CN105445816B - 一种云雷达与卫星探测数据融合方法及系统 - Google Patents
一种云雷达与卫星探测数据融合方法及系统 Download PDFInfo
- Publication number
- CN105445816B CN105445816B CN201510927715.6A CN201510927715A CN105445816B CN 105445816 B CN105445816 B CN 105445816B CN 201510927715 A CN201510927715 A CN 201510927715A CN 105445816 B CN105445816 B CN 105445816B
- Authority
- CN
- China
- Prior art keywords
- cloud
- satellite
- height
- radar
- millimeter wave
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种云雷达与卫星探测数据融合方法及系统。本发明方法通过获取毫米波云雷达所述探测的云顶高度、云底高度和平均反射率因子,以及与毫米波云雷达上空对应的卫星云图亮温数据,通过训练好的卫星亮温与毫米波云雷达探测的云顶高度、云底高度和平均反射率因子的神经网络处理,实时输出卫星云图覆盖区域内每个亮温值对应的云顶高度、云底高度、平均反射率因子,从而得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图,为天气预报分析、数值预报和大气科学研究提供新的云信息。
Description
技术领域
本发明属于气象探测技术领域,具体涉及一种云雷达与卫星探测数据融合方法及系统。
背景技术
从气象卫星云图上可以得到云分布情况、云量、云状,而没有给出云垂直结构分布。从红外云图可以反演出云顶高度信息,由于云顶高度信息是利用红外辐射与温度相关反演得到,同时红外辐射强度还与云体结构(疏密)等因素有关,因此反演云顶高度误差较大。从信息的完整性来说,气象卫星云图不能满足气象对云高度信息的需求,特别是数值预报对云高十分敏感,直接影响预报的准确性。
地基毫米波测云仪能够完整探测到云的垂直结构,可以给出云底高度、云顶高度和云的垂直结构(反射率因子的垂直变化)。但地基毫米波测云仪布设密度决定了毫米波测云仪对云的水平分布描述远不如卫星。由于卫星云图能完整描述云的水平分布,地基毫米波测云仪可以完整探测到云的垂直信息,两者结合将可以给出云的整体描述,但两者如何结合实现对云进行描述,需要进行研究。
发明内容
有鉴于此,本发明的目的在于解决上述的技术问题而提供一种云雷达与卫星探测数据融合方法及系统,其可以实时输出卫星云图覆盖区域内每个亮温值对应的云顶高度、云底高度、平均反射率因子,从而得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图,为天气预报分析、数值预报和大气科学研究提供新的云信息。
为实现上述目的,本发明采用如下技术方案:
一种云雷达与卫星探测数据融合方法,包括以下步骤:
建立卫星探测的亮温与毫米波云雷达探测的云顶高度、云底高度和平均反射率因子的神经网络;
获取与毫米波云雷达上空对应的卫星亮温数据输入所述神经网络,通过所述神经网络处理并输出卫星云图覆盖区域内每个亮温值对应的云顶高度、云底高度、平均反射率因子;
根据所述每个亮温值对应的云顶高度、云底高度、平均反射率因子得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图。
所述建立卫星探测的亮温与毫米波云雷达探测的云顶高度、云底高度和平均反射率因子的神经网络是通过将预处理完成的卫星亮温样本数据作为输入,毫米波云雷达探测数据作为输出,对已初始化的神经网络进行训练而得到的。
所述神经网络采用三层前馈BP神经网络算法模型。
所述卫星云图覆盖区域是指以所述云雷达为中心、一定公里为半径的区域。
所述一定公里为50公里。
本发明的目的还在于提供一种云雷达与卫星探测数据融合系统,包括:
毫米波云雷达,用于探测云顶高度、云底高度和平均反射率因子数据输入数据处理器进行处理;
所述数据处理器,与所述毫米波云雷达,用于获取所述毫米波云雷达所述探测的云顶高度、云底高度和平均反射率因子,以及获取与毫米波云雷达上空对应的卫星云图亮温数据,通过训练好的卫星亮温与毫米波云雷达探测的云顶高度、云底高度和平均反射率因子的神经网络进行处理,输出卫星云图覆盖区域内每个亮温值对应的云顶高度、云底高度、平均反射率因子,根据所述每个亮温值对应的云顶高度、云底高度、平均反射率因子得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图。
