CN109581546A - 基于微波链路衰减及偏振信息的降雨类型识别方法 - Google Patents

Abstract

本发明提出一种基于微波链路衰减及偏振信息的降雨类型识别方法，该方法通过选取双频或多频微波链路的衰减和偏振信息，提取差分衰减特征量；训练差分衰减特征量与不同降雨类型的关系，建立训练集；基于机器学习算法建立降雨类型识别模型，实现对降雨类型的自动识别。本发明充分利用了多频微波链路雨致衰减所包含的丰富的降雨粒子微物理信息，不仅提高了降雨类型识别的准确性，而且避免了复杂的雨滴谱分布反演过程，减少了误差来源，可操作性强。与天气雷达、雨滴谱仪等配合使用，可进一步改善区域降雨类型的监测和识别效果。

Description

基于微波链路衰减及偏振信息的降雨类型识别方法

技术领域

本发明涉及地面气象探测领域，尤其是一种基于微波链路衰减及偏振信息的降雨类型识别方法。

背景技术

降雨是在大气中十分重要的一种天气现象，对生产生活，交通运输，军事活动都存在重要的影响。不同的降雨类型反映了降雨粒子的相态、形状和尺度分布，涉及土壤侵蚀、大气粒子沉降、降雨和电磁波之间相互作用等过程。由于不同类型降雨的形成机制不同，其微物理特征存在很大差异，因此区分降雨类型具有重要意义。目前，降雨类型识别主要根据降雨强度变化规律、天气雷达体扫数据、双偏振多普勒雷达偏振参量以及雨滴谱仪的DSD数据。根据降雨强度变化规律和天气雷达体扫数据方法较为简单，但没有充分考虑降雨粒子的微物理特征；双偏振多普勒雷达虽然分辨率较高，但误差较大，且易受干扰；雨滴谱测得的DSD可直接反应降雨粒子的微物理特征，但空间代表性差。

近年来，由于时空分辨率高、空间代表性好、数据来源广泛等优点，利用微波通信链路信号进行降雨测量成为一种新兴测雨手段。利用双(多)频或双偏振微波链路反演雨滴谱参数可以克服空间代表性差的问题，但往往需要基于一定的经验假设，存在非线性积分方程组难以求出解析解的问题。

发明内容

发明目的：本发明提出一种基于微波链路衰减及偏振信息的降雨类型识别方法，通过选取双频或多频微波链路的衰减和偏振信息，提取差分衰减特征量；训练差分衰减特征量与不同降雨类型的关系，建立训练集；基于机器学习算法建立降雨类型识别模型，实现对降雨类型的自动识别。该方法无需经验关系假设，对于提高降雨类型识别精度，进而提高降雨反演精度等具有重要意义，可广泛应用于流域监测和预警、天气雷达地面验证等领域。

技术方案：为实现上述技术效果，本发明提出的技术方案为：

基于微波链路衰减及偏振信息的降雨类型识别方法，包括步骤：

(1)利用多频微波链路得到不同类型降雨的差分衰减特征量，包括对每种类型的降雨执行步骤(1-1)到(1-4)：

(1-1)选定两个或两个以上频率的双偏振微波链路，微波链路中的发射端以选定的频率发射微波信号，微波信号经过传播路径上的雨区后发生衰减，接收端获取衰减后的信号；定义频率为f偏振方向为α的微波链路上的发射功率为P_t，α，f，接收功率为P_r，α，f；

(1-2)计算出各频率和偏振方向上路径总衰减率为：

其中，γ_all，α，f表示频率为f、偏振方向为α的微波链路的路径总衰减率，l为链路的长度，单位为km；去除路径总衰减率中的非雨致因素影响，得到频率为f偏振方向为α的微波链路上的雨致衰减率γ_α，f；

(1-3)根据同一频率、不同偏振方向上的雨致衰减率计算出该频率上的差分雨致衰减率：

其中，γ_DR，f表示频率f上的差分雨致衰减率，γ_h，f表示频率f上的垂直偏振雨致衰减率，γ_ν，f表示频率f上的水平偏振雨致衰减率；

(1-4)将选定的所有频率上的差分雨致衰减率作为相应类型降雨的特征量；

(2)对步骤(1)得到的各降雨类型的特征量进行归一化处理，定义归一化处理后降雨类型i的特征量为X′_i；

(3)为每种降雨类型定义一个唯一的标签值，定义Y⁽ⁱ⁾表示降雨类型i的标签；

(4)以[X′_i，Y_i]为训练集，采用机器学习分类算法建立降雨分类模型，通过降雨分类模型识别待分辨的降雨类型。

进一步的，所述降雨类型包括层状云降雨和对流云降雨。

进一步的，所述降雨分类模型采用概率神经网络构建；构建时，将训练集数据代入降雨类型分类模型，通过参数调整、网络结构优化等方法不断改进，获得符合预期准确率的稳健的神经网络模型；训练完成后进行交叉验证。

