CN113253232B - 结合机器学习与三维变分同化的二维风场反演方法和装置 - Google Patents

结合机器学习与三维变分同化的二维风场反演方法和装置 Download PDF

Info

Publication number
CN113253232B
CN113253232B CN202110599040.2A CN202110599040A CN113253232B CN 113253232 B CN113253232 B CN 113253232B CN 202110599040 A CN202110599040 A CN 202110599040A CN 113253232 B CN113253232 B CN 113253232B
Authority
CN
China
Prior art keywords
radar
wind
wind speed
data set
value
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
CN202110599040.2A
Other languages
English (en)
Other versions
CN113253232A (zh
Inventor
李健兵
高航
周洁
王雪松
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110599040.2A priority Critical patent/CN113253232B/zh
Publication of CN113253232A publication Critical patent/CN113253232A/zh
Application granted granted Critical
Publication of CN113253232B publication Critical patent/CN113253232B/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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • 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
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种结合机器学习与三维变分同化的二维风场反演方法和装置。所述方法通过将雷达和测风仪的探测数据插值到分析网格点上，然后利用三维变分同化方法建立代价函数，通过迭代优化求解得到风场反演结果。迭代过程中无需插值，减少了计算量；针对雷达探测数据较密集、测风仪探测数据较稀疏的特点，利用机器学习中成熟的有监督学习方式和半监督学习方式来对雷达数据和测风仪数据进行插值，可以得到较高的准确率，减小插值引入的误差。

