一种基于卫星云图的对流云机器学习识别方法技术

一种基于卫星云图的对流云机器学习识别方法，1获取云顶亮温历史时段和当前监测数据，获取相同历史时段内的地面降水；2通过双三次样条插值，将历史时段和当前TBB数据插值到历史时段地面降水场的网格上；3生成历史时段亮温指标库和当前亮温指标库；4选取降水阈值；5计算Y和X的互信息；6通过支持向量机技术得到Y与相应参数之间的非线性关系；7计算Z和X的互信息；8通过支持向量机技术得到Z与相应参数之间的非线性关系；9估计当前有无降水的概率；10估计当前有无对流性降水的概率；11判断是否为对流云，本发明专利技术利用机器学习技术，定量识别对流云在不同通道卫星云图上的特征，发展对流云的实时识别技术。的实时识别技术。的实时识别技术。

【技术实现步骤摘要】
一种基于卫星云图的对流云机器学习识别方法


[0001]本专利技术涉及卫星云图分析
，特别是涉及一种基于卫星云图的对流云机器学习识别方法。

技术介绍

[0002]强对流云团经常伴随着狂风、暴雨、巨浪等灾害性事件，不仅可以造成显著的人员伤亡，而且能够带来巨大的经济损失。陆上的对流云监测可以通过地面自动气象站、地基雷达、卫星等实现，而在宽广的海洋上，卫星是首要的对流云监测手段。早期研究主要依靠分析云的形态、云覆盖的面积等在卫星云图上的可视化外观特征来识别对流云。随着气象卫星的不断升级发展，后来研究主要通过计算卫星云图上的云顶高度、云顶温度、云区范围及其的空间梯度和时间变化等来定量识别对流云。当以上指标达到或超过相应的阈值时，就识别为对流云。这种方法是基于对流云的物理属性提出的，即：对流云相比其他云系往往具有更深厚的云体、更低的云顶温度、更高的云水含量、更多的云内冰相粒子等。由于不同地域上、不同季节内的对流云所处的环境背景不同，上述指标对应的阈值具有局地性。以云顶温度为例，不同研究采用了许多不同的阈值，包括207 K、215 K、235 K、241 K等等。在实时处理卫星云图的过程中，选定一个确定的阈值非常困难，这严重制约着对流云的实时监测。当前，随着人工智能、机器学习技术的发展，基于大数据的统计方法在图像识别、关联分析等领域越来越普及。因此，本专利技术利用机器学习技术，定量识别对流云在不同通道卫星云图上的特征，发展对流云的实时识别技术。

