基于雷达与地面气象站协同的降水临近预警方法与系统与流程
本发明属于短时临近降水预警、气象雷达数据处理,具体涉及一种利用微雨雷达获取降水垂直廓线信息,并结合地面气象站实况观测,对降水开始时间、降水状态及降水趋势进行判断的基于雷达与地面气象站协同的降水临近预警方法与系统。本发明可应用于短临降水预警和气象保障场景,也适用于需要提前判断近地降水是否即将发生、预计何时开始影响地面以及当前降水状态是否发生转变的连续自动化监测场景。
背景技术:
1、微雨雷达是一种垂直指向的多普勒雷达,能够连续获取不同高度层上的降雨强度、下落速度、反射率或相关降水廓线参数,常用于气象观测。其能够在降水到达地面之前观测到空中降水粒子的垂直分布和下落过程,从而为提前识别降水发展、判断降水是否可能影响地面提供了数据基础。通过对微雨雷达垂直廓线进行分析,可以获得空中雨带所在高度、雨带厚度、降水回波顶高度、降水粒子下落速度等信息,这些信息对于降水临近预警具有重要价值。
2、在现有业务处理中,通常将微雨雷达不同高度层的雨强或回波特征作为空中降水发展的参考,当雷达某一高度层或范围内的降雨强度超过预设阈值时判定存在降水回波并给出临近提示。该类方法实现简单、便于部署,但主要依赖单一的阈值判断,对空中降水结构连续性、前锋稳定性及时间演变关系考虑不足,容易将孤立弱回波或悬空回波误判为即将落地的有效降水。
3、自动气象站和翻斗雨量计等地面观测设备能够测量地面降雨强度、累计降雨量及气象要素等实况信息,是降水监测的重要手段。但是,只有当降水粒子已经到达地面并被雨量传感器记录后,才能通过地面站确认降水发生。因此,地面站难以单独用于提前预警,但可作为微雨雷达结果的近地实况校验依据。
4、现有系统中,地面站数据多用于事后确认降水状态,未充分利用其与微雨雷达之间的协同关系,也缺乏对空中降水结构与地面响应之间时序关系的分析。随着多源观测数据的积累,可利用历史样本中空中降水结构与地面响应之间的对应关系,引入机器学习或深度学习方法辅助判断降水落地可能性及发展趋势,从而提升降水临近预警的准确性和稳定性。
5、然而,现有的降水临近预警方法存在以下主要技术缺陷:
6、第一,微雨雷达与地面站观测之间缺少有效协同。微雨雷达能够提前观测空中降水结构,但其判断结果若缺少地面站实况校验,容易将未落地回波或短时回波误判为有效降水;地面站能够确认降水是否已经发生,但单独依靠地面站又缺乏预警提前量。现有方法未能充分发挥微雨雷达提前识别和地面站实况确认两类数据的互补作用。
7、第二,单一雷达阈值判断容易产生误报。微雨雷达垂直廓线中可能存在孤立弱回波、悬空回波或噪声,若仅依据某一高度层雨强超过阈值判断降水,容易将不具备落地条件的回波误判为有效降水,影响临近预警结果的可靠性。
8、第三,缺少对空中降水与地面雨强差异关系的学习判断。传统方法通常只判断是否超过阈值,未充分利用空中雨强与地面雨强之间的差异、变化率和滞后关系来判断降水是增强、维持、减弱还是未能落地。
9、第四,降水前锋识别和预计开始时间计算不够稳定。现有方法多仅选取单一高度点作为前锋,未充分考虑雨带连续性和时间变化,易导致前锋高度跳变;同时在低层尚无降水粒子时直接采用低层速度或经验值估算落地时间,影响结果准确性。
10、针对上述缺陷,本领域亟待需要一种能够充分利用微雨雷达与地面气象站协同观测数据,有效识别空中降水是否具有落地可能性、准确预测降水开始时间并判断降水发展趋势的临近预警方法及系统。
技术实现思路
1、针对上述现有技术存在的问题,本发明的目的在于提供一种基于雷达与地面气象站协同的降水临近预警方法与系统。
2、本发明所采用的技术方案是,一种基于雷达与地面气象站协同的降水临近预警方法,该方法包括以下步骤:
3、s1、获取连续观测数据:通过微雨雷达获取不同高度层的降雨强度、下落速度和反射率参数,同时通过地面气象站获取地面降雨强度、累计降雨量及气象要素实况;
4、s2、数据同步和质量控制:对所述微雨雷达数据和地面站数据进行时间对齐、缺测处理、异常值剔除和时间窗口构建,使多源观测数据形成统一的连续样本序列;
5、s3、提取微雨雷达特征:基于微雨雷达垂直廓线识别有效降水雨带,提取降水前锋高度、雨带厚度、回波顶高度、代表雨强和代表下落速度;
6、s4、提取地面站实况特征并构建空地协同特征:基于地面气象站数据提取地面降雨强度、累计雨量变化及气象要素特征,并根据微雨雷达不同高度层的雨强与地面站实测雨强之间的差异、变化率和滞后响应构建空地协同特征;
7、s5、模型训练:基于历史样本构建训练数据集,以地面站雨强达到降水条件的时刻作为降水开始标签,结合降水趋势标签和预警状态标签,对tcn时序卷积网络模型进行监督训练,训练完成后将模型参数部署至业务系统;
8、s6、实时模型推理:在线运行时持续获取微雨雷达数据和地面气象站数据,按照s2至s4步骤的方式构建最新时间窗口内的多源特征序列,输入训练好的tcn时序卷积网络模型,获得预计开始降水时间、降水发展趋势和预警状态;
9、s7、输出临近预警结果:根据tcn时序卷积网络模型的输出结果生成降水临近预警信息,包括预计开始降水时间、降水增强或减弱趋势以及当前业务状态;
10、s8、进行地面实况闭环校验:当地面站雨强达到降水条件时,将预警状态校验为降水中,并记录模型预测时间与实际降水开始时间之间的误差;当降水过程结束后,将误差样本加入历史样本库,用于后续模型持续更新。
11、进一步地,s3步骤中,有效降水雨带的识别方法为:对微雨雷达垂直廓线中的各高度层,当连续多个高度层的降雨强度均超过预设雨强阈值时,判定该连续高度层范围构成有效降水雨带;所述降水前锋高度为有效降水雨带的下边界对应的高度,所述回波顶高度为有效降水雨带的上边界对应的高度,所述雨带厚度为回波顶高度与降水前锋高度之差。
12、进一步地,s4步骤中,所述空地协同特征具体包括:
13、第一协同特征:微雨雷达各高度层的雨强与地面站实测雨强之间的差值,用于表征空中降水与地面降水的强度差异;
14、第二协同特征:微雨雷达各高度层雨强的变化率与地面站雨强变化率之间的比值,用于表征空中降水与地面降水的变化速率关系;
15、第三协同特征:空中降水变化领先地面响应的时间,通过在历史样本中计算微雨雷达雨强变化与地面站雨强变化之间的互相关函数,取互相关函数的峰值对应的时间延迟作为滞后响应时间。
16、进一步地,s5步骤中,所述降水开始标签的取值为当前时刻至地面站雨强首次达到预设降水阈值时刻之间的时间差;所述降水趋势标签根据未来一段时间内地面雨强及空中雨带变化情况划分为增强、维持和减弱三类;所述预警状态标签根据地面站实况和微雨雷达雨带结构共同确定,包括无降水、即将降水、降水中和降水尾声四种状态。
17、进一步地,s5步骤中,所述tcn时序卷积网络模型的核心结构包括因果卷积、膨胀卷积和残差连接:
18、所述因果卷积保证模型在当前时刻进行判断时仅使用当前时刻及其之前的观测数据,不使用未来数据;
19、所述膨胀卷积通过在卷积核采样点之间设置膨胀系数d,扩大模型的时间感受野,对于输入序列x,膨胀卷积的输出为:
20、,
21、其中
y(
t)为时刻
t的卷积输出,
w(
k)为卷积核权重,
k为卷积核大小,
d为膨胀系数,
k为卷积核位置索引;
22、所述残差连接在每个残差模块中设置两层膨胀因果卷积,模块输入通过快捷连接直接传递至模块输出端并与卷积结果相加,用于缓解深层网络训练过程中的梯度消失问题。
23、进一步地,所述膨胀系数
d逐层取1、2、4、8、16、32的等比数列值,使模型在堆叠的多个残差模块中逐步扩大对历史时间序列的覆盖范围,在不显著增加网络层数的情况下学习较长时间范围内的历史变化关系。
24、进一步地,s6步骤中,所述多源特征序列的每个时间步对应一组特征向量,所述特征向量包括:
25、微雨雷达垂直廓线特征:降水前锋高度、雨带厚度、回波顶高度、代表雨强、代表下落速度;
26、地面气象站实况特征:地面降雨强度、累计雨量变化量、风速、风向、温度、湿度、气压;
27、空地协同特征:不同高度层雨强与地面雨强之间的差异、空中与地面雨强变化率、空中降水变化领先地面响应的时间。
28、进一步地,s8步骤中,所述地面实况闭环校验具体包括:
29、当tcn时序卷积网络模型输出的预警状态为即将降水且地面站雨强达到预设降水阈值时,确认预警正确并记录预测时间与实际降水开始时间的误差;
30、当tcn时序卷积网络模型输出的预警状态为即将降水但经过预设等待时间后地面站仍未检测到降水时,判定为误报并记录该样本;
31、将正确预警样本和误报样本均加入历史样本库,用于后续对tcn时序卷积网络模型进行增量训练或重新训练。
32、进一步地,该方法还包括以下步骤,
33、针对不同站点或不同降水类型分别训练对应的tcn时序卷积网络模型:根据不同站点或不同降水类型下积累的微雨雷达与地面站历史样本,分别构建训练数据集并训练对应的tcn时序卷积网络模型参数,使每个模型针对其应用场景的特定数据分布进行优化。
34、一种用于实现如上所述的方法的基于雷达与地面气象站协同的降水临近预警系统,该系统包括:
35、数据采集模块,用于通过微雨雷达获取不同高度层的降雨强度、下落速度和反射率参数,并通过地面气象站获取地面降雨强度、累计降雨量及气象要素实况;
36、数据预处理模块,用于对微雨雷达数据和地面站数据进行时间对齐、缺测处理、异常值剔除和时间窗口构建;
37、特征提取模块,用于基于微雨雷达垂直廓线识别有效降水雨带并提取微雨雷达特征,同时提取地面站实况特征并构建空地协同特征;
38、模型训练模块,用于基于历史样本构建训练数据集,对tcn时序卷积网络模型进行监督训练;
39、实时推理模块,用于将最新时间窗口内的多源特征序列输入训练好的tcn时序卷积网络模型,获得预计开始降水时间、降水发展趋势和预警状态;
40、预警输出模块,用于生成并展示降水临近预警信息;以及
41、闭环校验模块,用于当地面站雨强达到降水条件时,将预警状态校验为降水中,并记录模型预测时间与实际降水开始时间之间的误差;当预警状态为即将降水但经过预设等待时间后地面站仍未检测到降水时,判定为误报并记录该样本;将正确预警样本和误报样本均加入历史样本库,用于后续对tcn时序卷积网络模型进行增量训练或重新训练。
42、与现有技术相比,本发明具有如下有益效果:
43、1.提高微雨雷达降水临近预警结果的可靠性:本发明在微雨雷达识别空中降水雨带和降水前锋的基础上,引入地面站雨量实况进行校验,并通过深度学习模型判断雷达回波是否具有落地可能性,从而减少仅依靠雷达回波判断造成的误判。从原理上分析:微雨雷达能够提前观测到空中降水的存在,但其观测的空中回波并不必然意味着降水会落地(可能存在蒸发、消散等情况);地面站虽然只能确认已经发生的事实,但其观测结果是地面是否真正降水的金标准。本发明通过将两类数据进行深度融合,利用tcn时序卷积网络模型学习什么条件下的空中回波会落地这一复杂非线性映射关系,从根本上解决了单一雷达阈值方法容易将孤立弱回波、悬空回波或噪声误判为有效降水的问题。同时,地面实况闭环校验机制进一步过滤了误报,使预警结果的可靠性得到双重保障。
