CN112596058B - 一种基于三维雷达探测数据的闪电落区识别方法 - Google Patents
一种基于三维雷达探测数据的闪电落区识别方法 Download PDFInfo
- Publication number
- CN112596058B CN112596058B CN202110235093.6A CN202110235093A CN112596058B CN 112596058 B CN112596058 B CN 112596058B CN 202110235093 A CN202110235093 A CN 202110235093A CN 112596058 B CN112596058 B CN 112596058B
- Authority
- CN
- China
- Prior art keywords
- lightning
- radar
- area
- data
- sample
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种基于三维雷达探测数据的闪电落区识别方法。该方法包括:将雷达探测区域内的闪电击中地面时探测的雷达基数据转换为三维雷达探测数据;输入至训练好的闪电落区识别模型进行识别,获得被闪电击中的区域;训练闪电落区识别模型的方式,包括:获取闪电样本的闪电定位数据和雷达基数据;将闪电样本的雷达基数据转换为闪电样本的三维雷达探测数据;基于闪电样本的闪电定位数据对三维雷达探测数据构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集;根据包含闪电落区雷达数据集和不包含闪电落区雷达数据集,基于卷积神经网络模型训练,获得闪电落区识别模型。结合卷积神经网络模型能够精确的识别出闪电落区问题。
Description
技术领域
本申请涉及信息技术领域,特别是涉及一种基于三维雷达探测数据的闪电落区识别方法。
背景技术
闪电是云与云之间、云与地之间或者云体内各部位之间的强烈放电现象,它的电压、高温等物理效应能在瞬时产生极大的破坏力,容易对地面人员人身安全、建筑物、电器设备等造成安全隐患。特别是随着经济的快速发展,电气化设备的大量增加,雷电灾害已经是“ 联合国国际减灾十年”公布的最严重的十种自然灾害之一,进行闪电的落区研究具有重大意义。
而如今对闪电的研究大多是通过使用闪电定位资料并结合探空资料进行的,关注于使用线性相关分析、主成分分析等统计学方法,结合雷达资料和闪电定位资料对雷电活动过程与雷达回波强度、回波顶高及垂直累积液态水含量等进行特征相关统计分析;或者使用数值模拟的方法对进行闪电落区模拟分析。这些方法往往采用某一种或有限的几种数据因子来分析与闪电落区的关系,因此闪电落区识别的精度低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高闪电落区识别的精度的基于三维雷达探测数据的闪电落区识别方法。
一种基于三维雷达探测数据的闪电落区识别方法,所述方法包括:
获取雷达探测区域内的闪电击中地面时探测的雷达基数据;
对所述雷达基数据进行数据转换,获得三维雷达探测数据;
将所述三维雷达探测数据输入训练好的闪电落区识别模型进行识别,获得被所述闪电击中的区域;
训练所述闪电落区识别模型的方式,包括:
获取闪电样本的闪电定位数据和雷达基数据;
对所述闪电样本的所述雷达基数据进行数据转换,获得所述闪电样本的三维雷达探测数据;
基于所述闪电样本的闪电定位数据对所述闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集;
根据所述包含闪电落区雷达数据集和所述不包含闪电落区雷达数据集,基于卷积神经网络模型进行模型训练,获得闪电落区识别模型。
在其中一个实施例中,所述基于所述闪电样本的闪电定位数据对所述闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集的步骤,包括:
根据所述闪电样本的闪电定位数据,确定所述闪电样本的位置;
根据所述闪电样本的位置,采用预设大小的特征提取窗口,在所述闪电样本的三维雷达探测数据的包含闪电落区区域,提取出包含闪电落区特征组成包含闪电落区雷达数据集;
采用所述特征提取窗口,随机在所述闪电样本的三维雷达探测数据中选取不包含闪电落区区域,提取出各不包含闪电落区特征组成不包含闪电落区雷达数据集。
在其中一个实施例中,所述根据所述闪电样本的位置,采用预设大小的特征提取窗口,在所述闪电样本的三维雷达探测数据的包含闪电落区区域,提取出包含闪电落区特征组成包含闪电落区雷达数据集的步骤,包括:
根据所述闪电样本的位置,在所述闪电样本的三维雷达探测数据中,确定出各层雷达探测数据对应的闪电位置;
根据各层所述雷达探测数据对应的闪电位置,采用预设大小的特征提取窗口,依次在各层雷达探测数据的包含闪电落区区域,提取出各包含闪电落区特征组成包含闪电落区雷达数据集,其中,包含闪电落区区域为所述特征提取窗口以所述闪电位置为中心点覆盖的区域。
在其中一个实施例中,所述采用所述特征提取窗口,随机在所述闪电样本的三维雷达探测数据中选取不包含闪电落区区域,提取出各不包含闪电落区特征组成不包含闪电落区雷达数据集的步骤,包括:
采用所述特征提取窗口,依次在各层所述雷达探测数据中随机选取覆盖区域;
当所述特征提取窗口覆盖到不包含闪电落区区域时,提取出不包含闪电落区特征;
当所述特征提取窗口覆盖到包含闪电落区区域时,重新随机选择覆盖区域,直至选择到不包含闪电落区区域时,提取出不包含闪电落区特征;
当提取的不包含闪电落区特征的个数与所述包含闪电落区雷达数据集包含闪电落区特征的个数相同时,停止特征提取,获得不包含闪电落区雷达数据集。
在其中一个实施例中,所述基于所述闪电样本的闪电定位数据对所述闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集的步骤,包括:
根据闪电的特征,设定预设大小的特征提取窗口;
基于所述特征提取窗口以预设步长在所述闪电样本的三维雷达探测数据的栅格中依次遍历;
对所述特征提取窗口当前覆盖区域进行识别,当所述当前覆盖区域为包含闪电落区区域时,提取所述当前覆盖区域的特征为包含闪电落区特征;
当所述当前覆盖区域为不包含闪电落区区域时,提取所述当前覆盖区域的特征为不包含闪电落区特征;
直至遍历完所述闪电样本的三维雷达探测数据的栅格,由提取的所述包含闪电落区特征组成包含闪电落区雷达数据集,从所有不包含闪电落区特征中,随机选取预设个数不包含闪电落区特征组成不包含闪电落区雷达数据集,其中预设个数与所述包含闪电落区雷达数据集包含闪电落区特征的个数相同。
在其中一个实施例中,所述根据所述包含闪电落区雷达数据集和所述不包含闪电落区雷达数据集,基于卷积神经网络模型进行模型训练,获得闪电落区识别模型的步骤,包括:
对所述包含闪电落区雷达数据集中的包含闪电落区特征,和所述不包含闪电落区雷达数据集的不包含闪电落区特征进行特征标记,获得雷达数据集;
以设定划分比例对所述雷达数据集进行划分,获得训练集、测试集和验证集;
根据所述训练集,基于AlexNet模型,构建卷积神经网络模型进行训练,获得初步闪电落区识别模型;
根据所述验证集对所述初步闪电落区识别模型进行测试,获得测试后的闪电落区识别模型;
根据所述测试集对所述测试后的闪电落区识别模型进行验证,确定所述测试后的闪电落区识别模型的精度;
当所述验证结果测试后的闪电落区识别模型的精度达到阈值时,获得闪电落区识别模型;
当所述验证结果测试后的闪电落区识别模型的精度未达到阈值时,返回所述根据所述验证集对所述初步闪电落区识别模型进行测试,获得测试后的闪电落区识别模型的步骤,直至所述验证结果测试后的闪电落区识别模型的精度达到阈值。
在其中一个实施例中,所述设定划分比例为:训练集、测试集和验证集的比例为6:2:2。
在其中一个实施例中,所述对所述雷达基数据进行数据转换,获得三维雷达探测数据的步骤,包括:
对所述雷达基数据使用三维模型构建方式,以雷达点、雷达线、雷达扇区和雷达群集的逻辑对象来组织雷达数据,构造具有四边形的连续表面数据和具有六面体单元的体积数据,获得三维雷达探测数据。
上述基于三维雷达探测数据的闪电落区识别方法,通过获取雷达探测区域内的闪电击中地面时探测的雷达基数据;对雷达基数据进行数据转换,获得三维雷达探测数据;将三维雷达探测数据输入训练好的闪电落区识别模型进行识别,获得被闪电击中的区域;训练闪电落区识别模型的方式,包括:获取闪电样本的闪电定位数据和雷达基数据;对闪电样本的雷达基数据进行数据转换,获得闪电样本的三维雷达探测数据;基于闪电样本的闪电定位数据对闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集;根据包含闪电落区雷达数据集和不包含闪电落区雷达数据集,基于卷积神经网络模型进行模型训练,获得闪电落区识别模型。结合卷积神经网络模型自主学习多维雷达数据中隐含的空间规律,能够精确的识别出闪电落区问题。
附图说明
图1为一个实施例中基于三维雷达探测数据的闪电落区识别方法的流程示意图;
图2为一个实施例中被特征提取窗口覆盖的区域示意图;
图3为一个实施例中特征提取窗口遍历示意图;
图4为一个实施例中一层雷达探测数据提取出来的特征示意图;
图5为一个实施例中雷达数据集中部分特征示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于三维雷达探测数据的闪电落区识别方法,包括以下步骤:
步骤S220,获取雷达探测区域内的闪电击中地面时探测的雷达基数据。
其中,闪电击中地面可以是闪电击中地面或地面的物体,地面的物体可以是建筑物、树木以及人等等。雷达基数据是SA波段多普勒天气雷达基数据,每6分钟一个,空间分辨率为1km,是雷达以固定仰角,天线以全方位扫描的探测方式而获取的数据。
步骤S240,对雷达基数据进行数据转换,获得三维雷达探测数据。
其中,三维雷达探测数据是九层的雷达探测数据,是以PPI的方式进行雷达成像,即通过以雷达为中心的极坐标形式,采用不同的彩色色标来表示数据的大小和方向而产生的图像。雷达从最低仰角开始扫描,逐渐增加度数(共9个仰角),共生成9个高度层的数据,即每个高度层为一个圆锥体,圆锥体显示方式为平面指示器(PPI)格式,在每个仰角上以雷达为中心,沿着波束向外,波束宽度为1°,探测范围为:230km,为了较为真实的还原三维空间数据场景,对雷达基数据进行数据转换,获得基于PPI格式的三维雷达探测数据,即九层的雷达探测数据。
在一个实施例中,对雷达基数据进行数据转换,获得三维雷达探测数据的步骤,包括:对雷达基数据使用三维模型构建方式,以雷达点、雷达线、雷达扇区和雷达群集的逻辑对象来组织雷达数据,构造具有四边形的连续表面数据和具有六面体单元的体积数据,获得三维雷达探测数据。
步骤S260,将三维雷达探测数据输入训练好的闪电落区识别模型进行识别,获得被闪电击中的区域。
其中,被闪电击中的区域即为闪电落区。
在一个实施例中,训练闪电落区识别模型的方式,包括:
获取闪电样本的闪电定位数据和雷达基数据;对闪电样本的雷达基数据进行数据转换,获得闪电样本的三维雷达探测数据;基于闪电样本的闪电定位数据对闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集;根据包含闪电落区雷达数据集和不包含闪电落区雷达数据集,基于卷积神经网络模型进行模型训练,获得闪电落区识别模型。
其中,闪电样本是击中地面的闪电作为训练闪电落区识别模型的样本。闪电样本的闪电定位数据是发生该闪电样本时闪电定位仪探测到的数据,该闪电定位数据中包括雷电参量为地闪回击过程的时间、位置、放电极性、峰值强度、陡度等信息。闪电样本的雷达基数据是发生该闪电样本时雷达设备探测到的数据。对闪电样本的雷达基数据进行数据转换,获得闪电样本的三维雷达探测数据,是对该雷达基数据使用三维模型构建方式,以雷达点、雷达线、雷达扇区和雷达群集的逻辑对象来组织雷达数据,构造具有四边形的连续表面数据和具有六面体单元的体积数据,获得该三维雷达探测数据。
在一个实施例中,基于闪电样本的闪电定位数据对闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集的步骤,包括:
根据闪电样本的闪电定位数据,确定闪电样本的位置;根据闪电样本的位置,采用预设大小的特征提取窗口,在闪电样本的三维雷达探测数据的包含闪电落区区域,提取出包含闪电落区特征组成包含闪电落区雷达数据集;采用特征提取窗口,随机在闪电样本的三维雷达探测数据中选取不包含闪电落区区域,提取出各不包含闪电落区特征组成不包含闪电落区雷达数据集。
其中,闪电样本的位置是指闪电样本击中地面的经纬度(经纬度指经度和纬度)。包含闪电落区区域是包含闪电样本击中地面的经纬度的区域。不包含闪电落区区域是不包含闪电样本击中地面的经纬度的区域。特征提取窗口是用于确定当前被特征提取区域的窗口,被特征提取窗口覆盖的范围,即为当前需要进行特征提取的区域,特征提取窗口的预设大小根据闪电的特征确定,如正常的闪电长度在1km到20 km之间,而雷达探测数据的空间分辨率为1km,经过实验,发现设定特征提取窗口的预设大小为5km ×5km能更为有效的获取包含闪电特征的雷达数据,则将预设大小设定为5km×5km,需要说明的是,也可以其他大小。特征提取窗口可以在三维雷达探测数据的每一层雷达探测数据栅格的左上角开始移动,每次按照预设步长在栅格上移动,并不断记录窗口的值,最终获取到九层雷达探测数据的值。
在一个实施例中,根据闪电样本的位置,采用预设大小的特征提取窗口,在闪电样本的三维雷达探测数据的包含闪电落区区域,提取出包含闪电落区特征组成包含闪电落区雷达数据集的步骤,包括:
根据闪电样本的位置,在闪电样本的三维雷达探测数据中,确定出各层雷达探测数据对应的闪电位置;根据各层雷达探测数据对应的闪电位置,采用预设大小的特征提取窗口,依次在各层雷达探测数据的包含闪电落区区域,提取出各包含闪电落区特征组成包含闪电落区雷达数据集,其中,包含闪电落区区域为特征提取窗口以闪电位置为中心点覆盖的区域。
其中,各层雷达探测数据的对应闪电位置是闪电样本击中地面的经纬度对应在各层雷达探测数据的位置。包含闪电落区特征是包含闪电落区的雷达特征数据。包含闪电落区区域是以雷达探测数据的闪电位置为特征提取窗口的中心点,被特征提取窗口覆盖的区域,如图2所示的被特征提取窗口覆盖的区域示意图,雷达探测数据的闪电位置位于特征提取窗口的中心点(即图2中的闪电落点)。
在一个实施例中,采用特征提取窗口,随机在闪电样本的三维雷达探测数据中选取不包含闪电落区区域,提取出各不包含闪电落区特征组成不包含闪电落区雷达数据集的步骤,包括:
采用特征提取窗口,依次在各层雷达探测数据中随机选取覆盖区域;当特征提取窗口覆盖到不包含闪电落区区域时,提取出不包含闪电落区特征;当特征提取窗口覆盖到包含闪电落区区域时,重新随机选择覆盖区域,直至选择到不包含闪电落区区域时,提取出不包含闪电落区特征;当提取的不包含闪电落区特征的个数与包含闪电落区雷达数据集包含闪电落区特征的个数相同时,停止特征提取,获得不包含闪电落区雷达数据集。
其中,不包含闪电落区区域是被特征提取窗口覆盖的区域中不包含雷达探测数据的闪电位置的区域。不包含闪电落区特征是不包含闪电落区的雷达特征数。停止特征提取是停止不包含闪电落区特征的提取。
在一个实施例中,基于闪电样本的闪电定位数据对闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集的步骤,包括:
根据闪电的特征,设定预设大小的特征提取窗口;基于特征提取窗口以预设步长在闪电样本的三维雷达探测数据的栅格中依次遍历;对特征提取窗口当前覆盖区域进行识别,当当前覆盖区域为包含闪电落区区域时,提取当前覆盖区域的特征为包含闪电落区特征;当当前覆盖区域为不包含闪电落区区域时,提取当前覆盖区域的特征为不包含闪电落区特征;直至遍历完闪电样本的三维雷达探测数据的栅格,由提取的包含闪电落区特征组成包含闪电落区雷达数据集,从所有不包含闪电落区特征中,随机选取预设个数不包含闪电落区特征组成不包含闪电落区雷达数据集,其中预设个数与包含闪电落区雷达数据集包含闪电落区特征的个数相同。
其中,预设步长可以根据特征提取的需要进行设定,如:特征提取窗口的大小为5km×5km,每个栅格是1km×1km,则可设置预设步长为5,如图3所示的特征提取窗口遍历示意图,按照预设步长为5在闪电样本的三维雷达探测数据的栅格中依次移动,如图3中的第一次处理,即为第一个被覆盖区域,提取第一个被覆盖区域的特征,第二次处理是第一个被覆盖区域的特征提取完成之后,按照预设步长为5移动后,第二个被覆盖区域,依次类推。如图4所示的一层雷达探测数据提取出来的特征示意图,包括不包含闪电落区雷达数据集中的包含闪电落区特征,和不包含闪电落区雷达数据集中的不包含闪电落区特征,特征的个数一致,其中,包含闪电落区特征的在图中标识为1,不包含闪电落区特征的在图中标识为0。
在一个实施例中,根据包含闪电落区雷达数据集和不包含闪电落区雷达数据集,基于卷积神经网络模型进行模型训练,获得闪电落区识别模型的步骤,包括:
对包含闪电落区雷达数据集中的包含闪电落区特征,和不包含闪电落区雷达数据集的不包含闪电落区特征进行特征标记,获得雷达数据集;以设定划分比例对雷达数据集进行划分,获得训练集、测试集和验证集;根据训练集,基于AlexNet模型,构建卷积神经网络模型进行训练,获得初步闪电落区识别模型;根据验证集对初步闪电落区识别模型进行测试,获得测试后的闪电落区识别模型;根据测试集对测试后的闪电落区识别模型进行验证,确定测试后的闪电落区识别模型的精度;当验证结果测试后的闪电落区识别模型的精度达到阈值时,获得闪电落区识别模型;当验证结果测试后的闪电落区识别模型的精度未达到阈值时,返回根据验证集对初步闪电落区识别模型进行测试,获得测试后的闪电落区识别模型的步骤,直至验证结果测试后的闪电落区识别模型的精度达到阈值。
其中,雷达数据集包括被标记的包含闪电落区特征和不包含闪电落区特征,如图5所示的雷达数据集中部分特征示意图,既包括了被标记为1的包含闪电落区特征和被标记2的不包含闪电落区特征。设定划分比例为:训练集、测试集和验证集的比例为6:2:2。AlexNet模型是使用ReLU作为CNN的激活函数的神经网络。
上述基于三维雷达探测数据的闪电落区识别方法,通过获取雷达探测区域内的闪电击中地面时探测的雷达基数据;对雷达基数据进行数据转换,获得三维雷达探测数据;将三维雷达探测数据输入训练好的闪电落区识别模型进行识别,获得被闪电击中的区域;训练闪电落区识别模型的方式,包括:获取闪电样本的闪电定位数据和雷达基数据;对闪电样本的雷达基数据进行数据转换,获得闪电样本的三维雷达探测数据;基于闪电样本的闪电定位数据对闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集;根据包含闪电落区雷达数据集和不包含闪电落区雷达数据集,基于卷积神经网络模型进行模型训练,获得闪电落区识别模型。结合卷积神经网络模型自主学习多维雷达数据中隐含的空间规律,能够精确的识别出闪电落区问题,为后续基于雷达数据的闪电落区预测提供基础支撑,进一步实现能快速、精细化地为气象灾害的减灾防灾提供有效的决策支持,具有良好的社会和经济效果,能为气象雷击灾害的减灾防灾提供新的方法依据。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于三维雷达探测数据的闪电落区识别方法,其特征在于,所述方法包括:
获取雷达探测区域内的闪电击中地面时探测的雷达基数据;
对所述雷达基数据进行数据转换,获得三维雷达探测数据;
将所述三维雷达探测数据输入训练好的闪电落区识别模型进行识别,获得被所述闪电击中的区域;
训练所述闪电落区识别模型的方式,包括:
获取闪电样本的闪电定位数据和雷达基数据;
对所述闪电样本的所述雷达基数据进行数据转换,获得所述闪电样本的三维雷达探测数据;
基于所述闪电样本的闪电定位数据对所述闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集;
根据所述包含闪电落区雷达数据集和所述不包含闪电落区雷达数据集,基于卷积神经网络模型进行模型训练,获得闪电落区识别模型;
所述根据所述包含闪电落区雷达数据集和所述不包含闪电落区雷达数据集,基于卷积神经网络模型进行模型训练,获得闪电落区识别模型的步骤,包括:
对所述包含闪电落区雷达数据集中的包含闪电落区特征,和所述不包含闪电落区雷达数据集的不包含闪电落区特征进行特征标记,获得雷达数据集;
以设定划分比例对所述雷达数据集进行划分,获得训练集、测试集和验证集;
根据所述训练集,基于AlexNet模型,构建卷积神经网络模型进行训练,获得初步闪电落区识别模型;
根据所述验证集对所述初步闪电落区识别模型进行测试,获得测试后的闪电落区识别模型;
根据所述测试集对所述测试后的闪电落区识别模型进行验证,确定所述测试后的闪电落区识别模型的精度;
当所述验证结果测试后的闪电落区识别模型的精度达到阈值时,获得闪电落区识别模型;
当所述验证结果测试后的闪电落区识别模型的精度未达到阈值时,返回所述根据所述验证集对所述初步闪电落区识别模型进行测试,获得测试后的闪电落区识别模型的步骤,直至所述验证结果测试后的闪电落区识别模型的精度达到阈值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述闪电样本的闪电定位数据对所述闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集的步骤,包括:
根据所述闪电样本的闪电定位数据,确定所述闪电样本的位置;
根据所述闪电样本的位置,采用预设大小的特征提取窗口,在所述闪电样本的三维雷达探测数据的包含闪电落区区域,提取出包含闪电落区特征组成包含闪电落区雷达数据集;
采用所述特征提取窗口,随机在所述闪电样本的三维雷达探测数据中选取不包含闪电落区区域,提取出各不包含闪电落区特征组成不包含闪电落区雷达数据集。
3.根据权利要求2所述的方法,其特征在于,所述根据所述闪电样本的位置,采用预设大小的特征提取窗口,在所述闪电样本的三维雷达探测数据的包含闪电落区区域,提取出包含闪电落区特征组成包含闪电落区雷达数据集的步骤,包括:
根据所述闪电样本的位置,在所述闪电样本的三维雷达探测数据中,确定出各层雷达探测数据对应的闪电位置;
根据各层所述雷达探测数据对应的闪电位置,采用预设大小的特征提取窗口,依次在各层雷达探测数据的包含闪电落区区域,提取出各包含闪电落区特征组成包含闪电落区雷达数据集,其中,包含闪电落区区域为所述特征提取窗口以所述闪电位置为中心点覆盖的区域。
4.根据权利要求3所述的方法,其特征在于,所述采用所述特征提取窗口,随机在所述闪电样本的三维雷达探测数据中选取不包含闪电落区区域,提取出各不包含闪电落区特征组成不包含闪电落区雷达数据集的步骤,包括:
采用所述特征提取窗口,依次在各层所述雷达探测数据中随机选取覆盖区域;
当所述特征提取窗口覆盖到不包含闪电落区区域时,提取出不包含闪电落区特征;
当所述特征提取窗口覆盖到包含闪电落区区域时,重新随机选择覆盖区域,直至选择到不包含闪电落区区域时,提取出不包含闪电落区特征;
当提取的不包含闪电落区特征的个数与所述包含闪电落区雷达数据集包含闪电落区特征的个数相同时,停止特征提取,获得不包含闪电落区雷达数据集。
5.根据权利要求1所述的方法,其特征在于,所述基于所述闪电样本的闪电定位数据对所述闪电样本的三维雷达探测数据进行特征提取,构建包含闪电落区雷达数据集和不包含闪电落区雷达数据集的步骤,包括:
根据闪电的特征,设定预设大小的特征提取窗口;
基于所述特征提取窗口以预设步长在所述闪电样本的三维雷达探测数据的栅格中依次遍历;
对所述特征提取窗口当前覆盖区域进行识别,当所述当前覆盖区域为包含闪电落区区域时,提取所述当前覆盖区域的特征为包含闪电落区特征;
当所述当前覆盖区域为不包含闪电落区区域时,提取所述当前覆盖区域的特征为不包含闪电落区特征;
直至遍历完所述闪电样本的三维雷达探测数据的栅格,由提取的所述包含闪电落区特征组成包含闪电落区雷达数据集,从所有不包含闪电落区特征中,随机选取预设个数不包含闪电落区特征组成不包含闪电落区雷达数据集,其中预设个数与所述包含闪电落区雷达数据集包含闪电落区特征的个数相同。
6.根据权利要求1所述的方法,其特征在于,所述设定划分比例为:训练集、测试集和验证集的比例为6:2:2。
7.根据权利要求1所述的方法,其特征在于,对所述雷达基数据进行数据转换,获得三维雷达探测数据的步骤,包括:
对所述雷达基数据使用三维模型构建方式,以雷达点、雷达线、雷达扇区和雷达群集的逻辑对象来组织雷达数据,构造具有四边形的连续表面数据和具有六面体单元的体积数据,获得三维雷达探测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110235093.6A CN112596058B (zh) | 2021-03-03 | 2021-03-03 | 一种基于三维雷达探测数据的闪电落区识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110235093.6A CN112596058B (zh) | 2021-03-03 | 2021-03-03 | 一种基于三维雷达探测数据的闪电落区识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112596058A CN112596058A (zh) | 2021-04-02 |
CN112596058B true CN112596058B (zh) | 2021-06-01 |
Family
ID=75210356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110235093.6A Active CN112596058B (zh) | 2021-03-03 | 2021-03-03 | 一种基于三维雷达探测数据的闪电落区识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112596058B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146547A (zh) * | 2022-09-01 | 2022-10-04 | 南京信息工程大学 | 一种基于栅格的闪电落区预测方法 |
CN115494507B (zh) * | 2022-11-21 | 2023-02-14 | 南京气象科技创新研究院 | 基于星载双频降水雷达和微波成像仪的闪电识别方法 |
CN117523420B (zh) * | 2024-01-08 | 2024-04-19 | 南京信息工程大学 | 一种基于雷达产品数据的闪电落区识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068149A (zh) * | 2015-07-24 | 2015-11-18 | 国家电网公司 | 一种基于多信息综合的输变电设备雷电监测和预报方法 |
CN108896995A (zh) * | 2018-08-03 | 2018-11-27 | 中国航空工业集团公司雷华电子技术研究所 | 一种机载气象雷达雷暴识别方法 |
CN109143218A (zh) * | 2018-08-15 | 2019-01-04 | 武汉大学 | 一种基于vhf雷达的闪电定位系统及闪电定位方法 |
CN110161506A (zh) * | 2019-07-01 | 2019-08-23 | 江苏省气象科学研究所 | 一种基于多源气象观测资料的分类型冰雹落区识别方法 |
CN110346800A (zh) * | 2019-04-02 | 2019-10-18 | 成都锦江电子系统工程有限公司 | 一种基于双偏振天气雷达体扫数据的雷暴识别方法 |
-
2021
- 2021-03-03 CN CN202110235093.6A patent/CN112596058B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068149A (zh) * | 2015-07-24 | 2015-11-18 | 国家电网公司 | 一种基于多信息综合的输变电设备雷电监测和预报方法 |
CN108896995A (zh) * | 2018-08-03 | 2018-11-27 | 中国航空工业集团公司雷华电子技术研究所 | 一种机载气象雷达雷暴识别方法 |
CN109143218A (zh) * | 2018-08-15 | 2019-01-04 | 武汉大学 | 一种基于vhf雷达的闪电定位系统及闪电定位方法 |
CN110346800A (zh) * | 2019-04-02 | 2019-10-18 | 成都锦江电子系统工程有限公司 | 一种基于双偏振天气雷达体扫数据的雷暴识别方法 |
CN110161506A (zh) * | 2019-07-01 | 2019-08-23 | 江苏省气象科学研究所 | 一种基于多源气象观测资料的分类型冰雹落区识别方法 |
Non-Patent Citations (1)
Title |
---|
《基于GIS的闪电数据可视化监测与统计分析系统》;路明月等;《气象科学》;20130430;第33卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112596058A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112596058B (zh) | 一种基于三维雷达探测数据的闪电落区识别方法 | |
CN108427041B (zh) | 雷电预警方法、系统、电子设备和存储介质 | |
CN108268597B (zh) | 一种动目标活动概率图谱构建及行为意图识别方法 | |
CN111796343A (zh) | 一种基于人工智能算法的强对流天气短时临近识别方法 | |
JP5981886B2 (ja) | 点群解析処理装置、点群解析処理方法、及びプログラム | |
CN108254750B (zh) | 一种基于雷达资料的下击暴流智能识别预警方法 | |
CN110472775A (zh) | 一种系列案件疑犯落脚点预测方法 | |
CN113469278A (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
CN117523420B (zh) | 一种基于雷达产品数据的闪电落区识别方法及系统 | |
Lo et al. | Tracking heatwave extremes from an event perspective | |
Flournoy et al. | A climatology of cell mergers with supercells and their association with mesocyclone evolution | |
Zou et al. | A method of radar echo extrapolation based on TREC and Barnes filter | |
KR101221755B1 (ko) | 위험기상과 관련된 반사도 셀의 탐지 방법 | |
CN115879616A (zh) | 一种基于输电线路微气象站监测数据的高危气象识别方法及装置 | |
CN109325522B (zh) | 基于改进kmeans的重工业时序热源区域识别算法 | |
Katrojwar et al. | Design of Image based Analysis and Classification using Unmanned Aerial Vehicle | |
CN107403004A (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
Lu et al. | Lightning strike location identification based on 3D weather radar data | |
CN117517868A (zh) | 一种基于分布式测量数据的雷击故障匹配方法及系统 | |
CN113705693A (zh) | 一种电网雷电预警方法、装置、记录媒体及系统 | |
San Segundo et al. | Sensitivity analysis of lightning stroke-to-flash grouping criteria | |
Huang et al. | A new thunderstorm identification algorithm based on total lightning activity | |
CN103605988A (zh) | 一种基于空间金字塔随机映射的地基云图分类方法 | |
CN109405809A (zh) | 一种变电站洪水水深检测方法与系统 | |
Zhu et al. | Percentile-based neighborhood precipitation verification and its application to a landfalling tropical storm case with radar data assimilation |
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 |