在实际应用中，通过直接输入某实测降雨的特征量值，模型自动输出降雨类型标签。

有益效果：与现有技术相比，本发明具有以下优势：

与现有技术对比，本发明提出的根据双频或多频微波衰减和偏振信息进行降雨类型识别的方法，在对微波衰减和偏振信息处理的基础上，充分利用了多个频段上差分雨致衰减率所包含的更加丰富的降雨粒子微物理特性的信息，可以更加准确的对降雨类型进行识别；同时，该方法仅需要微波衰减参量，避免了复杂的雨滴谱反演过程，极大地降低了误差和不确定度，更加便于实际应用。本方法可以作为降雨类型识别新方法投入到实际业务应用中。

附图说明

图1是本发明所述基于微波链路衰减及偏振信息的降雨类型识别方法的工作流程图；

图2是本发明实例中在3个频段上获得的训练集数据的散点图；

图3是本发明实例中模型测试结果的示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

图1是本发明所述基于微波链路衰减及偏振信息的降雨类型识别方法的工作流程图；本发明利用双频或多频微波链路雨致衰减特征量作为输入特征，通过机器学习分类算法建立降雨分类模型，主要包括如下步骤：

1.利用多频微波链路得到差分衰减特征量

(1)选定35GHz、28GHz和8GHz三个频率的双偏振微波链路，如表1所示。

表1

(2)测量上述6条链路对应的发射功率P_t，α，f和接收功率P_r，α，f(α表示偏振方向，f表示频率大小)；

(3)计算出各频率和偏振方向上的路径总衰减率：

其中，l为链路的长度，单位km；

(4)去除非雨致因素影响，得到各频率和偏振方向上雨致衰减率γ_α，f；

(5)由同一频率、不同偏振方向上的雨致衰减率计算出某频率上的差分雨致衰减率：

其中，γ_DR，f表示频率f上的差分雨致衰减率，γ_h，f表示频率f上的垂直偏振雨致衰减率，γ_ν，f表示频率f上的水平偏振雨致衰减率；

(6)将选定的所有频率上的差分雨致衰减率作为特征量：[γ_DR，35，γ_DR，28，γ_DR，8]。

2.降雨分类训练集的选择

(1)获取降雨类型i的m组降雨资料的特征量作为训练集的特征量X_i，

实例数据如图2所示；

(2)对训练集的特征量[γ_DR，35，γ_DR，28，γ_DR，8]进行归一化处理：

(₃)确定历史降雨类型的标签Y⁽ⁱ⁾(定义1代表层状云降雨，2代表对流云降雨，3代表其他类型降雨)，把[X′_i，Y_i]作为训练集采用机器学习分类算法建立降雨分类模型。

3.降雨分类识别模型的确定

(1)利用概率神经网络(PNN)建立降雨分类模型；

(2)代入训练集数据，训练完成后进行交叉验证；

(3)通过参数调整、调整网络结构、正则化等方法不断调试，获得符合预期准确率的稳健的神经网络模型。

(4)实际应用中，通过直接输入某实测降雨的[γ⁽ⁱ⁾ _DR，35，γ⁽ⁱ⁾ _DR，28，γ⁽ⁱ⁾ _DR，8]值，模型自动输出1、2或3，代表该降雨为层状云降雨、对流云降雨或其他类型降雨。图3为构建好的降雨分类模型测试结果的示意图。

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 (3)

1.基于微波链路衰减及偏振信息的降雨类型识别方法，其特征在于，包括步骤：

(1)利用多频微波链路得到不同类型降雨的差分衰减特征量，包括对每种类型的降雨执行步骤(1-1)到(1-4)：

(1-1)选定两个或两个以上频率的双偏振微波链路，微波链路中的发射端以选定的频率发射微波信号，微波信号经过传播路径上的雨区后发生衰减，接收端获取衰减后的信号；定义频率为f偏振方向为α的微波链路上的发射功率为P_t，α，f，接收功率为P_r，α，f；

(1-2)计算出各频率和偏振方向上路径总衰减率为：

其中，γ_all，α，f表示频率为f、偏振方向为α的微波链路的路径总衰减率，l为链路的长度，单位为km；去除路径总衰减率中的非雨致因素影响，得到频率为f偏振方向为α的微波链路上的雨致衰减率γ_α，f；

(1-3)根据同一频率、不同偏振方向上的雨致衰减率计算出该频率上的差分雨致衰减率：

其中，γ_DR，f表示频率f上的差分雨致衰减率，γ_h，f表示频率f上的垂直偏振雨致衰减率，γ_ν，f表示频率f上的水平偏振雨致衰减率；

(1-4)将选定的所有频率上的差分雨致衰减率作为相应类型降雨的特征量；

(2)对步骤(1)得到的各降雨类型的特征量进行归一化处理，定义归一化处理后降雨类型i的特征量为X_i′；

(3)为每种降雨类型定义一个唯一的标签值，定义Y⁽ⁱ⁾表示降雨类型i的标签；

(4)以[X_i′，Y_i]为训练集，采用机器学习分类算法建立降雨分类模型，通过降雨分类模型识别待分辨的降雨类型。

2.根据权利要求1所述的基于微波链路衰减及偏振信息的降雨类型识别方法，其特征在于，所述降雨类型包括层状云降雨和对流云降雨。

3.根据权利要求1所述的基于微波链路衰减及偏振信息的降雨类型识别方法，其特征在于，所述降雨分类模型采用概率神经网络构建。