CN110083977A - 一种基于深度学习的大气湍流监测方法 - Google Patents
一种基于深度学习的大气湍流监测方法 Download PDFInfo
- Publication number
- CN110083977A CN110083977A CN201910397269.0A CN201910397269A CN110083977A CN 110083977 A CN110083977 A CN 110083977A CN 201910397269 A CN201910397269 A CN 201910397269A CN 110083977 A CN110083977 A CN 110083977A
- Authority
- CN
- China
- Prior art keywords
- model
- deep learning
- turbulence intensity
- layer
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000003745 diagnosis Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 241000208818 Helianthus Species 0.000 claims description 3
- 235000003222 Helianthus annuus Nutrition 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000003466 anti-cipated effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101710126741 Monodehydroascorbate reductase Proteins 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Physics (AREA)
- Ecology (AREA)
- Biomedical Technology (AREA)
- Atmospheric Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Fluid Mechanics (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于深度学习的大气湍流监测方法，包括训练阶段和监测阶段两部分：训练阶段设计数据格式，开放数据接口，为不同的数据源提供接入方案；利用气象模式资料进行降尺度数值模拟计算，输出目标区高分辨率气象要素场。同时，结合多个经验指数计算湍流强度。建立基于深度学习的湍流强度模型训练器，模型训练器输入样本为卫星云图、对应时空的高分辨率气象要素场以及湍流强度场，模型训练器输出为模型参数。监测阶段根据训练阶段中模型训练器得到的模型参数，建立基于深度学习的湍流强度推理器。推理器可以根据卫星云图与高分辨率气象要素场实时评估大气湍流强度，达到大气湍流监测的目的。
Description
技术领域
本发明涉及一种监测大气湍流的技术方案，尤其涉及一种利用深度学习来监测大气湍流生成的方法，属于大气科学和计算机科学技术领域。
背景技术
大气湍流是一种复杂的尺度多变的大气运动形式。大气湍流的发生伴随着气压、速度、温度等物理量的随机涨落，能够显著增强大气内的动量、热量、物质的传递与交换，使其成为大气运动中极为重要的一个环节。当大气湍流涡旋尺度与飞行器尺度相当时，湍流能使飞行器产生瞬间或长时间的颠簸，严重时甚至失去控制，威胁其飞行安全。同时，大气湍流能够显著改变局地大气温度与密度的分布，对声波、光波、无线电波等通讯信号在大气中的传播造成严重干扰，使信号发生闪烁或漂移等。此外在特定情况下，大振幅地形上方的湍流会在山脉背风坡激发出下坡风暴，对下游地区的居民生活及工农业生产造成严重的影响。因此，研究与预报大气湍流的发生具有非常重要的意义。
现有观测技术
迅速发展的航空业使得人们对大气湍流的发生越来越重视，同时由于飞机观测是业务化大气湍流观测的主要手段，客观上大气湍流的观测样本也在逐年增加。飞机观测主要包括两类，一是飞行员报告观测(Pilot Reports,PIREPs)，它是指飞机在飞行过程中遭遇明显颠簸时，飞行员会立刻将主观感受到的颠簸强度，时空位置等信息进行报告并记录。二是全自动飞机观测(Aircraft Meteorological Data Relay,AMDAR)，它是指商用民航飞机在飞行过程中，通过其搭载的全自动气象观测仪器定期采集反演飞机所在位置的气象要素。目前，部分飞机(国内只有极少部分)已经装配有飞机颠簸的自动采样仪器，主要观测垂直阵风峰值(Peak Vertical Gust,PEAKVG)和湍流耗散率(Eddy Dissipation Rate,EDR)这两个特征量以反应湍流强度。飞机观测的最大缺点在于空间分布局限在飞行航路上，并且颠簸强度取决于飞机自身性能或飞行员主观感受，数据代表性偏弱；同时，国内飞机观测数样本太少，无法支持开展实时监测、统计研究等相关工作。此外，一些光学观测仪器，如激光雷达、闪烁计数器等也被运用于湍流的观测，但是由于这些观测仪器成本高、观测范围有限，所以通常只被运用于科学实验中。
