CN109061774B - 一种雷暴核关联性处理方法 - Google Patents
一种雷暴核关联性处理方法 Download PDFInfo
- Publication number
- CN109061774B CN109061774B CN201810673274.5A CN201810673274A CN109061774B CN 109061774 B CN109061774 B CN 109061774B CN 201810673274 A CN201810673274 A CN 201810673274A CN 109061774 B CN109061774 B CN 109061774B
- Authority
- CN
- China
- Prior art keywords
- lightning
- data
- thunderstorm
- algorithm
- kernels
- 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
- 238000003672 processing method Methods 0.000 title description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 230000005855 radiation Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000005684 electric field Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 4
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000178 monomer Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000237536 Mytilus edulis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020638 mussel Nutrition 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种雷暴核关联性处理方法，具体步骤如下：步骤A，部署雷电探测点记录闪电数据，将记录的闪电数据进行预处理，过滤掉噪声数据，将有效的闪电数据进行本地保存和传输至中心服务器；步骤B，中心服务器接收到各个探测点的数据，采用GPS时钟同步技术和闪电电场变化辐射脉冲到达各站点的时间差，利用到达时间差算法，计算出闪电源的空间定位坐标，具体过程如下；步骤C，对步骤B中算出的雷电定位数据，采用DBSCAN算法和KMEANS算法求得雷电定位数据的雷暴核质心坐标位置、闪电频次以及雷暴核之间的关联性。本发明结合DBSCAN算法和KMEANS算法中的优势和特性，混合后的聚类算法能够更好、更准确的进行雷暴核的识别。
Description
技术领域
本发明属于雷电检测领域，涉及一种雷暴核关联性处理方法。
背景技术
雷电是自然界频繁发生的一种高强度的电磁脉冲现象，因其影响面大，受到了气象、航天、航空、电力、石油诸多部门的广泛关注。雷暴常伴有闪电、雷鸣、阵雨、大风，有时还会出现冰雹、龙卷风的中小尺度对流天气系统，它不仅直接影响人类的生活，雷击还可造成伤亡、引起火灾、建筑物倒塌、电子设备还能被感应雷损坏等。
雷暴天气发展速度快，常随时间、地区而异，其监测和预警一直是气象预报工作的难点。近年来，随着计算机科学与信息技术的快速发展，空间探测仪器性能逐步改进，探测器分辨率的不断提高，气象卫星资料在天气预报中发挥着越来越重要的作用。有学者利用气象雷达探测数据识别和追踪雷暴云，研究雷暴临近预报(0-2h)方法，取得了大量研究成果。R.E.Rinchert利用模式识别方法识别和匹配相邻时刻强回波单体，基于此研究结果，利用外推法估计风暴未来运动情况；J.T.Johnson提出改进的风暴系列算法(storm cellidentification and tracking，SCIT)，使系统对最小阈值为40dBz的风暴识别率提高到68％，最小阈值为50dBz的风暴识别率提高到98％，使风暴跟踪的准确率提高到90％。
这些方法虽然可以比较准确的识别、跟踪雷暴，但仍存在如下不足：(1)该方法一般结合雷达数据、大气稳定度资料和气象卫星图像预报雷暴发生时间与大致发生区域，无法给出指定区域内雷电地理分布密度；(2)该方法虽然研究了云地闪频数在雷暴不同生命周期的变化规律，但仅是定性的给出结果，没有解决云地闪频数随着雷暴生消演变的量化问题；(3)SCIT方法只识别出个别的单体，不识别几个单体的复合体，也不给出单体的形态和体积的变化。
发明内容
