CN110824478B - 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 - Google Patents
基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 Download PDFInfo
- Publication number
- CN110824478B CN110824478B CN201911012198.4A CN201911012198A CN110824478B CN 110824478 B CN110824478 B CN 110824478B CN 201911012198 A CN201911012198 A CN 201911012198A CN 110824478 B CN110824478 B CN 110824478B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- radar
- radar echo
- height
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种基于多样化3D雷达回波特征的降水云类型自动分类方法及装置,通过对组网雷达数据进行分析,获取多个雷达回波特征,从多个回波特征中随机的选择两种回波特征,使用神经网络模型获得代价函数的最优解,并绘制学习曲线图;基于绘制学习曲线图分别计算高方差与高偏差,当满足所述高方差条件时,增加神经网络的训练样本数量,将增加的神经网络的训练样本输入所述的神经网络模型中,并再次绘制学习曲线图;当满足所述高偏差条件时,增加回波特征数量;将增加的回波特征输入所述的神经网络模型中,并再次绘制学习曲线图;当不满足高方差条件也不满足高偏差条件时,获得优化模型;获取优化后的特征量与优化后的特征数量进行训练;输入待分类数据到已训练完成的模型中,进行分类并获取分类结果,实现识别准确度高并且识别速度快的云体自动分类。
Description
技术领域
本发明属于雷达回波处理技术,具体涉及基于多样化3D雷达回波特征的降水云类型自动分类。
背景技术
近年来,利用短波长雷达组成雷达组网已经成为了克服雷达固有缺点的主流方式,例如在雷达探测过程中存在的波束遮挡、低空覆盖率低、能量衰减等问题,都可以通地雷达组网的方式得到很大程度上缓解;在雷达组网扫描过程中,针对对流云与层状云将采取不同的扫描策略,所以提高云体分类的准确性与速度是当务之急。
现存的算法大体上可以分为两类,一类是基于特征阈值的算法,该算法对于阈值的选择是固定的,而这一设定并不适用于所有的天气情况,是一种大体上的阈值选择,所以会导致其识别准确度低下,算法原理简单识别速度快,但是准确度低;另一类是基于统计学特征的算法,例如模糊逻辑算法,这种算法利大量数据进行计算统计值,可以理解为获取数据规律然后根据数据反应出的规律以云体进行分类,因为利用了大量数据进行计算所以此算法的结果准确率较高,但是识别速度偏慢,不太适合应用于实时天气分析过程,该算法经过大量数据计算出统计特征,识别结果准确度较高,但是识别速度低,为了克服传统对流云识别算法中存在的识别准确度低以及识别速度低下的问题。本发明提出一种识别准确度高并且识别速度快的云体自动分类方法及执行该方法的装置。
发明内容
本发明的目的是针对现有技术识别速度慢,准确度低的缺点,将多样化的能反应云体结构的雷达回波产品作为神经网络的输入进行训练,最终获得一个能高精度、速度识别云体类型的自动方法。
本发明详细技术方案如下:
一种基于多样化3D雷达回波特征的降水云类型自动分类方法,包括以下步骤:
步骤1:通过对组网雷达数据进行分析,获取多个雷达回波特征,不同的雷达回波特征反应了云体的不同属性。
步骤2:基于所述的多个雷达回波特征,从多个回波特征中随机的选择两种回波特征。
步骤3:将数据输入神经网络模型中,其中神经网络模型使用三层结构模型,包括输入层、隐藏层和输出层,所述三层结构模型包括输入层神经元,隐藏层神经元,输出层神经元,并设置学习率与迭代次数,在神经网络模型计算中,经过前向传播,将当前结点的值与每层的参数作矩阵乘积运算,然后将得到的值利用sigmoid函数作为激活函数算下一层的结点值,所述sigmoid函数具体为最终得到最后一层结点的值,使用代价函数来测量预测值与参考值之差,其中代价函数为:通过梯度下降方法获得代价函数的最优解,将该最优解作为迭代结束条件,并绘制学习曲线图。
步骤4:基于所述绘制学习曲线图分别计算高方差与高偏差,当满足所述高方差条件时,增加神经网络的训练样本数量,将增加的神经网络的训练样本输入所述的神经网络模型中,并再次绘制学习曲线图;当满足所述高偏差条件时,增加回波特征数量;将增加的回波特征输入所述的神经网络模型中,并再次绘制学习曲线图;当不满足高方差条件也不满足高偏差条件时,获得优化模型。
