【技术实现步骤摘要】
本专利技术涉及雷达探测与识别，具体涉及一种基于denclue聚类算法的雷暴识别方法。
技术介绍
1、雷暴是由对流旺盛的积雨云所产生的强对流天气系统，常伴有强烈的风切变、湍流、闪电、暴雨、和大风，有时还会出现冰雹、龙卷和下击暴流等灾害性天气现象，具有水平尺度小和生存期短的特征。雷达以体积扫描的方式，探测到雷暴的三维回波数据，是雷暴识别的关键数据。识别出雷暴后，其空间位置、移动路径等特征可进一步确定。因此，利用天气雷达回波数据进行雷暴识别是雷暴研究中的一个重要环节。
2、自20世纪50年代开始，天气雷达对雷暴的自动识别技术得到了很大发展，过去几十年中提出了许多基于雷达数据的雷暴识别算法。这些算法主要分为三类：
3、1)基于多个反射率因子阈值的雷暴识别方法:先基于一个或多个反射率因子阈值，识别出不同径向上的雷暴段，然后合并相邻径向的雷暴段，形成二维雷暴区，再将不同探测仰角上识别出的二维雷暴区进行垂直关联，形成三维雷暴单体。由于该类方法计算量较小，简单易行的特性，有着十分广泛的应用。但是雷暴活动过程中的分裂、合并没有充分考虑，忽视雷暴群体的活动特征。
4、2)基于闪电数据的雷暴识别方法：因为闪电位置集中区和雷暴发生位置之间存在必然的关系，所以结合闪电集中区和雷达回波数据、对雷暴进行识别。但是仅仅只能对雷暴区域位置进行定位，不能提供更多反映雷暴属性的物理信息。
5、3)基于机器学习的方法：使用人工选择的雷暴雷达图像训练诸如支持向量机、随机森林模型对雷达图像进行分类，实现雷暴的机器学习。该方法
6、近几年流行的基于卷积神经网络cnn(convolutional neural networks)的深度机器学习方法，使用大量的雷达回波图像数据，通过构建深层的神经网络模型，自动提取数据特征，获得高精度的雷暴识别结果。但这种模型的训练仅基于图形学的原理，缺乏物理过程，无法充分利用雷达数据的真实物理意义，对初生雷暴单体或强度较弱的雷暴单体识别能力较弱。
技术实现思路
1、专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种能够根据高精度雷达数据，不仅在雷达图像中准确识别出雷暴单体，还能给出雷暴单体的三维结构以及雷暴单体的各种物理属性的基于denclue的雷暴识别方法。
2、为实现上述目的，本专利技术采用的技术方案为：一种基于denclue聚类算法的雷暴识别方法，包括如下步骤：
3、步骤一：通过天气雷达观测到完整的雷暴天气过程中的雷达基数据，使用雷达基数据中的反射率数据作为原始的雷达数据；
4、步骤二：雷达数据预处理，雷达数据中包含地物杂波等非气象数据，需要预先进行杂波的去除、孤立回波去除、滑动平均处理；
5、步骤三：将雷达极坐标系数据按照径向和方位插值到笛卡尔坐标系的三维网格中；
6、步骤四：采用反射率因子阈值对雷达回波强度数据进行划分;
7、步骤五：基于denclue聚类算法识别1km-19km高度上共19层等高面的所有二维雷暴分量；
8、步骤六：对识别出的雷暴单体进行“腐蚀-膨胀”操作消除雷暴单体间虚假合并的现象；
9、步骤七：对相邻等高面上的二维雷暴分量进行垂直关联；基于垂直方向上每层等高面上的二维雷暴分量之间投影的重叠面积，对二维雷暴分量进行垂直关联构建三维雷暴单体模型并储存为由反射率因子描述的多边形区域；最后计算所有三维雷暴单体的特征量，对每个雷暴单体的特征量进行提取；
10、步骤八：针对单偏振或双偏振s波段天气雷达观测到的回波强度数据，先进行杂波剔除等预处理，然后使用denclue聚类算法识别出雷暴单体在19层等高面上的二维雷暴分量，再对相邻等高面上的二维雷暴分量进行垂直关联构建三维雷暴单体，最后对每个雷暴单体的特征量进行提取，从而完成对雷暴单体的识别和特征提取。
11、作为本专利技术的一种优选实施方式：所述步骤二中，雷达数据预处理具体为：
12、首先，以当前回波点为中心，取3×3的滑动窗口，若窗口内的回波大于13dbz，则判断该点为地物回波点并剔除；然后以当前回波点为中心，取5×5的滑动窗口，若窗口内有效的反射率因子值所占百分比小于70%，判断该点为孤立回波点并剔除；再对径向5像素、切向3像素区域进行滑动平均，用于提高回波数据的连续性。
13、作为本专利技术的一种优选实施方式：所述步骤三中，将雷达极坐标系数据按照径向和方位的最近邻居法和垂直线性内插法、插值到笛卡尔坐标系的三维网格中；雷达站为网格中心、雷达探测半径230km为网格半径；网格点分辨率为1km×1km×1km，垂直高度从1km到19km共19层，正北方向设为y轴正方向。
14、作为本专利技术的一种优选实施方式：所述步骤四中，反射率因子阈值分别为30dbz、35dbz、40dbz、45dbz、50dbz、60dbz。
15、作为本专利技术的一种优选实施方式：所述步骤七中，所述雷暴单体的特征量包括：体积、质心、回波顶高和底高、雷暴单体厚度、最大反射率因子、平均反射率因子、倾角、垂直液态含水量以及二维平面投影特性。
16、本专利技术相比现有技术，具有以下有益效果：
17、本专利技术能够通过根据高精度雷达图像中准确识别出雷暴单体，并且能够给出雷暴单体的三维结构以及雷暴单体的各项物理属性，充分利用了雷达数据的真实物理意义。
18、通过denclue聚类算法可以更好地识别雷暴参量，包括体积、回波顶高、最大反射率因子、平均反射率因子、雷暴倾角、投影区域面积、投影区域拟合椭圆特性等，并大幅提升了相邻雷暴识别的准确性。且该算法不需要事先知道识别的雷暴分量数量，并可以识别任意形状的二维雷暴分量。
本文档来自技高网...【技术保护点】
1.一种基于DENCLUE聚类算法的雷暴识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于DENCLUE聚类算法的雷暴识别方法，其特征在于，所述步骤二中，雷达数据预处理具体为：
3.根据权利要求1所述的一种基于DENCLUE聚类算法的雷暴识别方法，其特征在于，所述步骤三中，将雷达极坐标系数据按照径向和方位的最近邻居法和垂直线性内插法、插值到笛卡尔坐标系的三维网格中；雷达站为网格中心、雷达探测半径230km为网格半径；网格点分辨率为1km×1km×1km，垂直高度从1km到19km共19层，正北方向设为Y轴正方向。
4.根据权利要求1所述的一种基于DENCLUE聚类算法的雷暴识别方法，其特征在于，所述步骤四中，反射率因子阈值分别为30dBZ、35dBZ、40dBZ、45dBZ、50dBZ、60dBZ。
5.根据权利要求1所述的一种基于DENCLUE聚类算法的雷暴识别方法，其特征在于，所述步骤七中，所述雷暴单体的特征量包括：体积、质心、回波顶高和底高、雷暴单体厚度、最大反射率因子、平均反射率因子、倾角、垂直液态含水量
...【技术特征摘要】
1.一种基于denclue聚类算法的雷暴识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于denclue聚类算法的雷暴识别方法，其特征在于，所述步骤二中，雷达数据预处理具体为：
3.根据权利要求1所述的一种基于denclue聚类算法的雷暴识别方法，其特征在于，所述步骤三中，将雷达极坐标系数据按照径向和方位的最近邻居法和垂直线性内插法、插值到笛卡尔坐标系的三维网格中；雷达站为网格中心、雷达探测半径230km为网格半径；网格点分辨率为1km×1km×1km，垂直高...
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。