本发明的目的在于提供一种雷暴核关联性处理方法，该方法提出了对探测点的闪电数据采用TDOA算法计算出闪电源的空间定位坐标，然后通过DBSCAN、KMEANS算法相混合的方法求出雷暴核以及核质心坐标点，在混合聚类分析结果的基础上，对质心坐标点和闪电频次进行拟合，计算雷暴核质心之间的距离，根据设定的阈值，判定雷暴核之间的关联性以及雷暴核演变过程，能有效处理雷暴分裂与合并的情况，预报监控区域内发生的雷暴发生发展状况，对雷电预报具有一定的参考价值，进而解决了传统方法的不足。
本发明的目的可以通过以下技术方案实现：
一种雷暴核关联性处理方法，具体步骤如下：
步骤A，部署雷电探测点记录闪电数据，将记录的闪电数据进行预处理，过滤掉噪声数据，将有效的闪电数据进行本地保存和传输至中心服务器；
步骤B，中心服务器接收到各个探测点的数据，采用GPS时钟同步技术和闪电电场变化辐射脉冲到达各站点的时间差，利用到达时间差算法，计算出闪电源的空间定位坐标；
步骤C，对步骤B中算出的雷电定位数据，采用DBSCAN算法和KMEANS算法求得雷电定位数据的雷暴核质心坐标位置、闪电频次以及雷暴核之间的关联性。
进一步地，步骤A中记录的闪电数据进行预处理，过滤掉噪声数据，将有效数据进行本地保存和传输至中心服务器，具体过程为：
步骤A-1，各个部署的探测点内设置甚低频闪电辐射接收机、计算机、GPS时钟模块，站点连续无间隔捕获闪电脉冲波形及其到达绝对时间，生成数据集；
步骤A-2，将步骤A-1生成的数据集进行预处理，去掉一些无效的噪声数据，并将有效的数据传输到中心服务器，如果网络中断，数据传输失败，那么将数据保存在本地，等网络再次连接成功后，通过网络传输数据，中心服务器保存传输的闪电数据，并按照对应时段划分成各个时段的数据集。
进一步地，步骤B中采用GPS时钟同步技术和闪电电场变化辐射脉冲到达各站点的时间差，利用到达时间差算法，计算出闪电源的空间定位坐标，具体过程为：
步骤B-1，建立四个及以上的闪电数据探测点，对步骤A中获得的闪电数据取其GPS时间；
步骤B-2，充分利用显卡的GPU资源，采用到达时间差算法，通过CUDA显卡加速，快速算出闪电定位坐标，生成闪电定位数据集。
进一步地，步骤C中利用DBSCAN算法和KMEANS算法混合求得闪电定位数据的雷暴核质心坐标位置、闪电频次，根据混合聚类后的结果计算出雷暴核之间的关联性，具体过程为：
步骤C-1，设定两点之间最短距离EPS和核中所包含的最少点数MINPTS，利用DBSCAN算法，检索下述步骤B-2中得到的各等时段的闪电定位坐标数据集中所有点是否密度可达，从而对数据进行聚类，形成若干个任意形状的簇，即若干个雷暴核；
步骤C-2，根据C-1的聚类结果获得不同时间段雷暴核落雷点后，去掉其中的噪声数据，将若干个雷暴核的数据集作为新的输入，采用KMEANS算法，迭代聚合计算出雷暴核的质心坐标点；
步骤C-3，根据C-2雷暴核及质心的结果，得到各时间段多个雷暴核信息，但这些雷暴核之间是否有一定的关联性，即雷暴核是由哪个雷暴核演变过来的，通过计算比较同一时段和不同时段的连续发生的雷暴核质心之间的距离在设定的阈值范围内以及单个雷暴核区域内闪电发生的强度，来推算各雷暴核之间的关系，进而可以算出雷暴的演变过程。
进一步地，步骤B-2中，采用CUDA编程技术，充分利用显卡GPU资源，加快数据运行处理速度。
进一步地，步骤C-3中，可将多个时间段的雷暴核闪电频次进行拟合，即可预测未来一段时间雷暴核强弱趋势。
本发明的有益效果：
本发明基于探测点传输的雷电数据，利用到达时间差算法求得实时定位数据，再采用DBSCAN算法的密度可达特性将闪电数据集聚合成若干个簇，并且将每一簇的数据集作为新的输入，然后采用KMEANS算法的迭代聚合求出质心的坐标位置，在聚类分析结果的基础上，对质心坐标点的移动路径和闪电强弱进行拟合，从而得到雷暴核之间的关联性以及雷暴核的强弱变化趋势，该方法能够有效识别雷暴并对其进行实时追踪，且能有效处理雷暴分裂与合并的情况，预报监控区域内发生的雷暴发生发展状况，对雷电预报具有一定的参考价值，进而解决了传统方法中的不足。
2、本发明结合DBSCAN算法和KMEANS算法中的优势和特性，混合后的聚类算法能够更好、更准确的进行雷暴核的识别，并且可以计算多个时间段雷暴核质心之间的距离，与设定的阈值进行比较，并对质心坐标点、闪电频次进行数据拟合即可得到雷暴核之间的关联性、显示一段时间内雷暴的生消演变过程，并且可预测未来一段时间雷暴核强弱趋势变化。
3、本发明通过聚类算法可以根据数据的二维或三维分布特征，将特征相近的数据集进行归类，剔除掉噪声数据，实现数据的分类与优化。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为雷暴核关联性算法流程图；
图2是TDOA定位示意图；
图3是雷暴核识别流程；
图4是闪电分布图；
图5是混合聚类后分布图；
图6是雷暴核关联性轨迹图；
图7是雷暴核强弱预测趋势图。
具体实施方式
实施例1：
