一种基于雷达数据的闪电落区识别方法与流程

1.本发明涉及一种闪电落区定位技术，尤其是涉及一种基于雷达数据的闪电落区识别方法。


背景技术：

2.闪电是在雷暴天气条件下发生于自然大气中的一种长距离放电现象，闪电具有大电流、高电压、强电磁辐射等特征。闪电一般来说可以分为地闪和云闪两类。其中，地闪是指云内荷电中心与大地和地物之间的放电过程，其危害不仅仅体现在直击时由于强电流等造成的损失，更重要的是其产生的感应场和辐射场所带来的影响，因此绝大部分雷电灾害都是由地闪造成的。
3.由于雷暴天气时空尺度小、变化快、天气剧烈、社会影响大，且发生发展机制比较复杂，因此闪电的监测预警具有重大意义。当前对闪电落区定位技术的研究多是通过闪电定位系统来实现的，闪电定位系统是一种实况监测系统，在闪电发生后其能够实时定位闪电落区的位置，但其一维数据的特性决定了该系统不能捕捉强对流体生消变化情况，从而无法结合雷达外推技术如光流法预测闪电的运动发展，无法预报后续闪电发展情况。中国新一代天气雷达cinrad/sa作为强对流天气监测最有效的手段之一，可以探测更广阔的区域，更高空间分辨率的对流系统结构，所以目前也有不少采用雷达数据来识别闪电的方法，这些方法主要是通过分析闪电发生时一定时空范围内的雷达数据，提取阈值参数，当雷达数据大于阈值时认为雷达数据对应的空间区域为闪电落区，但是这些方法只考虑了雷达回波所在格点的特征，并未考虑空间特征，因此这些方法对噪声敏感，虚警率高，在强对流天气下表现不佳。


技术实现要素：

4.本发明所要解决的技术问题是提供一种基于雷达数据的闪电落区识别方法，其识别准确率高，能够结合雷达外推技术进行雷电预报，能够应用于没有闪电定位系统或闪电定位系统探测范围覆盖不到的雷达探测环境中。
5.本发明解决上述技术问题所采用的技术方案为：一种基于雷达数据的闪电落区识别方法，其特征在于包括以下步骤：
6.步骤s1：选取闪电定位数据中的闪电位置信息作为闪电数据源；选取雷达基数据转换得到的n种不同种类的雷达数据作为雷达数据源，其中，雷达数据的种类数量n由天气雷达的体扫模式决定；
7.步骤s2：以天气雷达的有效探测距离230km为空间范围，以天气雷达的体扫周期为时间范围；将每个体扫周期内的每种雷达数据从极坐标格式转换为笛卡尔坐标格式，其中，笛卡尔坐标格式的坐标原点为天气雷达所在的经纬度位置；然后构建一个以天气雷达所在的经纬度位置为中心且格点宽度为1km的2w
×
2w的二维雷达格点场，其中，w表示天气雷达的有效探测距离的数值，w＝230，二维雷达格点场的左下角坐标为(0，0)，二维雷达格点场
的右上角坐标为(2w,2w)；再在二维雷达格点场的基础上，对每个体扫周期内的每种笛卡尔坐标格式的雷达数据进行栅格化处理，得到每个体扫周期内的每种笛卡尔坐标格式的雷达数据对应的栅格化数据；最后将每个体扫周期内的所有笛卡尔坐标格式的雷达数据对应的栅格化数据按空间对应关系堆叠为2w
×
2w
×
n的三维雷达格点数据；
8.步骤s3：以天气雷达的有效探测距离230km为空间范围，以天气雷达的体扫周期为时间范围；提取出在天气雷达的有效探测距离内的每个体扫周期内的闪电位置信息；然后将每个体扫周期内的闪电位置信息映射到二维雷达格点场中；接着判断二维雷达格点场中的每个格点中是否存在闪电位置信息，如果存在，则将该格点标记为1，如果不存在，则将该格点标记为0，生成2w
×
2w
×
1的二分类标签数据；
9.步骤s4：将每个体扫周期内的2w
×
2w
×
n的三维雷达格点数据与对应的2w
×
2w
×
1的二分类标签数据按空间对应关系构成一个2w
×
2w
×
(n 1)规格的雷达闪电格点场数据；
10.步骤s5：将包含过去多年雷暴日所有体扫周期内的雷达闪电格点场数据的集合随机分为训练集、验证集和测试集；并引入基于segnet的深度语义分割网络模型；
11.步骤s6：利用训练集对模型进行训练；然后利用验证集对模型进行验证，根据验证结果选择出性能最优的模型和权重并保存；再利用保存的模型对测试集进行识别，闪电落区识别结果通过边界成功指数算法进行性能评估。
12.所述的步骤s1中，闪电定位数据通过闪电定位系统获得，闪电位置为闪电落区的经纬度位置；雷达数据通过天气雷达获得，雷达数据主要由雷达多仰角平面位置扫描回波数据和雷达产品数据这两大类数据构成，雷达多仰角平面位置扫描回波数据包括0.5度、1.45度、2.4度、3.35度、4.3度、6.0度、9.0度、14.6度、19.5度这9个仰角雷达回波数据，雷达产品数据包括回波顶高、组合反射率、径向速度、垂直液态含水量，即n的值为13。