步骤5:从所述步骤4的优化模型中获取优化后的特征量与优化后的特征数量进行训练。
步骤6:输入待分类数据到已训练完成的模型中,进行分类并获取分类结果。
进一步的,所述步骤1中的雷达回波特征包括如下6种雷达回波特征:雷达回波中大于40dBZ的持续高度特征F1、平均背景反射率特征F2、云体高度特征F3、3千米高度上反射率的水平梯度特征F4、大于35dBZ的云体单体的面积特征F5和垂直积分液态水特征F6,其中雷达回波中大于40dBZ的持续高度特征F1中,F1=H2-H1;H2为当前点空间中达到40dBZ雷达反射率最高高度,H1为最低高度;平均背景反射率特征F2中,F2=Sum_dbz/16;其中Sum_dbz为以当前点为中心,边长为4km的正方形内所有反射率总值;云体高度特征F3可从雷达产品数值中读取;3千米高度上反射率的水平梯度特征F4中,F4=(Rr-Rc)+(Rl-Rc)+(Rt-Rc)+(Rb-Rc)/4;其中Rr为以当前点为中心,右边10km处点的反射率,Rl、Rt、Rb分别为左、上、下10km处点的反射率,Rc为中心点的反射率;大于35dBZ的云体单体的面积特征F5中,F5=Num*0.04,其中Num为当前区域中大于35dBZ的格点数,一个格点面积为0.04km^2;垂直积分液态水特征F6中其中Zi为第i层高度上的雷达反射率因子,Δhi为第i层与第i+1层的高度差,N为体积扫描的仰角总数。
进一步的,所述步骤3中的神经网络模型包括:输入层6个神经单元,隐藏层8个神经单元,输出层2个神经单元,学习率设置为1,迭代次数为100。
本发明还包括一种基于多样化3D雷达回波特征的降水云类型自动分类装置,详细技术方案如下:
一种基于多样化3D雷达回波特征的降水云类型自动分类装置,包括雷达回波特征获取模块、雷达回波特征选择模块、数据处理模块、模型优化模块、分类模块及存储模块:
雷达回波特征获取模块:通过对存储模块中存储的组网雷达数据进行分析,获取多个雷达回波特征,不同的雷达回波特征反应了云体的不同属性;
雷达回波特征选择模块,基于所述的多个雷达回波特征,从多个回波特征中随机的选择两种回波特征;
数据处理模块,将数据输入神经网络模型中,其中神经网络模型使用三层结构模型,包括输入层、隐藏层和输出层,所述三层结构模型包括输入层神经元,隐藏层神经元,输出层神经元,并设置学习率与迭代次数,在神经网络模型计算中,经过前向传播,将当前结点的值与每层的参数作矩阵乘积运算,然后将得到的值利用sigmoid函数作为激活函数算下一层的结点值,所述sigmoid函数具体为最终得到最后一层结点的值,使用代价函数来测量预测值与参考值之差,其中代价函数为:通过梯度下降方法获得代价函数的最优解,将该最优解作为迭代结束条件,并绘制学习曲线图;
模型优化模块:基于所述绘制学习曲线图分别计算高方差与高偏差,当满足所述高方差条件时,增加神经网络的训练样本数量,将增加的神经网络的训练样本输入所述的神经网络模型中,并再次绘制学习曲线图;当满足所述高偏差条件时,增加回波特征数量;将增加的回波特征输入所述的神经网络模型中,并再次绘制学习曲线图;当不满足高方差条件也不满足高偏差条件时,获得优化模型;
分类模块:优化模型中获取优化后的特征量与优化后的特征数量进行训练;
存储模块:输入待分类数据到已训练完成的模型中,进行分类并获取分类结果。
进一步的,所述的一种基于多样化3D雷达回波特征的降水云类型自动分类装置,其特征在于所述雷达回波特征包括如下6种雷达回波特征:雷达回波中大于40dBZ的持续高度特征F1、平均背景反射率特征F2、云体高度特征F3、3千米高度上反射率的水平梯度特征F4、大于35dBZ的云体单体的面积特征F5和垂直积分液态水特征F6,其中雷达回波中大于40dBZ的持续高度特征F1中,F1=H2-H1;H2为当前点空间中达到40dBZ雷达反射率最高高度,H1为最低高度;平均背景反射率特征F2中,F2=Sum_dbz/16;其中Sum_dbz为以当前点为中心,边长为4km的正方形内所有反射率总值;云体高度特征F3可从雷达产品数值中读取;3千米高度上反射率的水平梯度特征F4中,F4=(Rr-Rc)+(Rl-Rc)+(Rt-Rc)+(Rb-Rc)/4;其中Rr为以当前点为中心,右边10km处点的反射率,Rl、Rt、Rb分别为左、上、下10km处点的反射率,Rc为中心点的反射率;大于35dBZ的云体单体的面积特征F5中,F5=Num*0.04,其中Num为当前区域中大于35dBZ的格点数,一个格点面积为0.04km^2;垂直积分液态水特征F6中其中Zi为第i层高度上的雷达反射率因子,Δhi为第i层与第i+1层的高度差,N为体积扫描的仰角总数。
