CN109709555B - 一种识别天气雷达相邻体扫数据差异性的方法及系统 - Google Patents
一种识别天气雷达相邻体扫数据差异性的方法及系统 Download PDFInfo
- Publication number
- CN109709555B CN109709555B CN201811526015.6A CN201811526015A CN109709555B CN 109709555 B CN109709555 B CN 109709555B CN 201811526015 A CN201811526015 A CN 201811526015A CN 109709555 B CN109709555 B CN 109709555B
- Authority
- CN
- China
- Prior art keywords
- data
- weather radar
- elevation
- radial
- probability distribution
- 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
Images
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种识别天气雷达相邻体扫数据差异性的方法及系统,其中,识别天气雷达相邻体扫数据差异性的方法,包括以下步骤:获取天气雷达体扫数据中的仰角层以及对应仰角层的径向数据;根据校验公式识别径向数据的异常点;根据异常点统计每层仰角层的概率分布;根据每层仰角层的概率分布与预设阈值判断判断天气雷达体扫数据是否为可信数据。在本发明的技术方案中,利用统计学中的F校验公式、以分析平方和为基础,可同时检验两个以上径向数据之间的差异显著性,从而检测出因雷达数据突变引起的前后回波不连续的异常变化。
Description
技术领域
本发明涉及气象数据质量管理领域,尤其涉及一种识别天气雷达相邻体扫数据差异性的方法和一种识别天气雷达相邻体扫数据差异性的系统。
背景技术
在组网拼图过程中,若出现雷达数据时间不均一,如前后数据异常强回波、环形回波和某层回波为零等引起时间上数据的突变,就会直接影响雷达组网拼图的质量,后续科学研究和天气预报的准确性将会受到影响。利用天气雷达回波变化连续性强的特点,对雷达数据突变的检测是业务质控算法所没有涉及的。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个目的在于提供一种识别天气雷达相邻体扫数据差异性的方法,其能够检测出因雷达数据突变引起的前后回波不连续的异常变化。
本发明的另一个目的在于提供一种识别天气雷达相邻体扫数据差异性的系统,其能够检测出因雷达数据突变引起的前后回波不连续的异常变化。
为实现上述目的,本发明第一方面的技术方案提供了一种识别天气雷达相邻体扫数据差异性的方法,包括以下步骤:
获取天气雷达体扫数据中的仰角层以及对应仰角层的径向数据;
根据校验公式识别径向数据的异常点;
根据异常点统计每层仰角层的概率分布;
根据每层仰角层的概率分布与预设阈值判断天气雷达体扫数据是否为可信数据;
其中,校验公式的表达式为:
在该技术方案中,利用统计学中的F校验公式、以分析平方和为基础,可同时检验两个以上径向数据之间的差异显著性,从而检测出因雷达数据突变引起的前后回波不连续的异常变化;并同时结合异常点的概率分布等连续性检测完成对雷达回波时间均一性检测。
在上述技术方案中,优选地,根据校验公式识别径向数据的异常点,包括以下步骤:
根据相邻时序对径向数据进行分组;
根据校验公式计算每组径向数据的特征值;
将特征值与特征分布表值进行比较;
当特征值大于特征分布表值时,该组径向数据标记为异常点;
当特征值小于或等于特征分布表值时,该组径向数据为可信点。
在该技术方案中,将天气雷达体扫数据中仰角方位上的径向数据按照相邻时序进行分组,即相邻时序的两个径向数据分为一组,然后根据F校验公式分别求出每一组数据的F值,再与F分布表得到的值进行对比,通过对比,若F值大于表值,则说明该组数据之间存在显著性差异,并将该组记为一个F异常点,最后统计出F异常点数占该仰角层的百分比。
在上述任一技术方案中,优选地,特征分布表值的表达式为:
其中,n1和n2表示每组径向数据的长度;n1-1和n2-1分别表示特征分布表值的分子自由度和分母自由度;α表示显著水平,显著水平α可设为0.05或0.025或0.01,即显著性检验的结论错误率必须低于5%或2.5%或1%等。
在上述任一技术方案中,优选地,预设阈值包括:
仰角层的数量大于或等于1,且概率分布大于30%时,天气雷达体扫数据为疑误数据;或