Description

结合机器学习与三维变分同化的二维风场反演方法和装置
技术领域
本申请涉及遥感技术领域，特别是涉及一种结合机器学习与三维变分同化的二维风场反演方法和装置。
背景技术
三维变分同化法是常用的风场反演方法，其根据观测数据和理论动力模式建立代价函数，通过计算代价函数的极小值反演得到风场。
雷达和测风仪是常用的风场观测设备，雷达遥感获取扫描区域内多个探测点的风速在雷达径向上的投影速度（径向风速），测风仪可以获取所在位置处的横、纵向风速。但是由于雷达和测风仪的观测数据具有空间分布不均匀、与分析网格点不匹配的特点，现有的基于雷达和测风仪的同化方法均需将雷达和测风仪的探测数据插值到统一网格上。采用较多的插值方法有：双线性插值方法、Barnes（巴尼斯）插值方法、先锥面后垂直内插的方法等。其中Barnes插值方法是一种指数加权平均算法，具有易于实现、误差较小且光滑性较好的优点而被广泛采用，但其插值结果与影响半径的选择有较大关系，且会引入一定的插值误差，影响风场反演结果的准确性。同时，三维变分同化法在迭代求解过程中，不断将分析网格的迭代值插值到测风仪处与探测数据比对，具有较大的计算开销。
发明内容
基于此，有必要针对上述技术问题，提供一种结合机器学习与三维变分同化的二维风场反演方法和装置。该方法利用雷达和测风仪探测数据，结合机器学习和三维变分同化法较快速、准确地实现二维风场的反演。
一种结合机器学习与三维变分同化的二维风场反演方法，所述方法包括：
通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据；所述待测风场探测数据包括：雷达探测的径向风速探测值以及测风仪探测的横向风速探测值和纵向风速探测值。
将所述待测风场区域划分为均匀的分析网格，并建立xoy坐标系；所述xoy坐标系是在待测风场区域中心设置一台雷达，以雷达位置为中心o，横向为x轴，纵向为y轴建立的。
根据所述径向风速探测值，采用有监督学习方式将所述径向风速探测值插值到所述分析网格上，得到分析网格上的径向风速观测值。
根据分析网格上的所述径向风速观测值，采用半监督学习方式将测风仪探测的所述横向风速探测值和所述纵向风速探测值插值到所述分析网格上，得到分析网格上的横向风速观测值和纵向风速观测值。
根据分析网格上的所述径向风速观测值、所述横向风速观测值以及所述纵向风速观测值，采用三维变分同化法构建代价函数；通过优化求解所述代价函数得到分析网格上二维风场的反演结果。
在其中一个实施例中，通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据，包括：
在待测风场区域中心设置一台雷达，通过所述雷达对所述待测风场区域进行平面显示器扫描，扫描方向为顺时针方向，得到径向风速探测值。
在所述待测风场区域布置若干个测风仪，通过所述测风仪探测得到所述测风仪所在位置处的横向风速探测值和纵向风速探测值。
在其中一个实施例中，根据所述径向风速探测值，采用有监督学习方式将所述径向风速探测值插值到所述分析网格上，得到分析网格上的径向风速观测值，包括：
将雷达探测点的位置作为雷达有标记数据的特征。
将所述径向风速探测值作为雷达有标记数据的值。
将分析网格点的位置作为雷达未标记数据的特征。
根据所述雷达有标记数据的特征、所述雷达有标记数据的值以及所述雷达未标记数据的特征构建雷达有标记数据集和雷达未标记数据集；所述雷达有标记数据集和所述雷达未标记数据集的构建公式如下：
Figure 952008DEST_PATH_IMAGE001
其中，
Figure 372625DEST_PATH_IMAGE002
表示雷达有标记数据集的特征，
Figure 376353DEST_PATH_IMAGE003
表示雷达有标记数据集的值，其中
Figure 224223DEST_PATH_IMAGE004
为雷达第i个探测点在坐标系xoy中的横纵坐标，
Figure 149454DEST_PATH_IMAGE005
为第i个雷达探测点处径向风速探测值，i表示位置编号，
Figure 170500DEST_PATH_IMAGE006
，f为雷达探测点个数；
Figure 231997DEST_PATH_IMAGE007
表示雷达未标记数据集的特征，其中
Figure 250768DEST_PATH_IMAGE008
为第
Figure 460033DEST_PATH_IMAGE009
个分析网格的横纵坐标，
Figure 222452DEST_PATH_IMAGE010
，m和n分别表示所述待测风场区域中分析网格的横向个数和纵向个数。
采用最近邻算法学习所述雷达有标记数据集，并按照与距离成反比的权重加权得到雷达未标记数据集的值；所述雷达未标记数据集的值为分析网格上的径向风速观测值。
在其中一个实施例中，根据分析网格上的所述径向风速观测值，采用半监督学习方式将测风仪探测的所述横向风速探测值和所述纵向风速探测值插值到所述分析网格上，得到分析网格上的横向风速观测值和纵向风速观测值，包括：
将测风仪的位置和所述测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度作为测风仪有标记数据的特征。
将测风仪在其所处位置探测得到的所述横向风速探测值和所述纵向风速探测值作为测风仪有标记数据的值。
将分析网格点的位置坐标和对应位置上的所述分析网格上的径向风速观测值作为测风仪未标记数据的特征。
根据所述测风仪有标记数据的特征、所述测风仪有标记数据的值、所述测风仪未标记数据的特征，构建测风仪有标记数据集和测风仪未标记数据集；所述测风仪有标记数据集和所述测风仪未标记数据集的构建公式如下：
Figure 404035DEST_PATH_IMAGE011
Figure 656025DEST_PATH_IMAGE012
其中，
Figure 24689DEST_PATH_IMAGE013
表示测风仪有标记数据集的特征，
Figure 590800DEST_PATH_IMAGE014
表示测风仪有标记数据集的值，其中
Figure 689206DEST_PATH_IMAGE015
为第
Figure 49780DEST_PATH_IMAGE016
个测风仪的横纵坐标，
Figure 171320DEST_PATH_IMAGE017
，
Figure 337859DEST_PATH_IMAGE018
，d为测风仪数量，
Figure 228455DEST_PATH_IMAGE019
为第
Figure 822247DEST_PATH_IMAGE020
个测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度，在xoy坐标系中，
Figure 431083DEST_PATH_IMAGE021
