CN115526272A - 基于多源资料融合的低云低能见度天气识别及反演方法 - Google Patents
基于多源资料融合的低云低能见度天气识别及反演方法 Download PDFInfo
- Publication number
- CN115526272A CN115526272A CN202211318593.7A CN202211318593A CN115526272A CN 115526272 A CN115526272 A CN 115526272A CN 202211318593 A CN202211318593 A CN 202211318593A CN 115526272 A CN115526272 A CN 115526272A
- Authority
- CN
- China
- Prior art keywords
- low
- cloud
- fog
- visibility
- millimeter wave
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000002310 reflectometry Methods 0.000 claims description 15
- 238000001556 precipitation Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000017 hydrogel Substances 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000028161 membrane depolarization Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
Abstract
发明涉及基于多源资料融合的低云低能见度天气识别方法,包括:S1、采用毫米波云雷达扫描;S2、毫米波云雷达、微波辐射计、自动气象观测系统数据文件按时间相匹配;S3、从各设备中获取物理量;S4、将毫米波云雷达基数据进行处理;S5、测定200米高度水平风速,并将无效值用地面风速代替;S6、设定条件,并挑选出满足条件的区域雾环境情况;S7、针对满足区域雾环境判别条件,通过模糊逻辑处理,识别处粒子类型(低云、雾、其他);S8、对不满足区域雾环境的判别划分。还公开了能见度反演方法。本发明达到的有益效果是:能有效避免雾回波误判,并且对于云底水汽含量、湿度偏小的低云具有非常优异的识别效果;排出处于低云、雾之间的过度大小颗粒带来的干扰,具有高时空分辨率、高准确性。
Description
技术领域
本发明涉及雷达技术领域,特别是基于多源资料融合的低云低能见度天气识别及反演方法。
背景技术
随着交通运输业的飞速发展,雾在航空、交通运输等方面影响愈来愈突出,并有可能造成巨大的经济损失,如大雾会导致车辆大量堵塞,发生交通事故,以致公路封闭。据统计,高速公路上因雾等恶劣天气造成的交通事故占总事故的25%;航海船舶因浓雾而发生碰撞的事故占70%;某些农作物在生长期若遇上持续雾天,可造成1-3成的减产。可见,大雾是一种重要的天气现象,雾的探测和研究十分重要。
目前,对雾的探测气象业务中仍以目测为主,仅在航空机场采用光学方法通过测量雾的消光系数及散射光强度来推演大气能见度。探测雾的主要设备有雾滴谱仪、能见度仪等。上述两种探测仪器仅局限于“点”、“沿线”测量雾的滴谱、能见度等特性,如何设法扩大到“面”上对雾进行监测。目前利用气象卫星云图对雾的监测已取得较大进展。运用卫星资料对大雾的生消实施宏观、动态、连续的监测,是卫星遥感最突出的优势之一。但因雾和低云具有较相似的图像特征,使得要准确地区分云雾尚存在较大困难。另外,目前卫星云图对雾的监测主要是利用GOES、NOAA等系列气象卫星的资料,这两类卫星资料的时间分辨率不是很高,且容易受到天气等因素的影响,难以满足动态监测云雾生消变化的需要。
目前机场现有的天气雷达、自动气象观测系统、气象卫星资料接收处理系统等对低云低能见度探测手段有限,主要以人工目测为主,器测为辅助。预报员缺乏基础的云场分布、云水含量、云中上升气流速度、云层识别、雾强度、雾范围等数据,无法做出比较精确的分析,而对机场大雾的预报也只能依赖对常规天气资料的分析与判断,对大雾的产生和消散时间无法做出精确的预报,低云、低能见度预报预警能力非常有限。
机场毫米波雷达可以提供低云和大雾目标的强度、速度、位置、范围等信息,对低云低能见度天气进行探测和预警具有高时空分辨率、高准确性的特点,可以为低云低能见度的监测预警提供更加有效的依据。
