CN116226675B - 云垂直结构数据构建方法、系统、设备及介质 - Google Patents
云垂直结构数据构建方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116226675B CN116226675B CN202310500445.5A CN202310500445A CN116226675B CN 116226675 B CN116226675 B CN 116226675B CN 202310500445 A CN202310500445 A CN 202310500445A CN 116226675 B CN116226675 B CN 116226675B
- Authority
- CN
- China
- Prior art keywords
- cloud
- vertical structure
- structure data
- signal
- training set
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种云垂直结构数据构建方法、系统、设备及介质,属于大气科学观测数据测量技术领域,该方法包括:获取气候区内训练集站点的常规观测数据;基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据;基于所述常规观测数据和所述训练集站点的联合反演云垂直结构数据,通过机器学习分类算法建立云垂直结构数据构建模型,基于所述云垂直结构数据构建模型,构建所述气候区所有站点的云垂直结构数据,实现了大范围高时间分辨率的云垂直结构数据获取。
Description
技术领域
本发明涉及大气科学观测数据测量技术领域,尤其涉及一种云垂直结构数据构建方法、系统、设备及介质。
背景技术
超过半数的行星地球上覆盖着云,云是地气系统中辐射收支最重要的调节器,在大气能量循环、水汽循环以及地球气候系统中扮演着重要的角色。云辐射效应是影响气候变化诸多因子中不确定性最大的因子之一,对云辐射效应影响显著的云垂直结构时空分布及其变化尚不清楚,天气和气候模式很难准确表达云的辐射效应。云垂直结构主要包括云层的数量、每层云的上下边界高度、云层的厚度等。
目前云垂直结构的获取手段主要是卫星主动传感器和地基主动遥感设备观测。卫星主动传感器,可以提供大范围云垂直结构信息,基于云雷达、激光雷达、云高仪等仪器的地基观测能够提供时间连续的云垂直结构,尤其是云底观测精度较高,提升地表辐射通量的计算精度。
卫星云主动传感器主要搭载在极轨卫星上,重访周期长,不能提供同一地点时间连续的云观测结果,时间分辨率低,现有的地基观测研究多为单站点、单仪器、短时段的观测,无法提供大范围的云垂直结构数据集。
发明内容
本发明提供一种云垂直结构数据构建方法、系统、设备及介质,用以解决现有技术中无法获取大范围、高时间分辨率的云垂直结构数据的缺陷,实现对大范围气候区的所有站点的云垂直结构数据的高时间分辨率的构建,扩展了应用场景。
本发明提供一种云垂直结构数据构建方法,包括:
获取气候区内训练集站点的常规观测数据;
基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据;
基于所述常规观测数据和所述训练集站点的联合反演云垂直结构数据,通过机器学习分类算法建立云垂直结构数据构建模型;
基于所述云垂直结构数据构建模型,构建所述气候区所有站点的云垂直结构数据。
根据本发明提供的一种云垂直结构数据构建方法,所述基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据,包括:
基于所述激光雷达信号计算信号梯度;
在所述信号梯度大于第一阈值的情况下,获取云层的下边界高度和上边界高度;
在所述信号梯度小于或等于第一阈值的情况下,结束反演。
根据本发明提供的一种云垂直结构数据构建方法,所述获取云层的下边界高度和上边界高度之后,还包括:
获取所述激光雷达信号在所述云层的下边界的信号衰减度;
获取所述激光雷达信号在所述云层的上边界的信噪比;
在所述云层的下边界的信号衰减度小于或等于第二阈值,且所述云层的上边界的信噪比大于或等于第三阈值的情况下,所述云层的下边界高度和上边界高度不变;
在所述云层的下边界的信号衰减度大于所述第二阈值,或所述云层的上边界的信噪比小于所述第三阈值的情况下,所述云层的下边界高度不变,基于所述云雷达信号更新所述云层的上边界高度。
根据本发明提供的一种云垂直结构数据构建方法,在所述通过机器学习分类算法建立云垂直结构数据构建模型之后,所述方法还包括:
获取所述气候区内测试集站点的联合反演云垂直结构数据;
基于所述测试集站点的联合反演云垂直结构数据,对所述云垂直结构数据构建模型进行测试。
根据本发明提供的一种云垂直结构数据构建方法,所述常规观测数据包括静止卫星数据、地面气象要素数据和再分析资料数据。
根据本发明提供的一种云垂直结构数据构建方法,所述机器学习分类算法为决策树算法。
本发明还提供一种云垂直结构数据构建系统,包括:
获取模块,用于获取气候区内训练集站点的常规观测数据和联合反演云垂直结构数据;
联合反演模块,用于基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据;
模型构建模块,用于基于所述常规观测数据和所述训练集站点的联合反演云垂直结构数据,通过机器学习分类算法建立云垂直结构数据构建模型;
数据构建模块,用于基于所述云垂直结构数据构建模型,构建所述气候区所有站点的云垂直结构数据。
根据本发明提供的一种云垂直结构数据构建系统,所述联合反演模块,具体包括:
信号梯度计算单元,用于基于所述激光雷达信号计算信号梯度;
处理单元,用于在所述信号梯度大于第一阈值的情况下,获取云层下边界高度和上边界高度;
或,在所述信号梯度小于或等于第一阈值的情况下,结束反演。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的云垂直结构数据构建方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的云垂直结构数据构建方法。
本发明提供的云垂直结构数据构建方法、系统、设备及介质,通过获取气候区内训练集站点的常规观测数据,以及训练集站点的云雷达信号和激光雷达信号,基于云雷达信号和激光雷达信号进行联合反演,得到训练集站点的联合反演云垂直结构数据,将常规观测数据和联合反演云垂直结构数据作为输入,通过机器学习分类算法建立云垂直结构数据构建模型,基于该模型可以构建气候区内所有站点的云垂直结构数据,该方法通过云雷达信号和激光雷达信号进行联合反演,可以得到训练集站点的高时间分辨率的云垂直结构数据,基于训练集站点的云垂直结构数据结合常规观测数据,共同构建的云垂直结构数据构建模型不仅可以实现气候区内大范围的云垂直结构数据的获取,还保证了云垂直结构数据的高时间分辨率,扩展了应用场景。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的云垂直结构数据构建方法的流程示意图之一;
图2是本发明提供的云垂直结构数据构建方法的流程示意图之二;
图3是本发明提供的云垂直结构数据构建方法的流程示意图之三;
图4是本发明提供的云垂直结构数据构建方法的流程示意图之四;
图5是本发明提供的云垂直结构数据构建系统的结构示意图;
图6是本发明提供的云垂直结构数据构建系统的联合反演模块的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中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。
下面结合图1-图7描述本发明的云垂直结构数据构建方法、系统、设备及介质。
图1是本发明提供的云垂直结构数据构建方法的流程示意图之一,如图1所示,该方法包括:
S1、获取气候区内训练集站点的常规观测数据;
本发明的云垂直结构数据构建方法的应用领域为大气科学气候观测数据处理技术领域。可选的,在本实施例中,本发明的云垂直结构数据构建方法的执行主体是云垂直结构数据系统,可以通过与该系统连接的具有数据获取功能的任何电子设备进行数据的查看和获取,例如可以为智能手机、台式电脑、手提电脑等任何一种。
可选的,在本实施例中,在同一气候区内,云的特征一般具备较高的相似性,且气候区的范围较大。在每个气候区内会分布多个观测站点,这些观测站点会配有相应的大气科学检测仪器。但是气候区内也存在很多普通站点,不具备相应的检测条件。在本步骤中,将气候区内所有的观测站点分为两类,选取一部分观测站点作为训练集站点,一部分观测站点作为测试集站点,训练集站点和测试集站点的选取,在气候区的地域分布上要尽量平均,保证后续训练数据的相对客观性。
在具体实施中,直接获取训练集站点内的常规观测数据。常规观测数据包括静止卫星数据,地面气象要素数据和再分析资料数据中。地面气象要素驱动数据集,包括近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率共7个要素。再分析资料数据包括高度、温度、湿度、气压、风速、风向等数据。
S2、基于训练集站点的云雷达信号和激光雷达信号进行联合反演,得到训练集站点的联合反演云垂直结构数据;
可选的,在本实施例中,卫星主动遥感设备主要包括星载云雷达和星载激光雷达,可以为CloudSat星载云雷达和星载激光雷达(Cloud-Aerosol Lidar and InfraredSatellite Observation,CALIPSO),CloudSat星载云雷达可以连续观测云层的云底高度、云层厚度、云量等一些宏观的参数,星载激光雷达具有较高的测量精度和垂直分辨率。
在具体实施中,激光雷达的测量波长较短,对小粒子尤其敏感,因而可以探测到对流层中的任何云。但是激光雷达信号在云中衰减很快,有低云或雾出现时,往往不能有效探测到上层云的高度;对于光学厚度较大的云,也由于激光雷达信号的衰减使得探测的云顶高度往往比实际的高度偏低。而云雷达信号的测量波长较长,云雷达信号在云中穿透力很强,不仅可以探测到低层云,还可以穿透低层云得到多层云的信息。但云雷达对云中的小粒子不敏感,因而当大气中无降水时,探测的云顶高度偏低,云底高度偏高;有降水产生时,云底的探测往往受降水粒子影响明显偏低。
也就是说,两者单独测量时,都存在测量结果有一定偏差的情况,因此,需要联合云雷达信号和激光雷达信号来提供云层上下边界的信息,结果会更为可靠。对气候区内具有观测条件的观测站点,利用云雷达信号和激光雷达信号进行联合反演,得到训练集站点的联合反演云垂直结构数据。
在本实施例中,云垂直结构主要包括云层的数量、每层云的上下边界高度、云层的厚度等,对云辐射效应影响显著。
S3、基于常规观测数据和训练集站点的联合反演云垂直结构数据,通过机器学习分类算法建立云垂直结构数据构建模型;
可选的,在本实施例中,机器学习分类算法选取的是决策树算法,是一种机器学习算法。决策树算法是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于零的概率。机器学习中,决策树是一个预测模型,代表的是对象属性与对象值的一种映射关系。无序状态测量(Entropy)指系统的凌乱程度。使用算法ID3,C4.5和C5.0生成树算法使用熵。
在决策树算法中,每个内部节点表示一个属性上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别。决策树算法是一种常用的分类方法,是一种监督学习。监督学习是指给定一堆样本,每个样本都有一组属性和一个类别,这些类别是事先确定的,通过学习得到一个分类器,这个分类器能够对新出现的对象给出正确的分类。
在本实施例中,将训练集站点的常规观测数据作为“特征”输入,包括静止卫星数据、地面气象要素数据以及再分析资料中的高度、温度、湿度、气压、风速、风向等;将训练集站点基于云雷达信号和激光雷达信号经过联合反演得到的云垂直结构数据随高度进行离散化,因为该云垂直结构数据是自下而上进行每一层云的识别,将云垂直结构数据基于云层高度进行离散化,针对每个高度是否存在云作为决策树的“标签”,即有云和无云。
在具体实施中,可视化建立云垂直结构数据构建模型的过程,经过分析,探索,修剪参数,得到最终的云垂直结构数据构建模型。修剪参数,在决策树算法中即为剪枝处理,在具体实施中,决策树分支可能过多,以致于把训练集自身的一些特征当作所有数据都具有的一般性质而导致过拟合。决策树越复杂,过拟合的程度会越高。因此在决策树建立过程中,主动去掉一些分支来降低过拟合的风险。将一颗子树的子节点全部删掉,根节点作为叶子节点,有预剪枝和后剪枝两种方案。
在决策树生成的过程中,每个决策节点原本是按照信息增益、信息增益率或者基尼指数等纯度指标进行节点排布,按照值越大,优先级越高来排布节点。由于预剪枝操作,所以对每个节点在划分之前要对节点进行是否剪枝判断,即:使用验证集按照该节点的划分规则得出结果。若验证集精度提升,则不进行裁剪,划分得以确定;若验证集精度不变或者下降,则进行裁剪,并将当前节点标记为叶子节点。已经通过训练集生成一颗决策树,然后自底向上地对决策节点(非叶子结点)用测试集进行考察,若将该节点对应的子树替换为叶子节点能提升验证集的精确度,则将该子树替换成叶子节点,该决策树泛化能力提升。
S4、基于云垂直结构数据构建模型,构建气候区所有站点的云垂直结构数据。
可选的,在本实施例中,气候区内包含很多站点,不具备观测条件,无法获得大范围的云垂直结构数据,基于上述步骤得到的云垂直结构数据构建模型,根据同一气候区内云垂直结构数据特征相似的特点,可以构建气候区内所有站点的云垂直结构数据。
本实施例提供的云垂直结构数据构建方法,使用云雷达信号和激光雷达信号进行联合反演,得到训练集站点的联合反演云垂直结构数据,避开了单一仪器漏测的缺陷,使得训练集站点的云垂直结构数据对于云层下边界高度和上边界高度的测试结果都更加准确,受到天气状态影响的可能性更小,并且实现了高时间分辨率的观测;同时获取训练集站点的常规观测数据,与上述联合反演云垂直结构数据作为决策树算法的输入,构建云垂直结构数据构建模型,由于在同一气候区内,云垂直结构数据具有一定的相似性,通过机器学习分类算法建立的云垂直结构数据构建模型,可以构建同一气候区内的其他无测试条件的普通站点的云垂直结构数据,最终可以形成大范围的云垂直结构数据集,实现了大范围高时间分辨率的云垂直结构数据的构建,扩展了大气气候观测的应用场景。
基于上述实施例,进一步的,上述S2,得到联合反演云垂直结构数据的步骤如下,图2是本发明提供的云垂直结构数据构建方法的流程示意图之二,如图2所示,该步骤具体包括:
S21、基于激光雷达信号计算信号梯度;
可选的,在本实施例中,利用激光雷达信号自下而上计算信号梯度,基于不同高度,对每一层云层进行探测识别;
S22、判断信号梯度是否大于第一阈值:在信号梯度大于第一阈值的情况下,执行S23;在信号梯度小于或等于第一阈值的情况下,结束反演;
S23、获取云层下边界高度和上边界高度。
可选的,在本实施例中,通过第一阈值对激光雷达信号计算的信号梯度进行判断,在信号梯度大于第一阈值的情况下,认为此时是有云的,获取此时激光雷达信号识别出的云层下边界高度和云层上边界高度,但是由于激光雷达信号在云内的信号衰减速度较快,此时的云层上边界高度不一定是准确的,还需要后续进行判断。在信号梯度小于或等于第一阈值的情况下,认为在当前高度是无云的,直接结束当前反演,进入下一高度的探测。
本实施例提供的云垂直结构数据构建方法,通过激光雷达基于阈值法对于每一高度是否存在云层进行判断,由于激光雷达波长短,对云中小颗粒物足够敏感,可以探测到对流层中的任何云,因此先使用激光雷达信号进行先行探测,确定每一个分层高度是否存在云层,若存在云层,则可以首先确定云层下边界的高度,便于后续的处理。
基于上述实施例,进一步的,S23之后,还包括后续处理步骤,图3是本发明提供的云垂直结构数据构建方法的流程示意图之三,如图3所示,在获取云层下边界高度和上边界高度之后步骤还包括:
S231、获取激光雷达信号在云层下边界的信号衰减度;
S232、获取激光雷达信号在云层上边界的信噪比;
S233、判断云层下边界的信号衰减度是否小于或等于第二阈值,且云层上边界的信噪大于或等于第三阈值;
在云层下边界的信号衰减度小于或等于第二阈值,且所述云层上边界的信噪比大于或等于第三阈值的情况下,云层下边界高度和上边界高度不变;
在云层下边界的信号衰减度大于第二阈值,云层上边界的信噪比小于第三阈值的情况下,执行S234。
S234、云层下边界高度不变,基于云雷达信号更新云层上边界高度。
基于上述步骤确定当前高度存在云之后,利用激光雷达信号在运底以上的信号衰减度和信噪比,进行后续判定,通常云的后向散射系数远大于气溶胶,所以,当激光传输遇到云层时,后向散射信号就有一个明显的峰值,随后信号会因为云颗粒的消光作用急剧衰减,经过一层较厚的云到达云顶时,信号幅度下降至和云底信号幅值类似,在激光雷达信号在云底以上的信号衰减度小于或等于第二阈值,并且云层上边界以上的信噪比大于或等于第三阈值的情况下,判断当前高度的云为薄云或高空卷云,此时说明云层的光学厚度较小,激光雷达信号的衰减速度并没有很快,受到的影响较小,可以直接使用激光雷达信号确定当前高度的云层下边界高度和上边界高度,此时,云层下边界高度和上边界高度不变;
在当前高度云底以上的信号衰减度大于第二阈值,或者云层上边界的信噪比小于第三阈值的情况下,说明当前高度的云层是削光较强的中低云或者光学厚度较大的云层,在这种情况下,激光雷达信号易受到较大影响,对于云层上边界高度的探测结果易出错,一般会比实际情况低,此时则使用云雷达确定云层上边界的高度,更新上述步骤通过激光雷达获取的当前高度云层上边界高度。
在具体实施中,在每一高度进行当前云层识别后,自下而上继续识别,重复上述步骤,直到高度为15KM,此时可以结束反演,输出云层数量以及每层云的上边界高度和下边界高度,上述的第一阈值、第二阈值、第三阈值是需要基于训练集站点的实际情况,进行反复调试的,并且最终得到的个例站点反演结果,需要与工作人员人眼识别的情况进行对比,当个例站点反演结果与人眼识别结果一致时,结束阈值调整并输出结果。
本实施例提供的云垂直结构数据构建方法,在激光雷达信号探测的基础上,引入云雷达信号,云雷达信号波长较长,信号穿透力强,不仅可以探测到低层云,还可以穿透低层云得到多层云的信息,但是云雷达信号对云层中的小粒子不敏感,在无降水时探测结果也会不准确,因此,本实施例通过激光雷达信号和云雷达信号,基于阈值判断法,进行联合反演,获得典型训练集站点的联合反演云垂直结构数据,包括云层个数,每层云的下边界高度和上边界高度,使得训练输入数据更加准确可靠。
基于上述实施例,进一步的,在上述S3之后,还需要进行测试调整,图4是本发明提供的云垂直结构数据构建方法的流程示意图之四,如图4所示,在构建了云垂直结构数据构建模型之后,还包括以下步骤:
S41、获取气候区内测试集站点的联合反演云垂直结构数据;
S42、基于测试集站点的联合反演云垂直结构数据,对云垂直结构数据构建模型进行测试。
可选的,在具体实施中,气候区内具有测试条件的测试站点,被分为两类,为训练集站点和测试集站点,以此基于决策树算法进行模型构建,测试集站点需要提供联合反演云垂直结构数据,由于上述数据是较为精确结果,将其作为测试集来测试当前云垂直结构数据构建模型是否已经达到可用标准,若能通过该云垂直结构数据构建模型可以获取与测试集站点云垂直结构数据相同的数据,则可以确定云垂直结构数据构建模型可以有效建立其他普通站点的云垂直结构数据。
本实施例提供的云垂直结构数据构建方法,通过将一部分具有测试条件的测试站点作为测试集站点,用于对建立的云垂直结构数据构建模型进行输出测试,保证了云垂直结构数据构建模型的可用性,确保该云垂直结构数据构建模型可以有效重建其他普通站点的云垂直结构数据,达到获取大范围气候区云垂直结构数据集的目的。
基于上述实施例,进一步的,本实施例提供的云垂直结构数据构建方法中的常规观测数据包括静止卫星数据、地面气象要素数据和再分析资料数据。其中,地面气象要素驱动数据集,包括近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率共7个要素,再分析资料数据包括高度、温度、湿度、气压、风速、风向等数据。
本实施例提供的云垂直结构数据中通过将常规观测数据作为机器学习分类算法计算的特征,保证了后续数据构建的全面性,一定程度上扩展了该方法的应用场景。
下面对本发明提供的云垂直结构数据构建系统进行描述,下文描述的云垂直结构数据构建系统与上文描述的云垂直结构数据构建方法可相互对应参照。
图5是本发明提供的云垂直结构数据构建系统的结构示意图,如图5所示,本实施例的云垂直结构数据构建系统,包括:
获取模块51,用于获取气候区内训练集站点的常规观测数据和联合反演云垂直结构数据;
联合反演模块52,用于基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据;
模型构建模块53,用于基于所述常规观测数据和所述训练集站点的联合反演云垂直结构数据,通过机器学习分类算法建立云垂直结构数据构建模型;
数据构建模块54,用于基于所述云垂直结构数据构建模型,构建所述气候区所有站点的云垂直结构数据。
本实施例提供的云垂直结构数据构建系统,通过各个模块之间的相互配合,实现了气候区内云垂直结构数据集的获取,使用联合反演模块,基于云雷达信号和激光雷达信号进行联合反演,得到训练集站点的联合反演云垂直结构数据,避开了单一仪器漏测的缺陷,使得训练集站点的云垂直结构数据对于云层下边界高度和上边界高度的测试结果都更加准确,受到天气状态影响的可能性更小,并且实现了高时间分辨率的观测;通过获取模块获取训练集站点的常规观测数据,与上述联合反演云垂直结构数据作为决策树算法的输入,基于模型构建模块构建云垂直结构数据构建模型,由于在同一气候区内,云垂直结构数据具有一定的相似性,通过机器学习算法建立的云垂直结构数据构建模型,可以构建同一气候区内的其他无测试条件的站点的云垂直结构数据,最终可以形成大范围的云垂直结构数据集,实现了大范围高时间分辨率的云垂直结构数据的构建,扩展了大气观测的应用场景。
基于上述实施例,进一步的,图6是本发明提供的云垂直结构数据构建系统的联合反演模块的结构示意图,如图6所示,上述联合反演模块52具体包括:
信号梯度计算单元521,用于基于所述激光雷达信号计算信号梯度;
处理单元522,用于在所述信号梯度大于第一阈值的情况下,获取云层下边界高度和上边界高度;
或,在所述信号梯度小于或等于第一阈值的情况下,结束反演。
在具体实施中,处理单元522内部可以进行基于第一阈值的判定,实现当前高度是否存在云层的判定。
本实施例提供的云垂直结构数据构建系统,通过激光雷达基于阈值法对于每一高度是否存在云层进行判断,由于激光雷达波长短,对云中小颗粒物足够敏感,可以探测到对流层中的任何云,因此先使用信号梯度计算单元通过激光雷达信号进行先行探测,再通过处理单元确定每一个分层高度是否存在云层,若存在云层,则可以首先确定云层下边界的高度,便于后续的处理。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行云垂直结构数据构建方法,该方法包括:获取气候区内训练集站点的常规观测数据;基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据;基于所述常规观测数据和所述训练集站点的联合反演云垂直结构数据,通过机器学习分类算法建立云垂直结构数据构建模型;基于所述云垂直结构数据构建模型,构建所述气候区所有站点的云垂直结构数据。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的云垂直结构数据构建方法,该方法包括:获取气候区内训练集站点的常规观测数据;基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据;基于所述常规观测数据和所述训练集站点的联合反演云垂直结构数据,通过机器学习分类算法建立云垂直结构数据构建模型;基于所述云垂直结构数据构建模型,构建所述气候区所有站点的云垂直结构数据。
以上所描述的系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种云垂直结构数据构建方法,其特征在于,包括:
获取气候区内训练集站点的常规观测数据;
基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据;
基于所述常规观测数据和所述训练集站点的联合反演云垂直结构数据,通过机器学习分类算法建立云垂直结构数据构建模型;
基于所述云垂直结构数据构建模型,构建所述气候区所有站点的云垂直结构数据;
所述基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据,包括:
基于所述激光雷达信号计算信号梯度;
在所述信号梯度大于第一阈值的情况下,获取云层的下边界高度和上边界高度;
在所述信号梯度小于或等于第一阈值的情况下,结束反演;
所述获取云层的下边界高度和上边界高度之后,还包括:
获取所述激光雷达信号在所述云层的下边界的信号衰减度;
获取所述激光雷达信号在所述云层的上边界的信噪比;
在所述云层的下边界的信号衰减度小于或等于第二阈值,且所述云层的上边界的信噪比大于或等于第三阈值的情况下,所述云层的下边界高度和上边界高度不变;
在所述云层的下边界的信号衰减度大于所述第二阈值,或所述云层的上边界的信噪比小于所述第三阈值的情况下,所述云层的下边界高度不变,基于所述云雷达信号更新所述云层的上边界高度。
2.根据权利要求1所述的云垂直结构数据构建方法,其特征在于,在所述通过机器学习分类算法建立云垂直结构数据构建模型之后,所述方法还包括:
获取所述气候区内测试集站点的联合反演云垂直结构数据;
基于所述测试集站点的联合反演云垂直结构数据,对所述云垂直结构数据构建模型进行测试。
3.根据权利要求1所述的云垂直结构数据构建方法,其特征在于,所述常规观测数据包括静止卫星数据、地面气象要素数据和再分析资料数据。
4.根据权利要求1所述的云垂直结构数据构建方法,其特征在于,所述机器学习分类算法为决策树算法。
5.一种云垂直结构数据构建系统,其特征在于,包括:
获取模块,用于获取气候区内训练集站点的常规观测数据和联合反演云垂直结构数据;
联合反演模块,用于基于所述训练集站点的云雷达信号和激光雷达信号进行联合反演,得到所述训练集站点的联合反演云垂直结构数据;
模型构建模块,用于基于所述常规观测数据和所述训练集站点的联合反演云垂直结构数据,通过机器学习分类算法建立云垂直结构数据构建模型;
数据构建模块,用于基于所述云垂直结构数据构建模型,构建所述气候区所有站点的云垂直结构数据;
所述联合反演模块,具体用于:
信号梯度计算单元,用于基于所述激光雷达信号计算信号梯度;
处理单元,用于在所述信号梯度大于第一阈值的情况下,获取云层下边界高度和上边界高度;
或,在所述信号梯度小于或等于第一阈值的情况下,结束反演;
所述处理单元还包括:
第一获取单元,用于获取所述激光雷达信号在所述云层的下边界的信号衰减度;
第二获取单元,用于获取所述激光雷达信号在所述云层的上边界的信噪比;
在所述云层的下边界的信号衰减度小于或等于第二阈值,且所述云层的上边界的信噪比大于或等于第三阈值的情况下,所述云层的下边界高度和上边界高度不变;
在所述云层的下边界的信号衰减度大于所述第二阈值,或所述云层的上边界的信噪比小于所述第三阈值的情况下,所述云层的下边界高度不变,基于所述云雷达信号更新所述云层的上边界高度。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述的云垂直结构数据构建方法。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的云垂直结构数据构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310500445.5A CN116226675B (zh) | 2023-05-06 | 2023-05-06 | 云垂直结构数据构建方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310500445.5A CN116226675B (zh) | 2023-05-06 | 2023-05-06 | 云垂直结构数据构建方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116226675A CN116226675A (zh) | 2023-06-06 |
CN116226675B true CN116226675B (zh) | 2023-09-01 |
Family
ID=86569822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310500445.5A Active CN116226675B (zh) | 2023-05-06 | 2023-05-06 | 云垂直结构数据构建方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226675B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105445816A (zh) * | 2015-12-14 | 2016-03-30 | 中国气象局气象探测中心 | 一种云雷达与卫星探测数据融合方法及系统 |
CN111191594A (zh) * | 2019-12-30 | 2020-05-22 | 华中科技大学 | 一种基于多源卫星数据的云底高度反演方法及系统 |
-
2023
- 2023-05-06 CN CN202310500445.5A patent/CN116226675B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105445816A (zh) * | 2015-12-14 | 2016-03-30 | 中国气象局气象探测中心 | 一种云雷达与卫星探测数据融合方法及系统 |
CN111191594A (zh) * | 2019-12-30 | 2020-05-22 | 华中科技大学 | 一种基于多源卫星数据的云底高度反演方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于随机森林算法的 FY-4A 云底高度估计方法;谭仲辉等;《红外与毫米波学报》;第38卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116226675A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10474770B2 (en) | Simulation device, simulation method, and memory medium | |
Mueller et al. | Attribution of Arctic sea ice decline from 1953 to 2012 to influences from natural, greenhouse gas, and anthropogenic aerosol forcing | |
CN112446397B (zh) | 基于遥感和随机森林的产草量估算方法、装置及存储介质 | |
Tesfamichael et al. | Investigating the impact of discrete-return lidar point density on estimations of mean and dominant plot-level tree height in Eucalyptus grandis plantations | |
Shang et al. | Estimating stem diameter distributions in a management context for a tolerant hardwood forest using ALS height and intensity data | |
Hadas et al. | Automatic estimation of olive tree dendrometric parameters based on airborne laser scanning data using alpha-shape and principal component analysis | |
Duncan Jr et al. | Evaluating convective planetary boundary layer height estimations resolved by both active and passive remote sensing instruments during the CHEESEHEAD19 field campaign | |
CN115700370A (zh) | 碳储量计算方法、装置、电子设备和存储介质 | |
CN116609858A (zh) | 一种基于可解释性XGBoost模型的热带气旋大气波导预测方法及系统 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
Pegion et al. | Understanding predictability of daily southeast US precipitation using explainable machine learning | |
CN117541679B (zh) | 基于样本点个体代表性的森林冠层高度制图方法和系统 | |
CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
CN109212553A (zh) | 无人机LiDAR和随机森林提取银杏生物物理特性的方法 | |
CN116226675B (zh) | 云垂直结构数据构建方法、系统、设备及介质 | |
CN115688955A (zh) | 植被长势预测方法、装置及存储介质 | |
CN114863369B (zh) | 激光雷达监测玉米倒伏的方法、装置、设备及介质 | |
CN111597692A (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
CN116189796A (zh) | 基于机器学习的星载短波红外co2柱浓度估算方法 | |
JP6883829B1 (ja) | 樹木判別プログラム | |
Qing-Dao-Er-Ji et al. | Research on data mining algorithm of meteorological observation based on data quality control algorithm | |
Sureh et al. | Meteorological Drought Assessment and Prediction in Association with Combination of Atmospheric Circulations and Meteorological Parameters via Rule Based Models | |
CN117907248B (zh) | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
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 |