，其中
Figure 73417DEST_PATH_IMAGE022
、
Figure 880836DEST_PATH_IMAGE023
分别为第
Figure 848792DEST_PATH_IMAGE024
个测风仪探测到的横向风速探测值和纵向风速探测值；
Figure 679344DEST_PATH_IMAGE025
表示测风仪未标记数据集的特征，其中
Figure 187686DEST_PATH_IMAGE026
为第
Figure 787295DEST_PATH_IMAGE027
个分析网格的横纵坐标；其中
Figure 926152DEST_PATH_IMAGE028
为分析网格上的径向风速观测值，
Figure 306318DEST_PATH_IMAGE029
，m和n分别表示所述待测风场区域中分析网格的横向个数和纵向个数。
采用半监督学习中的协同回归法学习所述测风仪有标记数据集，并结合所述测风仪未标记数据集的特征，建立两个不同参数的最近邻算法协同训练，得到测风仪未标记数据集的值；所述测风仪未标记数据集的值为分析网格上的横向风速观测值和纵向风速观测值。
一种结合机器学习与三维变分同化的二维风场反演装置，所述装置包括：
待测风场观测数据获取模块，用于通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据；所述待测风场探测数据包括：雷达探测的径向风速探测值以及测风仪探测的横向风速探测值和纵向风速探测值。
网格划分和建立坐标系模块，用于将所述待测风场区域划分为均匀的分析网格，并建立xoy坐标系；所述xoy坐标系是在待测风场区域中心设置一台雷达，以雷达位置为中心o，横向为x轴，纵向为y轴建立的。
雷达探测数据插值模块，用于根据所述径向风速探测值，采用有监督学习方式将所述径向风速探测值插值到所述分析网格上，得到分析网格上的径向风速观测值。
测风仪探测数据插值模块，用于根据分析网格上的所述径向风速观测值，采用半监督学习方式将测风仪探测的所述横向风速探测值和所述纵向风速探测值插值到所述分析网格上，得到分析网格上的横向风速观测值和纵向风速观测值。
二维风场的反演结果确定模块，用于根据分析网格上的所述径向风速观测值、所述横向风速观测值以及所述纵向风速观测值，采用三维变分同化法构建代价函数；通过优化求解所述代价函数得到分析网格上二维风场的反演结果。
在其中一个实施例中，待测风场观测数据获取模块，还用于在待测风场区域中心设置一台雷达，通过所述雷达对所述待测风场区域进行平面显示器扫描，扫描方向为顺时针方向，得到径向风速探测值；在所述待测风场区域布置若干个测风仪，通过所述测风仪探测得到所述测风仪所在位置处的横向风速探测值和纵向风速探测值。
在其中一个实施例中，雷达探测数据插值模块，还用于将雷达探测点的位置作为雷达有标记数据的特征；将所述径向风速探测值作为雷达有标记数据的值；将分析网格点的位置作为雷达未标记数据的特征；根据所述雷达有标记数据的特征、所述雷达有标记数据的值以及所述雷达未标记数据的特征构建雷达有标记数据集和雷达未标记数据集；所述雷达有标记数据集和所述雷达未标记数据集的构建公式如下：
Figure 821613DEST_PATH_IMAGE030
其中，
Figure 275728DEST_PATH_IMAGE031
表示雷达有标记数据集的特征，
Figure 382224DEST_PATH_IMAGE032
表示雷达有标记数据集的值，其中
Figure 452948DEST_PATH_IMAGE033
为雷达第i个探测点在坐标系xoy中的横纵坐标，
Figure 240776DEST_PATH_IMAGE034
为第i个雷达探测点处径向风速探测值，i表示位置编号，
Figure 877294DEST_PATH_IMAGE035
，f为雷达探测点个数；
Figure 357953DEST_PATH_IMAGE036
表示雷达未标记数据集的特征，其中
Figure 650394DEST_PATH_IMAGE037
为第
Figure 38651DEST_PATH_IMAGE038
个分析网格的横纵坐标，
Figure 732937DEST_PATH_IMAGE039
，m和n分别表示所述待测风场区域中分析网格的横向个数和纵向个数。
采用最近邻算法学习所述雷达有标记数据集，并按照与距离成反比的权重加权得到雷达未标记数据集的值；所述雷达未标记数据集的值为分析网格上的径向风速观测值。
在其中一个实施例中，测风仪探测数据插值模块，还用于将测风仪的位置和所述测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度作为测风仪有标记数据的特征；将测风仪在其所处位置探测得到的所述横向风速探测值和所述纵向风速探测值作为测风仪有标记数据的值；将分析网格点的位置坐标和对应位置上的所述分析网格上的径向风速观测值作为测风仪未标记数据的特征；根据所述测风仪有标记数据的特征、所述测风仪有标记数据的值、所述测风仪未标记数据的特征，构建测风仪有标记数据集和测风仪未标记数据集；所述测风仪有标记数据集和所述测风仪未标记数据集的构建公式如下：
Figure 384498DEST_PATH_IMAGE040
Figure 972692DEST_PATH_IMAGE041
其中，
Figure 367901DEST_PATH_IMAGE042
表示测风仪有标记数据集的特征，
Figure 916694DEST_PATH_IMAGE043
表示测风仪有标记数据集的值，其中
Figure 535894DEST_PATH_IMAGE044
为第
Figure 802928DEST_PATH_IMAGE045
个测风仪的横纵坐标，
Figure 736248DEST_PATH_IMAGE046
，
Figure 201865DEST_PATH_IMAGE047
，d为测风仪数量，
Figure 195229DEST_PATH_IMAGE048
为第
Figure 683979DEST_PATH_IMAGE049
个测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度，在xoy坐标系中，
Figure 217728DEST_PATH_IMAGE050
，其中
Figure 741114DEST_PATH_IMAGE051
、
Figure 905379DEST_PATH_IMAGE052
分别为第
Figure 943742DEST_PATH_IMAGE053
个测风仪探测到的横向风速探测值和纵向风速探测值；
Figure 218865DEST_PATH_IMAGE054
表示测风仪未标记数据集的特征，其中
Figure 596757DEST_PATH_IMAGE055
