CN113933809A - 一种基于Kmeans聚类的降水粒子识别方法及装置 - Google Patents

一种基于Kmeans聚类的降水粒子识别方法及装置 Download PDF

Info

Publication number
CN113933809A
CN113933809A CN202111169300.9A CN202111169300A CN113933809A CN 113933809 A CN113933809 A CN 113933809A CN 202111169300 A CN202111169300 A CN 202111169300A CN 113933809 A CN113933809 A CN 113933809A
Authority
CN
China
Prior art keywords
reconstructed
observation data
reflectivity factor
phase shift
differential
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
CN202111169300.9A
Other languages
English (en)
Other versions
CN113933809B (zh
Inventor
陈生
刘陈帅
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202111169300.9A priority Critical patent/CN113933809B/zh
Publication of CN113933809A publication Critical patent/CN113933809A/zh
Application granted granted Critical
Publication of CN113933809B publication Critical patent/CN113933809B/zh
Expired - Fee Related 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
    • 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
    • G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于Kmeans聚类的降水粒子识别方法及装置，该方法包括：获取雷达观测数据的极化变量，极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移；根据水平反射率因子和差分反射率因子的物理约束关系重构比差分传播相移，根据水平反射率因子、差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据；采用模糊分类算法对重构后的观测数据进行降水粒子识别，获取第一识别结果；采用Kmeans聚类方法对第一识别结果进行二次分类，获取第二识别结果。本发明通过重构比差分传播相移，并采用Kmeans聚类方法进行二次分类，提高了降水粒子识别的准确度。

Description

一种基于Kmeans聚类的降水粒子识别方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于Kmeans聚类的降水粒子识别方法及装置。
背景技术
双极化天气雷达的主要任务就是进行定量降水估计，不同的降水粒子与雷达观测变量的关系是不同的，如水平反射率因子，差分反射率因子因子，差分相位移以及比差分传播相移等，识别不同的降水粒子可以更好的进行定量降水估计，目前主流的降水粒子识别都是基于模糊逻辑分类的方法实现的，这些方法主要是基于单个雷达库进行的降水粒子分类，没有考虑周围雷达库的信息，当输入雷达观测值含有噪声时，那么输出的结果也会存在噪声，导致分类结果不准确。
发明内容
本发明目的在于，提供一种基于Kmeans聚类的降水粒子识别方法，以解决现有技术中对于含有噪声的降水粒子识别不准确的问题。
为实现上述目的，本发明提供一种基于Kmeans聚类的降水粒子识别方法，包括：
获取雷达观测数据的极化变量，所述极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移；
根据所述水平反射率因子和所述差分反射率因子的物理约束关系重构所述比差分传播相移，根据所述水平反射率因子、所述差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据；
采用模糊分类算法对所述重构后的观测数据进行降水粒子识别，获取第一识别结果；
采用Kmeans聚类方法对所述第一识别结果进行二次分类，获取第二识别结果。
优选地，在获取雷达观测数据的极化变量之前，还包括：
剔除所述水平反射率因子小于第一阈值、极化相关系数小于第二阈值和所述差分传播相移的绝对值大于第三阈值的值，获取所述雷达观测数据。
优选地，所述根据所述水平反射率因子和所述差分反射率因子的物理约束关系重构所述比差分传播相移，包括：
根据所述水平反射率因子和所述差分反射率因子的物理约束，并添加相应的物理约束系数确定所述重构后的比差分传播相移，具体计算如下：
Figure BDA0003289989890000021
式中，
Figure BDA0003289989890000022
表示重构后的比差分传播相移，ZH表示水平反射率因子，ZDR表示所述差分反射率因子，C、α、β分别表示相应的物理约束系数。
优选地，所述采用模糊分类算法对所述重构后的观测数据进行降水粒子识别，获取第一识别结果，包括：
所述重构后的观测数据中的变量包括，所述水平反射率因子、所述差分反射率因子、物理约束系数、所述重构后的比差分传播相移、观测数据的移动标准差、重构后的移动标准差以及移动窗口长度值；
根据所述重构后的观测数据设置隶属函数，计算所述重构后的观测数据中第i个变量对第j个降水粒子的隶属度，将所述重构后的观测数据中的各个变量对第j个降水粒子的隶属度进行加权平均，获取所述重构后的观测数据的合成值，根据所述合成值以及降水粒子的相态进行分类作为所述第一识别结果。
优选地，所述采用Kmeans聚类方法对所述第一识别结果进行二次分类，获取第二识别结果，包括：
将所述第一识别结果作为初始值，并将所述第一识别结果中的每一类作为待识别样本，计算所述待识别样本与预设类别之间的马氏距离，计算所述待识别样本的领域当前类别与所述预设类别之间的差异值，根据所述马氏距离和所述差异值构建代价函数；
采用控制系数控制所述代价函数的权重并更新样本类别，遍历所有样本，计算更新类别的样本数占总样本数的比例，若更新比例小于预设的阈值，则停止计算，获取所述第二识别结果。
本发明还提供一种基于Kmeans聚类的降水粒子识别装置，包括：
获取模块，用于获取雷达观测数据的极化变量，所述极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移；
重构模块，用于根据所述水平反射率因子和所述差分反射率因子的物理约束关系重构所述比差分传播相移，根据所述水平反射率因子、所述差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据；
第一识别模块，用于采用模糊分类算法对所述重构后的观测数据进行降水粒子识别，获取第一识别结果；
第二识别模块，用于采用Kmeans聚类方法对所述第一识别结果进行二次分类，获取第二识别结果。
优选地，还包括预处理模块，用于：
剔除所述水平反射率因子小于第一阈值、极化相关系数小于第二阈值和所述差分传播相移的绝对值大于第三阈值的值，获取所述雷达观测数据。
优选地，所述重构模块，还用于：
根据所述水平反射率因子和所述差分反射率因子的物理约束，并添加相应的物理约束系数确定所述重构后的比差分传播相移，具体计算如下：
Figure BDA0003289989890000031
式中，
Figure BDA0003289989890000032
表示重构后的比差分传播相移，ZH表示水平反射率因子，ZDR表示所述差分反射率因子，C、α、β分别表示相应的物理约束系数。
优选地，所述第一识别模块，还用于：
所述重构后的观测数据中的变量包括，所述水平反射率因子、所述差分反射率因子、物理约束系数、所述重构后的比差分传播相移、观测数据的移动标准差、重构后的移动标准差以及移动窗口长度值；
根据所述重构后的观测数据设置隶属函数，计算所述重构后的观测数据中第i个变量对第j个降水粒子的隶属度，将所述重构后的观测数据中的各个变量对第j个降水粒子的隶属度进行加权平均，获取所述重构后的观测数据的合成值，根据所述合成值以及降水粒子的相态进行分类作为所述第一识别结果。
优选地，所述第二识别模块，还用于：
将所述第一识别结果作为初始值，并将所述第一识别结果中的每一类作为待识别样本，计算所述待识别样本与预设类别之间的马氏距离，计算所述待识别样本的领域当前类别与所述预设类别之间的差异值，根据所述马氏距离和所述差异值构建代价函数；
采用控制系数控制所述代价函数的权重并更新样本类别，遍历所有样本，计算更新类别的样本数占总样本数的比例，若更新比例小于预设的阈值，则停止计算，获取所述第二识别结果。
相对于现有技术，本发明的有益效果在于：
获取雷达观测数据的极化变量，极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移；根据水平反射率因子和差分反射率因子的物理约束关系重构比差分传播相移，根据水平反射率因子、差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据；采用模糊分类算法对重构后的观测数据进行降水粒子识别，获取第一识别结果；采用Kmeans聚类方法对第一识别结果进行二次分类，获取第二识别结果，通过水平反射率因子、差分反射率因子以及比差分传播相移的关系重构比差分传播相移，保证了比差分传播相移空间上的连续性，同时避免了远距离处差分相位出现相位折叠的情况，采用模糊分类算法进行第一次分类，在第一次分类的基础上采用Kmeans聚类方法进行二次分类，充分利用了观测数据周围的信息，让分类结果在空间上更加连续，提高了识别的准确度。
进一步的在获取雷达观测数据之前，还包括剔除水平反射率因子小于第一阈值、差分反射率因子小于第二阈值和差分传播相移的绝对值大于第三阈值的值，提高了降水粒子识别的准确度。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的基于Kmeans聚类的降水粒子识别方法的流程示意图；
图2是本发明另一实施例提供的第一次分类的流程示意图；
图3是本发明又一实施例提供的第二次分类的流程示意图；
图4是本发明某一实施例提供的液态降水算法的流程示意图；
图5是本发明某一实施例提供的基于Kmeans聚类的降水粒子识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本发明某一实施例提供一种基于Kmeans聚类的降水粒子识别方法，包括以下步骤：
S101：获取雷达观测数据的极化变量，所述极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移。
具体的，双极化天气雷达的主要任务就是进行定量降水估计，在进行雷达观测数据识别之前，首先对雷达观测数据进行质量控制，剔除水平反射率因子ZH小于第一阈值、极化相关系数ρhv小于第二阈值和差分传播相移ZDR的绝对值大于第三阈值的值，获取雷达观测数据。具体的剔除条件如下：
ZH<3dBZ；
ρhv<0.85；
|ZDR|>2.3dB；
其中，第一阈值的取值为3dBZ，第二阈值的取值为0.85，第三阈值的取值为2.3dB。
将满足剔除条件的取值进行删除，实现对非气象回波和地物杂波的剔除，然后对观测数据进行异常值剔除，对观测数据进行平滑处理，对反射率因子和差分反射率因子进行窗口长度为1km的滑动平均，获取雷达观测数据的极化变量。
S102：根据所述水平反射率因子和所述差分反射率因子的物理约束关系重构所述比差分传播相移，根据所述水平反射率因子、所述差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据。
具体的，根据水平反射率因子ZH、差分反射率因子ZDR以及比差分传播相移KDP三个极化变量之间的物理约束关系，通过水平反射率因子ZH和差分反射率因子ZDR重构差分传播相移KDP，获取重构后的差分传播相移
Figure BDA0003289989890000051
ZH的单位是mm6m-3，ZDR的单位是dB，
Figure BDA0003289989890000052
是经过物理约束得到的比差分传播相移，由ZH和ZDR两个极化变量估计得到，具体的计算如下：
Figure BDA0003289989890000053
式中，
Figure BDA0003289989890000054
表示重构后的比差分传播相移，ZH表示水平反射率因子，ZDR表示差分反射率因子，C、α、β分别表示相应的物理约束系数，可通过本地观测数据进行拟合得到。
根据物理约束得到的
Figure BDA0003289989890000055
反演得到差分相位
Figure BDA0003289989890000056
具体的计算如下：
Figure BDA0003289989890000057
式中，
Figure BDA0003289989890000058
表示径向上的初始差分相位，Δr表示雷达距离，
Figure BDA0003289989890000059
表示径向上第i个经过物理约束得到的比差分传播相移。
S103：采用模糊分类算法对所述重构后的观测数据进行降水粒子识别，获取第一识别结果。
具体的，采用模糊逻辑对距离库的降水粒子进行识别，一般雷达距离库类型一共有10种，分别为地物杂波或异常传播(GC/AP)、清空回波(BS)、干雪(DS)、湿雪(WS)、不规则冰晶(CR)、霰(GR)、大滴(BD)、小到中雨(RA)、大雨(HR)和雨加雹(RH)。
在进行模糊逻辑分类算法计算时，输入的极化变量为六个，分别为水平反射率因子、差分反射率因子、物理约束系数、重构后的比差分传播相移、观测数据的移动标准差、重构后的移动标准差以及移动窗口长度值。
根据重构后的观测数据设置隶属函数，计算重构后的观测数据中第i个变量对第j个降水粒子的隶属度，将重构后的观测数据中的各个变量对第j个降水粒子的隶属度进行加权平均，获取重构后的观测数据的合成值，根据合成值以及降水粒子的相态进行分类作为第一识别结果，具体的，根据观测数据设置隶属度函数MBF，对一个距离库样本使用梯形隶属度函数计算第i个变量对第j个降水粒子的隶属度Pij，然后将各个变量对第j个降水粒子的隶属度进行加权平均，得到这个距离库对第j个降水粒子的合成值Aj，具体的计算公式如下，其中Wij是第i个变量对第j个降水粒子的权重。
Figure BDA0003289989890000061
请参阅图2，将距离库样本识别为合成值Aj最大的类别，根据合成值和降水粒子的相态分为四类，分别为非气象回波(GC，BS)、固态(DS，WS，CR，GR)、固液混合(RH)、液态(BD，RA，HR)。
S104：采用Kmeans聚类方法对所述第一识别结果进行二次分类，获取第二识别结果。
具体的，将步骤S103中采用模糊分类算法计算获取的第一识别结果作为二次分类的初始值，并将第一识别结果中的每一类作为待识别样本，计算待识别样本与预设类别之间的马氏距离，计算待识别样本的领域当前类别与预设类别之间的差异值，根据所述马氏距离和所述差异值构建代价函数，采用控制系数控制代价函数的权重并更新样本类别，遍历所有样本，计算更新类别的样本数占总样本数的比例，若更新比例小于预设的阈值，则停止计算，获取所述第二识别结果。
请参阅图3，将模糊逻辑分类的结果作为初始分类，输入的参数分别为水平反射率因子、差分反射率因子、重构后的比差分传播相移和极性相关系数，将每个类别的样本视为该样本的总体，计算样本与预设类别k间的马氏距离Dk，如下：
Figure BDA0003289989890000071
式中，Dk表示样本x与预设类别k之间的马氏距离，x表示样本向量，Uk表示预设类别k的所有样本，∑-1表示样本协方差的逆。
计算样本的邻域当前类别与预设类别之间不同的个数Ck作为差异值，如下：
Figure BDA0003289989890000072
式中，Jij表示邻域的雷达库的类别，Nθ和NR分别表示邻域的方位角和距离，Ntot表示样本邻域的总个数。
根据所述马氏距离和所述差异值构建代价函数，并将样本与所有的预设类别k的代价函数由小到大排序，代价函数最小的预设类别k'，即为样本的类别，控制系数λ控制代价函数中两项的权重，改变λ可以改变马氏距离在代价函数中的比重，计算公式如下：
Ek＝λDk+(1-λ)Ck；
遍历所有的样本，计算更新类别的样本数占总样本数的比例，若样本更新比例小于设定的阈值(1％)，则停止算出，输出样本类别，否则，更新λ值，并返回计算马氏距离的步骤重新计算，α为改变λ的参数，相关公式如下：
λ＝αλ,0<α≤1；
当λ<0.4时，算法会快速收敛，当λ>0.7时，样本类别在空间上会发生较明显的偏移，最终获取第二识别结果。
请参阅图4，各个降水率与雷达参量的关系式为经验公式，
Figure BDA0003289989890000073
Figure BDA0003289989890000074
其中，ZH(mm6m-3)是水平反射率因子，
Figure BDA0003289989890000075
是线性尺度上的差分反射率因子，KDP是比差分传播相移。T1,T2,T3为经验阈值，默认为T1＝38dBZ,T2＝0.5dB,T3＝0.1°/km。
本发明通过水平反射率因子、差分反射率因子以及比差分传播相移的关系重构比差分传播相移，保证了比差分传播相移是非负的以及在空间上的连续性，同时避免了远距离处差分相位出现相位折叠的情况，相较于现有技术没有考虑到距离库周围的信息，容易受到噪声的影响，本发明采用模糊分类算法进行第一次分类，在第一次分类的基础上采用Kmeans聚类方法进行二次分类，充分利用了观测数据周围的信息，让分类结果在空间上更加连续，提高了识别的准确度。
进一步的在获取雷达观测数据之前，还包括剔除水平反射率因子小于第一阈值、差分反射率因子小于第二阈值和差分传播相移的绝对值大于第三阈值的值，提高了降水粒子识别的准确度。
请参阅图5，本发明另一实施例提供一种基于Kmeans聚类的降水粒子识别装置，包括：
获取模块11，用于获取雷达观测数据的极化变量，所述极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移。
重构模块12，用于根据所述水平反射率因子和所述差分反射率因子的物理约束关系重构所述比差分传播相移，根据所述水平反射率因子、所述差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据。
第一识别模块13，用于采用模糊分类算法对所述重构后的观测数据进行降水粒子识别，获取第一识别结果。
第二识别模块14，用于采用Kmeans聚类方法对所述第一识别结果进行二次分类，获取第二识别结果。
关于基于Kmeans聚类的降水粒子识别装置的具体限定可以参见上文中对于基于Kmeans聚类的降水粒子识别方法的限定，在此不再赘述。上述基于Kmeans聚类的降水粒子识别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。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于Kmeans聚类的降水粒子识别方法，其特征在于，包括：
获取雷达观测数据的极化变量，所述极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移；
根据所述水平反射率因子和所述差分反射率因子的物理约束关系重构所述比差分传播相移，根据所述水平反射率因子、所述差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据；
采用模糊分类算法对所述重构后的观测数据进行降水粒子识别，获取第一识别结果；
采用Kmeans聚类方法对所述第一识别结果进行二次分类，获取第二识别结果。
2.根据权利要求1所述的基于Kmeans聚类的降水粒子识别方法，其特征在于，在获取雷达观测数据的极化变量之前，还包括：
剔除所述水平反射率因子小于第一阈值、极化相关系数小于第二阈值和所述差分传播相移的绝对值大于第三阈值的值，获取所述雷达观测数据。
3.根据权利要求2所述的基于Kmeans聚类的降水粒子识别方法，其特征在于，所述根据所述水平反射率因子和所述差分反射率因子的物理约束关系重构所述比差分传播相移，包括：
根据所述水平反射率因子和所述差分反射率因子的物理约束，并添加相应的物理约束系数确定所述重构后的比差分传播相移，具体计算如下：
Figure FDA0003289989880000011
式中，
Figure FDA0003289989880000012
表示重构后的比差分传播相移，ZH表示水平反射率因子，ZDR表示所述差分反射率因子，C、α、β分别表示相应的物理约束系数。
4.根据权利要求3所述的基于Kmeans聚类的降水粒子识别方法，其特征在于，所述采用模糊分类算法对所述重构后的观测数据进行降水粒子识别，获取第一识别结果，包括：
所述重构后的观测数据中的变量包括，所述水平反射率因子、所述差分反射率因子、物理约束系数、所述重构后的比差分传播相移、观测数据的移动标准差、重构后的移动标准差以及移动窗口长度值；
根据所述重构后的观测数据设置隶属函数，计算所述重构后的观测数据中第i个变量对第j个降水粒子的隶属度，将所述重构后的观测数据中的各个变量对第j个降水粒子的隶属度进行加权平均，获取所述重构后的观测数据的合成值，根据所述合成值以及降水粒子的相态进行分类作为所述第一识别结果。
5.根据权利要求4所述的基于Kmeans聚类的降水粒子识别方法，其特征在于，所述采用Kmeans聚类方法对所述第一识别结果进行二次分类，获取第二识别结果，包括：
将所述第一识别结果作为初始值，并将所述第一识别结果中的每一类作为待识别样本，计算所述待识别样本与预设类别之间的马氏距离，计算所述待识别样本的领域当前类别与所述预设类别之间的差异值，根据所述马氏距离和所述差异值构建代价函数；
采用控制系数控制所述代价函数的权重并更新样本类别，遍历所有样本，计算更新类别的样本数占总样本数的比例，若更新比例小于预设的阈值，则停止计算，获取所述第二识别结果。
6.一种基于Kmeans聚类的降水粒子识别装置，其特征在于，包括：
获取模块，用于获取雷达观测数据的极化变量，所述极化变量包括水平反射率因子、差分反射率因子以及比差分传播相移；
重构模块，用于根据所述水平反射率因子和所述差分反射率因子的物理约束关系重构所述比差分传播相移，根据所述水平反射率因子、所述差分反射率因子以及重构后的比差分传播相移确定重构后的观测数据；
第一识别模块，用于采用模糊分类算法对所述重构后的观测数据进行降水粒子识别，获取第一识别结果；
第二识别模块，用于采用Kmeans聚类方法对所述第一识别结果进行二次分类，获取第二识别结果。
7.根据权利要求6所述的基于Kmeans聚类的降水粒子识别装置，其特征在于，还包括预处理模块，用于：
剔除所述水平反射率因子小于第一阈值、极化相关系数小于第二阈值和所述差分传播相移的绝对值大于第三阈值的值，获取所述雷达观测数据。
8.根据权利要求7所述的基于Kmeans聚类的降水粒子识别装置，其特征在于，所述重构模块，还用于：
根据所述水平反射率因子和所述差分反射率因子的物理约束，并添加相应的物理约束系数确定所述重构后的比差分传播相移，具体计算如下：
Figure FDA0003289989880000021
式中，
Figure FDA0003289989880000031
表示重构后的比差分传播相移，ZH表示水平反射率因子，ZDR表示所述差分反射率因子，C、α、β分别表示相应的物理约束系数。
9.根据权利要求8所述的基于Kmeans聚类的降水粒子识别装置，其特征在于，所述第一识别模块，还用于：
所述重构后的观测数据中的变量包括，所述水平反射率因子、所述差分反射率因子、物理约束系数、所述重构后的比差分传播相移、观测数据的移动标准差、重构后的移动标准差以及移动窗口长度值；
根据所述重构后的观测数据设置隶属函数，计算所述重构后的观测数据中第i个变量对第j个降水粒子的隶属度，将所述重构后的观测数据中的各个变量对第j个降水粒子的隶属度进行加权平均，获取所述重构后的观测数据的合成值，根据所述合成值以及降水粒子的相态进行分类作为所述第一识别结果。
10.根据权利要求9所述的基于Kmeans聚类的降水粒子识别装置，其特征在于，所述第二识别模块，还用于：
将所述第一识别结果作为初始值，并将所述第一识别结果中的每一类作为待识别样本，计算所述待识别样本与预设类别之间的马氏距离，计算所述待识别样本的领域当前类别与所述预设类别之间的差异值，根据所述马氏距离和所述差异值构建代价函数；
采用控制系数控制所述代价函数的权重并更新样本类别，遍历所有样本，计算更新类别的样本数占总样本数的比例，若更新比例小于预设的阈值，则停止计算，获取所述第二识别结果。
CN202111169300.9A 2021-09-30 2021-09-30 一种基于Kmeans聚类的降水粒子识别方法及装置 Expired - Fee Related CN113933809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111169300.9A CN113933809B (zh) 2021-09-30 2021-09-30 一种基于Kmeans聚类的降水粒子识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111169300.9A CN113933809B (zh) 2021-09-30 2021-09-30 一种基于Kmeans聚类的降水粒子识别方法及装置

Publications (2)

Publication Number Publication Date
CN113933809A true CN113933809A (zh) 2022-01-14
CN113933809B CN113933809B (zh) 2022-07-29

Family

ID=79277947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111169300.9A Expired - Fee Related CN113933809B (zh) 2021-09-30 2021-09-30 一种基于Kmeans聚类的降水粒子识别方法及装置

Country Status (1)

Country Link
CN (1) CN113933809B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114545416A (zh) * 2022-02-25 2022-05-27 中山大学 一种面向对象的定量降水估测方法、装置及终端设备
CN116049726A (zh) * 2023-04-03 2023-05-02 中国科学技术大学 夏季青藏高原降水类型分类方法、装置、设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090315762A1 (en) * 2008-03-14 2009-12-24 Colorado State University Research Foundation Adaptive specific differential phase in dual-polarization radar
CN106501806A (zh) * 2016-10-31 2017-03-15 北京市人工影响天气办公室 一种降水粒子的类型识别方法及装置
CN107576963A (zh) * 2017-09-11 2018-01-12 中国民航大学 基于粒子滤波的双偏振雷达差分传播相移的估计方法
CN109061646A (zh) * 2018-06-26 2018-12-21 成都信息工程大学 一种基于降水云识别的多普勒天气雷达定量降水估计方法
CN110488393A (zh) * 2019-09-24 2019-11-22 中国科学院大气物理研究所 X波段双偏振天气雷达定量测量降水方法及系统
CN110596787A (zh) * 2019-08-29 2019-12-20 成都锦江电子系统工程有限公司 一种基于x波段全固态双偏振雨量雷达的降水估测方法
CN110852245A (zh) * 2019-11-07 2020-02-28 中国民航大学 基于离散属性bnt的双偏振气象雷达降水粒子分类方法
CN111401602A (zh) * 2019-12-31 2020-07-10 河海大学 基于神经网络的卫星以及地面降水测量值同化方法
US20210088653A1 (en) * 2019-09-25 2021-03-25 Korea Meteorological Administration Apparatus and method for estimating rainfall of hail and rain using dual-polarization weather radar

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090315762A1 (en) * 2008-03-14 2009-12-24 Colorado State University Research Foundation Adaptive specific differential phase in dual-polarization radar
CN106501806A (zh) * 2016-10-31 2017-03-15 北京市人工影响天气办公室 一种降水粒子的类型识别方法及装置
CN107576963A (zh) * 2017-09-11 2018-01-12 中国民航大学 基于粒子滤波的双偏振雷达差分传播相移的估计方法
CN109061646A (zh) * 2018-06-26 2018-12-21 成都信息工程大学 一种基于降水云识别的多普勒天气雷达定量降水估计方法
CN110596787A (zh) * 2019-08-29 2019-12-20 成都锦江电子系统工程有限公司 一种基于x波段全固态双偏振雨量雷达的降水估测方法
CN110488393A (zh) * 2019-09-24 2019-11-22 中国科学院大气物理研究所 X波段双偏振天气雷达定量测量降水方法及系统
US20210088653A1 (en) * 2019-09-25 2021-03-25 Korea Meteorological Administration Apparatus and method for estimating rainfall of hail and rain using dual-polarization weather radar
CN110852245A (zh) * 2019-11-07 2020-02-28 中国民航大学 基于离散属性bnt的双偏振气象雷达降水粒子分类方法
CN111401602A (zh) * 2019-12-31 2020-07-10 河海大学 基于神经网络的卫星以及地面降水测量值同化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
L.D.RIIHIMAKI ET AL: ""A case study of microphysical structures and hydrometeor phase in convection using radar Doppler spectra at Darwin, Australia"", 《GEOPHYSICAL RESEARCH LETTERS》 *
ZHAO KUN ET AL.: ""Recent Progress in Dual-Polarization Radar Research and Applications in China"", 《ADVANCES IN ATMOSPHERIC SCIENCES》 *
宋文婷 等: ""基于S波段双偏振雷达资料的降水粒子类型识别算法及应用"", 《大气科学学报》 *
梁振清 等: ""基于深度学习和雷达观测的华南短临预报精度评估"", 《气象研究与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114545416A (zh) * 2022-02-25 2022-05-27 中山大学 一种面向对象的定量降水估测方法、装置及终端设备
CN116049726A (zh) * 2023-04-03 2023-05-02 中国科学技术大学 夏季青藏高原降水类型分类方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN113933809B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN113933809B (zh) 一种基于Kmeans聚类的降水粒子识别方法及装置
Chen et al. Traffic flow prediction by an ensemble framework with data denoising and deep learning model
Bujor et al. Application of log-cumulants to the detection of spatiotemporal discontinuities in multitemporal SAR images
Grazioli et al. Hydrometeor classification from polarimetric radar measurements: A clustering approach
CN110596787A (zh) 一种基于x波段全固态双偏振雨量雷达的降水估测方法
CN113011305B (zh) 基于语义分割和条件随机场的sar图像道路提取方法和装置
Lee et al. Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data
KR101255736B1 (ko) 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
Golbon-Haghighi et al. Detection of ground clutter for dual-polarization weather radar using a novel 3D discriminant function
Cuomo et al. Use of deep learning for weather radar nowcasting
Kwon et al. ETVOS: An enhanced total variation optimization segmentation approach for SAR sea-ice image segmentation
Zou et al. A method of radar echo extrapolation based on TREC and Barnes filter
Foresti et al. The effect of flow and orography on the spatial distribution of the very short-term predictability of rainfall from composite radar images
Heitmann et al. A robust feature extraction and parameterized fitting algorithm for bottom-side oblique and vertical incidence ionograms
CN115019187A (zh) 针对sar图像船舶目标的检测方法、装置、设备及介质
CN114299397A (zh) 多时相sar影像变化检测方法
CN114545416A (zh) 一种面向对象的定量降水估测方法、装置及终端设备
CN106249241B (zh) 一种自适应杂波功率统计算法
Krylov et al. Modeling the statistics of high resolution SAR images
CN115980690A (zh) 晴空回波识别模型构建方法、晴空回波滤波方法及装置
Sivasubramaniam et al. Estimating radar precipitation in cold climates: the role of air temperature within a non-parametric framework
Chen et al. Jensen–Shannon Distance-Based Filter and Unsupervised Evaluation Metrics for Polarimetric Weather Radar Processing
Sagiv et al. A Cramér Rao Based Study of 2-D Fields Retrieval By Measurements From a Random Sensor Network
Meghanadh et al. Rapid flood mapping using Sentinel-1A images: a case study of flood in Panamaram, Kerala
Wei et al. Shadow verification–based waterline detection for unmanned surface vehicles deployed in complicated natural environment

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220729

CF01 Termination of patent right due to non-payment of annual fee