现有预报技术
从1883年Reynolds最早注意到湍流运动起，针对该现象的研究一直都未曾停止。其中，Richardson，Kolmogorov提出了著名的湍流串级理论，即湍流可以由相差很大的、各种不同尺度的涡旋组成。最大的涡旋由平均流场或平均温度场的不稳定性及边界条件产生，而大涡旋通过惯性又将能量输送或破裂成较小的涡旋，最后在最小的涡旋尺度上被黏性耗散。对于大气而言，大的涡旋可达数千公里，小的涡旋仅几毫米，这种尺度的多变性是大气湍流研究最为复杂的地方。从预报角度看，尺度在1km以下的大气湍流的预报最为困难但也最为关键。这个尺度的湍流与飞行器尺度相当，会对其造成严重的影响。目前，业务化的数值天气预报模式还达不到直接解析小尺度湍流的能力，而其他方法如直接模拟(Direct Numerical Simulation,DNS)，大涡模拟(Large Eddy Simulation,LES)，雷诺平均(Reynolds Average Navier-Stokes，RANS)等对硬件要求极高，耗费机时较大，只适用于小规模的科学研究中，无法满足常规预报对时效性的需求。所以当前国际上较为常用的方法是“大气湍流潜势诊断法”，即对数值天气预报模式的模拟结果进行潜势诊断，找到适合于大气湍流生成的大尺度环境特征，从而预报大气湍流的发生。该方法的不足之处在于预报效果完全取决于数值天气预报的准确性，当数值天气预报模式结果出现系统性偏差时，潜势诊断的结果也会随之出现偏差。同时，在预报系统建立过程中，通常会对各类诊断条件设置不同的权重。这些权重的设置需要使用大量的观测资料进行系统性测试，但目前国内相关观测资料十分匮乏，也鲜有文献支撑相关工作的开展。
国内还没有专门针对大气湍流的业务化监测方法，所以大气湍流的监测依然是一个极具挑战也急需解决的问题。
发明内容
发明目的：现有观测技术无法实现对大气湍流进行大范围的实时监测，同时由于缺乏观测资料的支持，利用大气湍流潜势诊断法进行大气湍流监测，其可靠性与准确性均较差，且耗费机时，无法达到实时监测的目的。本发明针对现有技术的不足，提出一种结合卫星云图、深度学习与数值天气预报模式的大气湍流监测方法，该方法具有范围广，分辨率高，准确率高，速度快等优势。
技术方案：一种基于深度学习的大气湍流监测方法，包括训练阶段和监测阶段两部分：
训练阶段
(1)数据缓存模块的实现：设计数据格式，开放数据接口，为不同的数据源(卫星云图、气象模式资料、飞机观测等)提供接入方案；
(2)数值模拟模块的实现：利用气象模式资料进行降尺度数值模拟计算，输出目标区高分辨率气象要素场数值模拟结果。同时，结合多个经验指数计算湍流强度。
(3)模型训练模块的实现：建立基于深度学习的湍流强度模型训练器，训练器输入样本为卫星云图、目标区高分辨率气象要素场以及湍流强度场，模型的输出为模型参数。
监测阶段
(1)数据缓存模块的实现：此模块与训练阶段中的数据缓存模块一致。
(2)数值预报模块的实现：此模块与训练阶段中的数值模拟模块基本一致，但气象模式资料采用预报场资料，并且不再进行湍流强度的计算。
(3)模型推理模块的实现：根据训练阶段中模型训练模块得到的模型参数，建立基于深度学习的湍流强度推理器。推理器可以根据卫星云图与高分辨率气象要素场实时计算大气湍流强度，达到大气湍流监测的目的。
有益效果：与现有技术相比，本发明提供一种以实时卫星云图数据、高分辨率数值天气预报模式结果为主要输入、深度神经网络为主要模型的大气湍流监测方法。本发明相较传统大气领域的湍流监测方法有着准确率高、时效性强、适用性强、模型可在线更新等优点。此发明对于空域中大气湍流的监测，可应用于民用航空保障，通信保障，军事国防等诸多领域。具体有如下几方面优势：
(1)解决业务化大气湍流监测的难点问题。
一直以来，国内都没有成熟的业务化大气湍流监测系统，这主要受限于观测资料的缺乏和相关研究的缺失。本发明的提出将大气科学的传统问题与计算机领域的机器学习技术相结合，从另一个视角与途径打破资料缺乏这一桎梏，为大气湍流的实时监测提供一种切实可行的技术途径。
(2)监测范围广，分辨率高。
传统的观测方法如飞机航线上的飞行员报告观测或全自动飞机观测，只能覆盖飞行航线，且时间分辨率非常不稳定。新型的观测方法如激光雷达等覆盖范围十分有限且费用高昂。而卫星云图作为全球眼，其覆盖范围广，时空分辨率高，能够全天不间断的对大气环境进行监测。
(3)监测准确率高。
国外常见的湍流潜势诊断法依赖于数值天气预报模式的准确率，常出现系统性偏差。本方法融合了数值天气预报模式和卫星云图观测，监测准确率更高。
(4)监测时效性强。
通过训练好的模型进行大气湍流识别，速度极快，可在接收到卫星资料的数秒内，通过GPU运算得到结果，这对于该要素的监测来说极为关键。
(5)可移植性强。