为第
Figure 728661DEST_PATH_IMAGE056
个分析网格的横纵坐标；其中
Figure 457583DEST_PATH_IMAGE057
为分析网格上的径向风速观测值，
Figure 270818DEST_PATH_IMAGE058
，m和n分别表示所述待测风场区域中分析网格的横向个数和纵向个数。
采用半监督学习中的协同回归法学习所述测风仪有标记数据集，并结合所述测风仪未标记数据集的特征，建立两个不同参数的最近邻算法协同训练，得到测风仪未标记数据集的值；所述测风仪未标记数据集的值为分析网格上的横向风速观测值和纵向风速观测值。
上述结合机器学习与三维变分同化的二维风场反演方法和装置，该方法通过将雷达和测风仪的探测数据插值到分析网格点上，然后利用三维变分同化方法建立代价函数，通过迭代优化求解得到风场反演结果。迭代过程中无需插值，减少了计算量；针对雷达探测数据较密集、测风仪探测数据较稀疏的特点，利用机器学习中成熟的有监督学习方式和半监督学习方式来对雷达数据和测风仪数据进行插值，可以得到较高的准确率，减小插值引入的误差。
附图说明
图1为一个实施例中结合机器学习与三维变分同化的二维风场反演方法的流程示意图；
图2为另一个实施例中雷达扫描和测风仪分布的场景图；
图3为另一个实施例中本发明的方法与传统方法在不同测风仪数量下反演误差的对比结果；
图4为另一个实施例中本发明的方法与传统方法在不同测风仪数量下计算耗时的对比结果；
图5为一个实施例中结合机器学习与三维变分同化的二维风场反演装置的结构框图。
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，提供了一种结合机器学习与三维变分同化的二维风场反演方法，该方法包括以下步骤：
步骤100：通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据。
待测风场探测数据包括：雷达探测的径向风速探测值以及测风仪探测的横向风速探测值和纵向风速探测值。
步骤102：将待测风场区域划分为均匀的分析网格，并建立xoy坐标系。
xoy坐标系是在待测风场区域中心设置一台雷达，以雷达位置为中心o，横向为x轴，纵向为y轴建立的。
如图2所示，ABCD方框为待测风场区域，将待测风场区域划分为均匀分析网格，如图2中虚线所示。在区域中心设置一台雷达，以雷达位置为中心o，横向为x轴，纵向为y轴，建立xoy坐标系。
步骤104：根据径向风速探测值，采用有监督学习方式将径向风速探测值插值到分析网格上，得到分析网格上的径向风速观测值。
步骤106：根据分析网格上的径向风速观测值，采用半监督学习方式将测风仪探测的横向风速探测值和纵向风速探测值插值到分析网格上，得到分析网格上的横向风速观测值和纵向风速观测值。
步骤108：根据分析网格上的径向风速观测值、横向风速观测值以及纵向风速观测值，采用三维变分同化法构建代价函数；通过优化求解代价函数得到分析网格上二维风场的反演结果。
采用三维变分同化法构建代价函数的表达式为：
Figure 565533DEST_PATH_IMAGE059
（1）
其中，
Figure 337180DEST_PATH_IMAGE060
分别为分析网格上的横向风速分析值和纵向风速分析值，
Figure 22239DEST_PATH_IMAGE061
，
Figure 701482DEST_PATH_IMAGE062
代表
Figure 53966DEST_PATH_IMAGE063
阶矩阵，
Figure 730935DEST_PATH_IMAGE064
，
Figure 168870DEST_PATH_IMAGE065
，
Figure 386225DEST_PATH_IMAGE066
分别为径向风速代价函数、常规观测代价函数和平滑项约束，其具体的表达式分别为：
Figure 593215DEST_PATH_IMAGE067
Figure 503402DEST_PATH_IMAGE068
Figure 428633DEST_PATH_IMAGE069
其中，
Figure 387362DEST_PATH_IMAGE070
为分析网格上的横、纵坐标，
Figure 245596DEST_PATH_IMAGE071
为径向风速观测值，
Figure 529947DEST_PATH_IMAGE072
，
Figure 676894DEST_PATH_IMAGE073
分别为第
Figure 501631DEST_PATH_IMAGE074
个横向风速观测值和纵向风速观测值，
Figure 683214DEST_PATH_IMAGE075
为雷达探测点个数，
Figure 607307DEST_PATH_IMAGE076
为测风仪个数，m和n分别表示待测风场区域中分析网格的横向个数和纵向个数。
对所述代价函数进行优化求解，得到分析网格上二维风场的反演结果。二维风场的反演结果包括：分析网格上的横向风速分析值和纵向风速分析值。
上述结合机器学习与三维变分同化的二维风场反演方法中，所述方法通过将雷达和测风仪的探测数据插值到分析网格点上，然后利用三维变分同化方法建立代价函数，通过迭代优化求解得到风场反演结果。迭代过程中无需插值，减少了计算量；针对雷达探测数据较密集、测风仪探测数据较稀疏的特点，利用机器学习中成熟的有监督学习方式和半监督学习方式来对雷达数据和测风仪数据进行插值，可以得到较高的准确率，减小插值引入的误差。
在其中一个实施例中，步骤100还包括：在待测风场区域中心设置一台雷达，通过雷达对待测风场区域进行平面显示器扫描，扫描方向为顺时针方向，得到径向风速探测值；在待测风场区域布置若干个测风仪，通过测风仪探测得到测风仪所在位置处的横向风速探测值和纵向风速探测值。
雷达对待测风场区域进行平面位置显示器（plan position indicator，简称：PPI）扫描，扫描方向为顺时针方向，图2中圆形区域为雷达探测数据的覆盖区域，雷达探测得到该区域内的径向风速探测值。在ABCD区域内，布置若干个测风仪，图2中黑色圆点即为布置测风仪的位置，测风仪探测得到其所在位置处的横向风速探测值和纵向风速探测值。
在其中一个实施例中，步骤104还包括：将雷达探测点的位置作为雷达有标记数据的特征；将径向风速探测值作为雷达有标记数据的值；将分析网格点的位置作为雷达未标记数据的特征；根据雷达有标记数据的特征、雷达有标记数据的值以及雷达未标记数据的特征构建雷达有标记数据集和雷达未标记数据集；雷达有标记数据集和雷达未标记数据集的构建公式如下：
Figure 507130DEST_PATH_IMAGE077
（2）
其中，
Figure 869978DEST_PATH_IMAGE078
表示雷达有标记数据集的特征，
