CN115575914B

CN115575914B - 一种多波段双线偏振天气雷达观测量误差量化方法

Info

Publication number: CN115575914B
Application number: CN202211562850.1A
Authority: CN
Inventors: 王文明
Original assignee: CHENGDU YUANWANG TECHNOLOGY CO LTD
Current assignee: CHENGDU YUANWANG TECHNOLOGY CO LTD
Priority date: 2022-12-07
Filing date: 2022-12-07
Publication date: 2023-03-10
Anticipated expiration: 2042-12-07
Also published as: CN115575914A

Abstract

本发明涉及一种多波段双线偏振天气雷达观测量误差量化方法，利用多种降尺度技术提高了初始场的时空分辨率，利于T矩阵建立后向散射特征数据集，利用雷达前向模拟系统获取多波段雷达降水粒子固有的基本观测参量和双偏振参量；搭建神经网络模型映射多波段雷达观测量与降水粒子固有观测量之间的关系，实现了基于多波段双线偏振天气雷达观测量误差的量化估计。本发明能够定量精确地估算这几种波段双线偏振天气雷达目标观测的基本参量和双偏振参量的误差；通过考虑气象环境场、地理环境场、外界环境因素、降水粒子宏微观特性在后向散射特性的影响以及雷达设备参数和观测模式等，作为降水目标的真值，能够精确反映降水粒子的后向散射的固有属性。

Description

一种多波段双线偏振天气雷达观测量误差量化方法

技术领域

本发明涉及气象雷达探测技术领域，尤其涉及一种多波段双线偏振天气雷达光测量误差量化方法。

背景技术

相比于传统的降水观测方式，即地面雨量计而言，发射微波段电磁波的天气雷达能获得更大范围且更高时空分辨率的降水信息；另外，采用双线偏振技术的双线偏振天气雷达相比于单极化天气雷达而言，前者能够获取降水粒子更多的宏微观信息，更多降水粒子的信息有利于降水强度反演精度的提高，但前提条件是双线偏振天气雷达的观测量，包括基本观测量以及双线偏振观测量能够准确反映真实降水粒子的固有属性。然而，天气雷达在实际工作时，难免受到外界环境干扰、观测距离远、不当的采样率策略、观测量的反演算法有限的精度、设备自身的未知损耗和标定不准确以及噪声电平过高等众多因素的影响，故可能会导致双线偏振天气雷达的观测量不能很好的反映降水粒子的真实状态及变化特征。

目前，针对降水遥感观测值的误差量化问题，现有技术中将地面雨量站观测值作为真值，采用了加法误差模型、乘法误差模型或其他复杂的数字模型来进行降水误差建模。但是，这种常用的降水误差建模方法可能存在两大挑战，一是地面雨量站的观测值是空间降水落在地面单位面积上的结果，与雷达在不同高度层探测的直接测量值存在较大的不一致，即不能仅仅用地面观测值来评估雷达在不同高度层上的观测值误差；二是不论是常用的加法模型、乘法模型还是复杂的降水误差模型，它们均是对大量数据统计分析和多种模型评估后的一个平衡选择的结果，不能准确且全面地反映雷达在不同高度层降水观测的误差特征。而且，现有技术只是在地形不复杂区域证明了雷达前向模拟器输出数据的准确性，然而并未考虑地形因素对模拟数据的影响，另外初始场的时空分辨率也会影响结果输出的准确性，进而导致不能得到准确的误差特征。

需要说明的是，在上述背景技术部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于克服现有技术的缺点，提供了一种多波段双线偏振天气雷达观测量误差量化方法，解决了现有技术存在的不足。

本发明的目的通过以下技术方案来实现：一种多波段双线偏振天气雷达观测量误差量化方法，所述误差量化估算方法包括：

S1、获取待观测区域探空气象观测站观测的廓线数据、地理位置数据和全球再分析资料，利用反距离加权插值方法，得到三维高时空分辨率的气象环境初始场数据和高空间分辨率地理参量场数据；

S2、根据高空间分辨率地理参量数据获取待测区域附近的海岸线边界数据，并通过最小距离搜寻法生成研究区域格点海岸线边界最短距离的数据集；

S3、设置多种不同的降水粒子谱分布、降水密度分布和降水粒子长短轴比变化范围，并通过直接求解麦克斯韦方程组来生成不同尺寸不同密度以及不同降水粒子长短轴比条件下的粒子后向散射特性数据集；

