CN117332365A - 一种多波段天气雷达数据融合方法 - Google Patents
一种多波段天气雷达数据融合方法 Download PDFInfo
- Publication number
- CN117332365A CN117332365A CN202311229939.0A CN202311229939A CN117332365A CN 117332365 A CN117332365 A CN 117332365A CN 202311229939 A CN202311229939 A CN 202311229939A CN 117332365 A CN117332365 A CN 117332365A
- Authority
- CN
- China
- Prior art keywords
- radar
- band
- wave band
- converted
- reflectivity
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 53
- 238000006243 chemical reaction Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000002310 reflectometry Methods 0.000 claims description 74
- 238000012937 correction Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 15
- 238000001556 precipitation Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 230000009897 systematic effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000010287 polarization Effects 0.000 claims description 4
- 230000004323 axial length Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Electromagnetism (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种多波段天气雷达数据融合方法，步骤1、建立带约束的雨滴谱分布模型；步骤2、建立多波段天气雷达数据反演模型；步骤3、气象监测；步骤4、修正雷达参量；步骤5、多波段雷达参量数据转换，具体为：步骤5‑1、选择设定转换波段；步骤5‑2、确定待转换波段的雨滴谱参数；步骤5‑3、转换；步骤6、格点插值；步骤7、融合。本发明能够将多波段雷达数据进行融合，尽可能降低由于多波段雷达探测同一天气目标本身存在的差异，从而方便用户在强对流天气的监测、预警和预报工作中多波段天气雷达数据的应用。
Description
技术领域
本发明涉及天气雷达数据融合领域，特别是一种多波段天气雷达数据融合方法。
背景技术
强对流天气包括短时强降水、雷暴大风、冰雹、雷电、龙卷等，是一类发展速度快、局地性强、破坏性大的高影响灾害性天气。天气雷达通过发射电磁波，能够观测到强对流系统的内部三维结构和演变特征，是目前强对流监测最有效的手段。然而，目前我国业务天气雷达型号众多，包括X/C/S波段三种大类，尤其是近年来X波段天气雷达大量布网。因而，如何将所有类型天气雷达数据进行融合，成为业务应用亟需解决的问题之一。
近年来，我国X波段天气雷达建设较快，目前在京津冀、长三角和珠三角等大城市群都已经建成了X和S波段协同的高密度天气雷达网，同时也发展了相应的应用软件系统。在应用系统方面，京津冀地区主要采用北京城市气象研究院自主研制的北京X波段网络化雷达应用系统(简称“BJ-Xnet”)；长三角地区上海主要采用相控阵阵列天气雷达联合实验室研发的X波段阵列天气雷达组网应用系统，江苏主要采用雷达厂家提供的X波段天气雷达组网应用系统；珠三角地区广东主要采用雷达厂家提供的X波段相控阵天气雷达组网应用系统。但是上述应用系统都未将X和S波段天气雷达进行融合应用，S和X波段天气雷达两套系统独立运行，这给业务带来了诸多不便，也不利于发挥二者的协同效应。
