CN115421220A - 一种基于深度学习的多因子局部降水指示方法及系统 - Google Patents
一种基于深度学习的多因子局部降水指示方法及系统 Download PDFInfo
- Publication number
- CN115421220A CN115421220A CN202211060250.5A CN202211060250A CN115421220A CN 115421220 A CN115421220 A CN 115421220A CN 202211060250 A CN202211060250 A CN 202211060250A CN 115421220 A CN115421220 A CN 115421220A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- water path
- liquid water
- cloud
- rain
- 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.)
- Pending
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 112
- 239000007788 liquid Substances 0.000 claims abstract description 101
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000010287 polarization Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- 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
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Hydrology & Water Resources (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的多因子局部降水指示方法及系统，属于微波遥感降水领域。该方法基于地基双频多极化辐射计、降雨雷达和雨量计实现，包括：步骤1)按照设定的时间间隔提取地基双频多极化辐射计、降水雷达和雨量计采集的观测数据，进行时间匹配及处理；步骤2)将处理后的观测数据输入预先建立和训练好的基于深度学习的深度反演模型，得到对应时空云液态水路径和雨液态水路径；步骤3)根据云液态水路径和雨液态水路径分析降水前云、雨液态水路径的变化；步骤4)由云、雨水路径变化选取降水预报因子；步骤5)将步骤3)和步骤4)的结果均输入预先建立和训练好的基于深度学习的降水指示模型，得到降雨率和指示的降水时刻。
Description
技术领域
本发明属于微波遥感降水领域，尤其涉及一种基于深度学习的多因子局部降水指示方法及系统。
背景技术
降水是气候分析、天气预报以及数值化研究等的重要参数，与人类的生活和生存紧密相关。除此之外降水直接关系到全球范围辐射能量的收支平衡，这对于地球循环系统维持热量平衡、热量输送具有重要意义。但是降水在时间上多变，是极难预测的气象参数之一。目前，对于局部降水观测的手段主要包括星载微波遥感、地基辐射计遥感与降水雷达。星载微波遥感无法对某一固定区域长时间连续观察且空间分辨率差，不能满足大气科学对降水预测研究的需求。地基微波遥感由于可以对固定区域快速重复观测，受恶劣天气影响小，使其具有观测稳定、时间和空间分辨率高等优势，发展迅速。此外雷达作为主动探测方式，可以主动发射电磁波与云雨粒子相互作用，是对降水更加直接的观测手段。与红外相比，微波具有全天时、全天候的工作优点，能够穿透雨层、云层和浓雾。因此微波遥感在降水观测方面具有独特的优势。
地基辐射计GMD-MR设置了5个探测频率：10.65GHz、18.7GHz、23.8GHz、36.5GHz和89GHz，所有通道均是双极化探测模式。地基辐射计通道设置参数情况如表1所示。
表1 GMD-MR具体参数设置
微波降水探测信息同降水事件等气象事件的发生具有密切的联系，但当前对于利用微波降水观测进行短临天气预报并未有成熟完备的方法。一方面当前的降水忽略了极化差对云雨粒子的不同敏感性，往往无法定量划分云液态水路径与雨液态水路径，极大影响降水指示的精度。另一方面当前降水指示大多运用单一观测仪器，没有采用主被动联合观测模式。地基多频双极化辐射计作为一种被动的微波遥感仪器，能够穿透雨层、云层和浓雾，用于全天时、全天候探测局部区域云液态水路径和雨液态水路径等气象信息，进而为降水预报提供及时准确的降水敏感因子，提升对降雨等一系列强对流天气的监测预警能力，在大气探测及气象应用中具有重要作用。降水雷达作为一种主动探测方式，可以提供各高度层探测信息，与地基辐射计协同观测可进一步提高云液态水和雨液态水路径的反演精度，从而更加精细化描述云、雨液态水路径的变化、有利于准确提取降水敏感因子提高降水指示模型的性能。因此联合地基辐射计和雷达，充分揭示利用主被动微波观测开展局域临近降水指示的科学性、必要性和可行性。针对局部区域开展短时临近指示具有广阔的应用前景和重要的科学意义。
发明内容
本发明的技术解决问题是：克服现有技术的缺陷，提出了一种基于深度学习的多因子局部降水指示模型构建方法，局部是指以微波辐射观测站点为圆心，半径在30km以内。
所述模型可以较好地依托地基辐射计和降水雷达主被动联合观测优势，利用辐射计探测的亮温和极化差定量划分云液态水路径和雨液态水路径，进一步提高云液态水和雨液态水路径的反演精度，从而更加精细化描述云、雨液态水路径的变化、有利于准确提取降水敏感因子提高降水指示模型的性能。弥补深度学习模型在降水指示应用领域的不足，也为降水事件的业务预报提供良好的补充，有效提高预报的时效性、针对性和全面性。
为了实现上述目的，本发明一方面提出了一种基于深度学习的多因子局部降水指示方法，基于地基双频多极化辐射计、降雨雷达和雨量计实现，所述方法包括：
步骤1)按照设定的时间间隔提取地基双频多极化辐射计、降水雷达和雨量计采集的观测数据，进行时间匹配及处理；
步骤2)将处理后的观测数据输入预先建立和训练好的基于深度学习的深度反演模型，得到对应时空云液态水路径和雨液态水路径；
步骤3)根据云液态水路径和雨液态水路径分析降水前云、雨液态水路径的变化；
步骤4)由云、雨水路径变化选取降水预报因子；
步骤5)将步骤3)和步骤4)的结果均输入预先建立和训练好的基于深度学习的降水指示模型，得到降雨率和指示的降水时刻。
作为上述方法的一种改进，所述地基双频多极化辐射计包括5个探测频率：10.65GHz、18.7GHz、23.8GHz、36.5GHz和89GHz，每个通道均是水平和垂直双极化探测模式。
作为上述方法的一种改进，所述步骤1)具体包括：
根据地基双频多极化辐射计输出数据的各标识码选择并读取地基辐射计每个通道的垂直极化亮温、水平极化亮温和时间信息；
根据降水雷达输出数据的各标识码选择并读取各高度层雷达反射率因子和时间信息；
根据雨量计输出数据的各标识码选择并读取降雨率和时间信息；
设置一定的时间分辨率，对上述数据进行时间匹配；
采用亮温极值法选取设定范围的亮温数据；
采用降水量极值法选取设定范围降水量数据；
根据每个通道的垂直极化亮温和水平极化亮温得到对应通道的亮温值和极化差。作为上述方法的一种改进，所述对应通道的亮温值和极化差，分别满足下式：
TB＝(TBV+TBH)/2
其中，TB为某通道的亮温值，TBV为对应通道垂直极化亮温，TBH为对应通道水平极化亮温；
PD＝TBV-TBH
其中，PD为某通道的极化差。
作为上述方法的一种改进，所述步骤2)的基于深度学习的深度反演模型，输入为每个通道的亮温、极化差和降水雷达各高度层雷达反射率因子，输出为云液态水路径和雨液态水路径；所述模型为DNN神经网络网络模型，包括1层输入层，4层隐藏层和1层输出层，其中隐藏层的激活神经元为64个，隐藏层激活函数的计算公式为：
其中Sigmoid为激活函数，x为神经元在此隐藏层的值。
作为上述方法的一种改进，所述步骤3)具体包括：
对深度反演模型输出的云液态水路径和雨液态水路径，采用极值法去除不符合要求的数据；
通过对降水云液态水路径和雨液态水路径各时刻的平均值进行拟合得到降水前云和雨液态水路径的变化，所述降水前云和雨液态水路径的变化为云和雨液态水在相同局部空间降水事件前随时间的变化。
作为上述方法的一种改进，所述步骤4)的降水预报因子包括：降水前雨液态水路径极小值与极小值对应时刻之后雨液态水路径极大值之间的增加量；降水前云液态水路径极小值与极小值对应时刻之后云液态水路径的极大值之间的增加量；降水前云液态水路径的极大值与雨液态水路径极大值对应时刻的云液态水路径之间的变化量。
作为上述方法的一种改进，所述步骤5)的降水指示模型包括降水指示因子子模型和降水时刻指示子模型；其中，
所述降水指示因子子模型的输入为步骤4)得到的降水指示因子，输出为降雨率；
所述降水时刻指示子模型的输入为步骤3)得到的降水预报因子中云液态水路径达到极大值的时刻和雨液态水路径达到极大值的时刻，输出为指示的降水时刻。
作为上述方法的一种改进，所述降水指示因子子模型和降水时刻指示子模型均包括1层输入层，4层隐藏层和1层输出层，其中隐藏层的激活神经元为64个；隐藏层激活函数的计算公式为：
Relu(x)＝max(0,x)
其中，Relu为激活函数，x为神经元在此隐藏层的值。
本发明第二方面提出了一种基于深度学习的多因子局部降水指示系统，基于地基双频多极化辐射计、降雨雷达和雨量计实现，所述系统包括：匹配处理模块、水路径获取模块、分析模块、降水指示因子获取模块、指示模块、基于深度学习的深度反演模型和降水指示模型；其中，
所述匹配处理模块，用于按照设定的时间间隔提取地基双频多极化辐射计、降水雷达和雨量计采集的观测数据，进行时间匹配及处理；
所述水路径获取模块，用于将处理后的观测数据输入预先建立和训练好的基于深度学习的深度反演模型，得到对应时空云液态水路径和雨液态水路径；
所述分析模块，用于根据云液态水路径和雨液态水路径分析降水前云、雨液态水路径的变化；
所述降水预报因子获取模块，用于由云、雨水路径变化选取降水预报因子；
所述指示模块，用于将分析模块和降水预报因子获取模块的结果均输入预先建立和训练好的基于深度学习的降水指示模型，得到降雨率和指示的降水时刻。
本发明与现有技术相比的有益效果是：
1、多因子局部降水指示模型基于深度学习模型构建，无需关注亮温、雷达观测量与降水等气象参数在物理机制上的联系，可以满足运算简洁化、便捷化的要求，适用于地基微波观测平台；
2、利用主动微波探测仪器降水雷达和被动微波探测仪器地基辐射计联合观测，为降水指示提高了更多探测信息形成有益补充，提高了多因子局部降水指示模型的鲁棒性和泛化能力；
3、利用极化差对云雨粒子的不同敏感性，定量划分云液态水路径与雨液态水路径，更加精细化描述云、雨液态水路径的变化、有利于准确提取降水敏感因子提高降水指示模型的性能；
4、本发明提供的一种新型基于深度学习降水指示模型方法，实现了局域降水指示，提高了降水雷达和地基辐射计的利用率，可以为其他区域降水指示业务算法提供参考，从而为后续的数值天气预报、资料同化等研究奠定了基础，本发明提出的多因子局部降水指示模型的构建方法具有较高的应用价值和广阔的发展前景。
附图说明
图1是本发明的基于深度学习的多因子局部降水指示方法流程图；
图2是本发明的反演云、雨液态水路径的模型结构示意图；
图3是本发明的降水指示模型结构示意图。
具体实施方式
下面结合附图和具体实施方案对本发明的一种全球海洋降水反演方法进行清楚、完整的描述，作进一步的详细说明。
图1是本发明的一种基于深度学习的多因子局部降水指示模型的构建方法流程，如图1所示，该方法分主要包括如下部分：
第一步，收集多系统的地基辐射计降水雷达和雨量计数据进行对应时空匹配。根据地基辐射计输出数据的各标识码选择并读取地基辐射计10个通道的垂直极化亮温、水平极化亮温和时间信息。根据降水雷达输出数据的各标识码选择并读取各高度层雷达反射率因子和时间信息。根据雨量计输出数据的各标识码选择并读取降雨率和时间信息。按照设定的时间分辨率将地基辐射计各通道的垂直极化亮温、水平极化亮温、降水雷达各高度层雷达反射率因子和临近观测站点的雨量计获取的降雨率进行对应时空匹配。地基辐射计、降水雷达和雨量计匹配的具体规则如下：
(a)采用亮温极值法去掉不合理的数据，选取0K～350K之间的亮温；
(b)采用降水量极值法去掉不符合要求的数据，选取0mm/hr至100mm/hr之间的降水量；
(c)选择匹配数据前后时间差不超过1min的数据，即时间分辨率设置为1min；
第二步，构建深度学习模型反演云液态水路径和雨液态水路径。反演云、雨液态水路径的模型结构示意图如图2所示，在经过第一步后数据提取和预处理后，将匹配后的数据输入到模型中。模型的输入为地基辐射计10.65GHz、18.7GHz、23.8GHz、36.5GHz和89GHz通道的亮温、极化差和降水雷达各高度层雷达反射率因子。模型的输出为云液态水路径和雨液态水路径。其中亮温的计算公式为：
TB＝(TBV+TBH)/2
其中TB为通道亮温，TBV为对应通道垂直极化亮温，TBH为对应通道垂直极化亮温。极化差的计算公式为：
PD＝TBV-TBH
其中PD为通道极化差，TBV为对应通道垂直极化亮温，TBH为对应通道垂直极化亮温。
模型包括1层输入层，4层隐藏层，1层输出层。隐藏层的激活神经元为64个。隐藏层激活函数的计算公式为：
其中Sigmoid为激活函数，x为神经元在此隐藏层的值。
第三步，根据第二步构建的深度学习模型反演云液态水路径和雨液态水路径。训练时的损失函数为平均平方误差,其中平均平方误差的计算公式为：
其中MSE为平均平方误差，n为训练数据，yi为真实云、雨液态水路径，fi为反演的云、雨液态水路径。对反演的云、雨液态水路径进行质量控制，剔除不合理数据。具体规则如下：
(a)采用极值法去掉不符合要求的数据，选取大于0kg/m2的云液态水路径；
(b)采用极值法去掉不符合要求的数据，选取大于0kg/m2的雨液态水路径；
第四步，分析降水前云、雨液态水路径的变化。通过降水前云、雨液态水路径各时刻的平均值拟合三次项多项式表示降水前云、雨液态水路径的变化。
第五步，利用第四步得到的云、雨水路径变化选取降水预报因子。降水预报因子包括：降水前雨液态水路径极小值与极小值对应时刻之后雨液态水路径极大值之间的增加量；降水前云液态水路径极小值与极小值对应时刻之后云液态水路径的极大值之间的增加量；降水前云液态水路径的极大值与雨液态水路径极大值对应时刻的云液态水路径之间的变化量。
第六步，根据第五步得到的降水指示因子构建基于深度学习的降水指示模型。图3是本发明的降水指示深度学习模型结构示意图。如图3所示降水指示模型包括两个子模型，其中一个子模型输入为所述第五步降水指示因子，输出为降雨率；另一个子模型输入为所述第五步降水指示因子中云液态水路径达到极大值的时刻和雨液态水路径达到极大值的时刻，输出为指示的降水时刻。将输入数据的80％划分为训练集，将输入数据的20％划分为测试集。每个子模型包括1层输入层，4层隐藏层，1层输出层。隐藏层的激活神经元为64个。隐藏层激活函数的计算公式为：
Relu(x)＝max(0,x)
其中Relu为激活函数，x为神经元在此隐藏层的值。训练时的损失函数为均方根误差,其中均方根误差的计算公式为：
其中RMSE为均方根误差，n为训练数据，yi为真实降雨率和降水时刻，fi为指示降雨率和降水时刻。降水指示因子子模型的预报指标为准确率和相关系数。降水时刻指示子模型的预报指标为平均绝对误差。其中准确率、相关系数和平均绝对误差的计算公式分别为：
POD＝n11/(n11+n21)
其中POD为准确率，RMSE为均方根误差，Corr为相关系数。n为训练数据数，n11为准确预报数，n12为误报数，n21为漏报数；Cov(y,f)为真实降雨率y和指示降雨率的协方差，D(y)和D(f)分别为真实降雨率y和指示降雨率的方差；yi为真实降水时刻，fi为指示的降水时刻。
将选定的指示因子以及确定好的预报指标用于局域短临降水预报模型中，得到所述局域短临降水发生的时间和降雨率，与所述局域对应时段的实际降水观测数据进行对比，以对所述局域短临降水预报模型进行验证，验证结果显示，针对2021年12月至2022年2月这一时段指示降水准确率为90％，相关系数为0.91，降水平均绝对误差为60min。
实施例2
本发明的实施例2提出了一种基于深度学习的多因子局部降水指示系统，基于地基双频多极化辐射计、降雨雷达和雨量计实现，所述系统包括：匹配处理模块、水路径获取模块、分析模块、降水预报因子获取模块、指示模块、基于深度学习的深度反演模型和降水指示模型；具体处理同实施例1的方法，其中，
所述匹配处理模块，用于按照设定的时间间隔提取地基双频多极化辐射计、降水雷达和雨量计采集的观测数据，进行时间匹配及处理；
所述水路径获取模块，用于将处理后的观测数据输入预先建立和训练好的基于深度学习的深度反演模型，得到对应时空云液态水路径和雨液态水路径；
所述分析模块，用于根据云液态水路径和雨液态水路径分析降水前云、雨液态水路径的变化；
所述降水预报因子获取模块，用于由云、雨水路径变化选取降水预报因子；
所述指示模块，用于将分析模块和降水预报因子获取模块的结果均输入预先建立和训练好的基于深度学习的降水指示模型，得到降雨率和指示的降水时刻。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于深度学习的多因子局部降水指示方法，基于地基双频多极化辐射计、降雨雷达和雨量计实现，所述方法包括：
步骤1)按照设定的时间间隔提取地基双频多极化辐射计、降水雷达和雨量计采集的观测数据，进行时间匹配及处理；
步骤2)将处理后的观测数据输入预先建立和训练好的基于深度学习的深度反演模型，得到对应时空云液态水路径和雨液态水路径；
步骤3)根据云液态水路径和雨液态水路径分析降水前云、雨液态水路径的变化；
步骤4)由云、雨水路径变化选取降水预报因子；
步骤5)将步骤3)和步骤4)的结果均输入预先建立和训练好的基于深度学习的降水指示模型，得到降雨率和指示的降水时刻。
2.根据权利要求1所述的基于深度学习的多因子局部降水指示方法，其特征在于，所述地基双频多极化辐射计包括5个探测频率：10.65GHz、18.7GHz、23.8GHz、36.5GHz和89GHz，每个通道均是水平和垂直双极化探测模式。
3.根据权利要求2所述的基于深度学习的多因子局部降水指示方法，其特征在于，所述步骤1)具体包括：
根据地基双频多极化辐射计输出数据的各标识码选择并读取地基辐射计每个通道的垂直极化亮温、水平极化亮温和时间信息；
根据降水雷达输出数据的各标识码选择并读取各高度层雷达反射率因子和时间信息；
根据雨量计输出数据的各标识码选择并读取降雨率和时间信息；
设置一定的时间分辨率，对上述数据进行时间匹配；
采用亮温极值法选取设定范围的亮温数据；
采用降水量极值法选取设定范围降水量数据；
根据每个通道的垂直极化亮温和水平极化亮温得到对应通道的亮温值和极化差。
4.根据权利要求3所述的基于深度学习的多因子局部降水指示方法，其特征在于，所述对应通道的亮温值和极化差，分别满足下式：
TB＝(TBV+TBH)/2
其中，TB为某通道的亮温值，TBV为对应通道垂直极化亮温，TBH为对应通道水平极化亮温；
PD＝TBV-TBH
其中，PD为某通道的极化差。
5.根据权利要求4所述的基于深度学习的多因子局部降水指示方法，其特征在于，所述步骤2)的基于深度学习的深度反演模型，输入为每个通道的亮温、极化差和降水雷达各高度层雷达反射率因子，输出为云液态水路径和雨液态水路径；所述模型为DNN神经网络网络模型，包括1层输入层，4层隐藏层和1层输出层，其中隐藏层的激活神经元为64个，隐藏层激活函数的计算公式为：
其中Sigmoid为激活函数，x为神经元在此隐藏层的值。
6.根据权利要求5所述的基于深度学习的多因子局部降水指示方法，其特征在于，所述步骤3)具体包括：
对深度反演模型输出的云液态水路径和雨液态水路径，采用极值法去除不符合要求的数据；
通过对降水云液态水路径和雨液态水路径各时刻的平均值进行拟合得到降水前云和雨液态水路径的变化，所述降水前云和雨液态水路径的变化为云和雨液态水在相同局部空间降水事件前随时间的变化。
7.根据权利要求6所述的基于深度学习的多因子局部降水指示方法，其特征在于，所述步骤4)的降水预报因子包括：降水前雨液态水路径极小值与极小值对应时刻之后雨液态水路径极大值之间的增加量；降水前云液态水路径极小值与极小值对应时刻之后云液态水路径的极大值之间的增加量；降水前云液态水路径的极大值与雨液态水路径极大值对应时刻的云液态水路径之间的变化量。
8.根据权利要求7所述的基于深度学习的多因子局部降水指示方法，其特征在于，所述步骤5)的降水指示模型包括降水指示因子子模型和降水时刻指示子模型；其中，
所述降水指示因子子模型的输入为步骤4)得到的降水指示因子，输出为降雨率；
所述降水时刻指示子模型的输入为步骤3)得到的降水预报因子中云液态水路径达到极大值的时刻和雨液态水路径达到极大值的时刻，输出为指示的降水时刻。
9.根据权利要求8所述的基于深度学习的多因子局部降水指示方法，其特征在于，所述降水指示因子子模型和降水时刻指示子模型均包括1层输入层，4层隐藏层和1层输出层，其中隐藏层的激活神经元为64个；隐藏层激活函数的计算公式为：
Relu(x)＝max(0,x)
其中，Relu为激活函数，x为神经元在此隐藏层的值。
10.一种基于深度学习的多因子局部降水指示系统，基于地基双频多极化辐射计、降雨雷达和雨量计实现，其特征在于，所述系统包括：匹配处理模块、水路径获取模块、分析模块、降水指示因子获取模块、指示模块、基于深度学习的深度反演模型和降水指示模型；其中，
所述匹配处理模块，用于按照设定的时间间隔提取地基双频多极化辐射计、降水雷达和雨量计采集的观测数据，进行时间匹配及处理；
所述水路径获取模块，用于将处理后的观测数据输入预先建立和训练好的基于深度学习的深度反演模型，得到对应时空云液态水路径和雨液态水路径；
所述分析模块，用于根据云液态水路径和雨液态水路径分析降水前云、雨液态水路径的变化；
所述降水预报因子获取模块，用于由云、雨水路径变化选取降水预报因子；
所述指示模块，用于将分析模块和降水预报因子获取模块的结果均输入预先建立和训练好的基于深度学习的降水指示模型，得到降雨率和指示的降水时刻。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211060250.5A CN115421220A (zh) | 2022-08-30 | 2022-08-30 | 一种基于深度学习的多因子局部降水指示方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211060250.5A CN115421220A (zh) | 2022-08-30 | 2022-08-30 | 一种基于深度学习的多因子局部降水指示方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115421220A true CN115421220A (zh) | 2022-12-02 |
Family
ID=84200411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211060250.5A Pending CN115421220A (zh) | 2022-08-30 | 2022-08-30 | 一种基于深度学习的多因子局部降水指示方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115421220A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116047631A (zh) * | 2023-03-31 | 2023-05-02 | 中科星图维天信(北京)科技有限公司 | 降水预报方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-30 CN CN202211060250.5A patent/CN115421220A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116047631A (zh) * | 2023-03-31 | 2023-05-02 | 中科星图维天信(北京)科技有限公司 | 降水预报方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Simultaneous investigation of surface and canopy urban heat islands over global cities | |
| CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
| CN108761574A (zh) | 基于多源信息融合的降雨量估算方法 | |
| CN110363327A (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| CN111983732B (zh) | 一种基于深度学习的降水强度估计方法 | |
| CN109946762A (zh) | 一种基于概率分布短时预报降水的方法及系统 | |
| CN110930048A (zh) | 一种基于成灾机理过程的农作物干旱风险评估系统及方法 | |
| CN109255100A (zh) | 一种基于微波衰减特征响应指纹识别的城市降雨反演算法 | |
| CN115542431B (zh) | 一种基于地基云雷达和卫星数据的对流初生监测方法 | |
| 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 | |
| CN111652404A (zh) | 一种全天气地表温度反演方法和系统 | |
| Yao et al. | An improved deep learning model for high-impact weather nowcasting | |
| CN115081557A (zh) | 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统 | |
| CN114120137A (zh) | 一种基于时序主被遥感影像的湿地要素时空演变监测方法 | |
| CN110516552B (zh) | 一种基于时序曲线的多极化雷达图像分类方法及系统 | |
| CN117192510A (zh) | 一种双偏振雷达雨滴谱参数反演方法 | |
| CN114325874A (zh) | 一种强对流天气个例库系统的建立方法 | |
| 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 | |
| CN116822185A (zh) | 基于hasm的日降水数据空间模拟方法和系统 | |
| CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
| CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
| CN116029162B (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统 | |
| CN117114235A (zh) | 一种河流生态输水后植被要素的动态变化评价方法 | |
| 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 | |
| CN116124716A (zh) | 基于近感高光谱的水质监测方法及装置 |
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 |