进一步的,所述的一种基于多样化3D雷达回波特征的降水云类型自动分类装置,其特征在于所述神经网络模型包括:输入层有6个神经单元,隐藏层有8个神经单元,输出层有2个神经单元,学习率一般设置为1,迭代次数为100。
本发明与传统的识别强对流算法相比,引入了多样化的3D雷达回波产品,从水平与垂直的结构方面更加立体、丰富的表达了云体的特点;同时结合神经网络的强泛化性与高速性,使得分类结果在具有高准确性的同时也具备算法速度快的特点,这两点特征使得本发明能实时应用于天气分析过程。
附图说明
图1为本发明基于多样化3D雷达回波特征的降水云类型自动分类方法的流程图。
图2为学习曲线图。
图3六种特征对应的概率分布图。
图4中尺度对流系统情况不同分类算法分类结果。
图5层状云中镶嵌着对流云情况下不同分类算法分类结果。
具体实施方式
下面将结合本发明实施例及附图,对本申请进行清楚、完整地描述。
具体的该方法及实施该方法的装置利用多种特征作为神经网络输入来对3千米高的云体进行分类,在执行分类之前需要对模型进行优化,在第一阶段随机挑选两个特征作为输入,2万个训练样本,学习曲线图如2所示,根据曲线结果可以看出验证集与训练量上的误差的差距较大,还可以加大训练量样本来降低验证集误差,图2可以看出通过加大训练量样本确定将两者间的误差缩小了,但是误差值本身还较大,于是通过增加输入特征的方式来减小误差,图2可以看出误差更小并且更早的趋于稳定,说明增加的特征加速了算法的收敛速度与效果。图2为附加试验过程,该图对应的神经网络模型更大,但是效果提升并不明显,证明了再增加神经网络模型的深度或宽度性价比不高,图2所对应模型可作为算法的最终模型。
模型优化之后增加到使用六个雷达回波特征作为算法的输入,值得一提的是,这六种雷达回波不仅反应了云体的水平特征,也反应了云体的垂直特征,这六种特征分别是回波中大于40dBZ的持续高度(F1)、平均背景反射率(F2)、云体高度(F3)、3千米高度上反射率的水平梯度(F4)、大于35dBZ的云体单体的面积(F5)、VIL(F6),得到六种特征对应的概率分布图。
F1特征是天气过程在雷达回波反射率产品中大于40dBZ的区域的持续高度,从图3(a)中可以看出层状云的该区域的持续高度基本上0km-1km区间,而对流云的持续高度则普遍在2km以上;F2特征是1km^2范围内的所有反射率总和的平均值,表达了目标区域周围天气系统的剧烈程度,从图3(b)中可以看出层状云在1km^2范围内的反射率平均总和为400dBZ/km^2,本专利中的分辨率为1km^2内25个目标点,即每个目标点平均16dBZ,而对流云每个目标点平均为32dBZ;F3:F3特征被定义为云体的顶部所在的高度,从图3(c)中可以看出对流云的云体高度普遍大于层状云,这也符合客观规律;F4:F4特征为3km高度上云体在雷达反射率回波上的水平变化情况,根据对流云与层状云的物理发展规律可以得知对流云的水平反射率梯度比层状云大,图3(d)的结果与物理发展规律保持一致,这一特征也是对流云识别算法中的典型特征,F5:F5特征为云体中在雷达回波反射产品中大于35dBZ的范围的面积,图3(e)可以看出层状云的该范围面积在30-50km^2,而对流云该范围的面积可以高达300km^2;F6:F6特征为单位云体在垂直方向上所具有的液态水的含量,它可以表征云体中水含量的丰富程度。它是强对流天气的典型指示特征,图3(f)中可以看出层状云的VIL值大概在2kg/m^2,而对流云的VIL值是前者的两倍还多达到了5kg/m^2。
利用本发明与另外几种典型算法:SHY95算法、BP算法、模糊逻辑算法在三个典型天气过程的对比结果作为测试结果:根据图4a、4b、4c中可以看出,在线段AB处A端开头处,有两个距离较近的独立的对流单体,从4g中AB的横切面中的黑色圆圈可以证明,通过四种算法与真值4b的对比可知,只有本发明的准确地将其识别为两个独立的对流单体,而其他三种算法都高估了对流区域;根据图5a、b、c可知,在图中的黑色圆圈区域内,存在两点反射率较强度区域,但是根据图5可以看出,这并不是两处强对流区域,除了本发明的准确的识别出来之外,另外三个算法都将其错误的识别为对流区域;可以看出在图中黑色圆圈所选中的区域存在一个小对流单体,其直径大约6km,更加进一步的证明了该属性的正确性,而通过四种算法的分类对比可以看出另外三种算法都高估了对流云的区域,将边界处的层状云也误判为对流云区域,而只有本发明准确的识别出了目标区域。
综上所述,本发明与传统的识别强对流算法相比,引入了多样化的3D雷达回波产品,从水平与垂直的结构方面更加立体、丰富的表达了云体的特点;同时结合神经网络的强泛化性与高速性,使得分类结果在具有高准确性的同时也具备算法速度快的特点。
仿真实验验证了本发明的正确性、有效性和可靠性。
