CN115575920B - 基于小波变换的雷达回波动态融合预报方法、系统及设备 - Google Patents

基于小波变换的雷达回波动态融合预报方法、系统及设备 Download PDF

Info

Publication number
CN115575920B
CN115575920B CN202211478682.8A CN202211478682A CN115575920B CN 115575920 B CN115575920 B CN 115575920B CN 202211478682 A CN202211478682 A CN 202211478682A CN 115575920 B CN115575920 B CN 115575920B
Authority
CN
China
Prior art keywords
data
forecast
radar
fusion
weight
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
CN202211478682.8A
Other languages
English (en)
Other versions
CN115575920A (zh
Inventor
张小雯
郑永光
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.)
National Meteorological Center Central Meteorological Station
Original Assignee
National Meteorological Center Central Meteorological Station
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 National Meteorological Center Central Meteorological Station filed Critical National Meteorological Center Central Meteorological Station
Priority to CN202211478682.8A priority Critical patent/CN115575920B/zh
Publication of CN115575920A publication Critical patent/CN115575920A/zh
Application granted granted Critical
Publication of CN115575920B publication Critical patent/CN115575920B/zh
Active 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
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出一种基于小波变换的雷达回波动态融合预报方法、系统及设备，涉及天气预报短临强对流技术领域。其中，方法包括：采集多种雷达预报产品的数据和雷达反射率实况的数据并进行预处理和质量控制，得到标准化质控数据集，并对其进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据，进行小波变换，生成各成员多尺度的高低频域数据集；分别计算不同时效、不同强度在频率域的评分数据集；归一化处理后，得到各个成员在各尺度域上的权重；按照强度对各成员进行权重融合，形成历史权重的融合频率值，进而获得预报产品。本发明的预报命中率更高，虚警率低，克服了传统融合算法的预报不连续和偏弱的问题，具有较好的预报服务效益。

Description

基于小波变换的雷达回波动态融合预报方法、系统及设备
技术领域
本发明属于天气预报领域，具体涉及天气预报短临强对流技术领域，尤其涉及一种基于小波变换的雷达回波动态融合预报方法、系统及设备。
背景技术
当前，大气是一个复杂的非线性系统，包含着各种尺度天气系统，包括行星尺度天气系统、天气尺度天气系统、中间尺度天气系统、中尺度天气系统和小尺度天气系统等。其中强对流天气常对应着尺度小、发展变化快的中小尺度天气系统，随机性强，可预报性较差。对于强对流的最常参考的雷达回波预报，传统雷达回波外推算法在新生对流和对流发展变化方面的预报能力非常有限，预报误差通常会随着预报时效快速增加。随着计算机水平的提升和卫星、雷达等多源观测资料的丰富，采用深度学习技术可以充分提取对流发展变化的信息，从而可以部分地弥补传统外推无法预报对流的增长和衰减的能力。通过检验发现，深度学习预报在60-120min时效，预报准确率明显优于传统外推。但深度学习预报存在着随时效延长图像逐渐模糊的问题，它对风暴的中小尺度细节预报没有传统预报性能好。
研究表明，相对于单一成员，多成员融合预报更好的体现对流的范围和强度信息。融合预报不仅需要考虑成员在不同时效的预报效果差异，还需要考虑各成员在不同天气尺度上的预报性能差异。现有融合方法大多是根据某一阈值的评分直接进行权重融合，尚未考虑成员在不同尺度上的预报性能的差异。
现有技术中的预报业务中存在传统外推随预报时效延长的衰减问题和深度学习预报随预报时效延长的模糊问题。
发明内容
为解决上述技术问题，本发明提出一种基于小波变换的雷达回波动态融合预报方法的技术方案，以解决上述技术问题。
本发明第一方面公开了一种基于小波变换的雷达回波动态融合预报方法，包括：
步骤S1、数据预处理：
采集多种雷达预报产品的数据和雷达反射率实况的数据，并确定所述多种雷达预报产品的数据和雷达反射率实况的数据的时间和区域范围，按照统一的格式对所述多种雷达预报产品的数据和雷达反射率实况的数据进行预处理，得到标准化数据集；
步骤S2、数据质量控制：
对所述标准化数据集进行质量控制，通过模糊逻辑算法去除地物回波和超折射的非气象回波，得到标准化质控数据集；
步骤S3、构建时空匹配数据集：
将标准化质控数据集中的多种雷达预报产品的数据与雷达反射率实况的数据进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据；
步骤S4、小波变换：
建立小波变换数学模型，采用二维离散双正交小波变换方法对所述输入数据进行小波变换，并分解为多尺度的水平高频分量HL、垂直高频分量LH和对角高频分量HH和水平低频分量LL，生成各成员多尺度的高低频域数据集；
所述多种雷达预报产品中的每一种产品即为成员，所述多种雷达预报产品的数据中的某种雷达预报产品的数据即为某个成员的数据；
步骤S5、雷达回波融合：
对生成的各个成员的小波变换频率数据和对应的雷达反射率实况的数据对应的小波变换频率数据，分别计算不同时效、不同强度在频率域的评分数据集；
根据不同成员的评分数据集，对同一预报时效，同一频率的评分进行归一化处理，得到各个成员在各尺度域上的权重；
按照强度对各成员进行权重融合，将各个成员在各尺度域上进行权重融合后，形成了基于历史权重的融合频率值；
步骤S6、小波逆变换：
将获得的融合频率值通过小波重构逆变换回到值域中，得到雷达回波融合预报产品。
本发明第二方面公开了一种基于小波变换的雷达回波动态融合预报系统，包括：
第一处理模块，被配置为，采集多种雷达预报产品的数据和雷达反射率实况的数据，并确定所述多种雷达预报产品的数据和雷达反射率实况的数据的时间和区域范围，按照统一的格式对所述多种雷达预报产品的数据和雷达反射率实况的数据进行预处理，得到标准化数据集；
第二处理模块，被配置为，对所述标准化数据集进行质量控制，通过模糊逻辑算法去除地物回波和超折射的非气象回波，得到标准化质控数据集；
第三处理模块，被配置为，将标准化质控数据集中的多种雷达预报产品的数据与雷达反射率实况的数据进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据；
第四处理模块，被配置为，建立小波变换数学模型，采用二维离散双正交小波变换方法对所述输入数据进行小波变换，并分解为多尺度的水平高频分量HL、垂直高频分量LH和对角高频分量HH和水平低频分量LL，生成各成员多尺度的高低频域数据集；