Figure 906068DEST_PATH_IMAGE079
表示雷达有标记数据集的值，其中
Figure 266642DEST_PATH_IMAGE080
为雷达第i个探测点在坐标系xoy中的横纵坐标，
Figure 450498DEST_PATH_IMAGE081
为第i个雷达探测点处径向风速探测值，i表示位置编号，
Figure 554721DEST_PATH_IMAGE082
，f为雷达探测点个数；
Figure 242054DEST_PATH_IMAGE083
表示雷达未标记数据集的特征，其中
Figure 39109DEST_PATH_IMAGE084
为第
Figure 382365DEST_PATH_IMAGE085
个分析网格的横纵坐标，
Figure 555858DEST_PATH_IMAGE086
，m和n分别表示待测风场区域中分析网格的横向个数和纵向个数。
采用最近邻算法学习雷达有标记数据集，并按照与距离成反比的权重加权得到雷达未标记数据集的值；雷达未标记数据集的值为分析网格上的径向风速观测值。
在其中一个实施例中，步骤106还包括：将测风仪的位置和测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度作为测风仪有标记数据的特征；将测风仪在其所处位置探测得到的横向风速探测值和纵向风速探测值作为测风仪有标记数据的值；将分析网格点的位置坐标和对应位置上的分析网格上的径向风速观测值作为测风仪未标记数据的特征；根据测风仪有标记数据的特征、测风仪有标记数据的值、测风仪未标记数据的特征，构建测风仪有标记数据集和测风仪未标记数据集；测风仪有标记数据集和测风仪未标记数据集的构建公式如下：
Figure 363277DEST_PATH_IMAGE087
（3）
其中，
Figure 161785DEST_PATH_IMAGE089
表示测风仪有标记数据集的特征，
Figure 670127DEST_PATH_IMAGE090
表示测风仪有标记数据集的值，其中
Figure 269736DEST_PATH_IMAGE091
为第
Figure 408593DEST_PATH_IMAGE092
个测风仪的横纵坐标，
Figure 788759DEST_PATH_IMAGE093
，
Figure 772895DEST_PATH_IMAGE094
，d为测风仪数量，
Figure 758169DEST_PATH_IMAGE095
为第
Figure 864665DEST_PATH_IMAGE092
个测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度，在xoy坐标系中，
Figure 669810DEST_PATH_IMAGE096
，其中
Figure 723217DEST_PATH_IMAGE097
、
Figure 359734DEST_PATH_IMAGE098
分别为第
Figure 574815DEST_PATH_IMAGE099
个测风仪探测到的横向风速探测值和纵向风速探测值；
Figure 867256DEST_PATH_IMAGE100
表示测风仪未标记数据集的特征，其中
Figure 521091DEST_PATH_IMAGE101
为第
Figure 949799DEST_PATH_IMAGE102
个分析网格的横纵坐标；其中
Figure 601360DEST_PATH_IMAGE103
为分析网格上的径向风速观测值，
Figure 443414DEST_PATH_IMAGE104
，m和n分别表示待测风场区域中分析网格的横向个数和纵向个数。
采用半监督学习中的协同回归法学习测风仪有标记数据集，并结合测风仪未标记数据集的特征，建立两个不同参数的最近邻算法协同训练，得到测风仪未标记数据集的值；测风仪未标记数据集的值为分析网格上的横向风速观测值和纵向风速观测值。
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。
在一个实施例中，提供了一种结合机器学习与三维变分同化的二维风场反演方法，具体步骤包括：
步骤一：利用雷达和若干个测风仪对感兴趣的风场区域进行探测，获取感兴趣的风场区域风速探测值，并将感兴趣的风场区域划分为均匀分析网格，建立xoy坐标系。
步骤二：利用有监督学习方式将径向风速探测值插值到分析网格上，得到径向风速观测值。
步骤三：根据径向风速观测值，利用半监督学习方式将测风仪探测的横向风速探测值和纵向风速探测值插值到分析网格上。
步骤四：利用三维变分法建立代价函数，优化求解得到分析网格上风场反演的结果。
根据步骤二，将雷达探测数据作为有标记数据，分析网格点作为未标记数据，根据上述公式（2）建立有标记数据集和未标记数据集。选用有监督学习方式KNN（最近邻算法）学习有标记数据集，然后按照与距离成反比的权重加权得到未标记数据集的值，将雷达探测数据插值到分析网格上，即得到径向风速观测值。
在此基础上，根据步骤三，将测风仪探测数据作为已标记数据，分析网格点作为未标记数据，根据上述公式（3）建立有标记数据集和未标记数据集，并利用半监督学习方式COREG（协同回归）将若干个测风仪的探测数据插值到分析网格上得到二维风速的观测值，即横向风速观测值和纵向风速观测值。
通过步骤二和步骤三，插值得到分析网格上径向风速观测值和横向风速观测值、纵向风速观测值。在步骤二和步骤三中，均采用交叉验证来确定KNN中的参数——最近邻个数和闵氏距离中常数p的最优值。
最后，在步骤四中，利用三维变分同化法建立代价函数，通过优化求解得到分析网格上二维风场的反演结果。求解上述方程（1）得到二维风场速度的分析值。
如图3所示，给出了在不同数量测风仪情况下，本发明提出的二维风场反演方法与传统（例如：基于Barnes插值的三维变分同化方法）反演方法的对比结果。其中横坐标表示待测风场区域内设置的测风仪个数，纵轴表示反演二维风场的均方根误差，圆圈-虚线表示利用本发明反演二维风场的均方根误差，三角-实线表示利用传统方法反演二维风场的均方根误差。通过图3的对比，发现通过结合机器学习和三维变分同化方法，本发明可以得到更准确的风场反演结果。
如图4所示，在相同的软件和硬件条件下：16G的RAM和2.59GHz的六核处理器，Matlab并行编程，对比了利用本发明与传统（例如：基于Barnes插值的三维变分同化方法）反演方法在不同数量测风仪情况下，完成三维变分同化法所需计算耗时的对比。其中横坐标表示待测风场区域内设置的测风仪个数，纵轴表示计算耗时，圆圈-虚线表示本发明完成三维变分同化所需计算耗时，三角-实线表示传统方法完成三维变分同化所需计算耗时。通过图4的对比，可以发现在不同测风仪个数情况下，本发明的计算耗时相比传统方法都有较大幅度的减小。
