别，速度极快，可在接收到卫星资料的数秒内，通过GPU运算得到结果，这对于该要素的监测来说极为关键。(5)可移植性强。本专利技术可架构在多种开源深度学习框架(Caffe/TensorFlow/PyTorch)之上，通过CPU即可进行计算，亦可使用GPU进行计算。附图说明图1为本专利技术本文档来自技高网...

【技术保护点】
1. 一种基于深度学习的大气湍流监测方法，其特征在于，包括训练阶段和监测阶段两部分：训练阶段（1）数据缓存模块的实现：设计数据格式，开放数据接口，为不同的数据源提供接入方案；（2）数值模拟模块的实现：利用气象模式资料进行降尺度数值模拟计算，输出目标区高分辨率气象要素场；同时，结合多个经验指数计算湍流强度；（3）模型训练模块的实现：建立基于深度学习的湍流强度模型训练器，训练器输入样本为卫星云图、对应时空的高分辨率气象要素场以及湍流强度场，输出为模型参数；监测阶段（1）数据缓存模块的实现：此模块与训练阶段中的数据缓存模块一致；（2）数值预报模块的实现：此模块与训练阶段中的数值模拟模块基本一致，但气象模式资料采用预报场资料，并且不再进行湍流强度的计算；（3）模型推理模块的实现：根据训练阶段中模型训练模块得到的模型参数，建立基于深度学习的湍流强度推理器；推理器可以根据卫星云图与高分辨率气象要素场实时计算大气湍流强度，达到大气湍流监测的目的。

【技术特征摘要】
1.一种基于深度学习的大气湍流监测方法，其特征在于，包括训练阶段和监测阶段两部分：训练阶段（1）数据缓存模块的实现：设计数据格式，开放数据接口，为不同的数据源提供接入方案；（2）数值模拟模块的实现：利用气象模式资料进行降尺度数值模拟计算，输出目标区高分辨率气象要素场；同时，结合多个经验指数计算湍流强度；（3）模型训练模块的实现：建立基于深度学习的湍流强度模型训练器，训练器输入样本为卫星云图、对应时空的高分辨率气象要素场以及湍流强度场，输出为模型参数；监测阶段（1）数据缓存模块的实现：此模块与训练阶段中的数据缓存模块一致；（2）数值预报模块的实现：此模块与训练阶段中的数值模拟模块基本一致，但气象模式资料采用预报场资料，并且不再进行湍流强度的计算；（3）模型推理模块的实现：根据训练阶段中模型训练模块得到的模型参数，建立基于深度学习的湍流强度推理器；推理器可以根据卫星云图与高分辨率气象要素场实时计算大气湍流强度，达到大气湍流监测的目的。2.如权利要求1所述的基于深度学习的大气湍流监测方法，其特征在于，训练阶段的数值模拟模块实现中：利用中尺度数值天气预报模式WRF建立区域数值天气预报模式，对区域开展高分辨率数值模拟；模式初始场及边界条件使用气象模式资料，采用三重网格嵌套进行降尺度数值模拟计算；参数化方案包括：RRTM长波辐射传输方案，Dudhia短波辐射方案，MYJ边界层参数化方案，Kain-Fritsch积云参数化方案，Noah陆面过程参数化方案；模式采用每6小时间隔的循环启动，每次模拟12小时，并取第6~12小时作为输出时间段，输出逐小时、水平分辨率1km、垂直分层50层的高分辨率数值模拟结果。3.如权利要求2所述的基于深度学习的大气湍流监测方法，其特征在于，将逐小时数值模拟结果插值至若干“基准高度层”及其“邻近高度层”上，基准高度层为深度学习模型最终需要计算大气湍流的层次，邻近高度层指基准高度±100m；将每一个基准高度层和其邻近高度层的模式网格点上的气象基本要素场提取出来，插值至卫星云图像素点对应的经纬度上，构成一组高分辨率气象要素场，作为深度学习模型的“输入”使用；同时，在基准高度层的每个网格点上计算多个湍流潜势诊断指数，由于每个指数都能表征大气湍流的发生潜势但其量级大小相去甚远，将每个指数划分至六个等级，无-1、极轻-2、轻-3、中-4、强-5、极强-6，并取最强的等级为该网格点的湍流...

【专利技术属性】
技术研发人员：徐经纬，丁锦锋，吴建鑫，王慧妍，贾赟，吕建，
申请(专利权)人：南京大学，中国人民解放军国防科技大学，
类型：发明
国别省市：江苏,32