CN117473877A - 一种基于静止卫星数据的闪电三维辐射源位置反演方法 - Google Patents

一种基于静止卫星数据的闪电三维辐射源位置反演方法 Download PDF

Info

Publication number
CN117473877A
CN117473877A CN202311810562.8A CN202311810562A CN117473877A CN 117473877 A CN117473877 A CN 117473877A CN 202311810562 A CN202311810562 A CN 202311810562A CN 117473877 A CN117473877 A CN 117473877A
Authority
CN
China
Prior art keywords
lightning
radiation source
dimensional
dimensional radiation
cloud
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
CN202311810562.8A
Other languages
English (en)
Other versions
CN117473877B (zh
Inventor
宋琳
李�杰
戴炳哲
杨俊�
孟繁辉
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.)
Qingdao Ecological And Agricultural Meteorological Center Qingdao Climate Change Center
Original Assignee
Qingdao Ecological And Agricultural Meteorological Center Qingdao Climate Change Center
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 Qingdao Ecological And Agricultural Meteorological Center Qingdao Climate Change Center filed Critical Qingdao Ecological And Agricultural Meteorological Center Qingdao Climate Change Center
Priority to CN202311810562.8A priority Critical patent/CN117473877B/zh
Publication of CN117473877A publication Critical patent/CN117473877A/zh
Application granted granted Critical
Publication of CN117473877B publication Critical patent/CN117473877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
    • G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
    • G01R29/0842—Measurements related to lightning, e.g. measuring electric disturbances, warning systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于静止卫星数据的闪电三维辐射源位置反演方法，涉及闪电辐射源特征参量反演领域，包括利用匹配的组多维度特征数据、三维辐射源位置数据和选取的静止卫星气象观测数据建立地基/卫星同步观测数据集；使用机器学习方法，利用地基/卫星同步观测数据集进行训练，选择误差最小的模型作为最终的闪电三维辐射源位置反演模型；将和模型训练中采用的特征量对应的静止卫星新数据输入到闪电三维辐射源位置反演模型中，得到闪电三维辐射源位置。本发明利用静止卫星数据实现了对三维辐射源位置更高精度的反演。

