CN116359877A - 一种基于风廓线雷达的大雾天气监测方法和装置 - Google Patents

一种基于风廓线雷达的大雾天气监测方法和装置 Download PDF

Info

Publication number
CN116359877A
CN116359877A CN202310619012.1A CN202310619012A CN116359877A CN 116359877 A CN116359877 A CN 116359877A CN 202310619012 A CN202310619012 A CN 202310619012A CN 116359877 A CN116359877 A CN 116359877A
Authority
CN
China
Prior art keywords
power spectrum
spectrum data
wind profile
profile radar
data
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
Application number
CN202310619012.1A
Other languages
English (en)
Other versions
CN116359877B (zh
Inventor
何思远
王宇翔
胡进
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.)
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information Technology Co Ltd
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 Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202310619012.1A priority Critical patent/CN116359877B/zh
Publication of CN116359877A publication Critical patent/CN116359877A/zh
Application granted granted Critical
Publication of CN116359877B publication Critical patent/CN116359877B/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
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于风廓线雷达的大雾天气监测方法和装置，涉及大雾天气监测的技术领域，包括：获取样本风廓线雷达功率谱数据和地面能见度数据；对样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据；确定出第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；基于目标回波功率谱数据和目标地面能见度数据，对预设VIS‑P模型进行训练，得到目标VIS‑P模型；获取到风廓线雷达的雷达天线接收到的天线回波功率后，利用目标VIS‑P模型和天线回波功率，确定出天线回波功率对应的预设高度层的水平能见度数据，解决了大雾天气中，多个高度层能见度测量准确率低的技术问题。

Description

一种基于风廓线雷达的大雾天气监测方法和装置
技术领域
本发明涉及大雾天气监测的技术领域，尤其是涉及一种基于风廓线雷达的大雾天气监测方法和装置。
背景技术
目前，当大雾天气发生后，对大雾天气实现监测的方法分为两种，一种是依赖于能见度测量设备的地面监测方法，另一种是依赖于GPS卫星信号的遥感反演方法。
第一种方法主要是依靠设备对地面能见度的测量。地面能见度设备主要分成两类，一种是透射能见度仪，通过测量水平空气柱的平均消光系数来测量能见度。另一种是散射能见度仪，无论前向散射还是后向散射能见度仪，都是通过测量取样空气块的散射光来测量能见度的。虽然，地面能见度测量设备在准确性和时间分辨率方面具备很强的优势，但是，用地面的能见度数据直接估计空中能见度实况，缺乏理论的支撑，存在较大的误差。
依赖于GPS卫星信号的遥感反演方法，主要是利用GPS信号穿越大气层时，产生了时间延迟，而这种延迟主要是由于大气中的水汽含量导致。通过建立模型，反演出各高度的水汽含量。然而，各高度层在没有实时气温的条件下，用水汽含量表示大雾的情况会存在一些误差，再考虑到反演模型本身的误差，就会降低大雾天气监测的准确性。
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基于风廓线雷达的大雾天气监测方法和装置，以缓解了大雾天气中，多个高度层能见度测量准确率低的技术问题。
第一方面，本发明实施例提供了一种基于风廓线雷达的大雾天气监测方法，包括：获取样本风廓线雷达功率谱数据和所述样本风廓线雷达功率谱数据对应的地面能见度数据，其中，所述样本风廓线雷达功率谱数据为大雾天气对应的风廓线雷达功率谱数据；按照预设高度分辨率对所述样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据，并提取出第一预设高度层的样本风廓线雷达功率谱数据的目标回波功率谱数据，其中，所述第一预设高度层的样本风廓线雷达功率谱数据为所述预设高度层的样本风廓线雷达功率谱数据中最低高度层的风廓线雷达功率谱数据；基于所述样本风廓线雷达功率谱数据对应的地面能见度数据，确定出所述第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，其中，所述目标VIS-P模型用于利用回波功率谱数据计算出回波功率谱数据对应的水平能见度数据；在获取到风廓线雷达的雷达天线接收到的天线回波功率之后，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据。
进一步地，回波功率谱数据包括：多普勒谱宽、原始回波功率和平均噪音功率；所述预设VIS-P模型的表达式为
Figure SMS_1
，其中，/>
Figure SMS_6
为水平能见度数据，/>
Figure SMS_9
为噪音平均功率，/>
Figure SMS_2
为多普勒谱宽/>
Figure SMS_5
内各点的原始回波功率，/>
Figure SMS_8
为多普勒谱宽/>
Figure SMS_11
内各点的权重，/>
Figure SMS_3
为转换函数，
Figure SMS_4
，/>
Figure SMS_7
为转换系数，/>
Figure SMS_10
为转换底数。
进一步地，基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，包括：基于所述预设VIS-P模型的表达式，构建决策回归树；基于所述决策回归树，所述目标回波功率谱数据和所述目标地面能见度数据，对所述决策回归树进行训练，计算出目标数据，其中，所述目标数据包括：多普勒谱宽
Figure SMS_12
内各点的原始回波功率的权重，转换系数和转换底数；将所述目标数据代入所述预设VIS-P模型的表达式，得到所述目标VIS-P模型。
进一步地，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据，包括：对所述天线回波功率进行损失回波功率补偿订正，得到预设高度层的当前风廓线雷达功率谱数据，并提取出所述预设高度层的当前风廓线雷达功率谱数据中每一预设高度层的当前风廓线雷达功率谱数据的目标回波功率谱数据；将所述每一预设高度层的当前风廓线雷达功率谱数据的目标回波功率谱数据输入所述目标VIS-P模型，得到所述每一预设高度层的当前水平能见度数据。
进一步地，对所述天线回波功率进行损失回波功率补偿订正，得到预设高度层的当前风廓线雷达功率谱数据，包括：利用逐高度订正算法，对所述天线回波功率进行损失回波功率补偿订正，得到预设高度层的当前风廓线雷达功率谱数据，其中，所述逐高度订正算法的表达式为
Figure SMS_15
，/>
Figure SMS_17
为第/>
Figure SMS_19
个预设高度层的当前风廓线雷达功率谱数据，/>
Figure SMS_14
为第/>
Figure SMS_16
个预设高度层的天线回波功率，/>
Figure SMS_18
为第一预设高度层到第/>
Figure SMS_20
预设高度层的透射率，/>
Figure SMS_13
为所述预设高度分辨率。
进一步地，所述方法还包括：基于所述第一预设高度层的当前地面能见度数据，地面能见度测量仪监测到的所述第一预设高度层的实际地面能见度数据和插值算法，确定出偏差值；利用所述偏差值，对所述每一预设高度层的当前地面能见度数据进行偏差订正。
第二方面，本发明实施例还提供了一种基于风廓线雷达的大雾天气监测装置，包括：获取单元，用于获取样本风廓线雷达功率谱数据和所述样本风廓线雷达功率谱数据对应的地面能见度数据，其中，所述样本风廓线雷达功率谱数据为大雾天气对应的风廓线雷达功率谱数据；提取单元，用于按照预设高度分辨率对所述样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据，并提取出第一预设高度层的样本风廓线雷达功率谱数据的目标回波功率谱数据，其中，所述第一预设高度层的样本风廓线雷达功率谱数据为所述预设高度层的样本风廓线雷达功率谱数据中最低高度层的风廓线雷达功率谱数据；确定单元，用于基于所述第一预设高度层的样本风廓线雷达功率谱数据对应的地面能见度数据，确定出所述第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；训练单元，用于基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，其中，所述目标VIS-P模型用于利用回波功率谱数据计算出回波功率谱数据对应的水平能见度数据；监测单元，在获取到风廓线雷达的雷达天线接收到的天线回波功率之后，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据。
进一步地，回波功率谱数据包括：多普勒谱宽、原始回波功率和平均噪音功率；所述预设VIS-P模型的表达式为
Figure SMS_22
，其中，/>
Figure SMS_24
为水平能见度数据，/>
Figure SMS_27
为噪音平均功率，/>
Figure SMS_23
为多普勒谱宽/>
Figure SMS_25
内各点的原始回波功率，/>
Figure SMS_29
为多普勒谱宽/>
Figure SMS_31
内各点的权重，/>
Figure SMS_21
为转换函数，
Figure SMS_26
，/>
Figure SMS_28
为转换系数，/>
Figure SMS_30
为转换底数。
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，通过获取样本风廓线雷达功率谱数据和所述样本风廓线雷达功率谱数据对应的地面能见度数据，其中，所述样本风廓线雷达功率谱数据为大雾天气对应的风廓线雷达功率谱数据；按照预设高度分辨率对所述样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据，并提取出第一预设高度层的样本风廓线雷达功率谱数据的目标回波功率谱数据，其中，所述第一预设高度层的样本风廓线雷达功率谱数据为所述预设高度层的样本风廓线雷达功率谱数据中最低高度层的风廓线雷达功率谱数据；基于所述样本风廓线雷达功率谱数据对应的地面能见度数据，确定出所述第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，其中，所述目标VIS-P模型用于利用回波功率谱数据计算出回波功率谱数据对应的水平能见度数据；在获取到风廓线雷达的雷达天线接收到的天线回波功率之后，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据，达到了利用风廓线雷达数据对大雾天气时各高度层进行能见度监测的目的，进而解决了大雾天气中，多个高度层能见度测量准确率低的技术问题，从而实现了提高多个高度层能见度测量准确率的技术效果。
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基于风廓线雷达的大雾天气监测方法的流程图；
图2为本发明实施例提供的风廓线雷达回波功率传播示意图；
图3为本发明实施例提供的一种基于风廓线雷达的大雾天气监测装置的示意图；
图4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，提供了一种基于风廓线雷达的大雾天气监测方法的实施例，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基于风廓线雷达的大雾天气监测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取样本风廓线雷达功率谱数据和所述样本风廓线雷达功率谱数据对应的地面能见度数据，其中，所述样本风廓线雷达功率谱数据为大雾天气对应的风廓线雷达功率谱数据；
在本发明实施例中，样本风廓线雷达功率谱数据为边界层风廓线雷达（探测高度0～3000m）在大雾天气的数据产品。
步骤S104，按照预设高度分辨率对所述样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据，并提取出第一预设高度层的样本风廓线雷达功率谱数据的目标回波功率谱数据，其中，所述第一预设高度层的样本风廓线雷达功率谱数据为所述预设高度层的样本风廓线雷达功率谱数据中最低高度层的风廓线雷达功率谱数据；
在本发明实施例中，样本风廓线雷达功率谱数据为从地面到3000m高空的数据，按照50m的高度分辨率，分为60个高度层。
具体的，回波功率谱数据包括：多普勒谱宽、原始回波功率和平均噪音功率。
步骤S106，基于所述样本风廓线雷达功率谱数据对应的地面能见度数据，确定出所述第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；
步骤S108，基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，其中，所述目标VIS-P模型用于利用回波功率谱数据计算出回波功率谱数据对应的水平能见度数据；
步骤S110，在获取到风廓线雷达的雷达天线接收到的天线回波功率之后，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据。
在本发明实施例中，通过获取样本风廓线雷达功率谱数据和所述样本风廓线雷达功率谱数据对应的地面能见度数据，其中，所述样本风廓线雷达功率谱数据为大雾天气对应的风廓线雷达功率谱数据；按照预设高度分辨率对所述样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据，并提取出第一预设高度层的样本风廓线雷达功率谱数据的目标回波功率谱数据，其中，所述第一预设高度层的样本风廓线雷达功率谱数据为所述预设高度层的样本风廓线雷达功率谱数据中最低高度层的风廓线雷达功率谱数据；基于所述样本风廓线雷达功率谱数据对应的地面能见度数据，确定出所述第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，其中，所述目标VIS-P模型用于利用回波功率谱数据计算出回波功率谱数据对应的水平能见度数据；在获取到风廓线雷达的雷达天线接收到的天线回波功率之后，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据，达到了利用风廓线雷达数据对大雾天气时各高度层进行能见度监测的目的，进而解决了大雾天气中，多个高度层能见度测量准确率低的技术问题，从而实现了提高多个高度层能见度测量准确率的技术效果。
在本发明实施例中，步骤S108包括如下步骤：
基于所述预设VIS-P模型的表达式，构建决策回归树；
基于所述决策回归树，所述目标回波功率谱数据和所述目标地面能见度数据，对所述决策回归树进行训练，计算出目标数据，其中，所述目标数据包括：多普勒谱宽
Figure SMS_32
内各点的原始回波功率，转换系数和转换底数；
将所述目标数据代入所述预设VIS-P模型的表达式，得到所述目标VIS-P模型。
在本发明实施例中，原始回波功率
Figure SMS_33
是由多普勒谱宽/>
Figure SMS_34
内的多点功率/>
Figure SMS_35
构成。而每个高度层/>
Figure SMS_36
是的产生原因是由于大气湍流和雾滴对电磁波的散射，并且雾滴产生的瑞利散射贡献度较大。利用/>
Figure SMS_37
、/>
Figure SMS_38
和能见度构建预设VIS-P模型，预设VIS-P模型的表达如下：
Figure SMS_39
Figure SMS_40
式中，
Figure SMS_41
为水平能见度，/>
Figure SMS_42
为原始回波功率，/>
Figure SMS_43
为噪音平均功率，/>
Figure SMS_44
为多普勒谱宽/>
Figure SMS_45
内各点的原始回波功率，/>
Figure SMS_46
是权重，/>
Figure SMS_47
为转换函数，形式如下：
Figure SMS_48
式中，
Figure SMS_49
为转换系数，通过回归计算获得；/>
Figure SMS_50
为转换底数，通过回归计算获取。
在构建出预设VIS-P模型之后，根据预设VIS-P模型计算公式，建立决策回归树。
Figure SMS_51
为第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据，/>
Figure SMS_55
为目标回波功率谱数据中的原始回波功率和平均噪音功率。训练数据为第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据（/>
Figure SMS_59
）和目标回波功率谱数据（包括/>
Figure SMS_53
、/>
Figure SMS_58
和/>
Figure SMS_62
），构建训练集[(/>
Figure SMS_65
,/>
Figure SMS_52
,/>
Figure SMS_56
),(/>
Figure SMS_61
,/>
Figure SMS_64
,/>
Figure SMS_54
),…(/>
Figure SMS_57
,/>
Figure SMS_60
,/>
Figure SMS_63
)]。
通过完成决策回归树训练，实现权重
Figure SMS_66
、转换系数/>
Figure SMS_67
、转换底数/>
Figure SMS_68
的回归计算，完成初始VIS-P模型的参数化配置，得到目标VIS-P模型。
在本发明实施例中，步骤S110包括如下步骤：
对所述天线回波功率进行损失回波功率补偿订正，得到预设高度层的当前风廓线雷达功率谱数据，并提取出所述预设高度层的当前风廓线雷达功率谱数据中每一预设高度层的当前风廓线雷达功率谱数据的目标回波功率谱数据；
将所述每一预设高度层的当前风廓线雷达功率谱数据的目标回波功率谱数据输入所述目标VIS-P模型，得到所述每一预设高度层的当前地面能见度数据。
在本发明实施例中，风廓线雷达发射的电磁波被大气散射后，其后向散射的功率称为回波功率，经过各个高度层，返回到雷达天线。每个高度层在该高度上的回波功率，称为风廓线雷达功率谱数据；天线接收到该高度层的回波功率称为天线回波功率。
如图2所示，
Figure SMS_69
、/>
Figure SMS_70
、…、/>
Figure SMS_71
表示第二高度层、第三高度层到第n高度层的当前风廓线雷达功率谱数据，/>
Figure SMS_72
、/>
Figure SMS_73
表示风廓线雷达天线接收到的第二高度层、第三高度层到第n高度层的天线回波功率。/>
Figure SMS_74
在经过多个高度层到达天线时，路径上的气象目标物会产生散射，损失一定的功率。本发明实施例中需要获取各高度层的当前风廓线雷达功率谱数据，所以对损失的功率要进行补偿订正。
由于每个高度层雾滴浓度的分布是不一定均匀的，导致损失回波功率
Figure SMS_75
也是不同的，所以采用逐高度订正算法，具体公式如下：
Figure SMS_76
式中，
Figure SMS_78
为第/>
Figure SMS_81
个预设高度层的当前风廓线雷达功率谱数据，/>
Figure SMS_85
为第/>
Figure SMS_77
个预设高度层的天线回波功率，/>
Figure SMS_83
为第一预设高度层到第/>
Figure SMS_87
预设高度层的透射率，/>
Figure SMS_89
为所述预设高度分辨率。具体计算时，第一预设高度层的当前风廓线雷达功率谱数据等于天线回波功率，即/>
Figure SMS_80
。第二预设高度层，取/>
Figure SMS_84
，根据雷达测量的
Figure SMS_88
计算出第一预设高度层的当前风廓线雷达功率谱数据/>
Figure SMS_90
。然后，第三个预设高度层，计算透射率/>
Figure SMS_79
，根据雷达测量的/>
Figure SMS_82
计算出第三预设高度层的当前风廓线雷达功率谱数据/>
Figure SMS_86
。以此类推。
通过逐高度层订正，得到各高度层的当前风廓线雷达功率谱数据。
针对每一预设高度层的当前风廓线雷达功率谱数据，提取每一预设高度层的当前风廓线雷达功率谱数据的目标回波功率谱数据。
然后，将每一预设高度层的当前风廓线雷达功率谱数据的目标回波功率谱数据输入目标VIS-P模型，得到每一预设高度层的当前地面能见度数据。
在本发明实施例中，所述方法还包括如下步骤：
基于所述第一预设高度层的当前地面能见度数据，地面能见度测量仪监测到的所述第一预设高度层的实际地面能见度数据和插值算法，确定出偏差值；
利用所述偏差值，对所述每一预设高度层的当前地面能见度数据进行偏差订正。
在本发明实施例中，利用大雾天气中雾滴粒子对风廓线雷达回波的影响来进行计算。风廓线雷达基于多普勒效应，晴空条件下，利用大气湍流对电磁波的散射作用，可以连续获得大气中的雷达回波功率，利用信号处理技术实现高时空分辨率的垂直风廓线资料。而在大雾天气下，大气中小雾滴满足瑞利散射定律，小雾滴浓度越大增加风廓线雷达的反射功率就越大；小雾滴的体积越大，增加风廓线雷达的反射功率也越大，反之亦然。而小雾滴的体积、浓度和大气的消光系数具有同样的关系。导致能见度与风廓线雷达回波功率存在一定的函数关系。
根据风廓线雷达的这个特性，提取回波功率谱，利用机器学习技术，学习能见度和回波功率的函数关系，构建VIS-P模型。通过地面能见度和回波功率数据完成模型的训练。最后，将VIS-P模型用于大雾天气下的风廓线雷达中，利用各高度层的回波功率输出能见度数值，实现各高度层大雾的监测。
实施例二：
本发明实施例还提供了一种基于风廓线雷达的大雾天气监测装置，该 装置用于执行本发明实施例上述内容所提供的基于风廓线雷达的大雾天气监测方法，以下是本发明实施例提供的基于风廓线雷达的大雾天气监测装置的具体介绍。
如图3所示，图3为上述基于风廓线雷达的大雾天气监测装置的示意图，该基于风廓线雷达的大雾天气监测装置包括：
获取单元10，用于获取样本风廓线雷达功率谱数据和所述样本风廓线雷达功率谱数据对应的地面能见度数据，其中，所述样本风廓线雷达功率谱数据为大雾天气对应的风廓线雷达功率谱数据；
提取单元20，用于按照预设高度分辨率对所述样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据，并提取出第一预设高度层的样本风廓线雷达功率谱数据的目标回波功率谱数据，其中，所述第一预设高度层的样本风廓线雷达功率谱数据为所述预设高度层的样本风廓线雷达功率谱数据中最低高度层的风廓线雷达功率谱数据；
确定单元30，用于基于所述第一预设高度层的样本风廓线雷达功率谱数据对应的地面能见度数据，确定出所述第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；
训练单元40，用于基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，其中，所述目标VIS-P模型用于利用回波功率谱数据计算出回波功率谱数据对应的水平能见度数据；
监测单元50，在获取到风廓线雷达的雷达天线接收到的天线回波功率之后，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据。
在本发明实施例中，通过获取样本风廓线雷达功率谱数据和所述样本风廓线雷达功率谱数据对应的地面能见度数据，其中，所述样本风廓线雷达功率谱数据为大雾天气对应的风廓线雷达功率谱数据；按照预设高度分辨率对所述样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据，并提取出第一预设高度层的样本风廓线雷达功率谱数据的目标回波功率谱数据，其中，所述第一预设高度层的样本风廓线雷达功率谱数据为所述预设高度层的样本风廓线雷达功率谱数据中最低高度层的风廓线雷达功率谱数据；基于所述样本风廓线雷达功率谱数据对应的地面能见度数据，确定出所述第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，其中，所述目标VIS-P模型用于利用回波功率谱数据计算出回波功率谱数据对应的水平能见度数据；在获取到风廓线雷达的雷达天线接收到的天线回波功率之后，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据，达到了利用风廓线雷达数据对大雾天气时各高度层进行能见度监测的目的，进而解决了大雾天气中，多个高度层能见度测量准确率低的技术问题，从而实现了提高多个高度层能见度测量准确率的技术效果。
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4，本发明实施例还提供一种电子设备100，包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61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63（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62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4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61用于存储程序，所述处理器60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60中，或者由处理器60实现。
处理器60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60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60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61，处理器60读取存储器61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)

1.一种基于风廓线雷达的大雾天气监测方法，其特征在于，包括：
获取样本风廓线雷达功率谱数据和所述样本风廓线雷达功率谱数据对应的地面能见度数据，其中，所述样本风廓线雷达功率谱数据为大雾天气对应的风廓线雷达功率谱数据；
按照预设高度分辨率对所述样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据，并提取出第一预设高度层的样本风廓线雷达功率谱数据的目标回波功率谱数据，其中，所述第一预设高度层的样本风廓线雷达功率谱数据为所述预设高度层的样本风廓线雷达功率谱数据中最低高度层的风廓线雷达功率谱数据；
基于所述样本风廓线雷达功率谱数据对应的地面能见度数据，确定出所述第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；
基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，其中，所述目标VIS-P模型用于利用回波功率谱数据计算出回波功率谱数据对应的水平能见度数据；
在获取到风廓线雷达的雷达天线接收到的天线回波功率之后，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据。
2.根据权利要求1所述的方法，其特征在于，
回波功率谱数据包括：多普勒谱宽、原始回波功率和平均噪音功率；
所述预设VIS-P模型的表达式为
Figure QLYQS_2
，其中，/>
Figure QLYQS_4
为水平能见度数据，/>
Figure QLYQS_7
为噪音平均功率，/>
Figure QLYQS_3
为多普勒谱宽/>
Figure QLYQS_5
内各点的原始回波功率，/>
Figure QLYQS_8
为多普勒谱宽/>
Figure QLYQS_10
内各点的权重，/>
Figure QLYQS_1
为转换函数，
Figure QLYQS_6
，/>
Figure QLYQS_9
为转换系数，/>
Figure QLYQS_11
为转换底数。
3.根据权利要求2所述的方法，其特征在于，基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，包括：
基于所述预设VIS-P模型的表达式，构建决策回归树；
基于所述决策回归树，所述目标回波功率谱数据和所述目标地面能见度数据，对所述决策回归树进行训练，计算出目标数据，其中，所述目标数据包括：多普勒谱宽
Figure QLYQS_12
内各点的原始回波功率的权重，转换系数和转换底数；
将所述目标数据代入所述预设VIS-P模型的表达式，得到所述目标VIS-P模型。
4.根据权利要求1所述的方法，其特征在于，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据，包括：
对所述天线回波功率进行损失回波功率补偿订正，得到预设高度层的当前风廓线雷达功率谱数据，并提取出所述预设高度层的当前风廓线雷达功率谱数据中每一预设高度层的当前风廓线雷达功率谱数据的目标回波功率谱数据；
将所述每一预设高度层的当前风廓线雷达功率谱数据的目标回波功率谱数据输入所述目标VIS-P模型，得到所述每一预设高度层的当前水平能见度数据。
5.根据权利要求4所述的方法，其特征在于，对所述天线回波功率进行损失回波功率补偿订正，得到预设高度层的当前风廓线雷达功率谱数据，包括：
利用逐高度订正算法，对所述天线回波功率进行损失回波功率补偿订正，得到预设高度层的当前风廓线雷达功率谱数据，其中，所述逐高度订正算法的表达式为
Figure QLYQS_15
，/>
Figure QLYQS_16
为第/>
Figure QLYQS_18
个预设高度层的当前风廓线雷达功率谱数据，/>
Figure QLYQS_14
为第/>
Figure QLYQS_17
个预设高度层的天线回波功率，/>
Figure QLYQS_19
为第一预设高度层到第/>
Figure QLYQS_20
预设高度层的透射率，/>
Figure QLYQS_13
为所述预设高度分辨率。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
基于所述第一预设高度层的当前地面能见度数据，地面能见度测量仪监测到的所述第一预设高度层的实际地面能见度数据和插值算法，确定出偏差值；
利用所述偏差值，对所述每一预设高度层的当前地面能见度数据进行偏差订正。
7.一种基于风廓线雷达的大雾天气监测装置，其特征在于，包括：
获取单元，用于获取样本风廓线雷达功率谱数据和所述样本风廓线雷达功率谱数据对应的地面能见度数据，其中，所述样本风廓线雷达功率谱数据为大雾天气对应的风廓线雷达功率谱数据；
提取单元，用于按照预设高度分辨率对所述样本风廓线雷达功率谱数据进行分层，得到预设高度层的样本风廓线雷达功率谱数据，并提取出第一预设高度层的样本风廓线雷达功率谱数据的目标回波功率谱数据，其中，所述第一预设高度层的样本风廓线雷达功率谱数据为所述预设高度层的样本风廓线雷达功率谱数据中最低高度层的风廓线雷达功率谱数据；
确定单元，用于基于所述第一预设高度层的样本风廓线雷达功率谱数据对应的地面能见度数据，确定出所述第一预设高度层的样本风廓线雷达功率谱数据对应的目标地面能见度数据；
训练单元，用于基于所述目标回波功率谱数据和所述目标地面能见度数据，对预设VIS-P模型进行训练，得到目标VIS-P模型，其中，所述目标VIS-P模型用于利用回波功率谱数据计算出回波功率谱数据对应的水平能见度数据；
监测单元，在获取到风廓线雷达的雷达天线接收到的天线回波功率之后，利用所述目标VIS-P模型和所述天线回波功率，确定出所述天线回波功率对应的预设高度层的水平能见度数据。
8.根据权利要求7所述的装置，其特征在于，
回波功率谱数据包括：多普勒谱宽、原始回波功率和平均噪音功率；
所述预设VIS-P模型的表达式为
Figure QLYQS_23
，其中，/>
Figure QLYQS_24
为水平能见度数据，/>
Figure QLYQS_27
为噪音平均功率，/>
Figure QLYQS_22
为多普勒谱宽/>
Figure QLYQS_26
内各点的原始回波功率，/>
Figure QLYQS_29
为多普勒谱宽/>
Figure QLYQS_31
内各点的权重，/>
Figure QLYQS_21
为转换函数，
Figure QLYQS_25
，/>
Figure QLYQS_28
为转换系数，/>
Figure QLYQS_30
为转换底数。
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6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6任一项所述方法的步骤。
CN202310619012.1A 2023-05-30 2023-05-30 一种基于风廓线雷达的大雾天气监测方法和装置 Active CN116359877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310619012.1A CN116359877B (zh) 2023-05-30 2023-05-30 一种基于风廓线雷达的大雾天气监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310619012.1A CN116359877B (zh) 2023-05-30 2023-05-30 一种基于风廓线雷达的大雾天气监测方法和装置

Publications (2)

Publication Number Publication Date
CN116359877A true CN116359877A (zh) 2023-06-30
CN116359877B CN116359877B (zh) 2023-08-15

Family

ID=86910671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310619012.1A Active CN116359877B (zh) 2023-05-30 2023-05-30 一种基于风廓线雷达的大雾天气监测方法和装置

Country Status (1)

Country Link
CN (1) CN116359877B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130321200A1 (en) * 2012-05-31 2013-12-05 LogLinear Group, LLC Wide band clear air scatter doppler radar
CN109827906A (zh) * 2019-01-31 2019-05-31 西安理工大学 一种激光雷达斜程能见度的反演方法
WO2020025984A1 (en) * 2018-08-01 2020-02-06 Pantazis Alexandros Method of use of a lidar device and operatively associated lidar data processing unit for providing real-time monitoring of meteorological parameters
CN113504525A (zh) * 2021-08-16 2021-10-15 中国气象局气象探测中心 一种雾区能见度反演方法及系统
CN114279915A (zh) * 2021-12-24 2022-04-05 青岛镭测创芯科技有限公司 一种大气颗粒物浓度反演方法及相关组件
CN114966899A (zh) * 2022-07-27 2022-08-30 南京云熙遥感科技有限公司 一种基于多源多元遥感技术协同的区域能见度预测方法
CN115526272A (zh) * 2022-10-26 2022-12-27 成都锦江电子系统工程有限公司 基于多源资料融合的低云低能见度天气识别及反演方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130321200A1 (en) * 2012-05-31 2013-12-05 LogLinear Group, LLC Wide band clear air scatter doppler radar
WO2020025984A1 (en) * 2018-08-01 2020-02-06 Pantazis Alexandros Method of use of a lidar device and operatively associated lidar data processing unit for providing real-time monitoring of meteorological parameters
CN109827906A (zh) * 2019-01-31 2019-05-31 西安理工大学 一种激光雷达斜程能见度的反演方法
CN113504525A (zh) * 2021-08-16 2021-10-15 中国气象局气象探测中心 一种雾区能见度反演方法及系统
CN114279915A (zh) * 2021-12-24 2022-04-05 青岛镭测创芯科技有限公司 一种大气颗粒物浓度反演方法及相关组件
CN114966899A (zh) * 2022-07-27 2022-08-30 南京云熙遥感科技有限公司 一种基于多源多元遥感技术协同的区域能见度预测方法
CN115526272A (zh) * 2022-10-26 2022-12-27 成都锦江电子系统工程有限公司 基于多源资料融合的低云低能见度天气识别及反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIAN CHEN, ET AL.: "Estimating the visibility in foggy weather based on meteorological and video data: A Recurrent Neural Network approach", 《IET SIGNAL PROCESSING》, vol. 12164 *
熊兴隆等: "测风激光雷达应用于机场能见度及云底高探测", 《激光与红外》, vol. 40, no. 8 *

Also Published As

Publication number Publication date
CN116359877B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN109543353B (zh) 三维水汽反演方法、装置、设备和计算机可读存储介质
Lopez Direct 4D-Var assimilation of NCEP stage IV radar and gauge precipitation data at ECMWF
Demuth et al. Evaluation of Advanced Microwave Sounding Unit tropical-cyclone intensity and size estimation algorithms
Hutchinson et al. Development and testing of Canada-wide interpolated spatial models of daily minimum–maximum temperature and precipitation for 1961–2003
Wattrelot et al. Operational implementation of the 1D+ 3D-Var assimilation method of radar reflectivity data in the AROME model
Matrosov et al. The utility of X-band polarimetric radar for quantitative estimates of rainfall parameters
Zhang et al. A real-time algorithm for the correction of brightband effects in radar-derived QPE
Christiansen et al. Wind resource assessment from C-band SAR
Zinevich et al. Frontal rainfall observation by a commercial microwave communication network
CN112782701B (zh) 一种基于雷达的能见度感知的方法、系统及设备
Lien et al. Statistical properties of global precipitation in the NCEP GFS model and TMPA observations for data assimilation
JP6689396B2 (ja) 気象予測装置、気象予測方法、およびプログラム
CN116879297B (zh) 土壤水分协同反演的方法、装置、设备和介质
CN115189762B (zh) 星地激光通信地面站通信可用度的检测方法及装置
Yang et al. Preliminary validation of ocean surface vector winds estimated from China’s HY-2A scatterometer
Kuligowski et al. Impact of TRMM data on a low-latency, high-resolution precipitation algorithm for flash-flood forecasting
CN108663727B (zh) 利用蒸发率在世界海域范围内估算蒸发波导高度的方法
CN115758667A (zh) 一种联合探测反演海上大气温湿廓线方法
CN116359877B (zh) 一种基于风廓线雷达的大雾天气监测方法和装置
CN115877345B (zh) 一种风廓线雷达缺测数据的补齐方法和装置
CN116823579A (zh) 一种高山冰川湖泊水量变化预测方法和系统
CN116186493B (zh) 基于数值模式校正的气象预报方法、装置、设备和介质
Rao et al. Mean vertical velocities measured by Indian MST radar and comparison with indirectly computed values
CN114488107B (zh) 一种海杂波时空分布及影响分级产品制作的方法及装置
CN114252875B (zh) 一种成像高度计数据的高精度网格化方法

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