基于多源数据融合的配料法识别航空对流风险区的方法技术

本发明专利技术提供一种基于多源数据融合的配料法识别航空对流风险区的方法，基于多部雷达的三维组网拼图格点数据，通过建立雷达回波特征参数库，并利用当地机场气象观测数据中雷暴人工记录，挑选出有雷暴的强对流事件，通过聚类分析，得到雷达回波特征参数的阈值，建立多阈值雷暴云判别模型，对雷暴云团进行识别并提取出0℃等温层高度以上各层的积冰风险区，同时融合闪电数据确定航线上雷电风险区。本发明专利技术为飞行员在航线飞行中提供了对流云的三维风险区信息，有助于飞行员快速做出绕飞或者高度调整的决策，从而为航线飞行安全提供依据和参考。考。

【技术实现步骤摘要】
基于多源数据融合的配料法识别航空对流风险区的方法


[0001]本专利技术属于气象分析
，具体涉及一种基于多源数据融合的配料法识别航空对流风险区的方法。

技术介绍

[0002]强对流天气是导致气象灾害的重要天气类型，对航空飞行安全造成严重影响。强对流天气中的雷暴能产生各式各样的危及飞行安全的天气现象，如强烈的颠簸、积冰、雷击和低空风切变等。当飞机误入雷暴活动区内，轻者造成人及损伤，重者机毁人亡[1
‑
2]。因此，雷暴是目前被世界航空界和气象部门公认的严重威胁航空飞行安全的天敌，而“千里眼”多普勒气象雷达则是各机场气象部门监测强对流天气的主要手段，随着航班量的增加以及后疫情时代经济压力的影响，如何准确识别强对流天气风险区的水平和垂直范围，成为了有效提供航空生产效率和保障飞行安全所亟待解决的问题。
[0003]上世界80年代美国就提出了风暴识别算法(SCIT)及后来应用广泛的TITAN算法，这两种算法都是基于反射率因子的阈值进行的风暴识别。利用雷达三维反射率资料提取出层状云和对流云的6个参数，用以识别两类不同的云。随着机器学习的引入，利用LightGBM算法对地面观测数据和雷达回波产品建立模型分类识别出三类强对流天气，还有采用深度神经网络通过寻求雷达图像与“是否发生强对流天气”之间的函数映射关系，对雷达回波图像进行训练、建模达到对流识别的目的，此后还有技术利用随机森林、逻辑回归、以及支持向量机等算法对雷达反射率产品进行训练和建模，用以识别不同种类的强对流天气或者是天气的强度。这些技术的开发和应用很好的解决了当下强对流天气不同种类的识别，并广泛应用于电力、农业等领域，但事实上天气雷达作为特种设备，也存在着自身的缺陷，如超折射现象造成的虚假回波、以及地形对雷达阻挡、电磁干扰对雷达运行产生的影响都将直接导致上述技术对强对流识别结果出现虚报、漏报、错报，甚至其中有些算法脱离了气象专业的物理机制，往往造成了一些极端的结果出现，让用户难以接受，而气象人员也不容易找出原因。此外，这些技术往往是用以识别某一个地区是否存在雷暴、冰雹以及短时强降水等天气现象，而在民航空管系统中需要确切知道是对流风险区的范围等信息，以便于专业融合实现航路通行能力下降提示、危险区告警等能力。因此，需要有一种技术能够结合气象专业知识，面向民航飞行和空管系统，更加精确的识别出对流风险避让区，为提高对流天气下飞行安全及空域利用率提供支撑。
[0004]《基于LightGBM算法的强对流天气分类识别研究》(刘新伟,黄武斌,蒋盈沙,郭润霞,黄玉霞,宋强,杨勇.基于LightGBM算法的强对流天气分类识别研究[J].高原气象,2021,40(04):909
‑
918.)，利用甘肃三个地区的C波段雷达回波产品以及地面观测数据，构建的LightGBM模型，来对三类主要的强对流天气[冰雹、雷暴大风、短时强降水(短强)]进行分类识别该技术存在以下缺点：
[0005]1、LightG
‑
BM模型的好坏严重依赖于训练集的样本数量，需要较大的训练集进行建模；
[0006]2、该技术中强对流和非强对流天气的分类是依赖于地面观测资料，而该资料中的雷暴观测属于人工观测，在人工观测规范中，听到雷声依然要记录雷暴事件和雷暴方位以及持续时间，而事实上闪电在40
‑
50km范围都能观测到，而雷声在20公里范围内都能听到，这就导致地面观测的强对流经纬度存在误差，且地面观测站的分布存在不均匀的特征。
[0007]3、该技术的输出结果主要是针对强对流天气的种类进行识别，而不是对流天气的范围进行提取，不能满足民航航线飞行需求。
[0008]《基于深度神经网络的强对流天气识别算法》(王兴,吕晶晶,王璐瑶,王晖,詹少伟.基于深度神经网络的强对流天气识别算法[J].科学技术与工程,2021,21(07):2737
‑
2746.)，构建一个以CNN为基础的深度神经网络模型，通过大量样本“数据对”的迭代训练，以雷达回波图像和表征回波移动路径的光流图像作为输入，通过神经网络的自学习，寻求雷达图像与“是否发生强对流天气”之间的函数映射关系；而判定“是否发生了强对流天气”的标签则通过地面气象观测资料中的小时降水量和最大风速以一定的规则计算得到。该技术存在以下缺点：
[0009]1、该技术通过地面气象观测资料中的1小时累积降水量和1小时最大风速来建立强对流天气发生与否的标签，虽然没有像技术一那样直接使用人工观测造成的误差，但是仅仅用两个要素来定义强对流天气本身就存在很大的误差，这也就导致了该技术的误报率较高；
[0010]2、该算法不仅依赖较长的时间样本并且运算效率也不高。
[0011]3、算法满足不了飞行和空管所需要的对流风险区相关信息。
[0012]《三维雷达反射率资料用于层状云和对流云的识别研究》(肖艳姣,刘黎平.三维雷达反射率资料用于层状云和对流云的识别研究[J].大气科学,2007(04):645
‑
654)中提供了一种基于层状云和对流云的雷达反射率分布的三维形态特征，该技术存在以下缺点
[0013]1、此技术的识别虽然考虑了对流云的气象物理机制，但是其识别结果笼统的给出云团是对流云还是层状云，没有给出对流云的三维化信息，因为实际上云团在各个高度上的垂直分布是不一样的，这就导致飞机在不同高度需要避让的区域也是不一样的；
[0014]2、该技术中的标签对流云产生的天气现象也包括没有雷电的短时强降水现象，而飞行和空管比较关心的是能够伴随产生雷电的强对流天气，因此算法的应用会造成运行效率和空域使用的降低；
[0015]3、它容易把对流核的外围识别成层状云，把厚实的层状云识别成对流云。