Description

一种基于静止卫星数据的闪电三维辐射源位置反演方法
技术领域
本发明涉及闪电辐射源特征参量反演领域，尤其是一种基于静止卫星数据的闪电三维辐射源位置反演方法。
背景技术
目前，地基闪电定位系统一般通过获取脉冲辐射源到达相应观测子站间的时间差，再通过非线性最小二乘拟合算法等得到脉冲辐射源的三维特征参量；静止卫星闪电成像仪等探测设备则通过探测777.4nm红外光辐射监测云顶光斑变化，得到一系列闪电相关信息，再利用静止卫星闪电组（group）信息来反演出对应时间的闪电辐射源特征，从而实现从二维光斑图像得到三维的闪电辐射源特征参量。然而，由于现有工作忽略了雷暴云的云体形态以及云内水成物粒子的时空特征等因素对卫星观测到的云顶光斑的特征参量（空间尺度、强度和形态等）的影响，导致利用卫星数据的反演出的辐射源水平位置可能存在较大偏差。
发明内容
为了克服现有技术中存在的上述问题，本发明提出一种基于静止卫星数据的闪电三维辐射源位置反演方法。
本发明解决其技术问题所采用的技术方案是：一种基于静止卫星数据的闪电三维辐射源位置反演方法，利用静止卫星多源数据实现闪电三维辐射源位置反演，包括：
步骤1，利用选取的静止卫星气象观测数据以及相互匹配的组多维度特征数据和三维辐射源位置数据建立地基/卫星同步观测数据集；
步骤2，将步骤1中地基/卫星同步观测数据集按7:3分为训练集和验证集，基于机器学习算法，进行训练，选择误差最小的模型作为最终的闪电三维辐射源位置反演模型；
步骤3，将和模型训练中采用的特征量对应的静止卫星新数据输入到步骤2所得的闪电三维辐射源位置反演模型，得到闪电三维辐射源位置。
上述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，所述步骤1中三维辐射源位置数据包括：
步骤A，通过地基三维雷电探测网获取三维辐射源位置；
步骤B，将多个三维辐射源的空间位置和强度进行加权处理，等效为一个点源。
上述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，所述步骤A包括：建立地基三维雷电探测网，每个地基三维雷电探测网覆盖100 km×100 km，包含7-8个三维探测站，不同探测子站之间通过高精度GPS时钟实现时间同步；通过不同探测站探测到的同步梯级先导脉冲时间差，利用时间到达方法，采用最小二乘迭代算法求解，获取三维辐射源位置。
上述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，所述步骤B包括：利用强度和空间位置计算公式将多个三维辐射源合并为一个点源，其计算公式为：
；
其中，J表示光辐射能量的总和，i表示脉冲数，Qi表示各辐射源的电荷矩，k表示电-光转换系数；(x,y,h)表示点源的空间位置坐标。
上述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，所述步骤1中静止卫星气象观测数据选取过程包括：
步骤a，建立可以同时考虑闪电光源结构和云的不规则形状与不均匀特性的闪电光辐射传输优化模型；
步骤b，通过步骤a中优化后的闪电光辐射传输模型提取影响闪电光辐射特征的因素，按因素确定静止卫星气象观测数据。
上述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，所述步骤a具体包括：闪电光辐射传输模型采用Monte Carlo方法，对闪电光源释放的每一个光子在云中与云粒子多次碰撞散射的全过程进行模拟，不断重复直到达到设定好的模拟光子数；
其中对单个光子的模拟过程为：赋予光子一个初始权重值，根据光子所在位置的特性计算其下一步的散射方向和距离，逐步跟踪其散射路径，并在每次散射发生之前产生一个0到1之间的随机数与单次散射反照率ω0进行比较，当随机数小于1-ω0时认为光子被吸收；当光子被吸收或从云中逸出时模拟过程终止，记录光子的位置及状态信息后开始对下一个光子的模拟；通过下式计算光子每次的散射方向和距离，散射方向由散射相函数确定：
；
其中，g表示不对称因子,是所有散射角的平均值，与波长和云粒子的大小相关；，α表示光子传输的散射角；
；
其中，α表示光子传输的散射角；r表示均匀分布在0到1之间的随机数；
；
其中，s表示光子在两次散射过程间行进的距离；表示光子在云中的平均自由程；
；
其中，a表示云中粒子平均半径，N表示粒子平均数浓度；
为考虑闪电光源结构，让闪电光辐射传输模型可加载的光源形式包括点光源和线光源；其中线光源为一系列的点光源间隔一定距离组成，组成线光源的每个点光源平分发射的总光子，从而实现光源在空间上的延伸；
