CN108256546A - 一种非降水条件下大气边界层高度探测方法和系统 - Google Patents
一种非降水条件下大气边界层高度探测方法和系统 Download PDFInfo
- Publication number
- CN108256546A CN108256546A CN201711237955.9A CN201711237955A CN108256546A CN 108256546 A CN108256546 A CN 108256546A CN 201711237955 A CN201711237955 A CN 201711237955A CN 108256546 A CN108256546 A CN 108256546A
- Authority
- CN
- China
- Prior art keywords
- data
- noise ratio
- sample
- scale factor
- signal
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
Abstract
本发明公开一种非降水条件下风廓线雷达对大气边界层高度的探测方法,方法包括:利用支持向量机技术,基于多组时空匹配的风廓线雷达探测数据与毫米波测云雷达的探测数据,得到云识别分类器;选择最优小波基;基于多组时空匹配的风廓线雷达探测数据和探空数据,利用最小二乘法计算最优尺度因子,并拟合最优尺度因子与风廓线雷达探测数据中信噪比SNR数据之间的函数关系,从而实现对实际风廓线雷达探测数据进行小波变换时的尺度因子自适应;利用云识别分类器,将小波变换得到的不唯一的信噪比突变点高度进行有云或无云的识别,将识别结果为无云的信噪比突变点对应的高度作为大气边界层高度。本发明优化了风廓线雷达在大气边界层高度探测时的反演方法,支持向量机的应用提高了探测精度,可大大减少误判。
Description
技术领域
本发明涉及遥感技术中非降水条件下大气边界层高度探测技术领域,特别是一种基于小波变换与支持向量机的非降水条件下风廓线雷达对大气边界层高度的探测方法和系统。
背景技术
在非降水条件下,大气边界层高度是研究大气边界层的主要参数,是空气污染物扩散、边界层结构、大气动力学等研究必须考虑的重要物理量。大气边界层的高度更是污染物扩散模式、气候模式、大气模式的一个重要输入参数,其准确性对于模式的结果至关重要。传统大气边界层高度检测手段主要包括无线电探空仪、气象观测塔、系留气球、飞机观测等,但这些方法存在难以连续不间断测量、时间分辨率差、人工依赖性和高成本等缺点。目前,利用激光雷达数据可反演获取大气边界层高度,但是由于激光波长短,在有云和降水等情况下难以进行大气边界层高度的探测。
风廓线雷达是一种无球高空气象探测设备,可无人值守,连续提供水平风场、垂直速度等气象要素随高度的分布情况,其探测资料具有时空分辨率高、连续性和实时性好的特点。国外从20世纪80年代开始风廓线雷达大气边界层高度探测技术的研究,利用风廓线雷达探测资料采用梯度法和小波分析等方法得到了大气边界层高度,并进行了比对试验工作,参考说明书附图图2所示的比对结果。近年来,国内风廓线雷达技术性能有了质的飞跃,多项技术指标已经达到了国际先进水平,对风廓线雷达大气边界层高度探测也开展了一些研究工作,但仍有许多关键技术和科学问题需要深入研究:(1)在现有基于小波的风廓线雷达大气边界层高度探测技术基础上如何优化反演方法,研究最优小波基选择和自适应尺度因子确定方法,提高反演精度和稳定性,满足业务化运用需求。(2)目前国内外研究成果都是晴空条件下风廓线雷达探测大气边界层高度,对有云条件下的边界层高度探测研究很少。由于云顶附近存在与大气边界层顶附近相似的大气湿度显著变化的特征,在有云条件下风廓线雷达同时接收云中粒子散射回波和湍流散射回波,检测大气边界层高度时,难以利用湿度突变的特征判定是云顶还是边界层顶,严重影响了探测精度,甚至出现误判。因此,需要寻找一种非降水条件下风廓线雷达对大气边界层高度的探测方法。
发明内容
本发明要解决的技术问题为:研究在非降水条件下利用风廓线雷达对大气边界层高度进行探测的方法,结合小波变化方法和支持向量机技术,优化反演方法,提高反演精度和稳定性,从而达到提高探测精度的目的。
本发明采取的技术方案具体为:一种非降水条件下大气边界层高度探测方法,包括:
S1,获取多组时空匹配的风廓线雷达探测数据与毫米波测云雷达的探测数据,作为支持向量机的训练样本数据;
S2,选择支持向量机的核函数,以样本数据中风廓线雷达探测数据作为支持向量机的输入,毫米波测云雷达的探测数据作为训练参考值,进行训练,得到云识别分类器;
S3,获取多组时空匹配的风廓线雷达的探测数据与探空数据,将风廓线雷达探测数据中的信噪比SNR数据与时空匹配的探空数据H0,作为样本集合;
S4,选择小波变换时的小波函数,设定小波变换时尺度因子的变化范围以及变化步长,基于S3样本集合的各样本中信噪比SNR数据和小波函数,利用小波变换反演得到对应变化范围内各尺度因子的、各样本对应的反演高度数据;
S5,计算S3样本集合的各样本对应反演高度数据与探空数据的误差平方,对于各样本,以误差平方值最小时对应的尺度因子作为最优尺度因子;将各样本中信噪比SNR数据与对应的最优尺度因子,作为用于拟合信噪比SNR数据与最优尺度因子之间函数关系的样本集;
S6,利用线性回归算法构造表征信噪比SNR数据与最有尺度因子之间函数关系的多项式函数,利用S5中样本集求解多项式函数中系数的取值,得到系数已知的多项式函数;
