CN115616520A - 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 - Google Patents
一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 Download PDFInfo
- Publication number
- CN115616520A CN115616520A CN202211638193.4A CN202211638193A CN115616520A CN 115616520 A CN115616520 A CN 115616520A CN 202211638193 A CN202211638193 A CN 202211638193A CN 115616520 A CN115616520 A CN 115616520A
- Authority
- CN
- China
- Prior art keywords
- radar
- ice crystal
- millimeter wave
- cloud
- laser
- 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
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
- G01S7/417—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 involving the use of neural networks
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种基于激光和毫米波云雷达的卷云冰晶形状识别方法,包括:收集气候模型的数据信息,生成相应的三维数据集;将冰晶粒子分别设置为多种形状,通过物理光学近似法和T矩阵方法,结合三维数据集计算激光和雷达的后向散射特性;将获取的数据、计算得到的后向散射特性和雷达的参数输入到雷达前向模拟模型中,得到激光雷达和毫米波雷达的模拟观测值;构建形状识别模型,并对冰晶粒子进行识别。本发明使用了激光和毫米波雷达获取的冰晶的微物理参数、ERA5的大气温度和湿度环境因素、T矩阵和物理光学近似计算的后向散射特性和云解析雷达辐射传输模型,估算过程中使用激光雷达和毫米波多波段的联合观测,获得的冰晶形状识别准确率较高。
Description
技术领域
本发明涉及气象雷达探测技术领域,尤其涉及一种基于激光和毫米波云雷达的卷云冰晶形状识别方法。
背景技术
卷云又称高层卷云,一般位于对流层的中上部,覆盖面积大约占据地球表面30%的空间,其主要组成部分为不同形状的冰晶。卷云既吸收地面长波辐射又反射太阳的短波辐射,在全球辐射和地球热量平衡方面扮演着重要的角色。因此,在全球气候变化模式的开发和优化改进过程中,卷云探测数据,如云相态、云冰水含量、冰晶粒子形状及有效直径等是非常关键和重要的输入参数,其中最为关键的信息为冰晶形状的准确识别。不同形状的冰晶具有不同的散射特性,并对应着不同的微物理特性和辐射特征,故冰晶形状的准确识别有利于卷云形成机制的研究,有利于促进卷云探测和辐射传输模式的发展。
然而,目前对卷云冰晶形状的识别和自然变化认识还不够全面,它的准确识别仍然存在较大的挑战,主要原因有:1、卷云薄如轻纱,回波信号往往淹没在背景噪声或干扰信号之中,这对探测仪器的灵敏度提出了更高的要求;2、卷云中不同形状的冰晶往往会随着大气气象要素的变化,其形状和组成成份比例也会发生较大变化,这对探测仪器的时间分辨率和定量处理技术提出了更高的要求;3、卷云所处的位置及构成成份给现场直接测量提出了很大的困难;4、单独利用激光雷达或毫米波雷达均不能获取准确的卷云内部冰晶粒子形状和尺寸等微观物理信息;5、对卷云冰晶形状的识别常采用的是几何光学及其改进方法,但这种方法忽略了后向散射方向上关键的干涉和衍射现象,不适合于基于接收后向散射方向能量来探测目标的激光雷达;6、同时采用激光雷达和毫米波雷达联合观测冰晶微物理参量的研究,常采用的是雷达-激光雷达比率这一指标。然而,这一指标的计算往往假设冰晶是随机定向的,雷达只测量后向散射的能量,而不测量偏振信息,而且这一指标的可靠性还没有得到检验。
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,提供了一种基于激光和毫米波云雷达的卷云冰晶形状识别方法,解决了现有对卷云冰晶形状识别存在的问题。
本发明的目的通过以下技术方案来实现:一种基于激光和毫米波云雷达的卷云冰晶形状识别方法,所述识别方法包括:
步骤S1、收集面向全球气候模型的数据信息,并对收集的数据信息进行处理生成大气湿度、大气温度、冰晶高度、温度、有效粒子半径和数浓度的三维数据集;
步骤S2、将冰晶粒子分别设置为多种形状,并结合获取的有效粒子半径和数浓度的三维数据集,利用物理光学近似法计算激光雷达后向散射特性,利用T矩阵方法计算毫米波雷达的后向散射特性;
步骤S3、将步骤S1获取的数据、步骤S2计算得到的后向散射特性和雷达的频率、观测角、功率、脉冲宽度、信噪比特性输入到云解析雷达前向模拟模型中,计算得到激光雷达和毫米波雷达的模拟观测值;
