基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法技术

本发明专利技术公开了基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法，包括：S1、选取大量双极化气象雷达观测资料及NOAA水凝物粒子分类结果，制作水凝物粒子数据集；S2、在Pytorch框架下搭建残差卷积神经网络模型；S3、将水凝物粒子数据集输入残差卷积神经网络中进行训练，提取训练集中水凝物粒子特征；每次训练集一次训练完成后，利用验证集对模型进行验证，循环训练预设次数后得到训练模型；S4、对训练模型利用测试集进行测试，并用实测数据进行识别。本发明专利技术方法使得雷达极化信息得以充分提取、相邻雷达距离门的信息相互影响，对不同相态的水凝物粒子的识别更加智能，识别准确度更高，可有效预防灾害性天气的发生。可有效预防灾害性天气的发生。可有效预防灾害性天气的发生。

【技术实现步骤摘要】
基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法


[0001]本专利技术涉及雷达信号处理技术，特别是涉及一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法。

技术介绍

[0002]天有不测风云这句话通常用来形容不稳定的大气现象。灾害性天气对于人们的生产生活会造成很大影响，不仅会限制出行，还会使得财产遭受巨大损失。气象雷达的出现为探测、预报恶劣天气情况提供了可能。但早期的单极化气象雷达对于灾害性天气的探测只能通过计算判断其反射率因子的大小由经验做出决策，无法获取更多气象云团的内部信息。而双极化气象雷达由于可以同时发射水平、垂直两个方向上的电磁波，能够得到目标回波的极化信息。即除了反射率因子、谱宽、多普勒速度外还能额外计算得到差分反射率、差分相移、相关系数、线性退极化比等极化参数。这些极化参数对水凝物粒子的形状、大小、空间取向、相态和降落状态等极其敏感，通过分析这些极化变量所含的极化信息可以有效的识别水凝物粒子。已有的双极化气象雷达研究成果大多利用模糊逻辑法进行水凝物粒子相态的识别，其方法虽然简单，但是没有考虑到气象目标是成片出现这一现实因素。其相邻雷达距离门之间的粒子信息没能很好的相互关联，并且仅利用单个雷达门极化信息没能有效利用大量的极化信息。

