CN108596380B - 一种海面台风风场的定量探测方法 - Google Patents

一种海面台风风场的定量探测方法 Download PDF

Info

Publication number
CN108596380B
CN108596380B CN201810348285.6A CN201810348285A CN108596380B CN 108596380 B CN108596380 B CN 108596380B CN 201810348285 A CN201810348285 A CN 201810348285A CN 108596380 B CN108596380 B CN 108596380B
Authority
CN
China
Prior art keywords
observation
typhoon
wind
neural network
wind field
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
Application number
CN201810348285.6A
Other languages
English (en)
Other versions
CN108596380A (zh
Inventor
徐星欧
董晓龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Space Science Center of CAS
Original Assignee
National Space Science Center of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Space Science Center of CAS filed Critical National Space Science Center of CAS
Priority to CN201810348285.6A priority Critical patent/CN108596380B/zh
Publication of CN108596380A publication Critical patent/CN108596380A/zh
Application granted granted Critical
Publication of CN108596380B publication Critical patent/CN108596380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种海面台风风场的定量探测方法，所述方法包括：建立和训练后向传播神经网络，训练集为若干个风单元内微波散射计的后向散射系数、后向散射系数的极化方式、观测入射角、方位角信息及多频段微波辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度，以及对应的风场数值；采集实时或指定时期的观测数据，输入训练好的后向传播神经网络，得到实时或指定时期的风场数值。本发明的定量探测方法能够提高海面台风风场的测量精度。

Description

一种海面台风风场的定量探测方法
技术领域
本发明涉及地球遥感气象领域，具体涉及一种海面台风风场的定量探测方法。
背景技术
台风风场信息是台风表征的重要参数。对台风定强有重要意义。现有对台风风场的观测十分缺乏。目前近岸区域主要使用气象台站和地基雷达观测，观测范围受地理位置限制，十分有限，也不能进行远海地区的台风观测，无法测量台风的生长过程。在远海区域，现有的观测方法包括使用飞机进行下投探空测量，但该测量方法操作复杂，使用人工驾驶飞机时危险系数较高，且获取的是点测量数据，无法获得整个台风区域风场的全貌。目前常用的针对台风的遥感方法包括可见光和近红外、以及微波的方式。使用可见光和近红外的方法主要获取台风的云顶信息来反推台风相关参数。但台风从剖面看，并非刚体结构，且复杂，通过云顶信息难以精确推算近海面的台风的信息。使用被动微波遥感方式，通过辐射计进行海面台风风场估算通常受到分辨率的限制，结果分辨率较差。使用微波散射计进行台风观测，受到台风常伴有的降水的影响，难以进行风场的有效估算。而常规的台风数值预报模型存在区域覆盖方面的问题，而且预报精度不高。
发明内容
本发明的目的在于解决现有观测远海区域难以实现、可见光红外难以穿透台风进行海面观测、辐射计单独观测分辨率低、散射计观测受到降水影响严重的问题，基于使用微波散射计后向散射系数、多频微波辐射计亮度温度联合进行台风风场定量探测，能实现海面台风较高分辨率的探测，而且微波散射计和辐射计的联合观测能通过卫星组网等方式实现全球实时覆盖，使用联合观测能解决常规的台风数值预报模型在区域覆盖方面的问题。从而提供了一种海面台风风场的定量探测方法，该方法能够有效获取台风海面风场信息。
为了实现上述目的，本发明提出了一种海面台风风场的定量探测方法，所述方法包括：
建立和训练后向传播神经网络，训练集为若干个风单元内微波散射计的后向散射系数、后向散射系数的极化方式、观测入射角、方位角信息及多频段微波辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度，以及对应的风场数值；
采集实时或特定时期的观测数据，输入训练好的后向传播神经网络，得到实时或特定时期的风场数值。
作为上述方法的一种改进，所述方法具体包括：
步骤1)在台风区域内，获取若干个风单元内的内微波散射计的后向散射系数、后向散射系数的极化方式、观测入射角、方位角信息以及多频段微波辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度；
步骤2)将步骤1)获取的数据进行匹配，将不同空间分辨率的数据插值到散射计数据的风单元网格中，然后利用台风数值预报模型获取时间30分钟内，空间距离25km以内的风场数值；
步骤3)建立后向传播神经网络；以步骤1)和步骤2)的数据作为训练集，训练所述后向传播神经网络的参数；
步骤4)在待测区域内实时或者在指定时期内采集的微波散射计的后向散射系数、后向散射系数的极化方式、观测入射角、方位角信息和多频段微波辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度输入步骤3)训练好的后向传播神经网络的输入层，输出为海面台风风速和风向的联合反演量。
作为上述方法的一种改进，所述步骤3)的后向传播神经网络为包含输入层、一层隐层和输出层的网络；所述输入层由观测数据组成的节点构成，观测数据包括微波散射计的后向散射系数、后向散射系数的极化方式、观测入射角、方位角信息和多频段微波辐射计辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度。
本发明的优势在于：
本发明的方法解决台风海面风场定量探测的问题，实现与国外高风速分析产品比较，风速准确度为84.1％，风向平均偏差为6.87度，测量精度显著提高。
附图说明
图1为本发明的方法的示意图；
图2为本发明建立的后向传播神经网络的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
如图1所示，一种海面台风风场的定量探测方法，所述方法包括：
步骤1)在台风区域内，获取微波散射计海面后向散射系数和同一区域、相近时刻(30分钟内)的多频段(从低频到高频均包含)微波辐射计亮度温度测量值；
多极化散射计的后向散射系数和多频段、多极化方式的辐射计亮度温度测量值，在对海面台风的观测中，这些数值包含了台风风场存在条件下，影响观测的复杂海面、降水等信息。还包括了一些观测中的系统误差。使用神经网络，能表示台风海面的这些观测值与观测场景之间的复杂关系。
步骤2)通过对微波散射计海面回波后向散射系数和同一区域、相近时间的不同空间分辨率的多频辐射计海面亮度温度观测值进行匹配，将辐射计的观测亮温数值插值到散射计观测对应的风单元网格内。然后通过台风数值预报模型获取同一时期和相同区域(时间间隔30分钟内，空间距离25公里以内)的风场数值；所述风场包括：风速和风向；
步骤3)使用人工智能的方法，训练得到后向传播神经网络；该神经网络的输入为微波散射计、多频微波辐射计海面观测值和相应的观测几何、频段、极化方式信息，输出为海面台风的风场；
所述后向传播神经网络设定为包含一层输入层、一层隐层和一层输出层的网络。输入层由观测数据组成的节点构成。观测数据包括了每个风单元内散射计的后向散射系数、后向散射系数的极化方式、观测入射角和方位角信息，还包括了辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度。隐层使用单层的隐层结构。输出层由风单元的风场组成。针对风场的强度，即风速和风向的反演，分开建立结构相同的神经网络，结果更加理想。
神经网络的通过对训练数据集进行网络训练实现。训练过程使用的与将进行反演所用的数据不相同的数据集合。在训练过程中，输出层设置为已知的风速或者风向值。已知的风速和风向值来自于步骤2)中的台风数值预报模型。训练过程中参与训练的台风风场观测数据和数值模型数据集合包含八十组以上台风数据。这些数据中有的是同一台风不同时期的观测数据。
图2表示了网络建立和使用的流程示意；以插值到观测网格的数值模型作为真值，训练得到网络的隐层参数。
步骤4)将实时或特定时期内采集的微波散射计后向散射系数、微波辐射计亮度温度、相应的的观测极化方式、入射角、方位角信息和辐射计的观测频段信息输入步骤3)训练好的后向传播神经网络的输入层，输出海面台风风速和风向的联合反演量，从而实现定量探测海面台风风场。
对生成的网络，直接使用台风区域的观测数值和相应的观测几何、极化信息作为输入，输出即为台风风场。反演过程中使用训练好的神经网络，不需要使用台风数值模型。可以应用于任何具有散射计、辐射计联合观测的时间和区域，不受模型限制。这个过程中，分别针对风速和风向构建两个结构相同的网络反演结果更优。使用训练好的网络进行风场定量估算，实现主动散射计和被动辐射计的台风风场联合定量探测。

Claims (1)

1.一种海面台风风场的定量探测方法，所述方法包括：
建立和训练后向传播神经网络，训练集为若干个风单元内微波散射计的后向散射系数、后向散射系数的极化方式、观测入射角、方位角信息及多频段微波辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度，以及对应的风场数值；
采集实时或者指定时期的观测数据，输入训练好的后向传播神经网络，得到实时或者指定时期的风场数值；所述方法具体包括：
步骤1)在台风区域内，获取若干个风单元内的内微波散射计的后向散射系数、后向散射系数的极化方式、观测入射角、方位角信息以及多频段微波辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度；
步骤2)将步骤1)获取的数据进行匹配，将不同空间分辨率的数据插值到散射计数据的风单元网格中，然后利用台风数值预报模型获取时间30分钟内，空间距离25km以内的风场数值；
步骤3)建立后向传播神经网络；以步骤1)和步骤2)的数据作为训练集，训练所述后向传播神经网络的参数；
步骤4)在待测区域内实时或者特定时期内采集的微波散射计的后向散射系数、后向散射系数的极化方式、观测入射角、方位角信息和多频段微波辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度输入步骤3)训练好的后向传播神经网络的输入层，输出为海面台风风速和风向的联合反演量；
所述步骤3)的后向传播神经网络为包含输入层、一层隐层和输出层的网络；所述输入层由观测数据组成的节点构成，观测数据包括微波散射计的后向散射系数、后向散射系数的极化方式、观测入射角、方位角信息和多频段微波辐射计观测亮度温度的数值、相应的观测频段、极化方式和观测角度。
CN201810348285.6A 2018-04-18 2018-04-18 一种海面台风风场的定量探测方法 Active CN108596380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810348285.6A CN108596380B (zh) 2018-04-18 2018-04-18 一种海面台风风场的定量探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810348285.6A CN108596380B (zh) 2018-04-18 2018-04-18 一种海面台风风场的定量探测方法

Publications (2)

Publication Number Publication Date
CN108596380A CN108596380A (zh) 2018-09-28
CN108596380B true CN108596380B (zh) 2022-11-08

Family

ID=63611016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810348285.6A Active CN108596380B (zh) 2018-04-18 2018-04-18 一种海面台风风场的定量探测方法

Country Status (1)

Country Link
CN (1) CN108596380B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119494B (zh) * 2018-12-31 2023-03-31 三亚中科遥感研究所 一种基于主被动微波遥感观测的热带气旋自动定强方法
CN112180369B (zh) * 2020-09-23 2021-09-10 中国人民解放军国防科技大学 基于深度学习的一维综合孔径辐射计海面风速反演方法
CN114324973B (zh) * 2022-03-17 2022-06-07 南方海洋科学与工程广东省实验室(广州) 台风风速反演方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109619A (zh) * 2009-12-23 2011-06-29 栗小东 一种基于人工智能的台风增水预测系统和方法
CN103679734A (zh) * 2013-12-25 2014-03-26 浙江师范大学 基于svm和pde的有眼台风二维表面风场反演方法
CN105590144A (zh) * 2015-12-30 2016-05-18 国电联合动力技术有限公司 一种基于narx神经网络的风速预测方法及装置
CN105988146A (zh) * 2015-01-29 2016-10-05 中国科学院空间科学与应用研究中心 一种星载微波辐射计的应用数据处理方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120125700A1 (en) * 2010-11-22 2012-05-24 Bailey Sr Rudolph Volroy Electric and other vehicles with wind turbine charging devices
CN102495943B (zh) * 2011-10-31 2015-04-22 国家卫星海洋应用中心 地球物理模型建模方法
CN102681033B (zh) * 2012-04-27 2013-12-18 哈尔滨工程大学 一种基于x波段航海雷达的海面风场测量方法
AU2013207551B2 (en) * 2012-07-20 2015-12-17 Tata Consultancy Services Limited Method and system for adaptive forecast of wind resources
CN107391794B (zh) * 2017-06-16 2020-09-01 杭州师范大学 一种台风连续立体风场反演方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109619A (zh) * 2009-12-23 2011-06-29 栗小东 一种基于人工智能的台风增水预测系统和方法
CN103679734A (zh) * 2013-12-25 2014-03-26 浙江师范大学 基于svm和pde的有眼台风二维表面风场反演方法
CN105988146A (zh) * 2015-01-29 2016-10-05 中国科学院空间科学与应用研究中心 一种星载微波辐射计的应用数据处理方法
CN105590144A (zh) * 2015-12-30 2016-05-18 国电联合动力技术有限公司 一种基于narx神经网络的风速预测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Wind farm modeling based on BP neural network;Youjie Ma等;《2010 World Non-Grid-Connected Wind Power and Energy Conference》;20101223;1-4 *
多源星载微波散射计海面风场信息融合研究;林溢园等;《遥感技术与应用》;20170215;第32卷(第01期);126-132 *
微波散射计反演海面风场的神经网络方法研究;陈坤堂 等;《遥感技术与应用》;20170815;第32卷(第4期);683-690 *

Also Published As

Publication number Publication date
CN108596380A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN111583214B (zh) 基于rbf神经网络的航海雷达图像反演海面风速方法
CN110082842B (zh) 一种降水估测方法及装置
US8762061B2 (en) Process for generating spatially continuous wind profiles from wind profiler measurements
Chang et al. Characteristics of the raindrop size distribution and drop shape relation in typhoon systems in the western Pacific from the 2D video disdrometer and NCU C-band polarimetric radar
Collis et al. Statistics of storm updraft velocities from TWP-ICE including verification with profiling measurements
CN109814175B (zh) 一种基于卫星的强对流监测方法及其应用
CN108596380B (zh) 一种海面台风风场的定量探测方法
CN111337549A (zh) 基于模糊熵的gps多星融合土壤湿度监测方法
Trombe et al. Weather radars–the new eyes for offshore wind farms?
Tridon et al. On the realism of the rain microphysics representation of a squall line in the WRF Model. Part I: Evaluation with multifrequency cloud radar Doppler spectra observations
CN113239506A (zh) 一种基于台风天气的杆塔形变及导线舞动风险评估模型
Gryning et al. Measurement methodologies for wind energy based on ground-level remote sensing
Feng et al. Improving radar refractivity retrieval by considering the change in the refractivity profile and the varying altitudes of ground targets
Araki et al. Temporal variation of close-proximity soundings within a tornadic supercell environment
CN101907583A (zh) 利用gnss-r信号监测土壤水分变化的装置与方法
CN115326721A (zh) 一种作物水分胁迫估算的方法
Bližňák et al. The exploitation of Meteosat Second Generation data for convective storms over the Czech Republic
CN110781602B (zh) 基于特征空间法来获取时空连续的土壤水方法
Ananda et al. Preliminary Evaluation of Weather Radar Rainfall Estimation in Bandung City
Schneider et al. Analysis of spatially and temporally disjoint precipitation datasets to estimate the 3D distribution of rain
CN111190149A (zh) 基于模拟定标体的c波段极化气象雷达外定标方法
Djibo et al. Commercial microwave link networks for rainfall monitoring in Burkina Faso: First results from a dense network in Ouagadougou
Wang et al. The application of sea-surface wind detection with Doppler LIDAR in Olympic sailing
Amudha et al. Diagnostic and statistical approach to the validation of Doppler radar rainfall around Chennai during 2006-2010
Oscanoa et al. CLAIRE: An UHF wind profiler radar for turbulence and precipitation studies

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