技术实现思路

[0003]针对以上问题，本专利技术旨在提供一种基于卫星云图的对流云机器学习识别方法，利用机器学习技术，定量识别对流云在不同通道卫星云图上的特征，发展对流云的实时识别技术。
[0004]本专利技术提供一种基于卫星云图的对流云机器学习识别方法，具体步骤如下，其特征在于：步骤一：获取气象卫星p个通道的云顶亮温TBB历史时段和当前监测数据，获取相同历史时段内的地面降水再分析资料，包括总降水量TP和对流降水量CP；步骤二：通过双三次样条插值，将历史时段和当前TBB数据插值到历史时段地面降水场的网格上；步骤三：生成历史时段亮温指标库（X
i
，i=1、
……
、）和当前亮温指标库（U
i
，i=1、
……
、），其中i表示指标的个数，p表示不同通道的TBB数据个数，表示任意两个通道TBB差值的个数；步骤四：选取0.1mm的降水阈值，将历史时段TP和CP转化为有无降水标识库Y和有
无对流性降水表示库Z；步骤四中的转化公式为：；步骤五：计算Y和X的互信息；步骤五中的互信息的计算公式为：；其中p(x,y)是第i个指标X
i
和Y的联合概率密度函数，p(x)和p(y)分别是X
i
和Y的密度函数；步骤六：按的值从大到小排序，将排在最前面的两个指标分别为X
j
和X
k
作为自变量，将Y作为因变量，通过支持向量机SVM技术得到Y与X
j
、X
k
之间的非线性关系；步骤七：计算Z和X的互信息;步骤八：按的值从大到小排序，将排在最前面的两个指标分别为X
m
和X
n
作为自变量，将Z作为因变量，通过支持向量机SVM技术得到Z与X
m
、X
n
之间的非线性关系；步骤九：选择与步骤六相同的两个指标分别为第j个和第k个，通过非线性关系，估计当前有无降水的概率；步骤十：选择与步骤八相同的两个指标分别为第m个和第n个，通过非线性关系，估计当前有无对流性降水的概率；步骤十一：根据Prob1和Prob2判断是否为对流云，其中Prob1为有无降水的概率，Prob2为是否有对流性降水的概率。
[0005]作为本专利技术进一步改进，所述步骤十一中的判据为：。
[0006]本专利技术提供了一种基于卫星云图的对流云机器学习识别方法，步骤一：获取气象卫星p个通道的云顶亮温（TBB）历史时段和当前监测数据，获取相同历史时段内的地面降水再分析资料；步骤二：通过双三次样条插值，将历史时段和当前TBB数据插值到历史时段地面降水场的网格上；步骤三：生成历史时段亮温指标库和当前亮温指标库。步骤四：选取0.1mm的降水阈值，将历史时段和CP转化为有无降水标识库和有无对流性降水表示库；步骤五：计算Y和X的互信息；步骤六：按的值从大到小排序，将排在最前面的两个指标作为自变量，将Y作为因变量，通过支持向量机技术得到Y与X
j
、X
k
之间的非线性关系；步骤七：计算Z和X的互信息；步骤八：按的值从大到小排序，将排在最前面的两个指标
作为自变量，将Z作为因变量，通过支持向量机技术得到Z与X
m
、X
n
之间的非线性关系；步骤九：选择与步骤六相同的两个指标（第j个和第k个），通过非线性关系，估计当前有无降水的概率；步骤十：选择与步骤八相同的两个指标（第m个和第n个），通过非线性关系，估计当前有无对流性降水的概率；步骤十一：根据Prob1和Prob2判断是否为对流云，本专利技术利用机器学习技术，定量识别对流云在不同通道卫星云图上的特征，发展对流云的实时识别技术。
附图说明
[0007]图1是技术架构和执行流程图；图2是具体实施例的对流云识别结果。
具体实施方式
[0008]下面结合附图与具体实施方式对本专利技术作进一步详细描述：本专利技术工作流程图如图1所示，具体为：第一步，获取气象卫星p个通道的云顶亮温TBB历史时段和当前监测数据，以Himawari
‑
8卫星为例，包括10个通道的红外亮温观测（通道7~16）；获取相同历史时段内的地面降水再分析资料，以ERA5为例，包括总降水量TP和对流降水量CP；第二步，通过双三次样条插值，将历史时段和当前TBB数据插值到历史时段地面降水场的网格上，使得TBB、TP和CP所处的水平格点保持一致；步骤三：生成历史时段亮温指标库（X
i
，i=1、
……
、 ）和当前亮温指标库（U
i
，i=1、
……
、），其中i表示指标的个数，p表示不同通道的TBB数据个数，表示任意两个通道TBB差值的个数；第四步，选取0.1mm的降水阈值，将历史时段TP和CP转化为有无降水标识库Y和有无对流性降水表示库Z，公式为：；第五步，计算Y和X的互信息，公式为：（2）其中p(x,y)是第i个指标Xi和Y的联合概率密度函数，p(x)和p(y)分别是Xi和Y的密度函数；第六步，按的值从大到小排序，将排在最前面的两个指标（例如X
j
和X
k
，即第j个和第k个历史时段亮温指标X）作为自变量，将Y作为因变量，通过支持向量机SVM技术得到
Y与X
j
、X
k
之间的非线性关系，即：第七步，计算Z和X的互信息（），公式为：其中p(x，z)是第i个指标X
i
和Z的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卫星云图的对流云机器学习识别方法，具体步骤如下，其特征在于：步骤一：获取气象卫星p个通道的云顶亮温TBB历史时段和当前监测数据，获取相同历史时段内的地面降水再分析资料，包括总降水量TP和对流降水量CP；步骤二：通过双三次样条插值，将历史时段和当前TBB数据插值到历史时段地面降水场的网格上；步骤三：生成历史时段亮温指标库（X
i
，i=1、
……
、）和当前亮温指标库（U
i
，i=1、
……
、），其中i表示指标的个数，p表示不同通道的TBB数据个数，表示任意两个通道TBB差值的个数；步骤四：选取0.1mm的降水阈值，将历史时段TP和CP转化为有无降水标识库Y和有无对流性降水表示库Z；步骤四中的转化公式为：；步骤五：计算Y和X的互信息；步骤五中的互信息的计算公式为：；其中p(x,y)是第i个指标X
i
和Y的联合概率密度函数，p(x)和p(y)分别是X
i
和Y的密度函数；步骤六：按的值从大到小排序，将排在...

【专利技术属性】
技术研发人员：郭洪涛，宋金杰，
申请(专利权)人：江苏铨铨信息科技有限公司，
类型：发明
国别省市：