技术实现思路

[0003]专利技术目的：本专利技术的目的是提供一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法，通过数据分块并利用残差卷积神经网络这一特征提取器，将雷达回波极化参数中所蕴含的大量气象信息智能的提取出来，实现了相邻雷达距离门之间粒子信息的有效关联，进而可提升水凝物粒子的识别精度。
[0004]技术方案：本专利技术的一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法，包括以下步骤：
[0005]S1、选取大量双极化气象雷达观测资料以及NOAA(National Oceanic and atmospheric Administration)水凝物粒子分类结果，利用双极化气象雷达实测数据进行水凝物粒子数据集制作，包括：
[0006]从双极化气象雷达实测数据中选取非晴空天气状态下反射率因子Z
h
、差分反射率Z
dr
、相关系数ρ
hv
、差分相移率K
dp
四个极化参数对其预处理；
[0007]将极化参数组成四通道的三维阵列，并将三维极化参数矩阵与NOAA水凝物粒子分类结果分割成小的矩阵块并依据NOAA水凝物粒子分类结果挑选有效数据生成水凝物粒子数据集；
[0008]将生成的水凝物粒子数据集分为训练集，验证集和测试集，并对训练集、验证集、测试集进行标准化处理，其中，训练集和验证集用于模型训练，当模型训练完成之后，利用
测试集对模型测试；
[0009]S2、在Pytorch框架下搭建残差卷积神经网络模型；
[0010]S3、将步骤S1得到的水凝物粒子数据集送到S2步骤所搭建的残差卷积神经网络中进行训练，提取训练集中水凝物粒子特征；每次训练集一次训练完成后，利用验证集对模型进行验证，总共循环训练预设次数后得到训练模型；
[0011]S4、对步骤S3得到的训练模型利用测试集进行测试，并用实测数据进行识别。
[0012]进一步的，步骤S1中对极化参数进行预处理的方法为：对反射率因子进行方位向与距离向的校正，使其与差分反射率、相关系数和差分相移率大小相等；具体为：
[0013]将大小为m1×
n反射率因子数据，首先沿距离向将原始数据扩充d1次后变为(m1×
d1)
×
n，再按照每d2个距离门抽取一个距离门的方法得到大小(m1×
d1)/d2×
n与其余极化参数相同的矩阵，其中m1为反射率因子在距离向采样点个数，n为反射率因子在方位向采样点个数；
[0014]然后对反射率因子的方位角进行校正，使反射率因子起始方位角与其余极化参数起始方位角相同，校正公式如下：
[0015]Z
h
′
＝{Z
h
[1200,(az1‑
az2)：360],Z
h
[1200,0:(az1‑
az2)]}；
[0016]其中，Z
h
′
为校正后的反射率因子，Z
h
为校正前的反射率因子，az1为相关系数的起始方位角，az2为反射率因子的起始方位角；{}为拼接运算符。
[0017]进一步的，步骤S1中数据集制作的具体方法为：
[0018]将四个极化参数沿方位向和距离向依次取m∈(12，40)个单元，构成4
×
m
×
m的小矩阵块，同时将NOAA水凝物粒子分类结果也剪裁为m
×
m的矩阵块作为标签待用；由于雷达的稀疏特性，导致雷达数据块中存在无效值；为了保证模型能够有足够的极化信息用于学习，采用了滤波器，设定大小为m
×
m的NOAA水凝物粒子分类结果中必须含有数量为m
×
m
×
5％个雷达门为有效值，并且为了减少输入数据中的噪声存在，按照投票原则，假定类别最多的水凝物粒子个数大于m
×
m
×
5％
×
50％，则将此类水凝物粒子作为三维矩阵块的标签；将满足条件的矩阵块作为数据集，不满足条件的舍弃；然后等量挑选冰晶、干雪、小中雨、大滴四种粒子。
[0019]进一步的，步骤S1中训练集、验证集、测试集的标准化公式如下：
[0020][0021]其中，y
i
为标准化之后输出的极化参数矩阵；x
i
为输入的极化参数矩阵；mean为数据集中所有极化参数矩阵的均值；std为数据集中所有极化参数构成矩阵的方差。
[0022]进一步的，步骤S2中搭建的残差卷积神经网络模型包括输入输出层、一层卷积层、四个残差网络模块RNM、一层全连接层和一个Softmax分类器；
[0023]提取训练集中的水凝物粒子特征的方法为：
[0024]输入大小为4
×
m
×
m数据后，数据首先通过卷积核大小为3
×
3，步长为1，填充为1的卷积层，输出大小为16
×
c1×
c1的特征图，使用Relu激活函数后进行最大池化，池化核尺寸为3
×
3，步长为1，填充为1，输出特征图尺寸不变仍为16
×
c1×
c1；其中，c1为第一层卷积层输出的特征图尺寸，m为分割后矩阵快的大小，也即单元数；
[0025]其中Relu函数如下式：
[0026][0027]其中，f(x)是Relu取最大值的函数，当输入为负值，输出为0，则神经元不会被激活，x为输入的特征图；
[0028]特征图尺寸大小计算公式如下式：
[0029][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法，其特征在于，包括以下步骤：S1、选取大量双极化气象雷达观测资料以及NOAA(National Oceanic and atmospheric Administration)水凝物粒子分类结果，利用双极化气象雷达实测数据进行水凝物粒子数据集制作，包括：从双极化气象雷达实测数据中选取非晴空天气状态下反射率因子Z
h
、差分反射率Z
dr
、相关系数ρ
hv
、差分相移率K
dp
四个极化参数对其预处理；将极化参数组成四通道的三维阵列，并将三维极化参数矩阵与NOAA水凝物粒子分类结果分割成小的矩阵块并依据NOAA水凝物粒子分类结果挑选有效数据生成水凝物粒子数据集；将生成的水凝物粒子数据集分为训练集，验证集和测试集，并对训练集、验证集、测试集进行标准化处理，其中，训练集和验证集用于模型训练，当模型训练完成之后，利用测试集对模型测试；S2、在Pytorch框架下搭建残差卷积神经网络模型；S3、将步骤S1得到的水凝物粒子数据集送到S2步骤所搭建的残差卷积神经网络中进行训练，提取训练集中水凝物粒子特征；每次训练集一次训练完成后，利用验证集对模型进行验证，总共循环训练预设次数后得到训练模型；S4、对步骤S3得到的训练模型利用测试集进行测试，并用实测数据进行识别。2.根据权利要求1所述的一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法，其特征在于，步骤S1中对极化参数进行预处理的方法为：对反射率因子进行方位向与距离向的校正，使其与差分反射率、相关系数和差分相移率大小相等；具体为：将大小为m1×
n反射率因子数据，首先沿距离向将原始数据扩充d1次后变为(m1×
d1)
×
n，再按照每d2个距离门抽取一个距离门的方法得到大小(m1×
d1)/d2×
n与其余极化参数相同的矩阵；其中m1为反射率因子在距离向采样点个数，n为反射率因子在方位向采样点个数；然后对反射率因子的方位角进行校正，使反射率因子起始方位角与其余极化参数起始方位角相同，校正公式如下：Z
h
′
＝{Z
h
[1200,(az1‑
az2)：360],Z
h
[1200,0:(az1‑
az2)]}；其中，Z
h
′
为校正后的反射率因子，Z
h
为校正前的反射率因子，az1为相关系数的起始方位角，az2为反射率因子的起始方位角；{}为拼接运算符。3.根据权利要求1所述的一种基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法，其特征在于，步骤S1中数据集制作的具体方法为：将四个极化参数沿方位向和距离向依次取m∈(12，40)个单元，构成4
×
m
×
m的小矩阵块，同时将NOAA水凝物粒子分类结果也剪裁为m
×
m的矩阵块作为标签待用；由于雷达的稀疏特性，导致雷达数据块中存在无效值；为了保证模型能够有足够的极化信息用于学习，采用滤波器，设定大小为m
×
m的NOAA水凝物粒子分类结果中必须含有数量为m
×
m
×
5％个雷达门为有效值，并且为了减少输入数据中的噪声存在，假定类别最多的水凝物粒子个数大于m
×
m
×
5％
...

【专利技术属性】
技术研发人员：王旭东，高涌荇，徐桂光，罗泽虎，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：