CN111289983A - 一种雷达垂直累积液态水含量反演方法 - Google Patents
一种雷达垂直累积液态水含量反演方法 Download PDFInfo
- Publication number
- CN111289983A CN111289983A CN202010301911.3A CN202010301911A CN111289983A CN 111289983 A CN111289983 A CN 111289983A CN 202010301911 A CN202010301911 A CN 202010301911A CN 111289983 A CN111289983 A CN 111289983A
- Authority
- CN
- China
- Prior art keywords
- radar
- reflectivity factor
- reflectivity
- sampling
- sampling point
- 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
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
-
- 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
Abstract
本发明公开了一种雷达垂直累积液态水含量反演方法,包括:利用第一雷达获取第一回波,利用第二雷达获取第二回波,以得到第一回波数据和第二回波数据;分别对所述第一回波数据和第二回波数据进行提取,获得各采样点的第一反射率因子以及各采样点的第二反射率因子;利用模糊逻辑算法将各采样点的第一反射率因子和第二反射率因子进行融合,获得各个采样点的目标反射率因子;基于所述各采样点的目标反射率因子进行计算,获得垂直累积液态含水量。本发明利用两个工作波长不同的雷达来获取探测数据,并利用模糊逻辑算法对获取的探测数据中的反射率因子进行融合,使得基于反射率因子计算的云中的液态含水量更加准确,提高了对强天气过程预报的准确度。
Description
技术领域
本发明涉及气象观测技术领域,特别涉及一种基于雷达的液态含水量的检测方法。
背景技术
对强降水、冰雹等中小尺度强对流灾害天气的监测不仅是广大气象、水文科研工作人员所关注的焦点,同时也对社会生产有着深远的影响,中小尺度强对流灾害天气一般发生水平范围在几百米到几十公里,周期只有几十分钟至几个小时,具有水平范围较小,发展迅速,灾害后果严重的特点,实际应用表明垂直累积液态含水量(VIL)是判别暴雨和冰雹等强对流灾害性天气的有效工具之一,同时也对于小范围的降水也有一定的预报作用。
目前主流的探测天气的方式为自动气象站、微波辐射计、卫星遥感以及天气雷达等,相比于其他观测手段,气象雷达具有灵敏度高、可以全天时全天候观测等的特点,可对云中液态水含量做出较好的反演,VIL最早被美国气象学家用于强对流天气的预报,结果表明VIL与降水密切相关,随着中国新一代天气雷达网的建设,我国也利用了VIL进行了降水估测和冰雹的预测,并且将VIL作为进行人工增雨作业区域的选择依据之一。常规情况下在计算垂直累积液态含水量时一般使用气象雷达的体积扫描数据进行离散求和的方法,但由于中小尺度强对流灾害天气发生范围小,发展尺度快等因素的限制,传统方法计算垂直累积液态含水量的分辨率不高、对强天气过程预报准确率也较低,继而会对云体结构演变态势推演、中小尺度强对流气象灾害的监测预警和人工影响天气等相关工作产生一定的影响。
发明内容
本发明实施例的目的在于提供一种雷达垂直累积液态水含量反演方法,用于解决现有技术中液态含水量检测准确率较低的问题。
为了解决上述技术问题,本申请的实施例采用了如下技术方案:一种雷达垂直累积液态水含量反演方法,包括如下步骤:
利用第一雷达获取第一回波,利用第二雷达获取第二回波,以得到第一回波数据和第二回波数据;
分别对所述第一回波数据和第二回波数据进行提取,获得各采样点的第一反射率因子以及各采样点的第二反射率因子;
利用模糊逻辑算法将各采样点的第一反射率因子和第二反射率因子进行融合,获得各个采样点的目标反射率因子;
基于所述各采样点的目标反射率因子进行计算,获得垂直累积液态含水量。
可选的,所述利用第一雷达获取第一回波,利用第二雷达获取第二回波,以得到第一回波数据和第二回波数据,具体包括:
获取第一雷达在垂直顶空连续观测模式下扫描获得的第一回波数据,并获取第二雷达在垂直顶空连续观测模式下扫描获得的第二回波数据;
其中,所述第一雷达的工作波长与所述第二雷达的工作波长不同。
可选的,分别对所述第一回波数据和第二回波数据进行提取,获得各采样点的第一反射率因子以及各采样点的第二反射率因子,具体包括:
对所述第一回波数据进行提取,以获取各采样时间下的各采样点的第一反射率因子;
对所述第二回波数据进行提取,以获取各采样时间下的各采样点的第二反射率因子。
可选的,所述利用模糊逻辑算法将各采样点的第一反射率因子和第二反射率因子进行融合,获得各个采样点的目标反射率因子,具体包括:
基于各采样时间下的各采样点的第一反射率因子,利用预设的与各类别对应的第一隶属度函数分别进行计算,获得各采样时间下的各采样点的第一反射率因子隶属于各类别的第一隶属度;
基于各采样时间下的各采样点的第二反射率因子,利用预设的与各类别对应的第二隶属度函数分别进行计算,获得各采样时间下的各采样点的第二反射率因子隶属于各类别的第二隶属度;
基于同一采样时间下的同一采样点的第一反射率因子的各第一隶属度以及第二反射率因子的各第二隶属度进行计算,以确定各采样时间下的各采样点所属的类别;
根据所述各采样时间下的各采样点所属的类别,确定目标反射率因子融合公式;
利用与各采样时间下的各采样点对应的目标反射率因子融合公式,对各采样时间下的各采样点的第一反射率因子和第二反射率因子进行融合,获得目标反射率因子。
可选的,所述基于所述各采样点的目标反射率因子进行计算,获得云中液态水含量,具体包括:
确定云底高度以及云顶高度;
基于各采样时间下各采样点的反射率因子、云底高度以及云顶高度,利用预设的液态含水量计算公式进行计算,获得垂直累积液态含水量。
可选的,所述方法还包括对各采样时间下的各采样点的第一反射率因子和第二反射率因子进行预处理,以获得有效的第一反射率因子以及有效的第二反射率因子。
可选的,所述第一雷达与所述第二雷达间隔预定距离。
本发明实施例的有益效果在于:利用两个工作波长不同的雷达来获取探测数据,并利用模糊逻辑算法对两个雷达获取的探测数据中的反射率因子进行融合,使得基于反射率因子计算的云中的液态含水量更加准确,提高了对强天气过程预报的准确度。
附图说明
图1为本发明实施例雷达垂直累积液态水含量反演方法的流程图;
图2为本发明实施例第一雷达和第二雷达联合探测示意图;
图3为模糊逻辑算法框架图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
本发明实施例提供一种雷达垂直累积液态水含量反演方法,如图1所示,包括如下步骤:
步骤一、利用第一雷达获取第一回波,利用第二雷达获取第二回波,以得到第一回波数据和第二回波数据;
步骤二、分别对所述第一回波数据和第二回波数据进行提取,获得各采样点的第一反射率因子以及各采样点的第二反射率因子;
步骤三、利用模糊逻辑算法将各采样点的第一反射率因子和第二反射率因子进行融合,获得各个采样点的目标反射率因子;
步骤四、基于所述各采样点的目标反射率因子进行计算,获得垂直累积液态含水量。
本发明实施例利用两个工作波长不同的雷达来获取探测数据,并利用模糊逻辑算法对两个雷达获取的探测数据中的反射率因子进行融合,使得基于反射率因子计算的云中的液态含水量更加准确,提高了对强天气过程预报的准确度
本发明实施例在具体实施过程中,第一雷达和第二雷达为两个工作波长不同的雷达,第一雷达的工作波长大于第二雷达的工作波长,具体的,第一雷达可以为厘米波雷达,第二雷达可以为毫米波雷达;或者第一雷达为米波雷达,第二雷达为厘米波雷达,具体可以根据实际需要进行选择并且在放置第一雷达和第二雷达的时候,是将第一雷达和第二雷达间隔预定距离设置的。使用两部雷达进行观测时考虑到电磁波之间相互串扰和雷达所能观测到最大不模糊距离的问题,因此在放置时参考第一雷达的雷达最小探测距离,使两部雷达相距不小于第一雷达的雷达最小探测距离,可有效避免电磁波之间相互串扰问题。
以下,以第一雷达为厘米波雷达(即X波段测雨雷达),第二雷达为毫米波雷(即Ka波段测云雷达)为例,进行具体说明,其中毫米波的波长取值需在2mm~10mm,厘米波的波长范围需在11mm~300mm。具体实施步骤为:
S1、设定X波段测雨雷达工作模式,其具体包括:
S11、使X波段测雨雷达与Ka波段测云雷达间距R满足R∈[10,70],在S11中,在进行观测时,两部雷达的间隔距离的范围为10米-70米。在实际观测时,间隔的距离可以根据实际情况进行调整,调整时需要满足:两部雷达不相互干扰,并且保证两部雷达观测的是同一片空域。
气象雷达是中小尺度强对流天气的主要探测工具之一,利用双频段气象雷达的目的是为了对天气演变过程进行良好的捕捉,监测系统兼顾Ka频段与X频段分别在云、雨等气象目标测量上的优势,利用云和降水对电磁波的散射作用,对作用范围内云、雨的空间位置与分布、回波强度、径向速度、速度谱宽等参数等进行定量探测,可以获取目标的形状、相态和空间取向等特征,具有高灵敏度、高空间分辨率、高可靠性等特点。
由于云滴相对降水粒子来说要小得多,并且云滴对电磁波后向散射的能力与云滴的直径的6次方成正比,同时与雷达波长的4次方成反比,所以测云雷达的波长相对来说较短,Ka波段对云、雾等直径更小的目标具有很好的散射特性,波长更接近于小粒子尺度,更适合探测弱云,使用Ka波段可用来对未形成降水的云层厚度、高度、及云内部的物理特性进行探测,X波段测雨雷达对直径大于几百微米的雨滴粒子比较敏感,这些粒子是形成风暴和降水的主要成分,则X波段测雨雷达可用来测量降水云体及强对流天气的回波强度,可用来推算降水强度和降水量。在两部雷达同时工作时考虑使X波段测雨雷达和Ka波段测云雷达相距不小于雷达最小探测距离可有效避免电磁波之间相互串扰,使雷达对目标范围之内进行有效观测。
S12、设定X波段测雨雷达和Ka波段测云雷达为垂直顶空连续观测模式进行同步探测,以获得第一回波数据和第二回波数据,具体如图2所示。
为了适应天气变化,对天气状况进行有效捕捉,气象雷达设定了多种扫描方式,RHI(俯仰扫描)方式其方位固定在指定方向上,是雷达在指定探测区域实现剖面分析的工作方式;PPI扫描方式是波束平面扫描方式,即雷达在俯仰上固定在某个角度方位角进行旋转,方位向扫描范围在0°~360°无限制,俯仰向可固定在0°~180°之间任意角度;VOL(立体扫描)方式是由多个不同高度层的PPI扫描方式合成来工作,这种扫描方式对于分析全空域的云体分布情况有很大的用途;THI(定点扫描)是雷达发射的波束保持方位和俯仰位置不变对着固定点的扫描方式,该扫描方式可以发射更多的脉冲用于相干或非相干积累以提高雷达系统灵敏度,以探测较弱回波的气象目标,设定Ka波段测云雷达和X波段测雨雷达为垂直顶空连续观测模式即为THI扫描,图2为Ka与X波段测雨雷达联合探测示意图。
S2、提取出Ka波段测云雷达的探测获得的第二回波数据的第二反射率因子和X波段测雨雷达探测获得的第一回波数据的的第一反射率因子。
其具体包括如下步骤:
S21、提取Ka波段测云雷达的第二回波数据的反射率因子径向数据,并将坐标轴按照横轴为时间(采样时间)纵轴为距离(采样点与测云雷达的距离)的方式排列得到矩阵ZKa。
对于Ka波段天气雷达,其在垂直顶空观测模式观测区域为S1={(rp,t)|rp∈[0,30];p=1,2,...,P},其中rp为观测区域上采样点与Ka波段测云雷达的距离,t为Ka波段测云雷达采集数据的时间(采样时间),Ka波段天气雷达的一组回波数据是由P个距离坐标和t时间内的Q标条径向数据组成的包含P×Q个采样点的矩阵ZKa,矩阵ZKa中每列代表了雷达的一条径向数据,将数据矩阵ZKa储存为如下所示形式:
其中矩阵每个元素ZPQ表示每个栅格点(采样点P在该采样时间Q下)的反射率因子的强度(单位:dBZ),矩阵ZKa中每一列为Ka波段测云雷达观测区域的一条径向数据,距离向范围M∈[0,30](单位:km)。
S22、提取X波段测雨雷达的反射率因子径向数据,并将坐标轴按照横轴为时间(采样时间)纵轴为距离(采样点与测雨雷达的距离)的方式排列得到矩阵ZX。
对于X波段测雨雷达,其在垂直顶空观测模式观测区域为S2={(ri,t)|ri∈[0,50];i=1,2,...,N},其中ri为观测区域上采样点与X波段测雨雷达的距离,t为X波段测雨雷达采集数据的时间,X波段测雨雷达的一组回波数据是由N个距离坐标和t时间内发射的Q条径向数据组成的包含N×Q个采样点的矩阵ZX,矩阵ZX中每列代表了雷达的一个径向数据,将数据矩阵ZX储存为如下所示形式:
其中矩阵每个元素ZNQ表示每个栅格点(采样点N在该采样时间Q)下反射率因子的强度(单位:dBZ),X波段测雨雷达观测区域的距离向范围N∈[0,50](单位:km)。
S3、对提取的第一雷达和第二雷达的垂直顶空范围内的各采样时间下的各采样点的第一反射率因子和第二反射率因子进行融合。具体包括如步骤:
S31、对提取的第一雷达垂直顶空范围内的各采样时间下的各采样点的第一反射率因子和第二雷达垂直顶空范围内的各采样时间下的各采样点的第二反射率因子进行预处理。
Ka波段测云雷达(第二雷达)工作波长较短发射频率较高,对观测目标的衰减更大,其有效观测范围大约在30km内,对气象目标的最小可检测信号为-40dBZ,对弱云观测效果更好,将Ka波段测云雷达反射率因子数据中值为-40dBZ以下的栅格赋值为空,X波段测雨雷达工作波长相对较长,发射频率较低,对观测目标的衰减较小,其效观测范围在50km内,对气象目标的最小可检测信号为-15dBZ,对大范围降水及冰雹暴雪等天气过程有较好的观测效果,将X波段测雨雷达反射率因子数据中值为-15dBZ以下的栅格赋值为空。
S32、利用模糊逻辑方法对第一雷达和第二雷达测得的垂直顶空范围内的反射率因子数据进行权重分配。具体包括如下:
模糊逻辑首先由美国数学家L.Zadeh在1965年提出,模糊逻辑善于表达界限不清晰的问题,它借助于隶属度函数概念,区分模糊集合,处理模糊关系,模拟人脑规则实施推理,解决因范围界限不明显的种种不确定问题,模糊逻辑模仿人脑的不确定性概念的思维方式,对于模型未知或不能确定的描述系统,用模糊集合和模糊规则进行推理,表达过渡性界限,实行模糊综合判断。
构建一个二输入五输出的模糊逻辑系统,将分别提取出的Ka波段测云雷达(第二雷达)和X波段测雨雷达(第一雷达)的反射率因子矩阵ZKa和ZX作为系统的输入,按照模糊规则推理,输出为ZKa和ZX分别为新矩阵Z提供的反射率因子强度的权重,图3模糊逻辑算法框架图。
S321输入变量模糊化
基于各采样时间下的各采样点的第一反射率因子,利用预设的与各类别对应的第一隶属度函数分别进行计算,获得各采样时间下的各采样点的第一反射率因子隶属于各类别的第一隶属度;
基于各采样时间下的各采样点的第二反射率因子,利用预设的与各类别对应的第二隶属度函数分别进行计算,获得各采样时间下的各采样点的第二反射率因子隶属于各类别的第二隶属度;
基于同一采样时间下的同一采样点的第一反射率因子的各第一隶属度以及第二反射率因子的各第二隶属度进行计算,以确定各采样时间下的各采样点所属的类别;
根据所述各采样时间下的各采样点所属的类别,确定目标反射率因子融合公式;
利用与各采样时间下的各采样点对应的目标反射率因子融合公式,对各采样时间下的各采样点的第一反射率因子和第二反射率因子进行融合,获得目标反射率因子。
以一个具体情况为例,具体如下:
预先设定5种类别(Z1、Z2、Z3、Z4和Z5),每个类别对应一个目标反射率因子融合公式(Z1、Z2、Z3、Z4和Z5)。针对于每一个类别,每个输入参量都可以通过相应的隶属度函数(隶属度函数1..隶属度函数10)计算获得与5种类别对应的隶属度。隶属度函数1-隶属度函数10这10个函数均可采用公式(4),隶属度函数1-隶属度函数10的区间(也就是式(4)中a,b,c的取值)不相同,具体是参照模糊规则中标明的区间而确定的。
下表说明了输入参数与类别和隶属度的相应关系
对于同一个像素点(同一采样时间下的同一采样点),输入Ka和X的值之后,会通过模糊化和模糊规则的操作来确定本次输入隶属于每个类别的程度值f(是很多个概率值,即下文中的FSi)。然后再利用各f进行计算(公式(5)),获得output,根据output值来确定该采样时间下的该采样点的发射率因子所述的类别,比如output=3,那么则此次权重的类别输出为Z3,计算时就用Z3=0.6ZKa+0.4ZX这个目标反射率因子融合公式对第一反射率因子和第二反射率因子进行融入,获得目标反射率因子。
本实施例中,每个类别预先分配一个权重值,具体的Z1的权重值为1,Z2的权重值为2,Z3的权重值为3,Z4的权重值为4,Z5的权重值为5,并且目标反射率因子融合公式也是预先设定的,即Z1=ZKa;Z2=0.8ZKa+0.2ZX;Z3=0.6ZKa+0.4ZX;Z4=0.2ZKa+0.8ZX;Z5=ZX。
即将两个反射率因子矩阵中每个像素点的反射率因子ZKa和ZX作为模糊逻辑系统的输入,对于每次输入,利用预设的三角隶属函数(4)将该像素点的梯度映射到0-1范围之间,表示为该梯度属于ZKa和ZX的程度,隶属函数表示为:
使用三角隶属函数定义栅格点属于各类别的程度,其中,f表示隶属度,x表示输入参量(即ZKa和ZX);参数a和c代表的是三角形的脚点,b代表三角形的顶点,a、b和c分别为反射率因子临界值,具体可以根据实际需要进行设定。
本步骤在具体实施例过程中还可以对模糊规则进行定义。根据预设的模糊规则来直接获取各采样时间下的各采样点的第一反射率因子和第二反射率因子的权重。或者通过模糊规则来确定隶属度函数中的a、b和c等临界值,从而确定具体的隶属度函数。
Ka波段测云雷达最小可检测信号为-40dBZ并且在降水回波较强时会产生较大的衰减,X波段测雨雷达最小可检测信号为-15dBZ适合对较强降水回波进行监测,针对同一天气过程进行监测,Ka波段测云雷达可检测到某些X波段测雨雷达无法监测的回波,X波段测雨雷达在发生强降水时监测精度更高,设定模糊规则目的在于对ZKa和ZX矩阵中相同目标处的反射率因子进行融合,在矩阵合并时得到较为准确的反射率因子数据。
如图3所示,具体的模糊规则如下:
规则1:如果-40dBZ≤ZKa≤-15dBZ则判定为Z1类,计算时采用Z=ZKa;
规则2:如果-15dBZ<ZKa≤15dBZ并且-10dBZ<ZX≤15dBZ则判定为Z2类,计算时采用Z=0.8ZKa+0.2ZX;
规则3:如果10dBZ<ZKa<30dBZ并且10dBZ<ZX<30dBZ则判定为Z3类,计算时采用Z=0.6ZKa+0.4ZX;
规则4:如果25dBZ≤ZKa≤60dBZ并且25dBZ≤ZX≤60dBZ则判定为Z4类,计算时采用Z=0.2ZKa+0.8ZX;
规则5:如果55dBZ≤ZKa且60dBZ≤ZX或ri∈(30,50)时,则判定为Z5类,计算时采用Z=ZX。
其中,Z表示目标反射率因子。
S323模糊推理
通过模糊规则和模糊逻辑的运算进行重新组合,对于每条规则的前提条件,计算输入数据的隶属度FSi(即f),基于规则中给出的值确定这条规则计算得到的确定的结果,将所有推理结论整合成一个单一的结论,放入一个模糊集合内,以一个栅格点处举例为:同一采样时间下的同一采样点的Zka=20dBZ与ZX=20dBZ,以此作为输入计算该栅格点隶属于各类别的隶属度,每个栅格点都有相应的隶属度FSi。
本实施例在获得了各栅格点的隶属度FSi之后,就可以进行退模糊化处理。
模糊逻辑通过进行模糊化将输入的矩阵数值转化成各个集合的隶属度FSi之后,再通过模糊规则和运算得到若干个模糊推理值,需要将模糊推理值用加权平均判决法退模糊化得到输出值,输出为:
其中,FSi为上一步输出,ow(output wight)为权重,权重取每个模糊集合的中间值,通过计算获得与各采样时间下的各采样点对应的output,将各output分别和各类别对应的值进行对比,以确定各采样时间下的各采样点所属的类别。
S33、将Ka波段测云雷达垂直顶空范围内的反射率因子矩阵ZKa和Ka波段测云雷达垂直顶空范围内的反射率因子矩阵ZX叠加,在每个栅格处按照权重乘以强度值,得到垂直顶空范围内联合反射率因子矩阵(即目标反射率因子矩阵)Z,矩阵Z包含N×Q个采样点。
S4、根据Z-M(反射率因子-液态含水量)关系利用雷达数据计算出探测范围内的云中液态含水量。
本步骤在具体实施例时,已知雷达反射率因子的积分形式Z为:
其中,D是雨滴直径,N0和k为降水云内雨滴谱符合M-P分布时的参数,对应的其云中含水量M为:
由式(6)(7)可得Z-M关系:
M=3.44×10-3×Z4/7 (8)
可直接应用式(8)进行计算。
S41、将垂直顶空范围内联合反射率因子矩阵Z带入Z-M关系式计算出探测范围内的云中液态含水量M。
将合并之后的反射率因子栅格点数值Z带入上式,可得探测范围内的云中液态含水量M。
S5、计算探测范围内的云层厚度。
S51、利用垂直顶空范围内联合反射率因子矩阵Z计算云底高度Hbase和云顶高度Htop。
THI模式下反射率因子数据为每条射线按列依次进行排列,矩阵Z包含N×Q个采样点,读取矩阵Z中每个栅格代表的距离库长,以接近雷达天线方向为起点,读取所有非空的栅格点坐标Pi(i=1,2,3,4,....N),Pi最大值坐标乘以距离库长为云顶高度Htop,Pi最小值坐标乘以距离库长为云底高度Hbase。
S52、利用Htop-Hbase计算雷达联合探测得到的云层厚度Depth。
S6、计算雷达垂直顶空范围内垂直累积液态含水量。
VIL产品反映了降水云体在某一确定的底面积的垂直柱体内的液态水总含量,计算VIL时首先假定云体中所有反射率因子都由液态水形成,后基于滴谱分布理论和上式的Z-M关系推导得到,VIL主要描述的是如何将气象雷达反射率因子转化为云体中累积的液态水含量,VIL为某底面积确定的垂直柱体中云团的总含水量,在云底到云顶高度范围内对云中液态含水量M积分可表示为:
S61、在云层厚度Depth下对M积分,得到Ka波段测云雷达和X波段测雨雷达在垂直顶空范围内联合探测得到的垂直累积液态含水量VIL。
将上一步求得的矩阵Z代表的云底高度Hbase和云顶高度Htop以及反演得到的云中含水量M带入上式,计算得到Ka和X双频段气象雷达联合探测得到的垂直累积液态含水量VIL。
本发明一种雷达垂直累积液态水含量反演方法具有以下有益效果:
(1)本发明基于气象雷达数据能够实时的对雷达垂直顶空范围内的垂直累积液态含水量进行计算,提升了对强天气过程的预报准确度。
(2)本发明采用Ka波段测云雷达和X波段测雨雷达以垂直顶空探测的模式联合工作,计算中省略了体扫数据的离散求和过程提高了垂直累计液态水的反演精度,计算方法简便,加快了计算速度,提升了计算的效率。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (7)
1.一种雷达垂直累积液态水含量反演方法,其特征在于,包括如下步骤:
利用第一雷达获取第一回波,利用第二雷达获取第二回波,以得到第一回波数据和第二回波数据;
分别对所述第一回波数据和第二回波数据进行提取,获得各采样点的第一反射率因子以及各采样点的第二反射率因子;
利用模糊逻辑算法将各采样点的第一反射率因子和第二反射率因子进行融合,获得各个采样点的目标反射率因子;
基于所述各采样点的目标反射率因子进行计算,获得垂直累积液态含水量。
2.如权利要求1所述的方法,其特征在于,所述利用第一雷达获取第一回波,利用第二雷达获取第二回波,以得到第一回波数据和第二回波数据,具体包括:
获取第一雷达在垂直顶空连续观测模式下扫描获得的第一回波数据,并获取第二雷达在垂直顶空连续观测模式下扫描获得的第二回波数据;
其中,所述第一雷达的工作波长与所述第二雷达的工作波长不同。
3.如权利要求1所述的方法,其特征在于,分别对所述第一回波数据和第二回波数据进行提取,获得各采样点的第一反射率因子以及各采样点的第二反射率因子,具体包括:
对所述第一回波数据进行提取,以获取各采样时间下的各采样点的第一反射率因子;
对所述第二回波数据进行提取,以获取各采样时间下的各采样点的第二反射率因子。
4.如权利要求3所述的方法,其特征在于,所述利用模糊逻辑算法将各采样点的第一反射率因子和第二反射率因子进行融合,获得各个采样点的目标反射率因子,具体包括:
基于各采样时间下的各采样点的第一反射率因子,利用预设的与各类别对应的第一隶属度函数分别进行计算,获得各采样时间下的各采样点的第一反射率因子隶属于各类别的第一隶属度;
基于各采样时间下的各采样点的第二反射率因子,利用预设的与各类别对应的第二隶属度函数分别进行计算,获得各采样时间下的各采样点的第二反射率因子隶属于各类别的第二隶属度;
基于同一采样时间下的同一采样点的第一反射率因子的各第一隶属度以及第二反射率因子的各第二隶属度进行计算,以确定各采样时间下的各采样点所属的类别;
根据所述各采样时间下的各采样点所属的类别,确定目标反射率因子融合公式;
利用与各采样时间下的各采样点对应的目标反射率因子融合公式,对各采样时间下的各采样点的第一反射率因子和第二反射率因子进行融合,获得目标反射率因子。
5.如权利要求1所述的方法,其特征在于,所述基于所述各采样点的目标反射率因子进行计算,获得云中液态水含量,具体包括:
确定云底高度以及云顶高度;
基于各采样时间下各采样点的反射率因子、云底高度以及云顶高度,利用预设的液态含水量计算公式进行计算,获得垂直累积液态含水量。
6.如权利要求1所述的方法,其特征在于,所述方法还包括对各采样时间下的各采样点的第一反射率因子和第二反射率因子进行预处理,以获得有效的第一反射率因子以及有效的第二反射率因子。
7.如权利要求1所述的方法,其特征在于,所述第一雷达与所述第二雷达间隔预定距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010301911.3A CN111289983B (zh) | 2020-04-16 | 2020-04-16 | 一种雷达垂直累积液态水含量反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010301911.3A CN111289983B (zh) | 2020-04-16 | 2020-04-16 | 一种雷达垂直累积液态水含量反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111289983A true CN111289983A (zh) | 2020-06-16 |
CN111289983B CN111289983B (zh) | 2022-12-09 |
Family
ID=71026244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010301911.3A Active CN111289983B (zh) | 2020-04-16 | 2020-04-16 | 一种雷达垂直累积液态水含量反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111289983B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685028A (zh) * | 2018-12-28 | 2019-04-26 | 内蒙古工业大学 | 一种基于全极化sar数据的河冰厚度反演方法 |
CN112346081A (zh) * | 2020-10-22 | 2021-02-09 | 上海无线电设备研究所 | 一种太赫兹与毫米波云雷达的数据联合反演方法 |
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 |
CN113093179A (zh) * | 2021-03-08 | 2021-07-09 | 北京理工大学前沿技术研究院 | 一种基于天气雷达的昆虫密度监测方法 |
CN115184938A (zh) * | 2022-07-05 | 2022-10-14 | 中国人民解放军63796部队 | 一种S波段天气雷达和Ka波段云雷达的反射率融合方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8203480B1 (en) * | 2003-07-31 | 2012-06-19 | Rockwell Collins, Inc. | Predictive and adaptive weather radar detection system and method |
CN104267400A (zh) * | 2014-10-21 | 2015-01-07 | 内蒙古工业大学 | 用于mimo-sar成像的微波信号收发系统、方法及成像系统 |
CN105891833A (zh) * | 2016-04-15 | 2016-08-24 | 兰州大学 | 基于多普勒雷达信息识别暖云降水率的方法 |
EP3070501A1 (en) * | 2015-03-18 | 2016-09-21 | Honeywell International Inc. | Prediction of ice crystal presence in a volume of airspace |
CN108020840A (zh) * | 2017-11-20 | 2018-05-11 | 天津大学 | 一种基于多普勒天气雷达数据的冰雹云早期识别方法 |
CN109765559A (zh) * | 2019-02-02 | 2019-05-17 | 中国水利水电科学研究院 | 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 |
US20200064514A1 (en) * | 2018-05-11 | 2020-02-27 | Xi'an University Of Technology | Cloud water resource detecting system and method |
-
2020
- 2020-04-16 CN CN202010301911.3A patent/CN111289983B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8203480B1 (en) * | 2003-07-31 | 2012-06-19 | Rockwell Collins, Inc. | Predictive and adaptive weather radar detection system and method |
CN104267400A (zh) * | 2014-10-21 | 2015-01-07 | 内蒙古工业大学 | 用于mimo-sar成像的微波信号收发系统、方法及成像系统 |
EP3070501A1 (en) * | 2015-03-18 | 2016-09-21 | Honeywell International Inc. | Prediction of ice crystal presence in a volume of airspace |
CN105891833A (zh) * | 2016-04-15 | 2016-08-24 | 兰州大学 | 基于多普勒雷达信息识别暖云降水率的方法 |
CN108020840A (zh) * | 2017-11-20 | 2018-05-11 | 天津大学 | 一种基于多普勒天气雷达数据的冰雹云早期识别方法 |
US20200064514A1 (en) * | 2018-05-11 | 2020-02-27 | Xi'an University Of Technology | Cloud water resource detecting system and method |
CN109765559A (zh) * | 2019-02-02 | 2019-05-17 | 中国水利水电科学研究院 | 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 |
Non-Patent Citations (3)
Title |
---|
XIANGTIAN ZHENG DENG: "《Vertically Integrated Liquid Water Analysis Based on Weather Radar Multisource Data Fusion》", 《2019 6TH ASIA-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR (APSAR)》 * |
吴涛 等: "《多雷达反演参量联合的短时强降水识别方法研究》", 《高原气象》 * |
范盼 等: "《基于模糊逻辑法的粒子识别研究》", 《河南师范大学学报 (自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685028A (zh) * | 2018-12-28 | 2019-04-26 | 内蒙古工业大学 | 一种基于全极化sar数据的河冰厚度反演方法 |
CN112346081A (zh) * | 2020-10-22 | 2021-02-09 | 上海无线电设备研究所 | 一种太赫兹与毫米波云雷达的数据联合反演方法 |
CN112346081B (zh) * | 2020-10-22 | 2022-10-18 | 上海无线电设备研究所 | 一种太赫兹与毫米波云雷达的数据联合反演方法 |
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 |
CN113093179A (zh) * | 2021-03-08 | 2021-07-09 | 北京理工大学前沿技术研究院 | 一种基于天气雷达的昆虫密度监测方法 |
CN113093179B (zh) * | 2021-03-08 | 2022-07-12 | 北京理工大学前沿技术研究院 | 一种基于天气雷达的昆虫密度监测方法 |
CN115184938A (zh) * | 2022-07-05 | 2022-10-14 | 中国人民解放军63796部队 | 一种S波段天气雷达和Ka波段云雷达的反射率融合方法 |
CN115184938B (zh) * | 2022-07-05 | 2024-04-19 | 中国人民解放军63796部队 | 一种S波段天气雷达和Ka波段云雷达的反射率融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111289983B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111289983B (zh) | 一种雷达垂直累积液态水含量反演方法 | |
Pellarin et al. | Hydrologic visibility of weather radar systems operating in mountainous regions: Case study for the Ardèche catchment (France) | |
Berne et al. | Radar for hydrology: Unfulfilled promise or unrecognized potential? | |
CN108693534A (zh) | Nriet x 波段雷达协同组网分析方法 | |
Crane | Space‐time structure of rain rate fields | |
CN110082842B (zh) | 一种降水估测方法及装置 | |
Collis et al. | Statistics of storm updraft velocities from TWP-ICE including verification with profiling measurements | |
CN109975809B (zh) | 一种同化雷达及闪电资料的方法 | |
KR101531224B1 (ko) | 이중편파 레이더 기반의 강수 추정 시스템 및 그 방법 | |
Liang et al. | A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds | |
CN111323782B (zh) | 一种基于模糊逻辑的雷达同步监测方法 | |
CN110967695A (zh) | 一种基于深度学习的雷达回波外推短临预报方法 | |
Kirstetter et al. | A physically based identification of vertical profiles of reflectivity from volume scan radar data | |
Friedrich et al. | A quality control concept for radar reflectivity, polarimetric parameters, and Doppler velocity | |
May et al. | The accuracy of RASS temperature measurements | |
CN107356926A (zh) | 基于Hu矩的差值云团外推降雨预测算法 | |
Park et al. | Cross validation of TRMM PR reflectivity profiles using 3D reflectivity composite from the ground-based radar network over the Korean Peninsula | |
Frehlich | Scanning doppler lidar for input into short-term wind power forecasts | |
Besson et al. | Links between weather phenomena and characteristics of refractivity measured by precipitation radar | |
CN116879899A (zh) | 一种基于空中降水粒子谱反演的方法 | |
Wang et al. | An approach for radar quantitative precipitation estimation based on spatiotemporal network | |
Le Bastard et al. | Combined use of volume radar observations and high-resolution numerical weather predictions to estimate precipitation at the ground: methodology and proof of concept | |
Qi et al. | Improving WSR-88D radar QPE for orographic precipitation using profiler observations | |
Rihan et al. | Assimilation of Doppler radial winds into a 3D‐Var system: Errors and impact of radial velocities on the variational analysis and model forecasts | |
Lohou et al. | Spatial and temporal characteristics of horizontal rolls and cells in the atmospheric boundary layer based on radar and in situ observations |
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 |