CN115877345A - 一种风廓线雷达缺测数据的补齐方法和装置 - Google Patents
一种风廓线雷达缺测数据的补齐方法和装置 Download PDFInfo
- Publication number
- CN115877345A CN115877345A CN202310173445.9A CN202310173445A CN115877345A CN 115877345 A CN115877345 A CN 115877345A CN 202310173445 A CN202310173445 A CN 202310173445A CN 115877345 A CN115877345 A CN 115877345A
- Authority
- CN
- China
- Prior art keywords
- power spectrum
- data
- wind profile
- radar power
- profile radar
- 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
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种风廓线雷达缺测数据的补齐方法和装置,涉及气象数据处理的技术领域,包括:在获取到待处理风廓线雷达功率谱数据序列之后,确定出待处理风廓线雷达功率谱数据中缺测数据的属性数据;基于属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组;将第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据;对第一雷达功率谱预测数据和第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据,解决了现有的风廓线雷达缺测数据的补齐方法的准确率较低的技术问题。
Description
技术领域
本发明涉及气象数据处理的技术领域,尤其是涉及一种风廓线雷达缺测数据的补齐方法和装置。
背景技术
风廓线雷达基于多普勒效应,利用大气湍流对电磁波的散射作用,通过发射电磁波对大气风场进行探测,可以连续获得大气中各高度的雷达回波功率,利用信号处理技术实现高时空分辨率的垂直风廓线资料。
风廓线雷达能够在晴空下接收到回波,是由于大气湍涡对电磁波的散射作用,但是晴空回波信号较弱,容易淹没在干扰和噪音中。所以,对雷达回波数据的分析和处理能力是风廓线雷达的重要指标。一般采用数据获取率来评价风廓线雷达的探测能力。
根据相关数据的统计分析,风廓线雷达在不同条件下的数据探测能力是不同的,阴雨天气的数据获取率大于晴天、夏季的数据获取率大于冬季、南方的数据获取率大于北方、低空的数据获取率大于高空。这说明高空、冬季、北方、晴天的条件下,风廓线雷达会出现数据缺测的情况,尤其是满足三个条件以上时,会出现多个高度层,较长时间的数据缺测情况。风廓线雷达出现数据缺测时,并不是代表大气在该高度上没有风。而是这个高度层没有足够大气湍涡,将电磁波反射回雷达天线上。
对风廓线雷达有数据需求的任务,都要求测风数据有较高的时间分辨率,例如航空航天、军事活动、临近预报等。如果出现较长时间的数据缺测问题,会影响任务的顺利完成。所以,需要采用可靠的方法补齐这些数据,为任务的顺利进行提供必要的保障。
目前,针对风廓线雷达数据缺测的补齐方法(或插值方法)主要分成3类。第一类是线性插值,通过相同高度层在前后时刻的风数据和线性插值算法,将数据插入到缺测时刻上,但是这类算法只适用于缺测时间较短的情况。第二类是数据相关法,通过建立与相邻数据源之间相同高度层风数据的相关性方程,当相关系数高于0.8以上,就可以利用相邻数据源补齐缺测的风数据。这类算法的要求比较高,不仅附近需要有类似的设备,还要求较高的相关系数,条件不容易满足。第三类方法是比值法,利用相邻数据源同期的平均风数据计算出比值K,计算出缺测时刻的风速数据。这类方法容易实现,但是缺乏理论支持,准确率难以保障。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种风廓线雷达缺测数据的补齐方法和装置,以缓解了现有的风廓线雷达缺测数据的补齐方法的准确率较低的技术问题。
第一方面,本发明实施例提供了一种风廓线雷达缺测数据的补齐方法,包括:在获取到待处理风廓线雷达功率谱数据序列之后,确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据,其中,所述属性数据包括:缺失时刻和缺失高度;基于所述属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组,其中,所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据,所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据;将所述第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据,其中,所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐;对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据。
进一步地,所述方法还包括:获取样本风廓线雷达功率谱数据序列;基于预设时间段和所述样本风廓线雷达功率谱数据对应的时间段,对所述样本风廓线雷达功率谱数据进行分类,得到多个样本集,其中,一个预设时间段对应一个样本集;利用所述多个样本集,对多个初始LSTM模型和多个初始CNN模型进行训练,得到多个目标LSTM模型和多个目标CNN模型,其中,一个样本集对应一个预设LSTM模型和一个预设CNN模型。
进一步地,获取样本风廓线雷达功率谱数据序列,包括:获取风廓线雷达数据序列和所述风廓线雷达数据序列对应的风廓线雷达产品;对所述样本风廓线雷达数据序列进行傅里叶变换,得到初始样本风廓线雷达功率谱数据序列;对所述风廓线雷达产品中的目标数据进行缺测值检查,并为所述风廓线雷达产品中的无缺测数据添加标记,其中,所述标记用于表征所述无缺测数据对应的时间和高度;确定出所述初始样本风廓线雷达功率谱数据序列中的中间风廓线雷达功率谱数据,其中,所述中间风廓线雷达功率谱数据为与所述标记时空对齐的风廓线雷达功率谱数据;基于所述中间风廓线雷达功率谱数据,构建所述样本风廓线雷达功率谱数据序列。
进一步地,所述方法还包括:确定出所述缺失时刻所处的预设时间段,基于所述缺失时刻所处的预设时间段对应的目标LSTM模型和目标CNN模型;将所述缺失时刻所处的预设时间段对应的目标LSTM模型和目标CNN模型,确定为所述预设LSTM模型和所述预设CNN模型。
进一步地,对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据,包括:利用预设融合公式,对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据,其中,所述预设融合公式为,/>和/>为/>时刻的第一雷达功率谱预测数据和第二雷达功率谱预测数据,和/>为/>时刻的第一雷达功率谱预测数据和第二雷达功率谱预测数据;/>和/>分别是预设LSTM模型和预设CNN模型的测试集归一化准确率,/>和分别是所述第一风廓线雷达功率谱数据组和所述第一风廓线雷达功率谱数据组的时空距离权重。
进一步地,所述初始LSTM模型包括:输入层,隐藏层和输出层,其中,所述隐藏层包括第一子隐藏层,第二子隐藏层和第三子隐藏层,所述输入层、所述第一子隐藏层,所述第二子隐藏层和所述第三子隐藏层依次采用二元链接结构进行链接,且链接方向为数据传播方向。
进一步地,所述初始CNN模型为Densenet神经网络结构且卷积核大小为7×7;所述初始CNN模型包括三层Dense Block结构和传导层,其中,所述传导层包括一个1×1的卷积和2×2的平均池化。
第二方面,本发明实施例还提供了一种风廓线雷达缺测数据的补齐装置,包括:第一确定单元,用于在获取到待处理风廓线雷达功率谱数据序列之后,确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据,其中,所述属性数据包括:缺失时刻和缺失高度;第二确定单元,用于基于所述属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组,其中,所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据,所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据;补齐单元,用于将所述第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据,其中,所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐;融合单元,用于对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序。
在本发明实施例中,通过在获取到待处理风廓线雷达功率谱数据序列之后,确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据,其中,所述属性数据包括:缺失时刻和缺失高度;基于所述属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组,其中,所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据,所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据;将所述第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据,其中,所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐;对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据,达到了对风廓线雷达数据中缺测高度层较多且缺测时间较长的缺测数据进行准确补齐的目的,进而解决了现有的风廓线雷达缺测数据的补齐方法的准确率较低的技术问题,从而实现了提高补齐风廓线雷达缺测数据的准确性的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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为本发明实施例提供的一种风廓线雷达缺测数据的补齐方法的流程图;
图2为本发明实施例提供的初始LSTM模型的示意图;
图3为本发明实施例提供的初始CNN模型的示意图;
图4为本发明实施例提供的一种风廓线雷达缺测数据的补齐装置的示意图;
图5为本发明实施例提供的一种电子设备的示意图。
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例一:
根据本发明实施例,提供了一种风廓线雷达缺测数据的补齐方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种风廓线雷达缺测数据的补齐方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,在获取到待处理风廓线雷达功率谱数据序列之后,确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据,其中,所述属性数据包括:缺失时刻和缺失高度;
步骤S104,基于所述属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组,其中,所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据,所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据;
步骤S106,将所述第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据,其中,所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐;
步骤S108,对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据。
在本发明实施例中,通过在获取到待处理风廓线雷达功率谱数据序列之后,确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据,其中,所述属性数据包括:缺失时刻和缺失高度;基于所述属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组,其中,所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据,所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据;将所述第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据,其中,所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐;对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据,达到了对风廓线雷达数据中缺测高度层较多且缺测时间较长的缺测数据进行准确补齐的目的,进而解决了现有的风廓线雷达缺测数据的补齐方法的准确率较低的技术问题,从而实现了提高补齐风廓线雷达缺测数据的准确性的技术效果。
在本发明实施例中,在对待处理风廓线雷达功率谱数据序列进行补齐之前,需要构建预设LSTM模型和预设CNN模型,构建预设LSTM模型和预设CNN模型包括如下步骤:
获取样本风廓线雷达功率谱数据序列;
基于预设时间段和所述样本风廓线雷达功率谱数据对应的时间段,对所述样本风廓线雷达功率谱数据进行分类,得到多个样本集,其中,一个预设时间段对应一个样本集;
利用所述多个样本集,对多个初始LSTM模型和多个初始CNN模型进行训练,得到多个目标LSTM模型和多个目标CNN模型,其中,一个样本集对应一个预设LSTM模型和一个预设CNN模型。
具体的,获取样本风廓线雷达功率谱数据序列,包括如下步骤:
获取风廓线雷达数据序列和所述风廓线雷达数据序列对应的风廓线雷达产品;
对所述样本风廓线雷达数据序列进行傅里叶变换,得到初始样本风廓线雷达功率谱数据序列;
对所述风廓线雷达产品中的目标数据进行缺测值检查,并为所述风廓线雷达产品中的无缺测数据添加标记,其中,所述标记用于表征所述无缺测数据对应的时间和高度;
确定出所述初始样本风廓线雷达功率谱数据序列中的中间风廓线雷达功率谱数据,其中,所述中间风廓线雷达功率谱数据为与所述标记时空对齐的风廓线雷达功率谱数据;
基于所述中间风廓线雷达功率谱数据,构建所述样本风廓线雷达功率谱数据序列。
在本发明实施例中,对风廓线雷达数据序列根据五波束(或三波束)回波功率,通过快速傅里叶变换(FFT)输出回波功率谱(即,初始样本风廓线雷达功率谱数据序列),实现风向、风速数据的计算。
接着,对风廓线雷达产品中风速风向数据进行缺测值检查,标记产品中无缺测数据的时间和高度。根据标记,匹配出时空对齐的初始样本风廓线雷达功率谱数据,组成样本风廓线雷达功率谱数据序列。
需要说明的是,上述的预设时间段一般根据全天太阳辐射能量的变化,分成三个时间段。第一个时间段为06:00~14:00,对应的初始LSTM模型命名为:mo-LSTM;第二个时间段为14:00~20:00,对应的初始LSTM模型命名为:af-LSTM;第三个时间段为20:00~06:00(第二天),对应的初始LSTM模型命名为:ni-LSTM。
如图2所示,三个初始LSTM模型均包括:输入层,隐藏层和输出层,其中,隐藏层包括第一子隐藏层,第二子隐藏层和第三子隐藏层,输入层、第一子隐藏层,第二子隐藏层和第三子隐藏层依次采用二元链接结构进行链接,且链接方向为数据传播方向。
在每个样本集中,抽取相同高度的时间序列功率谱数据作为一个训练的样本,由大量的样本构建训练子集。按照时间段分类,每个子集对应一个LSTM模型。
每个训练子集随机抽出10%的数据作为测试集,剩余的90%数据作为训练集。采用交叉验证法完成三个LSTM模型的训练,输出mo-LSTM、af-LSTM、ni-LSTM三个模型和测试结果。
同样的,第一个时间段对应的初始CNN模型命名为:mo-CNN;第二个时间段对应的初始CNN模型命名为:af-CNN;第三个时间段对应的初始CNN模型命名为:ni-CNN。
如图3所示,初始CNN模型采用Densenet神经网络结构,卷积核大小为7×7,采用三层Dense Block结构,传导层包括一个1×1的卷积和2×2的平均池化。
利用初始LSTM模型训练完成分类的三个集合。在每个集合中,抽取同一个数据文件中,各高度功率谱数据作为一个CNN训练的样本,由大量的CNN样本构建训练子集。按照时间段分类,每个子集对应一个初始CNN模型。
每个训练子集随机抽出10%的数据作为测试集,剩余的90%数据作为训练集。采用交叉验证法完成三个初始CNN模型的训练,输出mo-CNN、af-CNN、ni-CNN三个模型和测试结果。
下面对步骤S104进行说明。
根据风廓线雷达的缺测时间调用对应的LSTM模型,在缺测高度上,将10组相邻时刻的功率谱数据(即,第一风廓线雷达功率谱数据组)输入到预设LSTM模型中,模型输出为该高度上,缺测时刻的功率谱预测数据(即,第一雷达功率谱预测数据)。
根据风廓线雷达的缺测时间调用对应的预设CNN模型,利用缺测时空坐标确定功率谱数据文件和缺测高度层。读取该功率谱数据文件中,缺测高度附近的10组相邻功率谱数据作为输入(即,第二风廓线雷达功率谱数据组),CNN模型输出为该时刻、各缺测高度上的功率谱预测数据(即,第二雷达功率谱预测数据)。
在本发明实施例中,步骤S108包括如下步骤:
对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据,包括:
利用预设融合公式,对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据,其中,所述预设融合公式为,/>和/>为/>时刻的第一雷达功率谱预测数据和第二雷达功率谱预测数据,/>和为/>时刻的第一雷达功率谱预测数据和第二雷达功率谱预测数据;/>和/>分别是预设LSTM模型和预设CNN模型的测试集归一化准确率,/>和/>分别是所述第一风廓线雷达功率谱数据组和所述第一风廓线雷达功率谱数据组的时空距离权重。
式中,、/>分别是LSTM模型和CNN模型测试集的准确率;/>表示缺测数据的时刻;/>表示输入数据中,第i个数据的时刻,/>表示输入数据中,第一个数据时刻;/>表示缺测数据的高度;/>表示输入数据中,第i个数据的高度,/>表示输入数据中,第一个数据的高度。
本发明实施例主要针对风廓线雷达缺测高度层较多、缺测时间较长的情况,例如冬季的北方地区、高原地区及戈壁地区等。对于缺测数据较少的情况,可以采用线性插值。
与传统补齐方法相比,利用风廓线雷达回波功率谱来处理缺测的风速、风向数据,更接近底层数据,计算原理更加清晰。利用机器学习技术对功率谱进行训练,与直接学习风向、风速数据相比,具备更好的空间结构和时间逻辑性。
与线性插值等方法相比,利用LSTM模型进行时序上的预测,结合CNN模型的空间上的预测,更符合大气的非线性随机场的特点。功率谱融合方法更考虑模型的准确性和输入数据的时空权重,使融合后功率谱的准确率有进一步的提升。
实施例二:
本发明实施例还提供了一种风廓线雷达缺测数据的补齐装置,该风廓线雷达缺测数据的补齐装置用于执行本发明实施例上述内容所提供的风廓线雷达缺测数据的补齐方法,以下是本发明实施例提供的装置的具体介绍。
如图4所示,图4为上述风廓线雷达缺测数据的补齐装置的示意图,该风廓线雷达缺测数据的补齐装置包括:
第一确定单元10,用于在获取到待处理风廓线雷达功率谱数据序列之后,确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据,其中,所述属性数据包括:缺失时刻和缺失高度;
第二确定单元20,用于基于所述属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组,其中,所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据,所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据;
补齐单元30,用于将所述第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据,其中,所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐;
融合单元40,用于对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据。
在本发明实施例中,通过在获取到待处理风廓线雷达功率谱数据序列之后,确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据,其中,所述属性数据包括:缺失时刻和缺失高度;基于所述属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组,其中,所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据,所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据;将所述第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据,其中,所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐;对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据,达到了对风廓线雷达数据中缺测高度层较多且缺测时间较长的缺测数据进行准确补齐的目的,进而解决了现有的风廓线雷达缺测数据的补齐方法的准确率较低的技术问题,从而实现了提高补齐风廓线雷达缺测数据的准确性的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图5,本发明实施例还提供一种电子设备100,包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种风廓线雷达缺测数据的补齐方法,其特征在于,包括:
在获取到待处理风廓线雷达功率谱数据序列之后,确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据,其中,所述属性数据包括:缺失时刻和缺失高度;
基于所述属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组,其中,所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据,所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据;
将所述第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据,其中,所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐;
对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取样本风廓线雷达功率谱数据序列;
基于预设时间段和所述样本风廓线雷达功率谱数据对应的时间段,对所述样本风廓线雷达功率谱数据进行分类,得到多个样本集,其中,一个预设时间段对应一个样本集;
利用所述多个样本集,对多个初始LSTM模型和多个初始CNN模型进行训练,得到多个目标LSTM模型和多个目标CNN模型,其中,一个样本集对应一个预设LSTM模型和一个预设CNN模型。
3.根据权利要求1所述的方法,其特征在于,获取样本风廓线雷达功率谱数据序列,包括:
获取风廓线雷达数据序列和所述风廓线雷达数据序列对应的风廓线雷达产品;
对所述样本风廓线雷达数据序列进行傅里叶变换,得到初始样本风廓线雷达功率谱数据序列;
对所述风廓线雷达产品中的目标数据进行缺测值检查,并为所述风廓线雷达产品中的无缺测数据添加标记,其中,所述标记用于表征所述无缺测数据对应的时间和高度;
确定出所述初始样本风廓线雷达功率谱数据序列中的中间风廓线雷达功率谱数据,其中,所述中间风廓线雷达功率谱数据为与所述标记时空对齐的风廓线雷达功率谱数据;
基于所述中间风廓线雷达功率谱数据,构建所述样本风廓线雷达功率谱数据序列。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
确定出所述缺失时刻所处的预设时间段,基于所述缺失时刻所处的预设时间段对应的目标LSTM模型和目标CNN模型;
将所述缺失时刻所处的预设时间段对应的目标LSTM模型和目标CNN模型,确定为所述预设LSTM模型和所述预设CNN模型。
6.根据权利要求2所述的方法,其特征在于,
所述初始LSTM模型包括:输入层,隐藏层和输出层,其中,所述隐藏层包括第一子隐藏层,第二子隐藏层和第三子隐藏层,所述输入层、所述第一子隐藏层,所述第二子隐藏层和所述第三子隐藏层依次采用二元链接结构进行链接,且链接方向为数据传播方向。
7.根据权利要求2所述的方法,其特征在于,
所述初始CNN模型为Densenet神经网络结构且卷积核大小为7×7;
所述初始CNN模型包括三层Dense Block结构和传导层,其中,所述传导层包括一个1×1的卷积和2×2的平均池化。
8.一种风廓线雷达缺测数据的补齐装置,其特征在于,包括:
第一确定单元,用于在获取到待处理风廓线雷达功率谱数据序列之后,确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据,其中,所述属性数据包括:缺失时刻和缺失高度;
第二确定单元,用于基于所述属性数据,确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组,其中,所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据,所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据;
补齐单元,用于将所述第一风廓线雷达功率谱数据组输入预设LSTM模型,得到第一雷达功率谱预测数据,以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型,得到第二雷达功率谱预测数据,其中,所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐;
融合单元,用于对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合,得到目标雷达功率谱预测数据。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至7任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173445.9A CN115877345B (zh) | 2023-02-28 | 2023-02-28 | 一种风廓线雷达缺测数据的补齐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173445.9A CN115877345B (zh) | 2023-02-28 | 2023-02-28 | 一种风廓线雷达缺测数据的补齐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115877345A true CN115877345A (zh) | 2023-03-31 |
CN115877345B CN115877345B (zh) | 2023-05-30 |
Family
ID=85761648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310173445.9A Active CN115877345B (zh) | 2023-02-28 | 2023-02-28 | 一种风廓线雷达缺测数据的补齐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115877345B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501728A (zh) * | 2023-06-30 | 2023-07-28 | 国家海洋技术中心 | 水文气象自动观测系统实时业务数据文件生成方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109324328A (zh) * | 2018-12-17 | 2019-02-12 | 北京无线电测量研究所 | 提取降水时风廓线雷达垂直波束湍流谱的方法及装置 |
CN109581384A (zh) * | 2019-01-28 | 2019-04-05 | 中国气象局气象探测中心 | 基于多普勒天气雷达的晴空垂直风廓线探测方法及系统 |
CN110780300A (zh) * | 2019-10-31 | 2020-02-11 | 安徽四创电子股份有限公司 | 一种用于风廓线雷达的数据处理方法 |
CN110929963A (zh) * | 2019-12-16 | 2020-03-27 | 深圳智润新能源电力勘测设计院有限公司 | 风速预测方法、装置以及存储介质 |
CN111352113A (zh) * | 2020-04-01 | 2020-06-30 | 易天气(北京)科技有限公司 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
US20210150230A1 (en) * | 2019-11-15 | 2021-05-20 | Nvidia Corporation | Multi-view deep neural network for lidar perception |
CN114298134A (zh) * | 2021-11-11 | 2022-04-08 | 华能新能源股份有限公司 | 风电功率预测方法及装置、电子设备 |
CN114325874A (zh) * | 2021-08-02 | 2022-04-12 | 苏州市气象局 | 一种强对流天气个例库系统的建立方法 |
CN114385611A (zh) * | 2021-12-28 | 2022-04-22 | 北京慧辰资道资讯股份有限公司 | 一种基于人工智能算法和知识图谱的降水预测方法和系统 |
CN114498619A (zh) * | 2021-12-28 | 2022-05-13 | 天翼云科技有限公司 | 一种风电功率预测方法及装置 |
CN114911788A (zh) * | 2022-07-15 | 2022-08-16 | 中国长江三峡集团有限公司 | 一种数据插补方法、装置及存储介质 |
CN115508862A (zh) * | 2022-08-04 | 2022-12-23 | 成都思源智慧航空科技有限公司 | 一种基于激光雷达的机场风切变预警方法、电子设备及可读介质 |
CN115510739A (zh) * | 2022-09-01 | 2022-12-23 | 昆明理工大学 | 基于eemd-cnn-lstm的短期风电功率预测方法 |
-
2023
- 2023-02-28 CN CN202310173445.9A patent/CN115877345B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109324328A (zh) * | 2018-12-17 | 2019-02-12 | 北京无线电测量研究所 | 提取降水时风廓线雷达垂直波束湍流谱的方法及装置 |
CN109581384A (zh) * | 2019-01-28 | 2019-04-05 | 中国气象局气象探测中心 | 基于多普勒天气雷达的晴空垂直风廓线探测方法及系统 |
CN110780300A (zh) * | 2019-10-31 | 2020-02-11 | 安徽四创电子股份有限公司 | 一种用于风廓线雷达的数据处理方法 |
US20210150230A1 (en) * | 2019-11-15 | 2021-05-20 | Nvidia Corporation | Multi-view deep neural network for lidar perception |
CN110929963A (zh) * | 2019-12-16 | 2020-03-27 | 深圳智润新能源电力勘测设计院有限公司 | 风速预测方法、装置以及存储介质 |
CN111352113A (zh) * | 2020-04-01 | 2020-06-30 | 易天气(北京)科技有限公司 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
CN114325874A (zh) * | 2021-08-02 | 2022-04-12 | 苏州市气象局 | 一种强对流天气个例库系统的建立方法 |
CN114298134A (zh) * | 2021-11-11 | 2022-04-08 | 华能新能源股份有限公司 | 风电功率预测方法及装置、电子设备 |
CN114385611A (zh) * | 2021-12-28 | 2022-04-22 | 北京慧辰资道资讯股份有限公司 | 一种基于人工智能算法和知识图谱的降水预测方法和系统 |
CN114498619A (zh) * | 2021-12-28 | 2022-05-13 | 天翼云科技有限公司 | 一种风电功率预测方法及装置 |
CN114911788A (zh) * | 2022-07-15 | 2022-08-16 | 中国长江三峡集团有限公司 | 一种数据插补方法、装置及存储介质 |
CN115508862A (zh) * | 2022-08-04 | 2022-12-23 | 成都思源智慧航空科技有限公司 | 一种基于激光雷达的机场风切变预警方法、电子设备及可读介质 |
CN115510739A (zh) * | 2022-09-01 | 2022-12-23 | 昆明理工大学 | 基于eemd-cnn-lstm的短期风电功率预测方法 |
Non-Patent Citations (1)
Title |
---|
王国松等: "基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究", 《海洋学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501728A (zh) * | 2023-06-30 | 2023-07-28 | 国家海洋技术中心 | 水文气象自动观测系统实时业务数据文件生成方法及系统 |
CN116501728B (zh) * | 2023-06-30 | 2023-09-08 | 国家海洋技术中心 | 水文气象自动观测系统实时业务数据文件生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115877345B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Forecasting different types of convective weather: A deep learning approach | |
CN113496104B (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN112764129A (zh) | 一种雷暴短临预报方法、系统及终端 | |
CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN112069955B (zh) | 基于深度学习的台风强度遥感反演方法 | |
JP6689396B2 (ja) | 気象予測装置、気象予測方法、およびプログラム | |
JP2019211342A (ja) | 気象解析装置、気象解析方法、およびプログラム | |
CN113469278B (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
CN109492665A (zh) | 水稻生育期的检测方法、装置及电子设备 | |
CN112733394A (zh) | 一种大气参数反演方法及装置 | |
CN108154271A (zh) | 一种基于空间相关性和曲面拟合的地面气温质量控制方法 | |
CN115877345B (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
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 | |
Wong et al. | Automatic tropical cyclone eye fix using genetic algorithm | |
Briegel et al. | Modelling long-term thermal comfort conditions in urban environments using a deep convolutional encoder-decoder as a computational shortcut | |
CN107403004A (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
Sahoo et al. | Estimating atmospheric motion winds from satellite image data using space‐time drift models | |
CN112966656A (zh) | 数据处理方法及装置 | |
CN116704366A (zh) | 基于transformer深度学习模型的暴雨落区识别预警方法和装置 | |
Wang et al. | A rapid identification and warning method for severe weather via Doppler radar based on an improved TITAN algorithm | |
CN113553708B (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 |
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 |