在一个实施例中，如图5所示，提供了一种结合机器学习与三维变分同化的二维风场反演装置，所述装置包括待测风场观测数据获取模块、网格划分和建立坐标系模块、雷达探测数据插值模块、测风仪探测数据插值模块以及二维风场的反演结果确定模块，其中：
待测风场观测数据获取模块，用于通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据；待测风场探测数据包括：雷达探测的径向风速探测值以及测风仪探测的横向风速探测值和纵向风速探测值。
网格划分和建立坐标系模块，用于将待测风场区域划分为均匀的分析网格，并建立xoy坐标系；xoy坐标系是在待测风场区域中心设置一台雷达，以雷达位置为中心o，横向为x轴，纵向为y轴建立的。
雷达探测数据插值模块，用于根据径向风速探测值，采用有监督学习方式将径向风速探测值插值到分析网格上，得到分析网格上的径向风速观测值。
测风仪探测数据插值模块，用于根据分析网格上的径向风速观测值，采用半监督学习方式将测风仪探测的横向风速探测值和纵向风速探测值插值到分析网格上，得到分析网格上的横向风速观测值和纵向风速观测值。
二维风场的反演结果确定模块，用于根据分析网格上的径向风速观测值、横向风速观测值以及纵向风速观测值，采用三维变分同化法构建代价函数；通过优化求解代价函数得到分析网格上二维风场的反演结果。
在其中一个实施例中，待测风场观测数据获取模块，还用于在待测风场区域中心设置一台雷达，通过雷达对待测风场区域进行平面显示器扫描，扫描方向为顺时针方向，得到径向风速探测值；在待测风场区域布置若干个测风仪，通过测风仪探测得到测风仪所在位置处的横向风速探测值和纵向风速探测值。
在其中一个实施例中，雷达探测数据插值模块，还用于将雷达探测点的位置作为雷达有标记数据的特征；将径向风速探测值作为雷达有标记数据的值；将分析网格点的位置作为雷达未标记数据的特征；根据雷达有标记数据的特征、雷达有标记数据的值以及雷达未标记数据的特征构建雷达有标记数据集和雷达未标记数据集；雷达有标记数据集和雷达未标记数据集的构建公式如下：
Figure 573044DEST_PATH_IMAGE105
其中，
Figure 121837DEST_PATH_IMAGE106
表示雷达有标记数据集的特征，
Figure 6616DEST_PATH_IMAGE107
表示雷达有标记数据集的值，其中
Figure 8071DEST_PATH_IMAGE108
为雷达第i个探测点在坐标系xoy中的横纵坐标，
Figure 206971DEST_PATH_IMAGE109
为第i个雷达探测点处径向风速探测值，i表示位置编号，
Figure 407008DEST_PATH_IMAGE110
，f为雷达探测点个数；
Figure 665951DEST_PATH_IMAGE111
表示雷达未标记数据集的特征，其中
Figure 154701DEST_PATH_IMAGE112
为第
Figure 688451DEST_PATH_IMAGE113
个分析网格的横纵坐标，
Figure 211836DEST_PATH_IMAGE114
，m和n分别表示待测风场区域中分析网格的横向个数和纵向个数。
采用最近邻算法学习雷达有标记数据集，并按照与距离成反比的权重加权得到雷达未标记数据集的值；雷达未标记数据集的值为分析网格上的径向风速观测值。
在其中一个实施例中，测风仪探测数据插值模块，还用于将测风仪的位置和测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度作为测风仪有标记数据的特征；将测风仪在其所处位置探测得到的横向风速探测值和纵向风速探测值作为测风仪有标记数据的值；将分析网格点的位置坐标和对应位置上的分析网格上的径向风速观测值作为测风仪未标记数据的特征；根据测风仪有标记数据的特征、测风仪有标记数据的值、测风仪未标记数据的特征，构建测风仪有标记数据集和测风仪未标记数据集；测风仪有标记数据集和测风仪未标记数据集的构建公式如下：
Figure 376101DEST_PATH_IMAGE115
Figure 148885DEST_PATH_IMAGE116
其中，
Figure 689588DEST_PATH_IMAGE117
表示测风仪有标记数据集的特征，
Figure 67479DEST_PATH_IMAGE118
表示测风仪有标记数据集的值，其中
Figure 199383DEST_PATH_IMAGE119
为第
Figure 928305DEST_PATH_IMAGE099
个测风仪的横纵坐标，
Figure 741540DEST_PATH_IMAGE120
，
Figure 36255DEST_PATH_IMAGE121
，d为测风仪数量，
Figure 542323DEST_PATH_IMAGE122
为第
Figure 492961DEST_PATH_IMAGE123
个测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度，在xoy坐标系中，
Figure 172204DEST_PATH_IMAGE124
，其中
Figure 524688DEST_PATH_IMAGE125
、
Figure 201657DEST_PATH_IMAGE126
分别为第
Figure 436330DEST_PATH_IMAGE123
个测风仪探测到的横向风速探测值和纵向风速探测值；
Figure 856947DEST_PATH_IMAGE127
表示测风仪未标记数据集的特征，其中
Figure 63937DEST_PATH_IMAGE128
为第
Figure 708545DEST_PATH_IMAGE129
个分析网格的横纵坐标；其中
Figure 633776DEST_PATH_IMAGE130
为分析网格上的径向风速观测值，
Figure 592505DEST_PATH_IMAGE131
，m和n分别表示待测风场区域中分析网格的横向个数和纵向个数。
采用半监督学习中的协同回归法学习测风仪有标记数据集，并结合测风仪未标记数据集的特征，建立两个不同参数的最近邻算法协同训练，得到测风仪未标记数据集的值；测风仪未标记数据集的值为分析网格上的横向风速观测值和纵向风速观测值。
关于结合机器学习与三维变分同化的二维风场反演装置的具体限定可以参见上文中对于结合机器学习与三维变分同化的二维风场反演方法的限定，在此不再赘述。上述结合机器学习与三维变分同化的二维风场反演装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
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 (8)