本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的范围。
Claims (4)
1.一种基于多样化3D雷达回波特征的降水云类型自动分类方法,包括以下步骤:
步骤1:通过对组网雷达数据进行分析,获取多个雷达回波特征,不同的雷达回波特征反应了云体的不同属性;
步骤2:基于所述的多个雷达回波特征,所述雷达回波特征包括如下6种雷达回波特征:雷达回波中大于40dBZ的持续高度特征F1、平均背景反射率特征F2、云体高度特征F3、3千米高度上反射率的水平梯度特征F4、大于35dBZ的云体单体的面积特征F5和垂直积分液态水特征F6,其中雷达回波中大于40dBZ的持续高度特征F1中,F1=H2-H1;H2为当前点空间中达到40dBZ雷达反射率最高高度,H1为最低高度;平均背景反射率特征F2中,F2=Sum_dbz/16;其中Sum_dbz为以当前点为中心,边长为4km的正方形内所有反射率总值;云体高度特征F3可从雷达产品数值中读取;3千米高度上反射率的水平梯度特征F4中,F4=(Rr-Rc)+(Rl-Rc)+(Rt-Rc)+(Rb-Rc)/4;其中Rr为以当前点为中心,右边10km处点的反射率,Rl、Rt、Rb分别为左、上、下10km处点的反射率,Rc为中心点的反射率;大于35dBZ的云体单体的面积特征F5中,F5=Num*0.04,其中Num为当前区域中大于35dBZ的格点数,一个格点面积为0.04km^2;垂直积分液态水特征F6中,其中Zi为第i层高度上的雷达反射率因子,Δhi为第i层与第i+1层的高度差,N为体积扫描的仰角总数;从多个回波特征中随机的选择两种回波特征;
步骤3:将数据输入神经网络模型中,其中神经网络模型使用三层结构模型,包括输入层、隐藏层和输出层,所述三层结构模型包括输入层神经元,隐藏层神经元,输出层神经元,并设置学习率与迭代次数,在神经网络模型计算中,经过前向传播,将当前结点的值与每层的参数作矩阵乘积运算,然后将得到的值利用sigmoid函数作为激活函数算下一层的结点值,所述sigmoid函数具体为最终得到最后一层结点的值,使用代价函数来测量预测值与参考值之差,其中代价函数为:
步骤4:基于所述绘制学习曲线图分别计算高方差与高偏差,当满足所述高方差条件时,增加神经网络的训练样本数量,将增加的神经网络的训练样本输入所述的神经网络模型中,并再次绘制学习曲线图;当满足所述高偏差条件时,增加回波特征数量;将增加的回波特征输入所述的神经网络模型中,并再次绘制学习曲线图;当不满足高方差条件也不满足高偏差条件时,获得优化模型;
步骤5:从所述步骤4的优化模型中获取优化后的特征量与优化后的特征数量进行训练;
步骤6:输入待分类数据到已训练完成的模型中,进行分类并获取分类结果。
2.根据权利要求1所述的一种基于多样化3D雷达回波特征的降水云类型自动分类方法,其特征在于所述步骤2中的神经网络模型包括:输入层有6个神经单元,隐藏层有8个神经单元,输出层有2个神经单元,学习率设置为1,迭代次数为100。
3.一种基于多样化3D雷达回波特征的降水云类型自动分类装置,包括雷达回波特征获取模块、雷达回波特征选择模块、数据处理模块、模型优化模块、分类模块及存储模块:
雷达回波特征获取模块:通过对存储模块中存储的组网雷达数据进行分析,获取多个雷达回波特征,不同的雷达回波特征反应了云体的不同属性;
雷达回波特征选择模块,基于所述的多个雷达回波特征,所述雷达回波特征包括如下6种雷达回波特征:雷达回波中大于40dBZ的持续高度特征F1、平均背景反射率特征F2、云体高度特征F3、3千米高度上反射率的水平梯度特征F4、大于35dBZ的云体单体的面积特征F5和垂直积分液态水特征F6,其中雷达回波中大于40dBZ的持续高度特征F1中,F1=H2-H1;H2为当前点空间中达到40dBZ雷达反射率最高高度,H1为最低高度;平均背景反射率特征F2中,F2=Sum_dbz/16;其中Sum_dbz为以当前点为中心,边长为4km的正方形内所有反射率总值;云体高度特征F3可从雷达产品数值中读取;3千米高度上反射率的水平梯度特征F4中,F4=(Rr-Rc)+(Rl-Rc)+(Rt-Rc)+(Rb-Rc)/4;其中Rr为以当前点为中心,右边10km处点的反射率,Rl、Rt、Rb分别为左、上、下10km处点的反射率,Rc为中心点的反射率;大于35dBZ的云体单体的面积特征F5中,F5=Num*0.04,其中Num为当前区域中大于35dBZ的格点数,一个格点面积为0.04km^2;垂直积分液态水特征F6中其中Zi为第i层高度上的雷达反射率因子,Δhi为第i层与第i+1层的高度差,N为体积扫描的仰角总数;从多个回波特征中随机的选择两种回波特征;