S7,将风廓线雷达实际探测数据中的信噪比SNR数据作为S6得到的多项式函数的输入,得到对应的最优尺度因子,利用得到的最优尺度因子更新小波变换公式;
S8,利用更新后的小波变换公式对风廓线雷达实际探测数据进行一维连续小波变换,提取出信噪比廓线的突变点以及突变点所对应的高度;
S9,判断信噪比突变点的数量是否唯一,若唯一,则将此信噪比突变点所对应高度作为大气边界层高度,否则将各信噪比突变点高度对应的风廓线雷达探测数据作为S2得到的云识别分类器的输入,判断各突变点高度处是否天空有云;
S10,将判断为天空有云的高度对应的突变点剔除,以判断为天空无云的突变点高度作为大气边界层高度。
本发明对于方法中云识别分类器的获取步骤与小波变换获取突变点及突变点高度步骤之间的顺序不做限定,两者可先后进行也可并列进行。
优选的,步骤S1中,获取的风廓线雷达探测数据包括时域和频域的回波功率、信噪比、谱宽、偏度、峰度、垂直速度和水平风场数据,毫米波测云雷达的探测数据为有云或无云标识。本发明所述时空匹配即风廓线雷达与毫米波测云雷达的探测时间相同,探测高度相应。毫米波测云雷达能够直接探测得到某垂直高度上有云或无云,风廓线雷达探测数据是地面单点向上的垂直廓线上的数据,也就是说一段高度有一组雷达数据。将多组风廓线雷达的探测数据作为支持向量机的输入特征向量样本,毫米波测云雷达的对应探测数据作为训练参考值,即可得到用于判断实测的风廓线雷达探测数据是否对应有云结果的云识别分类器。
进一步的,定义S1获取的单组时空匹配的风廓线雷达探测数据为t1,t2,t3,t4,t5,t6,t7,毫米波测云雷达探测数据为输出特征量y∈{+1,-1};将风廓线雷达探测数据作为输入特征量x,则x=(t1,t2,t3,t4,t5,t6,t7);
将(x1,y1),…,(xN,yN)作为给定样本集合,构建二次凸规划问题:
其中,αi为拉格朗日系数,计算得到最优解的拉格朗日系数,记为α*;
利用最优解α*计算最优偏置β*:
构造决策函数为:
其中K(xi,xj)为核函数;决策函数即为云识别分类器;
步骤S将待判断是否有云的高度对应的风廓线雷达探测数据,作为云识别分类器的输入特征量,即可计算得到相应的输出量f(x),若f(x)=+1,则相应的高度为天空有云,若f(x)=-1,则相应的高度天空无云。
上述核函数K(xi,xj)为线性核函数、多项式核函数、径向基核函数或Sigmoid核函数中的一种。具体选择时,可将各种核函数分别代入决策函数进行试验,根据风廓线雷达回波信号及毫米波云雷达所测云回波的特点,进行试验比对,进而确定合适的核函数。在样本集合已经给出的基础上,比对选择适当核函数的过程为现有技术。
优选的,S4包括:
小波变换公式为:
其中a为尺度因子,b为平移因子,t为高度,R为风廓线雷达探测的高度范围,f(t)是风廓线雷达信噪比廓线垂直梯度函数,为小波函数,Wf(a,b)最小时对应的风廓线雷达信噪比垂直梯度廓线的突变点的高度b即为反演结果高度;
设置尺度因子的变化范围以及变化步长,基于变化步长,依次将变化范围内的各尺度因子与S3中样本集合中各样本中的风廓线雷达信噪比SNR数据,代入小波变换公式,反演得到各风廓线雷达信噪比SNR数据样本下各尺度因子对应的大气边界层高度H。
S4在选择小波变换时的小波函数时,可利用S3的样本集采用多种小波基进行反复试验,每次试验反演得到的大气边界层高度,与真值(探空数据)比对,误差最小的选为最优小波基。例如,在进行风廓线雷达地杂和间歇性杂波抑制时,通过理论分析和试验验证,确定Daubechies双正交小波基比较适用于杂波的处理;在风廓线雷达的垂直气流探测中,通过试验和理论分析得出Mexican-hat小波为最优小波基。
优选的,S4中,选择小波变换时的小波函数为Haar小波基函数:
其中a是尺度因子,b是Haar函数的中心,z为高度,则利用Haar函数定义协方差小波变换如下:
其中,Zt和Zb分别是积分上限和下限,代表风廓线雷达探测的高度范围,f(z)是风廓线雷达信噪比廓线垂直梯度函数。
该方法确定边界层高度的原理是比较风廓线雷达信噪比垂直廓线与Haar小波基函数的相似程度,即在b高度处的范围内风廓线雷达垂直信噪比廓线与Haar小波基函数的相似程度,相似程度越大,Wf(a,b)越小,即信号的阶跃性越明显,因此,Wf(a,b)取得最小值时的b的高度即为大气边界层的高度。
除Haar小波基函数外,小波函数还可采用现有的Morlet小波基函数、Meyer小波基函数等,相应的小波变换方法皆为现有技术。
优选的,S5包括:
定义反演得到的大气边界层高度与对应的样本探空数据H0之间的误差平方为Δe,求解以下方程组:
求解得到最小误差平方minΔe及其对应的最优尺度因子a;即得到各风廓线雷达信噪比SNR样本数据对应的最优尺度因子,将各雷达信噪比SNR样本数据与对应的最优尺度因子组成样本集合记为(a1,SNR1),…,(aN,SNRN)。
优选的,S6包括:
利用线性回归算法拟合最优尺度因子与雷达信噪比SNR之间的函数关系,构造多项式函数为:
a=cSNR2+dSNR+M
其中c和d为多项式待求系数,M为尺度因子初始设定值;
将样本集合(a1,SNR1),…,(aN,SNRN)代入多项式函数中,计算代价函数:
当v取最小值,则尺度函数a与雷达信噪比SNR拟合效果最好,此时对应的多项式系数c和d的值即为所求,由此得到系数已知的多项式函数。
