CN116381692B - 一种基于x波段双偏振雷达的降水相态识别qpe算法 - Google Patents

一种基于x波段双偏振雷达的降水相态识别qpe算法 Download PDF

Info

Publication number
CN116381692B
CN116381692B CN202310412280.6A CN202310412280A CN116381692B CN 116381692 B CN116381692 B CN 116381692B CN 202310412280 A CN202310412280 A CN 202310412280A CN 116381692 B CN116381692 B CN 116381692B
Authority
CN
China
Prior art keywords
phase
polarization
precipitation
radar
phase state
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
CN202310412280.6A
Other languages
English (en)
Other versions
CN116381692A (zh
Inventor
戴竹君
权婉晴
姜有山
刘冬晴
孙正齐
陆华标
韩照全
朱鑫君
束宇
于堃
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.)
Nanjing Meteorological Observatory
Original Assignee
Nanjing Meteorological Observatory
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 Nanjing Meteorological Observatory filed Critical Nanjing Meteorological Observatory
Priority to CN202310412280.6A priority Critical patent/CN116381692B/zh
Publication of CN116381692A publication Critical patent/CN116381692A/zh
Application granted granted Critical
Publication of CN116381692B publication Critical patent/CN116381692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01S13/958—Theoretical aspects
    • 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
    • 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
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Algebra (AREA)
  • Atmospheric Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于X波段双偏振雷达的降水相态识别QPE算法，本发明在双偏振QPE算法基础上，引入基于相态识别的最优降水强度估测算法（HCA‑LIQ）。首先利用雷达扫描区域的相态识别结果作为参量，区分降水相态类型，然后在此基础上依照不同类型分别进行最优化QPE计算。该算法减少了降水类型及相关微物理过程造成的QPE误差，提升了QPE的准确度。

Description

一种基于X波段双偏振雷达的降水相态识别QPE算法
技术领域
本发明属于气象预测技术领域，尤其涉及基于天气雷达观测衍生的定量降水估测QPE技术。
背景技术
目前，我国双偏振雷达的定量降水估测（QPE）算法采取双偏振QPE算法配合小时雨量订正算法（OHP-ADJUST），利用雷达观测偏振量阈值选择最优化QPE计算公式，并利用地面小时雨量观测对所得QPE进行订正。然而，因我国存在诸多不同气候区域，降水类型及降水相关微物理过程往往差异巨大，计算所得QPE也因此存在较大误差，即便利用地面雨量订正，所得QPE的准确度仍经常无法满足后续计算要求。
发明内容
发明目的：针对上述现有存在的问题和不足，本发明的目的是提供了一种基于X波段双偏振雷达的降水相态识别QPE算法，本发明在双偏振QPE算法基础上，引入基于相态识别的最优降水强度估测算法（HCA-LIQ），减少了降水类型及相关微物理过程造成的QPE误差，提升了QPE的准确度。
技术方案：为实现上述发明目的，本发明采用以下技术方案：一种基于X波段双偏振雷达的降水相态识别QPE算法，包括以下步骤：
步骤S1，获取雷达最低两层仰角的观测偏振量，然后通过模糊逻辑算法对雷达观测偏振量进行相态识别算法，得到最低两层仰角的回波相态；所述雷达观测偏振量的采集方式基于仰角下的不同方位角和方位角下不同观测距离，得到的的二维数组HCA，其中/>为某层仰角的方位角数量，/>为每一方位角上观测距离的数量；二位数组HCA中每个元素的取值都会是/>中的某一元素；
步骤S2，通过将最低两层仰角的回波相态数据进行融合，从而得到相似连续高度的低层大气粒子回波相态识别数据，来减少不同高度偏振量变化对定量降水估测计算的影响；
步骤S3，基于步骤S2得到回波相态识别数据，通过最优降水强度估测算法HCA-LIQ，实现不同相态类型的定量降水的估测。
进一步的，步骤S1中所述雷达最低两层仰角的度数分别为0.5°和1.4°。
进一步的，步骤S1中所述最低两层仰角的回波相态的相态识别算法过程如下：
（1）首先，将不同相态类型记为一维数组，其中，数组I中数值分别代表的相态类型编号，具体如下：0表示地物，1表示晴空，2表示冰晶，3表示干雪，4表示.湿雪，5表示霰，6表示大滴，7表示雨，8表示大雨，9表示雹；
（2）然后，采用同一观测时次同一仰角的全方位角全距离的6种雷达偏振量作为输入量，所述6种雷达偏振量包括：回波反射率Z，差分反射率ZDR，相关系数ρ，差分相移率KDP的对数坐标LDKP，Z的标准差SD(Z)，差分相移ΦDP的标准差SD(ΦDP；
（3）针对二维数组HCA中的每个雷达观测偏振值，基于每种输入量不同的所有相态类型建立梯形隶属函数，其中i为相态类型的编号；/>表示6种雷达偏振量中的第j个输入量；
（4）基于二维数组HCA中的每个雷达观测偏振值在不同相态类型的梯形隶属函数，根据不同相态类型按下式（1）进行加权平均计算，得到第i个相态类型的合成值，
（1）
式中，表示第i个相态类型的合成值，/>；/>表示第i个相态类型下的第j个输入量的隶属函数值，/>表示第i个相态下第j个输入量的权重；
最后得到二维数组HCA各个雷达观测偏振量的不同相态类型下的合成值，/>为长度为10的一维数组；
（5）对步骤（4）得到的二维数组HCA上每一点上的合成值进行由大到小排序，/>中的最大值/>，其类型编号n所对应的/>即为该元素所识别出的相态结果；
（6）将步骤（5）识别得到的相态结果，与偏振量硬边界阈值进行对比，偏振量硬边界阈值是指，HCA二维数组中每一点的6种输入量偏振量，以及该点的径向速度V，只在各自一定阈值范围内才能保证该点相态确定为计算所得；若二维数组中某点相态识别为，但该点7种偏振量中存在不满足阈值范围情况，则判定该点相态/>为错误分类，此时，应取该点合成值数组/>中的次大值/>所在的/>为该元素的相态分类；对/>同样进行上述计算，若依旧不满足则取该点合成值数组/>中第三大值，以此类推，直到该点7种偏振量均位于相态/>的偏振量硬边界阈值范围内；
（7）最后，对HCA二维数组其余元素进行偏振量硬边界阈值对比，直到全体相态识别结果均满足偏振量硬边界阈值条件，完成。
进一步的，步骤（1）中所述差分相移率KDP 的对数坐标LDKP通过下式（2）得到，
（2）。
进一步的，步骤（3）中所述各雷达偏振量的不同相态类型包括地物、晴空、冰晶、干雪、湿雪、霰、大滴、雨、大雨和雹，并建立以下隶属函数，
（3）
式中，表示某点第/>个相态类型下的第/>个输入量的隶属函数，/>、/>、/>和/>分别为隶属函数参数，/>为该点输入的某类偏振量值，/>为第/>个输入量，当/>=1时，代表该点在输入量/>为/>时，处于/> 相态可能性最高，当/>=0时，代表该点处于相态可能性最低，当/>为一次函数时，代表该点处于/>可能性随/>值变化而升高或降低。
进一步的，步骤（4）中所述第个相态类型下的第/>个输入量的权重/>如下：
进一步的，步骤（6）中所述偏振量硬边界条件如下：
进一步的，步骤S1中所述雷达从原点起前2/3距离库采用1.4°仰角层相态，后1/3距离库采用0.5°仰角层相态。
进一步的，步骤S3中所述不同相态类型的最优化降水强度估测过程如下：
a.将降水相态分为固态降水和液态降水，所述固态降水相态包括干雪、霰、湿雪、雹；所述液态降水相态包括大滴、雨和大雨；
b.不同固态降水相态的降水强度R通过下式得到，
干雪、霰：
湿雪：
雹：
c.当回波反射率且/>时，相态类型为大雨或大滴，否则相态类型为雨，
当属于大雨或大滴相态时，通过下式计算降水强度R，
当相态类型为雨时，通过下式计算降水强度R，
有益效果：与现有技术相比，本发明具有以下优点：（1）在双偏振QPE算法基础上，引入基于相态识别的最优降水强度估测算法（HCA-LIQ）。首先利用雷达扫描区域的相态识别结果作为参量，区分降水相态类型，然后在此基础上依照不同类型分别进行最优化QPE计算。该算法减少了降水类型及相关微物理过程造成的QPE误差，提升了QPE准确度。（2）采用X波段双偏振雷达，并基于其近距离探测特点，优选采用最低两层仰角回波数据融合，从而减少了不同高度偏振量变化对定量降水估测计算的影响。（3）本发明偏振量输入参数引入了Z的标准差SD(Z)，差分相移ΦDP的标准差SD(ΦDP)，从而消除了KDP误差，将KDP输入量替换成LKDP，为了识别弱回波条件下Z与ΦDP的噪声干扰，使用SD(Z)与SD(ΦDP)进一步进行回波分类，以增强相态识别的可靠性。
附图说明
图1为本发明所述基于X波段双偏振雷达的降水相态识别QPE算法的流程示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
以下以南京市浦口、六合、江宁和高淳部署四台X波段双偏振多普勒雷达，并基于本发明降水相态识别QPE算法进行降水强度估测，流程如下：
步骤S1，获取各部雷达的最低两层仰角（0.5°，1.4°）观测偏振量，采用模糊逻辑算法进行相态识别计算以得到最低两层仰角的回波相态。算法如下：
（1-1）输入量为同一观测时次同一仰角的全方位角全距离的6种雷达偏振量。输入偏振量包括：回波反射率Z，差分反射率ZDR，相关系数ρ，差分相移率KDP 的对数坐标LDKP，Z的标准差SD(Z)，差分相移ΦDP的标准差SD(ΦDP)。其中后3种雷达偏振量与传统输入量（Z，ZDR，ρ，KDP）为新增加的，目的是为了消除KDP误差，将KDP输入量替换成LKDP，为了识别弱回波条件下Z与ΦDP的噪声干扰，使用SD(Z)与SD(ΦDP)进一步进行回波分类，以增强相态识别的可靠性。其中LKDP的计算方法为：
.
（1-2）对6种输入量分别建立10种相态分类的建立梯形隶属函数。10种相态分类为：1.地物，2.晴空，3.冰晶，4.干雪，5.湿雪，6.霰，7.大滴，8.雨，9.大雨，10.雹。隶属函数 的表达式为：
,
其中x为输入量，a，b，c，d为隶属函数参数。对不同的降水相态，隶属函数参数值有所不同。基于南京地区的区域性经验隶属函数参数设置见表1。其中，特定相态的隶属函数参数并非传统算法中的常数，而是特定偏振量的多项式函数，这种改进的参数算法有利于提升相态识别的准确度。
表1为10种相态分类隶属函数参数的取值
其中，
（1-3）基于梯形隶属函数，分别合成输入量在各个相态分类的合成值，计算公式为
（1）
式中，表示第i个相态类型的合成值，/>；/>表示第i个相态类型下的第j个输入量的隶属函数值，/>表示第i个相态下第j个输入量的权重；最后得到二维数组HCA各个雷达观测偏振量的不同相态类型下的合成值/>，为长度为10的一维数组；
权重列表如表2所示：对某一输入量，其10种相态分类合成值分别计算完毕后，所有合成值中的最大值所属分类即为该输入量的降水相态，即：
表2 各输入量相态权重
的值是位于[0,9]区间的小数，/>值最接近[0,9]区间内的某个整数/>，则/>所代表的的相态类型则为识别结果，也即：/>。
（1-4）上述合成值，还需经过偏振量硬边界处理，剔除明显错误分类，即当特定距离库所得相态类型，与该距离库所有雷达偏振量（除（1-1）所述6类外，还包括径向速度V）的值有效范围相符时，取合成值最大值所在相态为该距离库相态；若不相符，如果判断为冰雹相态但回波反射率Z<35dBZ，或判断为地物相态但径向速度V>1m/s，等等，若发生该种情况（详见下表硬边界阈值设定），则放弃合成值最大值，取合成值第二大值所在相态为该距离库相态，以此类推，直到该距离库所得相态类型与偏振量有效范围相符为止。偏振量硬边界条件如下表3：
表3
步骤S2，针对X波段雷达的同一仰角回波高度随距离库增加而升高，从而造成相态识别高度不连续特性，对从原点起的前2/3距离库采用1.4°仰角层相态，后1/3采用0.5°仰角层相态，获得融合的近似高度层相态识别数据。该步骤中，雷达回波同一仰角的回波具有随距离库增长而距地高度增加的特性，当距离库较远时，其高度将难以反映相似高度低层大气中的粒子状态，因此利用X波段雷达（相较于S波段）探测距离较近特点，可通过将最低两层仰角的回波相态数据进行融合，从而得到相似连续高度的低层大气粒子回波相态识别数据，来减少不同高度偏振量变化对定量降水估测计算的影响。
步骤S3，最优化降水估测
（3-1）基于相态识别结果，如图1所示，区分降水相态为固态降水和液态降水。图1中不同降水估测公式见下：
（3-2）固态降水不考虑偏振量阈值计算，基于不同固态降水相态直接套用降水估测公式进行计算。
干雪、霰：
湿雪：
雹：
（3-3）液态降水以Z和KDP为阈值进行分类。
当且/>:
若，考虑地面主要降水为大雨或大滴。
大雨滴：
若，考虑地面出现冰雹概率较大。
雹：
若不满足Z与KDP初始阈值：
若，考虑地面主要降水为大雨或大滴。
大雨滴：
若，考虑地面以小雨降水为主。
雨：。
2020年，在浦口、六合、江宁、高淳安装了四部X波段双偏振多普勒天气雷达，均完成质量控制与预处理，进行了除噪、衰减订正，并通过分段最小二乘拟合KDP，四部雷达进行了组网，为HCA-LIQ算法的落地提供了稳定可靠的数据输入和硬件支持。统计南京市2022年6月24日强降水过程的降水估算误差统计结果，其中小雨、中雨、大雨、暴雨量级降水转化为小时雨强，结果符合估测预期。
表1按小时雨强分类统计
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，根据本发明的技术方案及其技术构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于X波段双偏振雷达的降水相态识别QPE算法，其特征在于包括以下步骤：
步骤S1，获取雷达最低两层仰角的观测偏振量，然后通过模糊逻辑算法对雷达观测偏振量进行相态识别算法，得到最低两层仰角的回波相态；所述雷达观测偏振量的采集方式基于仰角下的不同方位角和方位角下不同观测距离，得到的X×Y的二维数组HCA，其中X为某层仰角的方位角数量，Y为每一方位角上观测距离的数量；步骤S2，通过将最低两层仰角的回波相态数据进行融合，从而得到相似连续高度的低层大气粒子回波相态识别数据，来减少不同高度偏振量变化对定量降水估测计算的影响；
步骤S3，基于步骤S2得到回波相态识别数据，通过最优降水强度估测算法HCA-LIQ，实现不同相态类型的定量降水的估测；
步骤S1中所述雷达最低两层仰角的度数分别为0.5°和1.4°；
步骤S3中所述不同相态类型的最优化降水强度估测过程如下：
a.将降水相态分为固态降水和液态降水，所述固态降水相态包括干雪、霰、湿雪、雹；所述液态降水相态包括大滴、雨和大雨；
b.不同固态降水相态的降水强度R通过下式得到，
干雪、霰：R＝R(Z)＝0.0362×Z0.687
湿雪：R＝0.6×R(Z)＝0.0362×Z0.687
雹：R＝R(KDP)＝60.4×|KDP|0.806
c.当回波反射率Z≥38且KDP≥0.3时，相态类型为大雨或大滴，否则相态类型为雨，
当属于大雨或大滴相态时，通过下式计算降水强度R，
当相态类型为雨时，通过下式计算降水强度R，
其中，KDP表示差分相移率，ZDR表示差分反射率。
2.根据权利要求1所述基于X波段双偏振雷达的降水相态识别QPE算法，其特征在于：步骤S1中所述最低两层仰角的回波相态的相态识别算法过程如下：
(1)首先，将不同相态类型记为一维数组I＝i，i∈[0，1，2，3，4，5，6，7，8，9]，其中，数组I中数值分别代表的相态类型编号，具体如下：0表示地物，1表示晴空，2表示冰晶，3表示干雪，4表示湿雪，5表示霰，6表示大滴，7表示雨，8表示大雨，9表示雹；
(2)然后，采用同一观测时次同一仰角的全方位角全距离的6种雷达偏振量作为输入量，所述6种雷达偏振量包括：回波反射率Z，差分反射率ZDR，相关系数ρ，差分相移率KDP的对数坐标LDKP，Z的标准差SD(Z)，差分相移ΦDP的标准差SD(ΦDP)；
(3)针对二维数组HCA中的每个雷达观测偏振值，基于每种输入量不同的所有相态类型建立梯形隶属函数P(i)(Vj)，0≤P(i)(Vj)≤1，其中i为相态类型的编号；Vj表示6种雷达偏振量中的第j个输入量；
(4)基于二维数组HCA中的每个雷达观测偏振值在不同相态类型的梯形隶属函数，根据不同相态类型按下式(1)进行加权平均计算，得到第i个相态类型的合成值Ai，
式中，Ai表示第i个相态类型的合成值，0≤Ai≤9；P(i)(Vj)表示第i个相态类型下的第j个输入量的隶属函数值，Wij表示第i个相态下第j个输入量的权重；
最后得到二维数组HCA各个雷达观测偏振量的不同相态类型下的合成值A＝Ai，i∈[0，1，2，3，4，5，6，7，8，9]，A为长度为10的一维数组；
(5)对步骤(4)得到的二维数组HCA上每一点上的合成值A进行由大到小排序，A中的最大值An，其类型编号n所对应的I[n]即为该元素所识别出的相态结果；
(6)将步骤(5)识别得到的相态结果，与偏振量硬边界阈值进行对比，偏振量硬边界阈值是指，HCA二维数组中每一点的6种输入量偏振量，以及该点的径向速度V，只在各自一定阈值范围内才能保证该点相态确定为计算所得I[n]；若二维数组中某点相态识别为I[n]，但该点7种偏振量中存在不满足阈值范围情况，则判定该点相态I[n]为错误分类，此时，应取该点合成值数组A中的次大值Ao所在的I[o]为该元素的相态分类；对I[o]同样进行上述计算，若依旧不满足则取该点合成值数组A中第三大值，以此类推，直到该点7种偏振量均位于相态I[s]的偏振量硬边界阈值范围内；
(7)最后，对HCA二维数组其余元素进行偏振量硬边界阈值对比，直到全体相态识别结果均满足偏振量硬边界阈值条件，完成。
3.根据权利要求2所述基于X波段双偏振雷达的降水相态识别QPE算法，其特征在于：步骤(2)中所述差分相移率KDP的对数坐标LKDP通过下式(2)得到，
4.根据权利要求2所述基于X波段双偏振雷达的降水相态识别QPE算法，其特征在于：步骤(3)中所述各雷达偏振量的不同相态类型包括地物、晴空、冰晶、干雪、湿雪、霰、大滴、雨、大雨和雹，并建立以下隶属函数P(i)(Vj)，
式中，P(i)(Vj)表示某点第i个相态类型下的第j个输入量的隶属函数，a、b、c和d分别为隶属函数参数，x为该点输入的某类偏振量值，Vj为第j个输入量，当P(i)(Vj)＝1时，代表该点在输入量Vj为x时，处于I[i]相态可能性最高，当P(i)(Vj)＝0时，代表该点处于I[i]相态可能性最低，当P(i)(Vj)为一次函数时，代表该点处于I[i]可能性随Vj值变化而升高或降低。
5.根据权利要求4所述基于X波段双偏振雷达的降水相态识别QPE算法，其特征在于：步骤(4)中所述第i个相态类型下的第j个输入量的权重Wij如下：
6.根据权利要求2所述基于X波段双偏振雷达的降水相态识别QPE算法，其特征在于：步骤(6)中所述偏振量硬边界条件如下：
其中，f2＝0.68-4.81×10-2Z+2.92×10-3Z2。
7.根据权利要求2所述基于X波段双偏振雷达的降水相态识别QPE算法，其特征在于：步骤S1中所述雷达从原点起前2/3距离库采用1.4°仰角层相态，后1/3距离库采用0.5°仰角层相态。
CN202310412280.6A 2023-04-18 2023-04-18 一种基于x波段双偏振雷达的降水相态识别qpe算法 Active CN116381692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310412280.6A CN116381692B (zh) 2023-04-18 2023-04-18 一种基于x波段双偏振雷达的降水相态识别qpe算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310412280.6A CN116381692B (zh) 2023-04-18 2023-04-18 一种基于x波段双偏振雷达的降水相态识别qpe算法

Publications (2)

Publication Number Publication Date
CN116381692A CN116381692A (zh) 2023-07-04
CN116381692B true CN116381692B (zh) 2024-02-23

Family

ID=86963238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310412280.6A Active CN116381692B (zh) 2023-04-18 2023-04-18 一种基于x波段双偏振雷达的降水相态识别qpe算法

Country Status (1)

Country Link
CN (1) CN116381692B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116559820A (zh) * 2023-07-12 2023-08-08 成都远望科技有限责任公司 一种基于x波段双偏振天气雷达粒子相态识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015229A (zh) * 2017-05-22 2017-08-04 新疆维吾尔自治区人工影响天气办公室 基于双偏振天气雷达的人工防雹作业指挥方法
CN109100723A (zh) * 2018-07-25 2018-12-28 南京信息工程大学 基于多普勒天气雷达数据的高空风反演方法
CN110596787A (zh) * 2019-08-29 2019-12-20 成都锦江电子系统工程有限公司 一种基于x波段全固态双偏振雨量雷达的降水估测方法
CN113740934A (zh) * 2021-08-18 2021-12-03 浙江省大气探测技术保障中心 一种基于s波段双偏振天气雷达降水估测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015229A (zh) * 2017-05-22 2017-08-04 新疆维吾尔自治区人工影响天气办公室 基于双偏振天气雷达的人工防雹作业指挥方法
CN109100723A (zh) * 2018-07-25 2018-12-28 南京信息工程大学 基于多普勒天气雷达数据的高空风反演方法
CN110596787A (zh) * 2019-08-29 2019-12-20 成都锦江电子系统工程有限公司 一种基于x波段全固态双偏振雨量雷达的降水估测方法
CN113740934A (zh) * 2021-08-18 2021-12-03 浙江省大气探测技术保障中心 一种基于s波段双偏振天气雷达降水估测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CINRAD雷达数据质量控制方法初探;马中元;气象;参见引言-第3节 *
EVALUATION OF AN OPERATIONAL POLARIMETRIC RAINFALL ALGORITHM;Robert Cifelli;32nd conference on broadcast meteorology;全文 *
The Hydrometeor Classification Algorithm for the Polarimetric WSR-88D: Description and Application to an MCS;HYANGSUK PARK;WEATHER AND FORECASTING;全文 *
双偏振雷达的资料质量分析，相态识別及组网应用;吴翀;中国博士学位论文全文数据库 (基础科学辑);参见第三、四章 *
基于S波段双极化雷达的最优化定量测雨方法研究;汪舵;中国优秀硕士学位论文全文数据库 (信息科技辑);参见第1.3节、第三-四章 *
基于相态识别的Ｓ 波段双线偏振雷达最优化定量降水估测方法研究;汪舵;气象;全文 *
模糊逻辑法在双线偏振雷达识别降水粒子相态中的研究;曹俊武;大气科学;全文 *

Also Published As

Publication number Publication date
CN116381692A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
WO2022016884A1 (zh) 一种基于K-means聚类算法的海面风速方法
CN108957453B (zh) 一种基于多目标跟踪的高精度动目标成像及识别方法
CN108681525B (zh) 一种基于车载激光扫描数据的路面点云强度增强方法
CN107064902B (zh) 一种用于机场场面监视雷达系统的目标凝聚方法
CN110349160B (zh) 一种基于超像素与模糊c均值聚类sar图像分割方法
CN107861107B (zh) 一种适用于连续波雷达的双门限cfar与点迹凝聚方法
KR101221773B1 (ko) 이중편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
CN116381692B (zh) 一种基于x波段双偏振雷达的降水相态识别qpe算法
CN109214439B (zh) 一种基于多特征融合的红外图像结冰河流检测方法
CN108171193B (zh) 基于超像素局部信息度量的极化sar舰船目标检测方法
CN101482969B (zh) 基于同质点计算的sar图像去斑方法
CN107742113A (zh) 一种基于目标数量后验的sar图像集群目标检测方法
CN109100697B (zh) 一种基于地面监视雷达系统的目标凝聚方法
CN111505739B (zh) 利用高频星地链路多特征量进行晴雨时刻判定的方法
CN115980756A (zh) 一种基于星载双频雷达的降水中水凝物种类识别方法
CN114415184B (zh) 极化-多普勒气象雷达的降雨信号恢复方法及装置
CN108983194B (zh) 一种基于地面监视雷达系统的目标提取及凝聚方法
CN113256990B (zh) 基于聚类算法的雷达采集道路车辆信息的方法及系统
CN108389191B (zh) 一种sar图像中目标阴影区域的检测方法
CN112363144A (zh) 环扫雷达距离模糊和方位模糊鉴别方法
CN115825920B (zh) 一种顾及冰川形态的ICESat-2光子去噪方法
CN111540007A (zh) 一种利用sar图像估算油罐存储量的方法
CN113406644A (zh) 天气雷达数据质量控制方法、装置及设备
CN108363055B (zh) 一种雷达前视成像区域分割方法
CN116299475B (zh) 一种c波段双偏振天气雷达低仰角的观测方法

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