最近，北京城市气象研究院正在将BJ-Xnet升级为多波段网络化天气雷达应用系统(简称“BJ-SXnet”)。在涉及到多波段天气雷达数据融合时，目前使用较多的是直接融合和拟合订正融合。直接融合即不考虑多波段天气雷达在探测同一天气目标时存在的差异。线性订正融合指通过长时间的雨滴谱观测数据可以分别计算得到对应的X和S波段雷达探测结果，可以通过拟合的方式得到二者的转化关系，然后通过转化关系进行不同波段雷达的转化与融合。对于强对流系统，由于不同波段雷达电磁波散射特性不同，X和S波段天气雷达探测同一天气目标时差异较大(例如X波段探测到的强度为60dBZ，S波段探测到的强度为55dBZ)，直接融合显然是不科学的方式；而线性订正融合的方法采用数学统计的方式单变量单独拟合，没有考虑双偏振雷达各变量间的联系，并不具有物理约束。因此上述两种方法均存在一定缺陷，不利于强对流天气的监测、预警和预报工作。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，而提供一种多波段天气雷达数据融合方法，该多波段天气雷达数据融合方法能够接入和处理X/C/S波段天气雷达基数据，并进行数据质量控制和融合处理，最终生成格点化的融合产品。
为解决上述技术问题，本发明采用的技术方案是：
一种多波段天气雷达数据融合方法，包括如下步骤。
步骤1、建立带约束的雨滴谱分布模型，具体包括如下步骤。
步骤1-1、选择雨滴谱分布模型：采用Gamma分布模型，实现不同波段多普勒天气雷达或双偏振雷达雨滴谱N(D)的反演；其中，不同波段包括X波段、C波段和S波段；Gamma分布模型的雨滴谱N(D)包括截断参数N0、形状参数μ和斜率参数Λ。
步骤1-2、收集雨滴谱观测数据：针对待监测区域，采用雨滴谱仪收集地面不少于1年的若干组雨滴谱观测数据N(D)。
步骤1-3、建立μ-Λ约束函数：将步骤1-2收集的若干组雨滴谱观测数据N(D)，代入步骤1-1的雨滴谱分布模型中，得到若干组μ和Λ值；对若干组μ和Λ值进行拟合，形成μ随Λ变化的μ-Λ约束函数；将μ-Λ约束函数代入步骤1-1的雨滴谱分布模型中，形成带约束的雨滴谱分布模型。
步骤2、建立多波段天气雷达数据反演模型：根据步骤1建立的带约束雨滴谱分布模型，以及降水粒子的复折射指数m，建立多波段天气雷达数据反演模型；多波段天气雷达数据反演模型包括一个或两个雷达参量模型，分别为反射率模型ZH和/或差分反射率模型ZDR；其中，复折射指数m根据雷达波长进行取值。
步骤3、气象监测：采用至少两个波段多普勒天气雷达或双偏振雷达，对同一待监测区域进行气象观测；每个波段多普勒天气雷达或双偏振雷达均观测得到每个极坐标点所对应的反射率Z′H和/或差分反射率Z′DR。
步骤4、修正雷达参量：将步骤3中每个波段多普勒天气雷达或双偏振雷达观测的Z′H和/或Z′DR，分别进行修正，得到修正雷达参量，分别为修正反射率Z′H′和/或修正差分反射率Z′D′R。
步骤5、多波段雷达参量数据转换，具体包括如下步骤。
步骤5-1、选择设定转换波段A，其中，A为X波段、C波段或S波段；当待转换波段与设定转换波段A相同时，直接更新为转换雷达参量，并跳转至步骤6；否则，进入步骤5-2。
步骤5-2、确定待转换波段的雨滴谱参数：将待转换波段的修正反射率Z′H′和待转换波段对应的复折射指数m代入步骤2建立的反射率模型ZH，得到方程1；同时，将待转换波段的修正差分反射率Z′D′R和待转换波段对应的复折射指数m代入步骤2建立的差分反射率模型ZDR中，得到方程2；联立方程1、方程2和μ-Λ约束函数，求解得到待转换波段所对应的雨滴谱参数，分别为转换波段的截断参数N0、形状参数μ和斜率参数Λ。
步骤5-3、转换：将设定转换波段A对应的复折射指数m、以及步骤5-2确定的待转换波段雨滴谱参数；分别代入步骤2建立的反射率模型ZH和/或差分反射率模型ZDR中，从而得到转换雷达参量，分别为转换反射率Z′H″和/或转换差分反射率Z′D′R′。
步骤6、格点插值：将每个波段的所有极坐标点均转换为直角坐标点；在同一经纬度和高度三维网格下，将每个波段所有直角坐标点的转换雷达参量均进行插值。
步骤7、融合：在步骤6插值后的同一经纬度和高度三维网格中，当同一个格点具有两个及以上转换反射率Z′H″或转换差分反射率Z′D′R′时，则采用距离指数加权的方式，将同一格点的所有转换反射率Z′H″或转换差分反射率Z′D′R′进行融合。
步骤1-2中，雨滴谱仪收集地面雨滴谱观测数据N(D)的时间为2～3年。
步骤1-3中建立的μ-Λ约束函数为μ＝aΛ2+bΛ+c；其中，a、b和c均为拟合系数。
步骤2中，反射率模型ZH和/或差分反射率模型ZDR的表达式分别为：
其中：
P＝4π-P′
式中，D为降水粒子的雨滴直径；P和P′均为雨滴形状因子，均为关于D的函数；K为降水粒子的介电常数。
雨滴形状因子P的表达式为：
其中：
E2＝1-r2
式中，E为中间计算变量；r为椭球雨滴的轴长比，且0＜r＜1。
步骤4中的修正方式包括衰减订正、系统偏差订正和地物滤除。