技术实现思路

[0016]针对上述技术问题，本专利技术提供一种算法能够利用多部雷达资料，建立高时空分辨率的三维雷达组网格点数据，高效、准确、客观的识别出航线上的伴随有雷电现象的所有对流天气区；还能够提取出对流风险区的三维信息，将飞行风险区转化为不同高度层的危险避让区，给改航及空域通行能力评估提供辅助信息。
[0017]本专利技术的技术方案为：
[0018]基于多源数据融合的配料法识别航空对流风险区的方法，采用的配料法(也称为“阈值判别法”)为基于L波段探空雷达、多普勒气象雷达、闪电数据等多源数据融合的多阈值雷暴风险区判别法来对对流云进行识别，并作为航线上天气风险区划设的依据。
[0019]具体的步骤为：
[0020]S1、多部雷达三维组网拼图
[0021]使用区域多部多普勒气象雷达的基本反射率资料，对数据进行解码和清洗(即数据质量控制)，通过坐标转换以及双线性插值方法将PPI数据转化为12.0km高度以下垂直方向和水平方向分辨率均为500m的等高面等间距的三维单站反射率网格数据(MZCAPPI)，通过对不同雷达站之间的探测重叠区采用最大值法，将多部雷达的MZCAPPI数据进行拼接，得到覆盖区域的三维雷达组网格点数据，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多源数据融合的配料法识别航空对流风险区的方法，其特征在于，基于多部雷达的三维组网拼图格点数据，通过建立雷达回波特征参数库，并利用当地机场气象观测数据中雷暴人工记录，挑选出有雷暴的强对流事件，通过聚类分析，得到雷达回波特征参数的阈值，建立多阈值雷暴云判别模型，对雷暴云团进行识别并提取出0℃等温层高度以上各层的积冰风险区，同时融合闪电数据确定航线上雷电风险区。2.根据权利要求1所述的基于多源数据融合的配料法识别航空对流风险区的方法，其特征在于，具体步骤为：S1、多部雷达三维组网拼图使用区域多部多普勒气象雷达的基本反射率资料，对数据进行解码和清洗，通过坐标转换以及双线性插值方法将PPI数据转化为12.0km高度以下垂直方向和水平方向分辨率均为500m的等高面等间距的三维单站反射率网格数据MZCAPPI，通过对不同雷达站之间的探测重叠区采用最大值法，将多部雷达的MZCAPPI数据进行拼接，得到覆盖区域的三维雷达组网格点数据，其水平和垂直方向的分辨率均为500m；S2、建立强对流的雷达回波特征参数库基于12.0km以下的三维雷达组网格点数据，通过对30、40以及50dBZ的回波进行二维和三维的搜索，根据连续性原则判断云块，并提取出特征参数，建立特征库；在完成强对流的雷达回波特征参数库的建立后，利用所在机场的人工观测资料，从雷暴纪要栏中筛选出雷暴方位出现在天顶的个例，定义为局地雷暴事件，通过聚类分析，得到雷暴对应得各个雷达回...

【专利技术属性】
技术研发人员：王钦，吴俊杰，潘微多，
申请(专利权)人：中国民用航空飞行学院，
类型：发明
国别省市：