优选的,S6中,M为1700,尺度因子的波动范围设定为a∈[1600,1800]。实际上M可根据实际最优尺度因子的波动范围进行设定,如通过反复试验已知最优尺度因子在1700附近波动,即M为1700,尺度因子的波动范围可设定为a∈[1600,1800]。
本发明还公开一种非降水条件下风廓线雷达对大气边界层高度的探测系统,包括:
支持向量机样本获取模块,获取多组时空匹配的风廓线雷达探测数据与毫米波测云雷达的探测数据,作为支持向量机的训练样本数据;
样本训练模块,选择支持向量机的核函数,以样本数据中风廓线雷达探测数据作为支持向量机的输入,毫米波测云雷达的探测数据作为训练参考值,进行训练,得到云识别分类器;
尺度因子自适应确定样本获取模块,获取多组时空匹配的风廓线雷达的探测数据与探空数据,将风廓线雷达探测数据中的信噪比SNR数据与时空匹配的探空数据H0,作为样本集合;
样本数据反演模块,选择小波变换时的小波函数,设定小波变换时尺度因子的变化范围以及变化步长,基于样本集合的各样本中信噪比SNR数据和小波函数,利用小波变换反演得到对应变化范围内各尺度因子的、各样本对应的反演高度数据;
线性回归算法样本获取模块,计算样本集合的各样本对应反演高度数据与探空数据的误差平方,对于各样本,以误差平方值最小时对应的尺度因子作为最优尺度因子;将各样本中信噪比SNR数据与对应的最优尺度因子,作为用于拟合信噪比SNR数据与最优尺度因子之间函数关系的样本集;
多项式函数构造模块,利用线性回归算法构造表征信噪比SNR数据与最有尺度因子之间函数关系的多项式函数,利用线性回归算法样本获取模块得到的样本集求解多项式函数中系数的取值,得到系数已知的多项式函数;
最优尺度因子自适应确定模块,将风廓线雷达实际探测数据中的信噪比SNR数据作为多项式函数的输入,得到对应的最优尺度因子,利用得到的最优尺度因子更新小波变换公式;
小波变换模块,利用更新后的小波变换公式对风廓线雷达实际探测数据进行一维连续小波变换,提取出信噪比廓线的突变点以及突变点所对应的高度;
信噪比突变点高度处云识别模块,判断信噪比突变点的数量是否唯一,若唯一,则将此信噪比突变点所对应高度作为大气边界层高度,否则将各信噪比突变点高度对应的风廓线雷达探测数据作为云识别分类器的输入,判断各突变点高度处是否天空有云;
大气边界层高度确定模块,将判断为天空有云的高度对应的突变点剔除,以判断为天空无云的突变点高度作为大气边界层高度。
有益效果
(1)通过最优小波基的选择和尺度因子的自适应确定,优化了风廓线雷达在大气边界层高度探测时的反演方法,提高反演精度和稳定性;
(2)利用线性回归方法拟合尺度因子与风廓线雷达信噪比SNR数据之间的函数关系,使得尺度函数可以根据风廓线雷达实测的信噪比SNR进行自适应的确定,优化了反演过程和结果;
(3)利用支持向量机技术对反演得到的突变点进行有云或无云的识别判断,剔除有云影响的突变点,提高了探测精度,大大减少误判。
附图说明
图1所示为本发明方法流程示意图;
图2所示为采用不同方法确定的边界层高度示意图。
具体实施方式
以下结合附图和具体实施例进一步描述。
本发明研究的是非降水条件下大气边界层高度的探测,包括了有云和无云的情况。在晴空条件下,直接针对风廓线雷达探测数据,利用小波变化,反演出大气边界层高度(物理机理是大气边界层顶上下温度湿度会发生剧烈变化,而这个变化会反映在风廓线雷达探测数据中的一项:信噪比之中,利用小波变换得出这个变化所在的高度,即为大气边界层的高度);在天空中有云的情况下,云中存在的水汽使得云底与云顶的湿度会发生剧烈变化,从而干扰了大气边界层高度的判断,因而需要在用小波变化反演得到信噪比突变点后,先排除云的影响,再最终得到大气边界层高度,对于排出云的影响,本发明采用支持向量机技术。
结合图1,本发明非降水条件下风廓线雷达对大气边界层高度的探测方法,包括:
S1,获取多组时空匹配的风廓线雷达探测数据与毫米波测云雷达的探测数据,作为支持向量机的训练样本数据;
S2,选择支持向量机的核函数,以样本数据中风廓线雷达探测数据作为支持向量机的输入,毫米波测云雷达的探测数据作为训练参考值,进行训练,得到云识别分类器;
S3,获取多组时空匹配的风廓线雷达的探测数据与探空数据,将风廓线雷达探测数据中的信噪比SNR数据与时空匹配的探空数据H0,作为样本集合;
S4,选择小波变换时的小波函数,设定小波变换时尺度因子的变化范围以及变化步长,基于S3样本集合的各样本中信噪比SNR数据和小波函数,利用小波变换反演得到对应变化范围内各尺度因子的、各样本对应的反演高度数据;
S5,计算S3样本集合的各样本对应反演高度数据与探空数据的误差平方,对于各样本,以误差平方值最小时对应的尺度因子作为最优尺度因子;将各样本中信噪比SNR数据与对应的最优尺度因子,作为用于拟合信噪比SNR数据与最优尺度因子之间函数关系的样本集;
S6,利用线性回归算法构造表征信噪比SNR数据与最有尺度因子之间函数关系的多项式函数,利用S5中样本集求解多项式函数中系数的取值,得到系数已知的多项式函数;
S7,将风廓线雷达实际探测数据中的信噪比SNR数据作为S6得到的多项式函数的输入,得到对应的最优尺度因子,利用得到的最优尺度因子更新小波变换公式;
S8,利用更新后的小波变换公式对风廓线雷达实际探测数据进行一维连续小波变换,提取出信噪比廓线的突变点以及突变点所对应的高度;
S9,判断信噪比突变点的数量是否唯一,若唯一,则将此信噪比突变点所对应高度作为大气边界层高度,否则将各信噪比突变点高度对应的风廓线雷达探测数据作为S2得到的云识别分类器的输入,判断各突变点高度处是否天空有云;