本发明可架构在多种开源深度学习框架(Caffe/TensorFlow/PyTorch)之上，通过CPU即可进行计算，亦可使用GPU进行计算。
附图说明
图1为本发明方法的方案流程图；
图2卫星云图与湍流强度分布图，尖头符号对应AMDAR观测到强湍流的位置，其中(a)为卫星云图，(b)为湍流强度分布图。
图3为大气湍流监测深度神经网络模型图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，一种基于深度学习的大气湍流监测系统，能够利用卫星云图与数值天气预报结果，实时诊断大气湍流发生位置与强度，达到监测大气湍流的目的。具体包括训练阶段和监测阶段两部分；
训练阶段
1、数据缓存
收集整理时间覆盖2017年1月-2018年12月的多种观测资料，并对部分资料进行预处理。具体包括：1)间隔6小时，1°*1°分辨率的美国国家环境预报中心FNL(FinalOperational Global Analysis)资料，存入数据库，待数值模拟时作为输入使用。2)间隔1小时的日本静止气象卫星向日葵资料(Himawari-8)，该资料包含了可见光通道、水汽通道、红外通道等。红外通道使用IR1，IR2及IR4，波长分别为10.4μm，12.4μm以及3.9μm；水汽通道使用IR3，波长为6.2μm；因考虑到在夜间可见光通道无法使用，本项目没有使用可见光通道。在卫星云图资料预处理时，对该资料进行等经纬度投影处理，覆盖范围为70°E～160°E,-20°N～70°N，像素大小为1800*1800。3)中国AMDAR观测及PIREPs观测，其中AMDAR观测通过EDR值来反映大气湍流强度，待数值模拟时对湍流诊断结果进行检验。
2、数值模拟
利用中尺度数值天气预报模式WRF(Weather Research and Forecasting Model)建立区域数值天气预报模式，对中国中东部及西太平洋区域(110°E～150°E,10°N～50°N)开展高分辨率数值模拟，时间覆盖2017-2018年。模式初始场及边界条件使用FNL资料，采用三重网格嵌套进行降尺度数值模拟计算(网格分辨率为15km-5km-1km)。参数化方案包括：RRTM长波辐射传输方案，Dudhia短波辐射方案，MYJ边界层参数化方案，Kain-Fritsch积云参数化方案，Noah陆面过程参数化方案等。模式采用每6小时间隔的循环启动，每次模拟12小时，并取第6～12小时作为输出时间段(0～5小时由于模式需要平衡调整，结果不予采用)，输出逐小时、水平分辨率1km、垂直分层50层的高分辨率数值模拟结果。
随后，将逐小时数值模拟结果插值至若干“基准高度层”及其“邻近高度层上(基准高度±100m)”，基准高度层为深度学习模型最终需要诊断大气湍流的层次。本项目以海平面高度500m～12000m为区间，每间隔500米设值基准高度层。将每一个基准高度层和其邻近高度层的模式网格点上的气象基本要素场(温度、气压、湿度、纬向风、经向风)提取出来，插值至卫星云图像素点对应的经纬度上，构成一组气象要素场，作为深度学习模型的“输入”使用。同时，在基准高度层的每个网格点上计算12个(不限于)湍流潜势诊断指数，拟选取指数如表1所示。由于每个指数都能表征大气湍流的发生潜势但其量级大小相去甚远，所以根据统计经验，将每个指数划分至六个等级(无-1、极轻-2、轻-3、中-4、强-5、极强-6)，并取最强的等级为该网格点的湍流强度值。而后，将湍流强度值插值至卫星云图像素点对应的经纬度上，即每一基准高度层都可得到一个对应于卫星云图的二维湍流强度矩阵(为后续研究开展需要，每一个指数的等级值同样也进行插值和记录)。为了保证诊断结果有效，以PIREPs观测与AMDAR观测作为真实观测资料对诊断结果进行检验。由于这两种观测资料只分布在飞机飞行航路上，且目前观测样本数相对较小，观测主观性较强，因此在检验时只计算诊断结果的漏报率。具体方式为针对每一时次的诊断结果，取时间窗区半小时内的所有飞机观测，将诊断结果线性插值至飞机观测出现湍流的位置，两者比较进行检验。当总体漏报率(针对两年逐小时诊断结果)小于20％时，诊断方法有效。若诊断结果未能通过验证，则需要对漏报率高的时次进行分析，研判是否模拟结果出现系统性偏差，亦或诊断指数需要调整，直至通过验证。在下一部分的研究内容中，该湍流强度矩阵将作为深度学习模型的“标签”使用。图2给出个例中的卫星云图与通过诊断得到湍流强度分布图，诊断结果与云图对应关系良好，飞机强颠簸实测也印证了诊断结果，这也说明诊断指数的设置较为合理。
表1湍流潜势诊断指数
3、模型训练
