【技术实现步骤摘要】
本专利技术涉及强对流天气判识，具体为一种用于弱回波强对流的雷达判识系统。
技术介绍
1、随着气象雷达技术的不断进步，雷达能够提供更高分辨率、更精细的天气信息，雷达反射率、径向速度、谱宽等多个参数的观测数据可以有效地反映出强对流天气的存在和特征，同时随着大数据和机器学习技术的兴起，处理和分析大规模雷达观测数据的能力不断提高，通过对历史观测数据的分析和建模，可以发现强对流天气的特征和模式，从而为判识系统提供基础，传统的强对流天气判识通常依赖于人工观察和分析，工作量大且耗时，随着自动化和智能化需求的增加，开发能够自动处理雷达数据并快速判断强对流天气的判识系统成为迫切需求在气象领域，强对流天气(如暴雨、雷暴、冰雹、龙卷风等)对人类生活和社会经济活动具有重要影响，强对流天气如雷暴、龙卷风等对人们生活和财产安全造成了很大的威胁，因此，及早准确地判断和预警强对流天气对于保障公众安全和减少灾害损失具有重要意义，所以，在此提出了一种用于弱回波强对流的雷达判识系统。
2、目前，弱回波强对流雷达判识系统是一种用于探测和判别弱回波强对流天气现象的雷达系统，传统的天气雷达系统主要依赖于反射率回波来检测和跟踪降水，但对于弱回波区域(如冰雹、强风暴)，由于反射率较低，常常难以准确判识，而弱回波区域恰恰是强对流天气发生的关键区域，所以，在此提出了一种用于弱回波强对流的雷达判识系统，区别于通过反射率进行评判强对流，使用弱回波只需关注弱回波区域的存在与否，减少了分析过程中的复杂性，便于快速的对对流天气进行判断以及识别。
技术
1、针对现有技术中反射率较低的区域难以准确判识强对流的不足，本专利技术提供了一种用于弱回波强对流的雷达判识系统，具备只需关注弱回波区域的存在与否减少分析过程中的复杂性的优点。
2、为实现上述目的，本专利技术提供如下技术方案：一种用于弱回波强对流的雷达判识系统，雷达判识系统包括：
3、用于对雷达基数据质量控制的雷达数据质量控制模块；
4、用于提取弱回波强对流相关物理参数的物理参数提取模块；
5、用于提取弱回波强对流相关特征参数的特征参数提取模块；
6、用于根据物理参数提取模块以及特征参数提取模块获取的雷达回波数据进行强对流判别的强对流判别模块；
7、用于根据强对流判别模块的判别结果对流天气进一步进行分类的强对流分类模块；
8、用于将判别结果以指定方式进行输出的判别结果输出模块；
9、所所述物理参数提取模块包括了反射率因子计算模块以及速度和谱宽计算模块，所述特征参数提取模块中设置有垂直速度特征提取模块，所述判别结果输出模块的输出方式包括预警输出模块以及可视化输出模块。
10、所述雷达数据质量控制模块使用脉冲波雷达的雷达数据采样处理器后获得的雷达体扫基数据，包括雷达反射率因子、径向速度、谱宽信号的采集值，所述雷达数据质量控制模块对雷达体扫基数据进行质量控制，包括地物杂波去除、噪声杂波滤除、速度退模糊处理，地物杂波去除即是通过对比雷达等射束高度图，在不同探测距离设置不同的高度阈值，根据抬高仰角地物杂波不可见的原理进行地物杂波去除，噪声杂波滤除使用卡尔曼滤波方法进行滤除，速度退模糊通过循环检测一定大小的窗口范围内存在的速度极值的突变区，存在则根据读取的本层最大不模糊速度和径向速度计算真实径向速度。