为考虑云的不规则形状与不均匀特性，利用边长为200m的立方体网格组成任意形状的三维云；每个小立方体内云的性质相同，按照需要给每个小立方体赋予不同参数值来表现云的不均匀性，向小立方体添加的参数来源于对云的实际观测数据，且符合云水粒子通常的分布趋势。
上述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，所述步骤b具体包括：在优化的闪电光辐射传输模型中通过控制变量的方法，研究不同的光源的形状、位置、云几何形状、云不均匀性和观测角度对闪电光辐射特征的影响，并对影响程度大的因素进行提取；按照提取的影响因素选择与之相关静止卫星气象观测数据类型；根据匹配的闪电的发生时间和位置以及确定使用的静止卫星气象观测数据类型，选取闪电周围100km*100km范围内同一时间的静止卫星气象观测数据。
上述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，所述步骤1中将数据匹配的具体过程包括：将静止卫星闪电探测组数据对应的像元覆盖区域外延一个邻近和对角像素点，以外延后的区域为搜索区域寻找与静止卫星闪电观测数据相匹配的三维辐射源；匹配后得到的闪电发生位置和时间用于寻找静止卫星气象观测数据。
上述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，所述步骤2中机器学习算法为极度梯度提升树算法。
本发明的有益效果是，本发明克服了目前利用静止卫星数据对闪电三维辐射源位置反演时由于雷暴云对闪电红外辐射光子的吸收散射作用，以及雷暴云几何形态、云顶高度等因素的影响，静止卫星给出的位置和闪电三维辐射源实际水平位置差异较大的问题，实现了对三维辐射源位置更高精度的反演。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明流程示意图；
图2为本发明模型反演结果与地基定位结果对比图，其中（a）表示辐射源地基定位结果图；（b）表示模型预测结果图；（c）表示辐射源地基定位与模型预测结果误差图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。
如图1所示，本实施例公开了一种基于静止卫星数据的闪电三维辐射源位置反演方法，包括：
步骤1，利用匹配的组(group)多维度特征数据、三维辐射源位置数据和选取的静止卫星气象观测数据建立地基/卫星同步观测数据集。
步骤1中获取三维辐射源位置数据具体过程包括：
步骤A，通过地基三维雷电探测网获取三维辐射源位置；
步骤A具体包括：三维辐射源位置来源于建立的地基三维雷电探测网，包括南京、广东珠三角、福建九仙山、黄渤海湾、海南和新疆乌鲁木齐六个地基三维雷电探测网，每个地基三维雷电探测网覆盖约100 km×100 km，包含7-8个三维探测站（每个探测站包括快电场变化测量仪、慢电场变化测量仪和磁场变化测量仪数据），测站间距20-40 km不等；仪器采样率为1MHz，采用连续不间断的采集方式，每秒一个文件，实时存储在本地，然后将超过信噪比1.2的脉冲数据保留并实时发送。不同观测子站之间通过授时精度为50 ns的高精度GPS时钟实现时间同步。通常，由于观测距离较远，每个梯级先导脉冲等效为一个偶极子，只需要测到同步的4个及以上测站的同步梯级先导脉冲时间差，就可以通过时间到达法（TOA），采用最小二乘迭代计算获取梯级先导的位置，得到三维辐射源位置数据。
步骤B，将三维辐射源位置数据中多个三维辐射源的空间位置和强度进行加权处理，等效为一个点源。
步骤B具体包括：静止卫星闪电组（group）与三维辐射源脉冲不是一一对应的，一个组（group）可能对应一个脉冲，也可能是多个脉冲。但在2ms时间尺度内，不同辐射源的位置分布范围可能小于静止卫星空间分辨率，导致从静止卫星的组（group）数据中无法反演多个不同的辐射源。因此，在本实施例中，将多个三维辐射源的空间位置和强度进行加权处理，从而等效为一个点源。该点源的强度和空间位置可通过以下公式确定：
；
其中，J表示光辐射能量的总和，i表示脉冲数，Qi表示各辐射源的电荷矩，k表示电-光转换系数；(x,y,h)表示点源的空间位置坐标。
步骤1中静止卫星气象观测数据选取过程包括：
步骤a，建立可以同时考虑闪电光源结构和云的不规则形状与不均匀特性的闪电光辐射传输优化模型。
步骤a具体包括：闪电光辐射传输模型采用Monte Carlo方法，对闪电光源释放的每一个光子在云中与云粒子间多次散射的全过程进行模拟，不断重复，直到达到设定好的模拟光子数（本实施例为105）。