1.一种结合机器学习与三维变分同化的二维风场反演方法，其特征在于，所述方法包括：
通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据；所述待测风场探测数据包括：雷达探测的径向风速探测值以及测风仪探测的横向风速探测值和纵向风速探测值；
将所述待测风场区域划分为均匀的分析网格，并建立xoy坐标系；所述xoy坐标系是在待测风场区域中心设置一台雷达，以雷达位置为中心o，横向为x轴，纵向为y轴建立的；
根据所述径向风速探测值，采用有监督学习方式将所述径向风速探测值插值到所述分析网格上，得到分析网格上的径向风速观测值；
根据分析网格上的所述径向风速观测值，采用半监督学习方式将测风仪探测的所述横向风速探测值和所述纵向风速探测值插值到所述分析网格上，得到分析网格上的横向风速观测值和纵向风速观测值；
根据分析网格上的所述径向风速观测值、所述横向风速观测值以及所述纵向风速观测值，采用三维变分同化法构建代价函数；通过优化求解所述代价函数得到分析网格上二维风场的反演结果。
2.根据权利要求1所述的方法，其特征在于，通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据，包括：
在待测风场区域中心设置一台雷达，通过所述雷达对所述待测风场区域进行平面显示器扫描，扫描方向为顺时针方向，得到径向风速探测值；
在所述待测风场区域布置若干个测风仪，通过所述测风仪探测得到所述测风仪所在位置处的横向风速探测值和纵向风速探测值。
3.根据权利要求1所述的方法，其特征在于，根据所述径向风速探测值，采用有监督学习方式将所述径向风速探测值插值到所述分析网格上，得到分析网格上的径向风速观测值，包括：
将雷达探测点的位置作为雷达有标记数据的特征；
将所述径向风速探测值作为雷达有标记数据的值；
将分析网格点的位置作为雷达未标记数据的特征；
根据所述雷达有标记数据的特征、所述雷达有标记数据的值以及所述雷达未标记数据的特征构建雷达有标记数据集和雷达未标记数据集；所述雷达有标记数据集和所述雷达未标记数据集的构建公式如下：
Figure 29936DEST_PATH_IMAGE001
其中，
Figure 48708DEST_PATH_IMAGE002
表示雷达有标记数据集的特征，
Figure 195655DEST_PATH_IMAGE003
表示雷达有标记数据集的值，其中
Figure 20392DEST_PATH_IMAGE004
为雷达第i个探测点在坐标系xoy中的横纵坐标，
Figure 936395DEST_PATH_IMAGE005
为第i个雷达探测点处径向风速探测值，i表示位置编号，
Figure 391647DEST_PATH_IMAGE006
，f为雷达探测点个数；
Figure 88208DEST_PATH_IMAGE007
表示雷达未标记数据集的特征，其中
Figure 388739DEST_PATH_IMAGE008
为第
Figure 424828DEST_PATH_IMAGE009
个分析网格的横纵坐标，
Figure 847719DEST_PATH_IMAGE010
，m和n分别表示所述待测风场区域中分析网格的横向个数和纵向个数；
采用最近邻算法学习所述雷达有标记数据集，并按照与距离成反比的权重加权得到雷达未标记数据集的值；所述雷达未标记数据集的值为分析网格上的径向风速观测值。
4.根据权利要求1所述的方法，其特征在于，根据分析网格上的所述径向风速观测值，采用半监督学习方式将测风仪探测的所述横向风速探测值和所述纵向风速探测值插值到所述分析网格上，得到分析网格上的横向风速观测值和纵向风速观测值，包括：
将测风仪的位置和所述测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度作为测风仪有标记数据的特征；
将测风仪在其所处位置探测得到的所述横向风速探测值和所述纵向风速探测值作为测风仪有标记数据的值；
将分析网格点的位置坐标和对应位置上的所述分析网格上的径向风速观测值作为测风仪未标记数据的特征；
根据所述测风仪有标记数据的特征、所述测风仪有标记数据的值、所述测风仪未标记数据的特征，构建测风仪有标记数据集和测风仪未标记数据集；所述测风仪有标记数据集和所述测风仪未标记数据集的构建公式如下：
Figure 703680DEST_PATH_IMAGE011
Figure 73481DEST_PATH_IMAGE012
其中，
Figure 26394DEST_PATH_IMAGE013
表示测风仪有标记数据集的特征，
Figure 557869DEST_PATH_IMAGE014
表示测风仪有标记数据集的值，其中
Figure 166705DEST_PATH_IMAGE015
为第
Figure 871356DEST_PATH_IMAGE016
个测风仪的横纵坐标，
Figure 616458DEST_PATH_IMAGE017
，
Figure 584414DEST_PATH_IMAGE018
，d为测风仪数量，
Figure 477284DEST_PATH_IMAGE019
为第
Figure 923309DEST_PATH_IMAGE020
个测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度，在xoy坐标系中，
Figure 54076DEST_PATH_IMAGE021
，其中
Figure 989671DEST_PATH_IMAGE022
、
Figure 41940DEST_PATH_IMAGE023
分别为第
Figure 557235DEST_PATH_IMAGE024
个测风仪探测到的横向风速探测值和纵向风速探测值；
Figure 339246DEST_PATH_IMAGE025
表示测风仪未标记数据集的特征，其中
Figure 383426DEST_PATH_IMAGE026
为第
Figure 188571DEST_PATH_IMAGE027
个分析网格的横纵坐标；其中
Figure 38715DEST_PATH_IMAGE028
为分析网格上的径向风速观测值，
Figure 612916DEST_PATH_IMAGE029
，m和n分别表示所述待测风场区域中分析网格的横向个数和纵向个数；
采用半监督学习中的协同回归法学习所述测风仪有标记数据集，并结合所述测风仪未标记数据集的特征，建立两个不同参数的最近邻算法协同训练，得到测风仪未标记数据集的值；所述测风仪未标记数据集的值为分析网格上的横向风速观测值和纵向风速观测值。
5.一种结合机器学习与三维变分同化的二维风场反演装置，其特征在于，所述装置包括：
待测风场观测数据获取模块，用于通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据；所述待测风场探测数据包括：雷达探测的径向风速探测值以及测风仪探测的横向风速探测值和纵向风速探测值；
网格划分和建立坐标系模块，用于将所述待测风场区域划分为均匀的分析网格，并建立xoy坐标系；所述xoy坐标系是在待测风场区域中心设置一台雷达，以雷达位置为中心o，横向为x轴，纵向为y轴建立的；
雷达探测数据插值模块，用于根据所述径向风速探测值，采用有监督学习方式将所述径向风速探测值插值到所述分析网格上，得到分析网格上的径向风速观测值；
测风仪探测数据插值模块，用于根据分析网格上的所述径向风速观测值，采用半监督学习方式将测风仪探测的所述横向风速探测值和所述纵向风速探测值插值到所述分析网格上，得到分析网格上的横向风速观测值和纵向风速观测值；
二维风场的反演结果确定模块，用于根据分析网格上的所述径向风速观测值、所述横向风速观测值以及所述纵向风速观测值，采用三维变分同化法构建代价函数；通过优化求解所述代价函数得到分析网格上二维风场的反演结果。
6.根据权利要求5所述的装置，其特征在于，待测风场观测数据获取模块，还用于在待测风场区域中心设置一台雷达，通过所述雷达对所述待测风场区域进行平面显示器扫描，扫描方向为顺时针方向，得到径向风速探测值；在所述待测风场区域布置若干个测风仪，通过所述测风仪探测得到所述测风仪所在位置处的横向风速探测值和纵向风速探测值。
7.根据权利要求5所述的装置，其特征在于，雷达探测数据插值模块，还用于将雷达探测点的位置作为雷达有标记数据的特征；将所述径向风速探测值作为雷达有标记数据的值；将分析网格点的位置作为雷达未标记数据的特征；根据所述雷达有标记数据的特征、所述雷达有标记数据的值以及所述雷达未标记数据的特征构建雷达有标记数据集和雷达未标记数据集；所述雷达有标记数据集和所述雷达未标记数据集的构建公式如下：
Figure 93576DEST_PATH_IMAGE030
其中，
Figure 448334DEST_PATH_IMAGE031
表示雷达有标记数据集的特征，
Figure 774273DEST_PATH_IMAGE032
表示雷达有标记数据集的值，其中
Figure 734139DEST_PATH_IMAGE033
为雷达第i个探测点在坐标系xoy中的横纵坐标，
Figure 182438DEST_PATH_IMAGE034
为第i个雷达探测点处径向风速探测值，i表示位置编号，
Figure 696595DEST_PATH_IMAGE035
，f为雷达探测点个数；
Figure 91805DEST_PATH_IMAGE036
表示雷达未标记数据集的特征，其中
Figure 702915DEST_PATH_IMAGE037
为第
Figure 259798DEST_PATH_IMAGE038
个分析网格的横纵坐标，
Figure 526831DEST_PATH_IMAGE039
，m和n分别表示所述待测风场区域中分析网格的横向个数和纵向个数；
采用最近邻算法学习所述雷达有标记数据集，并按照与距离成反比的权重加权得到雷达未标记数据集的值；所述雷达未标记数据集的值为分析网格上的径向风速观测值。
8.根据权利要求5所述的装置，其特征在于，测风仪探测数据插值模块，还用于将测风仪的位置和所述测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度作为测风仪有标记数据的特征；将测风仪在其所处位置探测得到的所述横向风速探测值和所述纵向风速探测值作为测风仪有标记数据的值；将分析网格点的位置坐标和对应位置上的所述分析网格上的径向风速观测值作为测风仪未标记数据的特征；根据所述测风仪有标记数据的特征、所述测风仪有标记数据的值、所述测风仪未标记数据的特征，构建测风仪有标记数据集和测风仪未标记数据集；所述测风仪有标记数据集和所述测风仪未标记数据集的构建公式如下：
Figure 522469DEST_PATH_IMAGE040
Figure 191348DEST_PATH_IMAGE041
其中，
Figure 919132DEST_PATH_IMAGE042
表示测风仪有标记数据集的特征，
Figure 470199DEST_PATH_IMAGE043
表示测风仪有标记数据集的值，其中
Figure 207211DEST_PATH_IMAGE044
为第
Figure 730596DEST_PATH_IMAGE045
个测风仪的横纵坐标，
Figure 691599DEST_PATH_IMAGE046
，
Figure 667646DEST_PATH_IMAGE047
，d为测风仪数量，
Figure 208348DEST_PATH_IMAGE048
为第
Figure 382978DEST_PATH_IMAGE049
个测风仪探测的横向风速探测值和纵向风速探测值投影到雷达径向方向上的速度，在xoy坐标系中，
Figure 718144DEST_PATH_IMAGE050
，其中
Figure 181486DEST_PATH_IMAGE051
、
Figure 322618DEST_PATH_IMAGE052
分别为第
Figure 289437DEST_PATH_IMAGE053
个测风仪探测到的横向风速探测值和纵向风速探测值；
Figure 61084DEST_PATH_IMAGE054
表示测风仪未标记数据集的特征，其中
Figure 808460DEST_PATH_IMAGE055
为第
Figure 425386DEST_PATH_IMAGE056
个分析网格的横纵坐标；其中
Figure 777870DEST_PATH_IMAGE057
为分析网格上的径向风速观测值，
Figure 517156DEST_PATH_IMAGE058
，m和n分别表示所述待测风场区域中分析网格的横向个数和纵向个数；
采用半监督学习中的协同回归法学习所述测风仪有标记数据集，并结合所述测风仪未标记数据集的特征，建立两个不同参数的最近邻算法协同训练，得到测风仪未标记数据集的值；所述测风仪未标记数据集的值为分析网格上的横向风速观测值和纵向风速观测值。
CN202110599040.2A 2021-05-31 2021-05-31 结合机器学习与三维变分同化的二维风场反演方法和装置 Active CN113253232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110599040.2A CN113253232B (zh) 2021-05-31 2021-05-31 结合机器学习与三维变分同化的二维风场反演方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110599040.2A CN113253232B (zh) 2021-05-31 2021-05-31 结合机器学习与三维变分同化的二维风场反演方法和装置