仰角层的数量大于或等于2,且概率分布大于20%,天气雷达体扫数据为疑误数据;或
仰角层的数量等于1,且概率分布大于20%,天气雷达体扫数据为可疑数据;或
仰角层的数量大于或等于2,且概率分布大于15%,天气雷达体扫数据为可疑数据;
否则为可信数据。
本发明第二方面的技术方案提供了一种识别天气雷达相邻体扫数据差异性的系统,包括:获取模块,被设置为用于获取天气雷达体扫数据中的仰角层以及对应仰角层的径向数据;
识别模块,被设置为用于根据校验公式识别径向数据的异常点;
统计模块,被设置为用于根据异常点统计每层仰角层的概率分布;
判断模块,被设置为用于根据每层仰角层的概率分布与预设阈值判断天气雷达体扫数据是否为可信数据;
其中,校验公式的表达式为:
在该技术方案中,利用统计学中的F校验公式、以分析平方和为基础,可同时检验两个以上径向数据之间的差异显著性,从而检测出因雷达数据突变引起的前后回波不连续的异常变化;并同时结合异常点的概率分布等连续性检测完成对雷达回波时间均一性检测。
在上述技术方案中,优选地,识别模块包括:
分组单元,被设置为用于根据相邻时序对径向数据进行分组;
计算单元,被设置为用于根据校验公式计算每组径向数据的特征值;
比较单元,被设置为用于将特征值与特征分布表值进行比较;
标记单元,被设置为用于标记该组径向数据标记是否异常。
在该技术方案中,将天气雷达体扫数据中仰角方位上的径向数据按照相邻时序进行分组,即相邻时序的两个径向数据分为一组,然后根据F校验公式分别求出每一组数据的F值,再与F分布表得到的值进行对比,通过对比,若F值大于表值,则说明该组数据之间存在显著性差异,并将该组记为一个F异常点,最后统计出F异常点数占该仰角层的百分比。
在上述任一技术方案中,优选地,特征分布表值的表达式为:
其中,n1和n2表示每组径向数据的长度;n1-1和n2-1分别表示特征分布表值的分子自由度和分母自由度;α表示显著水平,显著水平α可设为0.05或0.025或0.01。
在上述任一技术方案中,优选地,预设阈值包括:
仰角层的数量大于或等于1,且概率分布大于30%时,天气雷达体扫数据为疑误数据;或
仰角层的数量大于或等于2,且概率分布大于20%,天气雷达体扫数据为疑误数据;或
仰角层的数量等于1,且概率分布大于20%,天气雷达体扫数据为可疑数据;或
仰角层的数量大于或等于2,且概率分布大于15%,天气雷达体扫数据为可疑数据;
否则为可信数据。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明一个实施例所涉及的方法的流程框图;
图2示出了本发明另一个实施例所涉及的方法的流程框图;
图3示出了本发明一些实施例所涉及的系统的结构框图;
图4示出了本发明另一些实施例所涉及的系统的结构框图;
图5示出了本发明具体实施例1所涉及的异常数据分析图;
图6示出了本发明具体实施例2所涉及的异常数据分析图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
下面参照图1至图6描述根据本发明一些实施例的识别天气雷达相邻体扫数据差异性的方法及系统。
如图1所示,按照本发明一个实施例的识别天气雷达相邻体扫数据差异性的方法,包括以下步骤:
S100,获取天气雷达体扫数据中的仰角层以及对应仰角层的径向数据;
S200,根据校验公式识别径向数据的异常点;
S300,根据异常点统计每层仰角层的概率分布;
S400,根据每层仰角层的概率分布与预设阈值判断天气雷达体扫数据是否为可信数据;
其中,校验公式的表达式为:
在该实施例中,利用统计学中的F校验公式、以分析平方和为基础,可同时检验两个以上径向数据之间的差异显著性,从而检测出因雷达数据突变引起的前后回波不连续的异常变化;并同时结合异常点的概率分布等连续性检测完成对雷达回波时间均一性检测。
如图2所示,按照本发明另一个实施例的识别天气雷达相邻体扫数据差异性的方法,S200,根据校验公式识别径向数据的异常点,包括以下步骤:
S201,根据相邻时序对径向数据进行分组;
S202,根据校验公式计算每组径向数据的特征值;
S203,将特征值与特征分布表值进行比较;
S204,当特征值大于特征分布表值时,该组径向数据标记为异常点;
S205,当特征值小于或等于特征分布表值时,该组径向数据为可信点。
在该实施例中,将天气雷达体扫数据中仰角方位上的径向数据按照相邻时序进行分组,即相邻时序的两个径向数据分为一组,然后根据F校验公式分别求出每一组数据的F值,再与F分布表得到的值进行对比,通过对比,若F值大于表值,则说明该组数据之间存在显著性差异,并将该组记为一个F异常点,最后统计出F异常点数占该仰角层的百分比。
在上述任一实施例中,优选地,特征分布表值的表达式为:
其中,n1和n2表示每组径向数据的长度;n1-1和n2-1分别表示特征分布表值的分子自由度和分母自由度;α表示显著水平,显著水平α可设为0.05或0.025或0.01。
其中,特征分布表值如表1所示:
表1F分布表(α=0.05)
在上述任一实施例中,优选地,预设阈值包括:
仰角层的数量大于或等于1,且概率分布大于30%时,天气雷达体扫数据为疑误数据;或
仰角层的数量大于或等于2,且概率分布大于20%,天气雷达体扫数据为疑误数据;或
仰角层的数量等于1,且概率分布大于20%,天气雷达体扫数据为可疑数据;或
仰角层的数量大于或等于2,且概率分布大于15%,天气雷达体扫数据为可疑数据;
否则为可信数据。
如图3所示,按照本发明一些实施例的识别天气雷达相邻体扫数据差异性的系统1000,包括:
获取模块100,被设置为用于获取天气雷达体扫数据中的仰角层以及对应仰角层的径向数据;
识别模块200,被设置为用于根据校验公式识别径向数据的异常点;
统计模块300,被设置为用于根据异常点统计每层仰角层的概率分布;
判断模块400,被设置为用于根据每层仰角层的概率分布与预设阈值判断天气雷达体扫数据是否为可信数据;
其中,校验公式的表达式为:
在该实施例中,利用统计学中的F校验公式、以分析平方和为基础,可同时检验两个以上径向数据之间的差异显著性,从而检测出因雷达数据突变引起的前后回波不连续的异常变化;并同时结合异常点的概率分布等连续性检测完成对雷达回波时间均一性检测。
如图4所示,按照本发明另一些实施例的识别天气雷达相邻体扫数据差异性的系统1000,识别模块200包括:
分组单元201,被设置为用于根据相邻时序对径向数据进行分组;
计算单元202,被设置为用于根据校验公式计算每组径向数据的特征值;
比较单元203,被设置为用于将特征值与特征分布表值进行比较;
标记单元204,被设置为用于标记该组径向数据标记是否异常。
在该实施例中,将天气雷达体扫数据中仰角方位上的径向数据按照相邻时序进行分组,即相邻时序的两个径向数据分为一组,然后根据F校验公式分别求出每一组数据的F值,再与F分布表得到的值进行对比,通过对比,若F值大于表值,则说明该组数据之间存在显著性差异,并将该组记为一个F异常点,最后统计出F异常点数占该仰角层的百分比。
在上述任一实施例中,优选地,特征分布表值的表达式为:
其中,n1和n2表示每组径向数据的长度;n1-1和n2-1分别表示特征分布表值的分子自由度和分母自由度;α表示显著水平,显著水平α可设为0.05或0.025或0.01。
在上述任一实施例中,优选地,预设阈值包括:
仰角层的数量大于或等于1,且概率分布大于30%时,天气雷达体扫数据为疑误数据;或
仰角层的数量大于或等于2,且概率分布大于20%,天气雷达体扫数据为疑误数据;或
仰角层的数量等于1,且概率分布大于20%,天气雷达体扫数据为可疑数据;或
仰角层的数量大于或等于2,且概率分布大于15%,天气雷达体扫数据为可疑数据;
否则为可信数据。
技术效果:根据该方法检测的结果与该站的雷达基本反射率图进行对比,看是否与对比结果一致。比如,若检测判断出某一雷达站某一时次雷达数据存在疑误,则定位到该站该时次的雷达基本反射率图,人工查看是否存在异常强回波、或环形回波或某层回波为零等异常回波。
具体实施例1
从图5中F检验分析结果可看出,08:46与08:51时次处,F异常点数大于90%,并判断该处雷达回波不连续,存在疑误。为验证其正确性,并根据该处雷达基本反射率所呈现的图像,可看出08:46时次回波表现为“坏图”,与08:51时次存在显著性差异,因此该检验结果正确。
具体实施例2
从图6中F检验分析结果可看出,F异常点数大于20%的有四处,并判断这几处为可疑。为验证其正确性,挑选百分比最大处02:38与02:44时次两体扫雷达基本反射率所呈现的图像进行分析,可看出02:38时次回波表现为“坏图”,与02:44时次存在显著性差异,因此确实存在可疑。随后发现02:10与02:44、02:32与02:38以及03:45与03:51三处也存在类似异常,不再赘述。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种识别天气雷达相邻体扫数据差异性的方法,其特征在于,包括以下步骤:
获取天气雷达体扫数据中的仰角层以及对应所述仰角层的径向数据;
根据相邻时序对所述径向数据进行分组;
根据校验公式计算每组所述径向数据的特征值;
将所述特征值与特征分布表值进行比较;
当所述特征值大于所述特征分布表值时,该组所述径向数据标记为异常点;
当所述特征值小于或等于所述特征分布表值时,该组所述径向数据为可信点;
根据所述异常点统计每层所述仰角层的概率分布;