拟采用Google TensorFlow深度学习框架，搭建卷积神经网络模型，如图3所示。该模型将针对每个基准高度层的“输入”和“标签”分别进行训练。模型的输入为向日葵资料(Himawari-8)的水汽通道(IR3)和红外通道(IR1，IR2，IR4)，以及从训练阶段的数值模拟中获取的对应于云图时空分布的高分辨率气象要素场。气象要素场包含基准高度层及两个邻近高度层的气象要素，同时将多层信息输入模型用以反映气象要素的梯度信息。模型的标签是从训练阶段的数值模拟中获取的对应于云图时空分布的湍流强度矩阵。因此，该模型在深度学习领域将成为处理像素级别图像识别的问题。具体而言，该模型的训练过程将分为两个阶段：编码阶段和解码阶段。编码阶段通过多个卷积层和下采样层(Maxpooling)的结合，逐层抽象输入图像的局部特征。随着层数的深入，模型最终获得的特征为“全局特征”。解码阶段则以编码阶段输出的“全局特征”为输入，通过多个卷积层和上采样层(Transposed convolution)结合，将“全局特征”根据模型任务目标逐步还原成输入图像的尺寸。同时，模型通过反向传播算法(Backpropagation Algorithm)循环迭代，使输出的结果与给定的湍流强度之间的误差水平满足设定的期望，从而完成深度学习训练。由于模型设计的初衷之一是想通过真实观测来弥补模拟结果可能出现的偏差，所以在模型训练的过程中可能需要加强卫星云图的权重。具体实现路径是将模型拆分成两个独立的子模型，以三层的要素场和卫星云图分别作为两个子模型的“输入”加以区分，但输出的目标同样为湍流强度。在得到子模型的输出后，通过集成学习(Ensemble learning)的方法将两份输出合成最终的输出，其中可通过调整参数来加强卫星云图的权重。此外，在模型具体建立的过程中，可以预见因湍流强度低值区所占比例较大，会出现“标签”数量不平衡问题，可能需要通过设置“惩罚项”的方法进行优化。优化过程中还可使用invariant loss作为损失函数，使输入卫星云图每个像素点的湍流强度诊断结果同时使用该像素点周围其他像素点的云图/要素场信息，以解决高值区边界梯度大的问题。
监测阶段：
1、数据缓存：此模块与训练阶段中的数据缓存模块一致(飞机观测可以不进行缓存)。
2、数值预报：此模块与训练阶段中的数值模拟模块基本一致，但气象模式资料采用预报资料，并且不再进行湍流强度的计算。若考虑实时诊断时效性，应选取气象预报场数据进行高分辨率解析。
3、模型推理：利用图3的网络，结合模型训练模块得到参数整合为模型推理器。当模型推理器接收到来自数据缓存所保存的一张指定的卫星云图和数值预报提供的高分辨率气象要素场后，经过深度神经网络的前向计算，得到目标区的湍流监测图。该输出的每个像素点上的值即为云图对应位置的湍流强度值。
综上所述，本发明提供了一种利用深度学习融合卫星观测与数值天气预报模式的大气湍流监测方法，此项技术可以应用于民用航空保障、通信保障、军事国防等诸多领域。例如，可在民用航空领域的空中交通管制系统中接入该方法，通过互联网或局域网，将实时诊断得到的大气湍流位置与强度信息反馈至空管人员处，为航班飞行及时提供所需的颠簸预警信息，保障飞行安全。由于该方法在建立好模型后只需要普通高性能服务器即可运行，或通过互联网访问服务器终端即可获取诊断结果，所以具有体积小、价格低廉、易于布置、易于维护等特点；而互联网具有地理位置覆盖广泛，使用方便，界面友好、费用低廉等特点，因此，本技术具有很高的推广价值。
本发明提供了一种卫星云图和深度学习结合的的大气湍流监测方法的思路，具体实现该技术方案的方法和途径很多，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。本实施例中未明确的各组成部份均可用现有技术加以实现。
Claims (10)
1. 一种基于深度学习的大气湍流监测方法，其特征在于，包括训练阶段和监测阶段两部分：
训练阶段
（1）数据缓存模块的实现：设计数据格式，开放数据接口，为不同的数据源提供接入方案；
（2）数值模拟模块的实现：利用气象模式资料进行降尺度数值模拟计算，输出目标区高分辨率气象要素场；同时，结合多个经验指数计算湍流强度；
（3）模型训练模块的实现：建立基于深度学习的湍流强度模型训练器，训练器输入样本为卫星云图、对应时空的高分辨率气象要素场以及湍流强度场，输出为模型参数；
监测阶段
（1）数据缓存模块的实现：此模块与训练阶段中的数据缓存模块一致；
（2）数值预报模块的实现：此模块与训练阶段中的数值模拟模块基本一致，但气象模式资料采用预报场资料，并且不再进行湍流强度的计算；
（3）模型推理模块的实现：根据训练阶段中模型训练模块得到的模型参数，建立基于深度学习的湍流强度推理器；推理器可以根据卫星云图与高分辨率气象要素场实时计算大气湍流强度，达到大气湍流监测的目的。
2. 如权利要求1所述的基于深度学习的大气湍流监测方法，其特征在于，训练阶段的数值模拟模块实现中：利用中尺度数值天气预报模式WRF建立区域数值天气预报模式，对区域开展高分辨率数值模拟；模式初始场及边界条件使用气象模式资料，采用三重网格嵌套进行降尺度数值模拟计算；参数化方案包括：RRTM长波辐射传输方案，Dudhia短波辐射方案，MYJ 边界层参数化方案，Kain-Fritsch积云参数化方案，Noah陆面过程参数化方案；模式采用每6小时间隔的循环启动，每次模拟12小时，并取第6 ~ 12小时作为输出时间段，输出逐小时、水平分辨率1 km、垂直分层50层的高分辨率数值模拟结果。