S10,将判断为天空有云的高度对应的突变点剔除,以判断为天空无云的突变点高度作为大气边界层高度。
本发明对于方法中云识别分类器的获取步骤与小波变换获取突变点及突变点高度步骤之间的顺序不做限定,两者可先后进行也可并列进行。
实施例1
步骤S1中,获取的风廓线雷达探测数据包括时域和频域的回波功率、信噪比、谱宽、偏度、峰度、垂直速度和水平风场数据,毫米波测云雷达的探测数据为有云或无云标识。本发明所述时空匹配即风廓线雷达与毫米波测云雷达的探测时间相同,探测高度相应。毫米波测云雷达能够直接探测得到某垂直高度上有云或无云,风廓线雷达探测数据是地面单点向上的垂直廓线上的数据,也就是说一段高度有一组雷达数据。将多组风廓线雷达的探测数据作为支持向量机的输入特征向量样本,毫米波测云雷达的对应探测数据作为训练参考值,即可得到用于判断实测的风廓线雷达探测数据是否对应有云结果的云识别分类器。
进一步的,定义S1获取的单组时空匹配的风廓线雷达探测数据为t1,t2,t3,t4,t5,t6,t7,毫米波测云雷达探测数据为输出特征量y∈{+1,-1};将风廓线雷达探测数据作为输入特征量x,则x=(t1,t2,t3,t4,t5,t6,t7);
将(x1,y1),…,(xN,yN)作为给定样本集合,构建二次凸规划问题:
其中,αi为拉格朗日系数,计算得到最优解的拉格朗日系数,记为α*;
利用最优解α*计算最优偏置β*:
构造决策函数为:
其中K(xi,xj)为核函数;决策函数即为云识别分类器;
步骤S将待判断是否有云的高度对应的风廓线雷达探测数据,作为云识别分类器的输入特征量,即可计算得到相应的输出量f(x),若f(x)=+1,则相应的高度为天空有云,若f(x)=-1,则相应的高度天空无云。
上述核函数K(xi,xj)为线性核函数、多项式核函数、径向基核函数或Sigmoid核函数中的一种。具体选择时,可将各种核函数分别代入决策函数进行试验,根据风廓线雷达回波信号及毫米波云雷达所测云回波的特点,进行试验比对,进而确定合适的核函数。在样本集合已经给出的基础上,比对选择适当核函数的过程为现有技术。
优选的,S4包括:
小波变换公式为:
其中a为尺度因子,b为平移因子,t为高度,R为风廓线雷达探测的高度范围,f(t)是风廓线雷达信噪比廓线垂直梯度函数,为小波函数,Wf(a,b)最小时对应的风廓线雷达信噪比垂直梯度廓线的突变点的高度b即为反演结果高度;
设置尺度因子的变化范围以及变化步长,基于变化步长,依次将变化范围内的各尺度因子与S3中样本集合中各样本中的风廓线雷达信噪比SNR数据,代入小波变换公式,反演得到各风廓线雷达信噪比SNR数据样本下各尺度因子对应的大气边界层高度H。
S4在选择小波变换时的小波函数时,可利用S3的样本集采用多种小波基进行反复试验,每次试验反演得到的大气边界层高度,与真值(探空数据)比对,误差最小的选为最优小波基。例如,在进行风廓线雷达地杂和间歇性杂波抑制时,通过理论分析和试验验证,确定Daubechies双正交小波基比较适用于杂波的处理;在风廓线雷达的垂直气流探测中,通过试验和理论分析得出Mexican-hat小波为最优小波基。
本实施例S4中,选择小波变换时的小波函数为Haar小波基函数:
其中a是尺度因子,b是Haar函数的中心,z为高度,则利用Haar函数定义协方差小波变换如下:
其中,Zt和Zb分别是积分上限和下限,代表风廓线雷达探测的高度范围,f(z)是风廓线雷达信噪比廓线垂直梯度函数。
该方法确定边界层高度的原理是比较风廓线雷达信噪比垂直廓线与Haar小波基函数的相似程度,即在b高度处的范围内风廓线雷达垂直信噪比廓线与Haar小波基函数的相似程度,相似程度越大,Wf(a,b)越小,即信号的阶跃性越明显,因此,Wf(a,b)取得最小值时的b的高度即为大气边界层的高度。
除Haar小波基函数外,小波函数还可采用现有的Morlet小波基函数、Meyer小波基函数等,相应的小波变换方法皆为现有技术。
S5包括:
定义反演得到的大气边界层高度与对应的样本探空数据H0之间的误差平方为Δe,求解以下方程组:
求解得到最小误差平方minΔe及其对应的最优尺度因子a;即得到各风廓线雷达信噪比SNR样本数据对应的最优尺度因子,将各雷达信噪比SNR样本数据与对应的最优尺度因子组成样本集合记为(a1,SNR1),…,(aN,SNRN)。
S6包括:
利用线性回归算法拟合最优尺度因子与雷达信噪比SNR之间的函数关系,构造多项式函数为:
a=cSNR2+dSNR+M
其中c和d为多项式待求系数,M为尺度因子初始设定值;实际上M可根据实际最优尺度因子的波动范围进行设定,如经反复试验已知最优尺度因子在1700附近波动,即M为1700,尺度因子的波动范围可设定为a∈[1600,1800]。
将样本集合(a1,SNR1),…,(aN,SNRN)代入多项式函数中,计算代价函数:
当v取最小值,则尺度函数a与雷达信噪比SNR拟合效果最好,此时对应的多项式系数c和d的值即为所求,由此得到系数已知的多项式函数。
实施例2
本实施例公开一种非降水条件下风廓线雷达对大气边界层高度的探测系统,包括:
支持向量机样本获取模块,获取多组时空匹配的风廓线雷达探测数据与毫米波测云雷达的探测数据,作为支持向量机的训练样本数据;
样本训练模块,选择支持向量机的核函数,以样本数据中风廓线雷达探测数据作为支持向量机的输入,毫米波测云雷达的探测数据作为训练参考值,进行训练,得到云识别分类器;