13.所述的步骤s2中，栅格化处理的过程为：将每个体扫周期内的每种笛卡尔坐标格式的雷达数据以二维雷达格点场为标准，按空间对应进行插值实现栅格化处理。
14.所述的插值采用的插值算法为反距离加权插值法。
15.所述的步骤s3中，闪电位置信息映射到2w
×
2w的二维雷达格点场中的过程为：设定天气雷达所在的经纬度位置为(xr,yr)，设定闪电位置信息为(x
l
,y
l
)，设定闪电位置信息映射到2w
×
2w的二维雷达格点场中的行列号为(x,y)，x＝w (x
r-x
l
)
×sx
，y＝w (y
r-y
l
)
×
sy，其中，xr表示天气雷达所在的经纬度位置的经度，yr表示天气雷达所在的经纬度位置的纬度，x
l
表示闪电位置的经度，y
l
表示闪电位置的纬度，x表示在二维雷达格点场中闪电位置信息所映射到的格点位置的列号，y表示在二维雷达格点场中闪电位置信息所映射到的格点位置的行号，格点场中格点位置的列号和行号的编号从0开始，s
x
表示在天气雷达的有效探测距离内1
°
经度代表的距离，sy表示在天气雷达的有效探测距离内1
°
纬度代表的距离。
16.所述的步骤s5中，训练集、验证集和测试集的比例为7:2:1。
17.所述的步骤s6中，训练模型时，设定学习率、批处理规模、损失函数和早停轮次四个超参数，设定前10轮次的学习率为0.001，在10轮次后每5轮次的学习率为在前一个学习率的基础上下降10％，设定批处理规模为8，损失函数采用梯度协调机制函数，早停轮次设为10；
18.训练模型时，首先在每轮迭代训练的开始选取训练集中一个批处理规模的训练样本即雷达闪电格点场数据，然后将这个批处理规模的所有训练样本输入到模型中，得到这
个批处理规模的每个训练样本中闪电落区的识别结果，再采用损失函数即梯度协调机制函数计算这个批处理规模的所有训练样本中闪电落区的识别结果与对应的真实值即二分类标签数据之间的损失值，最后通过自适应动量的随机优化器中的反向传播算法将损失值按梯度的反方向更新模型参数；迭代训练模型使得损失值尽可能低，在每轮迭代训练结束时利用验证集对模型进行验证，并记录验证集中的所有验证样本的识别结果与对应的真实值即二分类标签数据之间的平均损失值，若在迭代训练过程中模型连续10轮次在验证集上的平均损失值不下降，则终止训练并保存在验证集上平均损失值最低时的模型和权重。
19.与现有技术相比，本发明的优点在于：
20.1)本发明方法根据雷达数据和闪电定位数据的时空相关性，构建雷达闪电场数据，并结合深度学习方法，能够挖掘出雷达数据中隐藏的时空规律与特征属性，大大提升了闪电落区的识别准确率。
21.2)本发明方法能够结合雷达外推技术如交叉相关法、单体质心法、光流法以及基于深度学习技术的雷达外推算法等进行雷电预报，能在雷电短临预报业务中具有良好的应用价值，为雷电灾害防御提供高质量技术支撑。
22.3)本发明方法能够应用于没有闪电定位系统或闪电定位系统探测范围覆盖不到的雷达探测环境中，只需雷达数据就能进行闪电落区的识别，通用性和迁移性好。
附图说明
23.图1为本发明方法的总体实现框图；
24.图2为一个以天气雷达所在的经纬度位置为中心、格点宽度为1km的2w
×
2w的二维雷达格点场的示意图。
具体实施方式
25.以下结合附图实施例对本发明作进一步详细描述。
26.本发明提出的一种基于雷达数据的闪电落区识别方法，其总体实现框图如图1所示，其包括以下步骤：
27.步骤s1：选取闪电定位数据中的闪电位置信息作为闪电数据源；选取雷达基数据转换得到的n种不同种类的雷达数据作为雷达数据源，其中，雷达数据的种类数量n由天气雷达(如中国新一代天气雷达cinrad/sa)的体扫模式决定。
28.在本实施例中，步骤s1中，闪电定位数据通过现有的闪电定位系统获得，闪电位置为闪电落区的经纬度位置；雷达数据通过现有的天气雷达获得，雷达数据主要由雷达多仰角平面位置扫描回波(ppi)数据和雷达产品数据这两大类数据构成，雷达多仰角平面位置扫描回波数据包括0.5度、1.45度、2.4度、3.35度、4.3度、6.0度、9.0度、14.6度、19.5度这9个仰角雷达回波数据，雷达产品数据包括回波顶高(et)、组合反射率(cr)、径向速度(v)、垂直液态含水量(vil)，即n的值为13。对流体是闪电发生的基础条件，雷达多仰角ppi数据代表了不同仰角的反射率因子，能够展现对流体的空间结构；回波顶高能够指示雷暴云内垂直气流的强弱，云顶越高，对流发展越旺盛，其高度是雷暴云中能否发生强起电过程的重要条件；组合反射率反映了回波强度极大值，回波强度是对流发展旺盛程度的反映，研究发现闪电的空间分布范围和较强回波所在位置一致；径向速度与雷电活动的运动及加强、减弱，
有对应关系；垂直液态含水量能够表明对流云内的水汽条件，合适的水汽条件有利于闪电的发生。以宁波地区的天气雷达为例，天气雷达的基础数据里面包含了9个仰角的雷达回波数据，然后再利用雷达ppi数据转换成多种雷达产品数据，比如et、cr。
29.步骤s2：以天气雷达的有效探测距离230km为空间范围，以天气雷达的体扫周期为时间范围；将每个体扫周期内的每种雷达数据从极坐标格式转换为笛卡尔坐标格式，其中，笛卡尔坐标格式的坐标原点为天气雷达所在的经纬度位置；然后构建一个以天气雷达所在的经纬度位置为中心且格点宽度为1km的2w
×
2w的二维雷达格点场，如图2所示，其中，w表示天气雷达的有效探测距离的数值，w＝230，为了便于转换为计算机矩阵，定义二维雷达格点场的左下角坐标为(0，0)，二维雷达格点场的右上角坐标为(2w,2w)；再在二维雷达格点场的基础上，对每个体扫周期内的每种笛卡尔坐标格式的雷达数据进行栅格化处理，得到每个体扫周期内的每种笛卡尔坐标格式的雷达数据对应的栅格化数据；最后将每个体扫周期内的所有笛卡尔坐标格式的雷达数据对应的栅格化数据按空间对应关系堆叠为2w
×
2w
×
n的三维雷达格点数据。
30.在此，以天气雷达所在的经纬度位置来形成二维雷达格点场，带经纬度信息的数据都可以通过一个经度上的系数和一个纬度上的系数转换为格点位置，例如：对于宁波地区，经度上的系数大概是111.11km，也就是说在水平方向上1
°
＝111.11km；纬度上的系数大概是96.225km，也就是说在垂直方向上1
°
＝96.225km。
31.在本实施例中，步骤s2中，栅格化处理的过程为：将每个体扫周期内的每种笛卡尔坐标格式的雷达数据以二维雷达格点场为标准，按空间对应进行插值实现栅格化处理。在此，插值采用的插值算法为反距离加权插值法(idw，inverse distance weight，也称为距离倒数乘方法)。
32.步骤s3：以天气雷达的有效探测距离230km为空间范围，以天气雷达的体扫周期为时间范围；提取出在天气雷达的有效探测距离内的每个体扫周期内的闪电位置信息；然后将每个体扫周期内的闪电位置信息映射到二维雷达格点场中；接着判断二维雷达格点场中的每个格点中是否存在闪电位置信息(即该格点代表的1平方千米范围内是否发生了闪电)，如果存在，则将该格点标记为1，如果不存在，则将该格点标记为0，生成2w
×
2w
×
1的二分类标签数据。在此，以天气雷达的雷达体扫起始时间和终止时间为限，从闪电定位数据中提取出在该时间段内的闪电定位记录即闪电位置信息，以实现时间筛选，再以天气雷达所在的经纬度位置为中心，以天气雷达的有效探测距离为边界，对闪电定位记录进行空间筛选；时间筛选和空间筛选的先后顺序可对调。
33.在本实施例中，步骤s3中，闪电位置信息映射到2w
×
2w的二维雷达格点场中的过程为：如图2所示，设定天气雷达所在的经纬度位置为(xr,yr)，设定闪电位置信息为(x
l
,y
l
)，设定闪电位置信息映射到2w
×
2w的二维雷达格点场中的行列号为(x,y)，x＝w (x
r-x
l
)
×sx
，y＝w (y
r-y
l
)
×
sy，其中，xr表示天气雷达所在的经纬度位置的经度，yr表示天气雷达所在的经纬度位置的纬度，x
l
表示闪电位置的经度，y
l
表示闪电位置的纬度，x表示在二维雷达格点场中闪电位置信息所映射到的格点位置的列号，y表示在二维雷达格点场中闪电位置信息所映射到的格点位置的行号，格点场中格点位置的列号和行号的编号从0开始，s
x
表示在天气雷达的有效探测距离内1
°
经度代表的距离，sy表示在天气雷达的有效探测距离内1
°
纬度代表的距离。
34.步骤s4：将每个体扫周期内的2w
×
2w
×
n的三维雷达格点数据与对应的2w
×
2w
×
1的二分类标签数据按空间对应关系构成一个2w
×
2w
×
(n 1)规格的雷达闪电格点场数据。
35.步骤s5：将包含过去多年(如过去10年)雷暴日所有体扫周期内的雷达闪电格点场数据的集合随机分为训练集、验证集和测试集；并引入基于segnet的深度语义分割网络模型。
36.在本实施例中，步骤s5中，训练集、验证集和测试集的比例为7:2:1。
37.在此，基于segnet的深度语义分割网络模型为现有的网络模型，其引用自梅迪.应用于图像语义分割的神经网络——从segnet到u-net[j].电子制作,2021(12):49-52.，在本发明中只需对基于segnet的深度语义分割网络模型进行输入适配即可。
[0038]
步骤s6：利用训练集对模型进行训练；然后利用验证集对模型进行验证，根据验证结果选择出性能最优的模型和权重并保存；再利用保存的模型对测试集进行识别，闪电落区识别结果通过边界成功指数(csi)算法进行性能评估。
[0039]
在本实施例中，步骤s6中，训练模型时，设定学习率、批处理规模、损失函数和早停轮次四个超参数，设定前10轮次(epoch)的学习率为0.001，在10轮次后每5轮次的学习率为在前一个学习率的基础上下降10％，设定批处理规模为8，损失函数采用梯度协调机制(ghm，gradient harmonizing mechanism)函数，早停轮次设为10；训练模型时，首先在每轮迭代训练的开始选取训练集中一个批处理规模的训练样本即雷达闪电格点场数据，然后将这个批处理规模的所有训练样本输入到模型(模型的工作原理为向前传播算法)中，得到这个批处理规模的每个训练样本中闪电落区的识别结果，再采用损失函数即梯度协调机制函数计算这个批处理规模的所有训练样本中闪电落区的识别结果与对应的真实值即二分类标签数据之间的损失值，最后通过自适应动量的随机优化器(adam)中的反向传播(bp)算法将损失值按梯度的反方向更新模型参数；迭代训练模型使得损失值尽可能低，在每轮迭代训练结束时利用验证集对模型进行验证，并记录验证集中的所有验证样本的识别结果与对应的真实值即二分类标签数据之间的平均损失值，若在迭代训练过程中模型连续10轮次在验证集上的平均损失值不下降，则终止训练并保存在验证集上平均损失值最低时的模型和权重。
[0040]
利用本发明方法进行实时识别时，按照步骤s1和步骤s2的过程，以相同的方式获取2w
×
2w
×
n的三维雷达格点数据，然后利用保存的模型对三维雷达格点数据进行识别，识别得到2w
×
2w
×
1规格的闪电落区。
[0041]
为了进一步说明本发明方法的可行性和有效性，对本发明方法进行实验。
[0042]
在基于segnet的深度语义分割网络模型训练完毕后，使用测试集与边界成功指数csi(critical success index)来定量验证保存的模型的性能。其中，csi代表算法成功探测闪电的比率，反映的是算法估计有闪电或者真实有闪电并且正确做出识别的概率，tp(true positive)：预测为1，真实值也为1，真阳性；fp(false positive)：预测为1，真实值为0，假阳性；fn(false negative)：预测为0，真实值为1，假阴性；tn(true negative)：预测为0，真实值也为0，真阴性。
[0043]
闪电有无可分为正和负两类，闪电落区的识别结果有正确和错误两类，共形成四种结果，如表1所示。
[0044]
表1闪电落区的识别结果定义
[0045][0046]
目前业界普遍认可在-10℃层结高度，回波强度达到40dbz的情况下发生闪电的概率极大，故而将此阈值(1.李芳，黄兴友，王振会，冯民学，焦雪.基于南京地区雷达资料的雷电识别指标初探[j].气象科学，2010，30(02):202-207.；2.马玉蓉.雷暴的天气雷达识别及临近预报研究[d].南京信息工程大学)作为对比算法。
[0047]
利用本发明方法和对比算法分别对测试集进行识别，得到测试集中的每个雷达闪电格点场数据的闪电落区识别结果，对闪电落区识别结果进行csi评分计算，2395个测试样本的平均csi评分值表明：利用本发明方法得到的平均csi评分为0.02924，对比算法得到的平均csi评分为0.01306，通过比较可以看到，与对比算法相比，利用本发明方法的平均csi评分提升了0.01618，提升了123.9％，说明保存的模型能更好地识别闪电落区。