S4、设置好雷达的设备参数，并将得到的数据集、雷达设备参数以及观测参数输入到雷达前向模拟系统中，生成指定雷达设备参数和观测模式下的降水基本参量和双线偏振参量；

S5、根据真实观测和模拟得到的目标基本参量与双偏振参量构建神经网络估算模型，并得到目标观测基本参量和双偏振参量的误差。

所述获取待观测区域探空气象观测站观测的廓线数据、地理位置数据以及全球再分析资料，得到三维高时空分辨率的气象环境初始场数据和高空间分辨率地理参量场数据包括：

获取待观测区域探空气象观测站观测的大气温度、湿度、气压和风速，获取全球再分析资料，基于乘法模型的非线性降尺度方法，得到三维高时空分辨率的气象环境初始场数据；

获取待观测区域的海拔高度、经纬度格点数据、地形信息数据，并利用线性内插法获得观测区域的高空间分辨率地理参量数据。

所述基于乘法模型的非线性降尺度方法，得到三维高时空分辨率的气象环境初始场数据包括：

利用反距离加权插值获得高空间分辨率的数据，并通过时间累积得到长时间尺度上的气象环境场数据，并与短时间尺度上的气象环境场数据进行比较，得到时间降尺度的权重数据集；

将权重数据与高空间分辨率数据进行相乘，得到三维高时空分辨率的气象环境初始场数据。

所述通过最小距离搜寻法生成研究区域格点海岸线边界最短距离的数据集包括：根据几何关系计算研究区域内所有的格点到附近海岸线的距离，并取距离的最小值生成研究区域格点距海岸线边界最短距离的数据集。

所述根据真实观测和模拟得到的目标基本参量与双偏振参量构建神经网络估算模型，并得到目标观测基本参量和双线偏振参量的误差包括：

将不同波段双线偏振天气雷达真实观测的目标基本参量和双偏振参量与利用雷达前向系统模拟的目标基本参量和双偏振参量的对应插值作为神经网络的输出，将不同波段双线偏振天气雷达真实观测的目标基本参量和双偏振参量作为神经网络的输入，构建包含三个隐藏层的前向五层神经网络，并对神经网络进行训练和验证评估，确定隐藏层节点和最佳的权重函数，进而构建好神经网络估算模型；

将确定好发射波段的真实双线偏振天气雷达观测数据集输入到构建好的神经网络估算模型中，得到目标观测基本参量和双偏振参量的误差。

所述基本参量和双偏振参量中的数据集包括：模拟的多波段双线偏振雷达反射率因子、平均径向速度、速度谱宽以及差分反射率因子、差分传播相移、差分传播相移率和相关系数。

所述后向散射特性数据集中的参数包括：散射效率、散射相函数、单次散射反照率和散射效率因子。

本发明具有以下优点：一种多波段双线偏振天气雷达观测量误差量化方法，基于S、C和X波段的双线偏振雷达观测数据，能够定量估算这几种波段双线偏振天气雷达目标观测的基本参量和双偏振参量的误差；并且由于误差估算模型建立过程中，考虑了气象环境场、地理环境场以及可能影响降水的众多外界环境因素，还考虑了降水粒子宏微观特性在后向散射特性的影响以及雷达设备参数和观测模式等，因此利用雷达前向回波模拟系统获取降水目标的数据是可靠的，可以作为降水目标的真值，能够精确反映降水粒子的后向散射的固有属性，因此，能够获得的多波段双线偏振天气雷达观测量误差的精度较高。

附图说明

图1 为本发明的流程示意图；

图2 为本发明的高时空分辨率气象环境场生成的实现流程图；

图3 为本发明的高空间分辨率地理参量场生成的实现流程图；

图4 为本发明的距海岸线边界数据生成的实现流程图；

图5 为本发明不同波段条件下不同降水粒子谱、密度、长短轴分布及范围的后向散射特性数据集生成的实现流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。

本发明涉及一种多波段双线偏振天气雷达观测误差量化方法，收集大气探空的温度、湿度、气压、风速等廓线资料，并结合全球气象再分析资料，利用基于反距离加权法和长短时间尺度比例法，构建高时空分辨率的气象环境初始场；收集待观测区域的经纬度和海岸线边界数据，采用距离最小原则生成距海岸线距离数据集；收集待观测区域的海拔、地形信息数据及归一化植被指数等数据，采用双线性内插法生成高空间分辨率的地理参量场；设定降水粒子谱分布、密度、粒子的长短轴比及变化范围，利用非球形粒子散射模型构建不同尺寸降水粒子后向散射特性数据库；设定双线偏振雷达的发射电磁波频率、波束宽度、天线扫描模式、抛物面型天线加权函数等，并将生成的高时空分辨率气象环境初始场、地理参量场以及后向散射特性库数据输入雷达前向回波模拟系统中，生成多波段观测条件下降水粒子的基本观测参量和双偏振观测参量；基于雷达前向回波模拟系统输出的基本观测参量和双偏振观测参量，结合多波段双线偏振天气雷达实际观测的基本参量和双偏振参量，采用机器学习方法中的神经网络模型，构建模型的训练数据集，并对模型进行训练及优化，最终建立多波段双线偏振天气雷达观测量的误差模型，实现雷达观测误差的定量估计。

如图1所示，具体包括以下内容：

步骤1：如图2所示，首先获取待观测区域探空气象观测站观测的大气温度、湿度、气压和风速度等廓线数据，再获取全球再分析资料（如欧洲中期天气预报中心，ECMWF）资料。利用反距离加权插值，获得高空间分辨率的数据。通过时间累积得到较长时间尺度上的气象环境场数据，并将其与短时间尺度上数据进行比较，以获得时间降尺度的权重数据集，将权重数据与高空间分辨率数据进行相乘，即可获得三维高时空分辨率的气象环境初始场数据。

步骤2：如图3所示，获取待观测区域的海拔高度、经纬度格点数据、地形信息数据，包括坡位、坡向、坡度等，以及此区域的归一化植被指数数据，利于线性内插的方法，获取此区域高空间分辨率地理参量场数据。

步骤3：如图4所示，利用步骤2得到的高空间分辨率的地理参量信息，并获取此区域附近的海岸线边界数据，利用简单的几何关系计算研究区域内所有的格点到附近海岸线边界线的距离，并取距离的最小值生成研究区域格点距海岸线边界最短距离的数据集。

步骤4：如图5所示，设定多种不同的降水粒子谱分布、降水密度分布和降水粒子长短轴比及变化范围等粒子宏微物理参数，例如：雨的最小尺寸为100微米，最大尺寸为9000微米，变化间隔为20微米，长短轴比变化范围为0到4.0，并通过直接求解麦克斯韦方程组（简称T矩阵）来生成不同尺寸不同密度及不同降水粒子长短轴比条件下的粒子后向散射特性数据集。

步骤5：基于步骤1到步骤4生成的不同数据集，同时设置双线偏振天气雷达的发射频率为9.42GHz、水平和垂直波束宽度均1.0度、天线类型为抛物面型、天线加权函数为高斯模型、天线增益为42dB，天线扫描模式为VCP21，噪声系统为3dB,水平和垂直通道的Zdr满足0.1dB的要求，大气损耗系数0.018，。将这些数据集、雷达设备参数及观测参数输入到雷达前向模拟系统PAMTRA (Passive and Active Microwave TRAnsfer)中，模拟生成指定雷达设备参数和观测模式下的降水基本参量和双偏振参量。

其中，基本参量和双偏振参量数据集包括：模拟的多波段双线偏振雷达反射率因子、平均径向速度、速度谱宽以及差分反射率因子、差分传播相移、差分传播相移率和相关系数。

步骤6：将所述不同波段双线偏振天气雷达真实观测的目标基本参量和双偏振参量与利用雷达前向模型模拟的目标基本参量和双偏振参量值的对应差值作为神经网络的输出，将所述的不同波段双线偏振天气雷达真实观测的目标基本参量和双偏振参量作为神经网络的输入，构建包含三个隐层的前向五层神经网络，对网络进行训练和验证评估，确定隐层节点和最佳的权重函数，进而构建好神经网络估算模型。

步骤7：将已确定好发射波段的真实双线偏振天气雷达观测数据集输入已经构建好的神经网络进行目标观测基本参量和双偏振参量的估算。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims

1.一种多波段双线偏振天气雷达观测量误差量化方法，其特征在于：所述误差量化方法包括：

S5、根据真实观测和模拟得到的目标基本参量与双偏振参量构建神经网络估算模型，并得到目标观测基本参量和双偏振参量的误差；

所述S1的步骤具体包括以下内容：

获取待观测区域的海拔高度、经纬度格点数据、地形信息数据，并利用线性内插法获得观测区域的高空间分辨率地理参量数据；

将权重数据与高空间分辨率数据进行相乘，得到三维高时空分辨率的气象环境初始场数据；

所述S5的步骤具体包括以下内容：

2.根据权利要求1所述的一种多波段双线偏振天气雷达观测量误差量化方法，其特征在于：所述通过最小距离搜寻法生成研究区域格点海岸线边界最短距离的数据集包括：根据几何关系计算研究区域内所有的格点到附近海岸线的距离，并取距离的最小值生成研究区域格点距海岸线边界最短距离的数据集。

3.根据权利要求1或2所述的一种多波段双线偏振天气雷达观测量误差量化方法，其特征在于：所述基本参量和双偏振参量中的数据集包括：模拟的多波段双线偏振雷达反射率因子、平均径向速度、速度谱宽以及差分反射率因子、差分传播相移、差分传播相移率和相关系数。

4.根据权利要求1或2所述的一种多波段双线偏振天气雷达观测量误差量化方法，其特征在于：所述后向散射特性数据集中的参数包括：散射效率、散射相函数、单次散射反照率和散射效率因子。