基于深度学习的风廓线雷达边界层高度反演方法及系统技术方案

本发明专利技术提供一种基于深度学习的风廓线雷达边界层高度反演方法及系统，包括：首先提出边界层高度反演敏感性分析理论，分析局部峰值数目对边界层反演的影响，为算法改进奠定理论基础；然后基于边界层物理特性和排列重要性对风廓线雷达产品中众多的大气参数廓线进行选择，筛选出用于反演模型的输入参数廓线；将上述筛选后廓线与探空反演的真实边界层高度输入卷积神经网络模型进行训练；充分训练后的模型能直接输出高精度的边界层高度反演结果。本发明专利技术结合深度学习善于发现高维数据中的复杂结构的优势，同时加入多种大气参数廓线，大大提高了边界层高度反演的精度和稳定性，为边界层研究和全球气候变化提供有力支撑。

【技术实现步骤摘要】

本专利技术涉及大气遥感，尤其涉及一种基于深度学习的风廓线雷达边界层高度反演方法及系统。

技术介绍

1、大气边界层是对流层中最接近地表的最底层，它与地面直接接触，受地表的强烈影响。地表摩擦拖曳、蒸发和蒸腾、热量传递等强迫过程导致该层中湍流运动频繁发生。而湍流输送提供了重要的热量、动量和水汽交换通道。此外，人类活动导致的污染物的排放、传输和转化也会受到边界层的影响。因此大气边界层的环境问题直接影响到人类的活动和健康。大气边界层高度（boundary layer height，blh）是表征大气边界层特征的重要参量，是数值天气预报模式中重要的物理参数。但边界层易受地面热力和动力影响，且响应时间小于1小时，因而边界层高度有很显著的日变化。日出后，太阳辐射的加热加强了湍流，边界层内气象要素混合均匀，形成对流边界层。日落后，地面辐射冷却，浮力贡献几乎可忽略，形成保持中性层结的中性边界层。当夜间辐射冷却足够强时，湍流输送减弱，出现逆温层结，形成稳定边界层。因此，连续准确的边界层高度反演具有很大的挑战性。

2、风廓线雷达不仅可以提供连续的边界层高度估计，而且可本文档来自技高网...

【技术保护点】

1.一种基于深度学习的风廓线雷达边界层高度反演方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的风廓线雷达边界层高度反演方法，其特征在于，获取风廓线雷达产品数据，对所述风廓线雷达产品数据进行预处理以及时间匹配，得到训练数据集，包括：

3.根据权利要求1所述的基于深度学习的风廓线雷达边界层高度反演方法，其特征在于，筛选风廓线雷达产品中的多个参数廓线，获得反演边界层高度的参数廓线，包括：

4.根据权利要求1所述的基于深度学习的风廓线雷达边界层高度反演方法，其特征在于，基于所述训练数据集和所述反演边界层高度的参数廓线，对卷积神经网络进行训练，包...

【技术特征摘要】

1.一种基于深度学习的风廓线雷达边界层高度反演方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的风廓线雷达边界层高度反演方法，其特征在于，获取风廓线雷达产品数据，对所述风廓线雷达产品数据进行预处理以及时间匹配，得到训练数据集，包括：

3.根据权利要求1所述的基于深度学习的风廓线雷达边界层高度反演方法，其特征在于，筛选风廓线雷达产品中的多个参数廓线，获得反演边界层高度的参数廓线，包括：

4.根据权利要求1所述的基于深度学习的风廓线雷达边界层高度反演方法，其特征在于，基于所述训练数据集和所述反演边界层高度的参数廓线，对卷积神经网络进行训练，包括：

5.根据权利要求4所述的基于深度学习的风廓线雷达边界层高度反演方法，其特征在于，利用损失函数对所述卷积神经网络进行收敛，输出风廓线雷达边界层高度反演模型，包括：

6.根据权利要求5...

【专利技术属性】
技术研发人员：马昕，童哲，刘斌，朱忠敏，刘博铭，龚威，刘帆，朱振武，曹忺，潘成，
申请(专利权)人：武汉大学，
类型：发明
国别省市：