CN113296072A - 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 - Google Patents

一种基于YOLOv3模型的雷暴大风自动识别方法及系统 Download PDF

Info

Publication number
CN113296072A
CN113296072A CN202110565886.4A CN202110565886A CN113296072A CN 113296072 A CN113296072 A CN 113296072A CN 202110565886 A CN202110565886 A CN 202110565886A CN 113296072 A CN113296072 A CN 113296072A
Authority
CN
China
Prior art keywords
thunderstorm
data
strong wind
yolov3 model
model
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
Application number
CN202110565886.4A
Other languages
English (en)
Other versions
CN113296072B (zh
Inventor
伍志方
兰宇
程兴国
张佳庆
唐思瑜
韦凯华
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.)
Guangdong Meteorological Station South China Sea Marine Meteorological Forecasting Center
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110565886.4A priority Critical patent/CN113296072B/zh
Publication of CN113296072A publication Critical patent/CN113296072A/zh
Application granted granted Critical
Publication of CN113296072B publication Critical patent/CN113296072B/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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于YOLOv3模型的雷暴大风自动识别方法及系统，涉及深度学习技术。针对现有技术中人工预测工作量大等问题提出本方案，建立历史雷暴大风标准数据集及标准图像数据；组成YOLO标签数据集；利用YOLO标签数据集构建YOLOv3模型；输入实时的多普勒雷达反射率拼图数据至YOLOv3模型进行识别；得出识别结果后采集自动站雷暴大风实况数据进行对比分析验证。优点在于，具有客观化、精细化、网格化特点，可大大降低劳动强度，提升雷暴大风识别精细化程度。采用多层雷达数据，充分考虑了雷达回波的垂直结构，可有效区分雷暴大风与其他强对流类型。采用了目前最先进的深度学习技术，通过海量雷达数据的训练、测试、检验，可提高雷暴大风识别效率。