根据每层所述仰角层的所述概率分布与预设阈值判断所述天气雷达体扫数据是否为可信数据;
其中,所述校验公式的表达式为:
3.根据权利要求1所述的识别天气雷达相邻体扫数据差异性的方法,其特征在于:根据每层所述仰角层的所述概率分布与预设阈值判断所述天气雷达体扫数据是否为可信数据包括:
所述仰角层的数量大于或等于1,且所述概率分布大于30%时,所述天气雷达体扫数据为疑误数据;或
所述仰角层的数量大于或等于2,且所述概率分布大于20%,所述天气雷达体扫数据为疑误数据;或
所述仰角层的数量等于1,且所述概率分布大于20%,所述天气雷达体扫数据为可疑数据;或
所述仰角层的数量大于或等于2,且所述概率分布大于15%,所述天气雷达体扫数据为可疑数据;
否则为所述可信数据。
4.一种识别天气雷达相邻体扫数据差异性的系统,其特征在于,包括:
获取模块,被设置为用于获取天气雷达体扫数据中的仰角层以及对应所述仰角层的径向数据;
识别模块,被设置为用于根据校验公式识别所述径向数据的异常点;
所述识别模块包括:
分组单元,被设置为用于根据相邻时序对所述径向数据进行分组;
计算单元,被设置为用于根据所述校验公式计算每组所述径向数据的特征值;
比较单元,被设置为用于将所述特征值与特征分布表值进行比较;
标记单元,被设置为用于标记该组所述径向数据标记是否异常;
统计模块,被设置为用于根据所述异常点统计每层所述仰角层的概率分布;
判断模块,被设置为用于根据每层所述仰角层的所述概率分布与预设阈值判断所述天气雷达体扫数据是否为可信数据;
其中,所述校验公式的表达式为:
6.根据权利要求4所述的识别天气雷达相邻体扫数据差异性的系统,其特征在于:根据每层所述仰角层的所述概率分布与预设阈值判断所述天气雷达体扫数据是否为可信数据包括:
所述仰角层的数量大于或等于1,且所述概率分布大于30%时,所述天气雷达体扫数据为疑误数据;或
所述仰角层的数量大于或等于2,且所述概率分布大于20%,所述天气雷达体扫数据为疑误数据;或
所述仰角层的数量等于1,且所述概率分布大于20%,所述天气雷达体扫数据为可疑数据;或
所述仰角层的数量大于或等于2,且所述概率分布大于15%,所述天气雷达体扫数据为可疑数据;
否则为所述可信数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811526015.6A CN109709555B (zh) | 2018-12-13 | 2018-12-13 | 一种识别天气雷达相邻体扫数据差异性的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811526015.6A CN109709555B (zh) | 2018-12-13 | 2018-12-13 | 一种识别天气雷达相邻体扫数据差异性的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109709555A CN109709555A (zh) | 2019-05-03 |
CN109709555B true CN109709555B (zh) | 2020-09-11 |
Family
ID=66255686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811526015.6A Active CN109709555B (zh) | 2018-12-13 | 2018-12-13 | 一种识别天气雷达相邻体扫数据差异性的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109709555B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010098B (zh) * | 2023-01-18 | 2023-08-22 | 国家气象信息中心(中国气象局气象数据中心) | 基于雷达流的虚拟体扫数据生成方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011122839A (ja) * | 2009-12-08 | 2011-06-23 | Mitsubishi Electric Corp | レーダ装置 |
CN105548984A (zh) * | 2015-12-10 | 2016-05-04 | 中国人民解放军理工大学 | 一种基于模糊逻辑的双偏振多普勒天气雷达地物杂波抑制方法 |
CN107656245A (zh) * | 2017-08-22 | 2018-02-02 | 哈尔滨工程大学 | 一种将信息融合应用到雷达信号分选中的方法 |