目前,业务运行系统难以满足当前低云低能见度天气监测识别的业务需求,所以本公司研发一种基于多源资料融合的低云低能见度天气分类识别方法及能见度反演方法来解决上述问题。
发明内容
本发明的目的在于克服现有技术的缺点,提供基于多源资料融合的低云低能见度天气识别及反演方法,有效解决针对机场周边30km范围内低云低能见度天气区域识别方法的问题,以及解决了机场周边大范围在雾天气的能见度反演问题。
本发明的目的通过以下技术方案来实现:基于多源资料融合的低云低能见度天气识别方法,包括包括以下步骤:
S1、采用毫米波云雷达,进行低仰角PPI扫描、机场跑道方向RHI扫描;
S2、根据毫米波云雷达时间,搜索匹配该时间相应的微波辐射计、自动气象观测系统数据文件;
S3、分别解析各设备数据
从毫米波云雷达数据中提取反射率因子Z(又称回波强度Z)、径向速度V、速度谱宽W、线性退偏振比LDR四个物理量;
从从微波辐射计中提取温度T廓线、相对湿度RH廓线两个物理量;
从自动气象观测系统中提取风速WS0、能见度VIS两个物理量;
S4、对于毫米波云雷达基数据进行处理,以提高针对毫米波云雷达基数据的质量;
处理手段,包括对缺测数据进行补缺;速度退模糊处理;
S5、从毫米波云雷达数据中提取200米高度水平风速WS200m;若WS200m为无效值,则取自动气象观测系统中地面风速进行代替;
S6、通过以下条件,分析判别雾环境:
a、水汽条件:近地面湿度RH0m大于设定值;
b、热力条件:贴地逆温高度ΔH小于200米,平均强度Iavg小于设定平均强度,最大强度Imax小于设定最大强度;
c、动力条件:200米高度水平风速WS200m小于设定水平风速;
d、能见度条件:能见度VIS小于设定高度;
上述四个条件中,若满足条件d,则直接满足区域雾环境条件;
上述四个条件中,若同时满足条件a、条件b、条件c,则也满足区域雾环境条件;
其中,近地面湿度RH0m,由微波辐射计中相对湿度RH廓线数据地面高度数据获取;
贴地逆温高度ΔH由微波辐射计中温度T廓线数据,从地面开始依次上一高度结果计算逆温高度;
逆温强度定义为在逆温层内每升高100m温度的逆增值(单位:℃/100m),用I表示;
平均强度Iavg为从地面到ΔH高度下的逆温强度平均值;
最大强度Imax从地面到ΔH高度下逆温强度最大值;200米高度水平风速WS200m由毫米波云雷达速度场数据利用VAD(Velocity Azimuth Display)方法拟合获取,若拟合为无效值,则采用自动气象观测系统中地面风速WS0取代;
能见度VIS由自动气象观测系统中地面能见度VIS获取;
ΔH=H2-H1,ΔT=T2-T1,I=ΔT/ΔH×100;
S7、针对满足区域雾环境判别条件,识别粒子类型
A、直接判断,识别为低云、雾、其他
选取-5dBZ作为区分降水和云、雾天气现象的阈值,大于-5dBZ为降水以及其他粒子;小于或等于-5dBZ为云或雾粒子;
B、利用模糊逻辑算法,对满足区域雾环境判别条件中相应物理量进行处理后,再识别为低云、雾、其他;
B1、根据低云、(雾)低能见度天气特点选取物理量,提取毫出米波云雷达对应的回波强度Z、组合反射率纹理TDBZ、组合反射率沿径向的库间变化程度SPIN、回波强度的垂直梯度率GDBZ;
将Z、TDBZ、SPIN、GDBZ作为输入参量,通过不对称梯形隶属函数进行模糊化处理,不对称梯形隶属函数的表达式为,
其中,Ti_j表示输入参量对各相态的隶属程度,越接近1表示相态为真实相态的可能性越高,其中i代表第i个输出粒子相态类型,分别对应低云、雾、其它,j代表第j个输入参量,分别对应回波强度(Z)、组合反射率纹理(TDBZ)、组合反射率沿径向的库间变化程度(SPIN)、回波强度的垂直梯度率(GDBZ),X1、X2、X3、X4是隶属度函数的系数;
B2、根据Z、TDBZ、SPIN、GDBZ参量在识别算法占的比例选择适当的权重,以对应Z、TDBZ、SPIN、GDBZ四个参量的隶属函数数值进行加权平均;
其中,Si为各类粒子集成值,Tij代表隶属度函数,i为输出粒子类型,j为输入参量类型,Wi,j表示第i种输出粒子类型,第j种参量对判断结果的权重因子;
B3、将B2中计算出的各个粒子类型对应的各个值,将每个粒子类型的所有值,采用最大值集成方法进行集成,即仅把最大值的结果作为输出,
Smax=Max(Si);
B4、最大值输出结果对应的粒子类型,即为最终识别的水凝物粒子类型。
进一步地,对于上述S6,通过以下条件,分析判别雾环境:
a、水汽条件:近地面湿度RH0m大于95%;
b、热力条件:贴地逆温高度ΔH小于200米,平均强度Iavg小于1.3℃/100m,最大强度Imax小于3℃/100m;
c、动力条件:200米高度水平风速WS200m小于8米/秒;
d、能见度条件:能见度VIS小于1000米。
需要说明的是,对于步骤S4,对缺测数据进行补缺,即采用二维均值滤液方法对云、降水回波空洞进行填补,为现有技术。原理为:当占比高于一定阈值Nthresh(经验值,默认70%)时,采用有效回波距离库的各回波参量平均值填充回波空洞距离库的回波参量值。
需要说明的是,对于步骤S4,速度退模糊处理,为现有技术,主要原理是:首先通过找到最弱风场区来决定一系列初始参考径向和距离库,然后从这些径向和距离库出发,检查相邻库之间的连续性并对模糊速度进行订正。(见肖艳娇,一种自动多普勒雷达速度退模糊算法研究,高原气象,2012,31(4):1119-1128)
进一步地,还包括步骤S8:当不满足步骤S6提及的区域雾环境判别条件时,直接利用选取-5dBZ作为区分降水和低云天气现象的阈值;若大于-5dBZ为降水其他粒子;若小于或等于-5dBZ为云粒子。
进一步地,所述的S1中,毫米波云雷达,通过雾探测模式,来进行低仰角PPI扫描、机场跑道方向RHI扫描。
进一步地,所述的根据毫米波云雷达时间,搜索匹配该时间相应的微波辐射计、自动气象观测系统数据文件,是指:
先让各设备的数据文件时间匹配;
根据毫米波云雷达时间搜索匹配最近微波辐射计、自动气象观测系统数据文件。
进一步地,在步骤S7中的B21中,根据低云、(雾)低能见度天气特点选取物理量,提取毫出米波云雷达对应的回波强度Z、组合反射率纹理TDBZ、组合反射率沿径向的库间变化程度SPIN、回波强度的垂直梯度率GDBZ,提取公式如下:
GDBZ=W(R)(ZupZlow) (2)
其中,NA,NR表示在方位和距离方向定义的计算范围,Zi,j为任意点的回波强度,TDBZ主要反映回波强度的局地变化大小,如果区域回波的越均匀,TDBZ值越小,反之越大;Zlow,Zup为对应的本层和上层PPI的回波强度,W(R)表示与距离有关的权重,当Zlow,Zup同时存在时,GDBZ反映了回波强度的垂直变化;Zthresh为库间回波强度变化的阈值,这里取3.5dBZ;SPIN反映了回波强度沿径向方向变化的一致性,如果径向回波越均匀,SPIN值越小,反之越大。
进一步地,在步骤S5中,WS200m为无效值,是指:
通过雷达反演,当反演点少于设定点时,则被当做无效值。
基于多源资料融合的低云低能见度反演方法,对于步骤S7中已经识别出为雾粒子的区域,采用如下公式反演能见度,
Vis[m]=144.59exp(-0.071×Z[dBZ])。
需要说明的是,基于多源资料融合,是指利用雷达领域已有的设备,如机场毫米波雷达、微波辐射计、自动气象观测系统等设备(这些硬件设备本身为现有技术),来获得Ka波段毫米波云雾雷达资料、微波辐射计资料、气象自动观测系统资料等(获取资料数据信息的方式,也为现有技术)。
对于低云低能见度天气识别,都是利用天气雷达来实现的;但是方案发现,采用机场使用的毫米波雷达,来解决天气问题,能产生意料不到的技术效果。
即,本方案的核心原理是,利用机场区域内Ka波段毫米波云雾雷达资料、微波辐射计资料、气象自动观测系统资料等分析雾在生消演变过程中的动力热力条件,水汽和液态水含量变化特征以及雷达回波特征。结合机场毫米波雷达、微波辐射计、自动气象观测系统等设备资料,综合各类气象监测手段,融合各类气象产品优势,通过本发明的低云低能见度天气分类识别方法,能有效解决针对机场周边30km范围内低云低能见度天气区域识别方法的问题。
需要说明的是,将粒子分为低云、雾、其他,为根据要求进行的划分;但关键是,如何通过数据处理,进行划分的;保护的是数据处理方式。通过相应的数据处理后的结果,便于精确划分为低云、雾或其他;这种数据处理后的划分方式,不同于对常规天气资料的分析与判断,能对大雾的产生和消散时间做出精确的预报,从而提高低云、低能见度的预报预警能力。
本发明具有以下优点:
(1)通过测得的各物理量,将天气情况分为区域雾环境、非区域雾环境,同时将区域雾环境分为低云、雾、其他颗粒情况;划分很细,并着重对低云、雾颗粒进行数据处理;
经区域雾环境分类处理后,能将云底水汽含量、湿度偏小的低云与雾进行区分(常规的是低云、雾混合在一起无法分别开,现在经处理后排出了低云数据),从而有效避免雾回波误判;
(2)基于模糊逻辑的方法的低云低能见度天气识别方法所相关参量及阈值,最终采用最大值输出结果对应的粒子类型,即为最终识别的水凝物粒子类,从而排出了处于低云、雾之间的过度大小颗粒带来的干扰,具有高时空分辨率、高准确性;
(3)通过计算区分出雾粒子区域后,经公式计算出反演能见度;当传统检测方法难以在大雾天气进行监测识别及能见度区域反演时,通过基于多源资料融合的计算出含有雾粒子的区域后,实现机场周边大范围的能见度反演。
附图说明
图1为本发明的流程示意图;
图2为隶属函数模型;
图3为能见度反演的样本统计拟合结果图。
具体实施方式
下面结合附图对本发明做进一步的描述,但本发明的保护范围不局限于以下所述。
如图1和图2所示,基于多源资料融合的低云低能见度天气识别方法,包括以下步骤:
S1、采用毫米波云雷达,并设置成雾探测模式,进行低仰角PPI及机场跑道方向RHI扫描;
S2、将毫米波云雷达、微波辐射计、自动气象观测系统的数据文件时间匹配;
根据毫米波云雷达时间搜索匹配最近微波辐射计、自动气象观测系统数据文件;
通俗地说,将毫米波云雷达测得的数据文件,与该时间对应的微波辐射计的数据文件、自动气象观测系统的数据文件对应起来;
S3、分别解析各设备数据
从毫米波云雷达数据中提取反射率因子Z(又称回波强度Z)、径向速度V、速度谱宽W、线性退偏振比LDR等四个物理量;
从从微波辐射计中提取温度T廓线、相对湿度RH廓线等两个物理量;
从自动气象观测系统中提取风速WS0、能见度VIS等两个物理量;
S4、针对毫米波云雷达基数据质量控制,雷达数据一般存在不同程度的质量问题,主要做以下几方面的数据质量控制工作:对缺测数据进行补缺;速度退模糊处理;
S5、从毫米波云雷达数据中提取200米高度水平风速WS200m;
若为WS200m无效值,则取自动气象观测系统中地面风速进行代替;
WS200m无效值的理解是,雷达反演,当反演点少于设定点时,则被当做无效值;
S6、区域雾环境分析判别
a、水汽条件:近地面湿度RH0m大于95%;
b、热力条件:贴地逆温高度ΔH小于200米,平均强度Iavg小于1.3℃/100m,最大强度Imax小于3℃/100m。
c、动力条件:200米高度水平风速WS200m小于8米/秒;
d、能见度条件:能见度VIS小于1000米。
同时满足条件a、b、c则满足区域雾环境条件;
若满足条件d,则直接满足区域雾环境条件;
其中,近地面湿度RH0m由微波辐射计中相对湿度RH廓线数据地面高度数据获取;贴地逆温高度ΔH由微波辐射计中温度T廓线数据,从地面开始依次上一高度结果计算逆温高度;逆温强度定义为在逆温层内每升高100m温度的逆增值(单位:℃/100m),用I表示;平均强度Iavg从地面到ΔH高度下逆温强度平均值;最大强度Imax从地面到ΔH高度下逆温强度最大值;200米高度水平风速WS200m由毫米波云雷达速度场数据利用VAD(VelocityAzimuth Display)方法拟合获取,若拟合为无效值,则采用自动气象观测系统中地面风速WS0取代;能见度VIS由自动气象观测系统中地面能见度VIS获取;ΔH=H2-H1,ΔT=T2-T1,I=ΔT/ΔH×100。
S7、针对满足区域雾环境判别条件,识别粒子类型
A、直接判断,识别为低云、雾、其他
选取-5dBZ作为区分降水和云、雾天气现象的阈值,大于-5dBZ为降水以及其他粒子;小于或等于-5dBZ为云或雾粒子;
B、利用模糊逻辑算法,对满足区域雾环境判别条件中相应物理量进行处理后,再识别为低云、雾、其他;
B1、根据低云、(雾)低能见度天气特点选取物理量,提取毫出米波云雷达对应的回波强度Z、组合反射率纹理TDBZ、组合反射率沿径向的库间变化程度SPIN、回波强度的垂直梯度率GDBZ;
提取公式如下:
GDBZ=W(R)(Zup-Zlow) (2)
其中,NA,NR表示在方位和距离方向定义的计算范围,Zi,j为任意点的回波强度,TDBZ主要反映回波强度的局地变化大小,如果区域回波的越均匀,TDBZ值越小,反之越大;Zlow,Zup为对应的本层和上层PPI的回波强度,W(R)表示与距离有关的权重,当Zlow,Zup同时存在时,GDBZ反映了回波强度的垂直变化;Zthresh为库间回波强度变化的阈值,这里取3.5dBZ;SPIN反映了回波强度沿径向方向变化的一致性,如果径向回波越均匀,SPIN值越小,反之越大;
B2、将Z、TDBZ、SPIN、GDBZ作为输入参量,通过不对称梯形隶属函数进行模糊化处理,不对称梯形函数的示意图如图2所示,不对称梯形隶属函数的表达式为,
其中,Ti_j表示输入参量对各相态的隶属程度,越接近1表示相态为真实相态的可能性越高,其中i代表第i个输出粒子相态类型,分别对应低云、雾、其它,j代表第j个输入参量,分别对应回波强度(Z)、组合反射率纹理(TDBZ)、组合反射率沿径向的库间变化程度(SPIN)、回波强度的垂直梯度率(GDBZ),X1、X2、X3、X4是隶属度函数的系数(如表1所示);
B3、根据Z、TDBZ、SPIN、GDBZ四个参量,在识别算法占的比例选择适当的权重,以对应的Z、TDBZ、SPIN、GDBZ四个参量的隶属函数数值进行加权平均;
其中,Si为各类粒子集成值,Tij代表隶属度函数,i为输出粒子类型,j为输入参量类型,Wi,j表示第i种输出粒子类型,第j种参量对判断结果的权重因子;
B3、将B2中计算出的各个粒子类型对应的各个值,将每个粒子类型的所有值,采用最大值集成方法进行集成,即仅把最大值的结果作为输出,
Smax=Max(Si);
B5、最大值输出结果对应的粒子类型,即为最终识别的水凝物粒子类型;
需要说明的是,上述的B2为模糊化、B3为规则判断、B4为集成,B5为退模糊;
S8、针对不满足区域雾环境判别条件:直接利用利用选取-5dBZ作为区分降水和低云天气现象的阈值,大于-5dBZ为降水等其他粒子;小于或等于-5dBZ为云粒子。
表1低云、雾特征参量对应隶属函数值
基于多源资料融合的低云低能见度反演方法,对于步骤S7中已经识别出为雾粒子的区域,采用如下公式反演能见度,
Vis[m]=144.59exp(-0.071×Z[dBZ])。
上述实施例仅表达了较为优选的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.基于多源资料融合的低云低能见度天气识别方法,其特征在于:包括以下步骤:
S1、采用毫米波云雷达,进行低仰角PPI扫描、机场跑道方向RHI扫描;
S2、根据毫米波云雷达时间,搜索匹配该时间相应的微波辐射计、自动气象观测系统数据文件;
S3、分别解析各设备数据
从毫米波云雷达数据中提取反射率因子Z(又称回波强度Z)、径向速度V、速度谱宽W、线性退偏振比LDR四个物理量;
从从微波辐射计中提取温度T廓线、相对湿度RH廓线两个物理量;
从自动气象观测系统中提取风速WS0、能见度VIS两个物理量;
S4、对于毫米波云雷达基数据进行处理,以提高针对毫米波云雷达基数据的质量;
处理手段,包括对缺测数据进行补缺;速度退模糊处理;
S5、从毫米波云雷达数据中提取200米高度水平风速WS200m;若WS200m为无效值,则取自动气象观测系统中地面风速进行代替;
S6、通过以下条件,分析判别雾环境:
a、水汽条件:近地面湿度RH0m大于设定值;
b、热力条件:贴地逆温高度ΔH小于200米,平均强度Iavg小于设定平均强度,最大强度Imax小于设定最大强度;
c、动力条件:200米高度水平风速WS200m小于设定水平风速;
d、能见度条件:能见度VIS小于设定高度;
上述四个条件中,若满足条件d,则直接满足区域雾环境条件;
上述四个条件中,若同时满足条件a、条件b、条件c,则也满足区域雾环境条件;
其中,近地面湿度RH0m,由微波辐射计中相对湿度RH廓线数据地面高度数据获取;
贴地逆温高度ΔH由微波辐射计中温度T廓线数据,从地面开始依次上一高度结果计算逆温高度;
逆温强度定义为在逆温层内每升高100m温度的逆增值(单位:℃/100m),用I表示;
平均强度Iavg为从地面到ΔH高度下的逆温强度平均值;
最大强度Imax从地面到ΔH高度下逆温强度最大值;200米高度水平风速WS200m由毫米波云雷达速度场数据利用VAD(Velocity Azimuth Display)方法拟合获取,若拟合为无效值,则采用自动气象观测系统中地面风速WS0取代;
能见度VIS由自动气象观测系统中地面能见度VIS获取;
ΔH=H2-H1,ΔT=T2-T1,I=ΔT/ΔH×100;
S7、针对满足区域雾环境判别条件,识别粒子类型
A、直接判断,识别为低云、雾、其他
选取-5dBZ作为区分降水和云、雾天气现象的阈值,大于-5dBZ为降水以及其他粒子;小于或等于-5dBZ为云或雾粒子;
B、利用模糊逻辑算法,对满足区域雾环境判别条件中相应物理量进行处理后,再识别为低云、雾、其他;
B1、根据低云、(雾)低能见度天气特点选取物理量,提取毫出米波云雷达对应的回波强度Z、组合反射率纹理TDBZ、组合反射率沿径向的库间变化程度SPIN、回波强度的垂直梯度率GDBZ;
将Z、TDBZ、SPIN、GDBZ作为输入参量,通过不对称梯形隶属函数进行模糊化处理,不对称梯形隶属函数的表达式为,
其中,Ti_j表示输入参量对各相态的隶属程度,越接近1表示相态为真实相态的可能性越高,其中i代表第i个输出粒子相态类型,分别对应低云、雾、其它,j代表第j个输入参量,分别对应回波强度(Z)、组合反射率纹理(TDBZ)、组合反射率沿径向的库间变化程度(SPIN)、回波强度的垂直梯度率(GDBZ),X1、X2、X3、X4是隶属度函数的系数;
B2、根据Z、TDBZ、SPIN、GDBZ参量在识别算法占的比例选择适当的权重,以对应Z、TDBZ、SPIN、GDBZ四个参量的隶属函数数值进行加权平均;
识别算法的公式为,
其中,Si为各类粒子集成值,Tij代表隶属度函数,i为输出粒子类型,j为输入参量类型,Wi,j表示第i种输出粒子类型,第j种参量对判断结果的权重因子;
B3、将B2中计算出的各个粒子类型对应的各个值,将每个粒子类型的所有值,采用最大值集成方法进行集成,即仅把最大值的结果作为输出,
Smax=Max(Si);
B4、最大值输出结果对应的粒子类型,即为最终识别的水凝物粒子类型。
2.根据权利要求1或2所述的基于多源资料融合的低云低能见度天气识别方法,其特征在于:所述的S6中,通过以下条件,分析判别雾环境:
a、水汽条件:近地面湿度RH0m大于95%;
b、热力条件:贴地逆温高度ΔH小于200米,平均强度Iavg小于1.3℃/100m,最大强度Imax小于3℃/100m;
c、动力条件:200米高度水平风速WS200m小于8米/秒;
d、能见度条件:能见度VIS小于1000米。
3.根据权利要求1或2所述的基于多源资料融合的低云低能见度天气识别方法,其特征在于:还包括步骤S8:
当不满足步骤S6提及的区域雾环境判别条件时,直接利用选取-5dBZ作为区分降水和低云天气现象的阈值;若大于-5dBZ为降水其他粒子;若小于或等于-5dBZ为云粒子。
4.根据权利要求1或2所述的基于多源资料融合的低云低能见度天气识别方法,其特征在于:所述的S1中,毫米波云雷达,通过雾探测模式,来进行低仰角PPI扫描、机场跑道方向RHI扫描。
5.根据权利要求1或2所述的基于多源资料融合的低云低能见度天气识别方法,其特征在于:所述的根据毫米波云雷达时间,搜索匹配该时间相应的微波辐射计、自动气象观测系统数据文件,是指:
先让各设备的数据文件时间匹配;
根据毫米波云雷达时间搜索匹配最近微波辐射计、自动气象观测系统数据文件。
6.根据权利要求1或2所述的基于多源资料融合的低云低能见度天气识别方法,其特征在于:所述的步骤S7中的B21中,根据低云、(雾)低能见度天气特点选取物理量,提取毫出米波云雷达对应的回波强度Z、组合反射率纹理TDBZ、组合反射率沿径向的库间变化程度SPIN、回波强度的垂直梯度率GDBZ,提取公式如下:
GDBZ=W(R)(Zup-Zlow) (2)
其中,NA,NR表示在方位和距离方向定义的计算范围,Zi,j为任意点的回波强度,TDBZ主要反映回波强度的局地变化大小,如果区域回波的越均匀,TDBZ值越小,反之越大;Zlow,Zup为对应的本层和上层PPI的回波强度,W(R)表示与距离有关的权重,当Zlow,Zup同时存在时,GDBZ反映了回波强度的垂直变化;Zthresh为库间回波强度变化的阈值,这里取3.5dBZ;SPIN反映了回波强度沿径向方向变化的一致性,如果径向回波越均匀,SPIN值越小,反之越大。
7.根据权利要求3所述的基于多源资料融合的低云低能见度天气识别方法,其特征在于:所述的步骤S5中,WS200m为无效值,是指:
通过雷达反演,当反演点少于设定点时,则被当做无效值。
8.基于多源资料融合的低云低能见度反演方法,其特征在于:对于步骤S7中已经识别出为雾粒子的区域,采用如下公式反演能见度,
Vis[m[]=144.59exp(-0.071×Z[dBZ])。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211318593.7A CN115526272A (zh) | 2022-10-26 | 2022-10-26 | 基于多源资料融合的低云低能见度天气识别及反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211318593.7A CN115526272A (zh) | 2022-10-26 | 2022-10-26 | 基于多源资料融合的低云低能见度天气识别及反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526272A true CN115526272A (zh) | 2022-12-27 |
Family
ID=84703009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211318593.7A Pending CN115526272A (zh) | 2022-10-26 | 2022-10-26 | 基于多源资料融合的低云低能见度天气识别及反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526272A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108338A (zh) * | 2023-04-13 | 2023-05-12 | 北京弘象科技有限公司 | 一种针对粒子相态的动态集合识别方法和装置 |
CN116359877A (zh) * | 2023-05-30 | 2023-06-30 | 航天宏图信息技术股份有限公司 | 一种基于风廓线雷达的大雾天气监测方法和装置 |
CN116482644A (zh) * | 2023-06-25 | 2023-07-25 | 成都远望科技有限责任公司 | 一种海雾识别方法 |
CN116819490A (zh) * | 2023-08-31 | 2023-09-29 | 成都远望科技有限责任公司 | 基于云雷达与激光雷达的云与气溶胶分类的方法 |
-
2022
- 2022-10-26 CN CN202211318593.7A patent/CN115526272A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108338A (zh) * | 2023-04-13 | 2023-05-12 | 北京弘象科技有限公司 | 一种针对粒子相态的动态集合识别方法和装置 |
CN116108338B (zh) * | 2023-04-13 | 2023-06-23 | 北京弘象科技有限公司 | 一种针对粒子相态的动态集合识别方法和装置 |
CN116359877A (zh) * | 2023-05-30 | 2023-06-30 | 航天宏图信息技术股份有限公司 | 一种基于风廓线雷达的大雾天气监测方法和装置 |
CN116359877B (zh) * | 2023-05-30 | 2023-08-15 | 航天宏图信息技术股份有限公司 | 一种基于风廓线雷达的大雾天气监测方法和装置 |
CN116482644A (zh) * | 2023-06-25 | 2023-07-25 | 成都远望科技有限责任公司 | 一种海雾识别方法 |
CN116482644B (zh) * | 2023-06-25 | 2023-08-29 | 成都远望科技有限责任公司 | 一种海雾识别方法 |
CN116819490A (zh) * | 2023-08-31 | 2023-09-29 | 成都远望科技有限责任公司 | 基于云雷达与激光雷达的云与气溶胶分类的方法 |
CN116819490B (zh) * | 2023-08-31 | 2023-11-17 | 成都远望科技有限责任公司 | 基于云雷达与激光雷达的云与气溶胶分类的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115526272A (zh) | 基于多源资料融合的低云低能见度天气识别及反演方法 | |
Zrnic et al. | Polarimetry for weather surveillance radars | |
Krishna et al. | Raindrop size distribution of easterly and westerly monsoon precipitation observed over Palau islands in the Western Pacific Ocean | |
CN114002681B (zh) | 利用毫米波云雷达进行过冷水探测的方法、装置及应用 | |
Randeu et al. | Raindrop axis ratios, fall velocities and size distribution over Sumatra from 2D-Video Disdrometer measurement | |
Kirstetter et al. | A physically based identification of vertical profiles of reflectivity from volume scan radar data | |
Hashiguchi et al. | Precipitation microstructure in different Madden–Julian Oscillation phases over Sumatra | |
Huo et al. | Statistical characteristics of raindrop size distribution in south China summer based on the vertical structure derived from VPR-CFMCW | |
Welsh et al. | Understanding heavy lake-effect snowfall: The vertical structure of radar reflectivity in a deep snowband over and downwind of Lake Ontario | |
Szyrmer et al. | Snow studies. Part IV: Ensemble retrieval of snow microphysics from dual-wavelength vertically pointing radars | |
Gage et al. | Use of two profilers during MCTEX for unambiguous identification of Bragg scattering and Rayleigh scattering | |
Matrosov et al. | Observational and modeling study of ice hydrometeor radar dual-wavelength ratios | |
Pfeifer et al. | A polarimetric radar forward operator for model evaluation | |
Zhang et al. | Comparison of raindrop size distributions in a midlatitude continental squall line during different stages as measured by parsivel over East China | |
Ioannidou et al. | Comparison of the TRMM Precipitation Radar rainfall estimation with ground-based disdrometer and radar measurements in South Greece | |
Shrestha et al. | Evaluation of the COSMO model (v5. 1) in polarimetric radar space–impact of uncertainties in model microphysics, retrievals and forward operators | |
Bousquet et al. | Multifrequency radar observations collected in southern France during HyMeX-SOP1 | |
Bouniol et al. | Microphysical characterisation of West African MCS anvils | |
KR101538368B1 (ko) | 엑스밴드 이중편파 레이더 원시자료를 이용한 강수체 구분 방법 | |
Grasmick et al. | Estimating microphysics properties in ice-dominated clouds from airborne Ka–W-band dual-wavelength ratio reflectivity factor in close proximity to in situ probes | |
CN116879899A (zh) | 一种基于空中降水粒子谱反演的方法 | |
Kennedy et al. | Variations in snow crystal riming and ZDR: A case analysis | |
Ruan et al. | Analysis of the microphysical properties of a stratiform rain event using an L-Band profiler radar | |
Pejcic et al. | Polarimetric radar-based methods for evaluation of hydrometeor mixtures in numerical weather prediction models | |
Cui et al. | Association of lightning occurrence with precipitation cloud column structure at a fixed position |
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 |