数据处理模块,将数据输入神经网络模型中,其中神经网络模型使用三层结构模型,包括输入层、隐藏层和输出层,所述三层结构模型包括输入层神经元,隐藏层神经元,输出层神经元,并设置学习率与迭代次数,在神经网络模型计算中,经过前向传播,将当前结点的值与每层的参数作矩阵乘积运算,然后将得到的值利用sigmoid函数作为激活函数算下一层的结点值,所述sigmoid函数具体为最终得到最后一层结点的值,使用代价函数来测量预测值与参考值之差,其中代价函数为:
模型优化模块:基于所述绘制学习曲线图分别计算高方差与高偏差,当满足所述高方差条件时,增加神经网络的训练样本数量,将增加的神经网络的训练样本输入所述的神经网络模型中,并再次绘制学习曲线图;当满足所述高偏差条件时,增加回波特征数量;将增加的回波特征输入所述的神经网络模型中,并再次绘制学习曲线图;当不满足高方差条件也不满足高偏差条件时,获得优化模型;
分类模块:从优化模型中获取优化后的特征量与优化后的特征数量进行训练;
存储模块:输入待分类数据到已训练完成的模型中,进行分类并获取分类结果。
4.根据权利要求3所述的一种基于多样化3D雷达回波特征的降水云类型自动分类装置,其特征在于所述神经网络模型包括:输入层有6个神经单元,隐藏层有8个神经单元,输出层有2个神经单元,学习率设置为1,迭代次数为100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911012198.4A CN110824478B (zh) | 2019-10-23 | 2019-10-23 | 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911012198.4A CN110824478B (zh) | 2019-10-23 | 2019-10-23 | 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110824478A CN110824478A (zh) | 2020-02-21 |
CN110824478B true CN110824478B (zh) | 2022-04-01 |
Family
ID=69550267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911012198.4A Active CN110824478B (zh) | 2019-10-23 | 2019-10-23 | 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110824478B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112748433A (zh) * | 2020-12-28 | 2021-05-04 | 成都信息工程大学 | 一种天气雷达回波垂直结构超分辨率重建方法 |
CN112924974B (zh) * | 2021-01-21 | 2022-11-25 | 中国气象科学研究院 | 一种利用dbscan聚类算法识别云团的方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006093523A3 (en) * | 2004-07-15 | 2007-02-01 | Kenji Suzuki | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose ct |
CN109061646A (zh) * | 2018-06-26 | 2018-12-21 | 成都信息工程大学 | 一种基于降水云识别的多普勒天气雷达定量降水估计方法 |
CN110070105A (zh) * | 2019-03-25 | 2019-07-30 | 中国科学院自动化研究所 | 基于元学习实例快速筛选的脑电情绪识别方法、系统 |
CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8902100B1 (en) * | 2008-03-07 | 2014-12-02 | Rockwell Collins, Inc. | System and method for turbulence detection |
WO2007005328A2 (en) * | 2005-06-30 | 2007-01-11 | Massachusetts Institute Of Technology | Weather radar echo tops forecast generation |
CN102628944B (zh) * | 2012-03-16 | 2014-03-26 | 兰州大学 | 一种基于多普勒雷达资料的层云与对流云自动识别方法 |