其中对单个光子的模拟过程为：赋予光子一个初始权重值（本实施例为1），根据光子所在位置的特性计算其下一步的散射方向和距离，逐步跟踪其散射路径，并在每次散射发生前产生一个0到1之间的随机数与1-ω0进行比较，ω0为单次散射反照率（本实施例为0.99998），当随机数小于1-ω0时认为光子被吸收。当光子被吸收或从云中逸出时模拟过程终止，记录光子的位置及状态（吸收或逸出）信息后开始对下一个光子的模拟。光子每次的散射方向和距离通过以下式子进行计算，其中散射方向由散射相函数确定，本研究中仍采用Henyey-Greenstein函数作为散射相函数：
；
其中，g表示不对称因子,是所有散射角的平均值，与波长和云粒子的大小相关；，α表示光子传输的散射角；
；
其中，α表示光子传输的散射角；r表示均匀分布在0到1之间的随机数；
；
其中，s表示光子在两次散射过程间行进的距离；表示光子在云中的平均自由程；
；
其中，a表示云中粒子平均半径，N表示粒子平均数浓度。
为考虑闪电光源结构，让闪电光辐射传输模型可加载的光源形式包括点光源和线光源。其中线光源为一系列的点光源间隔一定距离组成，组成线光源的每个点光源平分发射的总光子，从而实现光源在空间上的延伸。
为考虑云的不规则形状与不均匀特性，利用边长为200m的立方体网格组成任意形状的三维云。每个小立方体内云的性质相同，按照需要给每个小立方体赋予不同参数值来表现云的不均匀性。向小立方体添加的参数来源于对云的实际观测数据，且符合云水粒子通常的分布趋势，如云核心处的粒子分布更密集。
步骤b，通过步骤a中优化后的闪电光辐射传输模型提取影响闪电光辐射特征的因素，并按因素选择静止卫星气象观测数据。
在优化的闪电光辐射传输模型中通过控制变量的方法，研究不同的光源的形状、位置、云几何形状、云不均匀性和观测角度等对闪电光辐射特征的影响，并对影响程度大的那些因素进行提取；按照提取的影响因素选择与之相关静止卫星气象观测数据，如云顶高度，云顶温度等；根据匹配的闪电的发生时间和位置以及确定使用的静止卫星气象观测数据类型，选取闪电周围100km*100km范围内同一时间的静止卫星气象观测数据。
步骤1中将静止卫星闪电观测数据与三维辐射源位置数据集进行匹配过程包括：由于存在雷暴云内水成物粒子的分布不均，对红外光子的吸收和散射能力不同，存在辐射源上方的云顶没有被照亮，而相邻的区域被照亮（典型的现象如“空洞”）的情况。因此，在本实施例中，将静止卫星闪电探测数据所有像元（event）覆盖区域外延一个邻近和对角像素点（event），以此为搜索区域寻找与静止卫星闪电观测数据相匹配的三维辐射源，匹配后得到的闪电发生位置和时间用于寻找静止卫星气象观测数据。
本实施例组(group)多维度特征数据采用如表1所示的十二个参数。
表1 用来描述组(group)多维度特征数据的十二个参数
另外，值得注意的是，当连续电流过程发生时，其静止卫星观测到的云顶光斑会持续发亮并超过5帧，但地基探测到的辐射源仅有一次，因此，在进行闪电三维辐射源特征参量反演需要剔除连续电流过程的同步数据。其中连续电流过程的判断为如果在相同位置至少五个连续帧中检测到光辐射，则认为该闪电具有连续电流。
步骤2，将步骤1中地基/卫星同步观测数据集数据按7:3的比例分为训练集和验证集，基于机器学习算法，在训练集中训练，并通过验证集检验，检验评估指标采用均误差平方根（RMSE），选择均误差平方根最低的模型作为最终的闪电三维辐射源位置反演模型。
目前，在机器学习中，Boosting 算法是应用比较广泛的，该算法是集成多个效果一般的弱学习器，来获得效果较好的强学习器。其中，XGBoost算法（该方法也称为极度梯度提升树）对损失函数进行了优化，通过不断迭代生成新的决策树，每棵树都是基于上一颗树和目标值的残差来进行学习，迭代之后将每棵树进行集成。XGBoost算法在针对分类和回归等问题方面表现优异，且运行效率高。
步骤3，将和模型训练中采用的特征量对应的静止卫星新数据输入到步骤2所得的闪电三维辐射源位置反演模型中，得到闪电三维辐射源位置。
在采用静止卫星数据对辐射源三维定位中最大的问题是对辐射源高度的反演，因此在本实施例中对模型预测的高度和根据地基定位获取的高度进行了对比，对比结果如图2所示，从图2中可以看出，模型预测的高度和根据地基定位获取的高度误差中位数为0.82km，满足了从二维光斑图像到三维辐射源位置的更高精度的反演。
以上实施例仅为本发明的示例性实施例，不用于限制本发明。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (9)