-
2018
- 2018-12-13 CN CN201811526015.6A patent/CN109709555B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011122839A (ja) * | 2009-12-08 | 2011-06-23 | Mitsubishi Electric Corp | レーダ装置 |
CN105548984A (zh) * | 2015-12-10 | 2016-05-04 | 中国人民解放军理工大学 | 一种基于模糊逻辑的双偏振多普勒天气雷达地物杂波抑制方法 |
CN107656245A (zh) * | 2017-08-22 | 2018-02-02 | 哈尔滨工程大学 | 一种将信息融合应用到雷达信号分选中的方法 |
Non-Patent Citations (2)
Title |
---|
一种天气雷达数据质量问题的理论分析与试验研究;李喆 等;《科学技术与工程》;20170228;第17卷(第4期);76-81 * |
开放型雷达产品生成系统的应用研究;程昌玉 等;《计算机应用与软件》;20180731;第35卷(第7期);165-168,278 * |
Also Published As
Publication number | Publication date |
---|---|
CN109709555A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111044046B (zh) | 一种机器人定位精度的测试方法及装置 | |
EP2232892B1 (en) | Maintaining the integrity of configuration information of a network of access points for use in positioning an apparatus | |
CN110133637B (zh) | 目标定位方法、装置及系统 | |
CN111189403B (zh) | 一种隧道变形的监测方法、装置及计算机可读存储介质 | |
CN110231596B (zh) | 用于在货物物流设施中确定位置的定位系统以及用于运行该定位系统的方法 | |
CN114236645B (zh) | 一种大规模降雨监测异常站点筛查方法 | |
CN110837077B (zh) | 一种声源位置校验方法及装置 | |
CN114374449A (zh) | 一种干扰源确定方法、装置、设备及介质 | |
CN109709555B (zh) | 一种识别天气雷达相邻体扫数据差异性的方法及系统 | |
CN111770436A (zh) | 一种基于CSI的室内Wi-Fi定位方法、装置及存储介质 | |
CN111524394A (zh) | 提升机坪综合航迹监视数据精度的方法、装置及系统 | |
CN105203941B (zh) | 晶圆测试特殊图案及探针卡缺陷的检验方法 | |
CN108415105B (zh) | 一种对地面气象观测站观测相对湿度数值的检验方法 | |
CN114449533B (zh) | 基站部署方法、环境感知方法、装置、计算机设备和存储介质 | |
CN116990746A (zh) | 用于无线电监测测向系统及方法 | |
CN112612044A (zh) | 一种用于漂移点过滤的方法及系统 | |
CN108254732B (zh) | 一种小视场激光探测器精准捕获大视场范围内目标的方法 | |
CN114355114B (zh) | 一种gis局部放电检测方法、装置、介质及终端设备 | |
CN108122291B (zh) | 基于二维码和gps的手机巡检考勤方法、系统和装置 | |
CN108124268B (zh) | 一种参数准确性识别方法及网络设备 | |
CN109375165A (zh) | 一种tdoa多测量站的定位方法 | |
SE514830C2 (sv) | Förfarande och anordning för riktningsbestämning | |
CN113723182A (zh) | 一种训练样本受限条件下的sar图像舰船检测方法 | |
CN113359122A (zh) | 一种脉冲雷达测量数据合理性检验方法和装置 | |
CN117111019B (zh) | 一种基于雷达探测的目标跟踪监控方法和系统 |
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 |