Publications (2)

Publication Number Publication Date
CN113253232A CN113253232A (zh) 2021-08-13
CN113253232B true CN113253232B (zh) 2021-09-17

Family

ID=77183812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110599040.2A Active CN113253232B (zh) 2021-05-31 2021-05-31 结合机器学习与三维变分同化的二维风场反演方法和装置

Country Status (1)

Country Link
CN (1) CN113253232B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118091705A (zh) * 2024-04-17 2024-05-28 南京信息工程大学 一种基于监督学习的相干测风激光雷达风速反演方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3889533A (en) * 1973-07-19 1975-06-17 Xonics Inc Acoustic wind sensor
CN106324601A (zh) * 2016-08-08 2017-01-11 北京无线电测量研究所 一种基于风廓线雷达组网的三维风场反演方法
JP2017067487A (ja) * 2015-09-28 2017-04-06 国立大学法人 鹿児島大学 データ処理方法、データ処理装置、及びプログラム
CN110275224A (zh) * 2019-05-24 2019-09-24 兰州大学 精细化近地层气象要素预报系统及其预报方法
CN111650590A (zh) * 2020-06-12 2020-09-11 上海眼控科技股份有限公司 基于多普勒气象雷达的风场获取方法、装置、设备和介质
CN111693999A (zh) * 2020-05-27 2020-09-22 哈尔滨工程大学 基于雷达测风组合策略的多传感器融合风速风向估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3889533A (en) * 1973-07-19 1975-06-17 Xonics Inc Acoustic wind sensor
JP2017067487A (ja) * 2015-09-28 2017-04-06 国立大学法人 鹿児島大学 データ処理方法、データ処理装置、及びプログラム
CN106324601A (zh) * 2016-08-08 2017-01-11 北京无线电测量研究所 一种基于风廓线雷达组网的三维风场反演方法
CN110275224A (zh) * 2019-05-24 2019-09-24 兰州大学 精细化近地层气象要素预报系统及其预报方法
CN111693999A (zh) * 2020-05-27 2020-09-22 哈尔滨工程大学 基于雷达测风组合策略的多传感器融合风速风向估计方法
CN111650590A (zh) * 2020-06-12 2020-09-11 上海眼控科技股份有限公司 基于多普勒气象雷达的风场获取方法、装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于切比雪夫方法的多普勒激光雷达高空风场垂直探测精度的评估分析;陈玉宝 等;《热带气象学报》;20140430;第30卷(第2期);第327-344页 *

Also Published As

Publication number Publication date
CN113253232A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN110888147B (zh) 一种扫描激光雷达探测数据网格化可视化方法
Lemos et al. A spatio-temporal model for mean, anomaly, and trend fields of North Atlantic sea surface temperature
CN202057355U (zh) 一种温/湿度传感器装置
CN113253232B (zh) 结合机器学习与三维变分同化的二维风场反演方法和装置
CN101696968A (zh) 监测土壤重金属含量的新方法
CN103927743B (zh) 一种遥感成像中人造目标的检测方法
CN105678757A (zh) 一种物体位移测量方法
CN103714045A (zh) 面向异步多速率不均匀采样观测数据的信息融合估计方法
CN100470418C (zh) 基于盲源信号分析的聚丙烯熔融指数软测量仪表及方法
CN102749623A (zh) 一种基于靶标的高精度遥感卫星地面采样距离测试方法
Aljeddani et al. An extensive mathematical approach for wind speed evaluation using inverse Weibull distribution
CN107977730A (zh) 一种多传感器数据融合技术的风速测量方法
CN108776338B (zh) 信号源空间传感方法、装置及主动式传感系统
CN116680994B (zh) 一种基于激光雷达的气溶胶追踪和风场反演方法及系统
CN114218860A (zh) 一种基于机器学习的激光雷达测风运动补偿方法和系统
CN106204531A (zh) 一种同步检测彩色图像中噪点与边缘点的方法
CN113029103B (zh) 一种风机塔筒基础环的倾斜测量方法、系统和存储介质
CN111122813B (zh) 基于区域地下水流场方向的水质类别评价方法
CN113128598B (zh) 一种传感数据检测方法、装置、设备及可读存储介质
CN115144097A (zh) 一种线状传感器采集与显示方法及装置
CN111123406A (zh) 手持气象仪温度数据拟合方法
CN113834875A (zh) 基于三维六方体测线布置的弹性波层析成像检测方法及系统
CN111580152A (zh) 地震地电场观测中点源干扰源的定位方法及装置
CN117607373B (zh) 一种温室气体监测数据校准的方法、系统、设备及介质
CN117151352B (zh) 风资源评估方法、系统及计算机存储介质和终端设备

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