1.一种基于静止卫星数据的闪电三维辐射源位置反演方法，其特征在于，利用静止卫星多源数据实现闪电三维辐射源位置反演，包括：
步骤1，利用选取的静止卫星气象观测数据以及相互匹配的组多维度特征数据和三维辐射源位置数据建立地基/卫星同步观测数据集；
步骤2，将步骤1中地基/卫星同步观测数据集按7:3分为训练集和验证集，基于机器学习算法，进行训练，选择误差最小的模型作为最终的闪电三维辐射源位置反演模型；
步骤3，将和模型训练中采用的特征量对应的静止卫星新数据输入到步骤2所得的闪电三维辐射源位置反演模型，得到闪电三维辐射源位置。
2.根据权利要求1所述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，其特征在于，所述步骤1中三维辐射源位置数据包括：
步骤A，通过地基三维雷电探测网获取三维辐射源位置；
步骤B，将多个三维辐射源的空间位置和强度进行加权处理，等效为一个点源。
3.根据权利要求2所述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，其特征在于，所述步骤A包括：建立地基三维雷电探测网，每个地基三维雷电探测网覆盖100km×100 km，包含7-8个三维探测站，不同探测子站之间通过高精度GPS时钟实现时间同步；通过不同探测站探测到的同步梯级先导脉冲时间差，利用时间到达方法，采用最小二乘迭代算法求解，获取三维辐射源位置。
4.根据权利要求2所述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，其特征在于，所述步骤B包括：利用强度和空间位置计算公式将多个三维辐射源合并为一个点源，其计算公式为：
；
其中，J表示光辐射能量的总和，i表示脉冲数，Qi表示各辐射源的电荷矩，k表示电-光转换系数；(x,y,h)表示点源的空间位置坐标。
5.根据权利要求1所述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，其特征在于，所述步骤1中静止卫星气象观测数据选取过程包括：
步骤a，建立可以同时考虑闪电光源结构和云的不规则形状与不均匀特性的闪电光辐射传输优化模型；
步骤b，通过步骤a中优化后的闪电光辐射传输模型提取影响闪电光辐射特征的因素，按因素确定静止卫星气象观测数据。
6.根据权利要求5所述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，其特征在于，所述步骤a具体包括：闪电光辐射传输模型采用Monte Carlo方法，对闪电光源释放的每一个光子在云中与云粒子多次碰撞散射的全过程进行模拟，不断重复直到达到设定好的模拟光子数；
其中对单个光子的模拟过程为：赋予光子一个初始权重值，根据光子所在位置的特性计算其下一步的散射方向和距离，逐步跟踪其散射路径，并在每次散射发生之前产生一个0到1之间的随机数与单次散射反照率ω0进行比较，当随机数小于1-ω0时认为光子被吸收；当光子被吸收或从云中逸出时模拟过程终止，记录光子的位置及状态信息后开始对下一个光子的模拟；通过下式计算光子每次的散射方向和距离，散射方向由散射相函数确定：
；
其中，g表示不对称因子,是所有散射角的平均值，与波长和云粒子的大小相关；，α表示光子传输的散射角；
；
其中，α表示光子传输的散射角；r表示均匀分布在0到1之间的随机数；
；
其中，s表示光子在两次散射过程间行进的距离；表示光子在云中的平均自由程；
；
其中，a表示云中粒子平均半径，N表示粒子平均数浓度；
为考虑闪电光源结构，让闪电光辐射传输模型可加载的光源形式包括点光源和线光源；其中线光源为一系列的点光源间隔一定距离组成，组成线光源的每个点光源平分发射的总光子，从而实现光源在空间上的延伸；
为考虑云的不规则形状与不均匀特性，利用边长为200m的立方体网格组成任意形状的三维云；每个小立方体内云的性质相同，按照需要给每个小立方体赋予不同参数值来表现云的不均匀性，向小立方体添加的参数来源于对云的实际观测数据，且符合云水粒子通常的分布趋势。
7.根据权利要求5所述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，其特征在于，所述步骤b具体包括：在优化的闪电光辐射传输模型中通过控制变量的方法，研究不同的光源的形状、位置、云几何形状、云不均匀性和观测角度对闪电光辐射特征的影响，并对影响程度大的因素进行提取；按照提取的影响因素选择与之相关静止卫星气象观测数据类型；根据匹配的闪电的发生时间和位置以及确定使用的静止卫星气象观测数据类型，选取闪电周围100km*100km范围内同一时间的静止卫星气象观测数据。
8.根据权利要求1所述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，其特征在于，所述步骤1中将数据匹配的具体过程包括：将静止卫星闪电探测组数据对应的像元覆盖区域外延一个邻近和对角像素点，以外延后的区域为搜索区域寻找与静止卫星闪电观测数据相匹配的三维辐射源；匹配后得到的闪电发生位置和时间用于寻找静止卫星气象观测数据。
9.根据权利要求1所述的一种基于静止卫星数据的闪电三维辐射源位置反演方法，其特征在于，所述步骤2中机器学习算法为极度梯度提升树算法。
CN202311810562.8A 2023-12-27 2023-12-27 一种基于静止卫星数据的闪电三维辐射源位置反演方法 Active CN117473877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311810562.8A CN117473877B (zh) 2023-12-27 2023-12-27 一种基于静止卫星数据的闪电三维辐射源位置反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311810562.8A CN117473877B (zh) 2023-12-27 2023-12-27 一种基于静止卫星数据的闪电三维辐射源位置反演方法