3. 如权利要求2所述的基于深度学习的大气湍流监测方法，其特征在于，将逐小时数值模拟结果插值至若干“基准高度层”及其“邻近高度层”上，基准高度层为深度学习模型最终需要计算大气湍流的层次，邻近高度层指基准高度±100 m；将每一个基准高度层和其邻近高度层的模式网格点上的气象基本要素场提取出来，插值至卫星云图像素点对应的经纬度上，构成一组高分辨率气象要素场，作为深度学习模型的“输入”使用；同时，在基准高度层的每个网格点上计算多个湍流潜势诊断指数，由于每个指数都能表征大气湍流的发生潜势但其量级大小相去甚远，将每个指数划分至六个等级，无-1、极轻-2、轻-3、中-4、强-5、极强-6，并取最强的等级为该网格点的湍流强度值；将湍流强度值插值至卫星云图像素点对应的经纬度上，即每一基准高度层都可得到一个对应于卫星云图的二维湍流强度矩阵。
4. 如权利要求1所述的基于深度学习的大气湍流监测方法，其特征在于，训练阶段的模型训练模块实现中：采用Google TensorFlow深度学习框架，搭建卷积神经网络模型，该模型将针对每个基准高度层的“输入”和“标签”分别进行训练。
5.如权利要求4所述的基于深度学习的大气湍流监测方法，其特征在于，模型的输入为向日葵资料的水汽通道（IR3）和红外通道（IR1，IR2，IR4），以及从数值模拟模块中获取的对应于云图时空分布的高分辨率气象要素场；气象要素场包含基准高度层及两个邻近高度层的气象要素，同时将多层信息输入模型用以反映气象要素的梯度信息；模型的标签是从数值模拟模块中获取的对应于云图时空分布的湍流强度矩阵。
6.如权利要求5所述的基于深度学习的大气湍流监测方法，其特征在于，模型的训练过程将分为两个阶段：编码阶段和解码阶段；编码阶段通过多个卷积层和下采样层的结合，逐层抽象输入图像的局部特征；随着层数的深入，模型最终获得的特征为“全局特征”；解码阶段则以编码阶段输出的“全局特征”为输入，通过多个卷积层和上采样层结合，将“全局特征”根据模型任务目标逐步还原成输入图像的尺寸。
7.如权利要求6所述的基于深度学习的大气湍流监测方法，其特征在于，同时，模型通过反向传播算法循环迭代，使输出的结果与给定的湍流强度之间的误差水平满足设定的期望，从而完成深度学习训练。
8.如权利要求7所述的基于深度学习的大气湍流监测方法，其特征在于，在模型训练的过程中需要加强卫星云图的权重，具体实现路径是将模型拆分成两个独立的子模型，以三层的要素场和卫星云图分别作为两个子模型的“输入”加以区分，但输出的目标同样为湍流强度；在得到子模型的输出后，通过集成学习的方法将两份输出合成最终的输出，其中可通过调整参数来加强卫星云图的权重。
9.如权利要求7所述的基于深度学习的大气湍流监测方法，其特征在于，在模型具体建立的过程中，可以预见因湍流强度低值区所占比例较大，会出现“标签”数量不平衡问题，需要通过设置“惩罚项”的方法进行优化；优化过程中通过损失函数，使每个像素点的诊断结果同时使用周围像素点的信息，以解决高值区边界梯度大的问题。
10.如权利要求2所述的基于深度学习的大气湍流监测方法，其特征在于，所述气象模式资料为气象再分析资料。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910397269.0A CN110083977B (zh) | 2019-05-14 | 2019-05-14 | 一种基于深度学习的大气湍流监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910397269.0A CN110083977B (zh) | 2019-05-14 | 2019-05-14 | 一种基于深度学习的大气湍流监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110083977A true CN110083977A (zh) | 2019-08-02 |
| CN110083977B CN110083977B (zh) | 2023-06-06 |
Family
ID=67420046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910397269.0A Active CN110083977B (zh) | 2019-05-14 | 2019-05-14 | 一种基于深度学习的大气湍流监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110083977B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
| CN111123409A (zh) * | 2019-12-20 | 2020-05-08 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于中尺度数值模式wrf的大气湍流结构常数预报方法 |
| CN111625987A (zh) * | 2020-01-09 | 2020-09-04 | 北京航空航天大学 | 一种基于深度学习的湍流模型生成方法 |