本发明提供一种雷暴核关联性处理方法，如图1所示，该方法基于探测点传输的雷电数据，利用到达时间差算法求得实时定位数据，再采用DBSCAN算法的密度可达特性将闪电数据集聚合成若干个簇，并且将每一簇的数据集作为新的输入，然后采用KMEANS算法的迭代聚合求出质心的坐标位置。在聚类分析结果的基础上，对质心坐标点的移动路径和闪电强弱进行拟合，从而得到雷暴核之间的关联性以及雷暴核的强弱变化趋势。结果表明：该方法能够有效识别雷暴并对其进行实时追踪，且能有效处理雷暴分裂与合并的情况，计算雷暴核之间的关联性。事实证明，该方法能够实时监测、预报监控区域内发生的雷暴发生发展状况，对雷电预测具有一定的参考价值。
随着信息技术的发展，数据挖掘与知识发现已被广泛应用于海量数据分析。数据挖掘指在数据库中，综合利用统计学方法、模式识别技术、人工智能方法、神经网络技术等理论，吸取新颖的、可信的、人们感兴趣的和最终可理解的知识，从而揭示出蕴含在数据中的规律、内在联系和发展趋势。优秀的聚类算法可以根据数据的二维或三维分布特征，将特征相近的数据集进行归类，剔除掉噪声数据，实现数据的分类与优化。
本发明选取的DBSCAN算法与KMEANS算法相混合的聚类方法能在具有噪声的空间数据中发现任意形状的簇，可将密度足够大的相邻区域连接，并能找出每个簇的质心位置；聚类是一项发现数据的分布规律和隐含关系的关键数据挖掘技术。所谓聚类，就是把大量的d维数据样本(n个)聚集成k个类，使同一类中的样本的相似度最大，而不同类中的样本的相似度最小。DBSCAN算法的关键是，对于数据集中的每个点来说，以一个给定距离EPS为半径画圆，圆内必须包含一个最小点数MINPTS，即数据集中每个点附近的点密度必须超过某个给定值；KMEANS算法是用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点，其目的是使各个簇中的数据点与所在簇质心的误差平方和SSE(Sum of Squared Error)达到最小。算法中涉及的一些定义如下：
(1)密度：空间中任意一点的密度是以该点为圆心、以EPS为半径的圆区域内包含的点数目；
(2)邻域：给定对象半径EPS内的区域称为该对象的EPS邻域；
(3)核心点：空间中某一点的密度，如果大于某一给定阈值MINPTS，则称该点为核心点；
(4)边界点：空间中某一点的密度，如果小于某一给定阈值MINPTS，则称该点为边界点；
(5)直接密度可达：给定一个对象集合D，如果P是在q的EPS邻域内，而q是一个核心对象，则称对象P从对象q出发是直接密度可达的；
(6)密度可达：对于样本集合D，如果存在一个对象链p1，p2，……，Pn，P1＝q，Pn＝P，对于pi∈D(I≤i≤n),pi+1是从pi关于EPS和MINPTS直接密度可达的，则称对象P是从对象q关于EPS和MINPTS密度可达；
(7)密度相连：点p和点q是密度连接的，若存在点o，使p和q都从o密度可达；
(8)噪声点：不在任何簇的点则被称为噪声点；
(9)簇：数据库D的非空集合C是一个类，当且仅当C满足以下条件：1)对于任意p，q，若p∈C，且从p密度可达q，则q∈C；2)对于任意p，q，有p∈C和q∈C，则p和q是密度连接的。
可以发现，密度可达是直接密度可达的传递闭包，并且这种关系是非对称的。只有核心点之间相互密度可达，然而，密度相连是对称关系。DBSCAN目的是找到密度相连对象的最大集合。而KMEANS算法的关键是K值的选取，如果闪电定位数据分布过于分散，按照固定K值聚合，得到的质心的位置可能和实际位置相差甚远。本发明中，结合DBSCAN算法和KMEANS算法中的优势和特性，混合后的聚类算法能够更好、更准确的进行雷暴核的识别，如图3所示，计算多个时间段雷暴核质心之间的距离，与设定的阈值进行比较，并对质心坐标点、闪电频次进行数据拟合即可得到雷暴核之间的关联性、显示一段时间内雷暴的生消演变过程，并且可预测未来一段时间雷暴核强弱趋势变化，具体步骤如下：
步骤A，部署雷电探测点记录闪电数据，将记录的闪电数据进行预处理，过滤掉噪声数据，将有效的闪电数据进行本地保存和传输至中心服务器，具体过程为：
步骤A-1，各个部署的探测点内设置甚低频闪电辐射接收机、计算机、GPS时钟模块，站点连续无间隔捕获闪电脉冲波形及其到达绝对时间，生成数据集；
步骤A-2，将步骤A-1生成的数据集进行预处理，去掉一些无效的噪声数据，并将有效的数据传输到中心服务器，如果网络中断，数据传输失败，那么将数据保存在本地，等网络连接成功后，再次通过网络传输数据，中心服务器保存传输的闪电数据，并按照对应时段划分成各个时段的数据集；
步骤B，中心服务器接收到各个探测点的数据，采用GPS时钟同步技术和闪电电场变化辐射脉冲到达各站点的时间差，利用到达时间差算法，计算出闪电源的空间定位坐标，具体过程如下：
步骤B-1，建立四个及以上的闪电数据探测点，对步骤A中获得的闪电数据取其GPS时间；
步骤B-2，采用CUDA编程技术，充分利用显卡的GPU资源，采用到达时间差算法(TDOA)，通过CUDA显卡加速，快速算出闪电定位坐标，生成闪电定位数据集；到达时间差算法(TDOA)是指结合侧向法和时差法形成的混合定位方法，简称时差侧向混合方法；其中，侧向法是通过多个探测点对同一个闪电回击电磁场信号进行侧向，利用侧向射线角度的交会进行定位，测出闪电方位角，然后计算出闪电的位置、强度等参数。时差法是利用闪电回击辐射的电磁波到达各探测点的绝对时间，通过距离换算进行交会定位；TDOA是基于多个探测点的定位方法，每两个站点之间形成一条时差双曲线，多个探测点会形成多条时差双曲线，这些双曲线的交点就是闪电回击发生的位置；
步骤C，将TDOA算法处理过的定位数据集利用DBSCAN算法和KMEANS算法相混合的聚类方法进行雷暴核的聚类识别，DBSCAN算法是一种基于高密度连通区域的聚类算法，该算法将具有足够高密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇。它将簇定义为密度相连的点的最大集合，DBSCAN算法结束后，雷电数据形成了若干个簇，即为识别出的雷暴核，再通过KMEANS算法，设定K＝1，将若干个雷暴核数据集作为新的输入，算出雷暴核的质心坐标点，具体过程如下：
步骤C-1，设定两点之间最短距离EPS和簇中所包含的最少点数MINPTS，利用DBSCAN算法，检索步骤B-2中得到的各等时段的闪电定位坐标数据集中所有点是否密度可达，从而对数据进行聚类，形成若干个任意形状的簇，即若干个雷暴核；
步骤C-2，根据C-1的聚类结果获得不同时间段雷暴核落雷点后，去掉其中的噪声数据，将若干个雷暴核的数据集作为新的输入，采用KMEANS算法，迭代聚合计算出雷暴核的质心坐标点；
步骤C-3，根据C-2雷暴核及质心的结果，得到各时间段多个雷暴核信息，但这些雷暴核之间是否有一定的关联性，即雷暴核是由哪个雷暴核演变过来的；通过计算比较同一时段和不同时段的连续发生的雷暴核质心之间的距离在设定的阈值范围内以及单个雷暴核区域内闪电发生的强度，来推算各雷暴核之间的关系，进而可以算出雷暴的演变过程，同时可将多个时间段的雷暴核闪电频次进行拟合，即可预测未来一段时间雷暴核强弱趋势。
实施例2：
选取北京时间2017年8月19日12:30至13:00发生的雷暴天气实例数据。该时段总计发生闪电定位数据14402条，如图4所示，显示的是12:36-12:42这6分钟的雷电数据部分地图瞬时画面。将该半小时数据在时间尺度上以每3分钟等分为一个间隔来划分数据集，如表1所示。
表1等间隔闪电定位数据统计信息
如图所示，闪电定位数据在地图上杂乱无章的呈现，看不出雷暴核位置及核之间的关联性，也看不出雷暴核的演变过程，将表1中的数据作为原始数据集，输入混合聚类算法进行聚类计算。首先设置DBSCAN的两个参数EPS为20km，MINPTS为12，将上述数据集输入DBSCAN算法，去掉噪声数据后，得到若干个聚类簇，将该聚类结果作为新的数据集，输入KMEANS算法进行迭代计算，算出雷暴核的质心坐标点，如图5所示，从图中可以清晰地看出，该时刻闪电形成了2个核心闪电簇，其中最大的闪电簇分布在蚌埠附近，图5中，圆心表示为质心坐标点，圆圈代表该雷暴核的范围。通过计算同一时间段和不同时间段的若干个雷暴核质心之间的距离是否在设定的阈值范围内，来计算核与核之间的关联性，然后通过对各时间段的质心坐标点进行数据拟合，来确定核与核之间的关联性，进而可以追踪到某次雷暴的演变轨迹并可根据雷暴核的闪电频次变化，预测未来一段时间内雷暴强弱变化趋势。
实施例3：
以安徽滁州地区的雷暴数据为例，雷暴演变过程如图6所示，聚类结果如表2所示。
表2混合聚类结果
| ID | 开始时间 | 结束时间 | 开始时间 | 闪电频次 | 质心坐标(经、纬度) |
| 1 | 12:30 | 12:36 | 12:30 | 756 | 117.943135、32.978602 |
| 2 | 12:33 | 12:39 | 12:33 | 796 | 118.001084、33.015538 |
| 3 | 12:36 | 12:42 | 12:36 | 876 | 117.988594、33.056669 |
| 4 | 12:39 | 12:45 | 12:39 | 783 | 118.064391、33.024387 |
| 5 | 12:42 | 12:48 | 12:42 | 719 | 118.139806、33.057364 |
| 6 | 12:45 | 12:51 | 12:45 | 711 | 188.249625、33.113111 |
| 7 | 12:48 | 12:54 | 12:48 | 750 | 118.277653、33.103299 |
| 8 | 12:51 | 12:57 | 12:51 | 816 | 118.295215、33.106894 |
| 9 | 12:54 | 13:00 | 12:54 | 981 | 118.310261、33.109718 |
从表2可以看出，随着时间的变化，闪电的频次在增强后又减弱又再次增强的过程，而雷暴核的质心坐标点也在不停的发生变化，将雷暴核的质心坐标点画线连接，形成雷暴轨迹图，如图6所示，图中可以直观的看出雷暴核的分布区域在发生移动、雷暴核之间的关联性，闪电发生频次如图7所示，图7中具体显示雷暴核实时信息，如质心经纬度，雷暴核半径范围内的闪电频次信息，对应雷暴核的闪电频次变化曲线，两条曲线显示，加长的一段曲线即为未来一段时间雷暴核是增强还是减弱的预测趋势。综合以上数据分析，本次用于检验方法的数据具体呈现了单次雷暴的演变过程。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (3)
1.一种雷暴核关联性处理方法，其特征在于，具体步骤如下：
步骤A，部署雷电探测点记录闪电数据，将记录的闪电数据进行预处理，过滤掉噪声数据，将有效的闪电数据进行本地保存和传输至中心服务器；
步骤B，中心服务器接收到各个探测点的数据，采用GPS时钟同步技术和闪电电场变化辐射脉冲到达各站点的时间差，利用到达时间差算法，计算出闪电源的空间定位坐标；
步骤C，对步骤B中算出的雷电定位数据，采用DBSCAN算法和KMEANS算法求得雷电定位数据的雷暴核质心坐标位置、闪电频次以及雷暴核之间的关联性；
步骤A中记录的闪电数据进行预处理，过滤掉噪声数据，将有效数据进行本地保存和传输至中心服务器，具体过程为：
步骤A-1，各个部署的探测点内设置甚低频闪电辐射接收机、计算机、GPS时钟模块，站点连续无间隔捕获闪电脉冲波形及其到达绝对时间，生成数据集；
步骤A-2，将步骤A-1生成的数据集进行预处理，去掉一些无效的噪声数据，并将有效的数据传输到中心服务器，如果网络中断，数据传输失败，那么将数据保存在本地，等网络再次连接成功后，通过网络传输数据，中心服务器保存传输的闪电数据，并按照对应时段划分成各个时段的数据集；
步骤B中采用GPS时钟同步技术和闪电电场变化辐射脉冲到达各站点的时间差，利用到达时间差算法，计算出闪电源的空间定位坐标，具体过程为：
步骤B-1，建立四个及以上的闪电数据探测点，对步骤A中获得的闪电数据取其GPS时间；
步骤B-2，充分利用显卡的GPU资源，采用到达时间差算法，通过CUDA显卡加速，快速算出闪电定位坐标，生成闪电定位数据集；
步骤C中利用DBSCAN算法和KMEANS算法混合求得闪电定位数据的雷暴核质心坐标位置、闪电频次，根据混合聚类后的结果计算出雷暴核之间的关联性，具体过程为：
步骤C-1，设定两点之间最短距离EPS和核中所包含的最少点数MINPTS，利用DBSCAN算法，检索上述步骤B-2中得到的各等时段的闪电定位数据集中所有点是否密度可达，从而对数据进行聚类，形成若干个任意形状的簇，即若干个雷暴核；
步骤C-2，根据C-1的聚类结果获得不同时间段雷暴核落雷点后，去掉其中的噪声数据，将若干个雷暴核的数据集作为新的输入，采用KMEANS算法，迭代聚合计算出雷暴核的质心坐标点；
步骤C-3，根据C-2雷暴核及质心的结果，得到各时间段多个雷暴核信息，但这些雷暴核之间是否有一定的关联性，即雷暴核是由哪个雷暴核演变过来的，通过计算比较同一时段和不同时段的连续发生的雷暴核质心之间的距离在设定的阈值范围内以及单个雷暴核区域内闪电发生的强度，来推算各雷暴核之间的关系，进而可以算出雷暴的演变过程。
2.根据权利要求1中所述的一种雷暴核关联性处理方法，其特征在于，步骤B-2中，采用CUDA编程技术，充分利用显卡GPU资源，加快数据运行处理速度。
3.根据权利要求1中所述的一种雷暴核关联性处理方法，其特征在于，步骤C-3中，可将多个时间段的雷暴核闪电频次进行拟合，即可预测未来一段时间雷暴核强弱趋势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810673274.5A CN109061774B (zh) | 2018-06-26 | 2018-06-26 | 一种雷暴核关联性处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810673274.5A CN109061774B (zh) | 2018-06-26 | 2018-06-26 | 一种雷暴核关联性处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109061774A CN109061774A (zh) | 2018-12-21 |
| CN109061774B true CN109061774B (zh) | 2020-10-16 |
Family
ID=64821127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810673274.5A Active CN109061774B (zh) | 2018-06-26 | 2018-06-26 | 一种雷暴核关联性处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109061774B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112014796A (zh) * | 2020-08-31 | 2020-12-01 | 宁夏中科天际防雷股份有限公司 | 一种基于5g传输的雷电运动轨迹监测方法及系统 |
| CN112668790B (zh) * | 2020-12-30 | 2023-07-25 | 南京信息工程大学 | 基于时空序列聚类算法和lstm神经网络雷电预测方法 |
| CN113109651B (zh) * | 2021-04-15 | 2022-11-04 | 云南电网有限责任公司电力科学研究院 | 一种适用于不同微地形对雷电活动的定量分析方法 |
| CN113705693A (zh) * | 2021-08-31 | 2021-11-26 | 国网宁夏电力有限公司电力科学研究院 | 一种电网雷电预警方法、装置、记录媒体及系统 |
| CN113947578A (zh) * | 2021-10-18 | 2022-01-18 | 山东大学 | 一种基于dbscan聚类算法的蠕墨铸铁形核率的预测方法 |
| CN114066034A (zh) * | 2021-11-10 | 2022-02-18 | 合肥佳讯科技有限公司 | 基于实时数据分析的多区域雷电预警系统及方法 |
| CN117077775B (zh) * | 2023-08-23 | 2024-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102253426A (zh) * | 2011-04-29 | 2011-11-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 采用空间密度聚类进行雷电运动预测的方法 |
| CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警系统及方法 |
| CN104166171A (zh) * | 2014-08-25 | 2014-11-26 | 清华大学 | 基于雷电定位系统的雷云覆盖面积的预测方法及系统 |
| CN104574833A (zh) * | 2014-12-31 | 2015-04-29 | 厦门大恒科技有限公司 | 一种基于分布式布局雷电监测装置的雷电预警方法及系统 |
| CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
| CN106251026A (zh) * | 2016-08-16 | 2016-12-21 | 南京信息工程大学 | 基于pdbscan算法的雷电临近趋势预报方法 |
| EP3276382A1 (en) * | 2016-07-29 | 2018-01-31 | Vaisala Inc. | Short-term thunderstorm forecast and severe weather alert system and method |
| CN107957597A (zh) * | 2017-12-12 | 2018-04-24 | 国网新疆电力公司电力科学研究院 | 一种提取雷电簇团运动轨迹及趋势的方法 |
| CN108152868A (zh) * | 2017-12-27 | 2018-06-12 | 深圳市国家气候观象台(深圳市气候中心、深圳市天文台) | 利用闪电定位数据计算雷暴日天数的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10345484B2 (en) * | 2015-09-01 | 2019-07-09 | Southern Company Services, Inc. | Storm confirmation and path prediction system |
-
2018
- 2018-06-26 CN CN201810673274.5A patent/CN109061774B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102253426A (zh) * | 2011-04-29 | 2011-11-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 采用空间密度聚类进行雷电运动预测的方法 |
| CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警系统及方法 |
| CN104166171A (zh) * | 2014-08-25 | 2014-11-26 | 清华大学 | 基于雷电定位系统的雷云覆盖面积的预测方法及系统 |
| CN104574833A (zh) * | 2014-12-31 | 2015-04-29 | 厦门大恒科技有限公司 | 一种基于分布式布局雷电监测装置的雷电预警方法及系统 |
| CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
| EP3276382A1 (en) * | 2016-07-29 | 2018-01-31 | Vaisala Inc. | Short-term thunderstorm forecast and severe weather alert system and method |
| CN106251026A (zh) * | 2016-08-16 | 2016-12-21 | 南京信息工程大学 | 基于pdbscan算法的雷电临近趋势预报方法 |
| CN107957597A (zh) * | 2017-12-12 | 2018-04-24 | 国网新疆电力公司电力科学研究院 | 一种提取雷电簇团运动轨迹及趋势的方法 |
| CN108152868A (zh) * | 2017-12-27 | 2018-06-12 | 深圳市国家气候观象台(深圳市气候中心、深圳市天文台) | 利用闪电定位数据计算雷暴日天数的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于闪电数据的雷暴识别、追踪与外推方法;周康辉 等;《应用气象学报》;20160315;第27卷(第2期);第173页-第180页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109061774A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109061774B (zh) | 一种雷暴核关联性处理方法 | |
| CN108520023B (zh) | 一种基于混合聚类算法的雷暴核识别及追踪方法 | |
| CN111079859B (zh) | 一种无源多站多目标测向交叉定位与虚假点去除方法 | |
| CN111913156A (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
| CN112748397B (zh) | 非视距条件下基于自适应bp神经网络的uwb定位方法 | |
| CN109753874A (zh) | 一种基于机器学习的低慢小雷达目标分类方法 | |
| CN109344812A (zh) | 一种改进的基于聚类的单光子点云数据去噪方法 | |
| CN109901159A (zh) | 一种基于深度学习的米波雷达目标识别方法 | |
| CN116008671A (zh) | 一种基于时差和聚类的闪电定位方法 | |
| KR101221793B1 (ko) | 위험기상과 관련된 반사도 셀의 추적 방법 | |
| KR101221755B1 (ko) | 위험기상과 관련된 반사도 셀의 탐지 방법 | |
| Wong et al. | Automatic tropical cyclone eye fix using genetic algorithm | |
| CN116189147A (zh) | 一种基于yolo的三维点云低功耗快速目标检测方法 | |
| Bao et al. | Application of lightning spatio-temporal localization method based on deep LSTM and interpolation | |
| Bal et al. | Regression of large-scale path loss parameters using deep neural networks | |
| Wang et al. | A novel method for ground-based VLF/LF single-site lightning location | |
| Abiven et al. | FM passive bistatic radar imaging of airplanes in a real configuration | |
| Shi et al. | Investigation on the lightning location and warning system using artificial intelligence | |
| Kremer et al. | Cluster analysis tailored to structure change of tropical cyclones using a very large number of trajectories | |