Description

一种基于YOLOv3模型的雷暴大风自动识别方法及系统
技术领域
本发明涉及深度学习技术，尤其涉及一种基于YOLOv3模型的雷暴大风自动识别方法及系统。
背景技术
雷暴大风是由中小尺度系统产生的强对流天气之一，常常造成工棚、广告牌、树木倒塌等重大灾害，包括重大财产损失、甚至人员伤亡等。因其突发性、局地性和尺度小，多普勒天气雷达是雷暴大风最主要的监测设备。主要根据多普勒雷达反射率因子强度回波特征、径向速度特征、自动站实况监测等进行雷暴大风的识别预警，包括反射率因子强度、回波移动速度等。而这些与雷暴大风相关的雷达特征的识别，目前主要依靠值班预报员人工监测和判识；这样的监测识别手段存在不少问题：(1)纯人工监测识别工作量大、耗时长，难以应对大范围、遍地开花式或局地生消迅速的雷暴大风天气过程；(2)预报员经验水平参差不齐，经验不足人员易漏判雷暴大风天气。
发明内容
本发明目的在于提供一种基于YOLOv3模型的雷暴大风自动识别方法及系统，以解决上述现有技术存在的问题。
本发明所述基于YOLOv3模型的雷暴大风自动识别方法，包括以下步骤：
S1、建立指定地区过去若干年的雷暴大风标准数据集以及对应的标准图像数据；
S2、以雷暴大风标准数据集以及对应的标准图像数据组成YOLO标签数据集；
S3、利用YOLO标签数据集构建YOLOv3模型；
S4、输入实时的多普勒雷达反射率拼图数据至所述YOLOv3模型进行识别；
S5、得出雷暴大风自动识别结果；
S6、采集自动站雷暴大风实况数据与自动识别结果进行对比分析验证。
所述标准图像数据是多普勒雷达数据产品，包含21层反射率因子拼图、组合反射率因子拼图，拼图产品分辨率为0.01°×0.01°。
建立所述的雷暴大风标准数据集的时候，剔除台风、冷空气过程产生的非对流性大风和海拔高于海拔高度阈值的观测记录。
所述海拔高度阈值是100米。
所述步骤S2中，雷暴大风标准数据包含2-9公里高度，每层之间间隔0.5公里，共9层的雷达拼图数据；将雷达拼图数据转换为416×416像素的图像产品，并分割成13×13的网格。
所述步骤S3中，将YOLO标签数据集按比例分为训练集、验证集和测试集；
利用训练集进行YOLOv3模型训练；利用验证集对训练后的YOLOv3模型进行调整，检查是否完成迭代，没有完成继续返回训练；完成迭代就利用测试集测试模型效果是否达到预设标准，没有达到预设标准就通过手动调整部分超级参数后重新返回模型训练，达到预设标准就保存YOLOv3模型。
一种基于YOLOv3模型的雷暴大风自动识别系统，包括输入单元、运算单元和输出单元；
所述输入单元用于输入实时的多普勒雷达反射率拼图数据；
所述运算单元用于利用所述雷暴大风自动识别方法进行识别运算；
输出单元用于输出识别后的结果。
本发明所述基于YOLOv3模型的雷暴大风自动识别方法及系统，其优点在于，具有客观化、精细化、网格化特点，可大大降低劳动强度，提升雷暴大风识别精细化程度。采用多层雷达数据，充分考虑了雷达回波的垂直结构，可有效区分雷暴大风与其他强对流类型。采用了目前最先进的深度学习技术，通过海量雷达数据的训练、测试、检验，可提高雷暴大风识别效率。
附图说明
图1是本发明所述雷暴大风自动识别方法流程示意图。
图2是本发明所述雷暴大风自动识别方法的YOLO标签数据集生成流程示意图。
图3是本发明所述雷暴大风自动识别方法的YOLOv3模型构建流程图。
具体实施方式
如图1所示，本发明所述基于YOLOv3模型的雷暴大风自动识别方法。
建立广东省2012年-2019年雷暴大风标准数据集。包括广东省2012年-2019年雷暴大风自动站实况资料(剔除台风、冷空气过程产生的非对流性大风和海拔高于100米的观测记录)，对应的多普勒雷达数据产品，即21层反射率因子拼图、组合反射率因子拼图，拼图产品分辨率为0.01°×0.01°。
用YOLOv3(darknet53)模型建立识别算法，并评估识别效果。将2-9公里高度，间隔0.5公里，共9层的雷达拼图数据转换为416×416像素的图像产品，并分割成13×13的网格，针对每个网格均进行目标检测识别。依据自动站雷暴大风实况获取雷暴大风经纬度，设定16×16km影响范围，形成大风标签，并与图像产品对应，得到雷达图像与大风标签的数据集。将数据集分成训练集(Train)、验证集(Valid)和测试集(Test)，数据集作为模型算法输入，输出即为检测到的目标格点-雷暴大风。利用训练集训练模型，利用测试集测试模型算法，并根据测试结果调整超参数优化算法。识别结果评估采用精确率、准确率、空报率、漏报率、召回率等指标，其中算法识别检测到雷暴大风的格点内存在雷暴大风实况即为命中，识别格点内无雷暴大风实况为空报，未识别到格点但存在雷暴大风实况为漏报，未识别到格点也无大风实况为反命中。
YOLOv3模型算法的识别效果达到最优后保存作为最终确立的识别算法，并输入雷达数据产品，如多普勒雷达反射率拼图数据，生成基于经纬度网格点的雷暴大风识别产品。
本发明所述基于YOLOv3模型的雷暴大风自动识别系统是直接应用所述雷暴大风自动识别方法进行产品识别，包括输入单元、运算单元和输出单元。
所述输入单元用于输入实时的多普勒雷达反射率拼图数据；
所述运算单元用于利用所述雷暴大风自动识别方法进行识别运算；
输出单元用于输出识别后的结果。
对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (7)