| CN112380781A (zh) * | 2020-11-30 | 2021-02-19 | 中国人民解放军国防科技大学 | 基于再分析资料和不平衡学习的卫星观测补全方法 |
| CN112834157A (zh) * | 2020-12-25 | 2021-05-25 | 象辑知源（武汉）科技有限公司 | 一种飞机颠簸风险评估检测方法 |
| CN112948352A (zh) * | 2021-02-04 | 2021-06-11 | 中国科学院合肥物质科学研究院 | 一种构建大气光学湍流时空特征及概率化数据库的方法 |
| CN113239614A (zh) * | 2021-04-22 | 2021-08-10 | 西北工业大学 | 一种大气湍流相位时空预估算法 |
| WO2021164250A1 (zh) * | 2020-02-21 | 2021-08-26 | 苏州浪潮智能科技有限公司 | 一种湍流场更新方法、装置及其相关设备 |
| FR3112006A1 (fr) * | 2020-06-29 | 2021-12-31 | Unistellar | Procédé et installation pour estimer un paramètre caractéristique de la turbulence atmosphérique |
| WO2022029847A1 (ja) * | 2020-08-03 | 2022-02-10 | Ａｎａホールディングス株式会社 | 乱気流予測システムおよび乱気流予測方法 |
| CN115826089A (zh) * | 2023-02-15 | 2023-03-21 | 中国海洋大学 | 一种基于涡旋追踪数据的东西向涡旋边界提取方法 |
| US11650351B2 (en) * | 2020-02-12 | 2023-05-16 | Nec Corporation | Semi-supervised deep model for turbulence forecasting |
| CN117746171A (zh) * | 2024-02-20 | 2024-03-22 | 成都信息工程大学 | 一种基于对偶学习和辅助信息的无监督气象降尺度方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273593A (zh) * | 2017-06-01 | 2017-10-20 | 北京航空航天大学 | 一种用于高马赫数强激波流场气动热预测的湍流模型及其建立方法 |
| CN108710114A (zh) * | 2018-04-18 | 2018-10-26 | 上海交通大学 | 基于bp神经网络多类分类的湍流目标探测方法 |
| CN109635419A (zh) * | 2018-12-10 | 2019-04-16 | 长春理工大学 | 基于机器学习的激光大气湍流传输特性分析方法 |
-
2019
- 2019-05-14 CN CN201910397269.0A patent/CN110083977B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273593A (zh) * | 2017-06-01 | 2017-10-20 | 北京航空航天大学 | 一种用于高马赫数强激波流场气动热预测的湍流模型及其建立方法 |
| CN108710114A (zh) * | 2018-04-18 | 2018-10-26 | 上海交通大学 | 基于bp神经网络多类分类的湍流目标探测方法 |
| CN109635419A (zh) * | 2018-12-10 | 2019-04-16 | 长春理工大学 | 基于机器学习的激光大气湍流传输特性分析方法 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
| CN110874630B (zh) * | 2019-10-23 | 2022-12-13 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
| CN111123409A (zh) * | 2019-12-20 | 2020-05-08 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于中尺度数值模式wrf的大气湍流结构常数预报方法 |
| CN111625987A (zh) * | 2020-01-09 | 2020-09-04 | 北京航空航天大学 | 一种基于深度学习的湍流模型生成方法 |
| CN111625987B (zh) * | 2020-01-09 | 2022-07-29 | 北京航空航天大学 | 一种基于深度学习的湍流模型生成方法 |
