一种强对流天气的雷达回波识别方法技术

本申请公开了一种强对流天气的雷达回波识别方法

【技术实现步骤摘要】
一种强对流天气的雷达回波识别方法、装置


[0001]本申请属于强对流天气识别
，具体涉及一种强对流天气的雷达回波识别方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]目前针对强对流天气的研究主要集中在算法和个例分析方面
。
传统的强对流天气自动识别方法局限于传统的相态识别，算法可扩展性较差，识别准确率较低
。
现有的针对强对流天气的研究主要集中在算法和个例分析方面
。
如美国联邦航空管理局的低层风切变警戒系统采用的
MIGFA(Machine Intelligent Gust Front Algorithm)
算法，该算法通过对径向速度辐合线识别，并结合反射率因子和方位角切变形成了强对流天气探测算法
。
虽然国内学者相继提出了很多算法，但其基本都是建立在
MIGFA
算法思想基础之上，本质上依靠雷达回波特征统计提取，人工设定预定义模板阈值进行识别的方法，但是基于人工函数模版算法的数据依赖性，其泛化能力有限
。

技术实现思路

[0003]本申请的目的是提供一种强对流天气的雷达回波识别方法
、
装置
、
电子设备及存储介质以解决现有资源板卡数据写入上位机丢包的问题
。
[0004]根据本申请实施例的第一方面，提供了一种强对流天气的雷达回波识别方法，该方法可以包括：
[0005]获取强对流天气的历史雷达数据；
[0006]根据雷达仰角和回波距离对所述历史雷达数据进行处理得到第一标签数据集
、
第二标签数据集和第三标签数据集；
[0007]根据雷达回波距离设计第一网络架构
、
第二网络架构和第三网络架构；
[0008]将所述第一标签数据集输入所述第一网络架构进行训练得到第一识别模型；
[0009]将所述第二标签数据集输入所述第二网络架构进行训练得到第二识别模型；
[0010]将所述第三标签数据集输入所述第三网络架构进行训练得到第三识别模型；
[0011]基于所述第一识别模型
、
所述第二识别模型和所述第三识别模型进行强对流天气识别
。
[0012]在本申请的一些可选实施例中，获取强对流天气的历史雷达数据，包括：
[0013]获取强对流天气探测的历史雷达基数据；
[0014]将所述历史雷达基数据划分为多个预设面积的区域数据；
[0015]采用人机交互的方法标记每个所述区域数据是否存在灾害回波得到所述历史雷达数据
。
[0016]在本申请的一些可选实施例中，根据雷达仰角和回波距离对所述历史雷达数据进行处理得到第一标签数据集
、
第二标签数据集和第三标签数据集，包括：
[0017]从所述历史雷达数据中提取回波距离大于
0km
且小于或等于
45km
的第一雷达数
据，从所述第一雷达数据中截取雷达仰角为
0.5
°
、1.5
°
、2.4
°
、3.5
°
、4.3
°
、6.0
°
、9.9
°
、14.6
°
和
19.5
°
的数据作为第一标签数据；
[0018]从所述历史雷达数据中提取回波距离大于
45km
且小于或等于
135km
的第二雷达数据，从所述第二雷达数据中截取雷达仰角为
0.5
°
、1.5
°
、2.4
°
、3.5
°
、4.3
°
和
6.0
°
的数据作为第二标签数据；
[0019]从所述历史雷达数据中提取回波距离大于
135km
且小于或等于
230km
的第三雷达数据，从所述第三雷达数据中截取雷达仰角为
0.5
°
、1.5
°
和
2.4
°
的数据作为第三标签数据
。
[0020]在本申请的一些可选实施例中，所述强对流天气为飑线
。
[0021]在本申请的一些可选实施例中，根据雷达仰角和回波距离对所述历史雷达数据进行处理得到第一标签数据集
、
第二标签数据集和第三标签数据集，包括：
[0022]从所述历史雷达数据中提取回波距离大于
0km
且小于或等于
45km
的第一雷达数据，从所述第一雷达数据中截取雷达仰角为
0.5
°
、1.5
°
、2.4
°
的数据作为第一标签数据；
[0023]从所述历史雷达数据中提取回波距离大于
45km
且小于或等于
65km
的第二雷达数据，从所述第二雷达数据中截取雷达仰角为
0.5
°
、1.5
°
的数据作为第二标签数据；
[0024]从所述历史雷达数据中提取回波距离大于
65km
且小于或等于
180km
的第三雷达数据，从所述第三雷达数据中截取雷达仰角为
0.5
°
的数据作为第三标签数据
。
[0025]在本申请的一些可选实施例中，所述强对流天气为阵风锋
。
[0026]在本申请的一些可选实施例中，根据雷达回波距离设计第一网络架构
、
第二网络架构和第三网络架构，包括：
[0027]获取自定义模型，继承神经网络
Module
基类；
[0028]将雷达回波强度值作为输入因子输入层，并选择
BatchNorm2d
函数作为正则化函数，选择
ReLU
函数作为激活函数；
[0029]以
Unet
神经网络框架为基础，设定隐藏层层数，并选择
ReLU
函数作为激活函数；
[0030]设定输出层，选择
log_softmax
函数将输出转换为强对流天气判断的概率；其中，第一网络架构的输入数据格式为3×
40
×
40
，第二网络架构的输入数据格式为2×
40
×
40
，第三网络架构的输入数据格式为1×
40
×
40。
[0031]在本申请的一些可选实施例中，根据雷达仰角和回波距离对所述历史雷达数据进行处理得到第一标签数据集
、
第二标签数据集和第三标签数据集前，还包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种强对流天气的雷达回波识别方法，其特征在于，包括：获取强对流天气的历史雷达数据；根据雷达仰角和回波距离对所述历史雷达数据进行处理得到第一标签数据集
、
第二标签数据集和第三标签数据集；根据雷达回波距离设计第一网络架构
、
第二网络架构和第三网络架构；将所述第一标签数据集输入所述第一网络架构进行训练得到第一识别模型；将所述第二标签数据集输入所述第二网络架构进行训练得到第二识别模型；将所述第三标签数据集输入所述第三网络架构进行训练得到第三识别模型；基于所述第一识别模型
、
所述第二识别模型和所述第三识别模型进行强对流天气识别
。2.
根据权利要求1所述的一种强对流天气的雷达回波识别方法，其特征在于，获取强对流天气的历史雷达数据，包括：获取强对流天气探测的历史雷达基数据；将所述历史雷达基数据划分为多个预设面积的区域数据；采用人机交互的方法标记每个所述区域数据是否存在灾害回波得到所述历史雷达数据
。3.
根据权利要求1所述的一种强对流天气的雷达回波识别方法，其特征在于，根据雷达仰角和回波距离对所述历史雷达数据进行处理得到第一标签数据集
、
第二标签数据集和第三标签数据集，包括：从所述历史雷达数据中提取回波距离大于
0km
且小于或等于
45km
的第一雷达数据，从所述第一雷达数据中截取雷达仰角为
0.5
°
、1.5
°
、2.4
°
、3.5
°
、4.3
°
、6.0
°
、9.9
°
、14.6
°
和
19.5
°
的数据作为第一标签数据；从所述历史雷达数据中提取回波距离大于
45km
且小于或等于
135km
的第二雷达数据，从所述第二雷达数据中截取雷达仰角为
0.5
°
、1.5
°
、2.4
°
、3.5
°
、4.3
°
和
6.0
°
的数据作为第二标签数据；从所述历史雷达数据中提取回波距离大于
135km
且小于或等于
230km
的第三雷达数据，从所述第三雷达数据中截取雷达仰角为
0.5
°
、1.5
°
和
2.4
°
的数据作为第三标签数据
。4.
根据权利要求3所述的一种强对流天气的雷达回波识别方法，其特征在于，所述强对流天气为飑线
。5.
根据权利要求1所述的一种强对流天气的雷达回波识别方法，其特征在于，根据雷达仰角和回波距离对所述历史雷达数据进行处理得到第一标签数据集
、
第二标签数据集和第三标签数据集，包括：从所述历史雷达数据中提取回波距离大于
0km
且小于或等于
45km
的第一雷达数据，从所述第一雷达数据中截取雷达仰角为
0.5
°
、1.5
°
、2.4
°
的数据作为第一标签数据；从所述历史雷达数据中提取回波...

【专利技术属性】
技术研发人员：胡志群，袁淑杰，王福增，谢沛龙，田涵元，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：