尺度因子自适应确定样本获取模块,获取多组时空匹配的风廓线雷达的探测数据与探空数据,将风廓线雷达探测数据中的信噪比SNR数据与时空匹配的探空数据H0,作为样本集合;
样本数据反演模块,选择小波变换时的小波函数,设定小波变换时尺度因子的变化范围以及变化步长,基于样本集合的各样本中信噪比SNR数据和小波函数,利用小波变换反演得到对应变化范围内各尺度因子的、各样本对应的反演高度数据;
线性回归算法样本获取模块,计算样本集合的各样本对应反演高度数据与探空数据的误差平方,对于各样本,以误差平方值最小时对应的尺度因子作为最优尺度因子;将各样本中信噪比SNR数据与对应的最优尺度因子,作为用于拟合信噪比SNR数据与最优尺度因子之间函数关系的样本集;
多项式函数构造模块,利用线性回归算法构造表征信噪比SNR数据与最有尺度因子之间函数关系的多项式函数,利用线性回归算法样本获取模块得到的样本集求解多项式函数中系数的取值,得到系数已知的多项式函数;
最优尺度因子自适应确定模块,将风廓线雷达实际探测数据中的信噪比SNR数据作为多项式函数的输入,得到对应的最优尺度因子,利用得到的最优尺度因子更新小波变换公式;
小波变换模块,利用更新后的小波变换公式对风廓线雷达实际探测数据进行一维连续小波变换,提取出信噪比廓线的突变点以及突变点所对应的高度;
信噪比突变点高度处云识别模块,判断信噪比突变点的数量是否唯一,若唯一,则将此信噪比突变点所对应高度作为大气边界层高度,否则将各信噪比突变点高度对应的风廓线雷达探测数据作为云识别分类器的输入,判断各突变点高度处是否天空有云;
大气边界层高度确定模块,将判断为天空有云的高度对应的突变点剔除,以判断为天空无云的突变点高度作为大气边界层高度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种非降水条件下大气边界层高度探测方法,其特征是,包括:
S1,获取多组时空匹配的风廓线雷达探测数据与毫米波测云雷达的探测数据,作为支持向量机的训练样本数据;
S2,选择支持向量机的核函数,以样本数据中风廓线雷达探测数据作为支持向量机的输入,毫米波测云雷达的探测数据作为训练参考值,进行训练,得到云识别分类器;
S3,获取多组时空匹配的风廓线雷达的探测数据与探空数据,将风廓线雷达探测数据中的信噪比SNR数据与时空匹配的探空数据H0,作为样本集合;
S4,选择小波变换时的小波函数,设定小波变换时尺度因子的变化范围以及变化步长,基于S3样本集合的各样本中信噪比SNR数据和小波函数,利用小波变换反演得到对应变化范围内各尺度因子的、各样本对应的反演高度数据;
S5,计算S3样本集合的各样本对应反演高度数据与探空数据的误差平方,对于各样本,以误差平方值最小时对应的尺度因子作为最优尺度因子;将各样本中信噪比SNR数据与对应的最优尺度因子,作为用于拟合信噪比SNR数据与最优尺度因子之间函数关系的样本集;
S6,利用线性回归算法构造表征信噪比SNR数据与最有尺度因子之间函数关系的多项式函数,利用S5中样本集求解多项式函数中系数的取值,得到系数已知的多项式函数;
S7,将风廓线雷达实际探测数据中的信噪比SNR数据作为S6得到的多项式函数的输入,得到对应的最优尺度因子,利用得到的最优尺度因子更新小波变换公式;
S8,利用更新后的小波变换公式对风廓线雷达实际探测数据进行一维连续小波变换,提取出信噪比廓线的突变点以及突变点所对应的高度;
S9,判断信噪比突变点的数量是否唯一,若唯一,则将此信噪比突变点所对应高度作为大气边界层高度,否则将各信噪比突变点高度对应的风廓线雷达探测数据作为S2得到的云识别分类器的输入,判断各突变点高度处是否天空有云;
S10,将判断为天空有云的高度对应的突变点剔除,以判断为天空无云的突变点高度作为大气边界层高度。
2.根据权利要求1所述的方法,其特征是,步骤S1中,获取的风廓线雷达探测数据包括时域和频域的回波功率、信噪比、谱宽、偏度、峰度、垂直速度和水平风场数据,毫米波测云雷达的探测数据为有云或无云标识。
3.根据权利要求1所述的方法,其特征是,定义S1获取的单组时空匹配的风廓线雷达探测数据为t1,t2,t3,t4,t5,t6,t7,毫米波测云雷达探测数据为输出特征量y∈{+1,-1};将风廓线雷达探测数据作为输入特征量x,则x=(t1,t2,t3,t4,t5,t6,t7);
将(x1,y1),…,(xN,yN)作为给定样本集合,构建二次凸规划问题:
其中,αi为拉格朗日系数,计算得到最优解的拉格朗日系数,记为α*;
利用最优解α*计算最优偏置β*:
构造决策函数为:
其中K(xi,xj)为核函数;决策函数即为云识别分类器;
步骤S7将待判断是否有云的高度对应的风廓线雷达探测数据,作为云识别分类器的输入特征量,即可计算得到相应的输出量f(x),若f(x)=+1,则相应的高度为天空有云,若f(x)=-1,则相应的高度天空无云。
4.根据权利要求3所述的方法,其特征是,核函数K(xi,xj)为线性核函数、多项式核函数、径向基核函数或Sigmoid核函数中的一种。
5.根据权利要求1所述的方法,其特征是,S4包括:
小波变换公式为:
其中a为尺度因子,b为平移因子,t为高度,R为风廓线雷达探测的高度范围,f(t)是风廓线雷达信噪比廓线垂直梯度函数,为小波函数,Wf(a,b)最小时对应的风廓线雷达信噪比垂直梯度廓线的突变点的高度b即为反演结果高度;