44、2.提高对降水发展趋势的判断能力:本发明利用微雨雷达获取不同高度层的降雨强度廓线,并结合地面站实测降雨强度,构建空中降雨强度廓线与地面降雨强度之间的差异特征、变化率特征和滞后响应特征。通过tcn时序卷积网络模型对上述特征进行时序学习,可判断空中降水是否继续向近地面发展、地面降水是否处于增强阶段以及当前降水是否进入减弱或尾声阶段。从原理上分析:空中降水与地面降水之间的差异反映了降水粒子的下落-蒸发-汇合动态过程——当空地雨强差异逐渐缩小时,说明空中降水正在向地面传输,降水趋于增强;当空中雨强变化领先地面响应的滞后时间发生变化时,反映了降水系统的发展速度变化。tcn时序卷积网络模型通过因果卷积和膨胀卷积能够自动捕获这些多尺度时序模式,相比传统阈值方法仅能给出是/否的二元判断,本发明能够提供增强、维持、减弱的连续状态评估,为业务决策提供更丰富的信息。
45、3.提高预计开始降水时间的准确性:本发明使用深度学习模型预测开始降水时间,相比传统采用固定阈值或经验速度估算的方式,该方法能够利用历史样本中空中降水结构与地面响应之间的时序关系,提高预计开始降水时间预测的准确性和稳定性。从原理上分析:传统方法在低层尚无降水粒子时,直接采用低层粒子的下落速度或经验平均值来估算落地时间(即:时间=高度/速度),这种方法假设粒子以恒定速度下落且不考虑蒸发、汇合等过程,误差较大。而本发明采用的tcn时序卷积网络模型不直接计算落地时间,而是通过大量历史样本学习从当前空中降水结构到地面降水开始的复杂映射,该映射隐式包含了粒子下落速度、蒸发率、空气动力学效应等多重物理因素的综合影响,因此能够给出更符合实际情况的预测结果。此外,因果卷积的设计确保了预测过程不使用任何未来信息,保证了方法的实时可部署性。
46、4.提高系统在不同观测场景下的适用性:本发明可根据不同站点或不同降水类型下积累的微雨雷达与地面站历史样本,分别训练对应的深度学习模型,使模型能够针对具体应用场景挖掘数据之间的关系。从原理上分析:不同地理位置(如沿海与内陆)、不同季节、不同降水类型(如对流性降水与层状云降水)下,空中降水结构与地面响应之间的关系存在显著差异。固定阈值方法难以适应这种差异,而本发明通过分场景训练策略,使每个模型针对其应用场景的特定数据分布进行优化。同时,闭环校验机制使得模型能够随着数据积累不断迭代更新,实现持续学习,从而在实际部署中保持长期的预警性能。这种数据采集-模型训练-在线推理-误差反馈-模型更新的闭环架构,使系统具备了自适应演化的能力。
47、5.通过tcn时序卷积网络模型架构实现高效的长时序建模:本发明采用tcn时序卷积网络作为核心模型,通过因果卷积、膨胀卷积和残差连接的组合,实现了对长时序数据的高效建模。从原理上分析:因果卷积确保了预测的因果性(不使用未来数据),符合实时预警的业务逻辑;膨胀卷积使模型的感受野随网络深度呈指数增长,仅需o(log n)层即可覆盖整个输入窗口,相比rnn/lstm的o(n)时间复杂度显著降低了计算开销;残差连接解决了深层网络的梯度消失问题,使模型能够稳定训练。相比传统的循环神经网络(rnn/lstm/gru),tcn时序卷积网络模型具有并行计算能力(卷积操作可并行),训练和推理速度更快;相比传统的transformer模型,tcn时序卷积网络模型的参数效率更高,在小数据集上不易过拟合。这些架构优势使得本发明能够在资源受限的边缘计算设备上实现实时推理。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com