本发明方法通过获取所述毫米波云雷达所述探测的云顶高度、云底高度和平均反射率因子,以及获取与毫米波云雷达上空对应的卫星云图亮温数据,通过训练好的卫星亮温与毫米波云雷达探测的云顶高度、云底高度和平均反射率因子的神经网络进行处理,实现了实时输出卫星云图覆盖区域内每个亮温值对应的云顶高度、云底高度、平均反射率因子,从而根据所述每个亮温值对应的云顶高度、云底高度、平均反射率因子得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图,为天气预报分析、数值预报和大气科学研究提供新的云信息。
附图说明
图1为本发明实施例提供的云雷达与卫星探测数据融合方法的流程图;
图2为本发明实施例提供的BP神经网络算法模型的示意图;
图3为本发明实施例提供的云雷达与卫星探测数据融合系统的原理图。
具体实施方式
下面,结合实例对本发明的实质性特点和优势作进一步的说明,但本发明并不局限于所列的实施例。
参见图1所示,一种云雷达与卫星探测数据融合方法,包括以下步骤:
建立卫星探测的亮温与毫米波云雷达探测的云顶高度CTH、云底高度CBH和平均反射率因子Z的神经网络;
获取与毫米波云雷达上空对应的卫星亮温数据输入所述神经网络,通过所述神经网络处理卫星亮温实时数据以及毫米波云雷达探测的云顶高度CTH、云底高度CBH和平均反射率因子Z的数据,输出卫星云图覆盖区域内每个亮温值对应的云顶高度CTH、云底高度CBH、平均反射率因子Z;
根据所述每个亮温值对应的云顶高度CTH、云底高度CBH、平均反射率因子Z得到卫星云图覆盖区域内的云顶高度CTH、云底高度CTH和平均反射率因子Z水平分布图。
所述建立卫星探测的亮温与毫米波云雷达探测的云顶高度CTH、云底高度CBH和平均反射率因子Z的神经网络是通过将预处理完成的卫星亮温样本数据作为输入,毫米波云雷达探测数据作为输出,对已初始化的神经网络进行训练而得到的。
下面说明本发明的实现原理:
由于气象卫星可提供可见光、红外云图,可以给出云系辐射的水平分布。云体向上产生可见光、红外辐射,这样云图上某一点的辐射强度可以表示为
是卫星接收的辐射强度,是地面辐射强度,T是云顶高度,B是云底高度,H是云的高度,Bλ是黑体辐射强度,α辐射途径的吸收系数,θ是辐射方向与天顶方向的夹角,αa是大气的吸收系数、αc是云的吸收系数。从(1)式可以看出,卫星云图表示的辐射强度与吸收系数有内在的联系。在云比较密实的情况下,在云区,由于云的吸收系数比较大,略去地表和大气的的辐射作用,得到式(2),
如果用毫米波雷达探测的反射率因子Z(H)来表示α,得到α=E'(Z(H)),那么,(2)式变为:
根据式(3),就可以毫米波雷达的探测资料计算出卫星云图在与毫米波测云仪对应点的辐射强度。同样,通过这种内在的关系可以由卫星云图反演云顶高度、云底高度。
在一些点或位置布设毫米波测云仪,如A试验基地、B气象局、C气象局布设毫米波雷达,这样对应每张卫星云图可以得到三组云底高度、云顶高度和反射率因子、卫星云图上红外亮温,即:
Bi,Ti,Zi,Iii=1,2,3,
这样,每天可以得到144组云底高度、云顶高度和反射率因子、卫星云图红外亮温,从而就可以得到整个观测区域云顶高度分布、云底高度分布、云向上辐射强度水平分布、云量、云状,得到的数据与云垂直分布、云水平分布、云量、云状的需求接近。
具体实施时,所述毫米波雷达(毫米波测云仪)的天线指向天空布置。
所述神经网络采用BP神经网络算法模型,具体的采用三层前馈BP神经网络,并通过以上的卫星云图与毫米波测云仪对应点的辐射强度的关系得相应的云顶高度、云底高度和反射率因子、卫星云图上红外亮温的对应数据。
参见图2所示,该图2示出了本发明采用的BP神经网络算法模型,具体的采用三层前馈BP神经网络,输入变量X代表多通道卫星红外亮温数据,输出Z是云底高度、云顶高度、平均反射率因子。通过该三层前馈BP神经网络可以实现将卫星红外亮温数据输入后,输出相应的每个亮温数据值对应的云底高度、云顶高度、平均反射率因子,从而就可以此而得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图。
需要说明的是,本发明中,所述卫星云图覆盖区域是指以所述云雷达为中心、一定公里为半径的区域。
具体的,所述一定公里可以为50公里或其它公里数值。
本发明通过毫米波雷达探测获取云垂直结构数据,如云底高度、云顶高度、反射率因子,通过获取气象卫星云图资料,如红外亮温,和毫米波雷达探测资料进行处理,完成毫米波测云仪探测数据与卫星探测数据融合,得到卫星云图覆盖范围内云顶高度、云底高度和平均反射率因子水平分布图,为天气预报分析、数值预报和大气科学研究提供新的云信息
参见图3所示,本发明的目的还在于提供一种云雷达与卫星探测数据融合系统,包括:
毫米波云雷达,用于探测云底高度CBH、云顶高度CTH和平均反射率因子Z数据输入数据处理器进行处理;