1.一种基于YOLOv3模型的雷暴大风自动识别方法，其特征在于，包括以下步骤：
S1、建立指定地区过去若干年的雷暴大风标准数据集以及对应的标准图像数据；
S2、以雷暴大风标准数据集以及对应的标准图像数据组成YOLO标签数据集；
S3、利用YOLO标签数据集构建YOLOv3模型；
S4、输入实时的多普勒雷达反射率拼图数据至所述YOLOv3模型进行识别；
S5、得出雷暴大风自动识别结果；
S6、采集自动站雷暴大风实况数据与自动识别结果进行对比分析验证。
2.根据权利要求1所述基于YOLOv3模型的雷暴大风自动识别方法，其特征在于，所述标准图像数据是多普勒雷达数据产品，包含21层反射率因子拼图、组合反射率因子拼图，拼图产品分辨率为0.01°×0.01°。
3.根据权利要求1所述基于YOLOv3模型的雷暴大风自动识别方法，其特征在于，建立所述的雷暴大风标准数据集的时候，剔除台风、冷空气过程产生的非对流性大风和海拔高于海拔高度阈值的观测记录。
4.根据权利要求3所述基于YOLOv3模型的雷暴大风自动识别方法，其特征在于，所述海拔高度阈值是100米。
5.根据权利要求1所述基于YOLOv3模型的雷暴大风自动识别方法，其特征在于，所述步骤S2中，雷暴大风标准数据包含2-9公里高度，每层之间间隔0.5公里，共9层的雷达拼图数据；将雷达拼图数据转换为416×416像素的图像产品，并分割成13×13的网格。
6.根据权利要求1所述基于YOLOv3模型的雷暴大风自动识别方法，其特征在于，所述步骤S3中，将YOLO标签数据集按比例分为训练集、验证集和测试集；
利用训练集进行YOLOv3模型训练；利用验证集对训练后的YOLOv3模型进行调整，检查是否完成迭代，没有完成继续返回训练；完成迭代就利用测试集测试模型效果是否达到预设标准，没有达到预设标准就通过手动调整部分超级参数后重新返回模型训练，达到预设标准就保存YOLOv3模型。
7.一种基于YOLOv3模型的雷暴大风自动识别系统，其特征在于，包括输入单元、运算单元和输出单元；
所述输入单元用于输入实时的多普勒雷达反射率拼图数据；
所述运算单元用于利用权利要求1-6任一所述雷暴大风自动识别方法进行识别运算；
输出单元用于输出识别后的结果。
CN202110565886.4A 2021-05-24 2021-05-24 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 Active CN113296072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110565886.4A CN113296072B (zh) 2021-05-24 2021-05-24 一种基于YOLOv3模型的雷暴大风自动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110565886.4A CN113296072B (zh) 2021-05-24 2021-05-24 一种基于YOLOv3模型的雷暴大风自动识别方法及系统

Publications (2)

Publication Number Publication Date
CN113296072A true CN113296072A (zh) 2021-08-24
CN113296072B CN113296072B (zh) 2022-10-25

Family

ID=77324312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110565886.4A Active CN113296072B (zh) 2021-05-24 2021-05-24 一种基于YOLOv3模型的雷暴大风自动识别方法及系统

Country Status (1)

Country Link
CN (1) CN113296072B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113655295A (zh) * 2021-10-21 2021-11-16 南京信息工程大学 一种基于雷达探测数据的闪电强度识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7307576B1 (en) * 2005-09-23 2007-12-11 Rockwell Collins, Inc. Hazardous and non-hazardous weather identification 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
CN110033132A (zh) * 2019-03-29 2019-07-19 中国人民解放军空军研究院战场环境研究所 基于深度目标检测和数值天气预报的热带气旋预报方法
WO2019235415A1 (ja) * 2018-06-04 2019-12-12 全力機械株式会社 災害状況判定システムおよび災害判定飛行システム
WO2021064524A1 (en) * 2019-10-04 2021-04-08 International Business Machines Corporation Predicting weather radar images
CN112764129A (zh) * 2021-01-22 2021-05-07 易天气(北京)科技有限公司 一种雷暴短临预报方法、系统及终端

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7307576B1 (en) * 2005-09-23 2007-12-11 Rockwell Collins, Inc. Hazardous and non-hazardous weather identification system and method
WO2019235415A1 (ja) * 2018-06-04 2019-12-12 全力機械株式会社 災害状況判定システムおよび災害判定飛行システム
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
CN110033132A (zh) * 2019-03-29 2019-07-19 中国人民解放军空军研究院战场环境研究所 基于深度目标检测和数值天气预报的热带气旋预报方法
WO2021064524A1 (en) * 2019-10-04 2021-04-08 International Business Machines Corporation Predicting weather radar images
CN112764129A (zh) * 2021-01-22 2021-05-07 易天气(北京)科技有限公司 一种雷暴短临预报方法、系统及终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEIPING ZHANG 等: "Retrieval of rainstorm similarity system based on deep learning", 《PROCEDIA COMPUTER SCIENCE》 *
李冰洁: "气象卫星系统的云图自动分类识别研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113655295A (zh) * 2021-10-21 2021-11-16 南京信息工程大学 一种基于雷达探测数据的闪电强度识别方法

Also Published As

Publication number Publication date
CN113296072B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN113919231B (zh) 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN111983732B (zh) 一种基于深度学习的降水强度估计方法
CN101957309A (zh) 一种能见度的全天候视频测量方法
CN111626595A (zh) 人工影响天气作业效果评估方法
CN103559508B (zh) 一种基于连续型Adaboost视频车辆检测方法
CN107992782B (zh) 基于图像几何特征参量的云降水粒子形状识别方法
CN109164450B (zh) 一种基于多普勒雷达数据的下击暴流预测方法
CN109407177B (zh) 基于机器学习与常规气象观测的大雾识别系统和应用方法
CN113296072B (zh) 一种基于YOLOv3模型的雷暴大风自动识别方法及系统
CN111445522A (zh) 被动式夜视智能探雷系统及智能探雷方法
CN113987912A (zh) 一种基于地理信息的污染物在线监测系统
CN113869196B (zh) 一种基于激光点云数据多特征分析的车型分类方法及装置
CN115600483A (zh) 一种基于深度森林的降水反演方法
CN115578227A (zh) 一种基于多源数据确定大气颗粒物污染重点区域的方法
Kuster et al. Using ZDR columns in forecaster conceptual models and warning decision-making
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
Wang et al. An approach for radar quantitative precipitation estimation based on spatiotemporal network
CN111429028A (zh) 一种适用于山区地形的输电线路覆冰灾害风险评估方法
CN116704366A (zh) 基于transformer深度学习模型的暴雨落区识别预警方法和装置
CN116702588A (zh) 一种基于多源数据的风电场关键气象因子预报方法及系统
CN115421220A (zh) 一种基于深度学习的多因子局部降水指示方法及系统
CN113065253B (zh) 一种基于深度学习的输电线路覆冰类型预测方法
CN114019503A (zh) 基于fod检测系统的机场跑道异物检测方法、设备、存储介质
CN110988872B (zh) 无人机载穿墙雷达探测墙体健康状态的快速识别方法
Sinclair et al. Boundary-layer height and surface stability at smear ii, hyytiälä, finland in era5 and 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
TR01 Transfer of patent right

Effective date of registration: 20221201

Address after: 510110 Courtyard 6 Fujin Road, Yuexiu District, Guangzhou, Guangdong

Patentee after: Guangdong Meteorological Station (South China Sea marine meteorological forecasting center)

Address before: No. 312, Dongguan Zhuang Road, Tianhe District, Guangzhou, Guangdong 510641

Patentee before: Wu Zhifang

Patentee before: Lan Yu

TR01 Transfer of patent right