所述多种雷达预报产品中的每一种产品即为成员，所述多种雷达预报产品的数据中的某种雷达预报产品的数据即为某个成员的数据；
第五处理模块，被配置为，对生成的各个成员的小波变换频率数据和对应的雷达反射率实况的数据对应的小波变换频率数据，分别计算不同时效、不同强度在频率域的评分数据集；
根据不同成员的评分数据集，对同一预报时效，同一频率的评分进行归一化处理，得到各个成员在各尺度域上的权重系数；
按照强度对各成员进行权重融合，将各个成员在各尺度域上进行权重融合后，形成了基于历史权重的融合频率值；
第六处理模块，被配置为，将获得的融合频率值通过小波重构逆变换回到值域中，得到雷达回波融合预报产品。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种基于小波变换的雷达回波动态融合预报方法中的步骤。
可见，本发明提出的方案，是针对临近天气预报雷达回波产品的预报优化。该方法包括：设计一种基于小波变换的技术架构和流程，采用历史权重与实时的动态权重结合的方法，深度融合传统外推和多种深度学习预报产品，形成一套轻耦合、可移植的“穷人集合”，以实现多成员算法的优势互补。该方法的软件技术实施，以预报“综合最优”为目的，融合产品通过小波变换方法提取各预报成员在不同天气尺度的预报信息，根据预报成员在不同尺度的预报性能赋予权重，不仅改善了传统外推预报随时间强度逐渐减弱的普遍性问题，同时，预报细节较深度学习预报产品也更清晰。批量客观检验证明，小波融合雷达回波产品的预报评分明显优于各成员，命中率更高，虚警率更低，克服了传统融合算法的预报不连续和偏弱的问题，具有较好的预报服务效益。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述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为根据本发明实施例的一种基于小波变换的雷达回波动态融合预报方法的流程图；
图2为根据本发明实施例的一种基于小波变换的雷达回波动态融合预报方法的技术框架图；
图3A为根据本发明实施例的一种基于小波变换的雷达回波动态融合预报方法具体实施例对应的雷达回波实况图；
图3B为根据本发明实施例的一种基于小波变换的雷达回波动态融合预报方法具体实施例对应的传统融合预报产品结果图；
图3C为根据本发明实施例的一种基于小波变换的雷达回波动态融合预报方法具体实施例对应的基于小波变换的融合产品结果图；
图4为根据本发明实施例的一种基于小波变换的雷达回波动态融合预报方法的实验对比图；
图5为根据本发明实施例的一种基于小波变换的雷达回波动态融合预报系统的结构图；
图6为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只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做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。
实施例1：
本发明的目的在于提供一种基于小波变换的雷达回波动态融合预报方法和系统，以解决现有预报业务中传统外推随预报时效延长的衰减问题和深度学习预报随预报时效延长的模糊问题，提取不同成员在不同天气尺度上的预报性能，形成预报效果最优的多尺度融合预报，可以为临近预报提供“最优”预报。
为实现上述目的，基于小波变换技术，对传统外推算法、深度学习、多尺度融合等不同的临近预报产品，通过客观定量评估，形成基于历史统计特征和实况动态权重相结合的融合算法，实现雷达回波动态融合预报的优化，如图2所示。本发明第一方面公开了一种基于小波变换的雷达回波动态融合预报方法。利用小波变换技术，将预报成员分解到不同的天气尺度上，在各个尺度上对预报性能开展合理的权重融合系数研究，形成一套考虑不同尺度最优组合的融合算法，实现不同算法优势互补，提升强对流短临预报准确率。
图1为根据本发明实施例的一种基于小波变换的雷达回波动态融合预报方法的流程图，如图1所示，所述方法包括：
步骤S1、数据预处理：
采集多种雷达预报产品的数据和雷达反射率实况的数据，并确定所述数据的时间和区域范围，按照统一的格式对所述数据进行预处理，得到标准化数据集；
在所述步骤S1中，按照统一的格式对所述雷达预报产品的数据和雷达反射率实况的数据进行预处理，得到标准化数据集，具体方法包括：将所述数据统一处理成空间1km分辨率。
步骤S2、数据质量控制：
对所述标准化数据集进行质量控制，通过模糊逻辑算法去除地物回波和超折射的非气象回波，得到标准化质控数据集；
在所述步骤S2中，所述得到标准化质控数据集数据为网格数据，所述网格的分辨率为1kmⅹ1km。
步骤S3、构建时空匹配数据集：
将标准化质控数据集中的多种雷达预报产品数据与雷达反射率实况数据进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据；
步骤S4、小波变换：
建立小波变换数学模型，采用二维离散双正交小波变换方法对所述输入数据进行小波变换，并分解为多尺度的水平高频分量HL、垂直高频分量LH和对角高频分量HH和水平低频分量LL，生成各成员多尺度的高低频域数据集；
所述多种雷达预报产品中的每一种产品即为成员，所述多种雷达预报产品的数据中的某种雷达预报产品的数据即为某个成员的数据；
步骤S5、雷达回波融合：
对所述生成的各个成员的小波变换频率数据和对应的雷达反射率实况的数据对应的小波变换频率数据，分别计算不同时效、不同强度在频率域的评分数据集；
根据不同成员的评分数据集，对同一预报时效，同一频率的评分进行归一化处理，得到各个成员在各尺度域上的权重；
按照强度对各成员进行权重融合，将各个成员在各尺度域上进行权重融合后，形成了基于历史权重的融合频率值；
在所述步骤S5中，雷达回波融合具体方法包括：
步骤S51、计算各成员在不同预设时间预报时效的频率域的评分并取平均值，得到该成员在不同频率的TS评分，并将其定义为历史统计评分，具体公式如下：
计算一段时间预报时效A1的频率域TS评分并取平均值，得到该成员在不同频率的TS评分：
Figure 180264DEST_PATH_IMAGE001
其中，
Figure 487617DEST_PATH_IMAGE002
：第i个成员在预报时效A1时的尺度LL方向的TS评分；
N：一段时间内预设时效A1的倍数，比如一段时间为2个小时即120分钟，每6分钟预报一次，6分钟为预报时效，那么N=120/6=20；
A1：预设时效；
构建各个成员不同强度、不同时效在各尺度的TS评分数据集：
某个成员不同强度、不同预报时效在各尺度的TS评分数据集，表示如下：
Figure 798513DEST_PATH_IMAGE003
其中，
B1、B2、B3…Bm：不同雷达回波的强度；
A1、A2、A3…An：不同预报时效；
Figure 459301DEST_PATH_IMAGE004
：同一尺度LL方向不同预报时效的TS评 分，
Figure 680198DEST_PATH_IMAGE005
：每一列代表同一时效A1不同尺度的TS评分；
Figure 768240DEST_PATH_IMAGE006
：某个成员在强度B1不同预报时效在 各尺度的TS评分数据集；
步骤S52、根据各成员的历史统计评分，对同一预报时效，同一频率的TS评分进行归一化处理，得到各个成员在不同频率域上的权重即历史权重；将各个成员在不同强度的频率域上进行了权重融合后，形成基于历史权重的融合频率值；
其中，按照不同强度对各成员进行权重融合，以B1强度的雷达回波为例,融合频率值为：
Figure 300852DEST_PATH_IMAGE007
将各个成员在不同强度的频率域上进行了权重融合后，形成基于历史权重的融合频率值；
其中，
Figure 155545DEST_PATH_IMAGE008
：预报当雷达回波强度为B1时对应的融合频率值；
n：成员数；
Figure 90003DEST_PATH_IMAGE009
：第i个成员在HH方向的历史权重；
Figure 348946DEST_PATH_IMAGE010
：第i个成员在LL方向的历史权重；
Figure 509800DEST_PATH_IMAGE011
：第i个成员在HL方向的历史权重；
Figure 512391DEST_PATH_IMAGE012
：第i个成员在LH方向的历史权重；
Figure 301355DEST_PATH_IMAGE013
：第i个成员在HH方向的预报频率值；
Figure 121413DEST_PATH_IMAGE014
：第i个成员在LL方向的预报频率值；
Figure 628617DEST_PATH_IMAGE015
：第i个成员在HL方向的预报频率值；
Figure 169320DEST_PATH_IMAGE016
：第i个成员在LH方向的预报频率值。
在所述步骤S5中，所述雷达回波融合还包括雷达回波动态融合，具体方法包括：
根据不同成员在过去预设时间的预报性能赋予权重：
1）当在预报时刻之前第一预设时间T内无对流回波时，采用所述历史权重进行预报；
2）当预报时刻之前第一预设时间T内出现对流回波时，采用前第一预设时间T成员的表现对当前预报赋予实时动态权重。
所述动态权重是根据前第一预设时间T各成员在不同尺度、不同时效的评分来确定的；所述动态权重的计算方法与计算历史权重的方法相同，但所述动态权重计算时采集的数据是前第一预设时间T各成员的数据。
步骤S6、小波逆变换：
将获得的融合频率值通过小波重构逆变换回到值域中，得到雷达回波融合预报产品。
所述方法还包括：
步骤S7中，对所述雷达回波融合预报产品，结合雷达回波实况数据进行检验，给出检验评分；所述检验评分的结果入库到历史统计评分动态数据库中，实时更新历史统计评分及其权重。
实施例2：
根据实施例中提供的一种基于小波变换的雷达回波动态融合预报方法，结合具体实施例如下：
步骤S1、数据预处理：
采集多种雷达预报产品的数据和雷达反射率实况的数据，并确定所述数据的时间和区域范围，按照统一的格式对所述数据进行预处理，得到标准化数据集；
如图2所示，采集多种雷达预报产品的数据即多个成员的数据，具体包括光流法成员的数据、Cotrec矢量外推成员的数据、对抗网络智能预报成员的数据、多矢量融合预报成员的数据、深度学习预报成员的数据以及雷达回波实况数据即雷达反射率实况的数据。
在所述步骤S1中，按照统一的格式对所述雷达预报产品的数据和雷达反射率实况的数据进行预处理，得到标准化数据集，具体方法包括：将所述数据统一处理成空间1km分辨率。
具体地，按照统一的格式对所述雷达预报产品的数据和雷达反射率实况的数据进行预处理，具体采用SWAN的D131格点数据，将数据统一处理成空间1km分辨率，由于不同算法的时间分辨率不同，将10min分辨率的成员按照就近原则插值到6min间隔的时间分辨率上。
步骤S2、数据质量控制：
对所述标准化数据集进行质量控制，通过模糊逻辑算法去除地物回波和超折射的非气象回波，得到标准化质控数据集；所述得到标准化质控数据集数据为网格数据，所述网格的分辨率为1kmⅹ1km。
具体地，在步骤S2中，所述雷达预报产品的数据和雷达反射率实况的数据的空间范围是105-122°E，18-43°N，所述数据为1700ⅹ2500网格数据，网格的分辨率为1kmⅹ1km。具体地，在步骤S2中，所述雷达预报产品的数据和雷达反射率实况的数据的空间范围是105-122°E，18-43°N，所述数据为1700ⅹ2500网格数据，网格的分辨率为1kmⅹ1km。
在步骤S2中，光流法成员、cotrec矢量外推成、多矢量融合预报员属于传统外推预报，对抗网络智能预报、深度学习预报等产品数据集属于深度学习预报。
步骤S3、构建时空匹配数据集：
将标准化质控数据集中的多种雷达预报产品数据与雷达反射率实况数据进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据；
在步骤S3中，采用Biothogonal小波基函数和尺度函数（双正交bior1.3），bior1.3是适合1km分辨率的分解函数和滤波器。利用二维离散小波变换（dwt2）将成员分解为水平高频、垂直高频和对角高频和水平低频分量。
步骤S4、小波变换：
建立小波变换数学模型，采用二维离散双正交小波变换方法对所述输入数据进行小波变换，并分解为多尺度的水平高频分量HL、垂直高频分量LH和对角高频分量HH和水平低频分量LL，生成各成员多尺度的高低频域数据集；
所述多种雷达预报产品中的每一种产品即为成员，所述多种雷达预报产品的数据中的某种雷达预报产品的数据即为某个成员的数据；
多成员的小波分解是多分辨率、多尺度的分解，分解过程可以看作是各成员的多尺度边缘提取过程。同时，小波的多尺度分解还具有方向性。通常成员中的强对流目标、特征和边缘是出现在不同大小的尺度上的。也就是说，成员中的某些边缘或细节是在一定尺度范围内存在的。例如在一幅特定比例尺的地图是无法清晰地反映出所有特征和细节信息的。在较大比例尺的地图上，陆地、山脉、海洋等大的特征是可见的，而像城市、街道等小的细节则不能反映出来；在较小比例尺的地图上，城市、街道等小的细节信息变的可见，而陆地、山脉等大的特征则反映不出来。若将小波变换用于多成员融合，就可能在不同尺度上，针对不同大小、不同方向的边缘和细节进行融合处理，最大程度地整合并保留强对流目标的完整性及其细节。
小波变换具有空间和频域局部性，利用小波变换也就是将多成员数据分解到一系列频率通道上，形成各成员的多尺度分量（多尺度描述），后续对多成员的融合可以在不同的频率通道上分别进行。
标准化的雷达回波成员数据都是二维信息，二维多尺度分析的数据空间表示为
Figure 78370DEST_PATH_IMAGE017
，尺度函数
Figure 554482DEST_PATH_IMAGE018
。
设
Figure 548983DEST_PATH_IMAGE019
是
Figure 893377DEST_PATH_IMAGE017
的一个多尺度分析，张量空间
Figure 656933DEST_PATH_IMAGE020
：
Figure 818793DEST_PATH_IMAGE021
（1）
构成某成员（例如：深度学习成员）
Figure 35011DEST_PATH_IMAGE022
的一个多尺度分析，并且二维多尺度分 析
Figure 183095DEST_PATH_IMAGE020
的二维尺度函数
Figure 801159DEST_PATH_IMAGE023
为：
Figure 884652DEST_PATH_IMAGE024
（2）
式中
Figure 588166DEST_PATH_IMAGE025
是
Figure 274362DEST_PATH_IMAGE019
的尺度函数。
上式说明了二维尺度函数的可分离性。对于每一个
Figure 12511DEST_PATH_IMAGE026
，函数系
Figure 516174DEST_PATH_IMAGE027
，构成
Figure 706984DEST_PATH_IMAGE020
的规范正交基，这里下标j，n，m的含义是：
Figure 196871DEST_PATH_IMAGE028
（3）
我们称
Figure 523947DEST_PATH_IMAGE029
称为
Figure 949243DEST_PATH_IMAGE030
的可分离多尺度分析。因为
Figure 627349DEST_PATH_IMAGE031
，
Figure 920927DEST_PATH_IMAGE032
都是低通的尺度 函数，所以
Figure 368089DEST_PATH_IMAGE029
是平滑的低通空间。
二维多尺度分析的三个小波函数为：
Figure 219414DEST_PATH_IMAGE033
（4）
Figure 384816DEST_PATH_IMAGE034
（5）
Figure 216506DEST_PATH_IMAGE035
（6）
对于每一个
Figure 659119DEST_PATH_IMAGE036
，它们的整数平移系为：
Figure 285273DEST_PATH_IMAGE037
（7）
Figure 937971DEST_PATH_IMAGE038
（8）
Figure 573352DEST_PATH_IMAGE039
（9）
它们构成了
Figure 854160DEST_PATH_IMAGE040
的规范正交基。因以上的三个正交基中都至少包含一个带通的
Figure 916794DEST_PATH_IMAGE041
或
Figure 791209DEST_PATH_IMAGE042
，所以他们都是带通的。也就是说，这三部分反映的都是细节信息。具体说来，函 数系
Figure 371226DEST_PATH_IMAGE043
，
Figure 381908DEST_PATH_IMAGE044
（10）
是
Figure 881022DEST_PATH_IMAGE045
的正交归一基，其中
Figure 977154DEST_PATH_IMAGE046
均为整数，
Figure 954337DEST_PATH_IMAGE047
分别对应水平、垂直和对 角三个方向。
对于任意一个成员的二维信息
Figure 209738DEST_PATH_IMAGE048
，在分辨率
Figure 879754DEST_PATH_IMAGE049
下有：
Figure 728761DEST_PATH_IMAGE050
，
Figure 119422DEST_PATH_IMAGE051
（11）
Figure 104696DEST_PATH_IMAGE052
，
Figure 945613DEST_PATH_IMAGE053
（12）
Figure 281916DEST_PATH_IMAGE054
， （13）
Figure 725536DEST_PATH_IMAGE055
，
Figure 830895DEST_PATH_IMAGE056
（14）
上式表明，在
Figure 577134DEST_PATH_IMAGE057
分辨率上将成员分解成
Figure 135155DEST_PATH_IMAGE058
、
Figure 398777DEST_PATH_IMAGE059
、
Figure 624222DEST_PATH_IMAGE060
、
Figure 931575DEST_PATH_IMAGE061
四个子数组，其中
Figure 242471DEST_PATH_IMAGE058
为原 分辨率信息在
Figure 44205DEST_PATH_IMAGE057
分辨率上的近似（低频分量，用LL表示），
Figure 124156DEST_PATH_IMAGE062
则代表这种近似的误差（高频 分量，“细节分量”）；
Figure 477777DEST_PATH_IMAGE059
对应于垂直方向的高频分量，即水平的边缘（细节）信息（用LH表 示）；
Figure 135024DEST_PATH_IMAGE060
对应于水平方向的高频成分，即垂直的边缘（细节）信息（用HL表示）；
Figure 599503DEST_PATH_IMAGE061
则对应对 角方向的高频成分（用HH表示）。
如上所述，采用二维离散双正交小波变换方法，分解和重构的滤波器可以有四个：分解低通滤波器,分解高通滤波器,重构低通滤波器和重构高通滤波器。与常规正交小波变换不同的是，双正交小波变换的重构滤波器与分解滤波器不相同。双正交小波对正交性降低了要求，以求得对称和紧支的特性，使用FIR滤波器可对其进行精确重构。双正交小波变换与正交小波变换相比，小波形状能有更宽的选择范围，给后续的扩展性带来更大的灵活度。
某一成员的原始二维信息可以看作有限能量函数
Figure 268382DEST_PATH_IMAGE063
，给定一系列增加 的分辨率
Figure 933849DEST_PATH_IMAGE064
，
Figure 953758DEST_PATH_IMAGE065
，用正交小波基可以得到
Figure 956349DEST_PATH_IMAGE066
的一个多分辨率近似
Figure 745314DEST_PATH_IMAGE067
。成员
Figure 565371DEST_PATH_IMAGE066
分 解成近似分量
Figure 806996DEST_PATH_IMAGE058
及细节分量
Figure 613278DEST_PATH_IMAGE059
，
Figure 522329DEST_PATH_IMAGE060
，
Figure 998440DEST_PATH_IMAGE061
：
Figure 992941DEST_PATH_IMAGE068
，（低频信息）（15）
Figure 337335DEST_PATH_IMAGE069
，（水平信息）（16）
Figure 100892DEST_PATH_IMAGE070
，（垂直信息）（17）
Figure 997172DEST_PATH_IMAGE071
，（对角线信息）（18）
其中，
Figure 478969DEST_PATH_IMAGE072
和
Figure 892633DEST_PATH_IMAGE073
分别是相应的尺度函数和小波函数。
根据以上数学模型，由步骤S3得到的匹配输入数据，对每一种成员数据分别进行小波变换，利用二维离散双正交小波变换（dwt2）将各成员分解为多尺度的水平高频、垂直高频和对角高频和水平低频分量，生成各成员多尺度的高低频域数据集；
步骤S5、雷达回波融合：
对所述生成的各个成员的小波变换频率数据和对应的雷达反射率实况的数据对应的小波变换频率数据，分别计算不同时效、不同强度在频率域的评分数据集；
根据不同成员的评分数据集，对同一预报时效，同一频率的评分进行归一化处理，得到各个成员在各尺度域上的权重；
按照强度对各成员进行权重融合，将各个成员在各尺度域上进行权重融合后，形成了基于历史权重的融合频率值；
在所述步骤S5中，雷达回波融合具体方法包括：
步骤S51、计算各成员在不同预设时间预报时效的频率域的评分并取平均值，得到该成员在不同频率的TS评分，并将其定义为历史统计评分，具体公式如下：
计算一段时间预报时效A1的频率域TS评分并取平均值，得到该成员在不同频率的TS评分：
Figure 386062DEST_PATH_IMAGE074
其中，
Figure 594190DEST_PATH_IMAGE075
：第i个成员在预报时效A1时的尺度LL方向的TS评分；
N：一段时间内预设时效A1的倍数；
A1：预设时效；
构建各个成员不同强度、不同时效在各尺度的TS评分数据集：
某个成员不同强度、不同预报时效在各尺度的TS评分数据集，表示如下：
Figure 297704DEST_PATH_IMAGE076
其中，
B1、B2、B3…Bm：不同雷达回波的强度；
A1、A2、A3…An：不同预报时效；
Figure 983900DEST_PATH_IMAGE077
：同一尺度LL方向不同预报时效的TS评分，
Figure 864261DEST_PATH_IMAGE078
：每一列代表同一时效A1不同尺度的TS评分；
Figure 977710DEST_PATH_IMAGE079
：某个成员在强度B1不同预报时效在 各尺度的TS评分数据集；
步骤S52、根据各成员的历史统计评分，对同一预报时效，同一频率的TS评分进行归一化处理，得到各个成员在不同频率域上的权重即历史权重；将各个成员在不同强度的频率域上进行了权重融合后，形成基于历史权重的融合频率值；
其中，按照不同强度对各成员进行权重融合，以B1强度的雷达回波为例,融合频率值为：
Figure 168520DEST_PATH_IMAGE080
将各个成员在不同强度的频率域上进行了权重融合后，形成基于历史权重的融合频率值；
其中，
Figure 658407DEST_PATH_IMAGE081
：预报当雷达回波强度为B1时对应的融合频率值；
n：成员数；
Figure 126429DEST_PATH_IMAGE082
：第i个成员在HH方向的历史权重；
Figure 676359DEST_PATH_IMAGE083
：第i个成员在LL方向的历史权重；
Figure 354465DEST_PATH_IMAGE084
：第i个成员在HL方向的历史权重；
Figure 382464DEST_PATH_IMAGE085
：第i个成员在LH方向的历史权重；
Figure 954259DEST_PATH_IMAGE086
：第i个成员在HH方向的预报频率值；
Figure 675091DEST_PATH_IMAGE087
：第i个成员在LL方向的预报频率值；
Figure 840493DEST_PATH_IMAGE088
：第i个成员在HL方向的预报频率值；
Figure 672183DEST_PATH_IMAGE089
：第i个成员在LH方向的预报频率值。
在所述步骤S5中，所述雷达回波融合还包括雷达回波动态融合，具体方法包括：
根据不同成员在过去预设时间的预报性能赋予权重：
1）当在预报时刻之前第一预设时间T内无对流回波时，采用所述历史权重进行预报；
2）当预报时刻之前第一预设时间T内出现对流回波时，采用前第一预设时间T成员的表现对当前预报赋予实时动态权重。
所述动态权重是根据前第一预设时间T各成员在不同尺度、不同时效的评分来确定的；所述动态权重的计算方法与计算历史权重的方法相同，但所述动态权重计算时采集的数据是前第一预设时间T各成员的数据。
在一些实施例中，具体地，构建基于历史统计评分和实时的动态权重的融合预报：
对步骤S4生成的多个预报成员的小波变换频率数据（分别为LL成员、HL成员、LH成员、HH成员）和对应实况的小波变换（LL实况、HL实况、LH实况、HH实况四个频率）分别计算不同时效，不同强度在频率域（小波变换）的评分数据集。
其中，某个成员的小波变换频率数据分别表示为LL成员、HL成员、LH成员、HH成员；雷达反射率实况的数据对应的小波变换频率数据分别LL实况、HL实况、LH实况、HH实况；
以成员1为例，按回波强度分别20dBz、35dBz、40dBz和50dBz四个强度，提取不同强度对应区域中的数据，将其进行小波变换，分解到LL、HL、LH和HH，分别计算四个频率的TS评分，如2022年9月10日08时起报的06min时效预报，分解到四个频率，与其对应的实况（即08:06时的回波）频率域分别进行评分，得到TSLL(06)、TSLH(06)、TSHL(06)和TSHH(06)，其中括号中的数字代表预报时效，也就是当前时间向后06min的预报。
计算一段时间06分钟预报时效的频率域TS评分并取平均值，可以得到该成员在不同频率的评分，如在大尺度LL方向的TS评分为：
Figure 849217DEST_PATH_IMAGE090
该评分反映了该成员在一段时间比较稳定的评分，将其定义为历史统计评分。
构建成员1不同强度、不同时效在各尺度的评分数据集：
Figure 6529DEST_PATH_IMAGE091
Figure 659227DEST_PATH_IMAGE092
下标中的数字20、35、40、50代表了回波强度，右侧矩阵中每一行是同 一尺度不同时效的评分，每一列代表同一时效不同尺度的评分。
根据不同成员历史统计评分数据集，对同一预报时效，同一频率的TS评分进行归 一化处理，得到权重系数
Figure 153662DEST_PATH_IMAGE093
；
Figure 575417DEST_PATH_IMAGE094
；
Figure 638050DEST_PATH_IMAGE095
；
Figure 512466DEST_PATH_IMAGE096
。
按强度对各成员进行权重融合，以强度为35dBz的雷达回波为例,
Figure 826903DEST_PATH_IMAGE097
将各个成员在20dBz、35dBz、40dBz和50dBz的频率域上进行了权重融合后，形成基于历史权重的融合频率值。
在预报时刻前2小时无对流回波时，采用以上历史权重方案，根据不同预报成员在过去一段时间的预报性能赋予权重，历史权重能够体现预报成员相对稳定的预报性能。但是对于强对流天气来说，不同类型的天气系统，各个成员预报性能并不稳定。
因此，如果预报时刻前2小时出现了对流，可以采用前2小时预报成员的表现对当前预报赋予实时动态权重，即认为如果某成员在前2小时预报的更好，那么在未来2小时预报也会比较好，应赋予较大权重。
所述动态权重是根据前第一预设时间T各成员在不同尺度、不同时效的评分来确定的；所述动态权重的计算方法与计算历史权重的方法相同，但所述动态权重计算时采集的数据是前第一预设时间T各成员的数据。
动态权重是根据前2小时各成员在不同尺度、不同时效的评分来确定的，前2小时各成员在不同尺度、不同时效的评分矩阵如下：
Figure 103164DEST_PATH_IMAGE098
以成员1为例，统计前2小时中不同起报时间的06min预报时效的TS评分平均值，在大尺度频率域的平均值为
Figure 336699DEST_PATH_IMAGE099
将平均值均一化，得到成员1在LL方向权重
Figure 698410DEST_PATH_IMAGE100
。得到动态权重后，将其和对应 尺度的频率求点积再相加，就得到了35dBz对应的融合频率。
Figure 534648DEST_PATH_IMAGE101
Figure 930994DEST_PATH_IMAGE102
：雷达回波强度值为35dBz时对应的预报频率；
n：成员数；
Figure 433301DEST_PATH_IMAGE103
：第i个成员在HH方向的权重；
Figure 954412DEST_PATH_IMAGE104
：第i个成员在HH方向的预报的频率；
检验TS评分：
TS评分是基于二分类表，针对预报和观测发生和未发生有四种可能的情况计算模式与实况匹配的程度。传统点对点检验是对比预报格点和观测格点重合程度，给出总体评分。TS评分综合考虑了命中（a）、空报（b）和漏报（c）的情况，计算公式如下：
Figure 865DEST_PATH_IMAGE105
邻域TS空间检验方法通过空间平滑或统计概率分布的方式减小高分辨率资料的偶然性信息，从而衡量预报与观测间的相似度特征，该方法侧重于将较高分辨率的预报与观测信息采用升尺度的方法调整至相对较大的尺度上，考虑中尺度对流单体的尺度，采用5×5的邻域窗口。
步骤S6、小波逆变换：
将获得的融合频率值通过小波重构逆变换回到值域中，得到雷达回波融合预报产品。小波逆变换，实现综合最优选择权重的成员融合：由步骤S5得到的小波分量的多尺度融合频率预报，通过小波重构逆变换（idwt2）回到值域中，实现“综合最优”的雷达回波融合产品。
步骤S7中，对所述雷达回波融合预报产品，结合雷达回波实况数据进行检验，给出检验评分；所述检验评分的结果入库到历史统计评分动态数据库中，实时更新历史统计评分及其权重。综合最优的多成员融合产品检验及评估：对步骤S6得到的雷达回波融合产品，结合雷达回波实况进行检验，给出检验评分；评分结果入库到历史统计评分动态数据库，可实时更新历史统计评分及其权重。
如图3A-3C所示，依次为雷达回波实况、传统融合预报和基于小波变换的雷达回波动态融合预报，给出2022年5月20日的对流过程个例，图3A-3C中可见在山东西北部出现强回波，由于风暴尺度小且较为分散，不同外推预报的位置和强度预报差异较大，因此传统方法直接用权重融合就会导致大值中心被削弱，而小波变换方法可以将成员中预报小尺度的最优信息提取出来，因此能够更好的预报大值区，而强回波区域正是预报中最为关注的方面。
如图4所示，从本发明所述的融合算法与各个预报成员的客观定量检验对比可以发现，本发明所述的融合算法相对于传统外推的TS评分提升50%，较深度学习预报提升10%，同时虚警率和漏报率也有较大幅度的降低，能够提供更精准的0-2h雷达回波临近预报。
本发明提出利用小波变换技术，将雷达回波外推预报分解到不同天气尺度，在各个尺度上根据成员预报性能进行动态融合。相对于传统融合技术，基于小波变换的融合技术充分考虑了预报成员在不同天气尺度预报性能的差异性，如传统外推方法在小尺度预报细节更准确，而深度学习算法在中尺度落区和范围更准确，融合算法能够取长补短，提供准确率更高、预报细节更好的预报。
本发明提出根据历史权重和实时动态权重相结合的权重参数策略，根据前2小时该地区是否出现对流天气，对传统外推和深度学习预报数据自动匹配不同权重系数，相对固定权重系数的降水融合方法，更加灵活可靠。
小波变换技术在频率域进行融合，频率域因为同时考虑了格点和其周围格点的数值，不会造成数值的跳变，解决了传统算法由于融合带来的数值不连续问题。小波分解时不仅考虑了尺度，也考虑了强度，对各个天气尺度不同强度的回波进行融合会最大程度的保留最优成员的信息，从而解决了传统算法由于权重融合导致的预报偏弱问题（因为权重都小于1，强度值直接乘以小于1的权重会导致预报偏弱）。
该算法具有低耦合性，高兼容性，同时具备众创性和鲁棒性，接口方便融入新的适合不同属地的优秀算法，稳定性强。
实施例3：
本发明第二方面公开了一种基于小波变换的雷达回波动态融合预报系统。图5为根据本发明实施例的一种基于小波变换的雷达回波动态融合预报系统的结构图；如图5所示，所述系统100包括：
第一处理模块101，被配置为，采集多种雷达预报产品的数据和雷达反射率实况的数据，并确定所述数据的时间和区域范围，按照统一的格式对所述数据进行预处理，得到标准化数据集；
第二处理模块102，被配置为，对所述标准化数据集进行质量控制，通过模糊逻辑算法去除地物回波和超折射的非气象回波，得到标准化质控数据集；
第三处理模块103，被配置为，将标准化质控数据集中的多种雷达预报产品的数据与雷达反射率实况的数据进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据；
第四处理模块104，被配置为，建立小波变换数学模型，采用二维离散双正交小波变换方法对所述输入数据进行小波变换，并分解为多尺度的水平高频分量HL、垂直高频分量LH和对角高频分量HH和水平低频分量LL，生成各成员多尺度的高低频域数据集；
所述多种雷达预报产品中的每一种产品即为成员，所述多种雷达预报产品的数据中的某种雷达预报产品的数据即为某个成员的数据；
第五处理模块105，被配置为，对所述生成的各个成员的小波变换频率数据和对应的雷达反射率实况的数据对应的小波变换频率数据，分别计算不同时效、不同强度在频率域的评分数据集；
根据不同成员的评分数据集，对同一预报时效，同一频率的评分进行归一化处理，得到各个成员在各尺度域上的权重系数；
按照强度对各成员进行权重融合，将各个成员在各尺度域上进行权重融合后，形成了基于历史权重的融合频率值；
第六处理模块106，被配置为，将获得的融合频率值通过小波重构逆变换回到值域中，得到雷达回波融合预报产品。
根据本发明第二方面的系统，所述第一处理模块具体被配置为，按照统一的格式对所述雷达预报产品的数据和雷达反射率实况的数据进行预处理，得到标准化数据集，具体方法包括：将所述数据统一处理成空间1km分辨率。
根据本发明第二方面的系统，所述第二处理模块具体被配置为，所述得到标准化质控数据集数据为网格数据，所述网格的分辨率为1kmⅹ1km。
根据本发明第二方面的系统，所述第五处理模块具体被配置为，雷达回波融合具体包括：
计算各成员在不同预设时间预报时效的频率域的评分并取平均值，得到该成员在不同频率的TS评分，并将其定义为历史统计评分，具体公式如下：
计算一段时间预报时效A1的频率域TS评分并取平均值，得到该成员在不同频率的TS评分：
Figure 641931DEST_PATH_IMAGE106
其中，
Figure 482848DEST_PATH_IMAGE107
：第i个成员在预报时效A1时的尺度LL方向的TS评分；
N:一段时间内预设时效A1的倍数；
A1：预设时效；
构建各个成员不同强度、不同时效在各尺度的TS评分数据集：
某个成员不同强度、不同预报时效在各尺度的TS评分数据集，表示如下：
Figure 960097DEST_PATH_IMAGE108
其中，
B1、B2、B3…Bm：不同雷达回波的强度；
A1、A2、A3…An：不同预报时效；
Figure 279083DEST_PATH_IMAGE109
：同一尺度LL方向不同预报时效的TS评分，
Figure 774655DEST_PATH_IMAGE110
：每一列代表同一时效A1不同尺度的TS评分；
Figure 520894DEST_PATH_IMAGE111
：某个成员在强度B1不同预报时效在 各尺度的TS评分数据集；
根据各成员的历史统计评分，对同一预报时效，同一频率的TS评分进行归一化处理，得到各个成员在不同频率域上的权重即历史权重；将各个成员在不同强度的频率域上进行了权重融合后，形成基于历史权重的融合频率值；
其中，按照不同强度对各成员进行权重融合，以B1强度的雷达回波为例,融合频率值为：
Figure 78915DEST_PATH_IMAGE112
将各个成员在不同强度的频率域上进行了权重融合后，形成基于历史权重的融合频率值；
其中，
Figure 201591DEST_PATH_IMAGE113
：预报当雷达回波强度为B1时对应的融合频率值；
n：成员数；
Figure 754933DEST_PATH_IMAGE114
：第i个成员在HH方向的历史权重；
Figure 813018DEST_PATH_IMAGE115
：第i个成员在LL方向的历史权重；
Figure 123914DEST_PATH_IMAGE116
：第i个成员在HL方向的历史权重；
Figure 784703DEST_PATH_IMAGE117
：第i个成员在LH方向的历史权重；
Figure 599075DEST_PATH_IMAGE118
：第i个成员在HH方向的预报频率值；
Figure 77330DEST_PATH_IMAGE119
：第i个成员在LL方向的预报频率值；
Figure 609942DEST_PATH_IMAGE120
：第i个成员在HL方向的预报频率值；
Figure 808842DEST_PATH_IMAGE121
：第i个成员在LH方向的预报频率值。
根据本发明第二方面的系统，所述第五处理模块具体被配置为，所述雷达回波融合还包括雷达回波动态融合，包括：
根据不同成员在过去预设时间的预报性能赋予权重：
1）当在预报时刻之前第一预设时间T内无对流回波时，采用所述历史权重进行预报；
2）当预报时刻之前第一预设时间T内出现对流回波时，采用前第一预设时间T成员的表现对当前预报赋予实时动态权重。
根据本发明第二方面的系统，所述第五处理模块具体被配置为，所述动态权重是根据前第一预设时间T各成员在不同尺度、不同时效的评分来确定的；所述动态权重的计算方法与计算历史权重的方法相同，但所述动态权重计算时采集的数据是前第一预设时间T各成员的数据。
根据本发明第二方面的系统，第七处理模块具体被配置为，对所述雷达回波融合预报产品，结合雷达回波实况数据进行检验，给出检验评分；所述检验评分的结果入库到历史统计评分动态数据库中，实时更新历史统计评分及其权重。
实施例4：
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种基于小波变换的雷达回波动态融合预报方法中的步骤。
图6为根据本发明实施例的一种电子设备的结构图，如图6所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信（NFC）或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于小波变换的雷达回波动态融合预报方法，其特征在于，所述方法包括：
步骤S1、数据预处理：
采集多种雷达预报产品的数据和雷达反射率实况的数据，并确定所述多种雷达预报产品的数据和雷达反射率实况的数据的时间和区域范围，按照统一的格式对所述多种雷达预报产品的数据和雷达反射率实况的数据进行预处理，得到标准化数据集；
步骤S2、数据质量控制：
对所述标准化数据集进行质量控制，通过模糊逻辑算法去除地物回波和超折射的非气象回波，得到标准化质控数据集；
步骤S3、构建时空匹配数据集：
将标准化质控数据集中的多种雷达预报产品的数据与雷达反射率实况的数据进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据；
步骤S4、小波变换：
建立小波变换数学模型，采用二维离散双正交小波变换方法对所述输入数据进行小波变换，并分解为多尺度的水平高频分量HL、垂直高频分量LH和对角高频分量HH和水平低频分量LL，生成各成员多尺度的高低频域数据集；
所述多种雷达预报产品中的每一种产品即为成员，所述多种雷达预报产品的数据中的某种雷达预报产品的数据即为某个成员的数据；
步骤S5、雷达回波融合：
对生成的各个成员的小波变换频率数据和对应的雷达反射率实况的数据对应的小波变换频率数据，分别计算不同预报时效、不同强度在频率域的评分数据集；
根据不同成员的评分数据集，对同一预报时效，同一频率的评分进行归一化处理，得到各个成员在各尺度域上的权重；
按照强度对各成员进行权重融合，将各个成员在各尺度域上进行权重融合后，形成了基于历史权重的融合频率值；
步骤S6、小波逆变换：
将获得的融合频率值通过小波重构逆变换回到值域中，得到雷达回波融合预报产品。
2.根据权利要求1所述的一种基于小波变换的雷达回波动态融合预报方法，其特征在于，在所述步骤S1中，按照统一的格式对所述多种雷达预报产品的数据和雷达反射率实况的数据进行预处理，得到标准化数据集，具体方法包括：将所述多种雷达预报产品的数据和雷达反射率实况的数据统一处理成空间1km分辨率。
3.根据权利要求1所述的一种基于小波变换的雷达回波动态融合预报方法，其特征在于，在所述步骤S2中，所述得到标准化质控数据集为网格数据，所述网格的分辨率为1kmⅹ1km。
4.根据权利要求1所述的一种基于小波变换的雷达回波动态融合预报方法，其特征在于，在所述步骤S5中，雷达回波融合具体方法包括：
步骤S51、计算各成员在不同预设时间预报时效的频率域的评分并取平均值，得到该成员在不同频率的TS评分，并将其定义为历史统计评分，具体公式如下：
计算一段时间预报时效A1的频率域TS评分并取平均值，得到该成员在不同频率的TS评分：
Figure QLYQS_1
其中，
Figure QLYQS_2
：第i个成员在预报时效A1时的尺度LL方向的TS评分；
N：一段时间内预设时效A1的倍数；
A1：预设时效；
构建各个成员不同强度、不同预报时效在各尺度的TS评分数据集：
某个成员不同强度、不同预报时效在各尺度的TS评分数据集，表示如下：
Figure QLYQS_3
其中，
B1、B2、B3…Bm：不同雷达回波的强度；
A1、A2、A3…An：不同预报时效；
Figure QLYQS_4
：同一尺度LL方向不同预报时效的TS评分，
Figure QLYQS_5
：每一列代表同一时效A1不同尺度的TS评分；
Figure QLYQS_6
：某个成员在强度B1不同预报时效在各尺度的TS评分数据集；
步骤S52、根据各成员的历史统计评分，对同一预报时效，同一频率的TS评分进行归一化处理，得到各个成员在不同频率域上的权重即历史权重；
其中，按照不同强度对各成员分别进行权重融合，以B1强度的雷达回波为例,融合频率值为：
Figure QLYQS_7
将各个成员在不同强度的频率域上分别进行了权重融合后，形成基于历史权重的融合频率值；
其中，
Figure QLYQS_8
：预报当雷达回波强度为B1时对应的融合频率值；
n：成员数；
Figure QLYQS_9
：第i个成员在HH方向的历史权重；
Figure QLYQS_10
：第i个成员在LL方向的历史权重；
Figure QLYQS_11
：第i个成员在HL方向的历史权重；
Figure QLYQS_12
：第i个成员在LH方向的历史权重；
Figure QLYQS_13
：第i个成员在HH方向的预报频率值；
Figure QLYQS_14
：第i个成员在LL方向的预报频率值；
Figure QLYQS_15
：第i个成员在HL方向的预报频率值；
Figure QLYQS_16
：第i个成员在LH方向的预报频率值。
5.根据权利要求4所述的一种基于小波变换的雷达回波动态融合预报方法，其特征在于，在所述步骤S5中，所述雷达回波融合还包括雷达回波动态融合，具体方法包括：
根据不同成员在过去预设时间的预报性能赋予权重：
1）当在预报时刻之前第一预设时间T内无对流回波时，采用所述历史权重进行预报；
2）当预报时刻之前第一预设时间T内出现对流回波时，采用前第一预设时间T，成员的表现对当前预报赋予实时动态权重。
6.根据权利要求5所述的一种基于小波变换的雷达回波动态融合预报方法，其特征在于，在所述步骤S5中，所述动态权重是根据前第一预设时间T，各成员在不同尺度、不同预报时效的评分来确定的；所述动态权重的计算方法与计算历史权重的方法相同，但所述动态权重计算时采集的输入数据是前第一预设时间T各成员的数据。
7.根据权利要求6所述的一种基于小波变换的雷达回波动态融合预报方法，其特征在于，所述方法还包括：
步骤S7中，对所述雷达回波融合预报产品，结合雷达回波实况数据进行检验，给出检验评分；所述检验评分的结果入库到历史统计评分动态数据库中，实时更新历史统计评分及其权重。
8.一种用于基于小波变换的雷达回波动态融合预报系统，其特征在于，所述系统包括：
第一处理模块，被配置为，采集多种雷达预报产品的数据和雷达反射率实况的数据，并确定所述多种雷达预报产品的数据和雷达反射率实况的数据的时间和区域范围，按照统一的格式对所述多种雷达预报产品的数据和雷达反射率实况的数据进行预处理，得到标准化数据集；
第二处理模块，被配置为，对所述标准化数据集进行质量控制，通过模糊逻辑算法去除地物回波和超折射的非气象回波，得到标准化质控数据集；
第三处理模块，被配置为，将标准化质控数据集中的多种雷达预报产品的数据与雷达反射率实况的数据进行时间匹配，并进行区域内空间数据匹配和检查，得到输入数据；
第四处理模块，被配置为，建立小波变换数学模型，采用二维离散双正交小波变换方法对所述输入数据进行小波变换，并分解为多尺度的水平高频分量HL、垂直高频分量LH和对角高频分量HH和水平低频分量LL，生成各成员多尺度的高低频域数据集；
所述多种雷达预报产品中的每一种产品即为成员，所述多种雷达预报产品的数据中的某种雷达预报产品的数据即为某个成员的数据；
第五处理模块，被配置为，对生成的各个成员的小波变换频率数据和对应的雷达反射率实况的数据对应的小波变换频率数据，分别计算不同预报时效、不同强度在频率域的评分数据集；
根据不同成员的评分数据集，对同一预报时效，同一频率的评分进行归一化处理，得到各个成员在各尺度域上的权重系数；
按照强度对各成员进行权重融合，将各个成员在各尺度域上进行权重融合后，形成了基于历史权重的融合频率值；
第六处理模块，被配置为，将获得的融合频率值通过小波重构逆变换回到值域中，得到雷达回波融合预报产品。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至7中任一项所述的一种基于小波变换的雷达回波动态融合预报方法中的步骤。
CN202211478682.8A 2022-11-24 2022-11-24 基于小波变换的雷达回波动态融合预报方法、系统及设备 Active CN115575920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211478682.8A CN115575920B (zh) 2022-11-24 2022-11-24 基于小波变换的雷达回波动态融合预报方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211478682.8A CN115575920B (zh) 2022-11-24 2022-11-24 基于小波变换的雷达回波动态融合预报方法、系统及设备

Publications (2)

Publication Number Publication Date
CN115575920A CN115575920A (zh) 2023-01-06
CN115575920B true CN115575920B (zh) 2023-02-28

Family

ID=84590252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211478682.8A Active CN115575920B (zh) 2022-11-24 2022-11-24 基于小波变换的雷达回波动态融合预报方法、系统及设备

Country Status (1)

Country Link
CN (1) CN115575920B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102355435A (zh) * 2011-07-25 2012-02-15 南京信息工程大学 基于分数低阶统计量的小波加权多模盲均衡方法
JP2012052923A (ja) * 2010-09-01 2012-03-15 Toshiba Corp 気象レーダ装置及び気象観測方法
CN104615855A (zh) * 2015-01-04 2015-05-13 国家电网公司 融合数值天气预报的日前风速多步预报方法
US9535158B1 (en) * 2013-11-21 2017-01-03 Rockwell Collins, Inc. Weather radar system and method with fusion of multiple weather information sources
CN106597391A (zh) * 2016-11-25 2017-04-26 中国电子科技集团公司第三十八研究所 一种相控阵天线阵面变形全天候监测方法
CN108549116A (zh) * 2018-03-27 2018-09-18 南京恩瑞特实业有限公司 NRIET blending融合预报方法
CN110222783A (zh) * 2019-06-13 2019-09-10 南京信息工程大学 基于小波域正则化的地基和星载雷达降水数据融合方法
CN110263838A (zh) * 2019-06-13 2019-09-20 南京信息工程大学 一种多传感器降水估计融合方法
CN112379345A (zh) * 2020-10-23 2021-02-19 吴海英 融合数值模式的雷达短临外推预报方法
CN115060208A (zh) * 2022-06-30 2022-09-16 国网山东省电力公司电力科学研究院 基于多源卫星融合的输变电线路地质灾害监测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012052923A (ja) * 2010-09-01 2012-03-15 Toshiba Corp 気象レーダ装置及び気象観測方法
CN102355435A (zh) * 2011-07-25 2012-02-15 南京信息工程大学 基于分数低阶统计量的小波加权多模盲均衡方法
US9535158B1 (en) * 2013-11-21 2017-01-03 Rockwell Collins, Inc. Weather radar system and method with fusion of multiple weather information sources
CN104615855A (zh) * 2015-01-04 2015-05-13 国家电网公司 融合数值天气预报的日前风速多步预报方法
CN106597391A (zh) * 2016-11-25 2017-04-26 中国电子科技集团公司第三十八研究所 一种相控阵天线阵面变形全天候监测方法
CN108549116A (zh) * 2018-03-27 2018-09-18 南京恩瑞特实业有限公司 NRIET blending融合预报方法
CN110222783A (zh) * 2019-06-13 2019-09-10 南京信息工程大学 基于小波域正则化的地基和星载雷达降水数据融合方法
CN110263838A (zh) * 2019-06-13 2019-09-20 南京信息工程大学 一种多传感器降水估计融合方法
CN112379345A (zh) * 2020-10-23 2021-02-19 吴海英 融合数值模式的雷达短临外推预报方法
CN115060208A (zh) * 2022-06-30 2022-09-16 国网山东省电力公司电力科学研究院 基于多源卫星融合的输变电线路地质灾害监测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验;程丛兰等;《气象学报》;20130615;第71卷(第03期);第397-415页 *

Also Published As

Publication number Publication date
CN115575920A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
Kisi et al. A wavelet-support vector machine conjunction model for monthly streamflow forecasting
Grecu et al. An efficient methodology for detection of anomalous propagation echoes in radar reflectivity data using neural networks
CN109740639B (zh) 一种风云卫星遥感影像云检测方法、系统及电子设备
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
CN107992447A (zh) 一种应用于河流水位预测数据的特征选择分解方法
CN105117736B (zh) 基于稀疏深度堆栈网络的极化sar图像分类方法
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
CN114881093B (zh) 一种信号分类识别方法
CN114037891A (zh) 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置
CN114332182B (zh) 基于多特征约束的sar图像配准方法、设备和介质
CN115457001A (zh) 基于vgg网络的光伏板异物检测方法、系统、装置及介质
Zou et al. A method of radar echo extrapolation based on TREC and Barnes filter
Taylan et al. Hybrid wavelet–artificial intelligence models in meteorological drought estimation
CN112989940B (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
CN112668615B (zh) 一种基于深度跨尺度外推融合的卫星云图预测方法
CN115575920B (zh) 基于小波变换的雷达回波动态融合预报方法、系统及设备
CN117809183A (zh) 一种荒漠化监测方法、系统、电子设备及介质
CN112924967A (zh) 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用
CN115639159B (zh) 一种基于多光谱影像的废水污染监测方法和装置
CN117079005A (zh) 一种光缆故障监测方法、系统、装置及可读存储介质
CN115147726B (zh) 城市形态图的生成方法、装置、电子设备和可读存储介质
Feitosa et al. Modeling alternatives for fuzzy Markov chain-based classification of multitemporal remote sensing data
CN102722878A (zh) 基于目标提取和ppb算法的sar图像去斑方法
Yang et al. Characterization of rain fields for UK satellite networks
Chen et al. Research on Interpolation Method for Missing Electricity Consumption Data.

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