CN113655295B - 一种基于雷达探测数据的闪电强度识别方法 - Google Patents

一种基于雷达探测数据的闪电强度识别方法 Download PDF

Info

Publication number
CN113655295B
CN113655295B CN202111225098.7A CN202111225098A CN113655295B CN 113655295 B CN113655295 B CN 113655295B CN 202111225098 A CN202111225098 A CN 202111225098A CN 113655295 B CN113655295 B CN 113655295B
Authority
CN
China
Prior art keywords
lightning
data
field data
radar field
radar
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
CN202111225098.7A
Other languages
English (en)
Other versions
CN113655295A (zh
Inventor
路明月
王梦龙
张亚东
闵锦忠
王国杰
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202111225098.7A priority Critical patent/CN113655295B/zh
Publication of CN113655295A publication Critical patent/CN113655295A/zh
Application granted granted Critical
Publication of CN113655295B publication Critical patent/CN113655295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
    • G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
    • G01R29/0842—Measurements related to lightning, e.g. measuring electric disturbances, warning systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
    • G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于雷达数据的闪电强度识别方法，包括步骤如下：(1)设置闪电强度值分段区间，将闪电强度进行等级划分；(2)选取数据源，所述数据源包括闪电定位数据和雷达探测数据；(3)构建闪电所在位置的雷达场数据，并根据闪电等级对雷达场数据进行等级赋值，构建多等级的雷达场数据集，并将多等级雷达场数据集划分为训练集、测试集和验证集；(4)利用步骤（3）中训练集、测试集和验证集，调整网络模型的参数，以命中率与虚警率作为精度评判标准，构建闪电强度识别模型。本发明根据闪电强度构建多等级雷达场数据，继而采用深度学习方法，挖掘出数据中隐藏的空间规律与属性特征，解决闪电强度的识别问题。

Description

一种基于雷达探测数据的闪电强度识别方法
技术领域
本发明涉及闪电强度识别方法，尤其涉及一种基于雷达探测数据的闪电强度识别方法。
背景技术
闪电是一种复杂的大气物理现象，是由带电荷云层内部、云层与云层之间或者云层与大地（云地）之间的一种长距离瞬时放电现象，具有大电流、高电压、强电磁辐射等特征。云对地间的闪电对国民经济建设有较大的危害，常对地面建筑物或其他设施造成雷击灾害，甚至人员伤亡。雷电发生瞬间具有不同的雷电流幅值，即表现为不同的强弱程度，在闪电发生次数相同的情况下，不同强度的闪电可能造成的损失是不同的，进行闪电的强度研究具有重大意义。而如今对闪电的研究多是通过闪电定位资料结合探空数据进行的，在描述某一区域的雷电灾害危险性时，更多的是以时空特征为主，即以单位时间或者单位面积内闪电的发生次数为主要衡量标准。这些方法在进行闪电识别时，只能识别出闪电的有无，在对闪电强度的识别方面有所欠缺。
发明内容
发明目的：本发明的目的是提供一种能进行闪电强弱程度判别的基于雷达探测数据的闪电强度识别方法。
技术方案：本发明的闪电强度识别方法，包括步骤如下：
S1,设置闪电强度值分段区间，将闪电强度进行等级划分；
S2,选取数据源，所述数据源包括闪电定位数据和雷达探测数据；
S3,构建闪电所在位置的雷达场数据，并根据闪电等级对雷达场数据进行等级赋值，构建多等级的雷达场数据集，并将多等级雷达场数据集划分为训练集、测试集和验证集；
S4,利用步骤S3中训练集、测试集和验证集，调整网络模型的参数，以命中率与虚警率作为精度评判标准，构建闪电强度识别模型。
进一步，根据闪电强度的绝对值，将闪电强度划分为5个等级，分别为弱闪电、中等强度闪电、较强闪电、强闪电、超强闪电。
进一步，所述步骤S3的具体实现过程如下：
S31,将闪电定位数据和雷达探测数据映射到统一的空间坐标系中，以闪电所在位置点为圆心，设定半径，构建雷达场数据；
S32,根据闪电等级构建弱闪电的雷达场数据、中等强度闪电的雷达场数据、较强闪电的雷达场数据、强闪电的雷达场数据和超强闪电的雷达场数据，并作对应标签集；
S33,对各等级雷达场数据及其标签集进行标记、封装后得到多等级雷达场数据集；并将多等级雷达场数据集按照设定比例划分为训练集、测试集、验证集。
进一步，所述步骤S4中，根据步骤S3中创建的多等级雷达场数据集进行闪电强度识别模型的建立，具体步骤为：
S41,构建基于ResNet深度残差网络模型，使用训练集对网络模型进行训练，使用验证集对网络模型进行验证，使用测试集进行网络模型测试；
S42,以命中率与虚警率作为精度评判标准，调整网络模型的学习率、数据批处理规模和损失函数，直至构建出满足精度要求的闪电强度识别模型，最后保存模型。
本发明与现有技术相比，其显著效果如下：1、本发明根据闪电强度构建多等级雷达场数据，结合深度学习方法，能够挖掘出数据中隐藏的空间规律与属性特征，解决闪电的强度识别问题；2、本发明不仅能够为防灾减灾提供必要的技术支撑，而且能够为确定雷电防护重点和防范等级提供必要的参考依据。
附图说明
图1为本发明的总流程图；
图2为本发明闪电与雷达数据的空间对应坐标示意图；
图3为本发明的各等级雷达场数据提取示意图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
云是影响闪电发生发展的重要因素，其中云顶高度（ET）是基本的宏观参数，闪电发生的频率与对流云云顶高度有关，这使得云顶高度信息对闪电识别和雷暴预警具有十分重要的作用。组合反射率（CR）能够判断云层的厚度和高度，使得其广泛应用于闪电雷暴的预测。基于此，本发明根据闪电强度，构建闪电等级划分标准，最后采用深度学习的方法实现闪电的强度识别。
如图1所示为本发明的总流程图，具体步骤如下：
步骤1，闪电等级划分
设置一定的闪电强度值区间间隔，将闪电划分为5个等级，分别为弱闪电、中等强度闪电、较强闪电、强闪电、超强闪电。
步骤2，数据源选取
数据源包括两部分，分别是闪电定位数据和雷达探测数据（组合反射率（CR）与云顶高度（ET））两种数据。
步骤3，多等级雷达场数据集建立
如图2所示，将闪电定位数据和雷达探测数据映射到统一的空间坐标系中；如图3所示，以闪电点为圆心、3公里为半径，构建闪电所在位置的雷达场数据，并根据闪电等级对其对应的雷达场数据进行等级划分，分别是弱闪电的雷达场数据，中等强度闪电的雷达场数据、较强闪电的雷达场数据、强闪电的雷达场数据、超强闪电的雷达场数据，对应标签分别为1、2、3、4、5。完成雷达场数据集构建，得到多等级雷达场数据集，最后将多等级雷达场数据集按照一定比例划分为训练集、测试集、验证集。
步骤4，基于深度学习的闪电强度识别
基于 ResNet深度残差网络模型，使用步骤3中创建的多等级雷达场数据集进行闪电强度识别。具体过程为：首先将闪电强度识别问题转化为多分类问题，然后使用创建的多等级雷达场数据集中的训练集训练深度残差网络模型，使用验证集对深度残差网络模型进行验证，使用测试集进行深度残差网络模型测试；以命中率(又称召回率，即模型识别正确的某类样本数占该类实际样本数的比例)与虚警率（模型识别为某一类的样本中，识别错误的样本所占的比例）作为精度评判标准，不断调整深度残差网络模型参数(包括学习率、数据批处理规模、损失函数等)，直至构建出满足要求的基于雷达探测数据的闪电强度识别模型，最后保存模型。
本发明将闪电强度识别问题转化为多分类问题，使用雷达产品数据结合深度学习技术进行闪电强度识别，解决闪电强度识别问题，具体实现过程如下：
步骤一，闪电等级划定
根据闪电的强度值的绝对值划分为：在0-5区间内的闪电定义为极弱闪电（无闪电），在5-20区间内的闪电定义为弱闪电，在20-40区间内的闪电定义为中等强度闪电，在40-60区间内的闪电定义为较强闪电，在60-80区间内的闪电定义为强闪电，大于80的闪电定义为超强闪电。（闪电强度单位为：KA）
表1 闪电强度等级划分
Figure 232564DEST_PATH_IMAGE001
步骤二，数据源选取
数据源分为两部分，选取闪电定位数据中的闪电位置和强度值两种属性作为闪电数据源；选取雷达探测数据中的组合反射率（CR）和云顶高度（ET）两种产品作为雷达场的数据源。
步骤三，多等级雷达场数据集建立
将闪电数据和雷达探测数据进行空间位置对应，以闪电点为圆心、3公里为半径，在雷达探测数据上画圆，将该圆的外切矩形区域所对应的雷达探测数据作为雷达场数据，根据该闪电的强度等级对雷达场数据进行等级划定，分别是弱闪电的雷达场数据，中等强度闪电的雷达场数据、较强闪电的雷达场数据、强闪电的雷达场数据、超强闪电的雷达场数据。雷达场数据集建立完成后，不同等级的雷达场数据，从低到高分别被标记为1、2、3、4、5五个标签。将雷达场数据集和对应的标签集统一封装成多等级雷达场数据集，最后将多等级雷达场数据集按照6：2：2的比例划分为训练集、测试集和验证集。
闪电与雷达数据的空间对应方法如下：
如图2所示，设闪电所在的经纬度坐标为（Lx,Ly）,雷达栅格数据的左上角坐标为（x0，y0），每个栅格单元的边长为1公里（可近似为0.01度，以便于和经纬度坐标单位相一致）,栅格行列编号从0开始；
则闪电所在雷达栅格数据的位置的行列号由如下公式计算：
I = Math.floor（（Lx-x0）/0.01）
J = Math.floor（（y0- Ly）/0.01）
其中，I为雷达栅格数据的位置行号，J为雷达栅格数据的位置列号。
步骤四，基于多等级场数据的闪电强度识别
具体实现步骤如下：
步骤41，构建基于ResNet的深度残差网络模型，使用步骤三中建立的训练集进行深度残差网络模型训练。
步骤42，使用步骤三中建立的验证集验证深度残差网络模型，通过调整深度残差网络模型内部参数（包括学习率、批处理规模、损失函数），优化深度残差网络模型精度。
验证模型通过将验证集数据输入到由训练集训练好的深度残差网络模型中去，深度残差网络模型会自动输出这些数据所属的闪电等级，然后将输出的等级与真实等级进行比较，计算深度残差网络模型识别精度，然后改变内部参数，以命中率与虚警率作为精度评判标准，调整深度残差网络模型参数，直至构建出满足精度要求的基于雷达探测数据的闪电强度识别模型。
步骤43，使用步骤三中建立的测试集测试模型的识别性能，保存模型。

Claims (2)

1.一种基于雷达数据的闪电强度识别方法，其特征在于，包括步骤如下：
S1,设置闪电强度值分段区间，将闪电强度进行等级划分；根据闪电强度的绝对值，将闪电强度划分为5个等级，分别为弱闪电、中等强度闪电、较强闪电、强闪电、超强闪电；
S2,选取数据源，所述数据源包括闪电定位数据和雷达探测数据；
S3,构建闪电所在位置的雷达场数据，并根据闪电等级对雷达场数据进行等级赋值，构建多等级的雷达场数据集，并将多等级雷达场数据集划分为训练集、测试集和验证集；具体实现步骤如下：
S31,将闪电定位数据和雷达探测数据映射到统一的空间坐标系中，以闪电所在位置点为圆心，设定半径，构建雷达场数据；
S32,根据闪电等级构建弱闪电的雷达场数据、中等强度闪电的雷达场数据、较强闪电的雷达场数据、强闪电的雷达场数据和超强闪电的雷达场数据，并分别作对应标签集；
S33,对各等级雷达场数据及其标签集进行标记、封装后得到多等级雷达场数据集；并将多等级雷达场数据集按照设定比例划分为训练集、测试集、验证集；
S4,利用步骤S3中训练集、测试集和验证集，调整网络模型的参数，以命中率与虚警率作为精度评判标准，构建闪电强度识别模型。
2.根据权利要求1所述的基于雷达数据的闪电强度识别方法，其特征在于，所述步骤S4中，根据步骤S3中创建的多等级雷达场数据集进行闪电强度识别模型的建立，具体步骤为：
S41,构建基于ResNet深度残差网络模型，使用训练集对网络模型进行训练，使用验证集对网络模型进行验证，使用测试集进行网络模型测试；
S42,以命中率与虚警率作为精度评判标准，调整网络模型的学习率、数据批处理规模和损失函数，直至构建出满足精度要求的闪电强度识别模型，最后保存模型。
CN202111225098.7A 2021-10-21 2021-10-21 一种基于雷达探测数据的闪电强度识别方法 Active CN113655295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111225098.7A CN113655295B (zh) 2021-10-21 2021-10-21 一种基于雷达探测数据的闪电强度识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111225098.7A CN113655295B (zh) 2021-10-21 2021-10-21 一种基于雷达探测数据的闪电强度识别方法

Publications (2)

Publication Number Publication Date
CN113655295A CN113655295A (zh) 2021-11-16
CN113655295B true CN113655295B (zh) 2022-01-04

Family

ID=78494768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111225098.7A Active CN113655295B (zh) 2021-10-21 2021-10-21 一种基于雷达探测数据的闪电强度识别方法

Country Status (1)

Country Link
CN (1) CN113655295B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910469B (zh) * 2023-06-28 2024-08-06 南通大学 一种基于三通道ResNet的闪电信号处理方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722634A (zh) * 2012-04-20 2012-10-10 湖南省防雷中心 一种区域雷电灾害风险评估方法
CN107728234B (zh) * 2017-09-17 2020-06-16 北京工业大学 一种基于大气电场数据的雷电强度值预测方法
CN108445464B (zh) * 2018-03-12 2021-09-10 南京恩瑞特实业有限公司 基于机器学习的卫星雷达反演融合方法
CN108957595B (zh) * 2018-08-09 2021-11-09 深圳市雅码科技有限公司 一种雷电预报方法及系统
CN112363251A (zh) * 2020-10-26 2021-02-12 上海眼控科技股份有限公司 天气预测模型的生成方法、天气预测方法、装置
CN112727710B (zh) * 2020-12-15 2022-02-11 北京天泽智云科技有限公司 一种基于音频信号的风场落雷密度统计方法及系统
CN112764129B (zh) * 2021-01-22 2022-08-26 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
CN113296072B (zh) * 2021-05-24 2022-10-25 伍志方 一种基于YOLOv3模型的雷暴大风自动识别方法及系统

Also Published As

Publication number Publication date
CN113655295A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
Park et al. Parameterization of dust emission for the simulation of the yellow sand (Asian dust) event observed in March 2002 in Korea
CN104169744B (zh) 使用闪电数据生成替代反射率数据
CN104914467A (zh) 提取分类模型道的地震相聚类分析方法
CN112308292A (zh) 一种火灾风险等级分布图的绘制方法
Bakun et al. Epistemic uncertainty in the location and magnitude of earthquakes in Italy from macroseismic data
CN108152867A (zh) 输电线路的台风预警系统及方法
CN116109462B (zh) 一种自然灾害后饮水水源地污染监测预警方法及系统
CN112200358A (zh) 一种滑坡等级预测方法、装置、设备和存储介质
CN113655295B (zh) 一种基于雷达探测数据的闪电强度识别方法
CN105930456A (zh) 模拟濒危松科植物潜在分布的方法
Verbovšek et al. Morphometric properties of dolines in Matarsko podolje, SW Slovenia
Yang et al. A rapid forecasting and mapping system of storm surge and coastal flooding
CN114091756A (zh) 一种基于泰森多边形的乡镇级海啸风险评估方法
CN118171035B (zh) 人流热力的预警方法及装置、电子设备和存储介质
CN115688032A (zh) 基于多源数据融合的台风灾害下电网风险预警方法及系统
CN113822892B (zh) 仿真雷达的评测方法、装置、设备及计算机存储介质
CN115170980A (zh) 一种基于卫星影像识别的输气管道高后果区智能识别方法
CN115508800A (zh) 一种电离层频高图扩展f现象雷达图形的筛选方法及系统
CN114511061A (zh) 基于深度神经网络的岸滨地区海雾能见度预报方法
Kristoffersen et al. Updated global reference models of broadband coherent infrasound signals for atmospheric studies and civilian applications
Murru et al. Real time earthquake forecasting in Italy
CN116893428A (zh) 基于激光点云的森林资源调查与监测方法及系统
CN116151437A (zh) 一种浅层崩塌灾害预警模型建立方法、装置、设备及介质
CN109889981A (zh) 一种基于二分类技术的定位方法及系统
CN113506203A (zh) 一种数据处理方法、装置、设备及存储介质

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