Publications (2)

Publication Number Publication Date
CN117473877A true CN117473877A (zh) 2024-01-30
CN117473877B CN117473877B (zh) 2024-03-22

Family

ID=89639960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311810562.8A Active CN117473877B (zh) 2023-12-27 2023-12-27 一种基于静止卫星数据的闪电三维辐射源位置反演方法

Country Status (1)

Country Link
CN (1) CN117473877B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004000025A1 (de) * 2004-01-29 2006-03-16 Nowcast Mobile Gmbh System und Verfahren zum Erfassen, Übermitteln und Auswerten von durch elektromagnetische Strahlung anfallenden Daten und Informationen
CN104569913A (zh) * 2015-01-30 2015-04-29 武汉大学 一种高精度全闪电定位方法
CN108445464A (zh) * 2018-03-12 2018-08-24 南京恩瑞特实业有限公司 Nriet基于机器学习的卫星雷达反演融合方法
CN112907871A (zh) * 2021-04-07 2021-06-04 湖南航天智远科技有限公司 基于卫星遥感的雷火预警识别方法
CN113639970A (zh) * 2021-08-19 2021-11-12 云南电网有限责任公司电力科学研究院 一种评估卫星闪电成像仪探测地面定标能力的方法
US20210383175A1 (en) * 2020-06-08 2021-12-09 Wuhan University Adaptive inversion method of internet-of-things environmental parameters based on rfid multi-feature fusion sensing model
CN114280379A (zh) * 2021-12-28 2022-04-05 华象科技(南京)有限公司 基于fy4a卫星资料和雷达组网资料的云地闪初次闪击探测算法
CN117194957A (zh) * 2023-10-08 2023-12-08 贵州北盘江电力股份有限公司马马崖光伏分公司 一种基于卫星反演辐射数据技术的超短期预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004000025A1 (de) * 2004-01-29 2006-03-16 Nowcast Mobile Gmbh System und Verfahren zum Erfassen, Übermitteln und Auswerten von durch elektromagnetische Strahlung anfallenden Daten und Informationen
CN104569913A (zh) * 2015-01-30 2015-04-29 武汉大学 一种高精度全闪电定位方法
CN108445464A (zh) * 2018-03-12 2018-08-24 南京恩瑞特实业有限公司 Nriet基于机器学习的卫星雷达反演融合方法
US20210383175A1 (en) * 2020-06-08 2021-12-09 Wuhan University Adaptive inversion method of internet-of-things environmental parameters based on rfid multi-feature fusion sensing model
CN112907871A (zh) * 2021-04-07 2021-06-04 湖南航天智远科技有限公司 基于卫星遥感的雷火预警识别方法
CN113639970A (zh) * 2021-08-19 2021-11-12 云南电网有限责任公司电力科学研究院 一种评估卫星闪电成像仪探测地面定标能力的方法
CN114280379A (zh) * 2021-12-28 2022-04-05 华象科技(南京)有限公司 基于fy4a卫星资料和雷达组网资料的云地闪初次闪击探测算法
CN117194957A (zh) * 2023-10-08 2023-12-08 贵州北盘江电力股份有限公司马马崖光伏分公司 一种基于卫星反演辐射数据技术的超短期预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HOU JIANG等: "Spatial scale effects on retrieval accuracy of surface solar radiation using satellite data", 《APPLIED ENERGY》, 27 May 2020 (2020-05-27) *
宋琳等: "一次雷暴过程云闪放电通道三维结构及其始发阶段特征的观测分析", 《电波科学学报》, vol. 38, no. 2, 28 February 2023 (2023-02-28) *
胡丽琴;黄富祥;: "基于蒙特卡罗方法的卫星光学波段闪电辐射观测模拟", 光学学报, no. 11, 10 November 2012 (2012-11-10) *
龚志双等: "亚波长间距理想导体球阵列近区时间反演电磁场的快速求解", 《物理学报》, vol. 67, no. 8, 31 August 2018 (2018-08-31) *

Also Published As

Publication number Publication date
CN117473877B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN103971169B (zh) 一种基于云量模拟的光伏超短期发电功率的预测方法
CN109934423A (zh) 基于并网逆变器运行数据的光伏电站功率预测方法及系统
Abreu et al. Description of atmospheric conditions at the pierre auger observatory using the global data assimilation system (gdas)
Harry et al. Stochastic template placement algorithm for gravitational wave data analysis
Murray et al. XBootes: an X-ray survey of the NDWFS bootes field. I. Overview and initial results
CN108875905B (zh) 一种大气温湿廓线的可见度函数直接反演方法
Zheng et al. Charge regions indicated by LMA lightning flashes in Hokuriku's winter thunderstorms
CN108445464A (zh) Nriet基于机器学习的卫星雷达反演融合方法
CN110514298A (zh) 一种基于地基云图的太阳辐照强度计算方法
CN114091756B (zh) 一种基于泰森多边形的乡镇级海啸风险评估方法
CN104318611A (zh) 一种基于激光扫描点云的三维树木重建方法
CN104915982A (zh) 树冠层光照分布预测模型构建方法及光照分布检测方法
Laslett et al. A method for generating synthetic hourly solar radiation data for any location in the south west of Western Australia, in a world wide web page
CN103116161B (zh) 一种基于起伏地形的sar森林二次散射有效路径计算方法
Aab et al. The Pierre auger observatory and its upgrade
CN117473877B (zh) 一种基于静止卫星数据的闪电三维辐射源位置反演方法
Cervilla et al. Siting multiple observers for maximum coverage: An accurate approach
CN109902877A (zh) 一种海上遇险目标漂移预测模型参数的逐步率定方法
CN109033181A (zh) 一种复杂地形地区风场地理数值模拟方法
Kayser et al. Gravitational micro-lensing due to an ensemble of compact objects with different masses
CN114777030B (zh) 一种基于nb-iot技术的危化气体监测方法
CN110648280A (zh) 一种用于大型溶洞海量点云数据拼接的数据处理方法
CN105956331A (zh) 塔式太阳能热发电系统中阴影和遮挡的快速判定方法
Li et al. A new method for connecting the radiation sources of lightning discharge extension channels
CN109472862A (zh) 一种变电站三维建模系统

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