一种基于多普勒天气雷达数据的冰雹回波识别方法及系统与流程

1.本发明涉及一种基于多普勒天气雷达数据的冰雹回波识别方法及系统，属于气象雹暴识别技术领域。


背景技术：

2.冰雹是一种严重的气象灾害，往往出现在强对流的天气系统中，并常伴随着狂风、强降水等灾害性天气过程，易给农业、建筑、通讯、电力、交通以及人民生命财产带来较大损失。因为整个冰雹过程具有突发性强、局地性强以及生命期短的特点，其预报效果长期以来都不理想，而且预报系统进展缓慢，终其原因还是在雷达冰雹云回波的识别上。
3.近年来，随着雷达气象学的不断发展以及其他学科先进成果的不断引进，强对流天气临近预报总体上已经取得了长足进步，在冰雹云识别领域也有相当的进展，其核心技术路线是对冰雹云雷达回波的三维结构特征进行总结，建立冰雹云的概念模型，并将特征用定量指标予以描述或者利用双偏振雷达的特殊性能进行判识，这些研究成果已经在很大程度上推进了冰雹云的自动识别和临近预报。然而，由于冰雹云特征指标与强对流云雷达三维观测数据存在非线性关系，概念模型法基于阈值判断是否为冰雹云显得较为武断，模型本身没有自适应和改进能力，在实际应用时仍然会发生较多的空报、漏报现象。


技术实现要素：

4.本发明要解决的技术问题是提供一种基于多普勒天气雷达数据的冰雹回波识别方法及系统，从而提高冰雹天气的识别水平、临近预报水平。
5.本发明的技术方案是：一种基于多普勒天气雷达数据的冰雹回波识别方法，具体步骤为：
6.step1：对多部s波段多普勒天气雷达组网进行数据采集，获取雷达回波三维立体拼图数据。
7.step2：采用插值法将拼图数据生成三维雷达回波网格数据集。
8.step3：采用过滤式选择的方法对三维雷达回波网格数据集进行数据处理，获取特征向量，然后选择天气雷达回波反射率的垂直和水平扫描数据为基础训练集。
9.step4：对照目标区域冰雹历史观测样本，提取正、负样本，并确定雷达回波在水平方向上的取样范围。
10.step5：通过正态贝叶斯分类法，将取样范围内不同高度上的回波水平扫描数据和不同方位的回波垂直剖面数据输入贝叶斯智能分类器，调用训练函数对正、负样本数据集进行机器学习，迭代计算出冰雹云与非冰雹云在训练集中的出现频率以及每个冰雹样本根据特征分量划分的先验概率，训练智能分类器识别冰雹云内在特征的能力，并用save函数存储训练模型。
11.step6：将新的未知回波数据输入训练后的分类器，结合先前得出的先验概率，计算是冰雹和不是冰雹的后验概率,并不断调整低优先级分量是冰雹的概率来确定冰雹的具
体类型，以达到识别的目的。
12.所述step2具体为
13.step2.1：从目标区域的雷达覆盖网获取高分辨率的地形数据。
14.step2.2：利用最近邻居法和垂直方向线性内插法相结合插值到三维笛卡尔坐标系中，将拼图数据生成三维立体雷达回波网格数据。
15.所述step3中的特征向量包括回波中心强度垂直剖面gdbz、垂直累积液态水含量vil、径向速度平均值mdve、风暴单体速度谱宽平均值mdsw。
16.所述step4中对正、负样本数据集的提取具体为：
17.step4.1：从相关数据库中检索目标区域目击冰雹观测历史样本；此类数据库包括目标区域气象业务网、移动互联网和灾情报告等。
18.step4.2：时次之后k小时后有观测报告的作为正样本，时次之后k小时以内无冰雹观测报告的作为负样本；
19.step4.3：确定雷达回波在水平方向上的取样范围，对于正样本为包含冰雹云回波的边长为mkm的正方形范围，对于负样本为包含反射率最大值周边为nkm的正方形范围。
20.一种基于多普勒天气雷达数据的冰雹识别系统，包括：
21.数据采集模块：用于对s波段的多普勒天气雷达组网拼图资料的采集，获取雷达回波的三维立体数据。
22.插值模块：用于对雷达回波的三维立体数据插值计算，生成三维雷达回波网格数据集。
23.数据处理模块：用于对三维雷达回波网格数据集采取过滤式选择的方法进行特征选择，选取回波中心强度垂直剖面gdbz、垂直累积液态水含量vil、径向速度平均值mdve、风暴单体速度谱宽平均值mdsw等特征向量，选择天气雷达回波反射率的垂直和水平扫描数据为基础训练集。
24.正、负样本数据集提取模块：用于将所述基础训练集进行提取，按时次之后单位时间内有观测报告的作为正样本，时次之后单位时间内无冰雹观测报告的作为负样本。
25.训练模块：用于将取样范围内不同高度上的回波水平扫描数据和不同方位的回波垂直剖面数据输入贝叶斯人工智能分类器，调用训练函数进行训练，计算出冰雹云与非冰雹云在训练集中的出现频率以及根据每个冰雹样本根据特征属性划分出的先验概率，并用save函数存储训练模型，形成可以自动识别冰雹云的智能分类器。
26.测试模块：用于将未知的回波网格数据集输入训练后的智能分类器进行冰雹云自动识别。
27.本发明的有益效果是：可以自动识别冰雹云并进行智能分类，增强了识别系统的自适应能力和自我改进能力，提高了识别和临近预报的准确性、可靠性。对雷达回波三维立体拼图进行插值运算生成网格数据集，作为对智能分类器训练或者测试的数据基础，可以有效提高智能分类器自动识别的准确性。
附图说明
28.图1是本发明的步骤流程图；
29.图2是本发明实施例2的流程图；
30.图3是本发明实施例2的算法流程图。
具体实施方式
31.下面结合附图和具体实施方式，对本发明作进一步说明。
32.实施例1：如图1所示，一种基于多普勒天气雷达数据的冰雹回波识别方法，具体步骤为：
33.step1：采集目标区域的多普勒天气雷达组网拼图数据。所述目标区域为多部s波段多普勒天气雷达组网，所述达组网拼图数据主要包括雷达回波三维立体数据。
34.step2：采用插值法将拼图数据生成三维雷达回波网格数据集，具体为：
35.step2.1：从目标区域的雷达覆盖网获取高分辨率的地形数据。
36.step2.2：利用最近邻居法和垂直方向线性内插法相结合插值到三维笛卡尔坐标系中，将拼图数据生成三维立体雷达回波网格数据。
37.需要说明的是，进行这一步是为了计算方便，以便生成雷达回波网格数据集。
38.step3：对三维雷达回波网格数据集进行数据处理，即通过过滤式选择法做特征选择，获取特征向量，然后选择天气雷达回波反射率的垂直和水平扫描数据为基础训练集。
39.获取的特征向量包括回波中心强度垂直剖面gdbz、垂直累积液态水含量vil、径向速度平均值mdve、风暴单体速度谱宽平均值mdsw，它们的计算公式为：
[0040][0041][0042][0043][0044]
式中，zu和z
l
表示回波上层和本层的强度，eu和e
l
表示上层和本层的回波仰角度数，zi和z
i 1
表示两个连续仰角上的单体相关风暴单体分量的最大反射率因子值，δh表示层间距离v表示径向速度，w表示谱宽，i和j表示距离以及方位角的索引。
[0045]
step4：对照目标区域冰雹历史观测样本，提取正、负样本，并确定雷达回波在水平方向上的取样范围。
[0046]
所述step4中对正、负样本数据集的提取具体为：
[0047]
step4.1：从相关数据库中检索目标区域目击冰雹观测历史样本；此类数据库包括目标区域气象业务网、移动互联网和灾情报告等。
[0048]
step4.2：时次之后k小时后有观测报告的作为正样本，时次之后k小时以内无冰雹观测报告的作为负样本。
[0049]
step4.3：确定雷达回波在水平方向上的取样范围，对于正样本为包含冰雹云回波的边长为mkm的正方形范围，对于负样本为包含反射率最大值周边为nkm的正方形范围。
[0050]
具体地，正样本的提取首先提取cappi-2.5km拼图进行图像识别，将冰雹云中的典型“豆状”回波或者钩状回波识别出来，取“豆状”回波图像质心周围边长为50km区域内的数
据作为正样本取样的水平范围。
[0051]
对于所有正样本，g(x,y)＝vil(x,y) cappi(x,y,5km) et(x,y) 3g为强对流指数，vil为液态水含量，cappi为固定高度回波率，et为回波云顶高度。
[0052]
g》40的格点，则此区域对流旺盛，如果网格数据集上存在连续4个相邻的g》40的格点时，标记为一个冰雹角点，然后以冰雹角点为轴截取三维雷达回波网格数据集的垂直扫描，每旋转1
°
取一个扫描，每个冰雹角点可获得360个垂直扫描，形成一组正样本。
[0053]
负样本的提取，来自确认未收到冰雹报告且小时雨量不低于20km的强降水样本；
[0054]
对于所有负样本，先求出区域内g的最大值，以最大值为中心选取周边50km为负样本的水平范围，截取该范围内的雷达回波水平扫描和以g最大值为轴的360个垂直扫描，形成一组负样本。
[0055]
step5：通过正态贝叶斯分类法，将取样范围内不同高度上的回波水平扫描数据和不同方位的回波垂直剖面数据输入贝叶斯智能分类器，调用训练函数对正、负样本数据集进行机器学习，迭代计算出冰雹云与非冰雹云在训练集中的出现频率以及每个冰雹样本根据特征分量划分的先验概率，训练智能分类器识别冰雹云内在特征的能力，并用save函数存储训练模型。
[0056]
具体地，训练分类的过程就是机器学习过程，将输入样本分别记为冰雹c1和非冰雹c2，分类器可根据输入的样本类型，统计出n维特征向量任一分量是冰雹云的先验概率，记为p(x1|c1)，p(x2|c1)，
…
，p(xn|c1)，总体记为p(x|c1)，人工智能将利用这些先验概率知识去计算它是否是冰雹的后验概率，即：
[0057][0058]
分类器根据不同样本的回波水平扫描和垂直扫描数据进行机器学习，寻找正样本区别于负样本的内在的特征、规律，最终形成可以自动识别冰雹云的智能分类器。
[0059]
step6：将新的未知回波数据输入训练后的分类器，结合先前得出的先验概率，计算是冰雹和不是冰雹的后验概率,并不断调整低优先级分量是冰雹的概率来确定冰雹的具体类型，以达到识别的目的。
[0060]
一种基于多普勒天气雷达数据的冰雹识别系统，包括：
[0061]
数据采集模块：用于对s波段的多普勒天气雷达组网拼图资料的采集，获取雷达回波的三维立体数据。
[0062]
插值模块：用于对雷达回波的三维立体数据插值计算，生成三维雷达回波网格数据集。
[0063]
数据处理模块：用于对三维雷达回波网格数据集采取过滤式选择的方法进行特征选择，选取回波中心强度垂直剖面gdbz、垂直累积液态水含量vil、径向速度平均值mdve、风暴单体速度谱宽平均值mdsw等特征向量，选择天气雷达回波反射率的垂直和水平扫描数据为基础训练集。
[0064]
正、负样本数据集提取模块：用于将所述基础训练集进行提取，按时次之后单位时间内有观测报告的作为正样本，时次之后单位时间内无冰雹观测报告的作为负样本。
[0065]
训练模块：用于将取样范围内不同高度上的回波水平扫描数据和不同方位的回波
垂直剖面数据输入贝叶斯人工智能分类器，调用训练函数进行训练，计算出冰雹云与非冰雹云在训练集中的出现频率以及根据每个冰雹样本根据特征属性划分出的先验概率，并用save函数存储训练模型，形成可以自动识别冰雹云的智能分类器。
[0066]
测试模块：用于将未知的回波网格数据集输入训练后的智能分类器进行冰雹云自动识别。
[0067]
实施例2：如图2所示，在实施例1的基础上，提供一种基于多普勒天气雷达数据的冰雹云识别方法的优选实施例，在本实施例中，分类器采用正态贝叶斯分类器，分类模型训练也就是机器学习，其核心任务是利用分类器根据输入数据产生识别冰雹云内在的特征、规律的能力。
[0068]
具体地，包括如下步骤：
[0069]
初始化雷达组网，配置雷达参数，获取雷达回波拼图数据。
[0070]
用最近邻居法和垂直方向线性内插法相结合插值到三维笛卡尔坐标系中，将拼图数据生成三维立体雷达回波网格数据。
[0071]
对三维雷达回波网格数据集进行数据处理，包括步骤：
[0072]
1)对三维雷达回波网格数据集特征选择；
[0073]
2)获取特征向量；
[0074]
3)选择天气雷达回波反射率的垂直和水平扫描数据为基础训练集；
[0075]
对正、负样本数据集的提取，包括步骤：
[0076]
1)从相关数据库中检索目标区域目击冰雹观测历史样本，此类数据
[0077]
库包括目标区域气象业务网、移动互联网和灾情报告等；
[0078]
2)时次之后k小时后有观测报告的作为正样本，时次之后k小时以
[0079]
内无冰雹观测报告的作为负样本；
[0080]
3)确定雷达回波在水平方向上的取样范围，对于正样本为包含冰雹
[0081]
云回波的边长为m km的正方形范围，对于负样本为包含反射率最大值周边n km的正方形范围；
[0082]
对正态贝叶斯分类器关于正、负样本数据集的机器学习，包括步骤：
[0083]
1)将取样范围内不同高度上的回波水平扫描数据和不同方位的回波垂直剖面数据输入贝叶斯分类器，同时对分类器进行分类训练；
[0084]
2)通过训练，获取是不是冰雹的先验概率p(c1|x)和p(c2|x)；
[0085]
具体地，该分类训练算法是基于opencv的计算机视觉库，包括以下步骤：
[0086]
a.将回波水平扫描数据和垂直剖面数据转换为贝叶斯智能分类器训练函数支持的数据格式cv-32fc1；
[0087]
b.调用train函数进行训练，多次迭代计算；
[0088]
c.训练结束后，调用save函数将训练模型存储为xml。
[0089]
贝叶斯智能分类器对冰雹云的自动识别，包括步骤：
[0090]
分类器根据输入的n维向量，判断是冰雹和非冰雹的先验概率，结合从先前的训练集中计算得到的先验概率，通过计算后验概率并且在计算p(c1|x)时会不断根据优先级较高的特征分量调整低优先级特征分量是冰雹云的概
率，可以很好地解决模棱两可的冰雹类型。
[0091]
本发明的该实施例主体简要流程如图3所示。
[0092]
通过以上方法，智能分类器的测试精度得以提升，表明机器学习能非常好地训练出大规模特征和目标结果存在的隐含关系，克服了以往概念模型自适应和自我改进能力低的问题。
[0093]
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。