步骤S4、根据计算得到的激光雷达和毫米波雷达的模拟观测值以及冰晶粒子设置的各种形状构建形状识别模型,并通过形状识别模型对冰晶粒子进行识别。
所述步骤S1具体包括:
S11、收集面向全球气候模型的CALIPSO三维云量、云相态和云内温度廓线信息,根据云相态产品提取出冰云的高度和温度信息,收集星载激光和毫米波雷达联合反演的DARDAR云产品的冰晶粒子有效粒子半径和数浓度信息,收集ERA5的大气温度、大气湿度廓线信息;
S12、将步骤S11获取的CALIPSO、DARDAR和ERA5数据进行时间和空间的二维线性插值,并进行时空匹配,生成与步骤S11的CALIPSO时间和空间匹配的大气温度、大气湿度、冰晶高度、温度、有效粒子半径和数浓度的三维数据集。
所述步骤S2中的物理光学近似法包括根据粒子不同形状和激光束的轨迹,通过麦克斯韦方程组求解计算出粒子对光的散射特征,其中,散射特征包括表面光束的传播方向、电磁场强度和极化特征。具体的计算公式如下:
所述T矩阵方法是将步骤S12中的冰晶粒子有效粒子半径、数浓度、形状、折射率、粒子谱分布和毫米波雷达频率输入到T矩阵计算模型中,即可计算得到毫米波雷达频率冰晶粒子的后向散射特征参数。
所述步骤S3中计算得到激光雷达和毫米波雷达的模拟观测值包括:通过将大气环境参数、冰晶特征参数和仪器指标参数输入到云解析雷达前向模拟模型中,模型根据输入的参数计算得到激光雷达和毫米波雷达的观测值;
其中,大气环境参数包括大气温度、大气湿度和大气密度,冰晶特征参数包括冰晶数浓度、冰水路径和不同冰晶形状的后向散射特征,仪器指标参数包括激光雷达和毫米波雷达的工作频率、天线波束宽度和接收机灵敏度。
所述步骤S4具体包括:
S41、将激光雷达和毫米波雷达的模拟观测值作为神经网络的输入,将冰晶粒子的各种形状进行分别对应标识,将不同冰晶形状对应的标识作为神经网络的输出,通过长短期记忆神经网络构建利用激光雷达和毫米波雷达进行冰晶粒子的形状识别模型;
S42、将真实激光雷达和毫米波雷达观测的数据集输入到构建好的形状识别模型中,生成对应冰晶粒子形状的标识,根据冰晶粒子形状与对应标识的关系,识别出冰晶的形状。
所述后向散射特性包括:冰晶粒子散射相函数、散射截面、消光系数、吸收系数、散射系数和消光系数;
所述冰晶粒子设置的形状包括:实心柱状、子弹花瓣状、聚集物状、空心柱状和平板状;
所述激光雷达和毫米波雷达的模拟观测值包括:激光雷达的后向散射系数、消光系数、线性去极化比,以及毫米波雷达的反射率因子、平均径向速度、速度谱宽、线性退极化比、水平通道和垂直通道的功率谱数据。
本发明具有以下优点:一种基于激光和毫米波云雷达的卷云冰晶形状识别方法,不需要其他辅助参数,直接由所述的激光雷达和毫米波雷达观测数据来识别,由于使用神经网络模型,计算、识别速度快,在冰晶形状识别模型建立过程中,使用了星载激光和毫米波雷达获取的冰晶的微物理参数、ERA5的大气温度和湿度环境因素、T矩阵和物理光学近似计算的后向散射特性和云解析雷达辐射传输模型,并且估算过程中使用了激光雷达和毫米波多波段的联合观测,获得的冰晶形状识别准确率较高。
附图说明
图1 为本发明的流程示意图;
图2 为本发明的不同冰晶形状情况下冰晶粒子激光和毫米波雷达后向散射计算方法流程示意图。
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。
如图1所示,本发明具体涉及一种基于激光和毫米波雷达的卷云冰晶形状识别方法,首先,分析了激光雷达和毫米波云雷达探测到卷云微观物理参量的特征,寻找最能反映卷云冰晶形状特征的观测量,评估这些观测量与冰晶形状、有效半径、粒子数密度等之间的关系;其次,对卷云出现高度附近的云相态、大气温度、湿度廓线数据进行收集并进行时空高分辨率处理;之后,采用物理光学近似方法,设置有效粒子半径和数浓度等信息,对典型的几种不同形状和冰晶粒子在激光雷达和Ka波段毫米波雷达观测下的后向散射特性分别进行了模拟;此后,将大气环境数据、不同形状冰晶的后向散射数据、雷达的设备参数、观测模式和噪声干扰等信息输入云解析雷达前向模拟模型中,输出不同形状冰晶在不同尺寸、数浓度下的雷达模拟观测值;最后,搭建长短期记忆神经网络模型,将激光和毫米波雷达模拟观测值和冰晶形状分别作为输入与输出数据集,构建冰晶粒子形状识别的模型。具体包括以下内容:
步骤1:收集面向全球气候模型的CALIPSO(GCM Oriented Calipso CloudProduct,CALIPSO-GOCCP)三维维云量、云相态和云内温度廓线信息。根据云相态产品,提取出冰云的高度和温度信息。收集星载激光和毫米波雷达联合反演的DARDAR( liDAR/raDAR)云产品的冰晶有效粒子半径和数浓度信息。收集ERA5的大气温度、湿度大气廓线信息。
步骤2:将步骤(1)获取的CALIPSO-GOCCP、DARDAR和ERA5数据进行时间和空间的二维线性插值,并进行时空匹配。生成与步骤(1)的CALIPSO-GOCCP时间和空间匹配的大气温度、大气湿度、冰晶高度、温度、有效粒子半径和数浓度的三维数据集。
步骤3:如图2所示,将冰晶粒子分别设置为实心柱状、子弹花瓣状、聚集物状、空心柱状和平板状形状。并结合步骤(2)获取的有效粒子半径和数浓度的三维数据集,利用物理光学近似计算不同形状冰晶粒子的532nm后向散射特性;利用T矩阵方法计算不同形状冰晶粒子的Ka波段的后向散射特性。
其中,物理光学近似法是根据粒子不同形状和激光束的轨迹,通过麦克斯韦方程组的求解计算出粒子对光的散射特征,包括表面光束的传播方向、电磁场强度和极化特征等参数。
具体为,通过麦克斯韦方程组求解计算出粒子对光的散射特征,其中,散射特征包括表面光束的传播方向、电磁场强度和极化特征。具体的计算公式如下:
其中,T矩阵方法是将电磁波的入射场和散射场描述为矢量球形波函数,利用T矩阵关联函数展开项,将步骤(2)的冰晶粒子有效粒子半径、数浓度、形状、折射率、粒子谱分布和激光、毫米波雷达频率输入到T矩阵模型和物理光学近似计算模型中,即可计算激光和毫米波雷达频率冰晶粒子的后向散射特征参数。
其中,后向散射特性包括:波长532nm激光雷达和Ka波段的毫米波雷达冰晶粒子散射相函数、散射截面、消光系数、吸收系数、散射系数和消光效率。
步骤4:将步骤(2)获取ERA5大气温度、湿度、冰晶位置、步骤(3)计算的不同冰晶形状的后向散射特性和雷达的频率、观测角、功率、脉冲宽度、信噪比特性输入到云解析雷达前向模拟模型(CR-SIM);其中激光雷达波长设置为532nm,毫米波雷达设置为Ka波段,观测方式为垂直指向,计算得到激光和Ka毫米波雷达的模拟观测值。
其中,计算得到激光雷达和Ka毫米波雷达的模拟观测值,主要通过将大气环境参数、冰晶特征参数和仪器指标参数,输入到云解析雷达前向模拟模型(CR-SIM),CR-SIM模型即可根据这些输入模拟计算激光和Ka毫米波雷达的观测值。其中,大气环境参数主要包括:大气温度、大气温度和大气密度。冰晶特征参数主要包括:冰晶数浓度、冰水路径和不同冰晶形状的后向散射特性。仪器指标参数主要包括:激光雷达和毫米波雷达工作的频率、天线波束宽度和接收机灵敏度。
激光雷达和Ka毫米波雷达的模拟观测值包括:532nm激光雷达的后向散射系数、消光系数、线性去极化比。模拟的Ka波段毫米波双线偏振雷达的反射率因子、平均径向速度、速度谱宽、线性退极化比、水平通道和垂直通道的功率谱数据。
步骤5:将激光和Ka波段雷达的模拟值作为神经网络的输入,冰晶粒子的形状设置为神经网络的输出;为了方便,实心柱状、子弹花瓣状、聚集物状、空心柱状和平板状形状分别为标识为1-5;用长短期记忆神经网络(LSTM)构建利用激光和Ka波段雷达进行冰晶粒子形状识别的模型。
步骤6:将真实激光和Ka波段雷达观测的数据集输入已经构建好的长短期记忆神经网络进行不同冰晶粒子的形状识别。
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 (6)
1.一种基于激光和毫米波云雷达的卷云冰晶形状识别方法,其特征在于:所述识别方法包括:
步骤S1、收集面向全球气候模型的数据信息,并对收集的数据信息进行处理生成大气湿度、大气温度、冰晶高度、温度、有效粒子半径和数浓度的三维数据集;
步骤S2、将冰晶粒子分别设置为多种形状,并结合获取的有效粒子半径和数浓度的三维数据集,利用物理光学近似法计算激光雷达后向散射特性,利用T矩阵方法计算毫米波雷达的后向散射特性;
步骤S3、将步骤S1获取的数据、步骤S2计算得到的后向散射特性和雷达的频率、观测角、功率、脉冲宽度、信噪比特性输入到云解析雷达前向模拟模型中,计算得到激光雷达和毫米波雷达的模拟观测值;
步骤S4、根据计算得到的激光雷达和毫米波雷达的模拟观测值以及冰晶粒子设置的各种形状构建形状识别模型,并通过形状识别模型对冰晶粒子进行识别。
2.根据权利要求1所述的一种基于激光和毫米波云雷达的卷云冰晶形状识别方法,其特征在于:所述步骤S1具体包括:
S11、收集面向全球气候模型的CALIPSO三维云量、云相态和云内温度廓线信息,根据云相态产品提取出冰云的高度和温度信息,收集星载激光和毫米波雷达联合反演的DARDAR云产品的冰晶粒子有效粒子半径和数浓度信息,收集ERA5的大气温度、大气湿度廓线信息;
S12、将步骤S11获取的CALIPSO、DARDAR和ERA5数据进行时间和空间的二维线性插值,并进行时空匹配,生成与步骤S11的CALIPSO时间和空间匹配的大气温度、大气湿度、冰晶高度、温度、有效粒子半径和数浓度的三维数据集。
4.根据权利要求1所述的一种基于激光和毫米波云雷达的卷云冰晶形状识别方法,其特征在于:所述步骤S3中计算得到激光雷达和毫米波雷达的模拟观测值包括:通过将大气环境参数、冰晶特征参数和仪器指标参数输入到云解析雷达前向模拟模型中,模型根据输入的参数计算得到激光雷达和毫米波雷达的观测值;
其中,大气环境参数包括大气温度、大气湿度和大气密度,冰晶特征参数包括冰晶数浓度、冰水路径和不同冰晶形状的后向散射特征,仪器指标参数包括激光雷达和毫米波雷达的工作频率、天线波束宽度和接收机灵敏度。
5.根据权利要求1所述的一种基于激光和毫米波云雷达的卷云冰晶形状识别方法,其特征在于:所述步骤S4具体包括:
S41、将激光雷达和毫米波雷达的模拟观测值作为神经网络的输入,将冰晶粒子的各种形状进行分别对应标识,将不同冰晶形状对应的标识作为神经网络的输出,通过长短期记忆神经网络构建利用激光雷达和毫米波雷达进行冰晶粒子的形状识别模型;
S42、将真实激光雷达和毫米波雷达观测的数据集输入到构建好的形状识别模型中,生成对应冰晶粒子形状的标识,根据冰晶粒子形状与对应标识的关系,识别出冰晶的形状。
6.根据权利要求1-5中任意一项所述的一种基于激光和毫米波云雷达的卷云冰晶形状识别方法,其特征在于:所述后向散射特性包括:冰晶粒子散射相函数、散射截面、消光系数、吸收系数、散射系数和消光系数;
所述冰晶粒子设置的形状包括:实心柱状、子弹花瓣状、聚集物状、空心柱状和平板状;
所述激光雷达和毫米波雷达的模拟观测值包括:激光雷达的后向散射系数、消光系数、线性去极化比,以及毫米波雷达的反射率因子、平均径向速度、速度谱宽、线性退极化比、水平通道和垂直通道的功率谱数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211638193.4A CN115616520B (zh) | 2022-12-20 | 2022-12-20 | 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211638193.4A CN115616520B (zh) | 2022-12-20 | 2022-12-20 | 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115616520A true CN115616520A (zh) | 2023-01-17 |
CN115616520B CN115616520B (zh) | 2023-03-14 |
Family
ID=84880212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211638193.4A Active CN115616520B (zh) | 2022-12-20 | 2022-12-20 | 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115616520B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401932A (zh) * | 2023-06-08 | 2023-07-07 | 成都远望探测技术有限公司 | 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法 |
CN116400320A (zh) * | 2023-06-09 | 2023-07-07 | 成都远望探测技术有限公司 | 一种基于激光和w波段雷达的海雾有效粒子半径估算方法 |
CN116466368A (zh) * | 2023-06-16 | 2023-07-21 | 成都远望科技有限责任公司 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
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 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2012104049A (ru) * | 2012-02-06 | 2013-08-20 | Федеральное государственное военное образовательное учреждение высшего профессионального образования "Военный авиационный инженерный университет" (г. Воронеж) Министерства обороны Российской Федерации | Способ радиолокационного измерения заряда частиц облаков и осадков |
CN104143205A (zh) * | 2013-05-11 | 2014-11-12 | 哈尔滨点石仿真科技有限公司 | 大规模真实感体积云的实时渲染方法 |
CN106324571A (zh) * | 2016-07-29 | 2017-01-11 | 西安电子科技大学 | 基于正向法的仿三维场景sar雷达回波的快速实现方法 |
CN106646476A (zh) * | 2016-12-02 | 2017-05-10 | 上海无线电设备研究所 | 一种液态云微物理参数的反演方法 |
CN107564095A (zh) * | 2017-08-08 | 2018-01-09 | 北京航空航天大学 | 一种基于单幅自然图像重建积云三维形状的方法 |
CN107656279A (zh) * | 2017-09-19 | 2018-02-02 | 中国电子科技集团公司第三十八研究所 | 一种基于双参数粒子谱分布的测雨雷达辐射传输系统 |
CN207991998U (zh) * | 2018-04-16 | 2018-10-19 | 成都信息工程大学 | 一种机载后向散射云粒子探测仪和气象探测设备 |
CN108957474A (zh) * | 2018-06-12 | 2018-12-07 | 西安理工大学 | 用于检测粒子形态的全偏振激光雷达系统及其检测方法 |
CN109633654A (zh) * | 2018-12-04 | 2019-04-16 | 上海无线电设备研究所 | 一种用于太赫兹雷达的卷云微物理参数计算方法 |
CN110361742A (zh) * | 2019-06-21 | 2019-10-22 | 中国人民解放军国防科技大学 | 一种基于星载三频毫米波雷达的云雨微物理参数反演方法 |
CN110398739A (zh) * | 2019-08-15 | 2019-11-01 | 成都远望探测技术有限公司 | 一种毫米波测云雷达系统 |
CN110455689A (zh) * | 2019-08-01 | 2019-11-15 | 中国科学院遥感与数字地球研究所 | 一种模拟冰晶粒子的光散射特性的方法 |
CN111028893A (zh) * | 2019-10-28 | 2020-04-17 | 山东天岳先进材料科技有限公司 | 一种晶体生长预测方法及装置 |
CN111551961A (zh) * | 2020-06-12 | 2020-08-18 | 南通大学 | 基于多波长激光雷达的云凝结核数浓度垂直廓线反演方法 |
CN111680259A (zh) * | 2020-06-01 | 2020-09-18 | 航天新气象科技有限公司 | 一种云粒子相态识别方法及系统 |
CN112346081A (zh) * | 2020-10-22 | 2021-02-09 | 上海无线电设备研究所 | 一种太赫兹与毫米波云雷达的数据联合反演方法 |
CN112904308A (zh) * | 2021-01-27 | 2021-06-04 | 西安理工大学 | 探测云相态及云水含量的激光雷达系统及方法 |
CN113075754A (zh) * | 2021-04-01 | 2021-07-06 | 南京红露麟激光雷达科技有限公司 | 一种基于相干多普勒激光雷达的雨滴谱获取方法及装置 |
CN115236615A (zh) * | 2022-07-20 | 2022-10-25 | 中国民航大学 | 基于t矩阵法的机载极化气象雷达降水粒子回波仿真方法 |
WO2022246465A1 (en) * | 2021-05-21 | 2022-11-24 | Connectsix Llc | Atmospheric sensor using programmable time-gated detection aperture |
-
2022
- 2022-12-20 CN CN202211638193.4A patent/CN115616520B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2012104049A (ru) * | 2012-02-06 | 2013-08-20 | Федеральное государственное военное образовательное учреждение высшего профессионального образования "Военный авиационный инженерный университет" (г. Воронеж) Министерства обороны Российской Федерации | Способ радиолокационного измерения заряда частиц облаков и осадков |
CN104143205A (zh) * | 2013-05-11 | 2014-11-12 | 哈尔滨点石仿真科技有限公司 | 大规模真实感体积云的实时渲染方法 |
CN106324571A (zh) * | 2016-07-29 | 2017-01-11 | 西安电子科技大学 | 基于正向法的仿三维场景sar雷达回波的快速实现方法 |
CN106646476A (zh) * | 2016-12-02 | 2017-05-10 | 上海无线电设备研究所 | 一种液态云微物理参数的反演方法 |
CN107564095A (zh) * | 2017-08-08 | 2018-01-09 | 北京航空航天大学 | 一种基于单幅自然图像重建积云三维形状的方法 |
CN107656279A (zh) * | 2017-09-19 | 2018-02-02 | 中国电子科技集团公司第三十八研究所 | 一种基于双参数粒子谱分布的测雨雷达辐射传输系统 |
CN207991998U (zh) * | 2018-04-16 | 2018-10-19 | 成都信息工程大学 | 一种机载后向散射云粒子探测仪和气象探测设备 |
CN108957474A (zh) * | 2018-06-12 | 2018-12-07 | 西安理工大学 | 用于检测粒子形态的全偏振激光雷达系统及其检测方法 |
CN109633654A (zh) * | 2018-12-04 | 2019-04-16 | 上海无线电设备研究所 | 一种用于太赫兹雷达的卷云微物理参数计算方法 |
CN110361742A (zh) * | 2019-06-21 | 2019-10-22 | 中国人民解放军国防科技大学 | 一种基于星载三频毫米波雷达的云雨微物理参数反演方法 |
CN110455689A (zh) * | 2019-08-01 | 2019-11-15 | 中国科学院遥感与数字地球研究所 | 一种模拟冰晶粒子的光散射特性的方法 |
CN110398739A (zh) * | 2019-08-15 | 2019-11-01 | 成都远望探测技术有限公司 | 一种毫米波测云雷达系统 |
CN111028893A (zh) * | 2019-10-28 | 2020-04-17 | 山东天岳先进材料科技有限公司 | 一种晶体生长预测方法及装置 |
CN111680259A (zh) * | 2020-06-01 | 2020-09-18 | 航天新气象科技有限公司 | 一种云粒子相态识别方法及系统 |
CN111551961A (zh) * | 2020-06-12 | 2020-08-18 | 南通大学 | 基于多波长激光雷达的云凝结核数浓度垂直廓线反演方法 |
CN112346081A (zh) * | 2020-10-22 | 2021-02-09 | 上海无线电设备研究所 | 一种太赫兹与毫米波云雷达的数据联合反演方法 |
CN112904308A (zh) * | 2021-01-27 | 2021-06-04 | 西安理工大学 | 探测云相态及云水含量的激光雷达系统及方法 |
CN113075754A (zh) * | 2021-04-01 | 2021-07-06 | 南京红露麟激光雷达科技有限公司 | 一种基于相干多普勒激光雷达的雨滴谱获取方法及装置 |
WO2022246465A1 (en) * | 2021-05-21 | 2022-11-24 | Connectsix Llc | Atmospheric sensor using programmable time-gated detection aperture |
CN115236615A (zh) * | 2022-07-20 | 2022-10-25 | 中国民航大学 | 基于t矩阵法的机载极化气象雷达降水粒子回波仿真方法 |
Non-Patent Citations (5)
Title |
---|
FEN YUE 等: ""Influence of Refractive Index on Scattering Properties of Ice Particles"", 《2018 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL ELECTROMAGNETICS (ICCEM)》 * |
程凌舟: ""地基W波段测云雷达探测能力分析及云参数反演初步研究"", 《中国优秀硕士论文全文数据库》 * |
赵忆睿: ""基于CALIPSO的长三角地区云光学特性特征分析 "", 《激光杂志》 * |
陶宗明: ""三波长激光雷达拟合卷云的粒子形状"", 《光谱学与光谱分析》 * |
马明: ""线阵传感器烟尘中实体目标探测与识别技术"", 《中国优秀硕士论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401932A (zh) * | 2023-06-08 | 2023-07-07 | 成都远望探测技术有限公司 | 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法 |
CN116401932B (zh) * | 2023-06-08 | 2023-08-15 | 成都远望探测技术有限公司 | 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法 |
CN116400320A (zh) * | 2023-06-09 | 2023-07-07 | 成都远望探测技术有限公司 | 一种基于激光和w波段雷达的海雾有效粒子半径估算方法 |
CN116400320B (zh) * | 2023-06-09 | 2023-08-15 | 成都远望探测技术有限公司 | 一种基于激光和w波段雷达的海雾有效粒子半径估算方法 |
CN116466368A (zh) * | 2023-06-16 | 2023-07-21 | 成都远望科技有限责任公司 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
CN116466368B (zh) * | 2023-06-16 | 2023-08-22 | 成都远望科技有限责任公司 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115616520B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115616520B (zh) | 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 | |
Cheong et al. | A time series weather radar simulator based on high-resolution atmospheric models | |
Hong et al. | Radar Hydrology | |
Kollias et al. | Scanning ARM cloud radars. Part I: Operational sampling strategies | |
Lhermitte | Cloud and precipitation remote sensing at 94 GHz | |
Oue et al. | The Cloud-resolving model Radar SIMulator (CR-SIM) Version 3.3: description and applications of a virtual observatory | |
CN110095784A (zh) | 一种复杂环境影响下的海洋-低层大气激光传输建模方法 | |
CN115657013B (zh) | 基于激光雷达和云雷达的冰云内冰晶粒子数浓度估算方法 | |
CN112417757B (zh) | 车载雷达信号级仿真方法、装置、设备及可读存储介质 | |
CN112098958B (zh) | 一种基于数字地图和气象水文信息的雷达杂波预测方法 | |
Satoh et al. | Accuracy of wind fields observed by a bistatic Doppler radar network | |
Oue et al. | Optimizing radar scan strategies for tracking isolated deep convection using observing system simulation experiments | |
Kurum et al. | Development of a coherent bistatic vegetation model for signal of opportunity applications at VHF/UHF-bands | |
Falconi | Remote sensing and electromagnetic modeling applied to weather and forward scatter radar | |
Emeis | Sodar and RASS | |
Mametsa et al. | FERMAT: A high frequency EM scattering code from complex scenes including objects and environment | |
Arajärvi | Modeling radar performance for a site-specific digital twin | |
Mehner | Extrapolating surface winds from an elevated dual-doppler wind profile | |
Tran et al. | Combining color and texture for a robust interactive segmentation algorithm | |
Jang et al. | GIS Based Realistic Weather Radar Data Visualization Technique | |
Martire | A space-borne Doppler radar end-to-end simulator for the ESA WIVERN mission | |
Geng et al. | SAR RAW data simulation by electromagnetic computation in frequency domain | |
Li et al. | PSO algorithm of retrieving surface ducts by Doppler weather radar echoes | |
SANJAY | Electromagnetic Scattering from Arbitrary Shaped Lossy Dielectric Bodies | |
Xiang et al. | Time Lag Estimation between Weather Radar and Disdrometer Based on Correlation Analysis and Falling Velocity |
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 |