步骤4中，衰减订正采用线性订正；系统偏差订正首先通过微雨法、外部金属球法确定系统偏差，然后在原始反射率Z′H或差分反射率Z′DR的基础上直接减去所确定的系统偏差；地物滤除主要通过统计气象回波和非气象回波的强度纹理、差分反射率标准差、差分传播相移标准差、相关系数标准差、相关系数、信噪比的分布，采用模糊逻辑算法将其进行分类，最后识别出非气象回波，并将其进行滤除。
步骤5-1中设定转换波段A选择为S波段。
步骤7中，设某个格点A具有n个雷达，每个雷达对应一组待融合雷达参量；其中，待融合雷达参量为转换反射率Z′H″或转换差分反射率Z′D′R′；将格点A中融合前的第i个待融合雷达参量记为fA(i)，则格点A融合后雷达参量记为fA，则fA的表达式为：
其中：
式中，wi为格点A第i个待融合雷达参量的权重值；di为格点A到第i个雷达的距离；Ri为设定距离或格点A到第i个雷达的最大探测距离。
Ri为设定距离100。
本发明具有如下有益效果：
本发明能够将多波段雷达数据进行融合，能在一套系统一张图里面进行展示和应用，尽可能降低由于多波段雷达探测同一天气目标本身存在的差异，从而方便用户在强对流天气的监测、预警和预报工作中多波段天气雷达数据的应用，更好地发挥多波段雷达的协同效应。
附图说明
图1显示了本发明一种多波段天气雷达数据融合方法的流程图。
图2显示了本发明提及的形状参数(μ)和斜率参数(Λ)之间的约束关系拟合。
图3显示了本发明提及的多波段天气雷达数据反演模型流程。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”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，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。
如图1所示，一种多波段天气雷达数据融合方法，包括如下步骤。
步骤1、建立带约束的雨滴谱分布模型，具体包括如下步骤。
步骤1-1、选择雨滴谱分布模型
本发明采用Gamma分布模型，实现不同波段多普勒天气雷达或双偏振雷达雨滴谱N(D)的反演；其中，不同波段包括X波段、C波段和S波段；采用Gamma分布模型的雨滴谱分布模型N(D)的表达式为：
N(D)＝N0Dμexp(-ΛD)
式中，N0为截断参数；μ为形状参数；Λ为斜率参数；D为降水粒子的雨滴直径。
步骤1-2、收集雨滴谱观测数据：针对待监测区域，采用雨滴谱仪收集地面不少于1年(优选2～3年)的若干组雨滴谱观测数据N(D)。
步骤1-3、建立μ-Λ约束函数：将步骤1-2收集的若干组雨滴谱观测数据N(D)，代入步骤1-1的雨滴谱分布模型中，得到若干组μ和Λ值。
对若干组μ和Λ值进行拟合，形成μ随Λ变化的μ-Λ约束函数；其中，拟合曲线，如图2所示；本实施例中，μ-Λ约束函数优选为：μ＝aΛ2+bΛ+c；其中，a、b和c均为拟合系数。进一步，优选为：
μ＝-0.0302Λ2+1.0537Λ-2.4526
也即，a＝-0.0302,b＝1.0537,c＝-2.4526。
随后，将μ-Λ约束函数代入步骤1-1的雨滴谱分布模型中，形成本地化带约束的雨滴谱分布模型。
步骤2、建立多波段天气雷达数据反演模型：根据步骤1建立的带约束雨滴谱分布模型，以及降水粒子的复折射指数m，建立多波段天气雷达数据反演模型；多波段天气雷达数据反演模型包括一个或两个雷达参量模型，分别为反射率模型ZH和/或差分反射率模型ZDR；其中，复折射指数m根据雷达波长进行取值。
上述反射率模型ZH和/或差分反射率模型ZDR的表达式优选分别为：
其中：
P＝4π-P′
式中，P和P′均为雨滴形状因子，均为关于D的函数；K为降水粒子的介电常数。
雨滴形状因子P的表达式为：
其中：
E2＝1-r2
式中，E为中间计算变量；r为椭球雨滴的轴长比(也即椭球长轴与椭球短轴的比值)，且0＜r＜1，为关于D的函数，优选通过步骤1-2收集的雨滴谱观测数据进行拟合得到，本实施例中，优选函数表达式为：
r＝0.9951+0.02510D-0.03644D2+0.005030D3-0.000249D4
对于公式(2-1)和(2-2)，由于复折射指数m与雷达波长相关，通过代入不同波段的复折射指数m，即可得到对应波段的反射率模型ZH和/或差分反射率模型ZDR。
步骤3、气象监测：采用至少两个波段多普勒天气雷达或双偏振雷达，对同一待监测区域进行气象观测；每个波段多普勒天气雷达或双偏振雷达均观测得到每个极坐标点所对应的反射率Z′H和/或差分反射率Z′DR。
步骤4、修正雷达参量(也称质量控制)：将步骤3中每个波段多普勒天气雷达或双偏振雷达观测的Z′H和/或Z′DR，分别进行修正，得到修正雷达参量，分别为修正反射率Z′H′和/或修正差分反射率Z′D′R。