设置尺度因子的变化范围以及变化步长,基于变化步长,依次将变化范围内的各尺度因子与S3中样本集合中各样本中的风廓线雷达信噪比SNR数据,代入小波变换公式,反演得到各风廓线雷达信噪比SNR数据样本下各尺度因子对应的大气边界层高度H。
6.根据权利要求5所述的方法,其特征是,S4中,选择小波变换时的小波函数为Haar小波基函数:
其中a是尺度因子,b是Haar函数的中心,z为高度,则利用Haar函数定义协方差小波变换如下:
其中,Zt和Zb分别是积分上限和下限,代表风廓线雷达探测的高度范围,f(z)是风廓线雷达信噪比廓线垂直梯度函数。
7.根据权利要求5或6所述的方法,其特征是,S5包括:
定义反演得到的大气边界层高度与对应的样本探空数据H0之间的误差平方为Δe,求解以下方程组:
求解得到最小误差平方minΔe及其对应的最优尺度因子a;即得到各风廓线雷达信噪比SNR样本数据对应的最优尺度因子,将各雷达信噪比SNR样本数据与对应的最优尺度因子组成样本集合记为(a1,SNR1),…,(aN,SNRN)。
8.根据权利要求7所述的方法,其特征是,S6包括:
利用线性回归算法拟合最优尺度因子与雷达信噪比SNR之间的函数关系,构造多项式函数为:
a=cSNR2+dSNR+M
其中c和d为多项式待求系数,M为尺度因子初始设定值;
将样本集合(a1,SNR1),…,(aN,SNRN)代入多项式函数中,计算代价函数:
当v取最小值,则尺度函数a与雷达信噪比SNR拟合效果最好,此时对应的多项式系数c和d的值即为所求,由此得到系数已知的多项式函数。
9.根据权利要求8所述的方法,其特征是,S6中,M为1700,尺度因子的波动范围设定为a∈[1600,1800]。
10.一种非降水条件下大气边界层高度探测系统,其特征是,包括:
支持向量机样本获取模块,获取多组时空匹配的风廓线雷达探测数据与毫米波测云雷达的探测数据,作为支持向量机的训练样本数据;
样本训练模块,选择支持向量机的核函数,以样本数据中风廓线雷达探测数据作为支持向量机的输入,毫米波测云雷达的探测数据作为训练参考值,进行训练,得到云识别分类器;
尺度因子自适应确定样本获取模块,获取多组时空匹配的风廓线雷达的探测数据与探空数据,将风廓线雷达探测数据中的信噪比SNR数据与时空匹配的探空数据H0,作为样本集合;
样本数据反演模块,选择小波变换时的小波函数,设定小波变换时尺度因子的变化范围以及变化步长,基于样本集合的各样本中信噪比SNR数据和小波函数,利用小波变换反演得到对应变化范围内各尺度因子的、各样本对应的反演高度数据;
线性回归算法样本获取模块,计算样本集合的各样本对应反演高度数据与探空数据的误差平方,对于各样本,以误差平方值最小时对应的尺度因子作为最优尺度因子;将各样本中信噪比SNR数据与对应的最优尺度因子,作为用于拟合信噪比SNR数据与最优尺度因子之间函数关系的样本集;
多项式函数构造模块,利用线性回归算法构造表征信噪比SNR数据与最有尺度因子之间函数关系的多项式函数,利用线性回归算法样本获取模块得到的样本集求解多项式函数中系数的取值,得到系数已知的多项式函数;
最优尺度因子自适应确定模块,将风廓线雷达实际探测数据中的信噪比SNR数据作为多项式函数的输入,得到对应的最优尺度因子,利用得到的最优尺度因子更新小波变换公式;
小波变换模块,利用更新后的小波变换公式对风廓线雷达实际探测数据进行一维连续小波变换,提取出信噪比廓线的突变点以及突变点所对应的高度;
信噪比突变点高度处云识别模块,判断信噪比突变点的数量是否唯一,若唯一,则将此信噪比突变点所对应高度作为大气边界层高度,否则将各信噪比突变点高度对应的风廓线雷达探测数据作为云识别分类器的输入,判断各突变点高度处是否天空有云;
以及大气边界层高度确定模块,将判断为天空有云的高度对应的突变点剔除,以判断为天空无云的突变点高度作为大气边界层高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711237955.9A CN108256546B (zh) | 2017-11-30 | 2017-11-30 | 一种非降水条件下大气边界层高度探测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711237955.9A CN108256546B (zh) | 2017-11-30 | 2017-11-30 | 一种非降水条件下大气边界层高度探测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256546A true CN108256546A (zh) | 2018-07-06 |
CN108256546B CN108256546B (zh) | 2020-03-31 |
Family
ID=62721457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711237955.9A Active CN108256546B (zh) | 2017-11-30 | 2017-11-30 | 一种非降水条件下大气边界层高度探测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256546B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109104215A (zh) * | 2018-09-03 | 2018-12-28 | 北京科技大学 | 一种基于小波变换的跳频信号码元速率盲估计方法 |
CN110031868A (zh) * | 2019-05-15 | 2019-07-19 | 国耀量子雷达科技有限公司 | 一种基于相干测风激光雷达载噪比反演边界层高度的方法 |
CN110174687A (zh) * | 2019-05-24 | 2019-08-27 | 中国气象科学研究院 | 一种云水路径获取方法及装置 |
CN112526638A (zh) * | 2020-11-27 | 2021-03-19 | 中国气象局气象探测中心 | 一种基于多源观测数据的云边界判识方法及相关设备 |
CN113253236A (zh) * | 2021-07-07 | 2021-08-13 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的雨天杂波抑制方法 |
CN116500649A (zh) * | 2023-06-28 | 2023-07-28 | 中国科学技术大学 | 一种边界层高度的反演方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133216A (zh) * | 2014-07-17 | 2014-11-05 | 北京无线电测量研究所 | 一种获取低空风廓线的雷达探测方法及装置 |
CN106569226A (zh) * | 2016-10-28 | 2017-04-19 | 兰州大学 | 一种有云情况下利用激光雷达资料反演边界层高度的方法 |
-
2017
- 2017-11-30 CN CN201711237955.9A patent/CN108256546B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133216A (zh) * | 2014-07-17 | 2014-11-05 | 北京无线电测量研究所 | 一种获取低空风廓线的雷达探测方法及装置 |
CN106569226A (zh) * | 2016-10-28 | 2017-04-19 | 兰州大学 | 一种有云情况下利用激光雷达资料反演边界层高度的方法 |
Non-Patent Citations (2)
Title |
---|
COMPTON J C ET AL.: "Determination of planetary boundary layer height on short spatial and temporal scales: A demonstration of the covariance wavelet transform in ground-based wind profiler and lidar measurements", 《J ATMOS & OCEAN TECHNOL》 * |
施红蓉: "利用风廓线雷达探测降水相态和边界层高度的初步研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109104215A (zh) * | 2018-09-03 | 2018-12-28 | 北京科技大学 | 一种基于小波变换的跳频信号码元速率盲估计方法 |
CN110031868A (zh) * | 2019-05-15 | 2019-07-19 | 国耀量子雷达科技有限公司 | 一种基于相干测风激光雷达载噪比反演边界层高度的方法 |
CN110174687A (zh) * | 2019-05-24 | 2019-08-27 | 中国气象科学研究院 | 一种云水路径获取方法及装置 |
CN110174687B (zh) * | 2019-05-24 | 2020-11-20 | 中国气象科学研究院 | 一种云水路径获取方法及装置 |
CN112526638A (zh) * | 2020-11-27 | 2021-03-19 | 中国气象局气象探测中心 | 一种基于多源观测数据的云边界判识方法及相关设备 |
CN112526638B (zh) * | 2020-11-27 | 2022-07-29 | 中国气象局气象探测中心 | 一种基于多源观测数据的云边界判识方法及相关设备 |
CN113253236A (zh) * | 2021-07-07 | 2021-08-13 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的雨天杂波抑制方法 |
CN116500649A (zh) * | 2023-06-28 | 2023-07-28 | 中国科学技术大学 | 一种边界层高度的反演方法及装置 |
CN116500649B (zh) * | 2023-06-28 | 2023-10-20 | 中国科学技术大学 | 一种边界层高度的反演方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108256546B (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256546A (zh) | 一种非降水条件下大气边界层高度探测方法和系统 | |
CN107390298B (zh) | 一种复杂山地下垫面大风的模拟方法及装置 | |
CN107169258B (zh) | 一种多源气象信息数据同化方法及其在降雨预报中的应用 | |