所述数据处理器,与所述毫米波云雷达,用于获取所述毫米波云雷达所述探测的云底高度CBH、云顶高度CTH和平均反射率因子Z,并连接卫星云图系统以及获取与毫米波云雷达上空对应的卫星云图亮温数据资料,通过训练好的卫星亮温与毫米波云雷达探测的云底高度CBH、云顶高度CTH和平均反射率因子Z的神经网络进行处理,输出卫星云图覆盖区域内每个亮温值对应的云底高度CBH、云顶高度CTH和平均反射率因子Z,根据所述每个亮温值对应的云底高度CBH、云顶高度CTH、平均反射率因子Z得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图。
所述训练好的神经网络是通过建立卫星探测的亮温与毫米波云雷达探测的云底高度CBH、云顶高度CTH和平均反射率因子Z的神经网络是通过将预处理完成的卫星亮温样本数据作为输入,毫米波云雷达探测数据作为输出,对已初始化的神经网络进行训练而得到的。
所述神经网络采用BP神经网络算法模型,具体的采用三层前馈BP神经网络。
参见图2所示,该图2示出了本发明采用的BP神经网络算法模型,具体的采用三层前馈BP神经网络,输入变量X代表多通道卫星红外亮温数据,输出Z是云底高度、云顶高度、平均反射率因子。通过该三层前馈BP神经网络可以实现将卫星红外亮温数据输入后,输出相应的每个亮温数据值对应的云底高度、云顶高度、平均反射率因子,从而就可以此而得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图。
需要说明的是,本发明中,所述卫星云图覆盖区域是指以所述云雷达为中心、一定公里为半径的区域。
具体的,所述一定公里可以为50公里或其它公里数值。
可以看出,本发明方法通过获取所述毫米波云雷达所述探测的云底高度CBH、云顶高度CTH和平均反射率因子Z,以及同步获取与毫米波云雷达上空对应的卫星云图亮温数据,通过训练好的卫星亮温与毫米波云雷达探测的云底高度CBH、云顶高度CTH和平均反射率因子Z的神经网络进行处理,实现了实时输出卫星云图覆盖区域内每个亮温值对应的云底高度CBH、云顶高度CTH、平均反射率因子Z,从而根据所述每个亮温值对应的云底高度CBH、云顶高度CTH、平均反射率因子Z得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图,为天气预报分析、数值预报和大气科学研究提供新的云信息。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种云雷达与卫星探测数据融合方法,其特征在于,包括以下步骤:
建立卫星探测的亮温与毫米波云雷达探测的云顶高度、云底高度和平均反射率因子的神经网络;
获取与毫米波云雷达上空对应的卫星亮温数据输入所述神经网络,通过所述神经网络处理并输出卫星云图覆盖区域内每个亮温值对应的云顶高度、云底高度、平均反射率因子;
根据所述每个亮温值对应的云顶高度、云底高度、平均反射率因子得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图。
2.根据权利要求1所述云雷达与卫星探测数据融合方法,其特征在于,所述建立卫星探测的亮温与毫米波云雷达探测的云顶高度、云底高度和平均反射率因子的神经网络是通过将预处理完成的卫星亮温样本数据作为输入,毫米波云雷达探测数据作为输出,对已初始化的神经网络进行训练而得到的。
3.根据权利要求1或2所述云雷达与卫星探测数据融合方法,其特征在于,所述神经网络采用三层前馈BP神经网络算法模型。
4.根据权利要求3所述云雷达与卫星探测数据融合方法,其特征在于,所述卫星云图覆盖区域是指以所述云雷达为中心、一定公里为半径的区域,所述一定公里为50公里。
5.一种云雷达与卫星探测数据融合系统,其特征在于,包括:
毫米波云雷达,用于探测云顶高度、云底高度和平均反射率因子数据输入数据处理器进行处理;
所述数据处理器,与所述毫米波云雷达,用于获取所述毫米波云雷达所述探测的云顶高度、云底高度和平均反射率因子,以及获取与毫米波云雷达上空对应的卫星云图亮温数据,通过训练好的卫星亮温与毫米波云雷达探测的云顶高度、云底高度和平均反射率因子的神经网络进行处理,输出卫星云图覆盖区域内每个亮温值对应的云顶高度、云底高度、平均反射率因子,根据所述每个亮温值对应的云顶高度、云底高度、平均反射率因子得到卫星云图覆盖区域内的云顶高度、云底高度和平均反射率因子水平分布图。
6.根据权利要求5所述云雷达与卫星探测数据融合系统,其特征在于,所述神经网络采用三层前馈BP神经网络算法模型。
7.根据权利要求5或6所述云雷达与卫星探测数据融合系统,其特征在于,所述卫星云图覆盖区域是指以所述云雷达为中心、一定公里为半径的区域,所述一定公里为50公里。