US9268019B2 (en) * | 2013-06-05 | 2016-02-23 | Honeywell International Inc. | System and method of displaying convective weather on a weather radar display |
CN110346844A (zh) * | 2019-07-15 | 2019-10-18 | 南京恩瑞特实业有限公司 | Nriet基于云分类和机器学习的定量降水估测方法 |
-
2019
- 2019-10-23 CN CN201911012198.4A patent/CN110824478B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006093523A3 (en) * | 2004-07-15 | 2007-02-01 | Kenji Suzuki | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose ct |
CN109061646A (zh) * | 2018-06-26 | 2018-12-21 | 成都信息工程大学 | 一种基于降水云识别的多普勒天气雷达定量降水估计方法 |
CN110070105A (zh) * | 2019-03-25 | 2019-07-30 | 中国科学院自动化研究所 | 基于元学习实例快速筛选的脑电情绪识别方法、系统 |
CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
Non-Patent Citations (14)
Title |
---|
A convective/stratiform precipitation classification algorithm for volume scanning weather radar observations;Anagnostou E N;《Meteorological Applications》;20041231;第3-5章、图5-7 * |
A soft computing approach for rainfall retrieval from the TRMM Microwave Imager;Sarma D K等;《IEEE Transactions on Geoscience and Remote Sensing》;20050921;第43卷(第12期);第2879-2885页 * |
Anagnostou E N.A convective/stratiform precipitation classification algorithm for volume scanning weather radar observations.《Meteorological Applications》.2004, * |
Assessment of High-Resolution Satellite-Based Rainfall Estimates over the Mediterranean during Heavy Precipitation Events;Stampoulis, Dimitrios等;《JOURNAL OF HYDROMETEOROLOGY》;20131031;第14卷(第5期);第1500-1514页 * |
Classification of Precipitation Radar Reflectivity Echo with Back-Propagation ANN;Jing W 等;《2008 IEEE Pacific-Asia Workshop on Computational Intelligence and Industrial Application》;20090120;第630-633页 * |
IEEE Transactions on Geoscience and Remote Sensing;Wang, H.等;《IEEE Access》;20180828;第7卷;第12822-12831页 * |
Study of Hurricanes and Typhoons from TRMM Precipitation Radar Observations: Self Organizing Map (SOM) Neural Network;Direk K 等;《IEEE International Conference on Geoscience & Remote Sensing Symposium》;20070618;全文 * |