| Li et al. | A new radar‐based storm identification and warning technique | |
| Eddy | Environmental conditions producing thunderstorms with anomalous vertical polarity of charge structure | |
| Li et al. | Research on Thunderstorm Identification Based on Discrete Wavelet Transform | |
| Huang et al. | Unsupervised Classification of Non-Gaussian Terrain Based on Polarimetric Decomposition | |
| Lu et al. | A recursive sorting method based on multi-station TDOA vector | |
| CN110555370B (zh) | 水下目标识别中基于plda因子分析法的通道效应抑制方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A processing method of thunderstorm core correlation Effective date of registration: 20220406 Granted publication date: 20201016 Pledgee: Huaxia Bank Co.,Ltd. Hefei high tech Zone sub branch Pledgor: HEFEI JIASUN TECHNOLOGY Co.,Ltd. Registration number: Y2022340000003 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20220628 Granted publication date: 20201016 Pledgee: Huaxia Bank Co.,Ltd. Hefei high tech Zone sub branch Pledgor: HEFEI JIASUN TECHNOLOGY Co.,Ltd. Registration number: Y2022340000003 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A processing method of thunderstorm core correlation Effective date of registration: 20220707 Granted publication date: 20201016 Pledgee: Huaxia Bank Co.,Ltd. Hefei high tech Zone sub branch Pledgor: HEFEI JIASUN TECHNOLOGY Co.,Ltd. Registration number: Y2022340000019 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230720 Granted publication date: 20201016 Pledgee: Huaxia Bank Co.,Ltd. Hefei high tech Zone sub branch Pledgor: HEFEI JIASUN TECHNOLOGY Co.,Ltd. Registration number: Y2022340000019 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230901 Address after: 506-512, Floor 5, Building B, Jiaxun Industrial Park, No. 11, Yanglin Road, High-tech Zone, Hefei, Anhui Province, 230000 Patentee after: Anhui Jiaxun Information Technology Co.,Ltd. Address before: 230000 Jiaxun Industrial Park, 11 Yanglin Road, high tech Zone, Hefei City, Anhui Province Patentee before: HEFEI JIASUN TECHNOLOGY Co.,Ltd. |