8.根据权利要求5所述云雷达与卫星探测数据融合系统,其特征在于,所述神经网络是通过将预处理完成的卫星亮温样本数据作为输入,毫米波云雷达探测数据作为输出,对已初始化的神经网络训练而得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510927715.6A CN105445816B (zh) | 2015-12-14 | 2015-12-14 | 一种云雷达与卫星探测数据融合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510927715.6A CN105445816B (zh) | 2015-12-14 | 2015-12-14 | 一种云雷达与卫星探测数据融合方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105445816A CN105445816A (zh) | 2016-03-30 |
CN105445816B true CN105445816B (zh) | 2017-10-03 |
Family
ID=55556227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510927715.6A Active CN105445816B (zh) | 2015-12-14 | 2015-12-14 | 一种云雷达与卫星探测数据融合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105445816B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054194B (zh) * | 2016-05-10 | 2018-04-03 | 南京信息工程大学 | 一种星载雷达和地基雷达反射率因子数据三维融合方法 |
AU2018353556B2 (en) * | 2017-10-20 | 2022-11-10 | Cma Macchine Per Caffe' S.R.L. | Machine and process for preparing a beverage |
CN108614309B (zh) | 2018-05-11 | 2019-08-02 | 西安理工大学 | 云水资源探测系统及方法 |
CN109871637B (zh) * | 2019-03-06 | 2022-11-04 | 成都信息工程大学 | 一种云天条件下近地面气温估算方法 |
RU2757591C1 (ru) | 2019-03-25 | 2021-10-19 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для формирования прогноза погоды |
CN111223153A (zh) * | 2020-01-03 | 2020-06-02 | 上海眼控科技股份有限公司 | 云顶高度计算方法、装置、计算机设备和存储介质 |
CN113534158A (zh) * | 2021-06-10 | 2021-10-22 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
CN114460555B (zh) * | 2022-04-08 | 2022-08-23 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种雷达回波外推方法、装置及存储介质 |
CN115144835B (zh) * | 2022-09-02 | 2023-01-03 | 南京信大气象科学技术研究院有限公司 | 一种基于神经网络的卫星反演天气雷达反射率的方法 |
CN116047631B (zh) * | 2023-03-31 | 2023-06-20 | 中科星图维天信(北京)科技有限公司 | 降水预报方法、装置、电子设备及存储介质 |
CN116226675B (zh) * | 2023-05-06 | 2023-09-01 | 中国气象科学研究院 | 云垂直结构数据构建方法、系统、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757322A (en) * | 1995-04-03 | 1998-05-26 | Aircell, Inc. | Cellular weather information system for aircraft |
US6035710A (en) * | 1999-05-28 | 2000-03-14 | Lockheed Martin Missiles & Space Co. | Cloud base height and weather characterization, visualization and prediction based on satellite meteorological observation |