垂直探测雷达的降水云分类方法在北京地区的应用;黄钰,等;《高原气象》;20150628;第34卷(第3期);第815-824页 * |
基于神经网络技术的天气雷达超折射回波识别;杜言霞,等;《气象科技》;20180815;第46卷(第4期);第644-650页 * |
基于遥感探测的不同类型降水云识别方法;张建军;《气象科技》;20101015;第1-6页 * |
基于雷达回波强度面积谱识别降水云类型;杨有林,等;《应用气象学报》;20181115(第6期);第52-62页 * |
气象雷达人工增雨作业指挥系统设计与实现;翁雪玲;《中国优秀硕士学位论文全文数据库 基础科学辑》;20110515(第5期);第29-56页、表3-2 * |
用神经网络方法对雷达资料进行降水类型的分类;王静,等;《气象》;20070721(第7期);第55-59页 * |
用雷达反射率作对流性降水和层状云降水自动分类;吴涛,等;《气象科技》;20061030;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110824478A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488770B (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
US20230099113A1 (en) | Training method and apparatus for a target detection model, target detection method and apparatus, and medium | |
CN109765559B (zh) | 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法 | |
CN113866742B (zh) | 一种4d毫米波雷达点云处理和目标分类的方法 | |
CN110346844A (zh) | Nriet基于云分类和机器学习的定量降水估测方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN106650913A (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
CN106772387B (zh) | 一种风切变识别方法 | |
CN111179262B (zh) | 一种结合形状属性的电力巡检图像金具检测方法 | |
CN110824478B (zh) | 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 | |
CN103217673B (zh) | 一种非均匀Weibull杂波背景下的CFAR检测方法 | |
CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
CN104237890B (zh) | 一种由“列车效应”引起的暴雨识别及预报方法 | |
CN108399430B (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
CN104569923B (zh) | 基于速度约束的Hough变换快速航迹起始方法 | |
CN113296072B (zh) | 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 | |
CN112613504A (zh) | 一种声呐水下目标检测方法 | |
CN114492540B (zh) | 目标检测模型的训练方法、装置、计算机设备及存储介质 | |
CN113609895A (zh) | 基于改进Yolov3的获取道路交通信息方法 | |
CN110687618B (zh) | 一种多单体对流系统短时强降水事件的自动临近预报方法 | |
CN115937659A (zh) | 基于Mask-RCNN的室内复杂环境下多目标检测方法 | |
CN117523420B (zh) | 一种基于雷达产品数据的闪电落区识别方法及系统 | |
CN114863108B (zh) | 点云处理的方法、系统、电子设备及计算机可读存储介质 | |
CN116012618A (zh) | 一种基于雷达回波图的天气辨识方法、系统、设备及介质 | |
CN116964472A (zh) | 用于借助于雷达传感器系统的反射信号来探测环境的至少一个对象的方法 |
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 |