11、所述物理参数提取模块中的反射率因子计算模块用于将雷达回波信号转换为反射率因子，表示目标物体的回波强度，反射率因子是雷达回波信号的强度，表示目标物体对雷达波的散射能力，反射率因子计算算法是将雷达回波信号转换为反射率因子的过程，通过反射因子算法：
12、z＝10log10(s)+r
13、其中，z表示反射因子，s表示雷达回波信号的功率，r为校正常数。
14、所述物理参数提取模块中的速度和谱宽计算模块基于多普勒效应，计算目标物体的径向速度，对于脉冲波雷达接收到的雷达频率与目标物体的径向速度之间存在以下关系：
15、f_r＝f_0(1+v/c)
16、其中，f_r是接收到的雷达频率，f_是发送的雷达频率，f为雷达频率，v为目标物体的径向速度，c为光速，谱宽计算用于衡量目标物体的散射体积大小，用于判断强对流现象，通过计算谱宽的统计特性平均值，谱宽spectral width的平均值计算公式：
17、δv＝(δv1+δv2+...+δvn)/n
18、其中，{δv,δv,...,δvn}表示谱宽测量值的集合，δv表示谱宽的平均值。
19、所述特征参数提取模块从脉冲波雷达获取不同仰角以及高度的径向速度数据，构建垂直速度剖面，基于风暴动力学模型，结合观测到的径向速度数据，反演得到垂直速度剖面，公式为：
20、vz＝vr*sin(θ)
21、其中vz是垂直速度，vr是径向速度，θ是雷达仰角，最大上升气流速度muwv参数，首先找到垂直速度剖面上最强的上升气流区域，基于：muwv＝max(vz)，计算风暴水平方向上的风速变化率公式为：
22、vws＝(vh_high-vh_low)/δh
23、其中vh_high和vh_low分别为较高和较低高度处的水平风速，δh是高度差，基于速度和谱宽计算模块计算的平均值，分析其时空变化特性，判断是否存在强烈的垂直运动。
24、所述强对流判别模块基于神经网络进行强对流判别，首先建立神经网络模型，基于收集的雷达数据反射率因子、径向速度、谱宽，首先标注数据集，将数据集分为训练集、验证集和测试集，并为每个样本标注是否属于强对流天气，对特征数据进行归一化或标准化处理，基于公式：
25、x_norm＝(x-μ)/σ
26、其中x_norm是归一化后的特征值，x是原始特征值，μ是特征值的均值，σ是特征值的标准偏差，得到统一特征数据后，通过循环神经网络rnn设计神经网络架构，然后通过交叉熵损失定义损失函数进行模型优化，根据得到的数据，进行强对流判别，判别结果通过二分类结果概率值表示，介于和之间的数值，表示输入数据是强对流天气的概率，设定阈值r，将概率值转换为二分类标签，大于阈值r标记为强对流，否则标记为非强对流。
27、所述强对流分类模块通过特征参数提取模块从脉冲波雷达获取的数据，训练神经网络模型区分不同类型的强对流天气，分类为雷暴、冰雹、龙卷风，首先使用标记的分类训练数据对分类模型进行训练，并在验证集上评估模型性能，调整模型结构和参数，将待分类的雷达数据输入到训练好的分类模型中，获取强对流天气类型的预测结果，设定得到分类结果：“雷暴”，进一步分类结果：雷暴类型为“多雷暴”；得到分类结果：“冰雹”，进一步分类结果：冰雹类型为“小冰雹”、“中等冰雹”“大冰雹”；得到分类结果：“龙卷风”，进一步分类结果：龙卷风类型为“多重龙卷风”。
28、所述判别结果输出模块中的预警输出模块根据强对流判别结果和分类信息，制定相本文档来自技高网...
【技术保护点】
1.一种用于弱回波强对流的雷达判识系统，其特征在于：雷达判识系统包括：
2.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述雷达数据质量控制模块(1)使用脉冲波雷达的雷达数据采样处理器后获得的雷达体扫基数据，包括雷达反射率因子、径向速度、谱宽信号的采集值，所述雷达数据质量控制模块(1)对雷达体扫基数据进行质量控制，包括地物杂波去除、噪声杂波滤除、速度退模糊处理，地物杂波去除即是通过对比雷达等射束高度图，在不同探测距离设置不同的高度阈值，根据抬高仰角地物杂波不可见的原理进行地物杂波去除，噪声杂波滤除使用卡尔曼滤波方法进行滤除，速度退模糊通过循环检测一定大小的窗口范围内存在的速度极值的突变区，存在则根据读取的本层最大不模糊速度和径向速度计算真实径向速度。
3.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述物理参数提取模块(2)中的反射率因子计算模块(8)用于将雷达回波信号转换为反射率因子，表示目标物体的回波强度，反射率因子是雷达回波信号的强度，表示目标物体对雷达波的散射能力，反射率因子计算算法是将雷达回波信号转
4.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述物理参数提取模块(2)中的速度和谱宽计算模块(9)基于多普勒效应，计算目标物体的径向速度，对于脉冲波雷达接收到的雷达频率与目标物体的径向速度之间存在以下关系：
5.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述特征参数提取模块(3)从脉冲波雷达获取不同仰角以及高度的径向速度数据，构建垂直速度剖面，基于风暴动力学模型，结合观测到的径向速度数据，反演得到垂直速度剖面，公式为：
6.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述强对流判别模块(4)基于神经网络进行强对流判别，首先建立神经网络模型，基于收集的雷达数据反射率因子、径向速度、谱宽，首先标注数据集，将数据集分为训练集、验证集和测试集，并为每个样本标注是否属于强对流天气，对特征数据进行归一化或标准化处理，基于公式：
7.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述强对流分类模块(5)通过特征参数提取模块(3)从脉冲波雷达获取的数据，训练神经网络模型区分不同类型的强对流天气，分类为雷暴、冰雹、龙卷风，首先使用标记的分类训练数据对分类模型进行训练，并在验证集上评估模型性能，调整模型结构和参数，将待分类的雷达数据输入到训练好的分类模型中，获取强对流天气类型的预测结果，设定得到分类结果：“雷暴”，进一步分类结果：雷暴类型为“多雷暴”；得到分类结果：“冰雹”，进一步分类结果：冰雹类型为“小冰雹”、“中等冰雹”“大冰雹”；得到分类结果：“龙卷风”，进一步分类结果：龙卷风类型为“多重龙卷风”。
8.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述判别结果输出模块(6)中的预警输出模块(11)根据强对流判别结果和分类信息，制定相应的预警规则，设定为雷暴、冰雹、龙卷风时触发预警，据预警规则，生成相应的强对流预警信息，紧急通知、警报声，所述判别结果输出模块(6)中的可视化输出模块(7)通过热力图Heatmap使用不同颜色或密度的热力图表示雷达反射率、速度数据，展示强对流天气的空间分布和强度变化将判识结果。
...【技术特征摘要】
1.一种用于弱回波强对流的雷达判识系统，其特征在于：雷达判识系统包括：
2.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述雷达数据质量控制模块(1)使用脉冲波雷达的雷达数据采样处理器后获得的雷达体扫基数据，包括雷达反射率因子、径向速度、谱宽信号的采集值，所述雷达数据质量控制模块(1)对雷达体扫基数据进行质量控制，包括地物杂波去除、噪声杂波滤除、速度退模糊处理，地物杂波去除即是通过对比雷达等射束高度图，在不同探测距离设置不同的高度阈值，根据抬高仰角地物杂波不可见的原理进行地物杂波去除，噪声杂波滤除使用卡尔曼滤波方法进行滤除，速度退模糊通过循环检测一定大小的窗口范围内存在的速度极值的突变区，存在则根据读取的本层最大不模糊速度和径向速度计算真实径向速度。
3.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述物理参数提取模块(2)中的反射率因子计算模块(8)用于将雷达回波信号转换为反射率因子，表示目标物体的回波强度，反射率因子是雷达回波信号的强度，表示目标物体对雷达波的散射能力，反射率因子计算算法是将雷达回波信号转换为反射率因子的过程，通过反射因子算法：
4.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述物理参数提取模块(2)中的速度和谱宽计算模块(9)基于多普勒效应，计算目标物体的径向速度，对于脉冲波雷达接收到的雷达频率与目标物体的径向速度之间存在以下关系：
5.根据权利要求1所述的一种用于弱回波强对流的雷达判识系统，其特征在于：所述特征参数提取模块(3)从脉冲波雷达获取不同仰角以及高度的径向速度数据，构建垂直速度剖面，基于风暴动...
【专利技术属性】
技术研发人员：朱平，肖建设，苏文将，黄甜甜，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。