CN104007486B (zh) * | 2014-06-05 | 2016-04-27 | 中国气象局气象探测中心 | 主被动遥感相结合的大气温湿度廓线处理方法及系统 |
-
2015
- 2015-12-14 CN CN201510927715.6A patent/CN105445816B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105445816A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105445816B (zh) | 一种云雷达与卫星探测数据融合方法及系统 | |
CN112435207B (zh) | 一种基于天空地一体化的森林火灾监测预警方法 | |
CN104502918B (zh) | 一种低轨卫星星载图谱关联探测方法与载荷 | |
CN104535979B (zh) | 一种陆地云光学厚度的遥感反演方法及系统 | |
CN106547840A (zh) | 一种全球三维大气数据的解析及管理方法 | |
Li et al. | Estimation of direct, diffuse, and total FPARs from Landsat surface reflectance data and ground‐based estimates over six FLUXNET sites | |
CN103400364B (zh) | 一种森林资源变化监测方法 | |
CN107421644B (zh) | 城市完全表面温度的航空遥感估算方法 | |
CN103604421B (zh) | 一种基于光谱反射率特性的星载高光谱图像云检测方法 | |
CN110291368A (zh) | 多传感器辐照度评估 | |
CN107607490A (zh) | 基于GOCI影像进行水体中叶绿素a浓度估算的方法 | |
Lagouarde et al. | Atmospheric turbulence induced errors on measurements of surface temperature from space | |
CN108399363B (zh) | 一种基于偏振图像的云检测方法 | |
Pacheco-Labrador et al. | New approaches in multi-angular proximal sensing of vegetation: Accounting for spatial heterogeneity and diffuse radiation in directional reflectance distribution models | |
Sirch et al. | Cloud and DNI nowcasting with MSG/SEVIRI for the optimized operation of concentrating solar power plants | |
CN103743488B (zh) | 遥感卫星地球临边背景特性的红外成像仿真方法 | |
CN108009392A (zh) | 一种浓密植被地表的遥感反射率模型构建及标定应用方法 | |
Yin et al. | Estimate of ocean wind vectors inside tropical cyclones from polarimetric radiometer | |
Weiss et al. | Albedo of the ice covered Weddell and Bellingshausen Seas | |
CN107153177B (zh) | 一种机载气象雷达降雨探测结果的验证方法 | |
CN104217128B (zh) | 一种起伏地形下卫星侧摆成像大气邻近效应模拟方法 | |
CN113870147A (zh) | 一种考虑阴影区域的遥感图像brdf校正方法 | |
Jiang et al. | Developing a novel topography-adjusted vegetation index (TAVI) for rugged area | |
CN109900361A (zh) | 一种适用于航空高光谱影像大气辐射校正的方法 | |
CN102435318A (zh) | 考虑天空光对地表反射影响的偏振遥感数据仿真方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |