CN113189594B - 一种基于时间连续性特征的天气雷达回波分类方法 - Google Patents

一种基于时间连续性特征的天气雷达回波分类方法 Download PDF

Info

Publication number
CN113189594B
CN113189594B CN202110271072.XA CN202110271072A CN113189594B CN 113189594 B CN113189594 B CN 113189594B CN 202110271072 A CN202110271072 A CN 202110271072A CN 113189594 B CN113189594 B CN 113189594B
Authority
CN
China
Prior art keywords
convolution
branch
module
echo
classification
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
Application number
CN202110271072.XA
Other languages
English (en)
Other versions
CN113189594A (zh
Inventor
王锐
毛华锋
胡程
崔铠
王帅航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Advanced Technology Research Institute of Beijing Institute of Technology
Original Assignee
Beijing Institute of Technology BIT
Advanced Technology Research Institute of Beijing Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT, Advanced Technology Research Institute of Beijing Institute of Technology filed Critical Beijing Institute of Technology BIT
Publication of CN113189594A publication Critical patent/CN113189594A/zh
Application granted granted Critical
Publication of CN113189594B publication Critical patent/CN113189594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/958—Theoretical aspects
    • 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
    • G01S13/006—Theoretical aspects
    • 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
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • 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
    • 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
    • G01S7/418—Theoretical aspects
    • 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

本发明公开了一种基于双支路卷积神经网络的天气雷达回波分类方法，通过搭建一个双支路的神经网络，其中一个支路提取连续两帧回波图像之间气象回波的运动信息，另一个支路提取需要分类回波图像的空间强度分布信息，之后融合两个支路提取的特征信息实现气象和生物回波的分类，本方法不仅应用了当前需要分类的回波图像的空间强度分布信息，还应用了两帧回波图像中气象回波的运动信息，提高了回波分类的效果，这有助于保证气象雷达对低空气象过程的观测有效性，同时也可以提取生物回波为生物迁飞提供宝贵的研究数据。

Description

一种基于时间连续性特征的天气雷达回波分类方法
技术领域
本发明属于天气雷达技术领域，具体涉及一种基于时间连续性特征的天气雷达回波分类方法。
背景技术
气象雷达可以为天气过程提供及时有效的观测数据，在气象灾害监测预警方面发挥着重要的作用。目前，我国已经组建了新一代气象雷达观测网，包含200多台S或C波段的气象雷达。单部雷达的观测半径从150km至460km不等，组网雷达可以基本实现对主要居住区域的无缝覆盖。
在气象雷达回波中，不仅来自于天气现象，还来自于空中迁飞的生物和地面固定的建筑植被等。生物迁飞与人类的生产生活关系紧密，特别是迁飞性害虫防治后每年仍然给我国造成350亿斤的粮食损失；同时生物迁飞也是自然界中重要的自然现象，维持生态平衡。实现气象雷达回波分类不仅可以提高天气过程观测的准确性，还可以得到迁飞生物大尺度空间的宏观观测，研究生物迁飞模式。
为了实现气象雷达的回波分类，Cui等人利用气象和生物在空间二维回波图像中的空间强度分布特征，应用深度学习中图像分割模型(DeepLabV3+)实现回波分类；Lin等人使用多仰角和多极化数据，基于FCN(FullConvolutionNetwork)同时实现对多仰角数据的回波分类。在实际观测的回波图像中发现，对于同一站点连续观测数据气象雷达回波会呈现一个明显演化的过程，这与生物回波的变化过程存在明显的区别，就像监控视频中背景基本保持不变，而前景在时间轴上连续变化，比如车辆由远及近，从左到右，总是可以依据前几帧图像对下一帧图像中车辆的位置给出大致的结果。因此，气象回波图像在时间轴上的变化特征可以为回波分类提供更多的信息和特征。
发明内容
有鉴于此，从气象回波图像时空演化过程出发，本发明提供了一种基于时间连续性特征的天气雷达回波分类方法，可以提高回波分类结果。
1、一种基于时间连续性特征的气象雷达回波分类方法，其特征在于，包括如下步骤：
将当前需要分割的回波图像输入到分割支路中；其中，所述分割支路基于残差网络中ResNet101结构搭建，包含5个卷积模块，依次包含1、3、4、23、3层卷积；每个卷积模块输出回波图像的空间分布特征；
将连续两帧回波图像同时输入运动特征支路，该支路中一共包括5个卷积模块，每个卷积模块中均由两个卷积层构成；最后得到基于时间连续性特征的粗分类结果；
建立基于CRN网路结构的5个串联的精炼模块；第一级精炼模块的输入为运动特征支路输出的分类结果和分割支路中第五个卷积模块输出的空间分布特征；第二级精炼模块对应接收分割支路中第四个卷积模输出的空间分布特征和第一级精炼模块的输出；其他精炼模块以此类推；最后一级的精炼模块的分类结果就是最终的回波图像分类结果。
2、如权利要求1所述的一种基于时间连续性特征的气象雷达回波分类方法，其特征在于，所述分割支路中各个卷积模块的卷积核的大小均设定为3。
3、如权利要求1所述的一种基于时间连续性特征的气象雷达回波分类方法，其特征在于，所述运动特征支路中第一个卷积模块的卷积核大小为7和5。
4、如权利要求3所述的一种基于时间连续性特征的气象雷达回波分类方法，其特征在于，所述运动特征支路中除了第一个卷积模块，其余卷积核大小均为3。
本发明具有如下有益效果：
本发明是一种基于时间连续性特征的天气雷达回波分类方法，通过搭建一个双支路的神经网络，其中一个支路提取连续两帧回波图像之间气象回波的运动信息，另一个支路提取需要分类回波图像的空间强度分布信息，之后融合两个支路提取的特征信息实现气象和生物回波的分类，本方法不仅应用了当前需要分类的回波图像的空间强度分布信息，还应用了两帧回波图像中气象回波的运动信息，提高了回波分类的效果，这有助于保证气象雷达对低空气象过程的观测有效性，同时也可以提取生物回波为生物迁飞提供宝贵的研究数据。
附图说明
图1为气象雷达对连续变化天气过程观测的伪彩图。
图2为气象雷达对夜间典型生物迁飞过程观测的伪彩图。
图3为应用时间连续性特征的双支路回波分类结构图。
具体实施方式
下面结合附图并举实例，对本发明进行详细描述。
气象雷达在汛期会全天工作，每隔5分钟左右完成一次体扫过程，其可以实现24小时不间断的对固定区域范围内的气象过程进行监测。在连续多帧的气象雷达回波图中，天气过程一般是从回波图像的边缘出现，然后逐渐扩展平移，最后再从边缘消失，如图1所示；而生物迁飞一般发生在低空区域，即生物回波总是直接出现在图像的中间区域，如图2所示，不会呈现如天气过程那样明显的运动变化。因此，上述气象和迁飞过程不同的时空模式可以为回波分类提供更多的信息。
为了利用隐藏在多帧回波图像之间的运动信息，构建了一个双支路的回波图像分类方法，如图3所示。
首先，基于残差网络(Residual network)结构搭建分割支路，其输入是当前需要分割的回波图像I1∈RC×H×W，其中H是图像的高度，W是图像的宽度，C是图像的通道数。回波图像空间强度分布支路采用ResNet101结构，其包含5个卷积Block，依次包含1、3、4、23、3层卷积，卷积核的大小均设定为3。残差结构在数据通路上构建直连通道，能有效应对随着网络层数增加导致的梯度消失问题。该支路的输出是各个Block提取的空间分布特征，也就是Fres-1∈R64×H/2×W/2，Fres-2∈R256×H/4×W/4，Fres-3∈R512×H/8×W/8，Fres-4∈R1024×H/16×W/16，Fres-5∈R2048 ×H/32×W/32。这些特征将用于后续的特征融合结构中，逐渐完善图像分类结果。
接着，为利用连续两帧之间气象回波图像的时间连续性特征，使用多个卷积层构建时间连续性运动特征支路提取隐藏在两帧之间的运动信息，其输入是连续两帧回波图像I1∈R2C×H×W。该支路中一共有5个卷积模块，每个模块中均由两个卷积层构成，除了第一个卷积模块中卷积核大小为7和5，其余卷积核大小均为3，最后经过1×1卷积层得到基于时间连续性特征的粗分类结果Fmov∈R1×H/32×W/32。
最后，需要将两个支路分别提取的空间强度分布特征Fres和时间连续性特征Fmov进行融合，得到最终的分类结果。基于CRN(CascadedRefinementNetwork)中的5个串联的精炼模块(RefinementModule)，按照分辨率顺序从粗到细逐渐完善回波图像分类结果。每个精炼模块输入包括前一级得到的粗分类结果和记忆特征，残差支路得到的相应空间强度分布特征映射，并通过反卷积对输出的分类结果和记忆特征进行逐级升采样。其中第一级精炼模块的输入为运动特征支路输出的分类结果，残差之路中第五个模块输出的空间分布特征，以及为了数据匹配而构建的初始化匹配矩阵。第二级精炼模块对应接收残差支路中第四个模块的空间分布特征，其他精炼模块以此类推；最后一级的精炼模块的分类结果就是最终的回波图像分类结果。
本发明通过分析气象和迁飞过程回波的不同时空特征，设计了一个双支路的卷积神经网络，一个支路提取连续两帧回波图像之间的时空特征，另一个支路分析需要分类回波图像的空间强度分布特征，并通过精炼模块构成的融合网络逐级完善分类结果。因此，本发明提供了一种基于时间连续性特征的天气雷达回波分类方法，下面以具体实施例说明实施步骤：
步骤一，由气象雷达历史观测数据构建数据集，每条数据由连续两帧回波图像和第二帧图像的分类标签构成；
步骤二，搭建上述的双支路分类网络，提取空间强度分布信息的残差支路输入是第二帧回波图像，提取气象回波运动信息支路的输入是两幅回波图像；
步骤三，随机选择数据集的80％作为训练数据，其余20％作为测试数据。基于时间连续特征的双支路神经网络与仅依据当前回波图像的U-net分类对比见表1，对比指标包括像交并比(IntersectionoverUnion，IoU)和平均交并比(MeanIntersectionoverUnion，MIoU)。
表1为本发明方法与U-net结果指标对比
Figure BDA0002972118480000051
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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 (4)

1.一种基于时间连续性特征的气象雷达回波分类方法，其特征在于，包括如下步骤：
将当前需要分割的回波图像输入到分割支路中；其中，所述分割支路基于残差网络中ResNet101结构搭建，包含5个卷积模块，依次包含1、3、4、23、3层卷积；每个卷积模块输出回波图像的空间分布特征；
将连续两帧回波图像同时输入运动特征支路，该支路中一共包括5个卷积模块，每个卷积模块中均由两个卷积层构成；最后得到基于时间连续性特征的粗分类结果；
建立基于CRN网路结构的5个串联的精炼模块；第一级精炼模块的输入为运动特征支路输出的分类结果和分割支路中第五个卷积模块输出的空间分布特征；第二级精炼模块对应接收分割支路中第四个卷积模块输出的空间分布特征和第一级精炼模块的输出；其他精炼模块以此类推；最后一级的精炼模块的分类结果就是最终的回波图像分类结果。
2.如权利要求1所述的一种基于时间连续性特征的气象雷达回波分类方法，其特征在于，所述分割支路中各个卷积模块的卷积核的大小均设定为3。
3.如权利要求1所述的一种基于时间连续性特征的气象雷达回波分类方法，其特征在于，所述运动特征支路中第一个卷积模块的卷积核大小为7和5。
4.如权利要求3所述的一种基于时间连续性特征的气象雷达回波分类方法，其特征在于，所述运动特征支路中除了第一个卷积模块，其余卷积核大小均为3。
CN202110271072.XA 2020-12-28 2021-03-11 一种基于时间连续性特征的天气雷达回波分类方法 Active CN113189594B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020115873561 2020-12-28
CN202011587356 2020-12-28

Publications (2)

Publication Number Publication Date
CN113189594A CN113189594A (zh) 2021-07-30
CN113189594B true CN113189594B (zh) 2022-11-25

Family

ID=76973237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110271072.XA Active CN113189594B (zh) 2020-12-28 2021-03-11 一种基于时间连续性特征的天气雷达回波分类方法

Country Status (1)

Country Link
CN (1) CN113189594B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113687358B (zh) * 2021-08-25 2024-06-21 深圳市万集科技有限公司 目标物体的识别方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993215A (zh) * 2017-11-27 2018-05-04 象辑知源（武汉）科技有限公司 一种天气雷达图像处理方法及系统
RU2698649C1 (ru) * 2018-01-16 2019-08-29 Акционерное общество "Федеральный научно-производственный центр "Нижегородский научно-исследовательский институт радиотехники" Способ обнаружения и классификации малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой
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
CN110568441A (zh) * 2019-09-09 2019-12-13 大连海事大学 一种基于卷积神经网络的船用雷达测雨识别方法
CN111007474A (zh) * 2019-11-29 2020-04-14 北京理工大学 一种基于多特征的天气雷达回波分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3748392A1 (en) * 2019-06-03 2020-12-09 NXP USA, Inc. System and method to classify objects using radar data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993215A (zh) * 2017-11-27 2018-05-04 象辑知源（武汉）科技有限公司 一种天气雷达图像处理方法及系统
RU2698649C1 (ru) * 2018-01-16 2019-08-29 Акционерное общество "Федеральный научно-производственный центр "Нижегородский научно-исследовательский институт радиотехники" Способ обнаружения и классификации малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой
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
CN110568441A (zh) * 2019-09-09 2019-12-13 大连海事大学 一种基于卷积神经网络的船用雷达测雨识别方法
CN111007474A (zh) * 2019-11-29 2020-04-14 北京理工大学 一种基于多特征的天气雷达回波分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Deep-learning-based extraction of the animal migration patterns from weather radar images;Kai CUI 等;《SCIENCE CHINA》;20200430;第63卷;1-10 *

Also Published As

Publication number Publication date
CN113189594A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
AU2021101714A4 (en) Method of land use classification oriented to time-series remote-sensing images
CN109360206B (zh) 基于深度学习的大田稻穗分割方法
Xu et al. Vehicle detection under UAV based on optimal dense YOLO method
CN103578119B (zh) 基于超像素的Codebook动态场景中目标检测方法
CN113189594B (zh) 一种基于时间连续性特征的天气雷达回波分类方法
CN110706242A (zh) 一种基于深度残差网络的对象级边缘检测方法
CN110020693B (zh) 基于特征注意和特征改善网络的极化sar图像分类方法
CN105046648A (zh) 一种构建高时空遥感数据的方法
CN109858557B (zh) 一种新的高光谱图像数据半监督分类方法
CN109063247A (zh) 基于深度信念网络的滑坡灾害预报方法
CN108876797A (zh) 一种基于Spiking-SOM神经网络聚类的图像分割系统及方法
CN106097253B (zh) 一种基于块旋转和清晰度的单幅图像超分辨率重建方法
CN106779067A (zh) 基于多源遥感数据的土壤湿度重建方法和系统
CN114155210B (zh) 基于注意力机制与标准化密集空洞空间多尺度融合网络的人群计数方法
CN102542560A (zh) 一种水稻移栽后密度自动检测的方法
CN110084181A (zh) 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法
CN116543282A (zh) 基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、系统、设备及介质
Wang et al. DualSeg: Fusing transformer and CNN structure for image segmentation in complex vineyard environment
CN114943902A (zh) 基于多尺度特征感知网络的城市植被无人机遥感分类方法
CN110223224A (zh) 一种基于信息过滤网络的图像超分辨实现算法
Bai et al. Rpnet: Rice plant counting after tillering stage based on plant attention and multiple supervision network
CN116091940B (zh) 一种基于高分辨率卫星遥感影像的作物分类和识别方法
CN116824144A (zh) 一种对葡萄叶小病斑进行分割的U型感知轻量级Transformer方法
CN116935206A (zh) 一种基于sca与3d-cnn融合网络的高维多源遥感影像分类方法
CN116012713A (zh) 基于多源卫星遥感数据的作物种植信息监测方法

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