Ukkonen et al. | Evaluation of thunderstorm predictors for Finland using reanalyses and neural networks | |
Chosson et al. | Entrainment-mixing and radiative transfer simulation in boundary layer clouds | |
Newman et al. | An error reduction algorithm to improve lidar turbulence estimates for wind energy | |
CN113553766A (zh) | 一种使用机器学习反演北极积雪深度的方法 | |
Wang et al. | The identification of hail storms in the early stage using time series analysis | |
Griewank et al. | Size dependence in chord characteristics from simulated and observed continental shallow cumulus | |
CN105068075B (zh) | 一种近地面大风的计算方法 | |
Lee et al. | Mixing depth estimation from operational JMA and KMA wind-profiler data and its preliminary applications: Examples from four selected sites | |
Alqudah et al. | Investigating rainfall estimation from radar measurements using neural networks | |
Andreas | Two experiments on using a scintillometer to infer the surface fluxes of momentum and sensible heat | |
CN110516890A (zh) | 一种基于灰色组合模型的农作物产量监控系统 | |
Liou | Single radar recovery of cross-beam wind components using a modified moving frame of reference technique | |
CN115421220A (zh) | 一种基于深度学习的多因子局部降水指示方法及系统 | |
CN115390160A (zh) | 一种台风中心自动定位方法及装置 | |
Jangir et al. | Comparative Performance of Radar, Laser, and Waverider Buoy Measurements of Ocean Waves. Part II: Time-Domain Analysis | |
Pejcic et al. | Polarimetric radar-based methods for evaluation of hydrometeor mixtures in numerical weather prediction models | |
Mulukutla et al. | Comparison of field monitored and prognostic model generated meteorological parameters for source dispersion modeling | |
Liou | The derivation of absolute potential temperature perturbations and pressure gradients from wind measurements in three-dimensional space | |
Sun et al. | Construction of a spatially gridded heat flux map based on airborne flux Measurements using remote sensing and machine learning methods | |
Amaireh et al. | Atmospheric Humidity Estimation from Wind Profiler Radar Using a Cascaded Machine Learning Approach | |
Stackhouse et al. | Evaluation of Experimental High-Resolution Model Forecasts of Tropical Cyclone Precipitation Using Object-Based Metrics | |
Wei-hua et al. | PLANETARY BOUNDARY LAYER HEIGHT MEASURED BY A WIND PROFILER BASED ON THE WAVELET TRANSFORM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |