CN116610899B - 基于测风雷达数据的湍流影响区域预测优化方法和系统 - Google Patents
基于测风雷达数据的湍流影响区域预测优化方法和系统 Download PDFInfo
- Publication number
- CN116610899B CN116610899B CN202310876806.6A CN202310876806A CN116610899B CN 116610899 B CN116610899 B CN 116610899B CN 202310876806 A CN202310876806 A CN 202310876806A CN 116610899 B CN116610899 B CN 116610899B
- Authority
- CN
- China
- Prior art keywords
- detection points
- wind
- dimensional image
- detection
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 213
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims abstract description 46
- 238000007405 data analysis Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000010349 pulsation Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 239000002245 particle Substances 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000000443 aerosol Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
Classifications
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Algebra (AREA)
- Strategic Management (AREA)
- Electromagnetism (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本申请涉及一种基于测风雷达数据的湍流影响区域预测优化方法和系统,方法包括:获取测风雷达采集的针对目标区域的回波数据;提取目标区域内多个检测点的多普勒频移;计算多个检测点的径向风速;计算多个检测点的湍流脉动风速;计算多个检测点的能量消散率;构建二维图像,其中,根据多个检测点的位置设置二维图像中多个像素点的位置,根据多个检测点的能量消散率设置图像中多个像素点的像素值;将二维图像输入经过训练的第一数据分析模型;根据第一数据分析模型输出的多个检测点的位置和湍流强度进行曲面拟合,得到表示目标区域的湍流强度变化趋势的湍流强度曲面。根据本发明,目标区域中任一处的湍流强度均能通过湍流强度曲面的高度来体现。
Description
技术领域
本发明涉及计算机数据分析技术领域,且更为具体地,涉及一种基于测风雷达数据的湍流影响区域预测优化方法和系统。
背景技术
测风雷达,是用来测量高空风向、风速的雷达。其基本工作方式,是以发射脉冲波和接收从目标返回的脉冲波的方式来跟踪上升且随风飘移的气球,借以测量气球在空间中的运动轨迹来确定各高度上自由大气的风向和水平风速。大气湍流是大气中的一种重要运动形式,它的存在使大气中的动量、热量、水气和污染物的垂直和水平交换作用明显增强,远大于分子运动的交换强度。大气湍流的存在同时对光波、声波和电磁波在大气中的传播产生一定的干扰作用。现有技术方案中,基于测风雷达进行湍流检测时,难以准确检测出湍流影响区域的湍流强度。
发明内容
为了解决上述技术问题,提出了本申请,以提供一种准确检测出湍流影响区域的湍流强度的基于测风雷达数据的湍流影响区域预测优化方法和系统。
第一方面,本发明提供了一种基于测风雷达数据的湍流影响区域预测优化方法,包括:获取测风雷达采集的针对目标区域的回波数据;从所述测风雷达的回波数据中提取所述目标区域内多个检测点的多普勒频移;根据所述多个检测点的多普勒频移,计算所述多个检测点的径向风速;根据所述多个检测点的径向风速,计算所述多个检测点的湍流脉动风速;根据所述多个检测点的湍流脉动风速,计算所述多个检测点的能量消散率;根据所述多个检测点的能量消散率构建二维图像,其中,根据所述多个检测点的位置设置所述二维图像中多个像素点的位置,根据所述多个检测点的能量消散率设置所述二维图像中多个像素点的像素值;将所述二维图像输入经过训练的第一数据分析模型,所述第一数据分析模型具有输入层、卷积层、全连接层和输出层,所述输入层用于接收所述二维图像,所述卷积层用于提取所述二维图像的特征,所述全连接层用于基于所述二维图像的特征计算反映所述多个检测点的湍流强度的结果值,所述输出层用于输出所述多个检测点的湍流强度;根据所述第一数据分析模型输出的所述多个检测点的位置和湍流强度进行曲面拟合,得到表示所述目标区域的湍流强度变化趋势的湍流强度曲面,所述湍流强度曲面上任一点的高度表示所述目标区域中对应位置处的湍流强度。
优选地,前述的基于测风雷达数据的湍流影响区域预测优化方法,“根据所述多个检测点的多普勒频移,计算所述多个检测点的径向风速”的步骤包括:获取所述回波数据的信噪比和谱宽;将所述多个检测点的多普勒频移、所述回波数据的信噪比和谱宽输入经过训练的第二数据分析模型,由所述第二数据分析模型输出所述多个检测点的径向风速。
优选地,前述的基于测风雷达数据的湍流影响区域预测优化方法,“根据所述目标区域内所述多个检测点的径向风速,计算所述目标区域内所述多个检测点的湍流脉动风速”的步骤包括:对于所述多个检测点中的第i个检测点,根据所述测风雷达与所述第i个检测点之间连线与垂直方向的夹角、所述测风雷达至所述第i个检测点之间的距离/>,计算所述目标区域内的平均风速/>,其中,/>为常数,n为所述多个检测点的数量;根据所述第i个检测点的径向风速/>、所述目标区域内的平均风速/>,计算所述第i个检测点的湍流脉动风速/>。
优选地,前述的基于测风雷达数据的湍流影响区域预测优化方法,在“根据所述目标区域内所述多个检测点的径向风速,计算所述目标区域内所述多个检测点的湍流脉动风速”的步骤之前,还包括:构建拟合方程:
;
其中,为所述测风雷达与所述多个检测点中第j个检测点之间连线与垂直方向的夹角,/>为所述测风雷达至所述第j个检测点之间的距离,/>为所述第j个检测点的径向风速;在所述拟合方程中M取最小值时确定/>的值。
优选地,前述的基于测风雷达数据的湍流影响区域预测优化方法,“根据所述多个检测点的湍流脉动风速,计算所述多个检测点的能量消散率”的步骤包括:对于所述多个检测点中任一检测点,根据该检测点的湍流脉动风速v,计算所述检测点的湍流脉动风速方差;根据所述检测点的湍流脉动风速方差/>、所述目标区域的预设湍流尺度L,计算所述检测点的能量消散率:
;
其中,表示gamma函数,/>为柯尔莫哥洛夫常数。
优选地,前述的基于测风雷达数据的湍流影响区域预测优化方法,“根据所述多个检测点的能量消散率构建二维图像”的步骤还包括:获取通过所述测风雷达计算的样本检测点的第一风速;获取在所述样本检测点处实地测量的第二风速;根据所述第一风速和所述第二风速,调整所述二维图像的像素值:
;
其中,为调整后的所述二维图像中任一点的像素值,/>为调整前的所述二维图像中任一点的像素值,/>为所述第一风速,/>为所述第二风速。
优选地,前述的基于测风雷达数据的湍流影响区域预测优化方法,“根据所述多个检测点的能量消散率构建二维图像”的步骤还包括:将所述二维图像与基于多个其他测风雷达获得的其他二维图像进行整合,整合后得到的二维图像中任一点的像素值为:
;
其中,为第k个测风雷达获得的二维图像中任一点像素的像素值,/>为所述第k个测风雷达与该点像素对应的检测点之间的距离。
优选地,前述的基于测风雷达数据的湍流影响区域预测优化方法,所述第一数据分析模型中所述卷积层后具有线性整流函数,用于控制所述卷积层在提取的特征小于0时,将提取的特征置0后输入所述全连接层,以及控制所述卷积层在提取的特征大于0时,将提取的特征直接输入所述全连接层。
第二方面,本发明提供了一种基于测风雷达数据的湍流影响区域预测优化系统,包括:回波数据获取模块,获取测风雷达采集的针对目标区域的回波数据;频移计算模块,从所述测风雷达的回波数据中提取所述目标区域内多个检测点的多普勒频移;径向风速计算模块,根据所述多个检测点的多普勒频移,计算所述多个检测点的径向风速;湍流脉动风速计算模块,根据所述多个检测点的径向风速,计算所述多个检测点的湍流脉动风速;能量消散率计算模块,根据所述多个检测点的湍流脉动风速,计算所述多个检测点的能量消散率;二维图像构建模块,根据所述多个检测点的能量消散率构建二维图像,其中,根据所述多个检测点的位置设置所述二维图像中多个像素点的位置,根据所述多个检测点的能量消散率设置所述二维图像中多个像素点的像素值;数据分析模块,将所述二维图像输入经过训练的第一数据分析模型,所述第一数据分析模型具有输入层、卷积层、全连接层和输出层,所述输入层用于接收所述二维图像,所述卷积层用于提取所述二维图像的特征,所述全连接层用于基于所述二维图像的特征计算反映所述多个检测点的湍流强度的结果值,所述输出层用于输出所述多个检测点的湍流强度;湍流强度计算模块,根据所述第一数据分析模型输出的所述多个检测点的位置和湍流强度进行曲面拟合,得到表示所述目标区域的湍流强度变化趋势的湍流强度曲面,所述湍流强度曲面上任一点的高度表示所述目标区域中对应位置处的湍流强度。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明的技术方案,基于测风雷达采集对目标区域的回波数据提取多普勒频移,进而根据多普勒频移推断出各个检测点的径向风速,以及根据各个检测点的径向风速推断出各个检测点的湍流脉动风速以及能量消散率,该能量消散率体现了分子粘性作用下由湍流动能转化为分子热运动动能的速率,可以准确地反映各检测点的湍流强度,所以基于各个检测点的能量消散率构建的二维图像,能够全面反映各个检测点的位置和湍流强度,对二维图像进行数据分析得到各检测点的湍流强度,对于数据分析结果进行曲线拟合形成湍流强度曲面后,则目标区域中任一处的湍流强度均能通过湍流强度曲面的高度来体现。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的一种基于测风雷达数据的湍流影响区域预测优化方法的流程图;
图2为根据本申请实施例的一种基于测风雷达数据的湍流影响区域预测优化方法的局部流程图;
图3为根据本申请实施例的一种基于测风雷达数据的湍流影响区域预测优化方法的局部流程图;
图4为根据本申请实施例的一种基于测风雷达数据的湍流影响区域预测优化方法的局部流程图;
图5为根据本申请实施例的一种基于测风雷达数据的湍流影响区域预测优化方法的局部流程图;
图6为根据本申请实施例的一种基于测风雷达数据的湍流影响区域预测优化系统的框图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
如图1所示,本发明的一个实施例中提供了一种基于测风雷达数据的湍流影响区域预测优化方法,包括:
步骤S110,获取测风雷达采集的针对目标区域的回波数据。
本实施例中,测风雷达可以使用多普勒雷达,又名脉冲多普勒雷达,是一种利用多普勒效应来探测运动目标的位置和相对运动速度的雷达。
步骤S120,从测风雷达的回波数据中提取目标区域内多个检测点的多普勒频移。
本实施例中,多普勒频移是指多普勒效应造成的测风雷达发射和接收的频率之差。
步骤S130,根据多个检测点的多普勒频移,计算多个检测点的径向风速。
本实施例中,当测风雷达发射信号穿过目标区域的大气层时,部分信号受空气中的颗粒(灰尘、云雾中的水滴、受污染的气溶胶、盐晶体、生物质燃烧产生的气溶胶)影响发生反向散射,这类移动的颗粒会造成在反向散射辐射中发生与颗粒的径向风速成正比的频移,即多普勒频移,因此基于多普勒频移可以推断出各检测点的径向风速。
步骤S140,根据多个检测点的径向风速,计算多个检测点的湍流脉动风速。
步骤S150,根据多个检测点的湍流脉动风速,计算多个检测点的能量消散率。
本实施例中,能量消散率体现了分子粘性作用下由湍流动能转化为分子热运动动能的速率,可以准确地反映各检测点的湍流强度。
步骤S160,根据多个检测点的能量消散率构建二维图像,其中,根据多个检测点的位置设置二维图像中多个像素点的位置,根据多个检测点的能量消散率设置二维图像中多个像素点的像素值。
本实施例中,基于各个检测点的能量消散率构建的二维图像,能够全面反映各个检测点的位置和湍流强度。
步骤S170,将二维图像输入经过训练的第一数据分析模型,第一数据分析模型具有输入层、卷积层、全连接层和输出层,输入层用于接收二维图像,卷积层用于提取二维图像的特征,全连接层用于基于二维图像的特征计算反映多个检测点的湍流强度的结果值,输出层用于输出多个检测点的湍流强度。
具体地,第一数据分析模型中卷积层后具有线性整流函数,用于控制卷积层在提取的特征小于0时,将提取的特征置0后输入全连接层,以及控制卷积层在提取的特征大于0时,将提取的特征直接输入全连接层。
本实施例中,当提取的特征小于0时,可以认为提取的特征为异常特征,此时利用线性整流函数直接将其置0,以实现对异常特征的过滤。
步骤S180,根据第一数据分析模型输出的多个检测点的位置和湍流强度进行曲面拟合,得到表示目标区域的湍流强度变化趋势的湍流强度曲面,湍流强度曲面上任一点的高度表示目标区域中对应位置处的湍流强度。
本实施例中,对于数据分析结果进行曲线拟合形成湍流强度曲面后,则对于目标区域中任一处非检测点的位置,该位置的湍流强度也能通过湍流强度曲面的高度来体现。
根据本实施例的技术方案,基于测风雷达采集对目标区域的回波数据提取多普勒频移,进而根据多普勒频移推断出各个检测点的径向风速,以及根据各个检测点的径向风速推断出各个检测点的湍流脉动风速以及能量消散率,能量消散率体现了分子粘性作用下由湍流动能转化为分子热运动动能的速率,可以准确地反映各检测点的湍流强度,所以基于各个检测点的能量消散率构建的二维图像,能够全面反映各个检测点的位置和湍流强度,对二维图像进行数据分析得到各检测点的湍流强度,对于数据分析结果进行曲线拟合形成湍流强度曲面后,则目标区域中任一处的湍流强度均能通过湍流强度曲面的高度来体现。
如图2所示,本发明的另一个实施例中提供了一种基于测风雷达数据的湍流影响区域预测优化方法,相比于前述的实施例,本实施例的基于测风雷达数据的湍流影响区域预测优化方法,步骤S130包括:
步骤S210,获取回波数据的信噪比和谱宽。
本实施例中,实验表明回波数据的信噪比和谱宽均会影响径向风速计算的精度。
步骤S220,将多个检测点的多普勒频移、回波数据的信噪比和谱宽输入经过训练的第二数据分析模型,由第二数据分析模型输出多个检测点的径向风速。
本实施例中,可以基于历史径向风速数据建立神经网络,将检测点的多普勒频移、回波数据的信噪比和谱宽作为输入进行训练,训练后的神经网络可以精确地计算出各检测点的径向风速。
如图3所示,本发明的另一个实施例中提供了一种基于测风雷达数据的湍流影响区域预测优化方法,相比于前述的实施例,本实施例的基于测风雷达数据的湍流影响区域预测优化方法,步骤S140包括:
步骤S310,构建拟合方程:
;
其中,为所述测风雷达与所述多个检测点中第j个检测点之间连线与垂直方向的夹角,/>为所述测风雷达至所述第j个检测点之间的距离,/>为所述第j个检测点的径向风速。
步骤S320,在拟合方程中M取最小值时确定的值。
本实施例中,由于大气流动具有随机性,因此现有技术中难以准确计算目标区域的平均风速,本实施例将测风雷达与检测点间形成的夹角、测风雷达与检测点之间的距离作为输入变量,并通过多个检测点数据拟合的方式推断出各输入变量的权重,以准确计算出目标区域的平均风速。
步骤S330,对于多个检测点中的第i个检测点,根据测风雷达与第i个检测点之间连线与垂直方向的夹角、测风雷达至第i个检测点之间的距离/>,计算目标区域内的平均风速/>,其中,/>为常数,n为多个检测点的数量。
步骤S340,根据第i个检测点的径向风速、目标区域内的平均风速/>,计算第i个检测点的湍流脉动风速/>。
本实施例中,基于检测点的径向风速与平均风速之差,可以准确计算出检测点的湍流脉动风速。
如图4所示,本发明的另一个实施例中提供了一种基于测风雷达数据的湍流影响区域预测优化方法,相比于前述的实施例,本实施例的基于测风雷达数据的湍流影响区域预测优化方法,步骤150包括:
步骤S410,对于多个检测点中任一检测点,根据该检测点的湍流脉动风速v,计算检测点的湍流脉动风速方差;
步骤S420,根据检测点的湍流脉动风速方差、目标区域的预设湍流尺度L,计算检测点的能量消散率:
;
其中,表示gamma函数,/>为柯尔莫哥洛夫常数。
本实施例中,实验表明,根据上述公式可以准确地计算出各检测点的能量消散率。
如图5所示,本发明的另一个实施例中提供了一种基于测风雷达数据的湍流影响区域预测优化方法,相比于前述的实施例,本实施例的基于测风雷达数据的湍流影响区域预测优化方法,步骤160还包括:
步骤S510,获取通过测风雷达计算的样本检测点的第一风速。
步骤S520,获取在样本检测点处实地测量的第二风速;
步骤S530,根据第一风速和第二风速,调整二维图像的像素值:
;
其中,为调整后的所述二维图像中任一点的像素值,/>为调整前的所述二维图像中任一点的像素值,/>为所述第一风速,/>为所述第二风速。
本实施例中,基于第一风速与第二风速的比值,计算实际风速与预测风速之间的差距,据此来调整二维图像的像素值,使二维图像能够更准确地反映真实情况下各检测点的湍流强度。
本发明的另一个实施例中提供了一种基于测风雷达数据的湍流影响区域预测优化方法,相比于前述的实施例,本实施例的基于测风雷达数据的湍流影响区域预测优化方法,步骤160还包括:
将二维图像与基于多个其他测风雷达获得的其他二维图像进行整合,整合后得到的二维图像中任一点的像素值为:
;
其中,为第k个测风雷达获得的二维图像中任一点像素的像素值,/>为所述第k个测风雷达与该点像素对应的检测点之间的距离。
本实施例中,对基于多个测风雷达获取的二维图像进行叠加,以消除单个测风雷达检测过程中可能存在的缺陷。
如图6所示,本发明的一个实施例中提供了一种基于测风雷达数据的湍流影响区域预测优化系统,包括:
回波数据获取模块610,获取测风雷达采集的针对目标区域的回波数据。
本实施例中,测风雷达可以使用多普勒雷达,又名脉冲多普勒雷达,是一种利用多普勒效应来探测运动目标的位置和相对运动速度的雷达。
频移计算模块620,从测风雷达的回波数据中提取目标区域内多个检测点的多普勒频移。
本实施例中,多普勒频移是指多普勒效应造成的测风雷达发射和接收的频率之差。
径向风速计算模块630,根据多个检测点的多普勒频移,计算多个检测点的径向风速。
本实施例中,当测风雷达发射信号穿过目标区域的大气层时,部分信号受空气中的颗粒(灰尘、云雾中的水滴、受污染的气溶胶、盐晶体、生物质燃烧产生的气溶胶)影响发生反向散射,这类移动的颗粒会造成在反向散射辐射中发生与颗粒的径向风速成正比的频移,即多普勒频移,因此基于多普勒频移可以推断出各检测点的径向风速。
湍流脉动风速计算模块640,根据多个检测点的径向风速,计算多个检测点的湍流脉动风速。
能量消散率计算模块650,根据多个检测点的湍流脉动风速,计算多个检测点的能量消散率。
本实施例中,能量消散率体现了分子粘性作用下由湍流动能转化为分子热运动动能的速率,可以准确地反映各检测点的湍流强度。
二维图像构建模块660,根据多个检测点的能量消散率构建二维图像,其中,根据多个检测点的位置设置二维图像中多个像素点的位置,根据多个检测点的能量消散率设置二维图像中多个像素点的像素值。
本实施例中,基于各个检测点的能量消散率构建的二维图像,能够全面反映各个检测点的位置和湍流强度。
数据分析模块670,将二维图像输入经过训练的第一数据分析模型,第一数据分析模型具有输入层、卷积层、全连接层和输出层,输入层用于接收二维图像,卷积层用于提取二维图像的特征,全连接层用于基于二维图像的特征计算反映多个检测点的湍流强度的结果值,输出层用于输出多个检测点的湍流强度。
具体地,第一数据分析模型中卷积层后具有线性整流函数,用于控制卷积层在提取的特征小于0时,将提取的特征置0后输入全连接层,以及控制卷积层在提取的特征大于0时,将提取的特征直接输入全连接层。
本实施例中,当提取的特征小于0时,可以认为提取的特征为异常特征,此时利用线性整流函数直接将其置0,以实现对异常特征的过滤。
湍流强度计算模块680,根据第一数据分析模型输出的多个检测点的位置和湍流强度进行曲面拟合,得到表示目标区域的湍流强度变化趋势的湍流强度曲面,湍流强度曲面上任一点的高度表示目标区域中对应位置处的湍流强度。
本实施例中,对于数据分析结果进行曲线拟合形成湍流强度曲面后,则对于目标区域中任一处非检测点的位置,该位置的湍流强度也能通过湍流强度曲面的高度来体现。
根据本实施例的技术方案,基于测风雷达采集对目标区域的回波数据提取多普勒频移,进而根据多普勒频移推断出各个检测点的径向风速,以及根据各个检测点的径向风速推断出各个检测点的湍流脉动风速以及能量消散率,能量消散率体现了分子粘性作用下由湍流动能转化为分子热运动动能的速率,可以准确地反映各检测点的湍流强度,所以基于各个检测点的能量消散率构建的二维图像,能够全面反映各个检测点的位置和湍流强度,对二维图像进行数据分析得到各检测点的湍流强度,对于数据分析结果进行曲线拟合形成湍流强度曲面后,则目标区域中任一处的湍流强度均能通过湍流强度曲面的高度来体现。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种基于测风雷达数据的湍流影响区域预测优化方法,其特征在于,包括:
获取测风雷达采集的针对目标区域的回波数据;
从所述测风雷达的回波数据中提取所述目标区域内多个检测点的多普勒频移;
根据所述多个检测点的多普勒频移,计算所述多个检测点的径向风速;
根据所述多个检测点的径向风速,计算所述多个检测点的湍流脉动风速;
根据所述多个检测点的湍流脉动风速,计算所述多个检测点的能量消散率;
根据所述多个检测点的能量消散率构建二维图像,其中,根据所述多个检测点的位置设置所述二维图像中多个像素点的位置,根据所述多个检测点的能量消散率设置所述二维图像中多个像素点的像素值;
将所述二维图像输入经过训练的第一数据分析模型,所述第一数据分析模型具有输入层、卷积层、全连接层和输出层,所述输入层用于接收所述二维图像,所述卷积层用于提取所述二维图像的特征,所述全连接层用于基于所述二维图像的特征计算反映所述多个检测点的湍流强度的结果值,所述输出层用于输出所述多个检测点的湍流强度;
根据所述第一数据分析模型输出的所述多个检测点的位置和湍流强度进行曲面拟合,得到表示所述目标区域的湍流强度变化趋势的湍流强度曲面,所述湍流强度曲面上任一点的高度表示所述目标区域中对应位置处的湍流强度。
2.根据权利要求1所述的基于测风雷达数据的湍流影响区域预测优化方法,其特征在于,“根据所述多个检测点的多普勒频移,计算所述多个检测点的径向风速”的步骤包括:
获取所述回波数据的信噪比和谱宽;
将所述多个检测点的多普勒频移、所述回波数据的信噪比和谱宽输入经过训练的第二数据分析模型,由所述第二数据分析模型输出所述多个检测点的径向风速。
3.根据权利要求1所述的基于测风雷达数据的湍流影响区域预测优化方法,其特征在于,“根据所述多个检测点的径向风速,计算所述多个检测点的湍流脉动风速”的步骤包括:
对于所述多个检测点中的第i个检测点,根据所述测风雷达与所述第i个检测点之间连线与垂直方向的夹角、所述测风雷达至所述第i个检测点之间的距离/>,计算所述目标区域内的平均风速/>,其中,/>为常数,n为所述多个检测点的数量;
根据所述第i个检测点的径向风速、所述目标区域内的平均风速/>,计算所述第i个检测点的湍流脉动风速/>。
4.根据权利要求1所述的基于测风雷达数据的湍流影响区域预测优化方法,其特征在于,在“根据所述多个检测点的径向风速,计算所述多个检测点的湍流脉动风速”的步骤之前,还包括:
构建拟合方程:
;
其中,为所述测风雷达与所述多个检测点中第j个检测点之间连线与垂直方向的夹角,/>为所述测风雷达至所述第j个检测点之间的距离,/>为所述第j个检测点的径向风速;
在所述拟合方程中M取最小值时确定的值。
5.根据权利要求1所述的基于测风雷达数据的湍流影响区域预测优化方法,其特征在于,“根据所述多个检测点的湍流脉动风速,计算所述多个检测点的能量消散率”的步骤包括:
对于所述多个检测点中任一检测点,根据该检测点的湍流脉动风速v,计算所述检测点的湍流脉动风速方差;
根据所述检测点的湍流脉动风速方差、所述目标区域的预设湍流尺度L,计算所述检测点的能量消散率:
;
其中,表示gamma函数,/>为柯尔莫哥洛夫常数。
6.根据权利要求1所述的基于测风雷达数据的湍流影响区域预测优化方法,其特征在于,“根据所述多个检测点的能量消散率构建二维图像”的步骤还包括:
获取通过所述测风雷达计算的样本检测点的第一风速;
获取在所述样本检测点处实地测量的第二风速;
根据所述第一风速和所述第二风速,调整所述二维图像的像素值:
;
其中,为调整后的所述二维图像中任一点的像素值,/>为调整前的所述二维图像中任一点的像素值,/>为所述第一风速,/>为所述第二风速。
7.根据权利要求1所述的基于测风雷达数据的湍流影响区域预测优化方法,其特征在于,“根据所述多个检测点的能量消散率构建二维图像”的步骤还包括:
将所述二维图像与基于多个其他测风雷达获得的其他二维图像进行整合,整合后得到的二维图像中任一点的像素值为:
;
其中,为第k个测风雷达获得的二维图像中任一点像素的像素值,/>为所述第k个测风雷达与该点像素对应的检测点之间的距离。
8.根据权利要求1所述的基于测风雷达数据的湍流影响区域预测优化方法,其特征在于,所述第一数据分析模型中所述卷积层后具有线性整流函数,用于控制所述卷积层在提取的特征小于0时,将提取的特征置0后输入所述全连接层,以及控制所述卷积层在提取的特征大于0时,将提取的特征直接输入所述全连接层。
9.一种基于测风雷达数据的湍流影响区域预测优化系统,其特征在于,包括:
回波数据获取模块,获取测风雷达采集的针对目标区域的回波数据;
频移计算模块,从所述测风雷达的回波数据中提取所述目标区域内多个检测点的多普勒频移;
径向风速计算模块,根据所述多个检测点的多普勒频移,计算所述多个检测点的径向风速;
湍流脉动风速计算模块,根据所述多个检测点的径向风速,计算所述多个检测点的湍流脉动风速;
能量消散率计算模块,根据所述多个检测点的湍流脉动风速,计算所述多个检测点的能量消散率;
二维图像构建模块,根据所述多个检测点的能量消散率构建二维图像,其中,根据所述多个检测点的位置设置所述二维图像中多个像素点的位置,根据所述多个检测点的能量消散率设置所述二维图像中多个像素点的像素值;
数据分析模块,将所述二维图像输入经过训练的第一数据分析模型,所述第一数据分析模型具有输入层、卷积层、全连接层和输出层,所述输入层用于接收所述二维图像,所述卷积层用于提取所述二维图像的特征,所述全连接层用于基于所述二维图像的特征计算反映所述多个检测点的湍流强度的结果值,所述输出层用于输出所述多个检测点的湍流强度;
湍流强度计算模块,根据所述第一数据分析模型输出的所述多个检测点的位置和湍流强度进行曲面拟合,得到表示所述目标区域的湍流强度变化趋势的湍流强度曲面,所述湍流强度曲面上任一点的高度表示所述目标区域中对应位置处的湍流强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310876806.6A CN116610899B (zh) | 2023-07-18 | 2023-07-18 | 基于测风雷达数据的湍流影响区域预测优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310876806.6A CN116610899B (zh) | 2023-07-18 | 2023-07-18 | 基于测风雷达数据的湍流影响区域预测优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116610899A CN116610899A (zh) | 2023-08-18 |
CN116610899B true CN116610899B (zh) | 2023-10-17 |
Family
ID=87675047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310876806.6A Active CN116610899B (zh) | 2023-07-18 | 2023-07-18 | 基于测风雷达数据的湍流影响区域预测优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610899B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201320795D0 (en) * | 2013-11-26 | 2014-01-08 | Ocean Array Systems Ltd | Determination of turbulence in a fluid |
CN109814131A (zh) * | 2019-02-21 | 2019-05-28 | 中国科学技术大学 | 一种基于激光雷达风速数据的湍流参数反演方法 |
CN112504976A (zh) * | 2020-08-28 | 2021-03-16 | 中国科学院合肥物质科学研究院 | 一种多功能大气流场二维成像探测装置及探测方法 |
CN115753018A (zh) * | 2022-11-09 | 2023-03-07 | 中国人民解放军战略支援部队航天工程大学 | 一种动态湍流下畸变涡旋光束超前预测校正方法 |
-
2023
- 2023-07-18 CN CN202310876806.6A patent/CN116610899B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201320795D0 (en) * | 2013-11-26 | 2014-01-08 | Ocean Array Systems Ltd | Determination of turbulence in a fluid |
CN109814131A (zh) * | 2019-02-21 | 2019-05-28 | 中国科学技术大学 | 一种基于激光雷达风速数据的湍流参数反演方法 |
CN112504976A (zh) * | 2020-08-28 | 2021-03-16 | 中国科学院合肥物质科学研究院 | 一种多功能大气流场二维成像探测装置及探测方法 |
CN115753018A (zh) * | 2022-11-09 | 2023-03-07 | 中国人民解放军战略支援部队航天工程大学 | 一种动态湍流下畸变涡旋光束超前预测校正方法 |
Non-Patent Citations (2)
Title |
---|
A new methodology for offshore wind speed assessment integrating Sentinel-1, ERA-Interim and insitu measurement;M. Majidi Nezhad等;《Renewable Energy》;第172卷;全文 * |
基于速度结构函数的多普勒激光雷达低空湍流预警算法;熊兴隆;韩永安;蒋立辉;陈柏纬;陈星;;红外与激光工程(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116610899A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670411B (zh) | 基于生成对抗网络的船舶点云深度图像处理方法和系统 | |
Borraccino et al. | Wind field reconstruction from nacelle-mounted lidar short-range measurements | |
US7132974B1 (en) | Methods and systems for estimating three dimensional distribution of turbulence intensity using radar measurements | |
CN103698554B (zh) | 一种流场实时精确测量系统及方法 | |
CN113096397B (zh) | 基于毫米波雷达与视频检测的交通拥堵分析方法 | |
JP2011128149A (ja) | 対流的気象によるエイビエイションの危険性検出のための方法およびシステム | |
WO2005095994A1 (ja) | 流体計測システム及び流体計測方法 | |
CN108089166B (zh) | 一种基于毫米波测云雷达的自适应频域检测方法 | |
JP2006284260A (ja) | レーザレーダ装置 | |
Schlipf et al. | Detection of wind evolution and lidar trajectory optimization for lidar-assisted wind turbine control | |
CN109178234B (zh) | 一种船舶干舷高度测量系统及其测量方法 | |
JP3322214B2 (ja) | 気流検出方法およびレーザレーダ装置 | |
JP5376440B2 (ja) | 光学式遠隔気流計測装置 | |
CN112881993A (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
Kandaurov et al. | Average velocity field of the air flow over the water surface in a laboratory modeling of storm and hurricane conditions in the ocean | |
CN107843406B (zh) | 基于脉动压力相关函数的空腔模态波运动特征确定方法 | |
CN116610899B (zh) | 基于测风雷达数据的湍流影响区域预测优化方法和系统 | |
CN107515390A (zh) | 一种基于单矢量传感器的空中目标定位方法 | |
Lee et al. | A wind tunnel study of natural ventilation for multi–span greenhouse scale models using two–dimensional particle image velocimetry (PIV) | |
CN109116359A (zh) | 一种机载雷达低空风切变风场回波风速的估计方法 | |
CN111936741B (zh) | 用于控制涡轮的控制系统、用于控制涡轮的方法和风力涡轮 | |
JP3628621B2 (ja) | 乱気流検出装置および乱気流検出方法 | |
WO2023071909A1 (zh) | 测量流体表面流速的方法、装置及存储介质 | |
JP2006125961A (ja) | 流体流動計測システムおよび風力発電装置 | |
Jacob et al. | Assessment of Lockheed Martin's aircraft wake vortex circulation estimation algorithms using simulated lidar data |
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 |