| US11650351B2 (en) * | 2020-02-12 | 2023-05-16 | Nec Corporation | Semi-supervised deep model for turbulence forecasting |
| US11741373B2 (en) | 2020-02-21 | 2023-08-29 | Inspur Suzhou Intelligent Technology Co., Ltd. | Turbulence field update method and apparatus, and related device thereof |
| WO2021164250A1 (zh) * | 2020-02-21 | 2021-08-26 | 苏州浪潮智能科技有限公司 | 一种湍流场更新方法、装置及其相关设备 |
| WO2022002917A1 (fr) | 2020-06-29 | 2022-01-06 | Unistellar | Procédé et installation pour estimer un paramètre caractéristique de la turbulence atmosphérique |
| FR3112006A1 (fr) * | 2020-06-29 | 2021-12-31 | Unistellar | Procédé et installation pour estimer un paramètre caractéristique de la turbulence atmosphérique |
| WO2022029847A1 (ja) * | 2020-08-03 | 2022-02-10 | Ａｎａホールディングス株式会社 | 乱気流予測システムおよび乱気流予測方法 |
| JP7023434B1 (ja) * | 2020-08-03 | 2022-02-21 | Ａｎａホールディングス株式会社 | 乱気流予測システムおよび乱気流予測方法 |
| EP4191289A4 (en) * | 2020-08-03 | 2024-04-24 | Ana Holdings Inc. | TURBULENCE PREDICTION SYSTEM AND TURBULENCE PREDICTION METHOD |
| CN112380781B (zh) * | 2020-11-30 | 2022-10-18 | 中国人民解放军国防科技大学 | 基于再分析资料和不平衡学习的卫星观测补全方法 |
| CN112380781A (zh) * | 2020-11-30 | 2021-02-19 | 中国人民解放军国防科技大学 | 基于再分析资料和不平衡学习的卫星观测补全方法 |
| CN112834157B (zh) * | 2020-12-25 | 2022-12-23 | 象辑科技股份有限公司 | 一种飞机颠簸风险评估检测方法 |
| CN112834157A (zh) * | 2020-12-25 | 2021-05-25 | 象辑知源（武汉）科技有限公司 | 一种飞机颠簸风险评估检测方法 |
| CN112948352A (zh) * | 2021-02-04 | 2021-06-11 | 中国科学院合肥物质科学研究院 | 一种构建大气光学湍流时空特征及概率化数据库的方法 |
| CN113239614A (zh) * | 2021-04-22 | 2021-08-10 | 西北工业大学 | 一种大气湍流相位时空预估算法 |
| CN115826089A (zh) * | 2023-02-15 | 2023-03-21 | 中国海洋大学 | 一种基于涡旋追踪数据的东西向涡旋边界提取方法 |
| CN115826089B (zh) * | 2023-02-15 | 2023-05-12 | 中国海洋大学 | 一种基于涡旋追踪数据的东西向涡旋边界提取方法 |
| CN117746171A (zh) * | 2024-02-20 | 2024-03-22 | 成都信息工程大学 | 一种基于对偶学习和辅助信息的无监督气象降尺度方法 |
| CN117746171B (zh) * | 2024-02-20 | 2024-04-23 | 成都信息工程大学 | 一种基于对偶学习和辅助信息的无监督气象降尺度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110083977B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110083977A (zh) | 一种基于深度学习的大气湍流监测方法 | |
| Zhou et al. | Forecast of low visibility and fog from NCEP: Current status and efforts | |
| CN109447315A (zh) | 一种基于多时空尺度的电力气象数值天气预报方法和装置 | |
| CN110471131B (zh) | 高空间分辨率的精细化大气水平能见度自动预报方法及系统 | |