上述修正方式优选包括衰减订正、系统偏差订正和地物滤除等，使其能够反映真实的天气系统情况。
上述衰减订正采用线性订正，具体订正如下：
ZH(订正后)＝ZH(订正前)+PHIDP×衰减系数(Ah)
ZDR(订正后)＝ZDR(订正前)+PHIDP×衰减系数(Adp)
上述，衰减系数Ah和Adp，均基于步骤1-2收集的雨滴谱观测数据进行拟合得到。
上述系统偏差订正首先通过微雨法、外部金属球法确定系统偏差，然后在原始反射率Z′H或差分反射率Z′DR的基础上直接减去所确定的系统偏差。
上述地物滤除主要通过统计气象回波和非气象回波的强度纹理、差分反射率标准差、差分传播相移标准差、相关系数标准差、相关系数、信噪比的分布，采用模糊逻辑算法将其进行分类，最后识别出非气象回波，并将其进行滤除。
步骤5、多波段雷达参量数据转换，如图3所示，具体包括如下步骤。
步骤5-1、选择设定转换波段A，其中，A为X波段、C波段或S波段；当待转换波段与设定转换波段A相同时，直接更新为转换雷达参量，并跳转至步骤6；否则，进入步骤5-2。
目前业务上使用较多的数据还是以S波段天气雷达为主，因此主要是将X/C波段天气雷达数据转化到S波段天气雷达，也即设定转换波段A优选选择为S波段。作为替换，也可讲任意两个波段天气雷达数据转化到另外一个波段天气雷达数据，主要根据用户需求进行设置。
步骤5-2、确定待转换波段的雨滴谱参数：将待转换波段的修正反射率Z′H′和待转换波段对应的复折射指数m代入步骤2建立的反射率模型ZH，得到方程1；同时，将待转换波段的修正差分反射率Z′D′R和待转换波段对应的复折射指数m代入步骤2建立的差分反射率模型ZDR中，得到方程2；联立方程1、方程2和μ-Λ约束函数，求解得到待转换波段所对应的雨滴谱参数，分别为转换波段的截断参数N0、形状参数μ和斜率参数Λ。
上述转换波段的截断参数N0、形状参数μ和斜率参数Λ。的具体求解方法，优选如下：
1、由μ-Λ约束函数得到Λ(μ)表达式。
2、将Λ(μ)表达式带到差分反射率ZDR的表达式中，求得ZDR与Λ的关系Λ(ZDR)。
3、通过Λ(ZDR)关系，用观测得到的ZDR求得Λ和μ的值。
4、将计算得到的Λ和μ的值带到反射率因子ZH的表达式中，得到N0的值。
步骤5-3、转换：将设定转换波段A对应的复折射指数m、以及步骤5-2确定的待转换波段雨滴谱参数；分别代入步骤2建立的反射率模型ZH和/或差分反射率模型ZDR中，从而得到转换雷达参量，分别为转换反射率Z′H″和转换差分反射率Z′D′R′。
以S波段和X波段为例，如果S波段天气雷达探测到的天气目标的强度ZH和/或差分反射率ZDR分别为50dBZ和2dB，则通过步骤1的雨滴谱分布模型转化后对应的X波段天气雷达探测到的天气目标的强度ZH和/或差分反射率ZDR分别为55dBZ和3.2dB。如果不进行转化，将融合后的结果用于雷达定量降水估计等应用时会造成巨大的误差，以强度ZH为50dBZ的强对流为例，强度ZH 1dBZ的误差将会给定量降水估计结果带来约20％的偏差。
步骤6、格点插值
A、坐标转换
天气雷达的扫描数据是以极坐标的形式进行存储，为获取空间格点信息，需要进行坐标转换，本发明中，将每个波段的所有极坐标点均转换为直角坐标点。直角坐标点的三维网格分别为经度、纬度和高度。
在进行天气雷达回波数据坐标转换时，需要进行空间分辨率的设置，为保证数据不失真，空间分辨率的设置采用天气雷达距离分辨率的整数倍，最小分辨率为天气雷达的一个探测距离单元。
B、插值：在同一经纬度和高度三维网格下，将每个波段所有直角坐标点的转换雷达参量均进行插值。
步骤7、融合：在步骤6插值后的同一经纬度和高度三维网格中，当同一个格点具有两个及以上转换反射率Z′H″或转换差分反射率Z′D′R′时，则采用距离指数加权的方式，将同一格点的所有转换反射率Z′H″或转换差分反射率Z′D′R′进行融合。
设某个格点A具有n个雷达，每个雷达对应一组待融合雷达参量；其中，待融合雷达参量为转换反射率Z′H″或转换差分反射率Z′D′R′；将格点A中融合前的第i个待融合雷达参量记为fA(i)，则格点A融合后雷达参量记为fA，则fA的表达式为：
其中：
式中，wi为格点A第i个待融合雷达参量的权重值；di为格点A到第i个雷达的距离；Ri为设定距离或格点A到第i个雷达的最大探测距离，本实施例中，Ri优选为设定距离100。
本发明不仅适用于传统多普勒天气雷达的强度ZH融合，也适用于双偏振天气雷达差分反射率ZDR等双偏振参量的融合。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (10)
1.一种多波段天气雷达数据融合方法，其特征在于：包括如下步骤：
步骤1、建立带约束的雨滴谱分布模型，具体包括如下步骤：
步骤1-1、选择雨滴谱分布模型：采用Gamma分布模型，实现不同波段多普勒天气雷达或不同波段双偏振雷达雨滴谱N(D)的反演；其中，不同波段包括X波段、C波段和S波段；Gamma分布模型的雨滴谱N(D)包括截断参数N0、形状参数μ和斜率参数Λ；
步骤1-2、收集雨滴谱观测数据：针对待监测区域，采用雨滴谱仪收集地面不少于1年的若干组雨滴谱观测数据N(D)；
步骤1-3、建立μ-Λ约束函数：将步骤1-2收集的若干组雨滴谱观测数据N(D)，代入步骤1-1的雨滴谱分布模型中，得到若干组μ和Λ值；对若干组μ和Λ值进行拟合，形成μ随Λ变化的μ-Λ约束函数；将μ-Λ约束函数代入步骤1-1的雨滴谱分布模型中，形成带约束的雨滴谱分布模型；
步骤2、建立多波段天气雷达数据反演模型：根据步骤1建立的带约束雨滴谱分布模型，以及降水粒子的复折射指数m，建立多波段天气雷达数据反演模型；多波段天气雷达数据反演模型包括一个或两个雷达参量模型，分别为反射率模型ZH和/或差分反射率模型ZDR；其中，复折射指数m根据雷达波长进行取值；
步骤3、气象监测：采用至少两个波段多普勒天气雷达或双偏振雷达，对同一待监测区域进行气象观测；每个波段多普勒天气雷达或双偏振雷达均观测得到每个极坐标点所对应的反射率Z′H和/或差分反射率Z′DR；
步骤4、修正雷达参量：将步骤3中每个波段多普勒天气雷达或双偏振雷达观测的Z′H和/或Z′DR，分别进行修正，得到修正雷达参量，分别为修正反射率Z′H′和/或修正差分反射率Z′D′R；
步骤5、多波段雷达参量数据转换，具体包括如下步骤：
步骤5-1、选择设定转换波段A，其中，A为X波段、C波段或S波段；当待转换波段与设定转换波段A相同时，直接更新为转换雷达参量，并跳转至步骤6；否则，进入步骤5-2；
步骤5-2、确定待转换波段的雨滴谱参数：将待转换波段的修正反射率Z′H′和待转换波段对应的复折射指数m代入步骤2建立的反射率模型ZH，得到方程1；同时，将待转换波段的修正差分反射率Z′D′R和待转换波段对应的复折射指数m代入步骤2建立的差分反射率模型ZDR中，得到方程2；联立方程1、方程2和μ-Λ约束函数，求解得到待转换波段所对应的雨滴谱参数，分别为转换波段的截断参数N0、形状参数μ和斜率参数Λ；
步骤5-3、转换：将设定转换波段A对应的复折射指数m、以及步骤5-2确定的待转换波段雨滴谱参数；分别代入步骤2建立的反射率模型ZH和/或差分反射率模型ZDR中，从而得到转换雷达参量，分别为转换反射率Z′H″和/或转换差分反射率Z′D′R′；
步骤6、格点插值：将每个波段的所有极坐标点均转换为直角坐标点；在同一经纬度和高度三维网格下，将每个波段所有直角坐标点的转换雷达参量均进行插值；
步骤7、融合：在步骤6插值后的同一经纬度和高度三维网格中，当同一个格点具有两个及以上转换反射率Z′H″或转换差分反射率Z′D′R′时，则采用距离指数加权的方式，将同一格点的所有转换反射率Z′H″或转换差分反射率Z′D′R′进行融合。
2.根据权利要求1所述的多波段天气雷达数据融合方法，其特征在于：步骤1-2中，雨滴谱仪收集地面雨滴谱观测数据N(D)的时间为2～3年。
3.根据权利要求1所述的多波段天气雷达数据融合方法，其特征在于：步骤1-3中建立的μ-Λ约束函数为μ＝aΛ2+bΛ+c；其中，a、b和c均为拟合系数。
4.根据权利要求1所述的多波段天气雷达数据融合方法，其特征在于：步骤2中，反射率模型ZH和差分反射率模型ZDR的表达式分别为：
其中：
P＝4π-P′
式中，D为降水粒子的雨滴直径；P和P′均为雨滴形状因子，均为关于D的函数；K为降水粒子的介电常数。
5.根据权利要求4所述的多波段天气雷达数据融合方法，其特征在于：雨滴形状因子P的表达式为：
其中：
E2＝1-r2
式中，E为中间计算变量；r为椭球雨滴的轴长比，且0＜r＜1。
6.根据权利要求1所述的多波段天气雷达数据融合方法，其特征在于：步骤4中的修正方式包括衰减订正、系统偏差订正和地物滤除。
7.根据权利要求6所述的多波段天气雷达数据融合方法，其特征在于：步骤4中，衰减订正采用线性订正；系统偏差订正首先通过微雨法、外部金属球法确定系统偏差，然后在原始反射率Z′H或差分反射率Z′DR的基础上直接减去所确定的系统偏差；地物滤除主要通过统计气象回波和非气象回波的强度纹理、差分反射率标准差、差分传播相移标准差、相关系数标准差、相关系数、信噪比的分布，采用模糊逻辑算法将其进行分类，最后识别出非气象回波，并将其进行滤除。
8.根据权利要求1所述的多波段天气雷达数据融合方法，其特征在于：步骤5-1中设定转换波段A选择为S波段。
9.根据权利要求1所述的多波段天气雷达数据融合方法，其特征在于：步骤7中，设某个格点A具有n个雷达，每个雷达对应一组待融合雷达参量；其中，待融合雷达参量为转换反射率Z′H″或转换差分反射率Z′D′R′；将格点A中融合前的第i个待融合雷达参量记为fA(i)，则格点A融合后雷达参量记为fA，则fA的表达式为：
其中：
式中，wi为格点A第i个待融合雷达参量的权重值；di为格点A到第i个雷达的距离；Ri为设定距离或格点A到第i个雷达的最大探测距离。
10.根据权利要求9所述的多波段天气雷达数据融合方法，其特征在于：Ri为设定距离100。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311229939.0A CN117332365A (zh) | 2023-09-22 | 2023-09-22 | 一种多波段天气雷达数据融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311229939.0A CN117332365A (zh) | 2023-09-22 | 2023-09-22 | 一种多波段天气雷达数据融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117332365A true CN117332365A (zh) | 2024-01-02 |
Family
ID=89282177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311229939.0A Pending CN117332365A (zh) | 2023-09-22 | 2023-09-22 | 一种多波段天气雷达数据融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332365A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117953445A (zh) * | 2024-03-26 | 2024-04-30 | 南京大学 | 基于交通监控相机雨天道路能见度测定方法、系统及介质 |
-
2023
- 2023-09-22 CN CN202311229939.0A patent/CN117332365A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117953445A (zh) * | 2024-03-26 | 2024-04-30 | 南京大学 | 基于交通监控相机雨天道路能见度测定方法、系统及介质 |
| CN117953445B (zh) * | 2024-03-26 | 2024-05-28 | 南京大学 | 基于交通监控相机雨天道路能见度测定方法、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tabary | The new French operational radar rainfall product. Part I: Methodology | |
| CN108761576B (zh) | 一种x波段气象雷达与雨量站数据融合方法及系统 | |
| Smith et al. | Results of WetNet PIP-2 project | |
| Pellarin et al. | Hydrologic visibility of weather radar systems operating in mountainous regions: Case study for the Ardèche catchment (France) | |
| Joss et al. | Operational use of radar for precipitation measurements in Switzerland | |
| Collis et al. | Statistics of storm updraft velocities from TWP-ICE including verification with profiling measurements | |
| CN117332365A (zh) | 一种多波段天气雷达数据融合方法 | |
| Sideris et al. | The CombiPrecip experience: development and operation of a real-time radar-raingauge combination scheme in Switzerland | |
| Anagnostou et al. | Simulation of radar reflectivity fields: Algorithm formulation and evaluation | |
| CN113378443B (zh) | 一种地波雷达数据融合同化方法及计算机设备 | |
| Kann et al. | Evaluation of high-resolution precipitation analyses using a dense station network | |
| CN117148360B (zh) | 雷电临近预报方法、装置、电子设备及计算机存储介质 | |
| CN112733394A (zh) | 一种大气参数反演方法及装置 | |
| Biggerstaff et al. | Hurricane Florence (2018): Long duration single‐and dual‐Doppler observations and wind retrievals during landfall | |
| Do et al. | Assimilating retrieved water vapor and radar data from NCAR S-PolKa: Performance and validation using real cases | |
| Oh et al. | Estimation of the liquid water content and Z–LWC relationship using K a‐band cloud radar and a microwave radiometer | |
| Torres et al. | A simulation framework to support the design and evaluation of adaptive scanning for phased-array weather radars | |
| Vendrasco et al. | Potential use of the GLM for nowcasting and data assimilation | |
| Overeem et al. | Rainfall-induced attenuation correction for two operational dual-polarization C-band radars in the Netherlands | |
| Rihan et al. | Assimilation of Doppler radial winds into a 3D‐Var system: Errors and impact of radial velocities on the variational analysis and model forecasts | |
| Dixon et al. | Three-dimensional convective–stratiform echo-type classification and convectivity retrieval from radar reflectivity | |
| Hu et al. | Development and testing of a new cloud analysis package using radar, satellite, and surface cloud observations within GSI for initializing Rapid Refresh | |
| Holleman | Bias adjustment of radar-based 3-hour precipitation accumulations | |
| Yin et al. | Enhancing precipitation estimation accuracy: An evaluation of traditional and machine learning approaches in rainfall predictions | |
| Komatineni et al. | Quantification of Bird Migration using Doppler Weather Surveillance Radars (NEXRAD) |
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 |