| CN110058329A (zh) | 一种气象要素智能网格预报产品空间降尺度方法 | |
| Muñoz-Esparza et al. | Aviation turbulence forecasting at upper levels with machine learning techniques based on regression trees | |
| Wolfson et al. | Consolidated storm prediction for aviation (CoSPA) | |
| CN114511061A (zh) | 基于深度神经网络的岸滨地区海雾能见度预报方法 | |
| Charlton-Perez et al. | Do AI models produce better weather forecasts than physics-based models? A quantitative evaluation case study of Storm Ciarán | |
| Qi et al. | Assimilation of ground-based microwave radiometer on heavy rainfall forecast in beijing | |
| Zhu et al. | En route flight time prediction under convective weather events | |
| Bouchard et al. | Comparison of different forecasting tools for short-range lightning strike risk assessment | |
| Zhou et al. | A station-data-based model residual machine learning method for fine-grained meteorological grid prediction | |
| Saha et al. | Forecast analysis of visibility for airport operations with deep learning techniques | |
| Mcgovern et al. | Understanding severe weather processes through spatiotemporal relational random forests | |
| Aberson et al. | Targeting and data assimilation studies during Hurricane Humberto (2001) | |
| Hu et al. | Spatiotemporal characteristics of clear-air turbulence (CAT) potential in China during 1979–2020 | |
| Pint02 et al. | Advances in the consolidated storm prediction for aviation (CoSPA) | |
| Li et al. | Two leading modes of the interannual variability in South American surface air temperature during austral winter | |
| Roseman et al. | Targeted weather forecasts for small unmanned aircraft systems | |
| CN110070199A (zh) | 一种电网台风灾害预警方法和系统 | |
| Woo et al. | Development of Satellite Reflectivity Retrieval Technique for Tropical Cyclone Rainfall Nowcasting | |
| Zhang et al. | Growing Importance of Micro-Meteorology in the New Power System: Review, Analysis and Case Study | |
| Walstad et al. | Data assimilation for coastal observing systems | |
| Luo et al. | Pseudo grey metabolic Markov model and its application in urban rainfall prediction |
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 |